【技术实现步骤摘要】
本申请涉及医学，特别是涉及一种risser征等级自动判定方法、装置、计算机设备和存储介质。
技术介绍
1、risser征等级是判断骨骼成熟的指标，具体是将骨盆正位x线图像中的髂前上棘到髂后上棘的总长度分为四段，然后根据骨骺在骨盆分段中出现的位置判定risser征等级。通过人工判定risser征等级的方法已经广泛应用于骨成熟度评估和青少年特发性脊柱侧凸的骨骼生长潜能评估，但受到医生临床经验等因素的影响，可能出现判定不合理或是错误判定的情况。
2、为了消除以上影响，目前存在一些基于深度学习的自动进行risser征分类的方法，具体是提取骨盆x线图像的特征进行训练，对不同risser征等级进行分类，但这种方法受训练样本影响较大，从而影响等级分类判定的准确率。
3、针对相关技术中存在risser征等级自动判定准确率较低的问题，目前还没有提出有效的解决方案。
技术实现思路
1、在本实施例中提供了一种risser征等级自动判定方法、装置、计算机设备和存储介质，以解决相关技术中存在risser征等级自动判定准确率较低的问题。
2、第一个方面，在本实施例中提供了一种risser征等级自动判定方法，包括：
3、基于深度学习算法，分割输入的骨盆x线图像，得到目标骨盆图像；
4、提取所述目标骨盆图像中骨盆的上侧边缘点，并均分由所述上侧边缘点确定的骨盆上侧轮廓，得到若干等级段；
5、基于所述骨盆上侧轮廓和预设方向搜索得到存在骨骺的边缘点
6、在其中的一些实施例中，所述基于深度学习算法，分割输入的骨盆x线图像，得到目标骨盆图像，包括：
7、通过卷积神经网络，训练得到目标骨盆图像分割模型；
8、基于所述分割模型，对输入的骨盆x线图像进行预测，再处理得到目标骨盆图像。
9、在其中的一些实施例中，所述提取所述目标骨盆图像中骨盆的上侧边缘点，并均分由所述上侧边缘点确定的骨盆上侧轮廓，得到若干等级段，包括：
10、在目标骨盆图像坐标系下分别获取左侧骨盆髂前上棘、左侧骨盆髂后上棘、右侧骨盆髂前上棘以及右侧骨盆髂后上棘的坐标；
11、提取所述左侧骨盆髂前上棘和所述左侧骨盆髂后上棘坐标之间的第一骨盆上侧边缘点，以及所述右侧骨盆髂前上棘和所述右侧骨盆髂后上棘坐标之间的第二骨盆上侧边缘点，对应得到第一骨盆上侧轮廓和第二骨盆上侧轮廓；
12、分别根据所述第一骨盆上侧轮廓和所述第二骨盆上侧轮廓的长度，均分得到四个等级段；所述等级段包括第一等级段、第二等级段、第三等级段以及第四等级段。
13、在其中的一些实施例中，所述基于所述骨盆上侧轮廓和预设方向搜索得到存在骨骺的边缘点，根据所述存在骨骺的边缘点所在所述等级段，得到对应的risser征等级，包括：
14、根据骨盆上侧轮廓中的上侧边缘点获取相应的所述预设方向；
15、基于所述预设方向，以所述上侧边缘点为中心，通过计算预设范围内的像素梯度，搜索存在骨骺的边缘点；
16、通过判断存在骨骺的边缘点位于骨盆上侧轮廓分段的区域，找到对应的等级段和risser征等级。
17、在其中的一些实施例中，所述基于所述预设方向，以所述上侧边缘点为中心，通过计算预设范围内的像素梯度，搜索存在骨骺的边缘点，包括：
18、基于所述预设方向定义正梯度方向和负梯度方向；
19、在所述预设范围内，以上侧边缘点为中心，基于所述正梯度方向，获取最大正梯度对应的第一坐标；
20、在所述预设范围内，以上侧边缘点为中心，基于所述负梯度方向，获取最大负梯度对应的第二坐标点；
21、结合预设阈值，通过比较定义范围内的像素均值与所述第一坐标点、第二坐标点之间的像素均值，得到存在骨骺的上侧边缘点；所述定义范围内的像素均值为所述预设范围内不包含所述第一坐标点和所述第二坐标点之间的像素的像素均值。
22、在其中的一些实施例中，所述结合预设阈值，通过比较定义范围内的像素均值与所述第一坐标点、第二坐标点之间的像素均值，得到存在骨骺的上侧边缘点，包括：
23、若所述定义范围内的像素均值与所述第一坐标点、第二坐标点之间的像素均值的差值大于所述预设阈值，则判断所述上侧边缘点存在骨骺；
24、若所述定义范围内的像素均值与所述第一坐标点、第二坐标点之间的像素均值的差值小于或等于所述预设阈值，则判断所述上侧边缘点不存在骨骺。
25、在其中的一些实施例中，所述通过判断存在骨骺的边缘点位于骨盆上侧轮廓分段的区域，找到对应的等级段和risser征等级，包括：
26、若所述存在骨骺的边缘点位于骨盆上侧轮廓的第一等级段内，则risser征为1级；
27、若所述存在骨骺的边缘点位于骨盆上侧轮廓的第一等级段和第二等级段内，则risser征为2级；
28、若所述存在骨骺的边缘点位于骨盆上侧轮廓的第一等级段、第二等级段以及第三等级段内，则risser征为3级；
29、若所述存在骨骺的边缘点位于骨盆上侧轮廓的第一等级段、第二等级段、第三等级段以及第四等级段内，则risser征为4级。
30、第二个方面，在本实施例中提供了一种risser征等级自动判定装置，包括：分割模块、边缘识别模块以及等级判定模块；
31、所述分割模块，用于基于深度学习算法，分割输入的骨盆x线图像，得到目标骨盆图像；
32、所述边缘识别模块，用于提取所述目标骨盆图像中骨盆的上侧边缘点，并均分由所述上侧边缘点确定的骨盆上侧轮廓，得到若干等级段；
33、所述等级判定模块，用于基于所述骨盆上侧轮廓和预设方向搜索得到存在骨骺的边缘点，根据所述存在骨骺的边缘点所在所述等级段，得到对应的risser征等级。
34、第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的risser征等级自动判定方法。
35、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的risser征等级自动判定方法。
36、与相关技术相比，在本实施例中提供的risser征等级自动判定方法、装置、计算机设备和存储介质，通过基于深度学习算法，分割输入的骨盆x线图像，得到目标骨盆图像；提取所述目标骨盆图像中骨盆的上侧边缘点，并均分由所述上侧边缘点确定的骨盆上侧轮廓，得到若干等级段；基于所述骨盆上侧轮廓和预设方向搜索得到存在骨骺的边缘点，根据所述骨骺的边缘点所在所述等级段，得到对应的risser征等级，能够将骨盆上侧轮廓进行分段，然后识别得到骨骺所在的对应分段区域，从而找到对应的risser征等级，本文档来自技高网...
【技术保护点】
1.一种Risser征等级自动判定方法，其特征在于，包括：
2.根据权利要求1所述的Risser征等级自动判定方法，其特征在于，所述基于深度学习算法，分割输入的骨盆X线图像，得到目标骨盆图像，包括：
3.根据权利要求1所述的Risser征等级自动判定方法，其特征在于，所述提取所述目标骨盆图像中骨盆的上侧边缘点，并均分由所述上侧边缘点确定的骨盆上侧轮廓，得到若干等级段，包括：
4.根据权利要求1-3任意一项所述的Risser征等级自动判定方法，其特征在于，所述基于所述骨盆上侧轮廓和预设方向搜索得到存在骨骺的边缘点，根据所述存在骨骺的边缘点所在所述等级段，得到对应的Risser征等级，包括：
5.根据权利要求4所述的Risser征等级自动判定方法，其特征在于，所述基于所述预设方向，以所述上侧边缘点为中心，通过计算预设范围内的像素梯度，搜索存在骨骺的边缘点，包括：
6.根据权利要求5所述的Risser征等级自动判定方法，其特征在于，所述结合预设阈值，通过比较定义范围内的像素均值与所述第一坐标点、第二坐标点之间的像素均值，得到存
7.根据权利要求4所述的Risser征等级自动判定方法，其特征在于，所述通过判断存在骨骺的边缘点位于骨盆上侧轮廓分段的区域，找到对应的等级段和Risser征等级，包括：
8.一种Risser征等级自动判定装置，其特征在于，包括：分割模块、边缘识别模块以及等级判定模块；
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的Risser征等级自动判定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的Risser征等级自动判定方法的步骤。
...【技术特征摘要】
1.一种risser征等级自动判定方法，其特征在于，包括：
2.根据权利要求1所述的risser征等级自动判定方法，其特征在于，所述基于深度学习算法，分割输入的骨盆x线图像，得到目标骨盆图像，包括：
3.根据权利要求1所述的risser征等级自动判定方法，其特征在于，所述提取所述目标骨盆图像中骨盆的上侧边缘点，并均分由所述上侧边缘点确定的骨盆上侧轮廓，得到若干等级段，包括：
4.根据权利要求1-3任意一项所述的risser征等级自动判定方法，其特征在于，所述基于所述骨盆上侧轮廓和预设方向搜索得到存在骨骺的边缘点，根据所述存在骨骺的边缘点所在所述等级段，得到对应的risser征等级，包括：
5.根据权利要求4所述的risser征等级自动判定方法，其特征在于，所述基于所述预设方向，以所述上侧边缘点为中心，通过计算预设范围内的像素梯度，搜索存在骨骺的边缘点，包括：
6.根据权利要...
【专利技术属性】
技术研发人员：付春萌，
申请(专利权)人：武汉联影智融医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。