一种脊柱侧弯检测方法与医疗平台与流程

本申请涉及医疗检测技术领域，具体而言，涉及一种脊柱侧弯检测方法与医疗平台。

背景技术：

脊柱侧弯是指脊柱的一个或数个节段在冠状面上偏离身体中线，向侧方弯曲而导致的畸形，脊柱侧弯通常还伴有脊柱的旋转和矢状面上后凸或前凸的增加或减少。我国儿童青少年脊柱侧弯发病率高达2％-4％，是继近视眼和肥胖症两种疾病之后的又一危害我国儿童青少年身心健康的顽疾。脊柱侧弯不仅影响儿童青少年身体外观，还影响其心理健康，严重时会压迫身体心肺等器官进而威胁到生命。

现有技术中主要依靠cobb角的大小来对特发性脊柱侧弯进行分型，cobb角是衡量脊柱侧弯的一个标准，其根据美国外科整形医生johnrobertcobb命名而来。cobb角的传统测量方法是医生利用铅笔和量角器在x线片上手工测量。由于这个方法是手工执行的，所以存在一定的误差，其观察者内和观察者间的可靠性也较差。另外，对于一些大型医院或体检机构来说，其经常需要面临集体性的脊柱侧弯筛查，例如，中小学均可能会组织学生集体前来检测，此时，如果还是采用手工方法进行检测，则显然需要耗费特别长的时间，无法满足人们日益提高的医疗需求。

可见，对于脊柱侧弯的快速准确的进行自动化检测，现有技术还未有效解决，亟需简单高效的检测技术来解决该技术问题。

技术实现要素：

为了解决上述背景技术中存在的技术问题，本申请提供了一种脊柱侧弯检测方法与医疗平台。

本申请的第一方面提供了一种脊柱侧弯检测方法，所述方法包括：

s1，获取脊柱x光图像；

s2，将所述脊柱x光图像输入深度学习识别模型进行识别，分割出各个脊柱块；

s3，基于识别出的各个脊柱块，计算得出cobb角；

s4，若所述cobb角大于预设值，则判断为脊柱侧弯。

可选地，在将所述脊柱x光图像输入深度学习识别模型进行识别之前，还包括预处理步骤，包括：

将所述脊柱x光图像输入脊柱识别模型，以识别出脊柱轮廓，进而切分出所述脊柱x光图像中的脊柱区域图像；

相应地，在步骤s2中，将所述脊柱区域图像输入深度学习识别模型进行识别。

可选地，将所述脊柱x光图像输入深度学习识别模型进行识别，分割出各个脊柱块，包括：

所述脊柱区域图像输入深度学习识别模型，所述深度学习识别模型识别出所述脊柱区域图像中的各个角点并将具有相同属性的角点进行分组，以分组内的各个角点为边角构建边界，以对各个脊柱块完成标注；其中，所述相同属性是指各个角点的开口具有相同指向，所述分组中的角点至少包括三个。

可选地，所述基于识别出的各个脊柱块，计算得出cobb角，包括：

基于各个脊柱块的等效质心位置拟合出脊柱曲线，在各个等效质心位置处绘制所述脊柱曲线的切线，计算得出各条所述切线的斜率；

以端脊柱块为端椎，以所述端椎为起点端椎逐条分析各条所述切线的斜率，当所述斜率出现第二次趋势改变时对应的脊柱块作为终点端椎，基于所述起点端椎和终点端椎的切线计算得出cobb角度值；

将计算得出的若干cobb角度值中最大的作为最终的cobb角度值。

可选地，所述方法还包括：

s5，将所述脊柱曲线输入分类模型，以输出脊柱侧弯类型。

本申请的第二方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。

本申请的第三方面提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。

本申请的第四方面提供了一种医疗平台，所述医疗平台包括检测模块、处理模块及输出模块；

所述检测模块，用于采用如上任一项所述的方法进行脊柱侧弯检测；

所述处理模块，用于基于所述检测模块的检测结果确定对应的治疗方案；

所述输出模块，用于将所述治疗方案进行输出。

可选地，所述将所述治疗方案进行输出包括：

将所述治疗方案输出至医生端、患者端、医院端中的至少一种。

可选地，所述医疗平台还包括预约模块、资讯模块、商城模块、线上诊疗模块、活动及分享模块中的至少一种。

本发明的有益效果在于：

在本申请方案中，x光设备在拍摄完脊柱x光图像之后，检测识别设备就可以自动快速对脊柱侧弯情况进行检测判断，如此，替代了人工手动标注及计算cobb角，提高了脊柱侧弯筛查的效率和可靠性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本申请实施例公开的一种脊柱侧弯检测方法的流程示意图；

图2是本申请实施例公开的一种医疗平台的结构示意图；

图3是本申请实施例公开一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

实施例一

脊柱侧弯的严重程度大多通过脊柱侧弯曲角度来判断，cobb角已成为医生诊断或观察脊柱侧弯症状的一个定量标准。目前，影像学医师测量cobb角时大多通过手动选择脊柱中向脊柱侧弯凹侧倾斜最严重的脊椎骨作为上下端锥，后使用量角器测量脊柱上下端椎之间的夹角。因此，cobb角测量的准确性较大程度取决于影像科医师的主观经验，而研究发现，影像科医师在手动选择脊柱侧弯上下端椎进行脊柱侧弯cobb角测量时可能会造成高达11.8°的误差，大大影响了对脊柱侧弯患者的诊断以及治疗。同时，现今的家长和学校对脊柱侧弯越发重视，所以，一些医院和体检机构通常需要接待来自学校的集体脊柱侧弯筛查，显然，如果仍然采用医师手动测量cobb角的话，工作量将会十分巨大，筛查效率可以想见是十分低下的。

于是，针对现有技术中手动测量cobb角来诊断脊柱侧弯的上述缺陷，请参阅图1，本申请实施例提供了一种脊柱侧弯检测方法。如图1所示，本申请实施例的一种脊柱侧弯检测方法，所述方法包括：

s1，获取脊柱x光图像；

s2，将所述脊柱x光图像输入深度学习识别模型进行识别，分割出各个脊柱块；

s3，基于识别出的各个脊柱块，计算得出cobb角；

s4，若所述cobb角大于预设值，则判断为脊柱侧弯。

在本申请实施例中，本申请的方法可独立包装为一个具体的脊柱侧弯检测设备，该设备可以从影像科的x光设备处接收检测出的脊柱x光图像，当然，也可以将本申请的方法包装为一个脊柱侧弯检测功能模块并集成于x光设备，如此，可以现场直接输出脊柱侧弯判断结果，例如将结果标注于x光片上，以利于医生和病人了解自身的脊柱情况。通过深度学习识别模型来对脊柱x光图像进行识别，从而可以识别出x光图像中的各个脊柱块，然后，再利用脊柱块中的上端椎和下端椎就可以计算出cobb角，如果cobb角大于预设值，则说明该检测对象存在脊柱侧弯情况。例如，通常情况下，当cobb角度值小于10°，则表明患者没有患脊柱侧弯；当cobb角度值大于10°小于25°，则认为患者具有轻微脊柱侧弯，这时候一般采用物理器具辅助治疗即可。当角度值大于25°时，则认为患者患有较为严重的脊柱侧弯，需要进一步诊断，甚而确定具体的手术计划。

可选地，在将所述脊柱x光图像输入深度学习识别模型进行识别之前，还包括预处理步骤，包括：

将所述脊柱x光图像输入脊柱识别模型，以识别出脊柱轮廓，进而切分出所述脊柱x光图像中的脊柱区域图像；

相应地，在步骤s2中，将所述脊柱区域图像输入深度学习识别模型进行识别。

在本申请实施例中，在深度学习识别模型识别脊柱块之前，先设计了一个脊柱识别模型，其可以对脊柱x光图像进行预处理，以将脊柱从背景图像中分割出来，即识别出脊柱区域图像(脊柱roi)。于是，深度学习识别模型在识别脊柱块时就仅需要对精简后的仅包括脊柱的脊柱区域图像进行识别，如此，可极大的提高脊柱块的识别准确性和识别效率。

对于脊柱区域图像(脊柱roi)的识别，可采用如下方法：

s201，对所述脊柱x光图像进行二值化处理，采用连通域算法从二值化处理后的x光图像提取出多个连通区域图像块；

s202，对所述多个连通区域图像块进行曲线特性分析，若提取出的边缘曲线不满足光滑条件，则执行步骤s203；

s203，将所述多个连通区域图像块切分，对切分后的每个连通区域子图像块进行曲线特性分析，以得出各所述连通区域子图像块曲线走向；

s204，依次对各所述连通区域子图像块的曲线走向进行差累积，若所述差累积值大于阈值th1，则判定该连通区域图像块为脊柱区域图像。

其中，对于脊柱来说，其相对于肋骨、髋骨、骶骨等其它骨骼结构具有明显的区别，主要区别在于脊柱具有显著不同的曲线特性，尤其是针对相似性比较高的肋骨来说，也是区别分明的。例如，肋骨的曲线走向是大体一致的，且两侧边线的曲线基本是平滑的，而脊柱的曲线走向是变化的(尤其是对于存在脊柱侧弯的患者来说更是如此，而且脊柱的曲线走向也跟站姿是否标准高度相关的)，而且脊柱的两侧边线也并不平滑且不平滑特性是规律性变化的。显然，上述显著区别可以用于对脊柱区域图像(脊柱roi)的快速识别，即利用连通区域子图像块内的曲线特性来区分脊柱与肋骨等。具体而言：

步骤s202中，对于二值化的每个连通区域图像块，可提取出其中的实体图像边缘曲线(即黑白像素交界处的像素点所组成的曲线)，于是，对于脊柱、肋骨来说，可获得两侧边的曲线，若两侧边的曲线特性不满足光滑条件，则初步认定为脊柱，否则认定为肋骨。当然，也可以仅基于一侧边的曲线进行光滑条件分析判定。而对于光滑条件的确定，则是图像识别领域的常规现有技术，本申请对此不作限定。

但是，仅依赖曲线特性是否满足光滑条件来判断并不可靠，因为其他骨骼图像的干扰也许会导致脊柱图像整体来看变得“光滑”，所以，需要做如下进一步判断：

在步骤s203中，将满足光滑条件的连通区域图像块进一步切分为多个连通区域子图像块，再对其进行曲线特性分析。例如，对各连通区域子图像块内的各像素聚集点进行线拟合(例如，可采用nurbs曲线构建方法)，在构建出“线”之后，就可以对各连通区域图像子块中的“线”的各点做切线，再对求取出的各切线作均值处理(当然，也可以采取其他处理方式，例如中值处理等)就可以获得各连通区域图像子块的斜率(该斜率即代表其曲线走向)，重复上述步骤即可获得所有连通区域图像子块的斜率序列，基于该斜率序列就可以获得曲线走向变化特性。同时，脊柱的曲线特性应当并非单一方向的，即其曲线是有一定的走向变化的，尤其是对于出现了侧弯的脊柱来说，这种曲线走向来回变化的特征更为明显，而且明显区别于仅有单一曲线走向的肋骨等骨骼结构，基于上述特点，本申请实施例对各斜率作差累积(差的绝对值累积)，如果差累积值大于阈值th1，则说明曲线走向变化明显，该连通区域图像块可判定为脊柱，否则，说明曲线走向平缓统一，应当判定为肋骨。

当然，如果被拍摄者的脊柱十分健康，那么各连通区域子图像块之间的上述曲线特性就会不明显或者所有连通区域子图像块内的曲线走向是大体相同的，针对该情况，则可进一步检测该连通区域图像是否竖直走向，若是，则可直接判定为脊柱区域图像(脊柱roi)。

另外，对于连通区域图像块的切分数量，则可以基于脊柱块的数量的来确定，例如切分原则可以为使每个连通区域子图像块内包括至少3个脊柱块。例如，小孩刚出生时的脊椎数量是32-33，成人脊柱由26块椎骨(颈椎7块，胸椎12块，腰椎5块，骶椎1块(刚出生时5块)、尾椎1块)、借韧带、关节及椎间盘连接而成，针对人类脊柱的上述特点，在进行切分之前还应当预先获得被拍摄者的年龄，进而可以确定切分数量，而年龄的获得显然是十分轻松的。可见，本申请中的切分数量是随着被拍摄者的年龄而动态变动的，但如上所述，最好满足每个连通区域子图像块内包括至少3个脊柱块，这样更有利于获得可靠的曲线特性。如此，可以进一步提高脊柱区域图像识别的准确性，进而保障后续cobb角的测量。

可选地，将所述脊柱x光图像输入深度学习识别模型进行识别，分割出各个脊柱块，包括：

所述脊柱区域图像输入深度学习识别模型，所述深度学习识别模型识别出所述脊柱区域图像中的各个角点及指向；

将具有相同属性的角点进行分组，以分组内的各个角点为边角构建边界，以对各个脊柱块完成标注；其中，所述相同属性是指各个角点的开口具有相同指向，所述分组中的角点至少包括两个。

在本申请实施例中，深度学习是一类模式分析方法的统称，以深度学习为理论技术的任务包括图像分类、物体检测、实体识别、光学字符识别(opticalcharacterrecognition，ocr)等。本申请利用深度学习识别模型(例如可以是基于cnn的深度学习识别模型)来识别脊柱区域图像中的角点，然后再按照各个角点的朝向来分组，组内的角点就是各个脊柱块的真实角点，基于这些角点就可以构建脊柱块的边界，从而将脊柱块分割出来。

其中，所述“相同指向”指的是不同的角点指向(即开口方向)同一方向(基本是脊柱块的中心位置)，而分组中的角点必须满足至少为两个。当分组中的角点为两个时，需要满足这两个角点满足对角关系，即两个角点处于对角线上；当分组中的角点为三个或四个时，可以直接确定出完整的脊柱块的边界轮廓，也就实现了分割。其中，对于三个角点的情况，第四个角点可能由于粘连等的原因无法被识别出来，但有三个具有相同朝向的角点也可以确定出脊柱块的轮廓边界。另外，在具体实现分组时，由于不同脊柱块上的角点之间也具有相同或相近的指向，于是，为了进行区分，还需要限定组内所有角点的指向线的所有角点均位于预定圆圈范围内，对于圆圈的直径，设定为基于脊柱区域图像的宽度而定，比如可设定直径为所述宽度的1/10。

为了保证深度学习识别模型的识别准确率，需要预先设置具有足够训练用的脊柱区域图像的训练集来训练深度学习识别模型，而且，训练集中的脊柱区域图像需要由人工预先对脊柱块的角点进行标注。虽然人工标注需要耗费较多的人力，但是，初始标注通常仅需要一次，深度学习识别模型后续可以通过自学习来提高其识别精度，而且，对于识别结果，也可以由人工进行核验(也可以仅对明显识别错误的)及标注，再定期将检查出的识别错误的且经过人工标注的脊柱区域图像组成错误识别案例训练集，利用该错误识别案例训练集对深度学习识别模型进行中期训练以优化其模型参数，如此，经过若干次的训练之后就可以使得深度学习识别模型能够适应各种各样的脊柱区域图像，同时也就能够保证识别的准确率。当然，也可以直接利用标注过的脊柱x光图像进行训练。

另外，由于拍摄设备精度、拍摄角度、被拍摄人的不规范站姿等的影响，脊柱x光图像中有可能会出现脊柱块粘连的情况，所以，二值化后的x光图像中也会存在粘连情况，这会影响到cobb角的准确测量。针对该问题，本申请的方法还包括如下步骤：

计算识别出的各个所述脊柱块的面积，若某个脊柱块的面积大于其它任一脊柱块的面积的两倍，则认定为该脊柱块出现了粘连；

检测该脊柱块内部是否有空洞，若有，则以该空洞为界进行分割；

若没有，则以最相邻的且面积小于该脊柱块的脊柱块的面积进行均等切分。

其中，如果脊柱块内部有空洞，则说明虽有粘连但粘连并不完全，则可以直接以空洞为界进行切分即可；反之，则由于相邻脊柱块的大小变化是渐进的，面积大小的差距并不明显，此时可以紧邻的面积较小的脊柱块的面积为基础进行均等切分。上述方案较好的解决了粘连问题。

可选地，所述基于识别出的各个脊柱块，计算得出cobb角，包括：

基于各个脊柱块的等效质心位置拟合出脊柱曲线，在各个等效质心位置处绘制所述脊柱曲线的切线，计算得出各条所述切线的斜率；

以端脊柱块为端椎，以所述端椎为起点端椎逐条分析各条所述切线的斜率，当所述斜率出现第二次趋势改变时对应的脊柱块作为终点端椎，基于所述起点端椎和终点端椎的切线计算得出cobb角度值；

将计算得出的若干cobb角度值中最大的作为最终的cobb角度值。

在本申请实施例中，识别出脊柱块之后，通过曲线拟合就可以得到脊柱曲线，于是，再通过分析曲线斜率的变化趋势就可以确定出用来计算cobb角的起终端椎。显然，起终端椎即是侧弯中内凹或外凸侧倾斜程度最大的两个脊柱块。

而且，脊柱侧弯经常是复杂的，即有可能是多处发生侧弯，于是，在确定出起终端椎之后，还应当以终点端椎为起点端椎继续采用同样的方法进行后续的斜率分析，从而识别出剩余的侧弯处，并计算对应的cobb角度。最后，将多个cobb角度值中最大的那个作为用于判断脊柱侧弯的cobb角度值。

其中，cobb角度值的计算公式为：

其中，k1为起点端椎处的脊柱曲线斜率，k2为终点端椎处的脊柱曲线斜率。

可选地，所述方法还包括：

s5，将所述脊柱曲线输入分类模型，以输出脊柱侧弯类型。

在本申请实施例中，本申请的方案并不仅限于对是否发生脊柱侧弯进行自动判断，还包括对具体的脊柱侧弯类型的进一步分类识别。

脊柱侧弯实际上也是包括多种类型的：1型是胸弯，2型是上胸弯，3型是下胸弯，4型是整个胸弯，5型是腰弯，6型是腰弯加胸弯。于是，在判定被拍摄者存在脊柱侧弯病情时，还需要进行脊柱侧弯分类的步骤，即确定是属于上述哪一种脊柱侧弯，如此，可以进一步减轻医生的工作量，也有利于调取对应的治疗方案给医生和病人进行参考。而在具体实施时，可以设计一种基于支持向量机(svm)的分类模型，将所述脊柱曲线输入经过训练的所述基于支持向量机(svm)分类模型，输出与上述各种脊柱侧弯类别的归属关系。

实施例二

请参阅图2，图2是本申请实施例公开的一种医疗平台的结构示意图。如图2所示，本申请实施例的一种医疗平台，所述医疗平台包括检测模块、处理模块及输出模块；

所述检测模块，用于采用如实施例一所述的方法进行脊柱侧弯检测；

所述处理模块，用于基于所述检测模块的检测结果确定对应的治疗方案；

所述输出模块，用于将所述治疗方案进行输出。

在本申请实施例中，影像科在利用x光检测设备拍摄到的检测者脊柱的x光图像之后，检测模块即可以快速进行脊柱侧弯与否的识别，甚至还可以输出具体的脊柱侧弯类别。然后，处理模块再基于预先设定的关联关系调取出最优的治疗方案并进行输出，如此，可以给医生提供有效的检测及治疗参考，可极大的减轻医生的诊疗工作量，同时，对于病人来说，也可以更加及时的获得自身的检测情况。

可选地，所述将所述治疗方案进行输出包括：

将所述治疗方案输出至医生端、患者端、医院端中的至少一种。

除了上述列出的输出端之外，还可以选择其他合规的输出端，例如，各种国家级/省级等的医疗信息数据库，这些数据有利于国家进行脊柱侧弯情况的宏观分析。

可选地，所述医疗平台还包括预约模块、资讯模块、商城模块、用户模块、线上诊疗模块、活动及分享模块中的至少一种。

其中，预约模块：通过后台服务器支持客户在线进行预约，而且支持自营中心、合作单位接入以接受预约。另外，还可以给自营中心、合作单位提供渠道预约账号，也即支持自营中心、合作单位给自己的渠道客户进行预约。

资讯模块：定期向客户提供病理知识、健康知识(例如接通相关公众号、视频号)，还提供动态更新的医师信息、公司信息、认证机构信息、行业动态信息等。

商城模块：在线提供诊疗产品、家用设备、医用设备、线上/线下课程等，后台可以操作库存和折扣等信息。

用户模块：包括会员信息申请及查询、诊疗信息查询、订单管理、费用支付、物流查询、积分管理、病例及报告管理等功能。

线上诊疗模块：提供诊疗百科、自动建档、在线问诊答疑等功能。

活动及分享模块：提供优惠活动信息的推送等功能。

当然，除了上述功能模块以外，还可以进一步设置若干空白功能模块及对应的程序接口，以满足客户后续的新业务需求，使得本申请的医疗平台具有较好的可扩展性。

实施例三

请参阅图3，图3是本申请实施例公开的一种电子设备，其特征在于：所述设备包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的方法。

实施例四

本申请实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的方法。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。