一种使用医学图像分析人体成分的方法及其装置与流程

1.本发明的实施例涉及人体成分分析，更具体地，涉及一种使用医学图像分析人体成分的方法及其装置。


背景技术：

2.通常，人体成分分析通过测量生物阻抗以计算体脂肪、肌肉量等来进行。生物阻抗测量法是一种通过将电极连接到被测者的身体并施加微小电流以测量电阻来估计肌肉量和脂肪量的方法。然而，生物阻抗法的问题在于，测量精度会根据测量过程中被测者的运动或肌肉的紧张程度、测量皮肤面积、个体内脏器官或骨骼等的成分而变化。
3.本发明是通过首尔特别市首尔产业振兴院2020年人工智能技术商业化支持项目(cy20053)的“基于计算机断层扫描(ct)图像的代谢综合征、骨质疏松症和肌肉减少症机会性筛查人工智能验证和商业化”而开发的技术。


技术实现要素：

4.技术问题
5.本发明的目的在于提供一种可以使用医学图像精确测量人体成分的方法和其装置。
6.技术方案
7.为了实现所述技术问题，根据本发明实施例的使用医学图像分析人体成分的方法的一示例包括：使用学习用医学图像中标记人体组织区域的学习数据进行训练第一人工智能模型，所述人体组织区域为皮肤、骨骼、内脏器官、血管、肌肉或脂肪中的至少一个；接收待检测医学图像的输入；使用所述第一人工智能模型从所述待检测医学图像中区分人体组织；以及输出根据所述待检测医学图像的人体组织的面积、体积或重量识别的人体成分信息。
8.为了实现所述技术问题，根据本发明实施例的人体成分分析装置的一示例包括：第一人工智能模型，其通过使用医学图像中标记人体组织区域的学习数据来进行训练，所述人体组织区域为皮肤、骨骼、内脏器官、血管、肌肉或脂肪中的至少一个；第一分类单元，其将待检测医学图像输入到所述第一人工智能模型中以区分人体组织；以及人体成分识别单元，其根据由所述第一分类单元区分的人体组织识别并输出人体成分信息。
9.有益效果
10.根据本发明的实施例，通过分析医学图像，可以准确地识别针对整体或部分人体的人体成分。由于从医学图像识别人体成分，因此当存在被测者的过去医学图像时，可以识别过去的人体成分。另外，可以使用一段时间内积累的医学图像来识别一段时间内人体成分的变化。
附图说明
11.图1为根据本发明实施例的人体成分分析装置的一个示例的示意图。
12.图2为根据本发明实施例的人体成分分析方法的一个示例的流程图。
13.图3和图4为根据本发明实施例的第一人工智能模型的一个示例的示意图。
14.图5为根据本发明实施例的识别针对人体一部分的人体成分的方法的一个示例的示意图。
15.图6为根据本发明实施例的用于第二人工智能模型的学习数据的一个示例的示意图。
16.图7为根据本发明实施例的用于第三人工智能模型的学习数据的一个示例的示意图。
17.图8为根据本发明实施例的用于人工智能模型的学习数据的生成方法的一个示例的示意图。
18.图9为根据本发明实施例的生物信息的一个示例的示意图。
19.图10为根据本发明实施例的人体成分分析装置的第一实施例的结构图。
20.图11为根据本发明实施例的人体成分分析装置的第二实施例的结构图。
21.图12为根据本发明实施例的人体成分分析装置的第三实施例的结构图。
22.图13为根据本发明实施例的人体成分分析装置的第四实施例的结构图。
23.图14为根据本发明实施例的人体组织分割方法的一个示例的示意图。
具体实施方式
24.下面将参照附图详细描述根据本发明实施例的使用医学图像分析人体成分的方法及其装置。
25.图1为根据本发明实施例的人体成分分析装置的一个示例的示意图。
26.参见图1，人体成分分析装置100在接收医学图像110的输入时，分析并输出其中的人体成分。人体成分分析装置100可以实现为包括处理器、存储器、输入/输出装置等的各种类型的计算装置，或者可以实现为云系统等。作为另一示例，人体成分分析装置100可以实现为医疗设备的一部分，例如计算机断层扫描(computed tomography，ct)仪器。除此之外，人体成分分析装置100可以以各种形式实现，例如在包括实现本实施例的方法的软件在内的各种存储装置(例如，usb存储器等)中实现。
27.医学图像110为通过拍摄人体的截面而获得的三维医学图像。作为三维医学图像的一个示例，存在ct图像、磁共振成像(mri)图像等。除此之外，医学图像可以为通过拍摄人体的截面而获得的各种类型的图像。下面将用于人工智能模型的学习的医学图像称为学习用医学图像，将用于识别人体成分的医学图像称为待检测医学图像。
28.人体成分信息120是指针对各种人体组织的信息，例如人体组织的面积、重量、体积或人体的脂肪量、肌肉量、骨骼肌量、内脏器官脂肪量、特定器官的体积、皮肤面积等。人体成分分析装置100可以以各种形式输出人体成分信息120，例如文本或图形等，其一个示例如图9所示。
29.图2为根据本发明实施例的人体成分分析方法的一个示例的流程图。
30.参见图2，人体成分分析装置100训练第一人工智能模型，所述第一人工智能模型
从医学图像中区分皮肤、骨骼、内脏器官、血管、肌肉或脂肪中的至少一个人体组织(s200)。第一人工智能模型的一个示例如图3和图4所示。
31.人体成分分析装置100将待检测医学图像输入到学习后的第一人工智能模型中以区分脂肪或肌肉等的人体组织(s210)。例如，待检测医学图像由针对人体的整体或部分区域的复数张ct图像组成，人体成分分析装置100可以将复数张ct图像输入到第一人工智能模型中，并从每张ct图像中获得对皮肤、内脏器官、脂肪或肌肉等的人体组织进行区分的结果。
32.人体成分分析装置100使用第一人工智能模型识别从待检测医学图像中区分的人体组织的面积、体积或重量等，或者使用它们来识别人体成分信息(s230)。例如，当待检测医学图像由针对人体的横截面的复数张ct图像组成时，人体成分分析装置可以使用从每张ct图像中获得的内脏器官、脂肪或肌肉等人体组织的面积和每张ct图像之间的间隔来计算体积，可以使用每个人体组织的密度(即，特定内脏器官、脂肪或肌肉等的密度)来计算重量，也可以使用亮度值来获得质量。
33.图3和图4为根据本发明实施例的第一人工智能模型的一个示例的示意图。
34.一并参见图3和图4，第一人工智能模型300为通过深度学习或机器学习等的学习过程生成的模型。第一人工智能模型300可以在各种架构中实现，例如卷积神经网络(convolutional neural network，cnn)、稠密卷积神经网络(densenet)、u-net、googlenet和生成对抗网络(generative adversarial network)等。例如，当人工智能模型200实现为cnn时，人工智能模型300使用学习数据400执行用于调整人工神经网络的连接权重的学习过程。
35.第一人工智能模型300可以使用标记皮肤、骨骼、内脏器官、血管、肌肉或脂肪中至少一个人体组织区域的学习数据400来进行训练。例如，当需要生成用于区分医学图像中脂肪区域的第一人工智能模型时，可以使用学习用医学图像中标记脂肪区域的学习数据400来训练第一人工智能模型300。又例如，当需要生成用于同时区分皮肤、脂肪和肌肉、骨骼或神经等的多个人体组织的第一人工智能模型300时，可以使用学习用医学图像中标记要区分的各人体组织的学习数据400来训练第一人工智能模型。
36.学习后的第一人工智能模型300在接收到待检测医学图像310的输入时，输出从待检测医学图像310中区分各人体组织的结果320。在另一实施例中，从待检测医学图像310中区分人体组织的结果可以作为用于进一步训练第一人工智能模型的学习数据。
37.图5为根据本发明实施例的识别针对人体特定部分的人体成分的方法的一个示例的示意图。
38.参见图5，人体成分分析装置100可以包括第一人工智能模型500和第二人工智能模型510或第三人工智能模型520。例如，人体成分分析装置100可以包括第一人工智能模型500和第二人工智能模型510(图11)，或者可以包括第一人工智能模型500和第三人工智能模型520(图12)，或者可以包括所有第一人工智能模型500、第二人工智能模型510和第三人工智能模型520。然而，在本实施例中，为了便于说明，将描述其中包括所有第一人工智能模型500、第二人工智能模型510和第三人工智能模型520的情况。
39.第一人工智能模型500可以为用于区分人体组织的模型，而第二人工智能模型510和第三人工智能模型520可以为识别人体的特定位置的模型。即，第一人工智能模型500可
以为人体组织的分割(segmentation)模型，第二人工智能模型510和第三人工智能模型520可以为解剖定位(anatomic localization)模型。
40.第二人工智能模型510为通过使用基于脊椎标记特定位置而生成的学习数据来训练的模型。例如，如图6所示，可以使用基于脊椎的弧矢面标记脊椎的特定位置610(例如，l3位置)的学习数据来训练第二人工智能模型510。此时，学习后的第二人工智能模型510在接收针对脊椎的信息(例如，脊椎图像或针对脊椎区域的体素数据等)的输入时，预测并输出l3位置550。
41.第三人工智能模型520为通过使用基于脊椎标记预定区域而生成的学习数据来训练的模型。例如，如图7所示，可以使用基于脊椎的冠状面标记脊椎的区段区域710(例如，腰段区域)的学习数据来训练第三人工智能模型。此时，学习后的第三人工智能模型520在接收针对骨骼的信息(例如，骨骼图像或针对骨骼区域的体素数据)的输入时，预测并输出肋骨与骨盆之间的腰段区域560。
42.人体成分分析装置100使用第一人工智能模型500生成针对要输入到第二人工智能模型510或第三人工智能模型的骨骼区域(例如，脊椎区域)的信息。例如，人体成分分析装置100可以使用第一人工智能模型500来区分从待检测医学图像530中的包括脊椎的骨骼区域540，所述第一人工智能模型500经过训练可以区分皮肤、内脏器官、脂肪或肌肉等的人体组织和骨骼区域。
43.例如，人体成分分析装置100将待检测医学图像530中区分的骨骼区域540的体素值设置为“1”，生成针对将待检测医学图像530的剩余区域的体素值设置为“0”的骨骼区域的信息，然后将其输入到第二人工智能模型510或第三人工智能模型520，从而可以识别待检测医学图像530的特定位置或特定区域。其中，体素值“1”和“0”仅用于区分骨骼区域和剩余区域的值，并不限于此。为了在待检测医学图像530中区分骨骼区域和剩余区域，可以以各种形式设置体素值。在另一实施例中，人体成分分析装置100保持待检测医学图像530的骨骼区域的体素值不变，并且可以生成将待检测医学图像的剩余区域的体素值设置为“0”的骨骼区域信息。
44.人体成分分析装置100可以根据通过第二人工智能模型510或第三人工智能模型520识别的待检测医学图像的预定位置或预定区域，识别并输出人体的预定位置或预定区域的人体成分。例如，当待检测医学图像530由针对全身或腹部区域的复数张ct图像组成时，人体成分分析装置100可以通过第二人工智能模型510或第三人工智能模型520识别出对应于构成待检测医学图像的复数张ct图像中预定位置的ct图像或对应于预定区域的复数张ct图像。人体成分分析装置100可以基于对应于预定位置或预定区域的复数张ct图像中区分的人体组织来识别人体成分。作为一示例，预定位置550可以为基于脊椎定义的脐位置(例如，脊椎的l3位置)，并且预定区域560可以为基于脊椎定义的腹部区域(例如，肋骨和骨盆之间)。
45.图6为根据本发明实施例的用于第二人工智能模型的学习数据的一个示例的示意图。
46.参见图6，由于第二人工智能模型为用于识别解剖位置的模型，因此可以通过基于脊椎标记预定位置(例如，l3)610来生成用于第二人工智能模型的学习数据。例如，人体成分分析装置100可以在屏幕上显示包括脊椎的图像600并从用户接收特定位置610的输入以
生成学习数据。
47.尽管本实施例示出了显示脊椎的弧矢面的学习数据，但学习数据不一定必须为弧矢面的脊椎图像，只要是基于骨骼区域标记特定位置的学习数据即可。例如，如图7所示，可以使用基于冠状面标记预定位置的学习数据。另外，为了更好地理解本发明，尽管本实施例示出了包括整体脊椎的图像的学习数据的示例，但可以通过基于骨骼区域的部分区域而不是整个骨骼区域的图像标记特定位置来生成学习数据。在另一实施例中，可以使用第一人工智能模型的人体组织的区分结果来生成第二人工智能模型的学习数据。这将参照图8再次描述。
48.图7为根据本发明实施例的用于第三人工智能模型的学习数据的一个示例的示意图。
49.参见图7，由于第三人工智能模型为用于识别解剖位置的模型，因此可以通过基于骨骼区域标记预定位置(例如，肋骨和骨盆之间的区域等)来生成用于第二人工智能模型的学习数据。例如，人体成分分析装置100可以在屏幕上显示脊椎图像700，并且可以通过接收用户对预定区域710的选择来生成学习数据。
50.本实施例示出了显示骨骼区域的冠状面的学习数据，但不限于此。例如，如图6所示，可以通过基于弧矢面的骨骼区域图像标记预定区域来生成学习数据。另外，可以通过基于骨骼区域的部分图像而不是骨骼区域的整体图像标记预定区域来生成学习数据。在另一实施例中，可以使用第一人工智能模型的人体组织的区分结果来生成第三人工智能模型的学习数据。这将参照图8再次描述。
51.图8为根据本发明实施例的用于人工智能模型的学习数据的生成方法的一个示例的示意图。
52.参见图8，用于训练第一人工智能模型820的第一学习数据810可以通过在学习用医学图像上进行皮肤、内脏器官、脂肪或肌肉、骨骼等的人体组织区域的标记800来生成。例如，用户可以直接在学习用医学图像上对皮肤、内脏器官、脂肪或肌肉等的人体组织区域进行区分和标记。或者，使用对骨骼、内脏器官、脂肪或肌肉等的人体组织进行区分的各种常规分割算法在医学图像中对各人体组织进行区分，并且可以通过区分后的人体组织中标记脂肪或肌肉等的信息来自动生成第一学习数据。
53.可以使用第一人工智能模型820来生成用于训练第二人工智能模型的第二学习数据850和用于训练第三人工智能模型的第三学习数据870。例如，第一人工智能模型820可以为用于对医学图像中包括脊椎的骨骼区域830进行区分的模型。此时，人体成分分析装置100通过第一人工智能模型820将从学习用医学图像中区分的骨骼(即，脊椎)区域显示在屏幕上，并从用户接收预定位置(例如，l3位置)840或预定区域(例如，肋骨和骨盆之间的腰区域)860的输入，从而可以生成第二学习数据850或第三学习数据870。
54.图9为根据本发明实施例的生物信息的一个示例的示意图。
55.参见图9，人体成分分析装置100根据通过第一人工智能模型区分的各人体组织，识别皮肤面积、内脏器官面积、骨骼肌面积、内脏脂肪面积等的人体成分信息，并可以将其以多种形式显示，例如数字或图表等。
56.由于人体成分分析装置100在拍摄人体横截面的各医学图像中区分脂肪或肌肉等的人体组织，因此可以根据人体的横截面识别人体成分信息900并按横截面的位置显示。在
另一实施例中，人体成分分析装置可以以图像文件或“微软公司(microsoft)”的excel文件的形式输出人体成分信息。
57.图10为根据本发明实施例的人体成分分析装置的第一实施例的结构图。
58.参见图10，人体成分分析装置100包括第一人工智能模型1000、第一分类单元1010、人体成分识别单元1020、第一学习数据生成单元1030和第一学习单元1040。当人体成分分析装置100使用学习后的第一人工智能模型1000时，可以省略第一学习数据生成单元1030和第一学习单元1040。
59.第一人工智能模型1000为用于在接收待检测医学图像的输入时对皮肤、内脏器官、骨骼、脂肪或肌肉等的人体组织进行区分的模型。第一人工智能模型1000的一个示例如图3和图4所示。
60.第一分类单元1010通过将待检测医学图像输入到学习后的第一人工智能模型1000中，对皮肤、内脏器官、骨骼、脂肪或肌肉等的至少一种人体组织进行区分。例如，当待检测医学图像由拍摄人体横截面的复数张ct图像组成时，第一分类单元1010将构成待检测医学图像的各ct图像输入到第一人工智能模型1000中，从而可以获得各ct图像中脂肪或肌肉等各人体组织的区分结果。
61.人体成分识别单元1020根据由第一分类单元1010识别的待检测医学图像的人体组织区分结果识别并输出包括皮肤、内脏器官、骨骼、脂肪或肌肉等的面积、体积、重量、质量等的人体成分信息。
62.第一学习数据生成单元1030生成学习用医学图像中标记皮肤、内脏器官、骨骼、脂肪或肌肉等人体组织区域的第一学习数据。例如，第一学习数据生成单元1030可以在屏幕上显示学习用医学图像并从用户接收各人体组织区域的输入以生成学习数据。另外，第一学习数据生成单元1030可以通过应用用于区分各人体组织区域的各种常规区域分割算法来进行自动区分和标记学习用医学图像中的各区域以生成第一学习数据。
63.第一学习单元1040通过使用第一学习数据来训练第一人工智能模型1000。
64.图11为根据本发明实施例的人体成分分析装置的第二实施例的结构图。
65.参见图11，人体成分分析装置100包括第一人工智能模型1100、第一分类单元1110、第二人工智能模型1120、第二分类单元1130、人体成分识别单元1140、第二学习数据生成单元1150和第二学习单元1160。当人体成分分析装置100使用学习后的第二人工智能模型1120时，可以省略第二学习数据生成单元1150和第二学习单元1160。在另一实施例中，人体成分分析装置100还可以包括图10中的第一学习数据生成单元1030和第一学习单元1040。
66.第一人工智能模型1100和第一分类单元1110具有与图10相同的配置，在此不再赘述。
67.第二人工智能模型1120为在输入骨骼区域信息时识别并输出骨骼区域的特定位置的模型。第二人工智能模型1120的一个示例如图5和图6所示。
68.第二分类单元1130将骨骼区域信息输入到第二人工智能模型1120以识别预定位置。例如，第二分类单元1130可以通过将脊椎信息输入到输出脊椎的l3位置的第二人工智能模型中来识别l3位置。输入到第二人工智能模型1120的脊椎信息为有关由第一分类单元1110使用第一人工智能模型1100区分的待检测医学图像的骨骼区域的信息(例如，包括脊
椎的骨骼图像或骨骼区域的体素信息)。例如，第一人工智能模型1100为从待检测医学图像中不仅区分脂肪或肌肉等的人体组织还区分骨骼区域的模型，第二分类单元1130可以将由第一分类单元1110输出的骨骼区域信息输入到第二人工智能模型1120，以识别待检测医学图像的预定位置。
69.人体成分识别单元1140基于与通过第二分类单元1130识别的预定位置相对应的待检测医学图像和通过第一分类单元1110识别的待检测医学图像的人体组织区域信息，可以识别并输出与人体的预定位置对应的人体成分信息。
70.第二学习数据生成单元1150为第二人工智能模型1120生成第二学习数据。第二学习数据可以通过在整体脊椎的图像或部分脊椎的图像上标记特定位置来生成。作为一个示例，第二学习数据生成单元1150可以使用通过第一人工智能模型1100从学习用医学图像区分的骨骼区域来生成。图8示出了使用第一人工智能模型1100生成第二人工智能模型1120的第二学习数据的方法的示例。
71.第二学习单元1160通过使用第二学习数据来训练第二人工智能模型1120。
72.图12为根据本发明实施例的人体成分分析装置的第三实施例的结构图。
73.参见图12，人体成分分析装置100包括第一人工智能模型1200、第一分类单元1210、第三人工智能模型1220、第三分类单元1230、人体成分识别单元1240、第三学习数据生成单元1250和第三学习单元1260。当人体成分分析装置100使用学习后的第三人工智能模型1220时，可以省略第三学习数据生成单元1250和第三学习单元1260。在另一实施例中，人体成分分析装置100还可以包括图10中的第一学习数据生成单元1030和第一学习单元1040。
74.第一人工智能模型1200和第一分类单元1210具有与图10相同的配置，在此不再赘述。
75.第三人工智能模型1220为在输入脊椎信息时识别并输出脊椎的预定区域的模型。第三人工智能模型1220的一个示例如图5和图7所示。
76.第三分类单元1230将脊椎信息输入到第三人工智能模型1220以识别预定区域。例如，第三分类单元1230可以将脊椎信息输入到基于脊椎的l3输出上下预定(即腹部区域)区域的第三人工智能模型中，以识别待检测医学图像的腹部区域。输入到第三人工智能模型1220的脊椎信息为有关由第一分类单元1210区分的脊椎区域的信息。例如，第一人工智能模型1200为从待检测医学图像中不仅区分脂肪或肌肉等的人体组织还区分骨骼区域的模型，第三分类单元1230可以将由第一分类单元1210输出的骨骼区域信息输入到第三人工智能模型1220，以识别待检测医学图像的预定位置。
77.人体成分识别单元1240基于与通过第三分类单元1230识别的预定区域相对应的待检测医学图像和通过第一分类单元1210识别的待检测医学图像的人体组织区域信息，可以识别与人体的预定区域对应的人体成分信息。
78.第三学习数据生成单元1250为第三人工智能模型1220生成第三学习数据。第三学习数据可以通过在整体脊椎的图像或部分脊椎的图像上标记预定区域来生成。作为一个示例，第三学习数据生成单元1250可以使用通过第一人工智能模型1200从学习用医学图像区分的骨骼区域来生成。图8示出了使用第一人工智能模型1200生成第三学习数据的方法的示例。
79.第三学习单元1260通过使用第三学习数据来训练第三人工智能模型1220。
80.图13为根据本发明实施例的人体成分分析装置的第四实施例的结构图。
81.参见图13，人体成分分析装置100包括第一人工智能模型1300、第一分类单元1310、第二人工智能模型1320、第二分类单元1330、第三人工智能模型1340、第三分类单元1350和人体成分识别单元1360。在另一实施例中，人体成分分析装置100还可以包括用于训练各人工智能模型1300、1320和1340的学习单元。
82.第一人工智能模型1300和第一分类单元1310如图10所示，第二人工智能模型1320和第二分类单元1330如图11所示。另外，第三人工智能模型1340和第三分类单元1350如图12所示。
83.人体成分识别单元1360基于通过第一分类单元1310识别的待检测医学图像的各人体组织区域信息、通过第二分类单元1330识别的待检测医学图像的预定位置信息，和通过第三分类单元1350识别的待检测医学图像的预定区域信息，可以识别有关人体的预定位置或预定区域的人体成分信息。
84.图14为根据本发明实施例的人体组织分割方法的一个示例的示意图。
85.参见图14，人体成分分析装置100包括第一人工智能模型1400和级联模型(cascade model)1410。第一人工智能模型1400可以与图3中的第一人工智能模型300相同。级联模型1410具有依次连接至少一个人工智能模型1420和1422的结构。第二人工智能模型1420的输出值成为第三人工智能模型的输入值，如此，第n-1人工智能模型的输出值成为第n人工智能模型1422的输入值。依次连接到级联模型1410的人工智能模型1420和1422的数量可以根据实施例进行各种改变。当然，级联模型1410也可以由一个人工智能模型1420组成。
86.图5等所示的第二人工智能模型510和第三人工智能模型520为用于识别人体解剖位置的模型，但本实施例的级联模型1410依次连接的多个人工智能模型1420和1422为用于对由第一人工智能模型区分的人体组织进行细分的模型。换言之，第一人工智能模型1400为用于从医学图像中分割皮肤、骨骼、内脏、血管、肌肉或脂肪中至少一个人体组织区域的模型，级联模型1410为用于对由第一人工智能模型1400区分的人体组织进行细分的模型。
87.在一实施例中，第一人工智能模型1400为用于从医学图像中区分肌肉的模型，级联模型1410可以为将由第一人工智能模型1400区分的肌肉细分为腿部肌肉和躯干肌肉等的模型。细分步骤可以根据级联模型1410中存在的人工智能模型1420和1422的数量而变化。例如，当级联模型由两个人工智能模型组成时，第二人工智能模型1420为将肌肉区分为躯干、腿、手臂等的模型，第三人工智能模型可以为再次将腿部肌肉细分为小腿和大腿的模型。
88.在另一实施例中，第一人工智能模型1400可以为用于从医学图像中区分各种内脏器官的模型，级联模型1410可以为用于对所区分的内脏器官进行细分的模型。例如，当第一人工智能模型1400从医学图像中区分肺组织时，级联模型1410的第二人工智能模型1422将肺组织区分为右肺和左肺，第三人工智能模型可以将右肺区分为上叶、下叶和中叶。
89.在另一实施例中，第一人工智能模型1400为用于从医学图像中区分骨骼区域的模型，级联模型1410的第二人工智能模型1422从骨骼区域中区分脊椎骨骼区域，并且第三人工智能模型可以为将脊椎骨骼分成颈椎、胸椎和腰椎的模型。
90.图10至图13的第一人工智能模型1000、1100、1200和1300可以替换为本实施例的第一人工智能模型1400和级联模型1410。此时，图10至图13的第一分类单元1010、1110、1210和1310使用第一人工智能模型1400从待检测医学图像中区分第一人体组织，并且可以获得通过使用级联模型1410的各人工智能模型1420和1422来细分第一人体组织的第二至第n人体组织。人体成分识别单元1020、1140、1240和1360可以通过使用第一人体组织至第n人体组织中的至少一个人体组织来识别人体成分。例如，对用于识别肌肉的模型而言，人体成分识别单元1020、1140、1240和1360可以使用通过第一人工智能模型得到的第一人体组织区域来识别人体的总肌肉量，使用通过第二人工智能模型得到的第二人体组织区域来识别手臂或腿部等的肌肉量，并使用通过第三人工智能模型得到的第三人体组织区域来分别识别小腿和大腿的肌肉量。
91.在另一实施例中，第一人工智能模型与复数个级联模型连接，各级联模型的第二人工智能模型可以与复数个第三人工智能模型连接，从而可以具有树形结构。例如，当第一人工智能模型为用于分别区分骨骼、脂肪和肌肉的模型，可以存在分别用于细分骨骼、脂肪、肌肉等的第一级联模型、第二级联模型和第三级联模型。当第一级联模型为用于区分骨骼的模型，第一级联模型的第二人工智能模型为用于将骨骼区分为脊椎和肋骨的模型时，第一级联模型的第二人工智能模型可以连接到细分脊椎骨的第3-1人工智能模型和细分肋骨的第3-2人工智能模型。如此，根据所细分的人体组织的数量和细分程度，可以生成树形的各种形状的人工智能模型的连接关系。
92.本发明还可以实现为计算机可读记录介质上的计算机可读代码。计算机可读记录介质包括存储计算机系统可读数据的所有类型的记录装置。计算机可读记录介质的示例包括rom、ram、cd-rom、磁带、软盘和光学数据存储装置等。另外，计算机可读记录介质分散在联网的计算机系统中，以分散方式存储和执行计算机可读代码。
93.上面以本发明的优选实施例为主进行了说明。本领域技术人员将理解，在不脱离本发明的基本特征的情况下，可以以转换的形式实现本发明。因此，所公开的实施例应该从说明性的角度去考虑，而非停留在局限的观点。本发明的范围是在专利请求范围内而不是在前述说明中，并且与此相同范围内的所有差异都应解释为包含在发明中。