医学图像中脊椎标定方法、装置及设备与流程
本发明涉及图像处理技术领域，尤其涉及一种医学图像中脊椎标定方法、装置及设备。
背景技术：
脊椎病是中老年人群的常见病和高发病，近年来又呈现出年轻化的趋势。人体脊柱的标定能有助于脊椎病的诊断，进而为脊椎病理的判断、治疗方案的确定奠定良好的基础。
现有技术中通常采用手动标记脊椎点的方法进行脊柱标定，该方法要求医生必须具有足够丰富的经验，才能保证标记的准确性，特别是在处理仅仅包含部分脊椎的图像时，由于每节脊椎骨之间具有高度的重复性，其在形态学表现上，差异较小，很难鉴别，发生错误的概率大大增加。另一方面，手动标记脊椎点的方法通常需要耗费医生大量的精力，容易导致医生疲劳乏力，因而也会增大误操作的可能性。
技术实现要素：
有鉴于此，本发明提出一种医学图像中脊椎标定方法、装置及设备以解决上述技术问题。
为了达到上述目的，本发明所采用的技术方案为：
根据本发明实施例的第一方面，提出了一种医学图像中脊椎标定方法，包括：
获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
根据本发明实施例的第二方面，提出了一种医学图像中脊椎标定装置，包括：
待测图像获取模块，用于获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
待测采样点确定模块，用于在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
待测样本构建模块，用于根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
待测特征提取模块，用于对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
待测特征输入模块，用于将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
标定结果确定模块，用于根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
根据本发明实施例的第三方面，提出了一种电子设备，所述电子设备包括：
处理器；
被配置为存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
根据本发明实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现：
获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
与现有技术相比较，本发明的医学图像中脊椎标定方法，通过获取被检体的医学图像，在医学图像中的每节脊椎骨上分别确定一个采样点，并根据确定的多个采样点构建至少一个待测样本，对至少一个待测样本分别进行特征提取，进而将每个待测样本的样本特征分别输入预先训练的脊椎标定回归器，以根据各个待测样本的标定结果确定被检体的脊椎标定结果，由于采用多个连续脊椎骨对应的采样点构建待测样本，因而可以充分利用相邻脊椎骨之间的相关性，提高样本的辨识度与样本间的差异性，增强标定结果的准确性以及鲁棒性。
附图说明
图1a示出了根据本发明的一示例性实施例的医学图像中脊椎标定方法的流程图；
图1b示出了根据本发明的一示例性实施例的医学图像中脊椎示意图；
图2a示出了根据本发明的一示例性实施例的如何在医学图像中的每节脊椎骨上确定采样点的流程图；
图2b示出了根据本发明的一示例性实施例的在每节脊椎骨上确定采样点的效果示意图；
图3a示出了根据本发明的又一示例性实施例的医学图像中脊椎标定方法的流程图；
图3b示出了根据本发明的一示例性实施例的对医学图像进行图像分割的结果示意图；
图4a示出了根据本发明的一示例性实施例的如何根据各个待测样本的标定结果确定被检体的脊椎标定结果的流程图；
图4b示出了根据本发明的一示例性实施例的脊椎标定结果示意图；
图5示出了根据本发明的一示例性实施例的如何确定可信度最高的采样点的流程图；
图6a示出了根据本发明的一示例性实施例的如何训练脊椎标定回归器的流程图；
图6b示出了根据本发明的一示例性实施例的训练样本的标定示意图；
图7示出了根据本发明的一示例性实施例的如何在样本医学图像中的每节样本脊椎骨上确定采样点的流程图；
图8示出了根据本发明的又一示例性实施例的如何训练脊椎标定回归器的流程图；
图9示出了根据本发明的一示例性实施例的医学图像中脊椎标定装置的结构框图；
图10示出了根据本发明的又一示例性实施例的医学图像中脊椎标定装置的结构框图；
图11示出了根据本发明的一示例性实施例的回归器训练模块的结构框图；
图12示出了根据本发明的一示例性实施例的电子设备的结构框图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换包含在本发明的保护范围内。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二等来描述各种结构，但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。
图1a示出了根据本发明的一示例性实施例的医学图像中脊椎标定方法的流程图；如图1a所示，该方法包括以下步骤s101-s106：
s101：获取被检体的医学图像；
在一可选的实施例中，图1b示出了根据本发明的一示例性实施例的医学图像中脊椎示意图；如图1b所示，该医学图像中包括该被检体的多节脊椎骨(箭头指示处)。
在一可选的实施例中，上述医学图像可以包括通过ct(computertomography，电子计算机断层扫描)、mri(magneticresonanceimaging，核磁共振)、超声(ultrasound，us)以及数字血管减影成像技术(digitalsubtractionangiography，dsa)等医学成像技术得到的被检体的三维体数据。
s102：在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
在一可选的实施例中，可以在每节所述脊椎骨上的任一位置确定采样点，本实施例对采样点的位置不进行限定。
在一可选的实施例中，可以采用支持向量回归(supportvectorregression)、神经网络(neuralnetwork)、决策树(decisiontree)等算法或者手动方式在每节所述脊椎骨上分别确定一个采样点。
s103：根据确定的多个所述采样点构建至少一个待测样本；
在一可选的实施例中，针对一幅包含m节脊椎的医学图像，可以依次选取n个连续脊椎骨对应的所述采样点构成每个待测样本，并使相邻的待测样本之间具有n-1个重叠的采样点，则可得到(m-n+1)个待测样本。
举例来说，当m＝22(即医学图像中包含22节脊椎)、n＝4(即每个待测样本包含4个连续脊椎骨)，则选取的样本依次为：1-2-3-4、2-3-4-5、3-4-5-6、……、18-19-20-21、19-20-21-22(其中的数字代表采样点所隶属脊椎骨的类别)，则共可得到m-n+1＝19个待测样本。
s104：对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
在一可选的实施例中，所提取的特征可以为既能很好地突出该采样点的特点，又能表现出与同一个样本中其他采样点的区别与联系的特征，以增强特征辨识度。
在一可选的实施例中，可以对所述待测样本提取一种特征，或者同时提取多种特征(与回归器训练过程提取的特征种类相对应)，以充分全面地表现出该采样点所属脊椎类别的特点。
在一可选的实施例中，上述特征可以包括一阶特征、二阶特征、小波特征(waveletfeature)等，本实施例对此不进行限定。
s105：将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果；
在一可选的实施例中，所述标定结果可以表示对应的待测样本中各采样点所属脊椎骨的类别。
需要说明的是，本实施例中可以不区分颈椎、胸椎、腰椎，而将它们统一称为脊椎，所述脊柱骨的类别可以根据该块脊椎位于脊柱中的位置确定，具体地的标定过程可以参见图6a所示实施例，在此先不进行详述。
在一可选的实施例中，当m＝22时，上述m-n+1个待测样本的标定结果可以组成一个(m-n+1)×22维的矩阵，该矩阵的行向量从上至下依次为各待测样本的标定结果，每个行向量均具有n个接近于1的元素，以及22-n个接近于0的元素，且该n个值接近于1的元素的位置表示待测样本中各采样点所属脊椎骨的类别。
在一可选的实施例中，将每个待测样本的样本特征(或由多种特征组成的样本特征集合)分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果。
s106：根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
由于在人体脊椎中，隶属于不同类别的脊椎骨是连续排列的，因而在已知待测样本的标定结果，即可据此推算出图像中所有脊椎骨的类别(即被检体的脊椎标定结果)。
本实施例的医学图像中脊椎标定方法，通过获取被检体的医学图像，在医学图像中的每节脊椎骨上分别确定一个采样点，并根据确定的多个采样点构建至少一个待测样本，对至少一个待测样本分别进行特征提取，进而将每个待测样本的样本特征分别输入预先训练的脊椎标定回归器，以根据各个待测样本的标定结果确定被检体的脊椎标定结果，由于采用多个连续脊椎骨对应的采样点构建待测样本，因而可以充分利用相邻脊椎骨之间的相关性，提高样本的辨识度与样本间的差异性，增强标定结果的准确性以及鲁棒性。
图2a示出了根据本发明的一示例性实施例的如何在医学图像中的每节脊椎骨上确定采样点的流程图；本实施例在图1a所示实施例的基础上，以如何在医学图像中的每节脊椎骨上确定采样点为例进行示例性说明。如图2a所示，上述步骤s102中在所述医学图像中的每节所述脊椎骨上分别确定一个采样点可以包括以下步骤s201-s202：
s201：对所述医学图像进行降采样处理，得到降采样图像；
在一可选的实施例中，为了包含全局信息，避免脊椎图像局部信息高相似性的缺陷，以及避免由于像素点在三个方向尺寸差异较大而对邻域范围造成影响，可以对所述医学图像进行降采样处理；具体地，所述的三个方向指的是人体坐标系上的x、y、z三个方向，该尺寸差异主要是由扫描的机器决定的，大部分的情况，是z方向的像素点大小要比x、y方向的大。而由于提取特征时需固定窗口大小(即固定长度)，如果像素点大小不同，在同样长度的前提下，包含的像素点个数将不同(像素点个数＝长度/像素点大小)。
在一可选的实施例中，可以采用双线性插值方法对所述医学图像进行降采样处理，得到降采样图像。
举例来说，原始图像大小为512*512*328，像素点大小为0.9766*0.9766*2.5，降采样后图像大小可以为250*250*410，像素点大小可以为2*2*2。
s202：在所述降采样图像中的每节所述脊椎骨上分别确定一个采样点。
在一可选的实施例中，可以采用上述自动或手动的方式，在降采样图像中的每节所述脊椎骨上分别确定一个采样点。本发明的一示例性实施例的在每节脊椎骨上确定采样点的效果示意图可以参见图2b。
由上述技术方案可知，本实施例通过步骤s201-s202实现在医学图像中的每节脊椎骨上确定采样点，可以避免脊椎图像局部信息高相似性的缺陷，以及避免由于像素点在三个方向尺寸差异较大而对邻域范围造成影响，有利于提高后续进行脊椎标定的精确度。
图3a示出了根据本发明的又一示例性实施例的医学图像中脊椎标定方法的流程图；如图3a所示，该方法可以包括以下步骤s301-s307：
s301：获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
s302：利用预设图像分割方法对所述医学图像进行图像分割，提取所述医学图像中的多节脊椎骨对应的图像区域；
在一可选的实施例中，可以采用支持向量回归(supportvectorregression)、神经网络(neuralnetwork)、决策树(decisiontree)等预设图像分割方法对所述医学图像进行图像分割，以提取医学图像中的多节脊椎骨对应的图像区域。具体地，图3b示出了根据本发明的一示例性实施例的对医学图像进行图像分割的结果示意图；如图3b所示，多节脊椎骨对应的图像区域即为图中的多个近似矩形的区域。
s303：基于提取的所述图像区域，在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
在一可选的实施例中，可以在提取出的多节脊椎骨对应的图像区域中的每节所述脊椎骨上分别确定一个采样点。
s304：根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
s305：对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
s306：将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
s307：根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果
其中，步骤s301、s304-s307与上述实施例中的步骤s101、s103-s106相同，在此不进行赘述。
由上述技术方案可知，本实施例通过利用预设图像分割方法对医学图像进行图像分割，提取医学图像中的多节脊椎骨对应的图像区域，并基于提取的图像区域，在医学图像中的每节脊椎骨上分别确定一个采样点，可以提高在脊椎骨上确定采样点的准确度，进而可以提高后续进行脊椎标定的精确度。
图4a示出了根据本发明的一示例性实施例的如何根据各个待测样本的标定结果确定被检体的脊椎标定结果的流程图；本实施例在上述实施例的基础上，以如何根据各个待测样本的标定结果确定被检体的脊椎标定结果为例进行示例性说明。如图4a所示，上述步骤s106中根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果，可以包括步骤s401-s402：
s401：确定各个所述待测样本的标定结果中可信度最高的采样点；
在一可选的实施例中，可以通过计算各个待测样本的标定结果中每个采样点的可信度，进而确定其中可信度最高的采样点。
s402：以所述可信度最高的采样点的标定结果为基准，顺序推算得到所述被检体的脊椎标定结果。
由于在人体脊椎中隶属于不同类别的脊椎骨是连续排列的，因而可以根据已知的任意一节脊椎骨的标定位置或类别，顺序推算出图像中所有脊椎的类别。
本实施例中，以确定的可信度最高的采样点的位置或类别为基准，顺序推算得到被检体的全部脊椎标定结果(参见图4b)。
由上述技术方案可知，本实施例通过确定各个所述待测样本的标定结果中可信度最高的采样点，并以所述可信度最高的采样点的标定结果为基准，顺序推算得到所述被检体的脊椎标定结果，由于考虑了标定结果中采样点的可信度，因而可以确保得到的被检体的全部脊椎标定结果的可信度，提高了脊椎标定结果的准确度。
图5示出了根据本发明的一示例性实施例的如何确定可信度最高的采样点的流程图；本实施例在图4a所示实施例的基础上，以如何确定可信度最高的采样点为例进行示例性说明。如图5所示，上述步骤s401中确定各个所述待测样本的标定结果中可信度最高的采样点，可以包括步骤s501-s504：
s501：计算所述各个待测样本的标定结果的梯度均值，以确定所述梯度均值最大的两个待测样本；
在一可选的实施例中，通过计算每个待测样本的标定结果的梯度均值来评估各个待测样本的精准度，并取其中标定结果的梯度均值最大的两个待测样本t1和t2。
在一可选的实施例中，每个待测样本的标定结果可以为一个1×m维的稀疏向量。所述稀疏向量中具有连续n个值接近于1的元素以及m-n个值接近于0的元素，且所述n个值接近于1的元素的位置表示所述训练样本中各采样点所属脊椎骨的类别，n为每个训练样本中采样点的个数，m为所述医学图像中包括的脊椎骨的节数。
举例来说，若待测样本t1的标定结果为：
[…,0.012773149,0.039999835,0.95791978,1.0259485,1.0500451,
0.95180166,0.053262822,0.015799209,…]
则待测样本t1的标定结果的梯度均值可以根据以下式子计算：
举例来说，上式
s502：确定所述两个待测样本中标定结果值最高的两个采样点；
在一可选的实施例中，标定结果值可以为上述稀疏向量中的元素值。例如，上述待测样本t1的标定结果值最高为1.0500451，则标定结果值最高的采样点即为该1.0500451所对应的采样点。
s503：根据所述两个采样点的标定位置差值与所述两个采样点的实际位置差值的比对结果，判断所述两个待测样本的标定结果是否准确；
在一可选的实施例中，若分别找到待测样本t1和t2中标定结果值最高的点p1、p2，此时可以确定待测样本t1和t2的标定结果中存在连续n个接近于1的值，以及其余(m-n)个接近于0的值。在此基础上，记录点p1、p2在对应的向量(该向量由连续n个接近于1的值所组成)中的倒序索引d1、d2。
在此基础上，计算点p1、p2横坐标之差与d1、d2之差的和值w(即w＝(p1-p2)+(d1-d2))，该和值w表示两个标定结果最准确的待测样本t1和t2中可信度最高的测试采样点s1、s2在原始图像中的位置差。
其中，采样点的横坐标为该采样点所属待测样本的序号。
进一步地，计算点p1、p2的纵坐标之差y，其表示标定结果中测试采样点s1、s2的位置差。
进而可以比对上述y值与w值是否相同；若相同，则表示上述标定结果准确；否则，表示上述标定结果不准确。可以理解的是，上述的w值表示在真实的图像中，s1、s2两个采样点的距离差，这个就是groundtruth(金标准)，而y值表示的是本实施例中的预测结果，如果两个值相同，则表示上述标定结果准确。反之，则表示上述标定结果错误。
s504：若判断获知所述两个待测样本的标定结果准确，则将所述两个采样点中标定结果值最高的采样点确定为所述可信度最高的采样点。
由上述技术方案可知，本实施例通过计算各个待测样本的标定结果的梯度均值，以确定梯度均值最大的两个待测样本，进而确定两个待测样本中标定结果值最高的两个采样点，以根据两个采样点的标定位置差值与两个采样点的实际位置差值的比对结果，判断所述两个待测样本的标定结果是否准确，可以准确地确定可信度最高的采样点，由于考虑了标定结果中采样点的可信度，因而可以确保得到的被检体的全部脊椎标定结果的可信度，提高了脊椎标定结果的准确度。
图6a示出了根据本发明的一示例性实施例的如何训练脊椎标定回归器的流程图；本实施例在上述实施例的基础上，以如何训练脊椎标定回归器为例进行示例性说明。如图6a所示，该方法包括步骤s601-s606：
s601：获取多幅样本医学图像，每幅所述样本医学图像中均包括多节样本脊椎骨；
在一可选的实施例中，上述样本医学图像可以包括通过ct(computertomography,电子计算机断层扫描)、mri(magneticresonanceimaging，核磁共振)、超声(us)以及数字血管减影成像技术(dsa)等医学成像技术得到的样本被检体的三维体数据。
现有技术中，按照人体解剖结构的划分方法，脊椎可以分为24类(其中颈椎7类，胸椎12类，腰椎5类)，再加上背景1类共可分为25类。由于颈椎最上面的两类图像不易获取，因而可将脊椎划分为：22类(颈椎5类，胸椎12类以及腰椎5类)，再加上背景1类共23类。在一可选的实施例中，在后续标定时可以不对颈椎、胸椎、腰椎进行区分，而是将它们统一称为脊椎，根据每一块脊椎位于脊柱中的位置确定该块脊椎骨的类别，并采用标签l1～l22按照从上至下的顺序依次表示各块脊柱骨的类别。
发明人经过试验发现，医学图像中的脊椎在人体中是不规则的，而且腰椎相对于颈椎而言大小差异较大，因此很难保证每类的训练样本数所占比例相同，因而会导致影响后续脊椎标定方法的精度和鲁棒性。有鉴于此，在一可选的实施例中，可以参考人体医学图像中脊椎的分割图，使每类训练样本占全部训练样本数的比例相同。需要特别说明的是，本实施例中所参考的分割图并不需要具有非常精准的分割效果，只需能将每类脊椎的大部分内容分割出即可。
s602：在每幅所述样本医学图像中的每节所述样本脊椎骨上分别确定一个采样点；
在一可选的实施例中，可以在每节样本脊椎骨上的任一位置确定采样点，本实施例对采样点的位置不进行限定。
在一可选的实施例中，可以采用支持向量回归(supportvectorregression)、神经网络(neuralnetwork)、决策树(decisiontree)等算法或者手动方式在每节样本脊椎骨上分别确定一个采样点。
s603：根据确定的多个所述采样点构建多个训练样本；其中，每个所述训练样本包含n个连续脊椎骨对应的所述采样点；
在一可选的实施例中，针对一幅包含l节脊椎的样本医学图像，可以选取n个连续脊椎骨对应的所述采样点构成每个训练样本，则可得到(l-n+1)个训练样本。
需要说明的是，本步骤中无需保证训练阶段中构建的各训练样本之间有n-1个重复的采样点，而仅需保证每一个训练样本内部是包含n个连续采样点即可。
s604：对所述多个训练样本分别进行特征提取，得到所述多个训练样本各自的样本特征；
在一可选的实施例中，所提取的特征可以为既能很好地突出该采样点的特点，又能表现出与同一个样本中其他采样点的区别与联系的特征，以增强特征辨识度。
在一可选的实施例中，可以对所述训练样本提取一种特征，或者同时提取多种特征，以充分全面地表现出该采样点所属脊椎类别的特点。
在一可选的实施例中，上述特征可以包括一阶特征、二阶特征、小波特征(waveletfeature)等，本实施例对此不进行限定。
s605：确定所述多个训练样本各自对应的标签，所述标签用于表示对应的训练样本中各采样点所属脊椎骨的类别；
在一可选的实施例中，可以为每个所述训练样本设置一个1×m维的稀疏向量作为对应的标签。图6b示出了根据本发明的一示例性实施例的训练样本的标定示意图；如图6b所示，该稀疏向量中可以具有连续n个值为1的元素(在本例中n＝4)以及m-n个值为0的元素，且所述n个值为1的元素的位置可以表示所述训练样本中各采样点所属脊椎骨的类别，n为每个训练样本中采样点的个数，m为所述医学图像中包括的脊椎骨的节数。
s606：根据所述多个训练样本各自对应的标签及样本特征执行预设回归器训练算法，得到所述脊椎标定回归器。
在一可选的实施例中，可以利用上述构造的训练样本及其对应的标定执行预设回归器训练算法，以训练一个人体脊椎标定回归器，用于对于任意输入的连续n个脊椎采样点的特征，输出相应的脊椎位置标定。
本实施例的医学图像中脊椎标定方法，通过获取多幅样本医学图像，在每幅样本医学图像中的每节样本脊椎骨上分别确定一个采样点，并根据确定的多个采样点构建多个训练样本，对多个训练样本分别进行特征提取，得到多个训练样本各自的样本特征，进而确定多个训练样本各自对应的标签，以根据多个训练样本各自对应的标签及样本特征执行预设回归器训练算法，得到脊椎标定回归器，由于采用多个连续脊椎骨对应的采样点构建训练样本以训练脊椎标定回归器，因而可以充分利用相邻脊椎骨之间的相关性，提高样本的辨识度与样本间的差异性，增强后续基于训练的脊椎标定回归器进行脊椎标定的准确性以及鲁棒性。
图7示出了根据本发明的一示例性实施例的如何在样本医学图像中的每节样本脊椎骨上确定采样点的流程图；本实施例在图6a所示实施例的基础上，以如何在样本医学图像中的每节样本脊椎骨上确定采样点为例进行示例性说明。如图7所示，上述步骤s602中在每幅所述样本医学图像中的每节所述样本脊椎骨上分别确定一个采样点，可以包括步骤s701-s702：
s701：对所述样本医学图像进行降采样处理，得到降采样样本图像；
在一可选的实施例中，为了包含全局信息，避免脊椎图像局部信息高相似性的缺陷，以及避免由于像素点在三个方向尺寸差异较大而对邻域范围造成影响，可以对所述样本医学图像进行降采样处理。
s702：采用预设采样方法，在所述降采样样本图像中的每节所述样本脊椎骨上分别确定一个采样点。
在一可选的实施例中，可以采用上述自动或手动的方式，在降采样样本图像中的每节所述脊椎骨上分别确定一个采样点。
由上述技术方案可知，本实施例通过步骤s701-s702实现在样本医学图像中的每节脊椎骨上确定采样点，可以避免脊椎图像局部信息高相似性的缺陷，以及避免由于像素点在三个方向尺寸差异较大而对邻域范围造成影响，有利于提高后续进行回归器训练的精确度。
图8示出了根据本发明的又一示例性实施例的如何训练脊椎标定回归器的流程图；如图8所示，该方法可以包括以下步骤s801-s807：
s801：获取多幅样本医学图像，每幅所述样本医学图像中均包括多节样本脊椎骨；
s802：利用预设图像分割方法对每幅所述样本医学图像进行图像分割，提取所述样本医学图像中的多节样本脊椎骨对应的图像区域；
在一可选的实施例中，可以采用支持向量回归(supportvectorregression)、神经网络(neuralnetwork)、决策树(decisiontree)等预设图像分割方法对所述样本医学图像进行图像分割，以提取样本医学图像中的多节脊椎骨对应的图像区域。
s803：基于提取的所述图像区域，在每幅所述样本医学图像中的每节所述样本脊椎骨上分别确定一个采样点；
在一可选的实施例中，可以在每幅样本医学图像中提取的多节脊椎骨对应的图像区域中的每节所述脊椎骨上分别确定一个采样点。
s804：根据确定的多个所述采样点构建多个训练样本；其中，每个所述训练样本包含n个连续脊椎骨对应的所述采样点；
s805：对所述多个训练样本分别进行特征提取，得到所述多个训练样本各自的样本特征；
s806：确定所述多个训练样本各自对应的标签，所述标签用于表示对应的训练样本中各采样点所属脊椎骨的类别；
s807：根据所述多个训练样本各自对应的标签及样本特征执行预设回归器训练算法，得到所述脊椎标定回归器。
其中，步骤s801、s804-s807与上述实施例中的步骤s601、s603-s606相同，在此不进行赘述。
由上述技术方案可知，本实施例通过利用预设图像分割方法对样本医学图像进行图像分割，提取样本医学图像中的多节脊椎骨对应的图像区域，并基于提取的图像区域，在样本医学图像中的每节脊椎骨上分别确定一个采样点，可以提高在脊椎骨上确定采样点的准确度，进而可以提高后续进行回归器训练的精确度。
图9示出了根据本发明的一示例性实施例的医学图像中脊椎标定装置的结构框图；如图9所示，该装置包括待测图像获取模块110、待测采样点确定模块120、待测样本构建模块130、待测特征提取模块140、待测特征输入模块150以及标定结果确定模块160，其中：
待测图像获取模块110，用于获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
待测采样点确定模块120，用于在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
待测样本构建模块130，用于根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
待测特征提取模块140，用于对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
待测特征输入模块150，用于将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
标定结果确定模块160，用于根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
本实施例的医学图像中脊椎标定装置，通过获取被检体的医学图像，在医学图像中的每节脊椎骨上分别确定一个采样点，并根据确定的多个采样点构建至少一个待测样本，对至少一个待测样本分别进行特征提取，进而将每个待测样本的样本特征分别输入预先训练的脊椎标定回归器，以根据各个待测样本的标定结果确定被检体的脊椎标定结果，由于采用多个连续脊椎骨对应的采样点构建待测样本，因而可以充分利用相邻脊椎骨之间的相关性，提高样本的辨识度与样本间的差异性，增强标定结果的准确性以及鲁棒性。
图10示出了根据本发明的又一示例性实施例的医学图像中脊椎标定装置的结构框图；其中，待测图像获取模块210、待测采样点确定模块230、待测样本构建模块240、待测特征提取模块250、待测特征输入模块260以及标定结果确定模块270与图9所示实施例中的待测图像获取模块110、待测采样点确定模块120、待测样本构建模块130、待测特征提取模块140、待测特征输入模块150以及标定结果确定模块160相同，在此不进行赘述。如图10所示，待测采样点确定模块230可以包括：
待测图像降采样单元231，用于对所述医学图像进行降采样处理，得到降采样图像；
待测采样点确定单元232，用于采用预设采样方法，在所述降采样图像中的每节所述脊椎骨上分别确定一个采样点。
在一可选的实施例中，所述装置还可包括：
待测图像分割模块220，用于利用预设图像分割方法对所述医学图像进行图像分割，提取所述医学图像中的多节脊椎骨对应的图像区域；
相应地，待测采样点确定模块230还可以用于基于提取的所述图像区域，执行所述在所述医学图像中的每节所述脊椎骨上分别确定一个采样点的操作。
在一可选的实施例中，待测特征提取模块250还可以用于对所述至少一个待测样本分别进行多种预设类型的特征提取，得到各个所述待测样本的样本特征集合；
相应地，待测特征输入模块260还可以用于将每个所述待测样本的样本特征集合分别输入预先训练的脊椎标定回归器。
在一可选的实施例中，标定结果确定模块270可以包括：
可信采样点确定单元271，用于确定各个所述待测样本的标定结果中可信度最高的采样点；
标定结果推算单元272，用于以所述可信度最高的采样点的标定结果为基准，顺序推算得到所述被检体的脊椎标定结果。
在一可选的实施例中，可信采样点确定单元271还可以用于：
计算所述各个待测样本的标定结果的梯度均值，以确定所述梯度均值最大的两个待测样本；
确定所述两个待测样本中标定结果值最高的两个采样点；
根据所述两个采样点的标定位置差值与所述两个采样点的实际位置差值的比对结果，判断所述两个待测样本的标定结果是否准确；
当判断获知所述两个待测样本的标定结果准确时，将所述两个采样点中标定结果值最高的采样点确定为所述可信度最高的采样点。
在一可选的实施例中，所述的装置还可以包括：
回归器训练模块280，用于训练所述脊椎标定回归器。
图11示出了根据本发明的一示例性实施例的回归器训练模块的结构框图；本实施例在上述实施例的基础上以回归器训练模块的结构为例进行示例性说明。如图11所述，回归器训练模块280还可以包括：
样本图像获取单元281，用于获取多幅样本医学图像，每幅所述样本医学图像中均包括多节样本脊椎骨；
样本采样点确定单元283，用于在每幅所述样本医学图像中的每节所述样本脊椎骨上分别确定一个采样点；
训练样本构建单元284，用于根据确定的多个所述采样点构建多个训练样本；其中，每个所述训练样本包含n个连续脊椎骨对应的所述采样点；
训练特征提取单元285，用于对所述多个训练样本分别进行特征提取，得到所述多个训练样本各自的样本特征；
样本标签确定单元286，用于确定所述多个训练样本各自对应的标签，所述标签用于表示对应的训练样本中各采样点所属脊椎骨的类别；
在一可选的实施例中，样本标签确定单元286还可以用于为每个所述训练样本设置一个1×m维的稀疏向量作为对应的标签；其中，所述稀疏向量中具有连续n个值为1的元素以及m-n个值为0的元素，且所述n个值为1的元素的位置表示所述训练样本中各采样点所属脊椎骨的类别，n为每个训练样本中采样点的个数，m为所述医学图像中包括的脊椎骨的节数。
回归器训练单元287，用于根据所述多个训练样本各自对应的标签及样本特征执行预设回归器训练算法，得到所述脊椎标定回归器。
在一可选的实施例中，样本采样点确定单元282还可以用于对所述样本医学图像进行降采样处理，得到降采样样本图像；以及，
采用预设采样方法，在所述降采样样本图像中的每节所述样本脊椎骨上分别确定一个采样点。
在一可选的实施例中，回归器训练模块280还可以包括：
样本图像分割单元282，用于利用预设图像分割方法对每幅所述样本医学图像进行图像分割，提取所述样本医学图像中的多节样本脊椎骨对应的图像区域；
相应地，样本采样点确定单元283还可以用于基于提取的所述图像区域，执行所述在每幅所述样本医学图像中的每节所述样本脊椎骨上分别确定一个采样点的操作。
在一可选的实施例中，训练特征提取单元285还可以用于对所述多个训练样本分别进行多种预设类型的特征提取，得到各个所述训练样本的样本特征集合；
相应地，回归器训练单元287还可以用于根据所述多个训练样本各自对应的标签及特征集合执行预设回归器训练算法。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明医学图像中脊椎标定装置的实施例可以应用在网络设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图12所示，为本发明的医学图像中脊椎标定装置所在电子设备的一种硬件结构图，除了图12所示的内部总线310、存储器320、处理器330以及网络接口340之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等；从硬件结构上来讲该设备还可能是分布式的设备，可能包括多个接口卡，以便在硬件层面进行报文处理的扩展。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现以下任务处理方法：
获取被检体的医学图像，所述医学图像中包括所述被检体的多节脊椎骨；
在所述医学图像中的每节所述脊椎骨上分别确定一个采样点；
根据确定的多个所述采样点构建至少一个待测样本；其中，每个所述待测样本包含n个连续脊椎骨对应的所述采样点，且相邻的待测样本之间具有n-1个重叠的采样点；
对所述至少一个待测样本分别进行特征提取，得到各个所述待测样本的样本特征；
将每个所述待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到各个所述待测样本的标定结果，所述标定结果表示对应的待测样本中各采样点所属脊椎骨的类别；
根据各个所述待测样本的标定结果确定所述被检体的脊椎标定结果。
与现有技术相比较，本发明的医学图像中脊椎标定方法，通过获取被检体的医学图像，在医学图像中的每节脊椎骨上分别确定一个采样点，并根据确定的多个采样点构建至少一个待测样本，对至少一个待测样本分别进行特征提取，进而将每个待测样本的样本特征分别输入预先训练的脊椎标定回归器，得到所有待测样本的标定结果组成的矩阵，再根据此矩阵确定测试结果的可信度，从而推算出被检体的最终脊椎标定结果，由于采用多个连续脊椎骨对应的采样点构建待测样本，因而可以充分利用相邻脊椎骨之间的相关性，提高样本的辨识度与样本间的差异性，增强标定结果的准确性以及鲁棒性。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本申请的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
- 还没有人留言评论。精彩留言会获得点赞！