图像处理方法、图像处理模型的训练方法及相关装置与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像处理方法、图像处理模型的训练方法及相关装置。


背景技术：

2.随着年龄的增长和骨质的流失，人体的骨骼结构常常会发生骨质疏松型压缩性骨折，导致驼背，严重时甚至会使人产生疼痛感，无法久坐、久立或长时间行走。椎骨是人体躯干的重要骨骼结构，椎体是椎骨前部的厚椭圆形结构，起到主要的承重作用，是骨折的高发部位。
3.在临床中，可以从常规的ct扫描中观察到人体的骨骼结构。然而，只有在严重的骨折诱发了其他症状或者导致疼痛时，医生才会在病人的要求下仔细检测骨部位的骨折情况。如果能充分利用ct扫描图，自动、准确、高效地诊断骨部位骨折情况，从而实现早期预防、早期筛查、早期治疗，则可以有效地避免病人骨部位状况的恶化。


技术实现要素：

4.本技术至少提供一种图像处理方法、图像处理模型的训练方法及相关装置。
5.本技术第一方面提供了一种图像处理方法，该方法包括：获取包含目标骨部位的目标医学图像；对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率，其中，至少一种预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类；基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果，其中，目标医学图像的检测结果用于表示目标医学图像中的目标骨部位是否存在预设骨状态。
6.因此，目标骨部位属于各预设类别的预测概率是通过对包含目标骨部位的目标医学图像检测得到的，故能够对预设类别对应的骨状态情况进行判断，实现对多类别骨状态情况的判断，减少了预设骨状态情况漏检或者误检的情况发生，即，提高了对目标医学图像检测的准确性。
7.其中，图像处理方法还包括：获取包含骨部位的样本医学图像；其中，样本医学图像标注有骨部位的真实骨状态信息，真实骨状态信息表示骨部位是否存在预设骨状态；利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率；基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果；基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
8.因此，可利用图像处理模型对目标医学图像进行检测而得到检测结果。骨折骨部位和非骨折骨部位都会存在巨大的类内差异，若训练骨骼检测模型直接预测预设骨状态与参考骨状态，即需要骨骼检测模型强行将存在较大类内差异的不同骨状态情况归结为一类进行学习，存在较高难度，且训练得到的骨骼检测模型容易存在预测错误的情况，从而导致对预设骨状态情况的漏检或误检。本方案图像处理模型对作为预设骨状态与参考骨状态的
子类的各预设类别进行预测，故训练时针对各预设类别进行学习，将类内差异较大的不同骨状态情况归为不同类别进行学习，减少训练难度，也使得训练得到的图像处理模型预测更精确，后续通过预测得到的各预设类别的较为准确的概率，再确定是否存在预设骨状态情况，可实现预设骨状态情况的准确识别，减少了预设骨状态情况的漏检或者误检。
9.其中，图像处理模型包括若干分类器，每个分类器对应一个预设类别，用于确定属于预设类别的预测概率，网络参数包括各分类器的分类参数；基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数，包括：基于真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数。
10.因此，通过样本医学图像标注的真实骨状态信息和样本检测结果之间的差异以及各分类器的分类参数之间的差异共同约束各分类器的分类参数的调整。
11.其中，基于真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数，包括：基于真实骨状态信息和样本检测结果之间的差异，得到检测损失；基于检测损失确定各网络参数的目标调整范围，并在目标调整范围内，确定出使约束损失函数最小化的各网络参数的参数值，按照确定出的参数值调整各网络参数，其中，约束损失函数与各分类器的分类参数之间的差异成负相关。
12.因此，在基于检测损失确定的各网络参数的目标调整范围内，确定出使约束损失函数最小化的各分类器的分类参数的参数值，使得调整网络参数后的各分类器之间的区分性增大，即增大了各分类器之间的差异，从而确保图像处理模型学习到的潜在类别是有意义的。
13.其中，获取包含目标骨部位的目标医学图像，包括：获取原始医学图像；确定目标骨部位在原始医学图像中的位置信息；基于位置信息，从原始医学图像中提取出包含目标骨部位的目标医学图像。
14.因此，目标医学图像相比于原始医学图像尺寸较小，提高了后续的运算效率、减少了后续的运行时间和显存占用，也有利于提高对目标骨部位的骨状态情况的判断。
15.其中，提取出的目标医学图像中的目标骨部位的方向是经矫正的，和/或，目标骨部位位于目标医学图像的预设位置上。
16.因此，通过设置提取出的目标骨部位的方向是经矫正的和/或目标骨部位位于目标医学图像的预设位置上，使得各目标医学图像中的目标骨部位的方向一致和/或目标骨部位在对应的目标医学图像上的位置一致，减少目标骨部位的方位信息对目标骨部位的骨折情况判断带来干扰，从而提高对目标骨部位的骨状态情况判断的准确性。
17.其中，经矫正的目标骨部位的中垂线平行于原始医学图像的预设坐标轴；预设位置为中心位置。
18.因此，可基于目标骨部位的中垂线矫正目标骨部位的方向；可设置预设位置为中心位置，以便于对目标骨部位的位置进行调整。
19.其中，确定目标骨部位在原始医学图像中的位置信息，包括：对原始医学图像进行实例分割，得到原始医学图像中关于目标骨头的第一分割结果和参考骨头的第二分割结果，其中，目标骨部位位于目标骨头上；基于第一分割结果和第二分割结果，从原始医学图
像的目标骨头上确定出目标骨部位的位置信息；和/或，在确定目标骨部位在原始医学图像中的位置信息之前，图像处理方法还包括：检测原始医学图像的图像参数是否存在异常，其中，图像参数包括图像模态、图像层间隔和图像尺寸中的至少一种；响应于图像参数不存在异常，执行确定目标骨部位在原始医学图像中的位置信息及其后续步骤。
20.因此，由于目标骨头和参考骨头的相对位置较为固定，所以利用参考骨头的第二分割结果有利于将目标骨部位从目标骨头上分离出来。另外，通过对原始医学图像的图像参数进行异常检测，以确保原始医学图像的图像参数正常，从而保证后续能够及时且准确地确定目标骨部位在原始医学图像中的位置信息。
21.其中，在对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率之前，图像处理方法还包括：对目标医学图像进行预处理，其中，预处理包括图像重定位、图像重采样、像素归一化中的至少一种；和/或，检测目标医学图像中的目标骨部位是否包括植入物；在目标骨部位不包括植入物的情况下，对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率及其后续步骤。
22.因此，通过对目标医学图像进行预处理，使得目标医学图像规范化、统一化，以便于后续对目标医学图像进行预设骨状态检测。另外，通过对目标医学图像中的目标骨部位是否包括植入物进行检测，能够有效排除植入物对预设骨状态检测的干扰，使得在预设骨状态检测时更加关注那些有待治疗和发现的骨部位，得到更符合临床认知的检测结果。
23.其中，基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果，包括：基于目标骨部位属于各预设类别的预测概率，从各预设类别中选出目标预设类别；其中，目标预设类别属于预设骨状态类型的子类且目标预设类别的预测概率为属于预设骨状态类型的子类的各预设类别中最大；响应于目标预设类别的预测概率大于或等于预设概率值，确定目标骨部位存在预设骨状态。
24.因此，可直接根据属于骨折类型的子类的预设类别的概率确定目标骨部位是否存在预设骨状态。
25.其中，目标骨部位为椎体；和/或，目标医学图像为三维医学图像。
26.因此，可用于判断椎体是否存在预设骨状态现象。另外，目标医学图像为三维图像，使得后续基于三维医学图像确定目标骨部位是否存在预设骨状态时，能够利用三维医学图像的丰富的几何和纹理信息，提高对目标骨部位预设骨状态情况判断的准确性。
27.本技术第二方面提供了一种图像处理模型的训练方法，该方法包括：获取包含骨部位的样本医学图像；其中，样本医学图像标注有骨部位的真实骨状态信息，真实骨状态信息表示骨部位是否存在预设骨状态；利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率，其中，至少一种预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类；基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果，其中，样本医学图像的样本检测结果用于表示样本医学图像中的骨部位是否存在预设骨状态；基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
28.因此，由于骨折骨部位和非骨折骨部位都会存在巨大的类内差异，若训练图像处理模型直接预测预设骨状态与参考骨状态，即需要图像处理模型强行将存在较大类内差异的不同骨状态情况归结为一类进行学习，存在较高难度，且训练得到的图像处理模型容易
存在预测错误的情况，从而导致对骨状态情况的漏检或误检，本方案图像处理模型对作为预设骨状态与参考骨状态的子类的各预设类别进行预测，故训练时针对各预设类别进行学习，将类内差异较大的不同骨状态情况归为不同类别进行学习，减少训练难度，也使得训练得到的图像处理模型预测更精确，后续通过预测得到的各预设类别的较为准确的概率，再确定是否存在预设骨状态情况，可实现预设骨状态情况的准确识别，减少了预设骨状态情况的漏检或者误检。
29.其中，图像处理模型包括若干分类器，每个分类器对应一个预设类别，用于确定属于预设类别的预测概率，网络参数包括各分类器的分类参数；基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数，包括：基于真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数。
30.因此，通过样本医学图像标注的真实骨状态信息和样本检测结果之间的差异以及各分类器的分类参数之间的差异共同约束各分类器的分类参数的调整。
31.本技术第三方面提供了一种图像处理装置，该装置包括：获取模块，用于获取包含目标骨部位的目标医学图像；检测模块，用于对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率，其中，至少一种预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类；确定模块，用于基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果，其中，目标医学图像的检测结果用于表示目标医学图像中的目标骨部位是否存在预设骨状态。
32.本技术第四方面提供了一种图像处理模型的训练装置，该装置包括：获取模块，用于获取包含骨部位的样本医学图像；其中，样本医学图像标注有骨部位的真实骨状态信息，真实骨状态信息表示骨部位是否存在预设骨状态；检测模块，用于利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率，其中，至少一种预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类；确定模块，用于基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果，其中，样本医学图像的样本检测结果用于表示样本医学图像中的骨部位是否存在预设骨状态；调整模块，用于基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
33.本技术第五方面提供了一种电子设备，该电子设备包括存储器和处理器，存储器存储有程序指令，处理器用于执行程序指令以实现上述的图像处理方法，或实现上述的图像处理模型的训练方法。
34.本技术第六方面提供了一种计算机可读存储介质，该计算机可读存储介质用于存储程序指令，程序指令能够被执行以实现上述的图像处理方法，或实现上述的图像处理模型的训练方法。
35.上述方案，目标骨部位属于各预设类别的预测概率是通过对包含目标骨部位的目标医学图像检测得到的，故能够对预设类别对应的骨状态情况进行判断，实现对多类别骨状态情况的判断，减少了预设骨状态情况漏检或者误检的情况发生，即，提高了对目标医学图像检测的准确性。
附图说明
36.图1是本技术提供的图像处理方法一实施例的流程示意图；
37.图2是本技术提供的检测目标骨部位是否包括植入物一实施例的流程示意图；
38.图3是图1所示步骤s11一实施例的流程示意图；
39.图4是图3所示步骤s112一实施例的流程示意图；
40.图5是本技术提供的确定原始医学图像的图像参数是否存在异常一实施例的流程示意图；
41.图6是本技术提供的矫正前椎体一实施例的示意图；
42.图7是本技术提供的经矫正椎体一实施例的结构示意图；
43.图8是图1所示步骤s13一实施例的流程示意图；
44.图9是本技术提供的图像处理模型的训练步骤一实施例的流程示意图；
45.图10是本技术提供的图像处理模型一实施例的网络结构示意图；
46.图11是本技术提供的调整图像处理模型的网络参数一实施例的流程示意图；
47.图12是本技术提供的图像处理模型的训练方法一实施例的流程示意图；
48.图13是本技术提供的图像处理装置一实施例的结构示意图；
49.图14是本技术提供的图像处理模型的训练装置一实施例的结构示意图；
50.图15是本技术提供的电子设备一实施例的结构示意图；
51.图16是本技术提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
52.下面结合说明书附图，对本技术实施例的方案进行详细说明。
53.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
54.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
55.请参阅图1，图1是本技术提供的图像处理方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例包括：
56.步骤s11：获取包含目标骨部位的目标医学图像。
57.本实施例的方法用于检测目标医学图像中的目标骨部位是否存在预设骨状态，本文所述的目标骨部位包括但不限于椎体(例如，颈椎的椎体、胸椎的椎体、腰椎的椎体等)、关节(例如，肘关节、肩关节或者髋关节等)等，在此不做具体限定。本文所述的预设骨状态可以是骨折状态，也可以是非骨折状态。
58.在一实施方式中，目标医学图像为三维医学图像，三维医学图像具有丰富的几何和纹理等信息，使得后续基于三维医学图像确定目标骨部位是否存在骨折时能够利用三维
医学图像的丰富的几何和纹理信息，提高对目标骨部位骨折情况判断的准确性。其中，目标医学图像包括但不限于电子计算机断层扫描图像(ct图像)、磁共振成像图(mri图像)、正电子发射型计算机断层显像图(pet图像)等，在此不做具体限定。可以理解地，在其他具体实施方式中，目标医学图像也可以为二维医学图像，例如，x线照片影像等。
59.其中，需要说明的是，在下文中，为了便于描述，本技术将以目标骨部位为椎体、目标医学图像为ct图像为例进行描述说明，但可以理解的是，这样的描述并不是限定目标骨部位和目标医学图像的类型。
60.在一实施方式中，包含目标骨部位的目标医学图像具体可以从本地存储或者云端存储中获取得到。可以理解地，在其他实施方式中，包含目标骨部位的目标医学图像也可利用医学图像采集设备对目标骨部位进行实时拍摄采集得到。
61.在一实施方式中，可将获取到的包括目标骨部位的原始医学图像直接作为目标医学图像。由于原始医学图像较大，直接基于原始医学图像进行目标骨部位的骨状态情况判断，会增大运算量、增加运行时间和显存占用；另外，由于原始医学图像中可能会包括多个骨部位，不利于准确对目标骨部位的骨状态情况进行判断；因此，在其他实施方式中，在获取原始医学图像后，会确定目标骨部位在原始医学图像中的位置，然后从原始医学图像中提取出包含目标骨部位的目标医学图像，进而得到对应目标骨部位的图像块，将对应目标骨部位的图像块作为包含目标骨部位的目标医学图像，相比于原始医学图像降低了医学图像的大小，节省了后续的运行时间、计算量和显存占用，也有利于提高对目标骨部位的预设骨状态情况判断的准确性。
62.步骤s12：对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率。
63.本实施方式中，对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率。其中，至少一个预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类。
64.其中，不对预设类别的类别数进行限定，可根据实际使用需要具体设置。例如，设置对应预设骨状态类型的子类的预设类别为3个，设置对应参考骨状态类型的子类的预设类别为3个。需要说明的是，由于对目标医学图像进行检测得到目标骨部位属于各预设类别的预测概率是抽象的无监督聚类，所以无法确定具体预设类别的名称。示例性地，可无监督聚类为局部骨裂、压缩性骨折、健康椎体、许莫氏结节和转移瘤等。
65.在一实施方式中，可以通过图像检测算法直接对目标医学图像进行检测。其中，不对图像检测算法进行限定，可根据实际使用需要具体设置。可以理解地，在其他实施方式中，也可利用图像处理模型获取目标医学图像并对目标医学图像进行检测而得到目标骨部位属于各预设类别预测概率，在此不做具体限定。
66.在一实施方式中，可将多个包含目标骨部位的目标医学图像同时输入至图像处理模型中，图像处理模型能够同时对多个目标医学图像进行检测，即多目标骨部位检测并行，节省了检测的运行时间，提高了检测的效率。举例来说，以目标骨部位为椎体为例，人体的ct图像较大，可将其分割为若干个包含单一椎体的目标医学图像，通过将该若干个目标医学图像输入至图像处理模型中，以使图像处理模型能够同时对若干个椎体进行检测，然后将检测结果进行整合，从而得到整个ct图像中的椎体的骨状态情况，减少了对各目标医学
图像进行检测的时间，提高了检测效率。
67.为了使目标医学图像规范化、统一化，以便于对目标医学图像进行检测，提高检测的效率。因此，在一实施方式中，在对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率之前，对目标医学图像进行预处理。其中，预处理包括图像重定位、图像重采样、像素归一化中的至少一种。像素归一化可以为在选取的窗宽窗位的基础上，将像素值调整至预设范围之间，例如，选取的窗宽窗位为[1500，450]，将图像的像素值归一化至[-1,1]之间；图像重定位可以为将图像的方向调整至与单位矩阵一致，可以通过旋转、插值等操作来实现图像重定位。
[0068]
由于在目标骨部位上已经打入植入物时，意味着该目标骨部位之前大概率存在病变且已经得到了治疗，为了在对目标医学图像进行检测时，有效排除植入物的干扰，更加关注那些有待治疗和发现的目标骨部位，得到更符合临床认知的检测结果。因此，在一实施方式中，如图2所示，图2是本技术提供的检测目标骨部位是否包括植入物一实施例的流程示意图，在对目标医学图像进行检测之前，需要检测目标骨部位是否包括植入物，具体包括如下子步骤：
[0069]
步骤s21：检测目标医学图像中的目标骨部位是否包括植入物。
[0070]
本实施方式中，检测目标医学图像中的目标骨部位是否包括植入物。在目标医学图像中的目标骨部位不包括植入物时，执行步骤s22；而在目标医学图像中的目标骨部位包括植入物时，表明目标医学图像中的目标骨部位之前存在病变且已经得到了治疗，无需进行后续骨状态情况的判断，此时检测方法停止执行。
[0071]
在一实施方式中，在目标医学图像为ct图像时，可通过判定目标医学图像中像素点的ct值，确定目标医学图像中的目标骨部位是否包括植入物。具体地，统计目标医学图像中ct值大于2000的像素点的个数是否大于预设阈值。其中，不对预设阈值进行限定，可根据实际使用需要具体设置，例如，预设阈值为500、550或者600等。举例来说，以目标医学图像为ct图像、预设阈值为500为例，统计目标医学图像中ct值大于2000的像素点的个数即num
hu》2000
(其中，hu为ct值的单位)；在目标医学图像中ct值大于2000的像素点的个数大于500时，即num
hu》2000
》500时，确定目标医学图像中的目标骨部位包括植入物；而在目标医学图像中ct值大于2000的像素点的个数小于或等于500时，即num
hu》2000
≤500时，确定目标医学图像中的目标骨部位不包括植入物。
[0072]
步骤s22：响应于目标骨部位不包括植入物，执行对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率及其后续步骤。
[0073]
本实施方式中，响应于目标骨部位不包括植入物，执行对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率及其后续步骤。也就是说，在目标骨部位不包括植入物时，有效地排除植入物的干扰，可使后续在对目标骨部位进行检测时，能够更加关注目标骨部位，避免假阳误判，得到的检测结果更符合临床认知的判断结果。
[0074]
步骤s13：基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果。
[0075]
本实施方式中，基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果。其中，目标医学图像的检测结果用于表示目标医学图像中的目标骨部位是否存在预设骨状态。也就是说，根据目标骨部位属于各预设类别的预测概率值，能够确定目标
医学图像中的目标骨部位是否存在预设骨状态。由于目标骨部位属于各预设类别的预测概率是通过对包含目标骨部位的目标医学图像检测得到的，所以本技术能够对预设类别对应的骨状态情况进行判断，即实现了对多类别骨状态情况的判断，减少了预设骨状态情况漏检或者误检的情况发生，即，提高了对目标医学图像检测的准确性，从而实现目标骨部位预设骨状态情况的早发现、早治疗，进而避免病情的进一步恶化。
[0076]
在一具体实施方式中，图像处理模型基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果。
[0077]
在一实施方式中，可根据预测概率中最大的预测概率对应的预设类别所属的类型，确定目标医学图像的检测结果。可以理解地，在其他实施方式中，也可将属于同一类型的子类进行归类，然后根据归为预设骨状态类型的子类确定目标骨部位存在预设骨状态的概率以及根据归为参考骨状态类型的子类确定目标骨部位不存在预设骨状态的概率，然后根据目标骨部位存在预设骨状态的概率和目标骨部位不存在预设骨状态的概率确定目标医学图像的检测结果。
[0078]
在一实施方式中，在确定目标医学图像中的目标骨部位存在预设骨状态时，可高亮显示该目标骨部位或者也可以以文字形式在疾病诊断报告上说明该目标骨部位的具体位置，以提醒用户哪些骨部位上存在预设骨状态病灶，实现预设骨状态的早发现、早治疗，从而避免病情的进一步恶化。
[0079]
上述实施方式，目标骨部位属于各预设类别的预测概率是通过对包含目标骨部位的目标医学图像检测得到的，故能够对预设类别对应的预设骨状态情况进行判断，实现对多类别骨状态情况的判断，减少了预设骨状态情况漏检或者误检的情况发生，即，提高了对目标医学图像检测的准确性，从而实现目标骨部位预设骨状态情况的早发现、早治疗，进而避免病情的进一步恶化。
[0080]
请参阅图3，图3是图1所示步骤s11一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图3所示的流程顺序为限。如图3所示，本实施例中，基于目标骨部位在原始医学图像中的位置信息，从而原始医学图像中提取出包含目标骨部位的目标医学图像，具体包括：
[0081]
步骤s111：获取原始医学图像。
[0082]
在一实施方式中，原始医学图像为三维医学图像，三维医学图像具有丰富的几何和纹理等信息，使得后续从原始医学图像提取出的包括目标骨部位的目标医学图像为三维医学图像，进而基于三维医学图像确定目标骨部位是否存在骨折时能够利用三维医学图像的丰富的几何和纹理信息，提高对目标骨部位预设骨状态情况判断的准确性。其中，原始医学图像包括但不限于电子计算机断层扫描图像(ct图像)、磁共振成像图(mri图像)、正电子发射型计算机断层显像图(pet图像)等，在此不做具体限定。可以理解地，在其他具体实施方式中，原始医学图像也可以为二维医学图像，例如，x线照片影像等。
[0083]
其中，需要说明的是，在下文中，为了便于描述，本技术将以目标骨部位为椎体、原始医学图像为ct图像为例进行描述说明，但可以理解的是，这样的描述并不是限定目标骨部位和原始医学图像的类型。
[0084]
在一实施方式中，原始医学图像具体可以从本地存储或者云端存储中获取得到。可以理解地，在其他实施方式中，原始医学图像也可利用医学图像采集设备对目标骨部位
进行实时拍摄采集得到。
[0085]
步骤s112：确定目标骨部位在原始医学图像中的位置信息。
[0086]
本实施方式中，确定目标骨部位在原始医学图像中的位置信息，即确定目标骨部位在原始医学图像中的具体位置，以便于后续能够准确地从原始医学图像中提取出包含目标骨部位的目标医学图像。
[0087]
在一实施方式中，可根据目标骨部位位于的目标骨头的分割结果和参考骨头的分割结果，确定目标骨部位在原始医学图像中的位置信息。可以理解地，在其他实施方式中，也可直接根据目标骨部位位于的目标骨头的分割结果，确定目标骨部位在原始医学图像中的位置信息，在此不做具体限定。
[0088]
请参阅图4，图4是图3所示步骤s112一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图4所示的流程顺序为限。如图4所示，本实施例中，根据目标骨部位位于的目标骨头的分割结果和参考骨头的分割结果，确定目标骨部位在原始医学图像中的位置信息，具体包括如下子步骤：
[0089]
步骤s41：对原始医学图像进行实例分割，得到原始医学图像中关于目标骨头的第一分割结果和参考骨头的第二分割结果。
[0090]
其中，目标骨部位位于目标骨头上。由于目标骨头和参考骨头的相对位置较为固定，利用参考骨头的分割结果有利于将目标骨部位从目标骨头上分离出来。举例来说，以目标骨头为椎骨、参考骨头为肋骨为例，由于肋骨和椎骨的相对位置比较固定，利用肋骨的分割结果有利于将椎体从椎骨中分离出来，即有利用将椎骨的附件和椎体分离开。
[0091]
因此，本实施方式中，首先对原始医学图像进行实例分割，得到原始医学图像中关于目标骨头的第一分割结果和参考骨头的第二分割结果。
[0092]
在一实施方式中，可利用基于深度学习的实例分割方法对原始医学图像进行实例分割，以得到原始医学图像中关于目标骨头的第一分割结果和参考骨头的第二分割结果。其中，不对实例分割方法具体涉及的算法进行限定，可根据实际使用需要具体设置。
[0093]
由于关于目标骨头的第一分割结果和参考骨头的第二分割结果仅用于后续确定出目标骨部位的位置信息，以从目标骨头上分离出目标骨部位，即对得到的原始医学图像中关于目标骨头的第一分割结果和参考骨头的第二分割结果的精度要求不高，因此，在一实施方式中，可在低分辨率下进行原始医学图像的实例分割。当然，在其他实施方式中，也可根据需要在高分辨率下进行原始医学图像的实例分割，在此不做具体限定。其中，不对具体的分辨率大小进行限定，可根据实际使用需要具体设置。
[0094]
在一实施方式中，对原始医学图像进行实例分割后，无法得到原始医学图像中关于目标骨头的第一分割结果，即表明原始医学图像中不包括目标骨头，而目标骨部位是位于目标骨头上的，所以表明原始医学图像中不包括目标骨部位，无需进行后续对目标骨部位进行检测及其后续步骤，此时停止执行图像处理方法。
[0095]
步骤s42：基于第一分割结果和第二分割结果，从原始医学图像的目标骨头上确定出目标骨部位的位置信息。
[0096]
本实施方式中，基于第一分割结果和第二分割结果，从原始医学图像的目标骨头上确定出目标骨部位的位置信息。由于根据目标骨头的第一分割结果，能够确定出目标骨头在原始医学图像的位置，且根据参考骨头的第二分割结果，能够确定出参考骨头在原始
医学图像的位置；而且，参考骨头和目标骨头的相对位置较为固定，所以通过参考骨头和目标骨头之间的相对位置，能够从目标骨头上确定出目标骨部位的位置信息。所以，通过目标骨头的第一分割结果和参考骨头的第二分割结果，能够从原始医学图像的目标骨头上确定出目标骨部位的位置信息。
[0097]
举例来说，以目标骨头为椎骨、参考骨头为肋骨为例，在对原始医学图像进行实例分割后，得到椎骨的第一分割结果和肋骨的第二分割结果，并利用肋骨的第二分割结果，从原始医学图像的椎骨上确定出椎体的位置信息，进而可以将椎体和对应与椎体连接的附件分离开。
[0098]
由于在原始医学图像的图像参数存在异常时，无法对原始医学图像进行处理而得到目标骨部位在原始医学图像中的位置信息。所以，如图5所示，图5是本技术提供的确定原始医学图像的图像参数是否存在异常一实施例的流程示意图，在一实施方式中，在确定目标骨部位在原始医学图像中的位置信息之前，需要对原始医学图像的图像参数是否存在异常进行检测，具体包括如下子步骤：
[0099]
步骤s51：检测原始医学图像的图像参数是否存在异常。
[0100]
本实施方式中，检测原始医学图像的图像参数是否存在异常。其中，图像参数包括图像模态、图像层间隔和图像尺寸中的至少一种。不对原始医学图像的图像参数不存在异常时，图像模态的类型、图像间隔层的大小以及图像尺寸大小进行限定，可根据实际使用需要具体设置。例如，以图像参数包括图像模态、图像层间隔和图像尺寸为例，设置图像模态为ct、图像间隔层≤2mm以及图像尺寸(长/宽/高)≥20mm时，原始医学图像的图像参数不存在异常。其中，在原始医学图像的图像参数不存在异常时，执行步骤s52；而在原始医学图像的图像参数存在异常时，则无法对原始医学图像进行处理，此时停止执行确定目标骨部位在原始医学图像中的位置信息及其后续步骤。
[0101]
在一具体实施方式中，可利用simpleitk模块检测原始医学图像的图像参数是否存在异常。
[0102]
步骤s52：响应于图像参数不存在异常，执行确定目标骨部位在原始医学图像中的位置信息及其后续步骤。
[0103]
本实施方式中，响应于图像参数不存在异常，执行确定目标骨部位在原始医学图像中的位置信息及其后续步骤。也就是说，在原始医学图像的图像参数正常时，可使后续能够基于该原始医学图像确定目标骨部位在原始医学图像中的位置，从而能够从原始医学图像中提取出目标医学图像。
[0104]
步骤s113：基于位置信息，从原始医学图像中提取出包含目标骨部位的目标医学图像。
[0105]
本实施方式中，基于目标骨部位在原始医学图像中的位置信息，从原始医学图像中提取包含目标骨部位的目标医学图像。由于确定了目标骨部位在原始医学图像中的位置信息，所以能够准确定位目标骨部位在原始医学图像中的位置，从而能够根据确定的位置准确地提取包含目标骨部位的目标医学图像，相比于原始医学图像，包含目标骨部位的目标医学图像较小，节省了运行时间和显存占用，同时减少了与目标骨部位相连的其他骨部位对后续目标骨部位骨状态情况判断带来的干扰，提高了后续对目标骨部位是否存在预设骨状态情况判断的准确性。
[0106]
在一实施方式中，目标医学图像中包含完整的目标骨部位，有利于对目标骨部位骨状态情况的准确判断。可以理解地，在其他实施方式中，目标医学图像中也可仅包含局部的目标骨部位，在此不做具体限定。
[0107]
在一实施方式中，根据目标骨部位在原始医学图像中的位置信息，即在确定了目标骨部位在原始医学图像中的具体位置后，可通过裁剪的方式以对原始医学图像进行裁剪，从而得到包含完整的目标骨部位的目标医学图像，使得目标医学图像中包含的与目标骨部位连接的其他骨部位较少，有利于后续判断目标骨部位的骨状态情况，同时减小了目标医学图像的大小，节省了运行时间和显存占用。举例来说，以目标骨部位为椎体为例，椎骨包括椎骨前部的厚椭圆形结构的椎体和纵向上比较长的附件，大面积附件的存在会对椎体骨状态情况的判断产生影响，所以在确定了椎体的位置之后，通过裁剪原始医学图像，使得裁剪得到的目标医学图像中包括完整的椎体以及小部分与椎体连接的附件或者其他椎体等，减小过长的附件对后续椎体骨状态情况判断所带来的干扰，同时目标医学图像相对原始医学图像较小，节省了运行时间和显存占用。
[0108]
由于目标骨部位存在天然的曲度，目标骨部位的径向方向往往不与z轴平行。例如，如图6所示，图6是本技术提供的矫正前椎体一实施例的示意图，人体脊椎存在天然曲度，在输入ct图像的坐标系中，圆柱形椎体的径向方向往往不与z轴平行。而这些目标骨部位的方向信息对于目标骨部位的骨状态情况判断是冗余的，会对骨状态情况的判断或者图像处理模型的训练带来额外的干扰。因此，在一实施方式中，提取出的目标医学图像中的目标骨部位的方向是经矫正的，避免目标骨部位上的方向信息对目标骨部位的骨状态情况的判断产生影响。
[0109]
在一具体实施方式中，经矫正的目标骨部位的中垂线平行于原始医学图像的预设坐标轴。其中，不对原始医学图像的预设坐标轴进行限定，可根据实际使用需要具体设置。例如，预设坐标轴为z轴。举例来说，如图7所示，图7是本技术提供的经矫正椎体一实施例的结构示意图，利用奇异值分解的方法提取椎体的中垂线，基于椎体的中垂线调整椎体的方向，调整至椎体的中垂线与原始医学图像的z轴平行，完成对椎体的矫正。
[0110]
由于原始医学图像中存在多个骨部位，需要将各骨部位分别作为目标骨部位，从原始医学图像中提取对应各目标骨部位的目标医学图像，即此时会提取出多个目标医学图像，即每个目标骨部位对应一个目标医学图像，后续可针对单个目标骨部位进行骨状态检测，提高了骨状态检测的准确率。因此，在一实施方式中，设置目标骨部位位于目标医学图像的预设位置上，从而保证各目标医学图像数据的一致性，有助于对目标骨部位骨状态情况的判断，或者利用数据一致性的医学图像对图像处理模型进行训练时，保证图像处理模型网络看到的医学图像数据时一致的，减少不必要的信息对模型训练带来的干扰，使能够在有限的医学图像数据情况下，训练出具有较好检测效果的模型。其中，不对预设位置进行限定，可根据实际使用需要具体设置。例如，预设位置为目标医学图像的中心位置，或者，预设位置也可以为目标医学图像左下角区域位置等。
[0111]
在一具体实施方式中，目标骨部位位于目标医学图像的中心位置。举例来说，以通过裁剪的方式从原始医学图像中提取包含目标骨部位的目标医学图像，预设位置为中心位置为例，在确定了目标骨部位在原始医学图像中的位置后，以目标骨部位的中心为中心对原始医学图像进行裁剪，从而使得裁剪得到的目标医学图像包含完整的目标骨部位且目标
医学图像的中心为目标骨部位的中心，即目标骨部位位于目标医学图像的中心位置，进而使得后续对目标骨部位的骨状态情况进行判断时，能够更多的关注目标骨部位，而减少对目标骨部位的方位信息或者方向信息等其他信息的关注，提高对目标骨部位骨状态情况判断的准确性。
[0112]
请参阅图8，图8是图1所示步骤s13一实施例的流程示意图，需注意的是，若有实质上相同的结果，本实施例并不以图8所示的流程顺序为限。如图8所示，本实施例中，可根据选出的预设类别的预测概率，确定目标医学图像的目标骨部位是否存在预设骨状态，具体包括：
[0113]
步骤s131：基于目标骨部位属于各预设类别的预测概率，从各所述预设类别中选出目标预设类别。
[0114]
本实施方式中，根据目标骨部位属于各预设类别的预测概率，从各预设类别中选出目标预设类别，其中，目标预设类别属于骨折类型的子类且目标预设类别的预测概率为属于骨折类型的子类的各预设类别中最大。具体地，从各预设类别中，选出属于预设骨状态类型的子类对应的各预设类别；然后，将属于预设骨状态类型的子类对应的各预设类别中预测概率最大的预设类别作为目标预设类别。
[0115]
步骤s132：响应于所述目标预设类别的预测概率大于或等于预设概率值，确定所述目标骨部位存在预设骨状态。
[0116]
本实施方式中，响应于目标预设类别的预测概率大于或等于预设概率值，确定目标骨部位存在预设骨状态。其中，不对预设概率值进行限定，可根据实际使用需要具体设置。也就是说，会对目标预设类别的预测概率值和预设概率值进行比较，在目标预设类别的预测概率大于或等于预设概率值时，则判定目标骨部位是存在预设骨状态情况的；而在目标预设类别的预测概率小于预设概率值时，则判定目标骨部位是不存在预设骨状态情况的。
[0117]
请参阅图9-图10，图9是本技术提供的图像处理模型的训练步骤一实施例的流程示意图，图10是本技术提供的图像处理模型一实施例的结构示意图，需注意的是，若有实质上相同的结果，本实施例并不以图9所示的流程顺序为限。如图9所示，本实施例中，对目标医学图像进行骨状态检测是利用图像处理模型执行的，图像处理模型的训练具体包括如下子步骤：
[0118]
步骤s91：获取包含骨部位的样本医学图像。
[0119]
本实施的方法用于基于包含骨部位的样本医学图像对图像处理模型进行训练，本文不对样本医学图像的个数、尺寸大小等进行限定，可根据实际使用需要具体设置。其中，包含骨部位的样本医学图像标注有骨部位的真实骨状态信息，真实骨状态信息表示骨部位是否存在预设骨状态，使得后续基于包含骨部位的样本医学图像训练完成的图像处理模型能够对目标医学图像中的目标骨部位进行检测，确定目标医学图像中的目标骨部位是否存在预设骨状态。
[0120]
在一实施方式中，包含骨部位的样本医学图像具体可以从本地存储或者云端存储中获取得到。可以理解地，在其他实施方式中，也可以通过医学图像采集设备实时采集得到包含骨部位的样本医学图像。
[0121]
在一实施方式中，可将获取到的包括骨部位的原始样本医学图像直接作为样本医
学图像。由于原始样本医学图像较大，直接基于原始样本医学图像进行骨部位的骨状态情况判断，会增大运算量、增加运行时间和显存占用；另外，由于原始样本医学图像中可能会包括多个骨部位，不利于准确对骨部位的骨状态情况进行判断；因此，在其他实施方式中，在获取原始样本医学图像后，会确定骨部位在原始样本医学图像中的位置，然后从原始样本医学图像中提取出包含骨部位的样本医学图像，进而得到对应骨部位的图像块，将对应骨部位的图像块作为包含骨部位的样本医学图像，降低了样本医学图像的大小，节省了后续的运行时间、计算量和显存占用，也有利于提高对骨部位的骨状态情况的准确判断。
[0122]
为了使得后续训练完成的图像处理模型具有更强的泛化能力，应让样本医学图像尽可能多样化。因此，在一实施方式中，需要对包含骨部位的样本医学图像进行数据增强处理，生成若干样本医学图像，从而使得样本医学图像数据多样化。在一具体实施方式中，可通过对样本医学图像进行左右翻转、旋转、裁剪或者加高斯噪声等，生成多样化的样本医学图像数据。
[0123]
由于骨部位在各样本医学图像上的位置可能不相同或者各样本医学图像上的骨部位的方向不同，而这些骨部位的方向信息对于后续图像处理模型的训练是冗余的，会给图像处理模型的训练带来额外的干扰。因此，在一实施方式中，会使得提取出的样本医学图像中的骨部位的方向是经矫正的。例如，经矫正的骨部位的中垂线平行于原始样本医学图像的z轴坐标轴。可以理解地，在其他实施方式中，骨部位位于从原始样本医学图像中提取出的样本医学图像的预设位置。例如，骨部位位于样本医学图像中的中心位置。可以理解地，在其他实施方式中，提取出的样本医学图像中的骨部位的方向是经矫正的且骨部位位于样本医学图像的预设位置。
[0124]
步骤s92：利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率。
[0125]
本实施方式中，利用图像处理模型对样本医学图像进行检测，从而得到骨部位属于各预设类别的预测概率。也就是说，图像处理模型中会设置潜在类别标签，每一潜在类别标签对应一预设类别，图像处理模型会对样本医学图像中的骨部位进行检测，确定样本医学图像中的骨部位可能为各预设类别的可能性大小。其中，不对预设类别的类别数进行限定，可根据实际使用需要具体设置。例如，设置对应预设骨状态类型的子类的预设类别为3个，设置对应参考骨状态类型的子类的预设类别为3个。需要说明的是，由于对目标医学图像进行检测得到目标骨部位属于各预设类别的预测概率是抽象的无监督聚类，所以无法确定具体预设类别的名称。示例性地，可无监督聚类为局部骨裂、压缩性骨折、健康椎体、许莫氏结节和转移瘤等。
[0126]
在一实施方式中，图像处理模型包括若干分类器，每个分类器对应一个预设类别，分类器用于确定属于预设类别的预测概率。也就是说，在利用图像处理模型对样本医学图像进行检测时，每一分类器都会对样本医学图像中的骨部位进行分类，确定骨部位属于分类器对应的预设类别的预测概率。由于图像处理是一个二分类任务，且预设骨状态骨部位(例如，局部骨裂、压缩性骨裂等)和参考骨状态骨部位(健康骨部位、许莫氏结节、转移瘤等)存在巨大的类内差异，为了提高图像处理模型的精度且简化对图像处理模型的训练，所以在图像处理模型中设置若干个分类器，强行使二分类任务模型输出对应各预设类别的概率，即图像处理模型自身对各样本医学图像中的骨部位进行聚类。
[0127]
为了使样本医学图像规范化、统一化，以便于对样本医学图像进行检测，提高检测的效率。因此，在一实施方式中，在利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率之前，对样本医学图像进行预处理。其中，预处理包括图像重定位、图像重采样、像素归一化中的至少一种。像素归一化可以为在选取的窗宽窗位的基础上，将像素值调整至预设范围之间，例如，选取的窗宽窗位为[1500，450]，将图像的像素值归一化至[-1,1]之间；图像重定位可以为将图像的方向调整至与单位矩阵一致，可以通过旋转、插值等操作来实现图像重定位。
[0128]
步骤s93：基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果。
[0129]
本实施方式中，图像处理模型基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果，即，图像处理模型根据骨部位属于各预设类别的预测概率，能够确定样本医学图像中的骨部位是否存在预设骨状态。
[0130]
在一实施方式中，可根据预测概率中最大的预测概率对应的预设类别所属的类型，确定样本医学图像的样本骨状态检测结果。可以理解地，在其他实施方式中，也可将属于同一类型的子类进行归类，然后根据归为预设骨状态类型的子类确定骨部位存在预设骨状态的概率以及根据归为参考骨状态类型的子类确定骨部位不存在预设骨状态的概率，然后根据骨部位存在预设骨状态的概率和骨部位不存在预设骨状态的概率确定样本医学图像的样本检测结果。
[0131]
步骤s94：基于样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
[0132]
本实施方式中，基于样本医学图像标注的真实骨状态信息和利用图像处理模型对样本医学图像进行检测得到的样本检测结果之间差异，调整图像处理模型的网络参数。通过样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数，直至图像处理模型收敛，从而使得训练完成的图像处理模型能够具有较好的检测能力且具有一定的泛化能力。
[0133]
在一实施方式中，可通过样本医学图像标注的真实骨状态信息和样本检测结果之间的差异确定图像处理模型的损失，并通过诸如梯度下降等优化方式，基于图像处理模型的损失调整图像处理模型的网络参数，并重复上述过程，直至利用样本医学图像将图像处理模型训练至收敛为止。由于骨状态检测是一个二分类任务，通过设置若干分类器，使图像处理模型自身对各样本医学图像进行聚类，所以为了使各分类器对应的预设类别具有一定的区分性，在一实施方式中，网络参数包括各分类器的分类参数，基于样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数。即，根据样本医学图像标注的真实骨状态信息和样本检测结果之间的差异确定包括分类器的分类参数在内的网络参数的调整范围，并在分类参数调整范围内，调整分类器的分类参数，使分类器的分类参数之间的差异最大化。也就是说，由于预设骨状态骨部位和参考骨状态骨部位都会存在巨大的类内差异，若训练图像处理模型直接预测预设骨状态与参考骨状态，即需要图像处理模型强行将存在较大类内差异的不同骨状态情况归结为一类进行学习，存在较高难度，且训练得到的图像处理模型容易存在预测错误的情况，从而导致对骨状态情况的漏检或误检，本方案图像处理模型
对作为预设骨状态与参考骨状态的子类的各预设类别进行预测，故训练时针对各预设类别进行学习，将类内差异较大的不同骨状态情况归为不同类别进行学习，减少训练难度，也使得训练得到的图像处理模型预测更精确，后续通过预测得到的各预设类别的较为准确的概率，再确定是否存在预设骨状态情况，可实现预设骨状态情况的准确识别，减少了预设骨状态情况的漏检或者误检。
[0134]
在一具体实施方式中，如图11所示，图11是本技术提供的调整图像处理模型的网络参数一实施例的流程示意图，通过约束损失函数确定分类器的分类参数之间的差异是否最大化，具体包括如下子步骤：
[0135]
步骤s941：基于样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，得到检测损失。
[0136]
本实施方式中，基于样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，得到检测损失，以便于后续让图像处理模型确定如何进行网络参数的调整。
[0137]
步骤s942：基于检测损失确定各网络参数的目标调整范围，并在目标调整范围内，确定出使约束损失函数最小化的各网络参数的参数值，按照确定出的参数值调整各网络参数。
[0138]
本实施方式中，根据检测损失确定各网络参数的目标调整范围，并在目标调整范围内，确定出使约束损失函数最小化的各网络参数的参数值，按照确定出的参数值调整各网络参数。其中，约束损失函数是与各分类器的分类参数之间的差异成负相关。也就是说，各网络参数根据检测损失确定的对应的目标调整范围进行参数调整，而各分类器的分类参数需额外根据检测损失确定目标调整范围，并在该目标调整范围内，确定出使约束函数最小化的各网络参数的参数值，即各分类器的分类参数基于检测损失和约束损失函数两者确定调整方式，从而确保图像处理模型学习到的潜在类别是有意义的。其中，约束损失函数的公式如下所示：
[0139][0140]
其中，wi表示第i个分类器的分类参数；wj表示第j个分类器的分类参数；l
lm
表示约束损失函数，约束损失函数最小化即最小化分类参数之间的夹角余弦值，也就是最大化分类参数之间的夹角。其中，不对i和j的取值范围进行限定，i,j∈[0,5]是i和j示例性的取值范围。
[0141]
举例来说，以图像处理模型设置有四个分类器，两个分类器对应的类型为预设骨状态类型，其对应的分类参数分别为w1和w2，另外两个分类器对应的类型为参考骨状态类型，其对应的分类参数分别为w3和w4为例，假定根据检测损失确定网络参数w1、w2、w3和w4的目标调整范围是：w1的取值可以为w
1a
和w
1b
，w2的取值可以为w
2a
、w
2b
、w
2c
和w
2d
，w3的取值可以为w
3a
、w
3b
、w
3c
和w
3d
，w4的取值可以为w
4a
、w
4b
、w
4c
、w
4d
和w
4e
，遍历各分类参数的所有取值，总共有240种组合方式；分别计算各组合方式对应的约束损失函数值，以组合w
1a
、w
2a
、w
3a
、w
4a
为例计算约束损失函数，首先将分类参数两两组合代入上述公式，得到w
1a
和w
2a
对应的约束损失函数值为x1、w
1a
和w
2a
对应的约束损失函数值为x2、w
1a
和w
3a
对应的约束损失函数值为x3、w
1a
和w
4a
对应的约束损失函数值为x4、w
2a
和w
3a
对应的约束损失函数值为x5、w
2a
和w
4a
对应的约
束损失函数值为x6、w
3a
和w
4a
对应的约束损失函数值为x7，然后将x1、x2、x3、x4、x5、x6、x7中的最小值作为该组合对应的约束损失函数值；在240种组合方式中，取最小约束损失函数值所对应的组合方式，并按照该组合方式中的各分类参数的参数值调整图像处理模型中对应的网络参数，取最小约束损失函数值对应的组合方式，则在该组合方式下，各分类参数之间的夹角最大化，使得调整网络参数后的各分类器之间的区分性增大，即增大了各分类器之间的差异。
[0142]
请参阅图12，图12是本技术提供的图像处理模型的训练方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图12所示的流程顺序为限。如图12所示，本实施例包括：
[0143]
步骤s1201：获取包含骨部位的样本医学图像。
[0144]
步骤s1201与步骤s91类似，在此不再赘述。
[0145]
步骤s1202：利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率。
[0146]
步骤s1202与步骤s92类似，在此不再赘述。
[0147]
步骤s1203：基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果。
[0148]
步骤s1203与步骤s93类似，在此不再赘述。
[0149]
步骤s1204：基于样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
[0150]
步骤s1204与步骤s94类似，在此不再赘述。
[0151]
由于预设骨状态骨部位和参考骨状态骨部位都会存在巨大的类内差异，若训练图像处理模型直接预测预设骨状态与参考骨状态，即需要图像处理模型强行将存在较大类内差异的不同骨状态情况归结为一类进行学习，存在较高难度，且训练得到的图像处理模型容易存在预测错误的情况，从而导致对骨状态情况的漏检或误检，本方案图像处理模型对作为预设骨状态与参考骨状态的子类的各预设类别进行预测，故训练时针对各预设类别进行学习，将类内差异较大的不同骨状态情况归为不同类别进行学习，减少训练难度，也使得训练得到的图像处理模型预测更精确，后续通过预测得到的各预设类别的较为准确的概率，再确定是否存在预设骨状态情况，可实现预设骨状态情况的准确识别，减少了预设骨状态情况的漏检或者误检。
[0152]
在一实施方式中，可通过样本医学图像标注的真实骨状态信息和样本检测结果之间的差异确定预设骨状态模型的损失，并通过诸如梯度下降等优化方式，基于预设骨状态模型的损失调整预设骨状态模型的网络参数，并重复上述过程，直至利用样本医学图像将预设骨状态模型训练至收敛为止。由于骨状态检测是一个二分类任务，通过设置若干分类器，使图像处理模型自身对各样本医学图像进行聚类，所以为了使各分类器对应的预设类别具有一定的区分性，在一实施方式中，网络参数包括各分类器的分类参数，基于样本医学图像标注的真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数。
[0153]
请参阅图13，图13是本技术提供的图像处理装置一实施例的结构示意图。图像处理装置130包括获取模块1301、检测模块1302和确定模块1303。获取模块1301用于获取包含
目标骨部位的目标医学图像；检测模块1302用于对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率，其中，至少一种预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类；确定模块1303用于基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果，其中，目标医学图像的检测结果用于表示目标医学图像中的目标骨部位是否存在预设骨状态。
[0154]
其中，图像处理装置130还包括训练模块1304，训练模块1304具体用于：获取包含骨部位的样本医学图像；其中，样本医学图像标注有骨部位的真实骨状态信息，真实骨状态信息表示骨部位是否存在预设骨状态；利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率；基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果；基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
[0155]
其中，上述图像处理模型包括若干分类器，每个分类器对应一个预设类别，用于确定属于预设类别的预测概率，网络参数包括各分类器的分类参数；训练模块1304用于基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数，具体包括：基于真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数。
[0156]
其中，训练模块1304用于基于真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数，具体包括：基于真实骨状态信息和样本检测结果之间的差异，得到检测损失；基于检测损失确定各网络参数的目标调整范围，并在目标调整范围内，确定出使约束损失函数最小化的各网络参数的参数值，按照确定出的参数值调整各网络参数，其中，约束损失函数与各分类器的分类参数之间的差异成负相关。
[0157]
其中，获取模块1301用于获取包含目标骨部位的目标医学图像，具体包括：获取原始医学图像；确定目标骨部位在原始医学图像中的位置信息；基于位置信息，从原始医学图像中提取出包含目标骨部位的目标医学图像。
[0158]
其中，上述提取出的目标医学图像中的目标骨部位的方向是经矫正的，和/或，上述目标骨部位位于目标医学图像的预设位置上。
[0159]
其中，上述经矫正的目标骨部位的中垂线平行于原始医学图像的预设坐标轴；预设位置为中心位置。
[0160]
其中，获取模块1301用于确定目标骨部位在原始医学图像中的位置信息，具体包括：对原始医学图像进行实例分割，得到原始医学图像中关于目标骨头的第一分割结果和参考骨头的第二分割结果，其中，目标骨部位位于目标骨头上；基于第一分割结果和第二分割结果，从原始医学图像的目标骨头上确定出目标骨部位的位置信息；和/或，获取模块1301还用于在确定目标骨部位在原始医学图像中的位置信息之前，具体包括：检测原始医学图像的图像参数是否存在异常，其中，图像参数包括图像模态、图像层间隔和图像尺寸中的至少一种；响应于图像参数不存在异常，执行确定目标骨部位在原始医学图像中的位置信息及其后续步骤。
[0161]
其中，获取模块1301还用于在对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率之前，具体包括：对目标医学图像进行预处理，其中，预处理包括图像
重定位、图像重采样、像素归一化中的至少一种；和/或，检测目标医学图像中的目标骨部位是否包括植入物；在目标骨部位不包括植入物的情况下，对目标医学图像进行检测，得到目标骨部位属于各预设类别的预测概率及其后续步骤。
[0162]
其中，确定模块1303用于基于目标骨部位属于各预设类别的预测概率，得到目标医学图像的检测结果，具体包括：基于目标骨部位属于各预设类别的预测概率，从各预设类别中选出目标预设类别；其中，目标预设类别属于预设骨状态类型的子类且目标预设类别的预测概率为属于预设骨状态类型的子类的各预设类别中最大；响应于目标预设类别的预测概率大于或等于预设概率值，确定目标骨部位存在预设骨状态。
[0163]
其中，上述目标骨部位为椎体；和/或，上述目标医学图像为三维医学图像。
[0164]
请参阅图14，图14是本技术提供的图像处理模型的训练装置一实施例的结构示意图。图像处理模型的训练装置140包括获取模块1401、检测模块1402、确定模块1403和调整模块1404。获取模块1401用于获取包含骨部位的样本医学图像；其中，样本医学图像标注有骨部位的真实骨状态信息，真实骨状态信息表示骨部位是否存在预设骨状态；检测模块1402用于利用图像处理模型对样本医学图像进行检测，得到骨部位属于各预设类别的预测概率，其中，至少一种预设类别为预设骨状态类型的子类，且至少一种预设类别为参考骨状态类型的子类；确定模块1403用于基于骨部位属于各预设类别的预测概率，得到样本医学图像的样本检测结果，其中，样本医学图像的样本检测结果用于表示样本医学图像中的骨部位是否存在预设骨状态；调整模块1404用于基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数。
[0165]
其中，上述图像处理模型包括若干分类器，每个分类器对应一个预设类别，用于确定属于预设类别的预测概率，网络参数包括各分类器的分类参数；确定模块1403用于基于真实骨状态信息和样本检测结果之间的差异，调整图像处理模型的网络参数，具体包括：基于真实骨状态信息和样本检测结果之间的差异，并按照使各分类器的分类参数之间的差异变大的调整方向，调整图像处理模型的网络参数。
[0166]
请参阅图15，图15是本技术提供的电子设备一实施例的结构示意图。电子设备150包括相互耦接的存储器1501和处理器1502，处理器1502用于执行存储器1501中存储的程序指令，以实现上述任一图像处理方法或图像处理模型的训练方法实施例的步骤。在一个具体的实施场景中，电子设备150可以包括但不限于：微型计算机、服务器，此外，电子设备150还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
[0167]
具体而言，处理器1502用于控制其自身以及存储器1501以实现上述任一图像处理方法或图像处理模型的训练方法实施例的步骤。处理器1502还可以称为cpu(central processing unit，中央处理单元)。处理器1502可能是一种集成电路芯片，具有信号的处理能力。处理器1502还可以是通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器1502可以由集成电路芯片共同实现。
[0168]
请参阅图16，图16是本技术提供的计算机可读存储介质一实施例的结构示意图。本技术实施例的计算机可读存储介质160存储有程序指令1601，该程序指令1601被执行时
实现本技术图像处理方法或图像处理模型的训练方法任一实施例以及任意不冲突的组合所提供的方法。其中，该程序指令1601可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质160中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质160包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0169]
若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
[0170]
以上所述仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。