一种基于深度学习的骨性关节炎智能三维诊断方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于深度学习的骨性关节炎智能三维诊断方法及系统。另外，还涉及一种电子设备及处理器可读存储介质。


背景技术：

2.膝骨性关节炎是膝关节的局部损伤及炎症和慢性劳损引起关节面软骨变性，软骨下骨板反应性骨损，导致膝关节出现一系列症状和体征。由于膝骨性关节炎早期病理改变不明显，传统的ct(computed tomography)，即电子计算机断层扫描，诊断效果较差，漏诊、误诊率较高。随着智能设备的快速发展，mri(magnetic resonance imaging，磁共振成像)动态扫描能够通过三维数据采集、多序列、多平面扫描获取影像，影像分辨率较高，可以更好的与良好的组织进行对比。然而，通过直接读取mri图像(核磁共振图像)进行主观诊断骨性关节炎，不同医生之间存在差异，容易造成误诊和漏诊，导致诊断效果和检测精度不稳定。因此，如何设计一种稳定性、精确度更优的膝关节软骨损伤程度的评价方案成为亟待解决的技术问题。


技术实现要素：

3.为此，本发明提供一种基于深度学习的骨性关节炎智能三维诊断方法及系统，以解决现有技术中存在的生态系统生态服务价值核算方案局限性较高，导致膝骨性关节炎的诊断效果和检测精度较差的缺陷。
4.本发明提供一种基于深度学习的骨性关节炎智能三维诊断方法，包括：
5.获取膝关节的核磁共振图像数据；
6.将所述核磁共振图像数据输入到预设的图像分割网络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训练得到的；
7.基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；
8.确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
9.进一步的，对所述目标软骨进行分析以确定所述目标软骨的损伤程度，包括：对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，若是，则对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度。
10.进一步的，对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，包括：
11.利用所述图像分割网络模型对所述目标软骨进行缺损检测，判断所述目标软骨是否存在缺损区域，若是，则判定所述目标软骨存在膝骨性关节炎；若否，则判定所述目标软
骨不存在膝骨性关节炎。
12.进一步的，对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，包括：
13.识别目标软骨存在缺损区域的轮廓；
14.确定所述轮廓中所述缺损区域的像素个数；
15.根据所述缺损区域的像素个数和目标软骨总区域的像素个数之间的比值进行软骨损伤程度分级，确定所述目标软骨的第一损伤程度。
16.进一步的，对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，包括：
17.识别目标软骨存在缺损区域的轮廓；
18.确定所述缺损区域的软骨厚度，并识别目标软骨的最大厚度；
19.根据所述缺损区域的软骨厚度和所述目标软骨的最大厚度之间的厚度比值进行软骨缺损程度分级，确定所述目标软骨的第二损伤程度。
20.进一步的，所述图像分割网络模型，包括：基于注意力机制的医学图像分割模块和point rend网络模块；
21.所述基于注意力机制的医学图像分割模块用于定位核磁共振图像中的目标位置区域，并基于所述目标位置区域的边界对核磁共振图像进行分割处理；
22.所述point rend网络模块用于对分割处理后的边界进行重新分类处理，得到满足预设条件的边界分割结果；基于所述边界分割结果，输出软骨本体位置区域的二维医学图像。
23.本发明还提供一种基于深度学习的骨性关节炎智能三维诊断系统，包括：
24.图像数据获取单元，用于获取膝关节的核磁共振图像数据；
25.图像分割处理单元，用于将所述核磁共振图像数据输入到预设的图像分割网络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训练得到的；
26.三维重建单元，用于基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；
27.软骨损伤程度确定单元，用于确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
28.进一步的，所述软骨损伤程度确定单元，具体用于：对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，若是，则对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度。
29.进一步的，对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，具体包括：
30.利用所述图像分割网络模型对所述目标软骨进行缺损检测，判断所述目标软骨是否存在缺损区域，若是，则判定所述目标软骨存在膝骨性关节炎；若否，则判定所述目标软骨不存在膝骨性关节炎。
31.进一步的，对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，具体包括：
32.识别目标软骨存在缺损区域的轮廓；
33.确定所述轮廓中所述缺损区域的像素个数；
34.根据所述缺损区域的像素个数和目标软骨总区域的像素个数之间的比值进行软骨损伤程度分级，确定所述目标软骨的第一损伤程度。
35.进一步的，所述的基于深度学习的骨性关节炎智能三维诊断系统，还包括：厚度确定单元；所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，具体包括：
36.识别目标软骨存在缺损区域的轮廓；
37.确定所述缺损区域的软骨厚度，并识别目标软骨的最大厚度；
38.根据所述缺损区域的软骨厚度和所述目标软骨的最大厚度之间的厚度比值进行软骨缺损程度分级，确定所述目标软骨的第二损伤程度。
39.进一步的，所述图像分割网络模型，包括：基于注意力机制的医学图像分割模块和point rend网络模块；
40.所述基于注意力机制的医学图像分割模块用于定位核磁共振图像中的目标位置区域，并基于所述目标位置区域的边界对核磁共振图像进行分割处理；
41.所述point rend网络模块用于对分割处理后的边界进行重新分类处理，得到满足预设条件的边界分割结果；基于所述边界分割结果，输出软骨本体位置区域的二维医学图像。
42.本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现如上述任意一项所述基于深度学习的骨性关节炎智能三维诊断方法的步骤。
43.本发明还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述基于深度学习的骨性关节炎智能三维诊断方法的步骤。
44.本发明提供的基于深度学习的骨性关节炎智能三维诊断方法，通过将获取的膝关节的核磁共振图像数据输入到预设的图像分割网络模型分割软骨区域，获得软骨本体位置区域的二维医学图像；然后，基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。其能够方便快速的检测膝骨性关节炎，降低了漏诊和误诊率，更加客观的诊断和评价膝骨性关节炎，提高了膝骨性关节炎的诊断效果和检测精度。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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取其他的附图。
46.图1是本发明实施例提供的基于深度学习的骨性关节炎智能三维诊断方法的流程示意图；
47.图2是本发明实施例提供的基于深度学习的骨性关节炎智能三维诊断方法中图像分割网络模型的医学图像分割模块的结构示意图；
48.图3是本发明实施例提供的基于深度学习的骨性关节炎智能三维诊断方法中图像分割网络模型的point rend网络模块的结构示意图
49.图4是本发明实施例提供的构建三维图像的方法流程图；
50.图5是本发明实施例提供的基于深度学习的骨性关节炎智能三维诊断系统的结构示意图；
51.图6是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
52.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
53.下面基于本发明所述基于深度学习的骨性关节炎智能三维诊断方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的基于深度学习的骨性关节炎智能三维诊断方法的流程示意图，具体实现过程包括以下步骤：
54.步骤101：获取膝关节的核磁共振图像数据。
55.磁共振成像是一种断层成像技术，其利用磁共振现象能够从人体中获得相应的电磁信号来重建出人体信息。在本发明实施例中，首先需要通过磁共振成像仪器建立膝关节不同断层的影像学数据，以获取膝关节相应的核磁共振图像数据，从而让便于后续通过人工智能算法得到膝关节轮廓，并完成膝关节三维重建，自动识别软骨，通过对软骨进行定性和定量，实现膝骨性关节炎的诊断和软骨损伤程度的判定。
56.步骤102：将所述核磁共振图像数据输入到预设的图像分割网络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训练得到的神经网络模型。
57.在本步骤中，如图2和3所示，所述图像分割网络模型包括：基于注意力机制的医学图像分割模块(attention-unet)和point rend网络模块(pointrend网络结构)。其中，所述基于注意力机制的医学图像分割网络模块包括通道注意力模块(channel attention module)和空间注意力模块(spatial attention module)，即attention机制包含channel attention和spatial attention，其是使用带有soft attention的unet，通过下一级的feature来监督上一级的feature来实现attention机制。所述基于注意力机制的医学图像分割模块用于定位核磁共振图像中的目标位置区域，并基于所述目标位置区域的边界对核磁共振图像进行分割处理；所述point rend网络模块用于对分割处理后的边界进行重新分类处理，得到满足预设条件的边界分割结果，从而得到更好的边界分割效果；基于所述边界分割结果，输出软骨本体位置区域的二维医学图像。attention unet由特征提取和特征还原两部分组成，特征提取部分由基本的卷积模块和池化操作组成，卷积模块包括卷积、批量归一化、激活等操作；特征还原部分主要由卷积模块和上采样操作完成，上采样的方法是双线性插值，目的是还原特征图的尺寸。point rend网络模块主要由卷积和全连接层组成，其是基于点的渲染神经网络模块，能够基于迭代细分算法在自适应选择的位置执行基于点的
分割预测。需要说明的，如图2和3所示，本发明实施例中，图像分割网络模型包含的所述医学图像分割模块和point rend网络模块的可由多个初始的网络层组成。通过获取样本骨骼图像数据形成mri图像数据集，并将样本骨骼图像数据和所述样本骨骼图像数据对应的软骨区域分割结果作为训练样本对初始的图像分割网络模型进行训练，得到能够快速、准确识别并分割核磁共振图像中软骨区域的训练完成的图像分割网络模型。在模型训练过程中，输入为mri序列图像(即样本骨骼图像数据)，需要首先获得mri图像数据集，将mri序列图像转换为jpg格式，并通过人工标注好mri序列图像中的软骨实际区域和软骨理论区域作为标准，标注出不同类型的骨骼的区域及软骨损伤区域。通过将所述mri图像数据集划分为训练集和测试集，保存未标注前和标注后的相应图像，建立图像分割网络模型，利用训练集对图像分割网络模型进行训练，并利用测试集进行测试，利用训练好的图像分割网络模型对膝关节的核磁共振图像进行分割。该模型的初始学习率可为1e-5
，batch size可为8，优化器可为adam；模型迭代次数可为8000次，损失函数可采用dice loss+focal loss实现，在此不再详细赘述。
58.步骤103：基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像。
59.在具体实施过程中，可将所述基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据输入到预设的视觉化工具函式库(vtk，visualization toolkit)中，利用vtk重建技术进行三维图像构建，从而得到相应的三维医学图像。
60.步骤104：确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
61.在本发明实施例中，首先对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，若是，则进一步对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度。其中，对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，对应实现过程包括：利用所述图像分割网络模型对识别的目标软骨进行缺损检测，判断所述目标软骨是否存在缺损区域，若是，则判定所述目标软骨存在膝骨性关节炎；若否，则判定所述目标软骨不存在膝骨性关节炎。
62.需要说明的是，在以样本骨骼数据、样本骨骼数据对应的软骨区域分割结果为样本对图像分割网络模型的进行训练之前，可以在样本图像中进行标记，以根据图像分割模型输出的结果判断目标软骨是否存在膝骨性关节炎。示例的，将正常的目标软骨的样本图像标记为1，将有缺损的目标软骨的样本图像标记为0。在将构建得到的三维医学图像输入至图像分割网络模型后，图像分割网络网络模型可以输出结果。若图像分割网络模型输出的结果为0，则判断所述目标软骨存在膝骨性关节炎；若图像分割网络模型输出的结果为1，则判断所述目标软骨不存在膝骨性关节炎。当然，也可以将正常的目标软骨的样本图像标记为0，将有缺损的目标软骨的样本图像标记为1，此处不作限制。
63.另外，对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，对应的具体实现过程包括：识别目标软骨存在缺损区域的轮廓；根据所述缺损区域的轮廓和预设像素统计方法，确定缺损区域的像素个数；根据所述缺损区域的像素个数和目标软骨总区域的像素个数之间的比值进行软骨损伤程度分级，确定所述目标软骨的第一损伤程度。其中，所述目标软骨总区域可包括：股骨远端内侧髁区、股骨外侧髁区、髌软骨区、胫骨内侧平台区
和胫骨外侧平台区等。在一种可能的实现方式中，若缺损区域的像素个数和目标软骨总区域的像素个数之间的比值小于或等于0.5，则确定所述第一损伤程度为严重缺损；若缺损区域的像素个数和目标软骨总区域的像素个数之间的比值大于0.5并且小于0.9，则确定所述第一损伤程度为一般缺损。
64.除此之外，为了获得更加精确的检测结果，还可识别各区域软骨有缺损的轮廓，计算所述缺损区域的软骨厚度，并识别目标软骨的最大厚度；根据所述缺损区域的软骨厚度和所述目标软骨的最大厚度之间的厚度比值进行软骨缺损程度分级，确定所述目标软骨的第二损伤程度；在一种可能的实现方式中，若缺损区域的软骨厚度和所述目标软骨的最大厚度之间的厚度比值小于或等于0.5，则确定所述第二损伤程度为严重缺损；若缺损区域的软骨厚度和所述目标软骨的最大厚度之间的厚度比值大于0.5并且小于0.9，则确定所述第二损伤程度为一般缺损。
65.通过将缺损区域的软骨厚度和软骨的最大厚度进行厚度比值计算，利用得到的厚度比值及缺损面积比值能够实现综合进行软骨缺损分级。将mri图像经过分割和三维重建，识别软骨，根据是否有软骨损伤诊断骨性关节炎，并对识别的软骨进行损伤面积和厚度进行计算，最终通过软骨的损伤面积及厚度情况定量软骨损伤程度，可以客观的评价软骨缺损程度。
66.如图4所示，为本发明实施例提供的构建三维图像的方法流程图，包括以下步骤：
67.400：开始。
68.401：输入膝关节的核磁共振图像(即标准的dicom文件)；
69.402：利用图像分割网络模型对所述核磁共振图像进行分割软骨区域；
70.403：将分割出的mask文件结合原始dicom文件的元信息，利用vtk重建技术进行三维重建，得到相应的三维医学图像。
71.404：结束。
72.本发明实施例所述的基于深度学习的骨性关节炎智能三维诊断方法，通过将获取的膝关节的核磁共振图像数据输入到预设的图像分割网络模型分割软骨区域，获得软骨本体位置区域的二维医学图像；然后，基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。其能够方便快速的检测膝骨性关节炎，降低了漏诊和误诊率，更加客观的诊断和评价膝骨性关节炎，提高了膝骨性关节炎的诊断效果和检测精度。
73.与上述提供的一种基于深度学习的骨性关节炎智能三维诊断方法相对应，本发明还提供一种基于深度学习的骨性关节炎智能三维诊断系统。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的基于深度学习的骨性关节炎智能三维诊断系统的实施例仅是示意性的。请参考图5所示，其为本发明实施例提供的一种基于深度学习的骨性关节炎智能三维诊断系统的结构示意图。
74.本发明所述的基于深度学习的骨性关节炎智能三维诊断系统，具体包括：
75.图像数据获取单元501，用于获取膝关节的核磁共振图像数据；
76.图像分割处理单元502，用于将所述核磁共振图像数据输入到预设的图像分割网
络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训练得到的；
77.三维重建单元503，用于基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；
78.软骨损伤程度确定单元504，用于确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
79.进一步的，所述软骨损伤程度确定单元，具体用于：对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，若是，则对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度。
80.进一步的，对所述目标软骨进行定性分析，判断所述目标软骨是否为膝骨性关节炎，具体包括：
81.利用所述图像分割网络模型对所述目标软骨进行缺损检测，判断所述目标软骨是否存在缺损区域，若是，则判定所述目标软骨存在膝骨性关节炎；若否，则判定所述目标软骨不存在膝骨性关节炎。
82.进一步的，对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，具体包括：
83.识别目标软骨存在缺损区域的轮廓；
84.确定所述轮廓中所述缺损区域的像素个数；
85.根据所述缺损区域的像素个数和目标软骨总区域的像素个数之间的比值进行软骨损伤程度分级，确定所述目标软骨的第一损伤程度。
86.进一步的，所述的基于深度学习的骨性关节炎智能三维诊断系统，还包括：厚度确定单元；对所述目标软骨进行定量分析，确定所述目标软骨的损伤程度，具体包括：
87.识别目标软骨存在缺损区域的轮廓；
88.确定所述缺损区域的软骨厚度，并识别目标软骨的最大厚度；
89.根据所述缺损区域的软骨厚度和所述目标软骨的最大厚度之间的厚度比值进行软骨缺损程度分级，确定所述目标软骨的第二损伤程度。
90.进一步的，所述图像分割网络模型，包括：基于注意力机制的医学图像分割模块和point rend网络模块；
91.所述基于注意力机制的医学图像分割模块用于定位核磁共振图像中的目标位置区域，并基于所述目标位置区域的边界对核磁共振图像进行分割处理；
92.所述point rend网络模块用于对分割处理后的边界进行重新分类处理，得到满足预设条件的边界分割结果；基于所述边界分割结果，输出软骨本体位置区域的二维医学图像。
93.本发明实施例所述的基于深度学习的骨性关节炎智能三维诊断系统，通过将获取的膝关节的核磁共振图像数据输入到预设的图像分割网络模型分割软骨区域，获得软骨本体位置区域的二维医学图像；然后，基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。其能够方便快速的检测膝骨性
关节炎，降低了漏诊和误诊率，更加客观的诊断和评价膝骨性关节炎，提高了膝骨性关节炎的诊断效果和检测精度。
94.与上述提供的基于深度学习的骨性关节炎智能三维诊断方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图6所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)601、存储器(memory)602和通信总线603，其中，处理器601，存储器602通过通信总线603完成相互间的通信，通过通信接口604与外部进行通信。处理器601可以调用存储器602中的逻辑指令，以执行基于深度学习的骨性关节炎智能三维诊断方法，该方法包括：获取膝关节的核磁共振图像数据；将所述核磁共振图像数据输入到预设的图像分割网络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训练得到的；基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
95.此外，上述的存储器602中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：存储芯片、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。
96.另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在处理器可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于深度学习的骨性关节炎智能三维诊断方法。该方法包括：获取膝关节的核磁共振图像数据；将所述核磁共振图像数据输入到预设的图像分割网络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训练得到的；基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
97.又一方面，本发明实施例还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于深度学习的骨性关节炎智能三维诊断方法。该方法包括：获取膝关节的核磁共振图像数据；将所述核磁共振图像数据输入到预设的图像分割网络模型中进行软骨区域分割，获得所述图像分割网络模型输出的软骨本体位置区域的二维医学图像；所述图像分割网络模型是以样本骨骼图像数据以及所述样本骨骼图像数据对应的软骨区域分割结果为样本训
练得到的；基于所述软骨本体位置区域的二维医学图像和所述核磁共振图像数据，构建得到相应的三维医学图像；确定所述三维医学图像中的目标软骨，并对所述目标软骨进行分析以确定所述目标软骨的损伤程度。
98.所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
99.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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
100.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用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)执行各个实施例或者实施例的某些部分所述的方法。
101.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。