医学影像特征点识别方法、识别系统及可读存储介质与流程

1.本发明涉及医疗器械技术领域，特别涉及一种医学影像特征点识别方法、识别系统及可读存储介质。


背景技术：

2.一些手术机器人在导航定位过程中，需要利用透射射线(如x射线)透射包含显影标记的标定标尺来拍摄患者的透视图像，通过对透视图像中显影标记的特征点的识别，然后根据识别的特征点坐标建立手术机器人坐标系与手术空间坐标系的转换关系，然后进行手术路径规划和导航定位。
3.目前，医学影像的透视图像中特征点的识别定位一般采用传统图像检测，如霍夫变换等圆检测算法实现；或采用预设特征点和角度匹配的方式；或将特征点分成多个区域，先提取特定区域，然后生成子区域，最后对子区域提取特征点。
4.然而，这些识别方法都存在一定的缺陷或不足，例如：
5.1.传统图像检测方法在相对强干扰的情况下鲁棒性不高，在遮挡，噪声等干扰环境下容易出现漏识别和误识别的情况；
6.2.基于预设特征点和角度匹配的方法对标尺平面和成像平面的夹角要求较高，夹角大于5度，无法完成识别；
7.3.将特征点分区域等方法不适用于当前标尺的设计结构，不能完成识别任务。


技术实现要素：

8.本发明的目的在于提供一种医学影像特征点识别方法、识别系统及可读存储介质，以解决现有的特征点识别方法所存在的问题。
9.为解决上述技术问题，本发明的第一个方面提供一种医学影像特征点识别方法，适用于二维医学透视图像中特征点识别，所述医学影像特征点识别方法包括：
10.提供带有特征点组的医学影像，所述特征点组包括多个特征点，每个所述特征点对应于一个标定显影件，多个所述标定显影件存在已知的相对位置关系；
11.对所述医学影像中的多个所述特征点进行初始分割识别，得到初始特征点集合；
12.将初始特征点集合中的特征点分组，得到预测点组集合；
13.对于所述预测点组集合中的一个所述预测点组，基于多个所述标定显影件的相对位置关系，得到该预测点组对应的预测局部图像组；遍历所述预测点组集合中所有所述预测点组，得到预测局部图像组集合；
14.对于所述预测局部图像组集合中的一个所述预测局部图像组，基于局部分割识别算法，识别其中的特征点，得到一个预测特征点序列；遍历所述预测局部图像组集合中所有所述预测局部图像组，得到预测特征点序列集合；
15.对所述预测特征点序列集合中所有所述预测特征点序列进行筛选，得到最终的特征点识别序列。
16.可选的，在所述医学影像特征点识别方法中，对于所述预测点组集合中的一个所述预测点组，基于多个所述标定显影件的相对位置关系，得到该预测点组对应的预测局部图像组的步骤包括：
17.对于所述预测点组集合中的一个所述预测点组，基于所述标定显影件的相对位置关系得到一个预测坐标序列组；
18.根据所述预测点组中所述特征点之间的距离和所述预测坐标序列组，得到所述预测局部图像组。
19.可选的，在所述医学影像特征点识别方法中，根据所述预测点组中所述特征点之间的距离和所述预测坐标序列组，得到所述预测局部图像组的步骤中，得到一个预测局部图像的步骤包括：
20.获取所述预测点组中所述特征点在所述预测坐标序列组中的编号，基于所述特征点的编号和其对应的所述标定显影件的相对位置关系，计算得到所述医学影像中所述特征点之间的距离和实际中所述标定显影件之间的距离的投影比例；
21.根据所述投影比例，得到某一所述特征点对应的预测局部图像的长和宽；
22.根据所述特征点对应的所述标定显影件的相对位置关系和所述投影比例，得到所述预测局部图像的中心点；
23.由所述预测局部图像的中心点、长和宽，得到所述预测局部图像。
24.可选的，在所述医学影像特征点识别方法中，每个所述预测点组包括两个所述特征点。
25.可选的，在所述医学影像特征点识别方法中，所述标定显影件呈球形；对所述医学影像中的多个所述特征点进行初始分割识别，得到初始特征点集合的步骤包括：
26.根据所述标定显影件的直径、数量和图像分辨率得到初始分割阈值；
27.根据初始分割阈值检测分割所述医学影像，得到特征点的图像坐标；
28.根据识别得到的所述特征点的半径，将所述特征点归类在一个所述初始特征点集合中。
29.可选的，在所述医学影像特征点识别方法中，得到初始特征点集合的步骤还包括：
30.统计识别得到的所述特征点的数量，若所述特征点的数量与目标数量的比值小于预设值，则调整所述初始分割阈值，并根据调整后的所述初始分割阈值重新检测分割所述医学影像。
31.可选的，在所述医学影像特征点识别方法中，所述标定显影件呈球形，所述局部分割识别算法包括：
32.根据所述医学影像中已检测到的特征点的半径统计得到局部分割阈值；
33.根据局部分割阈值对预测局部图像进行分割，得到分割结果；
34.遍历所述分割结果中所有联通区域，统计得到宽高比、圆度、半径和圆心；
35.若宽高比、圆度和半径符合当前检测的特征点的预设要求，则将所述联通区域确定为一个特征点，并将所述特征点的圆心添加到预测特征点序列中。
36.可选的，在所述医学影像特征点识别方法中，对所述预测特征点序列集合中所有所述预测特征点序列进行筛选，得到最终的特征点识别序列的步骤包括：
37.遍历所述预测特征点序列集合中所有所述预测特征点序列；
38.若某一所述预测特征点序列中的特征点的数量与预期特征点的数量不匹配，则删除所述预测特征点序列；
39.计算所述预测特征点序列与预测局部图像的中心点的平均误差；
40.将所述平均误差最小的所述预测特征点序列确定为最终的特征点识别序列。
41.为解决上述技术问题，本发明的第二个方面提供一种可读存储介质，其上存储有程序，所述程序被执行时实现如上所述的医学影像特征点识别方法的步骤。
42.为解决上述技术问题，本发明的第三个方面提供一种医学影像特征点识别系统，其包括：医学影像装置、标尺工具和如上所述的可读存储介质，所述医学影像装置包括发射端和接收端，所述标尺工具包括多个标定显影件，且多个所述标定显影件之间存在已知的相对位置关系；所述标尺工具设置于所述发射端和所述接收端之间。
43.可选的，在所述医学影像特征点识别系统中，所述标尺工具包括至少两个平面和至少两种不同规格的标定显影件，同一规格的所述标定显影件设置在同一所述平面上，且每种规格的所述标定显影件的数量不少于3个。
44.可选的，在所述医学影像特征点识别系统中，两个所述平面上的所述标定显影件的排列方式不同。
45.可选的，在所述医学影像特征点识别系统中，所述标尺工具还包括杆体，两个所述平面非共面，且分布在所述杆体的两侧。
46.综上所述，在本发明提供的医学影像特征点识别方法、识别系统及可读存储介质中，所述医学影像特征点识别方法包括：提供带有特征点组的医学影像，所述特征点组包括多个特征点，每个所述特征点对应于一个标定显影件，多个所述标定显影件存在已知的相对位置关系；对所述医学影像中的多个所述特征点进行初始分割识别，得到初始特征点集合；将初始特征点集合中的特征点分组，得到预测点组集合；对于所述预测点组集合中的一个所述预测点组，基于多个所述标定显影件的相对位置关系，得到该预测点组对应的预测局部图像组；遍历所述预测点组集合中所有所述预测点组，得到预测局部图像组集合；对于所述预测局部图像组集合中的一个所述预测局部图像组，基于局部分割识别算法，识别其中的特征点，得到一个预测特征点序列；遍历所述预测局部图像组集合中所有所述预测局部图像组，得到预测特征点序列集合；对所述预测特征点序列集合中所有所述预测特征点序列进行筛选，得到最终的特征点识别序列。
47.如此配置，利用特征点之间已知的相对位置关系，对特征点在医学影像中可能的区域进行预测，能够准确地得到包含特征点的预测局部图像，并进一步地对预测局部图像范围内的特征点进行局部分割识别，可以有效排除遮挡、噪声和不同曝光强度的影响，提高了识别方法的准确率和鲁棒性，避免了特征点的漏识别，同时提高了识别效率，不需要手动交互，可保证手术过程的流畅，提高手术效率。
附图说明
48.本领域的普通技术人员将会理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
49.图1是本发明实施例的利用医学影像进行配准的手术机器人系统的示意图；
50.图2是本发明实施例的机械臂的末端区域的示意图；
51.图3是本发明实施例的标尺工具的示意图；
52.图4是本发明实施例的标尺工具的俯视图；
53.图5是本发明实施例的医学影像的示意图；
54.图6是本发明实施例的初始分割结果的示意图；
55.图7是本发明实施例的金属球l1～l9对应的某一个预测局部图像组的示意图；
56.图8是本发明实施例的金属球s1～s9对应的某一个预测局部图像组的示意图；
57.图9是本发明实施例的金属球l8对应的一个局部预测图像及其对应的分割结果的示意图；
58.图10是本发明实施例的金属球s9对应的一个局部预测图像及其对应的分割结果的示意图；
59.图11是本发明实施例的最终的特征点识别序列的示意图；
60.图12是本发明另一实施例的标尺工具的示意图；
61.图13是本发明另一实施例的标尺工具的俯视图；
62.图14是本发明实施例的医学影像特征点识别方法的流程图。
具体实施方式
63.为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
64.如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分，其不仅包括端点。此外，如在本发明中所使用的，“安装”、“相连”、“连接”，一元件“设置”于另一元件，应做广义理解，通常仅表示两元件之间存在连接、耦合、配合或传动关系，且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动，而不能理解为指示或暗示两元件之间的空间位置关系，即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位，除非内容另外明确指出外。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，诸如上方、下方、上、下、向上、向下、左、右等的方向术语相对于示例性实施方案如它们在图中所示进行使用，向上或上方向朝向对应附图的顶部，向下或下方向朝向对应附图的底部。
65.本发明的目的在于提供一种医学影像特征点识别方法、识别系统及可读存储介质，以解决现有的特征点识别方法所存在的问题。
66.以下参考附图进行描述。
67.请参考图1，其示出了一种利用医学影像进行配准的手术机器人系统，其包括：机械臂1、标尺工具2、医学影像装置3以及导航装置4；医学影像装置3包括发射端31和接收端
32，在一个可替代的示范例中，医学影像装置3例如为x光机，发射端31为x射线发射管，其用于向接收端32一侧发射x射线，接收端32为成像平板；x射线在穿过标尺工具2以及手术对象5之后到达接收端32，在接收端32处成像得到医学影像。当然，医学影像装置3并不局限于为x光机，本领域技术人员还可以根据现有技术，将其配置为如ct机等装置，本发明对此不限。导航装置4包括定位装置41(如光学定位仪)和若干可跟踪元件42(如光学靶标等)，定位装置41与可跟踪元件42相配对，从而定位装置41能够跟踪和获取可跟踪元件42的位姿信息。当然，定位装置41和可跟踪元件42并不局限于为光学定位仪和光学靶标，本领域技术人员还可以根据现有技术，将其配置为磁定位装置等，本发明对此不限。在一个示范例中，可跟踪元件42可分别安装在机械臂1和手术对象5身上。如此配置，定位装置41能够通过跟踪和获取可跟踪元件42的位姿，得到机械臂1的位姿信息和手术对象5的位姿信息。
68.进一步的，请参考图2，其示出了机械臂1的末端区域的一个示范例，标尺工具2安装在机械臂1上，同时可跟踪元件42安装在机械臂1上，这样标尺工具2和可跟踪元件42的相对位置关系就是已知而固定的。更进一步的，标尺工具2包括至少两个平面20和至少两种不同规格的标定显影件21，同一规格的标定显影件21设置在同一平面20上，且每种规格的标定显影件21的数量不少于3个。优选的，标定显影件21呈球形。不同规格的标定显影件21的直径不同。进一步的，每一种规格的标定显影件21在其对应的平面20上具有某一种固定的排列方式；优选的，两个平面20上的标定显影件21的排列方式不同，更优选的，两个平面20相互平行。请参考图3，其示出了标尺工具2的一个示范例，其包括两个平面20和两种不同规格的标定显影件21。这样在接收端32处得到的医学影像中，可以分辨出不同规格的标定显影件21的影像，而基于至少3点确定一个平面的原理，根据两种规格的标定显影件21的影像可以确定两个平面20在医学影像中的关系，从而计算得到医学影像的投影矩阵，进而即可实现三维空间坐标的计算，将医学影像坐标系和导航坐标系配准，并在此基础上进行手术路径规划和手术操作。特别的，手术对象5如可为患者，但手术对象5并不限于为患者，也可以是模型假体等，其可供操作者进行训练、标定或验证手术等，本发明对该手术机器人系统的应用场景不作限制。
69.一个示范性的医学影像的采集过程包括：
70.步骤sa1：手术对象5布置于合适的位置；
71.步骤sa2：机械臂1、医学影像装置3和定位装置41进行合理的摆位；
72.步骤sa3：在手术对象5和机械臂1上分别固定安装可跟踪元件42；并在机械臂1上固定安装标尺工具2；
73.步骤sa4：医学影像装置3的c型臂根据手术类型和部位调整到合适位置；
74.步骤sa5：调整机械臂1，将标尺工具2摆放到贴近手术对象5处，标尺工具2上的平面20尽量平行于接收端32的成像平板；
75.步骤sa6：拍摄得到医学影像。
76.在得到医学影像后，需要对其中标定显影件21的影像进行分割和提取。理想状态下，对医学影像进行分割和提取，可以识别得到所有标定显影件21的影像，那么就可以准确地计算得到医学影像的投影矩阵。然而在实际中，因为遮挡、曝光噪声等干扰项的影响，对医学影像进行分割和提取常不能识别所有的标定显影件21的影像，或者包含一定数量的干扰点，在识别得到的标定显影件21的影像数量少于预期的情况下，就会造成误差，甚至产生
无法计算的情况。
77.为解决该问题，本发明实施例提供一种医学影像特征点识别方法，其适用于二维医学透视图像中特征点识别。以下为便于叙述，将标定显影件21的影像抽象为特征点，可以理解的，特征点可以根据标定显影件21的影像的特征来定义，例如在一些实施例中，标定显影件21的影像为圆形或椭圆形，则特征点可以指这样一个圆形或椭圆形的影像区域。进一步的，为了便于叙述，将相同规格的若干个标定显影件21在医学影像中对应的若干个特征点定义为一个特征点组。如图14所示，所述医学影像特征点识别方法包括：
78.步骤s1：提供带有特征点组的医学影像，所述特征点组包括多个特征点，每个所述特征点对应于一个标定显影件21，多个所述标定显影件21存在已知的相对位置关系；
79.步骤s2：对所述医学影像中的多个所述特征点进行初始分割识别，得到初始特征点集合；
80.步骤s3：将初始特征点集合中的特征点分组，得到预测点组集合；可以理解的，每个预测点组包含至少两个特征点。
81.步骤s4：对于所述预测点组集合中的一个所述预测点组，基于多个所述标定显影件21的相对位置关系，得到该预测点组对应的预测局部图像组；遍历所述预测点组集合中所有所述预测点组，得到预测局部图像组集合；
82.步骤s5：对于所述预测局部图像组集合中的一个所述预测局部图像组，基于局部分割识别算法，识别其中的特征点，得到一个预测特征点序列；遍历所述预测局部图像组集合中所有所述预测局部图像组，得到预测特征点序列集合；
83.步骤s6：对所述预测特征点序列集合中所有所述预测特征点序列进行筛选，得到最终的特征点识别序列。
84.下面结合附图，通过一个示范例说明。
85.请参考图3和图4，标尺工具2包括标尺基座22和杆体23，标尺基座22为透x射线的材料制成，杆体23与标尺基座22相连接，标尺基座22具有两个平面20，分别为第一平面201和第二平面202，优选的，两个平面20非共面，且分布在杆体23的两侧。第一平面201和第二平面202上分别设有9个用于安装标定显影件21的安装孔，两个平面20上的安装孔的孔径不同，两个平面20上的安装孔的排列方式亦不同。标定显影件21为两种不同直径的金属球，每种金属球各9个，分别安装在两个平面20上的安装孔中。进一步的，对第一平面201和第二平面202上的各金属球按一定的顺序进行编号，这样每个金属球都有其各自唯一的编号。为便于叙述，将第一平面201上的9个金属球编号定义为l1～l9，将第二平面201上的9个金属球编号定义为s1～s9。这样，每个金属球与其它金属球之间就存在固定且已知的相对位置关系。在扫描得到医学影像后，各金属球在医学影像中的特征点的相对图像坐标也是固定的，如图5所示。可以理解的，步骤s1基于如上所述的标尺工具2，所得的医学影像中即包含两个特征点组，其中每个特征点组包括9个特征点。
86.可选的，步骤s2对所述医学影像中的多个所述特征点进行初始分割识别，得到初始特征点集合的步骤包括：
87.步骤s21：根据所述标定显影件21的直径、数量和图像分辨率得到初始分割阈值；步骤s21例如可采用传统的图像处理算法，如自适应阈值分割方法或基于机器学习或深度学习的目标检测算法等，本领域技术人员可根据现有技术进行选择。
88.步骤s22：根据初始分割阈值检测分割所述医学影像，得到特征点的图像坐标；需要说明的，由于标定显影件21为球形，这里的特征点理想中应呈现为圆形(或近似圆形的椭圆形等)，特征点的图像坐标包括特征点的中心坐标和特征点的半径。初始分割的结果如图6所示。需要说明的，初始分割可以只识别出部分的特征点，不要求识别得到所有的特征点。图6示出的示范例中，初始分割识别了平面201上的金属球l1、l2、l3、l4、l5、l6、l7、l9所对应的特征点8个；平面202上的金属球s1、s2、s3、s4、s5所对应的特征点5个。未能识别别出金属球l8、s6～s9所对应的特征点。
89.步骤s23：根据识别得到的所述特征点的半径，将所述特征点归类在一个所述初始特征点集合中。可以理解的，由于标定显影件21为球形，根据步骤s21的初始分割，还可以得到特征点的半径。倘若只有一种标定显影件21，则特征点的半径也应为同一种，那么归类后可得一个初始特征点集合。而基于上述实施例中包括两种不同规格的标定显影件21的标尺工具2，则识别得到的特征点的半径也会有两种，那么根据不同的半径，将特征点分别归类在两个初始特征点集合中。
90.可选的，在步骤s21之前，还可统计二维图像直方图，以便于获得初始分割阈值。可选的，在步骤s23之前，还可采用聚类算法滤除噪声点。进一步的，在步骤s23之后，还可统计识别得到的所述特征点的数量，若所述特征点的数量与目标数量的比值小于预设值(例如为标定显影件21总数量的60％)，则调整所述初始分割阈值，并根据调整后的所述初始分割阈值重新检测分割所述医学影像。若特征点的数量与目标数量的比值不小于预设值，则完成初始分割。
91.步骤s3和步骤s4中，对于一个初始特征点集合而言，其包含的若干特征点之间存在已知的确定的相对位置关系，从而可以通过任意两个以上特征点及其之间的相对位置关系，预测得到其他全部的特征点的位置。于是，对于初始特征点集合，可将其中包含的特征点进行分组，其中每一组特征点称为一个预测点组，基于每一个预测点组，都可以预测得到该初始特征点集合中其它所有特征点的位置。可以理解的，最少两个特征点就可以用于预测，因此优选的，每个所述预测点组包括两个所述特征点。当然在其它的一些实施例中，也可以用更多数量的特征点进行预测，本发明对此并不做限制。
92.以两个特征点进行预测为例进行说明，将这两个特征点之间的相对位置关系假设为对应于某两个标定显影件21间的相对位置关系(为便于叙述，称为假设对应关系)。如此，对于每一种规格的标定显影件21所对应的所有特征点的相对位置(为便于叙述，称为特征点的预测位置)，都可以基于前述预测点组中的两个特征点预测得到。即根据特征点与标定显影件21的一种假设对应关系(亦即根据一个预测点组)，可得特征点的一种预测位置；进一步的，将假设对应关系进行穷举，对应于所有假设对应关系进行遍历，即可得到所有可能的预测位置。
93.可以理解的，所有可能的预测位置中，包含大量不需要的虚假结果。因此需要对虚假结果进行排除。为此，可以基于任意一种预测位置，分割得到预测局部图像组，来对虚假结果进行排除。
94.可选的，步骤s4中，对于所述预测点组集合中的一个所述预测点组，基于多个所述标定显影件21的相对位置关系，得到该预测点组对应的预测局部图像组的步骤包括：
95.步骤s41：对于所述预测点组集合中的一个所述预测点组，基于所述标定显影件21
的相对位置关系得到一个预测坐标序列组；该步骤基于预测点组中两个特征点对应的标定显影件21的编号，可以预测得到其它剩余7个特征点对应的标定显影件21的编号，也即得到了一个预测坐标序列组。
96.步骤s42：根据所述预测点组中所述特征点之间的距离和所述预测坐标序列组，得到所述预测局部图像组。基于上述的说明可以知道，根据预测坐标序列组，可以依据预测点组中的两个特征点，预测出其它所有特征点的位置。进而得到每个特征点对应的预测局部图像，并将这些预测局部图像归类到一个预测局部图像组。
97.请参考图7，其示出了根据前述步骤得到的金属球l1～l9对应的某一个预测局部图像组，其中包含9个预测局部图像l1’～l9’。在一个示范例中，前述步骤的初始分割中，未能成功识别出金属球l8对应的特征点，因此金属球l8对应的预测局部图像l8’是根据金属球l8对应的特征点的预测的位置进行分割得到的。请参考图8，其示出了根据前述步骤得到的金属球s1～s9对应的某一个预测局部图像组，其中包含9个预测局部图像s1’～s9’。在一个示范例中，前述步骤的初始分割中，未能成功识别出金属球s6～s9对应的特征点，因此金属球s6～s9对应的预测局部图像s6’～s9’是根据金属球s6～s9对应的特征点的预测的位置进行分割得到的。
98.进一步的，步骤s42中，得到一个预测局部图像的步骤包括：
99.步骤s421：获取所述预测点组中所述特征点在所述预测坐标序列组中的编号，基于所述特征点的编号和其对应的所述标定显影件21的相对位置关系，计算得到所述医学影像中所述特征点之间的距离和实际中所述标定显影件21之间的距离的投影比例；该步骤中，将一个预测点组中的两个特征点之间的距离作为图像距离，假设预测点组中的两个特征点与实际中某两个标定显影件21是一一对应的关系(即假设对应关系)，则将这两个标定显影件21的距离作为模板距离，通过图像距离和模板距离即可计算得到投影比例。
100.步骤s422：根据所述投影比例，得到某一所述特征点对应的预测局部图像的长和宽；
101.步骤s423：根据所述特征点对应的所述标定显影件21的相对位置关系和所述投影比例，得到所述预测局部图像的中心点；
102.步骤s424：由所述预测局部图像的中心点、长和宽，得到所述预测局部图像。
103.进一步的，对所有假设对应关系进行遍历，即对于同一个预测点组，将其与任意两个标定显影件21进行配对，遍历这样的对应关系，可以得到多个投影比例，根据多个这样的投影比例，即可以得到该预测点组所对应的一个预测局部图像组。可以理解的，更进一步的对所有预测点组进行遍历，可以得到多个预测局部图像组，进而将这些预测局部图像组归类，可以得到预测局部图像组集合。可以理解的，预测局部图像组集合中包含了大量无用的虚假结果。下面根据步骤s5的局部分割识别算法，即可对预测局部图像进行局部分割识别，排除这些无用的虚假结果。
104.可选的，步骤s5中，所述局部分割识别算法包括：
105.步骤s51：根据所述医学影像中已检测到的特征点的半径(如可在步骤s22中识别得到)统计得到局部分割阈值；
106.步骤s52：根据局部分割阈值对预测局部图像进行分割，得到分割结果；可以理解的，步骤s51和步骤s52可以是基于霍夫变换的圆检测方法，也可以是其他圆的识别方法，本
领域技术人员可根据现有技术进行选择。
107.步骤s53：遍历所述分割结果中所有联通区域，统计得到宽高比、圆度、半径和圆心；
108.步骤s54：若宽高比、圆度和半径符合当前检测的特征点的预设要求，则将所述联通区域确定为一个特征点，并将所述特征点的圆心添加到预测特征点序列中。
109.请参考图9和图10，其中图9展示了金属球l8对应的一个局部预测图像l8’(图9左侧区域)，以及其对应得到的分割结果l8”(图9右侧区域)；图10展示了金属球s9对应的一个局部预测图像s9’(图10左侧区域)，以及其对应得到的分割结果s9”(图10右侧区域)。
110.可选的，在步骤s54中，若宽高比、圆度和半径不符合当前检测的特征点的预设要求，则判断该次分割失败，即不会得到特征点，也不会得到其对应的圆心。这样，得到的这一组预测局部图像组所对应的预测特征点序列中可能仅包含预测点组中初始的两个特征点的圆心。可选的，在步骤s51之前，还可统计局部二维图像的直方图，以便于获得局部分割阈值。
111.实际上，步骤s51～步骤s54，是通过验证前一步骤中预测局部图像中是否存在特征点，来将无效的预测局部图像进行排除的过程。举例来说，在所有可能的预测位置中，存在一些无效的结果，即预测点组中的两个特征点与标定显影件21间的假设对应关系并非为真，那么此时根据投影关系得到的预测局部图像组中，多个预测局部图像中实际上可能并不存在特征点。那么此时执行步骤s51～步骤s54，将得不到有效的结果。
112.进一步的，步骤s6包括：
113.步骤s61：遍历所述预测特征点序列集合中所有所述预测特征点序列；
114.步骤s62：若某一所述预测特征点序列中的特征点的数量与预期特征点的数量不匹配，则删除所述预测特征点序列；某一预测特征点序列中的特征点的数量若少于预期，说明这个预测特征点序列所对应的预测局部图像组中存在无效的预测局部图像，即其中未能分割得到有效的特征点，进一步说明这是一组无效的虚假结果，应予以排除。
115.步骤s63：计算所述预测特征点序列与预测局部图像的中心点的平均误差；可以理解的，预测特征点序列中的数据是前述步骤s53、步骤s54中所得的联通区域的中心点的集合，该中心点与预测局部图像的中心点越相近，说明之前预测的特征点的位置越准确，其置信度越高。
116.步骤s64：将所述平均误差最小的所述预测特征点序列确定为最终的特征点识别序列。
117.由于预测点组是通过遍历的方式得来的，其中包含了若干组正确的假设对应关系，因此也会得到若干组有效的预测局部图像组，步骤s63和步骤s64的目的在于将误差最小的一个预测局部图像组所对应的预测特征点序列确定为最终的特征点识别序列。这样，就得到了最终需要识别的特征点的序列。最终的特征点识别序列如图11所示。
118.需要说明的，上述包含两组各9个金属球的标尺工具2仅用于说明本实施例提供的医学影像特征点识别方法，并不限制标尺工具2的具体形态和结构组成。如图12和图13所示，在另外的一些实施例中，标尺工具2也可以包含两组各5个金属球。可以理解的，较少的标定显影件21，可使得医学影像中包含更少的阴影，可以减少遮挡患者部位的阴影的数量，减少标定显影件21的阴影对诊断和手术规划的影响；当然较少的标定显影件21数量会降低
定位的精度。具体标定显影件21的数量可根据实际应用场景的精度来进行设定。特别的，标尺工具2包含的平面20的数量也不限于为两个，每个平面20上标定显影件21的也并非限制必须相同，本领域技术人员可根据实际进行配置。
119.基于如上所述的医学影像特征点识别方法，本发明实施例还提供一种可读存储介质，其上存储有程序，程序被执行时实现如上的医学影像特征点识别方法的步骤。更进一步的，本发明实施例还提供一种医学影像特征点识别系统，其包括医学影像装置3、标尺工具2和如上所述的可读存储介质。可以理解的，可读存储介质可独立设置，也可以集成设置于医学影像特征点识别系统中，如可集成在医学影像装置3中，本发明对此不限。
120.综上所述，在本发明提供的医学影像特征点识别方法、识别系统及可读存储介质中，所述医学影像特征点识别方法包括：提供带有特征点组的医学影像，所述特征点组包括多个特征点，每个所述特征点对应于一个标定显影件，多个所述标定显影件存在已知的相对位置关系；对所述医学影像中的多个所述特征点进行初始分割识别，得到初始特征点集合；将初始特征点集合中的特征点分组，得到预测点组集合；对于所述预测点组集合中的一个所述预测点组，基于多个所述标定显影件的相对位置关系，得到该预测点组对应的预测局部图像组；遍历所述预测点组集合中所有所述预测点组，得到预测局部图像组集合；对于所述预测局部图像组集合中的一个所述预测局部图像组，基于局部分割识别算法，识别其中的特征点，得到一个预测特征点序列；遍历所述预测局部图像组集合中所有所述预测局部图像组，得到预测特征点序列集合；对所述预测特征点序列集合中所有所述预测特征点序列进行筛选，得到最终的特征点识别序列。如此配置，利用特征点之间已知的相对位置关系，对特征点在医学影像中可能的区域进行预测，能够准确地得到包含特征点的预测局部图像，并进一步地对预测局部图像范围内的特征点进行局部分割识别，可以有效排除遮挡、噪声和不同曝光强度的影响，提高了识别方法的准确率和鲁棒性，避免了特征点的漏识别，同时提高了识别效率，不需要手动交互，可保证手术过程的流畅，提高手术效率。
121.需要说明的，上述若干实施例之间可相互组合。上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。