【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及用于青少年脊柱侧弯检测的图像处理方法及系统。
技术介绍
1、脊柱侧弯，作为一种常见的脊柱结构异常，多发于青少年阶段，若不及时发现并治疗，可能严重影响个体的生长发育及日后生活质量。随着医学影像技术的飞速发展，通过图像处理技术来辅助诊断脊柱侧弯已经成为研究的热点，近年来，随着计算机视觉和人工智能技术的不断进步，图像处理在医学领域的应用日益广泛。通过图像分割、特征提取、模式识别等技术，计算机能够自动或半自动地分析和解释医学影像，从而辅助医生做出更准确的诊断。在脊柱侧弯检测方面，利用图像处理技术可以实现对脊柱曲线的自动提取、侧弯角度的自动测量等功能，大大提高了检测的客观性和效率。
2、现有技术中，通过深度学习模型对脊椎的中心点进行预测，随后根据脊椎中心点确定每个弯曲段的端锥，最后医生根据确定的端锥对每个弯曲段的cobb角进行测量，脊柱侧弯根据侧弯程度划分为轻度脊柱侧弯、中度脊柱侧弯和重度脊柱侧弯，脊柱是一个复杂的结构，由多个椎骨和椎间盘组成。在侧弯的情况下，脊柱的形状和结构会发生变化，脊柱侧弯包括正面的左右侧弯、侧面的前后侧弯以及上述两种情况下的旋转侧弯，这些情况都会使得脊柱形成比较复杂的侧弯结构，脊柱形状变化比较大，比如c形脊柱或s形脊柱，使得发生形变的脊柱远离脊柱的中心轴线并发生一定角度的旋转，导致模型无法准确的确定脊柱的中心点以及端锥，进而使得确定的中心点产生误差，从而增加了cobb角测量的难度，降低了cobb角测量的准确性和精度。
技术实现思路>
1、为了解决上述技术问题，本专利技术提供了用于青少年脊柱侧弯检测的图像处理方法及系统，以实现脊柱侧弯的cobb角的精准计算。
2、本专利技术提供了用于青少年脊柱侧弯检测的图像处理方法，包括：
3、步骤s1，获取就诊患者的脊柱侧弯图像；
4、步骤s2，对脊柱侧弯图像进行预处理；
5、步骤s3，获取分类模型的训练集合对分类模型进行训练，获得训练好的分类模型；
6、步骤s4，将待分类的脊柱侧弯图像输入至训练好的分类模型，对脊柱侧弯图像进行分类；
7、所述脊柱侧弯图像包括脊柱单弯图像、脊柱双弯图像和脊柱三弯图像；
8、步骤s5，建立深度学习模型；所述深度学习模型包括第一深度学习模型、第二深度学习模型和第三深度学习模型；所述第一深度学习模型用于对脊柱单弯图像的脊柱中心点进行预测，所述第二深度学习模型用于对脊柱双弯图像的脊柱中心点进行预测，所述第三深度学习模型用于对脊柱三弯图像的脊柱中心点进行预测；
9、步骤s6，获取所述深度学习模型的训练集，对所述深度学习模型进行训练，获得训练好的深度学习模型；
10、步骤s7，将待预测的脊柱侧弯图像输入训练好的深度学习模型中，对脊柱中心点进行预测；
11、步骤s8，根据预测得到的脊柱中心点确定脊柱弯曲段的端锥；
12、步骤s9，根据端锥计算脊柱侧弯每个弯曲段的cobb角。
13、进一步地，所述步骤s2中对脊柱侧弯图像进行预处理，包括：图像格式转换、图像归一化处理、图像数据增强。
14、进一步地，所述分类模型的训练集合包括预处理后的所述脊柱侧弯图像与其经过人工标定的脊柱弯曲段的顶点位置以及顶点数量。
15、进一步地，所述脊柱单弯图像的顶点位置为弯曲段的最高点，所述脊柱单弯图像的顶点数量为1个。
16、进一步地，所述脊柱双弯图像的顶点位置为弯曲段之间的最低点，所述脊柱双弯图像的顶点数量为2个；
17、所述脊柱三弯图像的顶点位置为弯曲段之间的最低点，所述脊柱三弯图像的顶点数量为3个。
18、进一步地，所述训练集包括第一训练集、第二训练集和第三训练集，所述第一训练集用于对所述第一深度学习模型进行训练，所述第二训练集用于对所述第二深度学习模型进行训练，所述第三训练集用于对所述第三深度学习模型进行训练。
19、进一步地，所述第一训练集包括所述脊柱单弯图像以及所述脊柱单弯图像上人工标定的脊柱中心点。
20、进一步地，所述第二训练集包括所述脊柱双弯图像以及所述脊柱双弯图像上人工标定的脊柱中心点。
21、进一步地，所述第三训练集包括所述脊柱三弯图像以及所述脊柱三弯图像上人工标定的脊柱中心点。
22、本专利技术还提供用于青少年脊柱侧弯检测的图像处理系统，用于执行上述任一所述的用于青少年脊柱侧弯检测的图像处理方法，包括以下模块：
23、脊柱侧弯图像获取模块，用于获取就诊患者的脊柱侧弯图像；
24、脊柱侧弯图像预处理模块，与脊柱侧弯图像获取模块连接，用于对脊柱侧弯图像进行预处理；
25、分类模型训练模块：与脊柱侧弯图像预处理模块连接，用于分类模型训练，获得训练好的分类模型；
26、分类结果输出模块：与分类模型训练模块连接，用于将分类结果输出；
27、深度学习模型，与脊柱侧弯图像获取模块连接，用于对脊柱侧弯图像的脊柱中心点进行预测；
28、训练模块，与深度学习模型连接，用于对深度学习模型进行训练；
29、结果输出模块，与深度学习模型连接，用于将待预测脊柱侧弯图像的脊柱中心点输出；
30、端锥确定模块，与深度学习模型连接，用于根据脊柱中心点确定脊柱弯曲段的端锥；
31、计算模块，与端锥确定模块连接，用于对每个弯曲段的cobb角进行计算。
32、本专利技术实施例具有以下技术效果：
33、本专利技术首先通过分类模型对脊柱侧弯图像进行分类，划分为脊柱单弯图像、脊柱双弯图像和脊柱三弯图像，根据这三类图像建立三个深度学习模型，分别对这三类型图像的脊柱中心点进行预测，通过弯曲段顶点数量以及顶点位置将图像划分为三类，根据不同的图像结构选择不同的模型对脊柱中心点进行预测，使得输出的脊柱中心点更加准确，克服了脊柱的弯曲段的不同结构对中心点的预测难度，从而提高了cobb角的计算精度。
本文档来自技高网...【技术保护点】
1.用于青少年脊柱侧弯检测的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述步骤S2中对脊柱侧弯图像进行预处理，包括：图像格式转换、图像归一化处理、图像数据增强。
3.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述分类模型的训练集合包括预处理后的所述脊柱侧弯图像与其经过人工标定的脊柱弯曲段的顶点位置以及顶点数量。
4.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述脊柱单弯图像的顶点位置为弯曲段的最高点，所述脊柱单弯图像的顶点数量为1个。
5.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述脊柱双弯图像的顶点位置为弯曲段之间的最低点，所述脊柱双弯图像的顶点数量为2个；
6.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述训练集包括第一训练集、第二训练集和第三训练集，所述第一训练集用于对所述第一深度学习模型进行训练，所述第二训练集用于对所述第二深度学习模型
7.根据权利要求6所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述第一训练集包括所述脊柱单弯图像以及所述脊柱单弯图像上人工标定的脊柱中心点。
8.根据权利要求6所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述第二训练集包括所述脊柱双弯图像以及所述脊柱双弯图像上人工标定的脊柱中心点。
9.根据权利要求6所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述第三训练集包括所述脊柱三弯图像以及所述脊柱三弯图像上人工标定的脊柱中心点。
10.用于青少年脊柱侧弯检测的图像处理系统，用于执行上述权利要求1-9任一项所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，包括以下模块：
...【技术特征摘要】
1.用于青少年脊柱侧弯检测的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述步骤s2中对脊柱侧弯图像进行预处理，包括：图像格式转换、图像归一化处理、图像数据增强。
3.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述分类模型的训练集合包括预处理后的所述脊柱侧弯图像与其经过人工标定的脊柱弯曲段的顶点位置以及顶点数量。
4.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述脊柱单弯图像的顶点位置为弯曲段的最高点，所述脊柱单弯图像的顶点数量为1个。
5.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所述脊柱双弯图像的顶点位置为弯曲段之间的最低点，所述脊柱双弯图像的顶点数量为2个；
6.根据权利要求1所述的用于青少年脊柱侧弯检测的图像处理方法，其特征在于，所...
【专利技术属性】
技术研发人员：李云涛，王昭力，宋海阔，李垚，努娜，
申请(专利权)人：天津市天津医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。