骨折检测方法、装置、电子设备以及存储介质与流程

1.本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于骨折检测等场景。


背景技术：

2.现有的通过骨骼图像检测骨折状况的方法，通常只能判断出过骨骼图像所展示的骨骼结构是否发生骨折，或者只能在骨骼结构定位到骨折部位的大致区域，无法进一步输出骨折部位的更加详细的信息，因而无法有效地提升诊断效率。


技术实现要素：

3.本公开提供了一种骨折检测方法、装置、电子设备以及存储介质。
4.根据本公开的第一方面，提供了一种骨折检测方法，包括：
5.获取待检测的骨骼图像；
6.通过将骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果；
7.当初步检测结果指示存在骨折部位时，通过将骨骼图像输入到轮廓识别模型，在骨骼图像中标注出骨折部位的轮廓；
8.基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息，并生成包含骨折部位的名称信息的检测报告。
9.根据本公开的第二方面，提供了一种骨折检测装置，包括：
10.图像获取模块，用于获取待检测的骨骼图像；
11.初步检测模块，用于通过将骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果；
12.轮廓标注模块，用于当初步检测结果指示存在骨折部位时，通过将骨骼图像输入到轮廓识别模型，在骨骼图像中标注出骨折部位的轮廓；
13.结果输出模块，用于基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息，并生成包含骨折部位的名称信息的检测报告。
14.根据本公开的第三方面，提供了一种电子设备，包括：
15.至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的骨折检测方法。
17.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的骨折检测方法。
18.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的骨折检测方法。
19.根据本公开的第六方面，提供了一种骨折检测设备，包括本公开实施例提供的电子设备。
20.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
21.本公开提供的技术方案带来的有益效果是：
22.在本公开的技术方案中，在确定骨骼图像中存在骨折部位之后，还可以进一步准确地识别出发生骨折部位的具体位置及其名称信息，生成包含所述骨折部位的名称信息的检测报告，基于检测报告可以直观地获取到骨折部位的具体信息，可以大幅度提高医生的诊断效率和准确率。
附图说明
23.附图用于更好地理解本方案，不构成对本公开的限定。其中：
24.图1示出了本公开实施例提供的一种能够应用骨折检测方法的模型架构图；
25.图2示出了本公开实施例提供的一种骨折检测方法的流程示意图；
26.图3示出了本公开实施例提供的一种faster
‑
rcnn模型的示例性结构示意图；
27.图4示出了本公开实施例提供的一种mask
‑
rcnn模型的示例性结构示意图；
28.图5示出了本公开实施例提供的另一种骨折检测方法的流程示意图；
29.图6示出了本公开实施例提供的一种手部骨骼图像；
30.图7示出了本公开实施例提供的一种清除类型标识之后的手部骨骼图像示意图；
31.图8示出了本公开实施例提供的一种标注出骨折部位的轮廓的手部骨骼图像示意图；
32.图9示出了本公开实施例提供的一种骨折检测装置的示意图之一；
33.图10示出了本公开实施例提供的一种骨折检测装置的示意图之二；
34.图11示出了可以用来实施本公开实施例提供的骨折检测方法的示例电子设备的示意性框图。
具体实施方式
35.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
36.现有的通过骨骼图像检测骨折状况的方法，通常只能判断出过骨骼图像所展示的骨骼结构是否发生骨折，或者只能在骨骼结构定位到骨折部位的大致区域，无法进一步输出骨折部位的更加详细的信息，因而无法有效地提升诊断效率。
37.本公开实施例提供的骨折检测方法、装置、电子设备以及存储介质，旨在解决现有技术的如上技术问题中的至少一个。
38.图1示出了本公开实施例提供的一种能够应用骨折检测方法的模型架构图，如图1所示，该架构包括骨折检测模型和轮廓识别模型。在获取待到检测的骨骼图像，可以通过将骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果；当
初步检测结果指示存在骨折部位时，通过将骨骼图像输入到轮廓识别模型，在骨骼图像中标注出骨折部位的轮廓；基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息，并生成包含骨折部位的名称信息的检测报告。
39.可选地，如图1所示，上述架构还可以包括分类模型。本公开实施例可以通过将标注有所述骨折部位的轮廓的所述骨骼图像输入到分类模型中，输出骨折部位的名称信息。
40.可以理解，上述各模型是在对应的初始模型的基础上，利用骨折图像相关的训练集对初始模型进行训练后得到的。每个模型对应的初始模型的类型可根据实际的设计需要而定，例如，骨折检测模型的基础模型可以为faster
‑
rcnn模型、轮廓识别模型的基础模型可以为mask
‑
rcnn模型、分类模型的基础模型可以为支持向量机。
41.图2示出了本公开实施例提供的一种骨折检测方法的流程示意图，如图2所示，该方法主要可以包括以下步骤：
42.s210：获取待检测的骨骼图像。
43.骨骼图像是通过扫描设备对身体部分扫描后，得到的包含该身体部分的骨骼结构影像的图像。例如，扫描设备可以是x射线(x
‑
ray)扫描设备，通过x射线扫描设备对身体部分扫描后，可以得到包含该身体部分的骨骼结构影像的x光图像，该x光图像即为骨骼图像。
44.在本公开实施例中，可以直接从扫描设备中获取待检测的骨骼图像；或者，可以将通过扫描设备扫描得到的骨骼图像存储在指定设备(如服务器)中，在需要执行检测步骤时，从指定设备中获取待检测的骨骼图像。当然，也可以通过其他的途径获取待检测的骨骼图像，此处不再一一列举。
45.s220：通过将骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果。
46.在本公开实施例中，骨折检测模型可以是二分类模型。将骨骼图像输入到骨折检测模型，骨折检测模型可以输出存在骨折部位和不存在骨折部位这两种初步检测结果。
47.在本公开实施例中，当初步检测结果指示存在骨折部位时，可以继续执行步骤s230；当初步检测结果指示不存在骨折部位时，可以继续生成一份表示不存在骨折部位的检测报告，并结束骨折检测流程。
48.s230：当初步检测结果指示存在骨折部位时，通过将骨骼图像输入到轮廓识别模型，在骨骼图像中标注出骨折部位的轮廓。
49.在本公开实施例中，轮廓识别模型可以是任一种能够基于预设的特征骨折图像中识别出骨折部位的轮廓的模型，将骨骼图像输入到轮廓识别模型中，轮廓识别模型可以从骨骼图像所包含的骨骼结构确定出骨折部位，并标注出骨折部位的轮廓。
50.s240：基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息。
51.在本公开实施例中，可以预先建立骨骼结构中每个部位的轮廓与其对应的名称信息的映射关系，在骨骼图像中标注出骨折部位的轮廓，可以基于该轮廓的特征确定出骨折部位的名称信息。
52.可选地，本公开实施例可以将标注有骨折部位的轮廓的骨骼图像输入到分类模型中，利用分类模型确定出骨折部位的名称信息。其中，分类模型可以是支持向量机(support vector machine，svm)，也可以是其他类型的分类模型，本公开对此不做限定。
53.s250：生成包含骨折部位的名称信息的检测报告。
54.本公开实施例可以基于预设的报告模板生成检测报告，检测报告包含有骨折部位的名称信息。这里，检测报告可以是可视化的文字报告，也可以是其它形式的报告，如视频报告、图表报告等，本公开对此不做限定。
55.本公开实施例提供的骨折检测方法，在确定骨骼图像中存在骨折部位之后，还可以进一步准确地识别出发生骨折部位的具体位置及其名称信息，生成包含所述骨折部位的名称信息的检测报告，基于检测报告可以直观地获取到骨折部位的具体信息，可以大幅度提高医生的诊断效率和准确率。
56.在本公开实施例中，骨骼图像中包含有骨骼的类型标识。在步骤s220之前，可以基于类型标识确定出骨骼图像中的骨骼类型。在基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息时，可以基于骨骼类型确定出至少一个候选名称信息；基于骨骼图像中骨折部位的轮廓，从至少一个候选名称信息中确定出骨折部位的名称信息。
57.在本公开实施例中，在基于类型标识确定出骨骼图像中的骨骼类型之后，，可以清除骨骼图像中的类型标识，通过将已清除类型标识的骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果。
58.在本公开实施例中，骨骼类型也可以作为检测报告中的一项信息，因此在已经基于类型标识确定出骨骼图像中的骨骼类型的情况下，可以生成包含骨骼类型和骨折部位的名称信息的检测报告，丰富检测报告中的信息，有助于提升诊断效率和准确率。
59.在本公开实施例中，上述的二分类模型的具体模型类别可以根据实际的设计需要而定，例如，骨折检测模型可以是faster
‑
rcnn模型。图3示出了本公开实施例提供的一种faster
‑
rcnn模型的示例性结构示意图，如图3所示，faster
‑
rcnn模型包括卷积层(conv layers)、区域提取网络(region proposal networks，rpn)、感兴趣区域池化层(roi pooling)和分类器(classifier)。卷积层可以由一组基础的conv relu pooling构成，用于提取骨骼图像的特征图(feature maps)，该特征图可以被共享用于后续的区域提取网络和分类器。区域提取网络可以基于特征图确定出多个候选区域(region proposals)，通过softmax函数判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的目标区域(proposals)。感兴趣区域池化层可以收集输入的特征图和目标区域，基于特征图和目标区域确定出目标区域特征图(proposal feature maps)，并将目标区域特征图输入到分类器，分类器基于目标区域特征图计目标区域的类别，即判断目标区域是否存在骨折部位，从而确定骨骼图像是否存在骨折部位。
60.可选地，上述的轮廓识别模型可以是mask
‑
rcnn模型，图4示出了本公开实施例提供的一种mask
‑
rcnn模型的示例性结构示意图，如图4所示，mask
‑
rcnn模型包括感兴趣区域聚集层(roi align)和多个卷积层(conv)，将骨骼图像输入到mask
‑
rcnn模型的感兴趣区域聚集层中，再依次经过多个卷积层的处理，即可以从骨骼图像所包含的骨骼结构确定出骨折部位，并标注出骨折部位的轮廓。在此需要说明的是，该步骤所标注出得额骨折部位轮廓基本与骨折部位的外形一致，并且该轮廓可以达到像素级别的精度。
61.图5示出了本公开实施例提供的另一种骨折检测方法的流程示意图，如图5所示，该方法主要可以包括以下步骤：
62.s510：获取待检测的骨骼图像。
63.骨骼图像是通过扫描设备对身体部分扫描后，得到的包含该身体部分的骨骼结构
影像的图像。以被扫描的身体部分是手部为例，图6示出了本公开实施例提供的一种手部骨骼图像，通过扫描设备对手部扫描后，可以得到的图6所示的包含该身手部骨骼结构的手部骨骼图像。
64.在此需要说明的是，步骤s510中关于获取待检测的骨骼图像的具体描述，可以参照步骤s210中的描述，此处不再赘述。
65.s520：基于类型标识确定出骨骼图像中的骨骼类型。
66.在本公开实施例中，骨骼图像中的类型标识可以是扫描设备生成的。具体地，在通过扫描设备对身体部分扫描时，用户可在扫描设备输入被扫描的身体部分的信息，扫描设备基于被扫描的身体部分的信息生成对应的类型标识。
67.s530：清除骨骼图像中的类型标识。
68.本公开实施例可通过响应的算法来清除骨骼图像中的类型标识。可选地，本公开实施例可以利用高斯模糊的数学模型来清除骨骼图像中的类型标识，具体地，根据类型标识与其周边颜色的差值，得到掩盖该图标的像素颜色，通过调整类型标识的像素颜色使得类型标识的颜色与与其周边颜色一致，从而实现清除类型标识的效果。
69.在本公开实施例中，还可以对骨骼图像的尺寸进行调整，例如，可以将骨骼图像的尺寸调整为224x224。骨骼图像调整后的尺寸可以基于骨折检测模型训练过程中所使用的训练集中的样本图像的尺寸而定，其目的是为了将待检测的骨骼图像的尺寸调整为与骨折检测模型训练过程中的样本图像的尺寸统一，增强骨折检测模型的鲁棒性。
70.s540：通过将已清除类型标识的骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果。
71.在清除骨骼图像中的类型标识之后，相当于去除了骨骼图像中的部分噪声，避免类型标识对骨折检测模型的判断过程的不利影响，提高骨折检测模型所输出的初步检测结果的准确性。在此需要说明的是，步骤s540中关于获取待检测的骨骼图像的具体描述，可以参照步骤s220中的描述，此处不再赘述。
72.s550：当初步检测结果指示存在骨折部位时，通过将骨骼图像输入到轮廓识别模型，在骨骼图像中标注出骨折部位的轮廓。
73.在本公开实施例中，步骤s550中关于获取待检测的骨骼图像的具体描述，可以参照步骤s230中的描述，此处不再赘述。
74.s560：基于骨骼类型确定出至少一个候选名称信息。
75.可以理解，基于骨骼类型确定出至少一个候选名称信息，可以缩小后续步骤的针对骨折部位的名称信息的搜索范围，提高搜索效率。本公开实施例可以预先存储每个骨骼类型中各个部分的名称信息。以左手骨骼为例，左手骨骼中的各个部分包括大拇指第一关节、大拇指第二关节、食指第一关节、腕部第一关节等。
76.s570：基于骨骼图像中骨折部位的轮廓，从至少一个候选名称信息中确定出骨折部位的名称信息。
77.可选地，本公开实施例可以通过将标注有骨折部位的轮廓的骨骼图像输入到分类模型中，确定出骨折部位与至少一个候选名称信息中每个候选名称信息的匹配概率；将对应的匹配概率最高的候选名称信息，确定为骨折部位的名称信息。其中，分类模型可以是支持向量机(support vector machine，svm)，也可以是其他类型的分类模型，本公开对此不
做限定。
78.这里，匹配概率可以表征确定出骨折部位的名称信息的准确率，匹配概率越大，确定出骨折部位的名称信息的准确率越高。
79.s580：生成包含骨骼类型、骨折部位的名称信息、以及名称信息对应的匹配概率的检测报告。
80.在本公开实施例中，骨骼类型和名称信息对应的匹配概率也可以作为检测报告中的一项信息，因此，在已经基于类型标识确定出骨骼图像中的骨骼类型以及确定出名称信息对应的匹配概率的情况下，可以生成包含骨骼类型、骨折部位的名称信息、以及名称信息对应的匹配概率的检测报告，从而丰富检测报告中的信息，有助于提升诊断效率和准确率，而且在检测报告展示名称信息对应的匹配概率，可以直观地体现名称信息的可信度。
81.在本公开实施例中，骨折检测模型可以是三分类模型。将骨骼图像输入到骨折检测模型，骨折检测模型可以输出存在骨折部位和不存在骨折部位这两种初步检测结果，当初步检测结果指示存在骨折部位时，初步检测结果还包括骨折部位的骨折类型，其中，骨折类型可以包括植入和挫伤等类型。骨折类型也可以作为检测报告中的一项信息，在确定出骨折类型情况下，可以生成包含骨折部位的骨折类型和名称信息的检测报告，从而丰富检测报告中的信息，有助于提升诊断效率和准确率。
82.可选地，上述步骤s520所述的类型标识可以是文字、字母或图案等形式。如图6所示，图6中的字母“l”即为类型标识，该类型标识表示骨骼图像中的骨骼结构为左手骨骼。本公开实施例可以将带有类型标识确定出骨骼图像输入到骨折检测模型中，骨折检测模型可以对骨骼图像中的类型标识进行识别，从而确定出骨骼图像中的骨骼类型。
83.图7示出了本公开实施例提供的一种清除类型标识之后的手部骨骼图像示意图。在清除骨骼图像中的类型标识示，可以将图6中的字母“l”清除，可以看出，图7相比于图6，已清除了字母“l”。
84.图8示出了本公开实施例提供的一种标注出骨折部位的轮廓的手部骨骼图像示意图。在在骨骼图像中标注出骨折部位的轮廓时，可以将骨折部位的轮廓标注为指定的颜色，如图8所示，骨折部位为大拇指第一关节，轮廓识别模型可以将大拇指第一关节的轮廓被标注为深色。
85.基于与上述的骨折检测方法相同的原理，图9示出了本公开实施例提供的一种骨折检测装置的示意图之一。如图9所示，骨折检测装置900包括图像获取模块910、初步检测模块920、轮廓标注模块930和结果输出模块940。
86.图像获取模块910用于获取待检测的骨骼图像。
87.初步检测模块920用于通过将骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果。
88.轮廓标注模块930用于当初步检测结果指示存在骨折部位时，通过将骨骼图像输入到轮廓识别模型，在骨骼图像中标注出骨折部位的轮廓。
89.结果输出模块940用于基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息，并生成包含骨折部位的名称信息的检测报告。
90.本公开实施例提供的骨折检测装置，在确定骨骼图像中存在骨折部位之后，还可以进一步准确地识别出发生骨折部位的具体位置及其名称信息，生成包含所述骨折部位的
名称信息的检测报告，基于检测报告可以直观地获取到骨折部位的具体信息，可以大幅度提高医生的诊断效率和准确率。
91.在本公开实施例中，骨骼图像中包含有骨骼的类型标识。图10示出了本公开实施例提供的一种骨折检测装置的示意图之二，如图10所示，骨折检测装置900还包括类型识别模块950，类型识别模块950用于：在通过将骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果之前，基于类型标识确定出骨骼图像中的骨骼类型。
92.结果输出模块940在用于基于骨骼图像中骨折部位的轮廓确定出骨折部位的名称信息时，具体用于：基于骨骼类型确定出至少一个候选名称信息；基于骨骼图像中骨折部位的轮廓，从至少一个候选名称信息中确定出骨折部位的名称信息。
93.在本公开实施例中，初步检测模块920还用于：清除骨骼图像中的类型标识；通过将已清除类型标识的骨骼图像输入到骨折检测模型，输出指示骨骼图像是否存在骨折部位的初步检测结果。
94.在本公开实施例中，结果输出模块940在用于生成包含骨折部位的名称信息的检测报告时，具体用于：生成包含骨骼类型和骨折部位的名称信息的检测报告。
95.在本公开实施例中，结果输出模块940在用于基于骨骼图像中骨折部位的轮廓，从至少一个候选名称信息中确定出骨折部位的名称信息时，具体用于：通过将标注有骨折部位的轮廓的骨骼图像输入到分类模型中，确定出骨折部位与至少一个候选名称信息中每个候选名称信息的匹配概率；将对应的匹配概率最高的候选名称信息，确定为骨折部位的名称信息。
96.在本公开实施例中，结果输出模块940在用于生成包含骨折部位的名称信息的检测报告时，具体用于：生成包含骨骼类型、骨折部位的名称信息、以及名称信息对应的匹配概率的检测报告。
97.在本公开实施例中，当初步检测结果指示存在骨折部位时，初步检测结果还包括骨折部位的骨折类型；结果输出模块940在用于生成包含骨折部位的名称信息的检测报告时，具体用于：生成包含骨折部位的骨折类型和名称信息的检测报告。
98.可以理解的是，本公开实施例中的骨折检测装置的上述各模块具有实现上述的骨折检测方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述骨折检测装置的各模块的功能描述具体可以参见上述的骨折检测方法的对应描述，在此不再赘述。
99.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
100.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
101.图11示出了可以用来实施本公开实施例提供的骨折检测方法的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示
例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
102.如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(rom)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(ram)1103中的计算机程序，来执行各种适当的动作和处理。在ram 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
103.电子设备1100中的多个部件连接至i/o接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
104.计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如骨折检测方法。例如，在一些实施例中，骨折检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由rom1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到ram1103并由计算单元1101执行时，可以执行上文描述的骨折检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行骨折检测方法。
105.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
106.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
107.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom
或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
108.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
109.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
110.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
111.根据本公开的实施例，本公开还提供了一种骨折检测设备，骨折检测设备包括图11所示的电子设备1100。
112.可选地，骨折检测设备还包括扫描设备，扫描设备与电子设备1100通信连接。扫描设备对身体部分扫描后，得到的包含该身体部分的骨骼结构影像的图像，将该图像作为待检测的骨骼图像输入至电子设备1100，电子设备1100输出该骨骼图像对应的检测报告。
113.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
114.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。