脊柱侧弯角度的测量方法、装置、设备及存储介质与流程

1.本发明涉及区域提取领域，尤其涉及一种脊柱侧弯角度的测量方法、装置、设备及存储介质。


背景技术：

2.脊柱侧弯的角度即cobb角，用于临床定量评估脊柱侧弯的严重程度，患者拍摄x线影片后，由影像医师手动确定脊柱侧弯中心椎体和上下端椎，并通过量角器具测量端椎间夹角，此种方法受限于x射线设备条件与影像医师的经验水平，测量过程中存在手工测量的差异性，不同经验的医师往往会得到差异较大的结果，这严重影像了医师的判断，近年来，随着人工智能技术的高速发展，人工智能被应用于cobb角的自动测算中，人工智能进行的cobb角的自动测算可以支持疾病辅助诊断、健康管理、远程会诊等功能。
3.在现有技术中，对图像使用半自动分割算法可以自动测算cobb角，但是上述方法无法通过脊柱段的位置定位实现脊柱侧弯角度的测量，只能作为辅助工作，仍需要影像医师参与判断，导致脊柱侧弯角度的测量效率低下。


技术实现要素：

4.本发明提供了一种脊柱侧弯角度的测量方法、装置、设备及存储介质，用于通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。
5.本发明第一方面提供了一种脊柱侧弯角度的测量方法，包括：获取待测图像，对所述待测图像进行像素值提取和归一化处理，得到预处理图像；调用预置的多个深度学习模型，对所述预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果；调用预置的目标关键点检测模型，对所述脊柱定位结果进行分析，得到多个椎体关键点信息，所述多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息；调用预置的最小二乘法对所述多个椎体关键点信息进行拟合处理，得到拟合直线段，基于所述拟合直线段确定弯曲中心，根据所述弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。
6.可选的，在本发明第一方面的第一种实现方式中，所述调用预置的多个深度学习模型，对所述预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果包括：调用预置的第一深度学习模型，对所述预处理图像进行基于脊柱所在区域的定位，得到第一定位图像，所述第一定位图像包括脊柱位置信息；调用预置的第二深度学习模型，对所述第一定位图像进行基于脊柱椎体所在区域的定位，得到第二定位图像，所述第二定位图像包括脊柱椎体的位置信息；调用预置的第三深度学习模型，对所述第二定位图像进行基于第12节胸椎所在区域的定位，得到第三定位图像，将所述第一定位图像、所述第二定位图像和所述第三定位图像确定为脊柱定位结果，所述第三定位图像包括第12节胸
椎的位置信息。
7.可选的，在本发明第一方面的第二种实现方式中，所述调用预置的第一深度学习模型，对所述预处理图像进行基于脊柱所在区域的定位，得到第一定位图像，所述第一定位图像包括脊柱位置信息包括：调用预置的第一深度学习模型，对所述预处理图像进行编码处理，得到编码隐层空间向量；对所述编码隐层空间向量进行全连接处理，得到初始脊柱区域坐标，调用预置的非极大抑制算法，对所述初始脊柱区域坐标进行筛选，得到目标脊柱区域坐标；将所述目标脊柱区域坐标代入所述预处理图像，得到第一定位图像，所述第一定位图像包括脊柱位置信息。
8.可选的，在本发明第一方面的第三种实现方式中，所述调用预置的目标关键点检测模型，对所述脊柱定位结果进行分析，得到多个椎体关键点信息，所述多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息包括：调用预置的目标关键点检测模型，识别所述脊柱定位结果中的多个椎体边界点；提取所述多个椎体边界点中每一个椎体边界点的坐标，得到多个椎体关键点信息，所述多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。
9.可选的，在本发明第一方面的第四种实现方式中，所述调用预置的最小二乘法对所述多个椎体关键点信息进行拟合处理，得到拟合直线段，基于所述拟合直线段确定弯曲中心，根据所述弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果包括：基于所述多个椎体关键点信息，确定每一节椎体的椎体中心点和每一节椎体对应的多条椎体端线，调用预置的最小二乘法对所述每一节椎体的椎体中心点进行拟合，得到拟合直线段；计算所述每一节椎体的椎体中心点与所述拟合直线段的距离，得到每一节椎体的中心距离值，获取每一节椎体的椎体长度，将所述每一节椎体的中心距离值除以对应的椎体长度，得到多个距离比率；将所述多个距离比率按照从大到小的顺序进行排序，得到距离比率排序结果，将所述距离比率排序结果中排名为第一的距离比率对应的椎体中心点确定为弯曲中心；遍历计算所述弯曲中心周围的多条椎体端线形成的夹角，得到多个弯曲夹角，按照从大到小的顺序对所述多个弯曲夹角进行排序，得到弯曲夹角排序结果，将所述弯曲夹角排序结果中排名为第一的弯曲夹角确定为脊柱侧弯角度测量结果。
10.可选的，在本发明第一方面的第五种实现方式中，所述获取待测图像，对所述待测图像进行像素值提取和归一化处理，得到预处理图像包括：获取待测图像，读取所述待测图像的像素值，得到图像像素值；对所述图像像素值进行归一化处理，得到归一化处理后的图像数组，将所述归一化处理后的图像数组保存为灰度图，得到预处理图像。
11.可选的，在本发明第一方面的第六种实现方式中，在所述获获取待测图像，对所述待测图像进行像素值提取和归一化处理，得到预处理图像之前，所述方法还包括：获取模型训练数据，对所述模型训练数据进行预处理，得到预处理后的训练数据，所述模型训练数据用于指示脊柱图像集；根据所述预处理后的训练数据，对预置的初始关键点检测模型进行训练，得到目标关键点检测模型。
12.本发明第二方面提供了一种脊柱侧弯角度的测量装置，包括：获取模块，用于获取待测图像，对所述待测图像进行像素值提取和归一化处理，得到预处理图像；定位模块，用于调用预置的多个深度学习模型，对所述预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果；分析模块，用于调用预置的目标关键点检测模型，
对所述脊柱定位结果进行分析，得到多个椎体关键点信息，所述多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息；测算模块，用于调用预置的最小二乘法对所述多个椎体关键点信息进行拟合处理，得到拟合直线段，基于所述拟合直线段确定弯曲中心，根据所述弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。
13.可选的，在本发明第二方面的第一种实现方式中，所述定位模块包括：第一定位单元，用于调用预置的第一深度学习模型，对所述预处理图像进行基于脊柱所在区域的定位，得到第一定位图像，所述第一定位图像包括脊柱位置信息；第二定位单元，用于调用预置的第二深度学习模型，对所述第一定位图像进行基于脊柱椎体所在区域的定位，得到第二定位图像，所述第二定位图像包括脊柱椎体的位置信息；第三定位单元，用于调用预置的第三深度学习模型，对所述第二定位图像进行基于第12节胸椎所在区域的定位，得到第三定位图像，将所述第一定位图像、所述第二定位图像和所述第三定位图像确定为脊柱定位结果，所述第三定位图像包括第12节胸椎的位置信息。
14.可选的，在本发明第二方面的第二种实现方式中，所述第一定位单元具体用于：调用预置的第一深度学习模型，对所述预处理图像进行编码处理，得到编码隐层空间向量；对所述编码隐层空间向量进行全连接处理，得到初始脊柱区域坐标，调用预置的非极大抑制算法，对所述初始脊柱区域坐标进行筛选，得到目标脊柱区域坐标；将所述目标脊柱区域坐标代入所述预处理图像，得到第一定位图像，所述第一定位图像包括脊柱位置信息。
15.可选的，在本发明第二方面的第三种实现方式中，所述分析模块包括：识别单元，用于调用预置的目标关键点检测模型，识别所述脊柱定位结果中的多个椎体边界点；提取单元，用于提取所述多个椎体边界点中每一个椎体边界点的坐标，得到多个椎体关键点信息，所述多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。
16.可选的，在本发明第二方面的第四种实现方式中，所述测算模块包括：拟合单元，用于基于所述多个椎体关键点信息，确定每一节椎体的椎体中心点和每一节椎体对应的多条椎体端线，调用预置的最小二乘法对所述每一节椎体的椎体中心点进行拟合，得到拟合直线段；计算单元，用于计算所述每一节椎体的椎体中心点与所述拟合直线段的距离，得到每一节椎体的中心距离值，获取每一节椎体的椎体长度，将所述每一节椎体的中心距离值除以对应的椎体长度，得到多个距离比率；排序单元，用于将所述多个距离比率按照从大到小的顺序进行排序，得到距离比率排序结果，将所述距离比率排序结果中排名为第一的距离比率对应的椎体中心点确定为弯曲中心；确定单元，用于遍历计算所述弯曲中心周围的多条椎体端线形成的夹角，得到多个弯曲夹角，按照从大到小的顺序对所述多个弯曲夹角进行排序，得到弯曲夹角排序结果，将所述弯曲夹角排序结果中排名为第一的弯曲夹角确定为脊柱侧弯角度测量结果。
17.可选的，在本发明第二方面的第五种实现方式中，所述获取模块包括：读取单元，用于获取待测图像，读取所述待测图像的像素值，得到图像像素值；归一化单元，用于对所述图像像素值进行归一化处理，得到归一化处理后的图像数组，将所述归一化处理后的图像数组保存为灰度图，得到预处理图像。
18.可选的，在本发明第二方面的第六种实现方式中，在所述获取模块之前，所述脊柱侧弯角度的测量装置还包括训练模块，所述训练模块包括：预处理单元，用于获取模型训练数据，对所述模型训练数据进行预处理，得到预处理后的训练数据，所述模型训练数据用于
指示脊柱图像集；训练单元，用于根据所述预处理后的训练数据，对预置的初始关键点检测模型进行训练，得到目标关键点检测模型。
19.本发明第三方面提供了一种脊柱侧弯角度的测量设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机程序；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述脊柱侧弯角度的测量设备执行上述的脊柱侧弯角度的测量方法。
20.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述的脊柱侧弯角度的测量方法。
21.本发明提供的技术方案中，获取待测图像，对所述待测图像进行像素值提取和归一化处理，得到预处理图像；调用预置的多个深度学习模型，对所述预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果；调用预置的目标关键点检测模型，对所述脊柱定位结果进行分析，得到多个椎体关键点信息，所述多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息；调用预置的最小二乘法对所述多个椎体关键点信息进行拟合处理，得到拟合直线段，基于所述拟合直线段确定弯曲中心，根据所述弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。本发明实施例中，通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。
附图说明
22.图1为本发明实施例中脊柱侧弯角度的测量方法的一个实施例示意图；
23.图2为本发明实施例中脊柱侧弯角度的测量方法的另一个实施例示意图；
24.图3为本发明实施例中脊柱侧弯角度的测量装置的一个实施例示意图；
25.图4为本发明实施例中脊柱侧弯角度的测量装置的另一个实施例示意图；
26.图5为本发明实施例中脊柱侧弯角度的测量设备的一个实施例示意图。
具体实施方式
27.本发明实施例提供了一种脊柱侧弯角度的测量方法、装置、设备及存储介质，用于通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。
28.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施
例中脊柱侧弯角度的测量方法的一个实施例包括：
30.101、获取待测图像，对待测图像进行像素值提取和归一化处理，得到预处理图像。
31.可以理解的是，本发明的执行主体可以为脊柱侧弯角度的测量装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
32.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
33.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
34.服务器获取待测图像，对待测图像进行像素值提取和归一化处理，得到预处理图像。待测图像为医学数字成像与通信(digital imaging and communications in medicine，dicom)格式，待测图像都为脊柱全长x线图像，通过预置的医疗器械对患者进行检测并得到脊柱全长x射线图像，医疗器械将脊柱全长x射线图像上传至医疗云，脊柱全长x射线图像也可以存储在患者相对应的健康档案中，服务器根据患者信息从医疗云中获取待测图像，本实施例中的待测图像都经过用户授权，服务器获取到待测图像后读取待测图像像素值并进行归一化处理，得到预处理图像。
35.在医学应用场景中，待测图像为医学影像，待测图像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，ct(computed tomography，电子计算机断层扫描)、mri(magnetic resonance imaging，磁共振成像)、us(ultrasonic，超声)、x光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
36.102、调用预置的多个深度学习模型，对预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果。
37.服务器调用预置的多个深度学习模型，对预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果。本实施例中运用到的多个深度学习模型都为目标检测模型(single shot multibox detector，ssd)，本实施例中共调用了三个ssd模型，第一深度学习模型用于在预处理图像上定位脊柱(胸椎和腰椎部分)所在区域，输出即为包含脊柱区域坐标的图像，第二深度学习模型用于定位脊柱椎体所在区域并确认脊柱椎体的位置，第二深度学习模型的输入即为第一深度学习模型的输出，第三深度学习模型用于定位脊柱中的第12节胸椎，第三深度学习模型的输入即为第二深度学习模型的输出，最终得到的脊柱定位结果为三个深度学习模型的输出结果。
38.103、调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。
39.服务器调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。目标关键点检测模型用于识别出脊柱定位结果中的椎体关键点，得到每一节脊柱椎体对应的顶点位置(四个顶点的位置信息)，即多个椎体关键点信息，本实施例中运用到的目标关键点检测模型为高分辨率网络模型(high resolution net，hrnet)，在调用目标关键点检测模型之前，获取多张x光照片构成的模型训练数据，删除模型训练数据中清晰度未达到预设清晰度阈值的图片，得到预处理后的训练数据，通过预处理后的训练数据，在编
‑
解码(encoder
‑
decoder)框架下对预置的初始关键点检测模型进行训练，得到目标关键点检测模型。
40.104、调用预置的最小二乘法对多个椎体关键点信息进行拟合处理，得到拟合直线段，基于拟合直线段确定弯曲中心，根据弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。
41.服务器调用预置的最小二乘法对多个椎体关键点信息进行拟合处理，得到拟合直线段，基于拟合直线段确定弯曲中心，根据弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。脊柱侧弯角度的测算的执行过程主要包括：根据多个椎体关键点信息得到椎体端线和椎体端线的中心点，对椎体端线的中心点进行拟合，得到拟合直线段，通过计算中心点距拟合直线段的距离并除以椎体宽度得到距离比率，从而确定弯曲中心，遍历计算弯曲中心上方每一条椎体端线与下方每一条椎体端线之间的夹角，最终得到脊柱侧弯角度测量结果，将脊柱侧弯角度测量结果代入预置的影像报告模板可以自动输出影像诊断报告，包括弯曲中心椎体及弯曲方向、cobb角、端椎位置等，本实施例可以实现图像输入至诊断报告输出的全自动过程，无需人工参与，避免了人为误差，具有更高的可靠性，例如在医疗领域中，可以基于人工智能模型从海量的电子病历中查询用户所需的病历信息和诊断报告，有助于为用户提供病历参考。
42.本发明实施例中，通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
43.请参阅图2，本发明实施例中脊柱侧弯角度的测量方法的另一个实施例包括：
44.201、获取待测图像，对待测图像进行像素值提取和归一化处理，得到预处理图像。
45.服务器获取待测图像，对待测图像进行像素值提取和归一化处理，得到预处理图像。具体的，服务器获取待测图像，读取待测图像的像素值，得到图像像素值；服务器对图像像素值进行归一化处理，得到归一化处理后的图像数组，将归一化处理后的图像数组保存为灰度图，得到预处理图像。
46.服务器获取到dicom格式的待测图像后，提取待测图像的像素值，得到图像像素值，图像像素值一般介于
‑
4000
‑
4000之间，通过对图像像素值进行归一化处理，得到归一化处理后的图像数组，归一化处理后的图像数组介于0
‑
1之间，将归一化处理后的图像数组保存为灰度图，最终得到无损压缩算法的位图(png)格式的预处理图像。
47.202、调用预置的第一深度学习模型，对预处理图像进行基于脊柱所在区域的定位，得到第一定位图像，第一定位图像包括脊柱位置信息。
48.服务器调用预置的第一深度学习模型，对预处理图像进行基于脊柱所在区域的定位，得到第一定位图像，第一定位图像包括脊柱位置信息。具体的，服务器调用预置的第一深度学习模型，对预处理图像进行编码处理，得到编码隐层空间向量；服务器对编码隐层空间向量进行全连接处理，得到初始脊柱区域坐标，调用预置的非极大抑制算法，对初始脊柱区域坐标进行筛选，得到目标脊柱区域坐标；服务器将目标脊柱区域坐标代入预处理图像，得到第一定位图像，第一定位图像包括脊柱位置信息。在预训练阶段，需要获取200张脊柱全长x线图片并进行手工标注，得到脊柱坐标值，再将脊柱坐标值作为目标与图片一起输入至第一个ssd网络模型中训练，迭代拟合后得到训练完成的模型(即第一深度学习模型)，通过调用第一深度学习模型对预处理图像进行编码处理，得到编码隐层空间向量，通过第一深度学习模型中的全连接层，将编码隐层空间向量进行全连接，得到初始脊柱区域坐标，非极大值抑制(non maximum suppression，nms)算法在目标检测、定位等领域是一种被广泛使用的算法，主要是为了实现对初始脊柱区域坐标的过滤，得到目标脊柱区域坐标，将目标脊柱区域坐标代入预处理图像，最终得到第一定位图像。
49.203、调用预置的第二深度学习模型，对第一定位图像进行基于脊柱椎体所在区域的定位，得到第二定位图像，第二定位图像包括脊柱椎体的位置信息。
50.第二深度学习模型的数据处理过程和第一深度学习模型一致，第二深度学习的输入即为第一深度学习的输出(即第一定位图像)，在预训练阶段，对200张脊柱椎体x线图片进行手工标注，标注出每一节脊柱所在位置信息，将每一节脊柱所在位置信息和脊柱椎体图片一起输入至第二个ssd网络模型进行训练，迭代拟合后得到训练完成的模型(即第二深度学习模型)，使用脊柱区域图片进行训练的原因是排除颈椎椎体对胸椎和腰椎椎体检测的干扰，通过调用第二深度学习模型，对第一定位图像进行定位处理，最终得到第二定位图像，第二定位图像包括脊柱椎体的位置信息(即脊柱椎体坐标)。
51.204、调用预置的第三深度学习模型，对第二定位图像进行基于第12节胸椎所在区域的定位，得到第三定位图像，将第一定位图像、第二定位图像和第三定位图像确定为脊柱定位结果，第三定位图像包括第12节胸椎的位置信息。
52.第三深度学习模型的数据处理过程和第一深度学习模型、第二深度学习模型一致，第三深度学习模型的输入即为第二深度学习模型的输出(即第二定位图像)，在预训练阶段，对200张脊柱全长x线图片进行手工标注，标注出第12节胸椎所在位置，将第12节胸椎所在位置信息和脊柱全长x线图片一起输入至第三个ssd网络模型进行训练，迭代拟合后得到训练完成的模型(即第三深度学习模型)，通过调用第三深度学习模型，对第二定位图像进行定位处理，最终得到第三定位图像，第三定位图像包括第12节胸椎的位置信息(即第12节胸椎的坐标)，最终将第一定位图像、第二定位图像和第三定位图像确定为脊柱定位结果。
53.205、调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。
54.服务器调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。具体的，服务器调用预置的目标关键点检测模型，识别脊柱定位结果中的多个椎体边界点；服务器提取多个椎体边界点中每一个椎体边界点的坐标，得到多个椎体关键点信息，多个椎
体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。此步骤使用一个提前训练好的深度学习关键点检测网络hrnet，将脊柱定位结果输入关键点检测模型，得到每一节脊柱椎体的四个顶点位置(即多个椎体关键点信息)，得到椎体关键点信息后，还可以服每一节脊柱椎体进行编号，以第12节胸椎的位置为基准，遍历计算剩余每一节脊椎位置与第12节胸椎位置的交并比，交并比最大的椎体即为第12节胸椎，再按照各脊椎位置坐标从上至下，胸1至胸12，腰1至腰5的顺序编号，便于后期自动生成影像诊断报告。
55.206、调用预置的最小二乘法对多个椎体关键点信息进行拟合处理，得到拟合直线段，基于拟合直线段确定弯曲中心，根据弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。
56.服务器调用预置的最小二乘法对多个椎体关键点信息进行拟合处理，得到拟合直线段，基于拟合直线段确定弯曲中心，根据弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。具体的，服务器基于多个椎体关键点信息，确定每一节椎体的椎体中心点和每一节椎体对应的多条椎体端线，调用预置的最小二乘法对每一节椎体的椎体中心点进行拟合，得到拟合直线段；服务器计算每一节椎体的椎体中心点与拟合直线段的距离，得到每一节椎体的中心距离值，获取每一节椎体的椎体长度，将每一节椎体的中心距离值除以对应的椎体长度，得到多个距离比率；服务器将多个距离比率按照从大到小的顺序进行排序，得到距离比率排序结果，将距离比率排序结果中排名为第一的距离比率对应的椎体中心点确定为弯曲中心；服务器遍历计算弯曲中心周围的多条椎体端线形成的夹角，得到多个弯曲夹角，按照从大到小的顺序对多个弯曲夹角进行排序，得到弯曲夹角排序结果，将弯曲夹角排序结果中排名为第一的弯曲夹角确定为脊柱侧弯角度测量结果。
57.服务器根据每一节椎体的四个顶点位置得到椎体端线与椎体中心点，基于椎体中心点坐标，通过最小二乘法进行拟合，得到拟合直线段，通过计算椎体中心点据直线的距离，除以椎体的平均宽度，得到距离比率，最大的距离比率对应的椎体中心点即为弯曲中心(即距离比率排序结果中排名为第一的距离比率对应的椎体中心点)，遍历计算弯曲中心上方每一条椎体端线与下方每一条椎体端线之间的夹角，夹角最大的即为cobb角(即弯曲夹角排序结果中排名为第一的弯曲夹角)，最终得到脊柱侧弯角度测量结果将脊柱侧弯角度测量结果代入预置的影像报告模板可以自动输出影像诊断报告，包括弯曲中心椎体及弯曲方向、cobb角、端椎位置等，本实施例可以实现图像输入至诊断报告输出的全自动过程，无需人工参与，避免了人为误差，具有更高的可靠性。
58.本发明实施例中，通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
59.上面对本发明实施例中脊柱侧弯角度的测量方法进行了描述，下面对本发明实施例中脊柱侧弯角度的测量装置进行描述，请参阅图3，本发明实施例中脊柱侧弯角度的测量装置的一个实施例包括：
60.获取模块301，用于获取待测图像，对待测图像进行像素值提取和归一化处理，得到预处理图像；
61.定位模块302，用于调用预置的多个深度学习模型，对预处理图像依次进行脊柱定
位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果；
62.分析模块303，用于调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息；
63.测算模块304，用于调用预置的最小二乘法对多个椎体关键点信息进行拟合处理，得到拟合直线段，基于拟合直线段确定弯曲中心，根据弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。
64.本发明实施例中，通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
65.请参阅图4，本发明实施例中脊柱侧弯角度的测量装置的另一个实施例包括：
66.获取模块301，用于获取待测图像，对待测图像进行像素值提取和归一化处理，得到预处理图像；
67.定位模块302，用于调用预置的多个深度学习模型，对预处理图像依次进行脊柱定位、脊柱椎体定位和第12节胸椎的定位，得到脊柱定位结果；
68.其中，定位模块302包括：
69.第一定位单元3021，用于调用预置的第一深度学习模型，对预处理图像进行基于脊柱所在区域的定位，得到第一定位图像，第一定位图像包括脊柱位置信息；
70.第二定位单元3022，用于调用预置的第二深度学习模型，对第一定位图像进行基于脊柱椎体所在区域的定位，得到第二定位图像，第二定位图像包括脊柱椎体的位置信息；
71.第三定位单元3023，用于调用预置的第三深度学习模型，对第二定位图像进行基于第12节胸椎所在区域的定位，得到第三定位图像，将第一定位图像、第二定位图像和第三定位图像确定为脊柱定位结果，第三定位图像包括第12节胸椎的位置信息；
72.分析模块303，用于调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息；
73.测算模块304，用于调用预置的最小二乘法对多个椎体关键点信息进行拟合处理，得到拟合直线段，基于拟合直线段确定弯曲中心，根据弯曲中心进行脊柱侧弯角度的测算，得到脊柱侧弯角度测量结果。
74.可选的，获取模块301包括：
75.读取单元3011，用于获取待测图像，读取待测图像的像素值，得到图像像素值；
76.归一化单元3012，用于对图像像素值进行归一化处理，得到归一化处理后的图像数组，将归一化处理后的图像数组保存为灰度图，得到预处理图像。
77.可选的，第一定位单元模块3021还可以具体用于：
78.调用预置的第一深度学习模型，对预处理图像进行编码处理，得到编码隐层空间向量；对编码隐层空间向量进行全连接处理，得到初始脊柱区域坐标，调用预置的非极大抑制算法，对初始脊柱区域坐标进行筛选，得到目标脊柱区域坐标；将目标脊柱区域坐标代入预处理图像，得到第一定位图像，第一定位图像包括脊柱位置信息。
79.可选的，分析模块303包括：
80.识别单元3031，用于调用预置的目标关键点检测模型，识别脊柱定位结果中的多个椎体边界点；
81.提取单元3032，用于提取多个椎体边界点中每一个椎体边界点的坐标，得到多个椎体关键点信息，多个椎体关键点信息包括每一节脊柱椎体对应的四个顶点的位置信息。
82.可选的，测算模块304包括：
83.拟合单元3041，用于基于多个椎体关键点信息，确定每一节椎体的椎体中心点和每一节椎体对应的多条椎体端线，调用预置的最小二乘法对每一节椎体的椎体中心点进行拟合，得到拟合直线段；
84.计算单元3042，用于计算每一节椎体的椎体中心点与拟合直线段的距离，得到每一节椎体的中心距离值，获取每一节椎体的椎体长度，将每一节椎体的中心距离值除以对应的椎体长度，得到多个距离比率；
85.排序单元3043，用于将多个距离比率按照从大到小的顺序进行排序，得到距离比率排序结果，将距离比率排序结果中排名为第一的距离比率对应的椎体中心点确定为弯曲中心；
86.确定单元3044，用于遍历计算弯曲中心周围的多条椎体端线形成的夹角，得到多个弯曲夹角，按照从大到小的顺序对多个弯曲夹角进行排序，得到弯曲夹角排序结果，将弯曲夹角排序结果中排名为第一的弯曲夹角确定为脊柱侧弯角度测量结果。
87.可选的，在获取模块301之前，脊柱侧弯角度的测量装置还包括训练模块305，包括：
88.预处理单元3051，用于获取模型训练数据，对模型训练数据进行预处理，得到预处理后的训练数据，模型训练数据用于指示脊柱图像集；
89.训练单元3052，用于根据预处理后的训练数据，对预置的初始关键点检测模型进行训练，得到目标关键点检测模型。
90.本发明实施例中，通过调用预置的多个深度学习模型，对预处理图像进行脊柱定位，得到脊柱定位结果，调用预置的目标关键点检测模型，对脊柱定位结果进行分析，得到多个椎体关键点信息，基于多个椎体关键点信息进行脊柱侧弯角度的测算，提高了脊柱侧弯角度的测量效率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
91.上面图3和图4从模块化功能实体的角度对本发明实施例中的脊柱侧弯角度的测量装置进行详细描述，下面从硬件处理的角度对本发明实施例中脊柱侧弯角度的测量设备进行详细描述。
92.图5是本发明实施例提供的一种脊柱侧弯角度的测量设备的结构示意图，该脊柱侧弯角度的测量设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对脊柱侧弯角度的测量设备500中的一系列计算机程序操作。更进一步地，处理器510可以设置为与存储介质530通信，在脊柱侧弯角度的测量设备500上执行存储介质530中的一系列计算机
程序操作。
93.脊柱侧弯角度的测量设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的脊柱侧弯角度的测量设备结构并不构成对脊柱侧弯角度的测量设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
94.本技术还提供一种脊柱侧弯角度的测量设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机程序，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述脊柱侧弯角度的测量设备执行上述脊柱侧弯角度的测量方法中的步骤。
95.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得计算机执行所述脊柱侧弯角度的测量方法的步骤。
96.进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
97.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
98.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
99.所述集成的单元如果以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全部或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，包括若干计算机程序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：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
100.以上所述，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。