基于脊椎-骨盆力线的平衡状态评估方法、装置及设备与流程

1.本技术涉及医学技术领域，尤其涉及一种基于脊椎-骨盆力线的平衡状态评估方法、装置及设备。


背景技术：

2.脊椎和骨盆在形态和力线上互相关联，使人能以能量消耗最小的状态维持稳定的姿势和运动。脊椎-骨盆力线改变时腰椎疾患和腰腿痛患者常见的病理改变之一。脊柱骨盆力线参数对于评估患者的身体平衡状态、手术效果、术后恢复情况以及骨骼畸形进展等具有着重要的参考作用，是治疗脊椎侧弯、强直性脊柱炎、脊柱骨折、骨盆骨折、下肢畸形与骨折等疾病的重要参考参数。
3.目前临床上采用基于脊椎侧位片进行参数测量，以获得矢状面平衡的脊椎-骨盆力线参数。然而，由于脊椎侧位片为二维的矢状面平衡参数，具有维度的局限性，无法准确的评估脊椎-骨盆力线，从而无法精准地评估患者的身体平衡状态，不利于医生术前规划和术后评估。


技术实现要素：

4.本技术实施例提供了一种基于脊椎-骨盆力线的平衡状态评估方法、装置及设备，能够更准确地评估患者的身体平衡状态，有利于医生更好地进行术前规划和术后评估。
5.第一方面，本技术提供一种基于脊椎-骨盆力线的平衡状态评估方法，包括：获取m组第一特征点，上述第一特征点为基于相邻两张目标图像提取到的特征点，上述目标图像为目标患者的脊椎-骨盆的二维图像，m为大于1的整数；根据m组上述第一特征点，对多张上述目标图像进行拼接得到第一拼接图像；通过训练好的三维图像重建网络，对上述第一拼接图像进行三维重建得到第一三维图像；根据上述第一三维图像确定上述目标患者的脊椎-骨盆的三维形态参数；根据上述三维形态参数确定脊椎-骨盆力线；根据上述脊椎-骨盆力线，评估上述目标患者身体平衡状态。
6.在本技术实施例中，通过根据多组基于相邻两张目标图像提取到的特征点对多张目标图像进行拼接，并通过训练好的神经网络模型对拼接得到的第一拼接图像进行三维重建以得到匹配度和准确度较高的第一三维图像，再根据该第一三维图像确定目标患者的脊椎-骨盆的三维形态参数，从而得到准确度更高的脊椎-骨盆力线，提高对患者身体平衡状态的评估准确度，利于医生更好地进行术前规划和术后评估。
7.第二方面，本技术提供一种基于脊椎-骨盆力线的平衡状态评估装置，包括：
8.第一特征点获取单元，用于获取m组第一特征点，上述第一特征点为基于一组目标图像提取到的特征点，上述目标图像为目标患者的脊椎-骨盆的二维图像，每组上述目标图像为相邻的两张目标图像，m为大于1的整数；
9.图像拼接单元，用于根据m组上述第一特征点，对多张上述目标图像进行拼接得到第一拼接图像；
10.第一三维重建单元，用于通过训练好的三维图像重建网络，对上述第一拼接图像进行三维重建得到第一三维图像；
11.三维形态参数确定单元，用于根据上述第一三维图像确定上述目标患者的脊椎-骨盆的三维形态参数；
12.脊椎-骨盆力线确定单元，用于根据上述三维形态参数确定脊椎-骨盆力线；
13.平衡状态评估单元，用于根据上述脊椎-骨盆力线，评估上述目标患者身体平衡状态。
14.第三方面，本技术提供一种基于脊椎-骨盆力线的平衡状态评估设备，包括处理器、存储器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面或第一方面的任意可选方式上述的方法。
15.第四方面，本技术提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式上述的方法。
16.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在基于脊椎-骨盆力线的平衡状态评估设备上运行时，使得基于脊椎-骨盆力线的平衡状态评估设备执行上述第一方面上述的基于脊椎-骨盆力线的平衡状态评估方法的步骤。
17.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本技术实施例提供的一种基于脊椎-骨盆力线的平衡状态评估方法的流程示意图；
20.图2是本技术实施例提供的一种拼接目标图像的方法的流程示意图；
21.图3是本技术实施例提供的一种三维重建方法的流程示意图；
22.图4是本技术实施例提供的一种三维图像重建网络模型的架构示意图；
23.图5是本技术实施例提供的一种三维形态参数的确定方法的流程示意图；
24.图6是本技术实施例提供的一种基于脊椎-骨盆力线的平衡状态评估装置的结构示意图；
25.图7是本技术实施例提供的一种基于脊椎-骨盆力线的平衡状态评估设备的结构示意图。
具体实施方式
26.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
27.应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
28.还应当理解，在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
29.近年来，深度学习在医学成像领域得到了广泛的应用，比如利用半监督学习从低剂量容积图像重建高剂量容积图像，基于此，一种深度卷积神经网络模型从单一x射线动物颅骨图像生成三维图像，其网络结构采用端到端结构，并与其他的神经网络模型的结构进行了比较，证明该深度卷积神经网络模型具有更好的三维重建效果。另一种二维到三维的网络模型，提出了将二维特征信息转化为空间张量进行三维反褶积的思想。然而，该二维到三维的网络模型包含大量的参数需要更新，导致计算效率低下。基于机器学习的三维重建技术也在牙科、脊柱、胸部等领域开展了多项研究，然而其在实际应用中往往对不同的数据集表现不佳，无法精度地评估脊柱侧弯等疾病的患者的身体平衡状态。
30.现有技术中，在拍摄x光图像时，作业人员通常将视野聚集到关注的部位、器官。比如脊柱侧位的x光图像的获取，拍摄的一组x光片一般沿着固定的方向移动，x光图像可以在横轴或纵轴发生偏移，行与列也没有固定的规则，导致无法准确地定位标志点，从而无法准确地评估患者的身体平衡状态。
31.基于此，本技术实施例提供了一种基于脊椎-骨盆力线的平衡状态评估方法，通过根据多组基于相邻两张目标图像提取到的特征点对多张目标图像进行拼接，并通过训练好的神经网络模型对拼接得到的第一拼接图像进行三维重建以快速地得到匹配度和准确度较高的第一三维图像，再根据该第一三维图像确定目标患者的脊椎-骨盆的三维形态参数，从而得到准确度更高的脊椎-骨盆力线，提高对患者身体平衡状态的评估准确度，利于医生更好地进行术前规划和术后评估。
32.请参见图1，图1是本技术实施例提供的一种基于脊椎-骨盆力线的平衡状态评估方法的流程示意图，详述如下：
33.步骤s101，获取m组第一特征点，上述第一特征点为基于相邻两张目标图像提取到的特征点，上述目标图像为目标患者的脊椎-骨盆的二维图像，m为大于1的整数。
34.在本技术实施例中，患者术前或术后拍摄的x光图像即为上述目标图像，该目标图像中包含患者的脊椎、骨盆等骨组织的图像数据。
35.在本技术的一些实施例中，通过加速稳健特征(speeded-up robust features，surf)算法，经过积分图像、尺度空间建立、空间极值点检测、surf特征描述子构建等步骤完成一组特征点的提取，对相邻两张目标图像重复上述步骤完成对多张目标图像中相邻两张目标图像的特征点提取，得到多组特征点。
36.由于每一组特征点是基于相邻两张目标图像提取到的特征点，这一组特征点为该相邻两张目标图像中相匹配的特征点，也即在该相邻两张目标图像中均存在着这一特征点，因此，每组特征点也即为该相邻两张目标图像的图像匹配点。
37.步骤s102，根据m组上述第一特征点，对多张上述目标图像进行拼接得到第一拼接图像。
38.在本技术实施例中，图像的拼接是基于两张图像的特征匹配。当特征点过少时，导致最终拼接得到的图像匹配度较低，从而降低对目标患者身体平衡状态的评估准确率。当特征点过多时，又会增加计算量，导致评估效率较低，为了兼顾准确率和效率，可以选取预定数量的特征点，以达到兼顾平衡状态评估的准确率和效率。
39.对多张目标图像进行拼接可以更全面地获取目标图像中包含的脊椎、骨盆等骨组织的相关图像数据，从而为准确地评估患者的身体平衡状态提供依据。
40.请参见图2，图2是本技术实施例提供的一种拼接目标图像的方法的流程示意图，详述如下：
41.步骤s201，对m组上述第一特征点的点坐标进行归一化处理。
42.在本技术实施例中，通过归一化公式，对每一组特征点的点坐标进行归一化处理，得到m组第一特征点坐标。
43.为了提高图像拼接的准确率，在对m组第一特征点的点坐标进行归一化处理之前，通过随机抽样一致算法(random sample consensus，ransac)获取最优匹配对，剔除误匹配的特征点。
44.步骤s202，按照预定数值n，从归一化处理后的m组上述第一特征点中抽取n组上述第一特征点，n《m。
45.步骤s203，从n组上述第一特征点中，确定符合预设条件的上述第一特征点，得到t组上述第一特征点，t《n《m。
46.在本技术实施例中，从经过归一化处理后的m组第一特征点中，任意取预定数值n组比如8组第一特征点，再基于最小二乘法，根据这n组特征点计算出基本矩阵，然后以sampson距离为判断依据，对m组第一特征点中除抽取出来的n组特征点之外的所有第一特征点进行匹配度计算，以寻找正确的匹配特征点。选取对应内点数量最大的基本矩阵，再以sampson距离为判断依据，求解出符合预设条件的最终内点即为上述t组第一特征点。
47.需要说明的是，这里所指的预设条件为距离条件，具体是指距离小于预定阈值，即两个特征点之间的距离小于预定阈值时，认为该两个特征点为实际匹配点。
48.步骤s204，对t组上述第一特征点对应的目标图像进行拼接，得到上述第一拼接图像。
49.在本技术实施例中，将符合预设条件的t组特征点对应的目标图像进行拼接，得到匹配度较高的拼接图像。
50.步骤s103，通过训练好的三维图像重建网络，对上述第一拼接图像进行三维重建得到第一三维图像。
51.在本技术实施例中，三维图像重建网络包括编码网络、2d-3d数据转换模块和解码网络，其中述编码网络包括二维卷积模块和残差模块，解码网络包括图像上采样模块和三维卷积模块。
52.请参见图3和图4，图3是本技术实施例提供的一种三维重建方法的流程示意图，图4是本技术实施例提供的一种三维图像重建网络模型的架构示意图，结合图4，对图3所示的三维重建方法进行详细描述，具体如下：
53.步骤s301，通过上述编码网络，提取上述第一拼接图像的二维图像特征。
54.在本技术实施例中，三维图像重建网络模型主要用于将二维的x光图像重建为三维图像比如三维ct影像数据。
55.如图4所示，上述三维图像重建网络模型中，编码网络由一个二维卷积模块和若干个比如4个残差模块构成，将第一拼接图像输入至编码网络，经二维卷积模块和若干个残差模块进行图像特征提取，得到第一拼接图像的二维图像特征。其中，残差模块由二维卷积层、批标准化层和激活层构成。
56.需要说明的是，上述残差模块为基础残差网络模型，比如resnet34，采用输出与标签的mse值作为loss，采用adam优化器优化网络，也可采用其他优化器，如梯度下降、sgd等。
57.还需要说明的是，输入编码网络的第一拼接图像的图像尺寸，以及解码网络输出的第一三维图像的图像尺寸，可以根据具体的配置进行选择。输入输出的图像尺寸越大，分辨率越高，但同时也增加了三维重建网络模型的参数数量，增加了运算成本，效率越低。
58.在本技术的一个实施例中，编码网络由一个二维卷积模块和四个残差模块构成，各模块的输出尺寸以及核尺寸如表1所示：
[0059][0060]
表1
[0061]
步骤s302，通过上述2d-3d数据转换模块将上述二维图像特征转换为三维图像特征。
[0062]
在本技术实施例中，2d-3d数据转换模块的本质是对图像特征进行重组，并重新定义图像的维度，也就是图像的维度从二维转换到三维。
[0063]
在本技术的一个实施例中，按照预设分辨率更改二维图像在深度方向上的分辨率，再通过已更改深度方向上的分辨率的2d-3d数据转换模块将二维图像特征转换为三维图像特征。通过在深度方向即z方向上采用不同于x方向和y方向的分辨率，以降低2d-3d数据转换模块的运算量，提高2d-3d数据转换模块的转换效率。
[0064]
步骤s303，通过上述解码网络对上述三维图像特征进行解码重建，得到上述第一三维图像。
[0065]
在本技术实施例中，解码网络用于对2d-3d数据转换模块转换得到的三维图像特征进行解码重建得到三维图像。
[0066]
如图4所示，解码网络由若干个图像上采样模块和一个三维卷积模块构成。经过多次图像上采样，并将经最后一个图像上采样模块输出的图像数据输入到三维卷积模块中进行重建，得到基于多张目标图像重建得到的三维图像。
[0067]
在本技术的一个实施例中，解码网络由4个图像上采样模块和一个三维卷积模块
构成，其中图像上采样模块包括3d转换模块(表2中简称3d转换)和简化inception网络(表2中简称为simple inception)，各模块的输出尺寸、核尺寸以及深度如表2所示：
[0068][0069]
表2
[0070]
步骤s104，根据上述第一三维图像确定上述目标患者的脊椎-骨盆的三维形态参数。
[0071]
在本技术实施例中，通过三维图像重建网络获取到第一三维图像后，需要基于该第一三维图像确定目标患者的脊椎-骨盆的三维形态参数，这里所指的三维形态参数包括但不限于，脊椎中心点、椎骨中心点，各段椎骨之间的间距、椎骨姿态、脊椎三维曲线等。
[0072]
由于第一三维图像中还包括除骨组织之外的其他组织，因此需要对该三维图像进行预处理以获得仅包含骨组织的三维图像数据，即第二三维图像。
[0073]
请参见图5，图5是本技术实施例提供的一种三维形态参数的确定方法的流程示意图，详述如下：
[0074]
步骤s501，采用高斯平滑函数和水平集函数，对上述第一三维图像进行粗分割处理，在上述第一三维图像中的骨组织的预定区域生成上述骨组织的初始轮廓图。
[0075]
步骤s502，采用正则化能量函数和水平集演化函数，利用水平集轮廓内外的区域直方图对上述初始轮廓图进行细分割处理，得到上述骨组织的二值掩码图像。
[0076]
步骤s503，对上述二值掩码图像进行三维重建，得到第二三维图像，上述第二三维图像为上述骨组织的三维影像数据。
[0077]
在本技术实施例中，通过高斯平滑函数对第一三维图像进行平滑处理，去除图像表面的毛刺等噪声，然后采用水平集函数在骨组织的目标区域边界附近生成均匀光滑的初始轮廓，完成对第一三维图像的粗分割处理。然后再初始化水平集函数，采用正则化能量函数和水平集函数，利用水平集轮廓内外的区域直方图解决弱边界泄露问题，从而获得精确度较高的骨组织分割图像。
[0078]
在本技术实施例中，通过高斯平滑函数对上述二值掩码图像进行预处理，去除上述二值掩码图像的图像噪声；再通过图像仿射变换算法，对去除图像噪声后的上述二值掩码图像进行凹坑填充，得到第二三维图像，即骨组织分割图像。
[0079]
步骤s504，提取上述第二三维图像中的第二特征点。
[0080]
在本技术实施例中，得到第二三维图像后，将其导出为可以提取面片的几何文件格式，比如stl文件格式，然后从该stl文件中提取表面三角面片的顶点作为第二三维图像中的特征点。
[0081]
然后，通过特征点识别网络提取第二三维图像中的特征点，这里所指的特征点即第二特征点为骨组织比如头盖骨、脊柱、骨盆、大腿骨等的特征识别点。特征点识别网络基于卷积神经网络模型cnn搭建而成，不同部位的特征点识别网络的区别在于输出的个数不一样，输出的个数为3*p，p为不同部位的特征点个数。
[0082]
在提取第二三维图像中的第二特征点时，首先聚焦于头部、脊柱椎体、骨盆及腿部的具体部位，然后将聚焦的部位对应的图像数据输入到各部位对应的特征识别点网络，分别输出个部位三维特征点坐标，完成对第二特征点的提取。
[0083]
步骤s505，根据上述第二特征点确定上述目标患者的脊椎-骨盆的三维形态参数。
[0084]
在本技术实施例中，基于各个骨组织不同部位对应的第二特征点，通过基准特征点和旋转矩阵，确定目标患者的脊椎-骨盆的三维形态参数。
[0085]
第二特征点和基准特征点可以看作是两组向量加轴向旋转角系统，根据矩阵运算，可以计算出旋转矩阵r，再采用基于欧拉角的旋转矩阵阵列方程，可以求解得到三个空间欧拉角，即通过各部分对应的第二特征点、基准特征点以及由第二特征点和基准特征点确定的旋转矩阵，可以确定骨组织各部位的三维欧拉旋转角，从而确定目标患者的脊椎-骨盆的三维形态参数。
[0086]
在本技术实施例中，通过水平集函数和正则化能量函数可以快速并有效地确定目标患者的脊椎-骨盆的三维形态参数，并且具有较高的准确率，为评估患者的身体平衡状态提供了良好的判断依据，提高了评估准确率。
[0087]
步骤s105，根据上述三维形态参数确定脊椎-骨盆力线。
[0088]
在本技术实施例中，根据三维形态参数确定的脊椎-骨盆力线为三维力线，其是脊柱各段椎体的三维空间位置比如椎体中心位置的联系，另外包括特征位置的位姿状态，比如骶骨、骨盆和椎体的空间角度，也即三维倾角。基于三维形态参数，通过几何测量可以获取到脊椎-骨盆力线。
[0089]
步骤s106，根据上述脊椎-骨盆力线，评估上述目标患者身体平衡状态。
[0090]
在本技术实施例中，脊椎-骨盆力线作为评估患者身体平衡状态的重要指标，在确定信息更全面，更准确的脊椎-骨盆力线后，可以帮助医生精准地评估患者的身体平衡状态，比如评估青少年脊柱侧弯脊柱骨盆平衡状态。
[0091]
在本技术实施例中，通过根据多组基于相邻两张目标图像提取到的特征点对多张目标图像进行拼接，并通过训练好的神经网络模型对拼接得到的第一拼接图像进行三维重建以快速地得到匹配度和准确度较高的第一三维图像，再根据该第一三维图像确定目标患者的脊椎-骨盆的三维形态参数，从而得到准确度更高的脊椎-骨盆力线，提高对患者身体平衡状态的评估准确度，利于医生更好地进行术前规划和术后评估。
[0092]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0093]
基于上述实施例所提供的基于脊椎-骨盆力线的平衡状态评估方法，本技术实施
例进一步给出实现上述方法实施例的装置实施例。
[0094]
请参见图6，图6是本技术实施例提供的基于脊椎-骨盆力线的平衡状态评估装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图6，基于脊椎-骨盆力线的平衡状态评估装置6包括：
[0095]
第一特征点获取单元61，用于获取m组第一特征点，上述第一特征点为基于一组目标图像提取到的特征点，上述目标图像为目标患者的脊椎-骨盆的二维图像，每组上述目标图像为相邻的两张目标图像，m为大于1的整数；
[0096]
图像拼接单元62，用于根据m组上述第一特征点，对多张上述目标图像进行拼接得到第一拼接图像；
[0097]
第一三维重建单元63，用于通过训练好的三维图像重建网络，对上述第一拼接图像进行三维重建得到第一三维图像；
[0098]
三维形态参数确定单元64，用于根据上述第一三维图像确定上述目标患者的脊椎-骨盆的三维形态参数；
[0099]
脊椎-骨盆力线确定单元65，用于根据上述三维形态参数确定脊椎-骨盆力线；
[0100]
平衡状态评估单元66，用于根据上述脊椎-骨盆力线，评估上述目标患者身体平衡状态。
[0101]
在本技术的一些实施例中，图像拼接单元62包括：
[0102]
归一化处理子单元，用于对m组上述第一特征点的点坐标进行归一化处理；
[0103]
特征点抽取子单元，用于按照预定数值n，从归一化处理后的m组上述第一特征点中抽取n组上述第一特征点，n《m；
[0104]
特征点确认子单元，用于从n组上述第一特征点中，确定符合预设条件的上述第一特征点，得到t组上述第一特征点，t《n《m；
[0105]
图像拼接子单元，用于对t组上述第一特征点对应的目标图像进行拼接，得到上述第一拼接图像。
[0106]
在申请实施例中，上述三维图像重建网络包括编码网络、2d-3d数据转换模块和解码网络。上述编码网络包括二维卷积模块和残差模块，上述残差模块由二维卷积层、批标准化层和激活层构成。
[0107]
在本技术的一些实施例中，第一三维重建单元63，包括：
[0108]
二维图像特征提取子单元，用于通过上述编码网络，提取上述第一拼接图像的二维图像特征；
[0109]
图像维度转换子单元，用于通过上述2d-3d数据转换模块将上述二维图像特征转换为三维图像特征；
[0110]
第一三维重建子单元，用于通过上述解码网络对上述三维图像特征进行解码重建，得到上述第一三维图像。
[0111]
在本技术的另一些实施例中，图像维度转换子单元具体还用于：
[0112]
按照预设分辨率更改上述二维图像在深度方向上的分辨率；
[0113]
通过已更改深度方向上的分辨率的上述2d-3d数据转换模块，将上述二维图像特征转换为上述三维图像特征。
[0114]
在本技术的另一些实施例中，三维形态参数确定单元64包括：
[0115]
图像粗分割子单元，用于采用高斯平滑函数和水平集函数，对上述第一三维图像进行粗分割处理，在上述第一三维图像中的骨组织的预定区域生成上述骨组织的初始轮廓图；
[0116]
图像细分割子单元，用于采用正则化能量函数和水平集演化函数，利用水平集轮廓内外的区域直方图对上述初始轮廓图进行细分割处理，得到上述骨组织的二值掩码图像；
[0117]
第二三维重建子单元，用于对上述二值掩码图像进行三维重建，得到第二三维图像，上述第二三维图像为上述骨组织的三维影像数据；
[0118]
第二特征点提取子单元，用于提取上述第二三维图像中的第二特征点；
[0119]
三维形态参数确定子单元，用于根据上述第二特征点确定上述目标患者的脊椎-骨盆的三维形态参数。
[0120]
在本技术的一些实施例中，第二三维重建子单元包括：
[0121]
图像噪声去除子单元，用于通过高斯平滑函数对上述二值掩码图像进行预处理，去除上述二值掩码图像的图像噪声；
[0122]
图像填充子单元，用于通过图像仿射变换算法，对去除图像噪声后的上述二值掩码图像进行凹坑填充，得到上述第二三维图像。
[0123]
三维形态参数确定单元64，具体还用于：
[0124]
基于各个骨组织不同部位对应的第二特征点，通过基准特征点和旋转矩阵，确定上述目标患者的脊椎-骨盆的三维形态参数。
[0125]
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0126]
图7是本技术实施例提供的基于脊椎-骨盆力线的平衡状态评估设备的示意图。如图7所示，该实施例的基于脊椎-骨盆力线的平衡状态评估设备7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72，例如语音识别程序。处理器70执行计算机程序72时实现上述各个基于脊椎-骨盆力线的平衡状态评估方法实施例中的步骤，例如图1所示的步骤101-106。或者，处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61-66的功能。
[0127]
示例性的，计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在基于脊椎-骨盆力线的平衡状态评估设备7中的执行过程。例如，计算机程序72可以被分割成第一特征点获取单元61、图像拼接单元62、第一三维重建单元63、三维形态参数确定单元64、脊椎-骨盆力线确定单元65、平衡状态评估单元66，各单元具体功能请参阅图1对应的实施例中地相关描述，此处不赘述。
[0128]
基于脊椎-骨盆力线的平衡状态评估设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是基于脊椎-骨盆力线的平衡状态评估设备7的示例，并不构成对基于脊椎-骨盆力线的平衡状态评估设备7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，例如基于脊椎-骨盆力线的平衡状态评估设备还可以包括输入输出设备、网络接入设备、总线等。
[0129]
所称处理器70可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0130]
存储器71可以是基于脊椎-骨盆力线的平衡状态评估设备7的内部存储单元，例如基于脊椎-骨盆力线的平衡状态评估设备7的硬盘或内存。存储器71也可以是基于脊椎-骨盆力线的平衡状态评估设备7的外部存储设备，例如基于脊椎-骨盆力线的平衡状态评估设备7上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器71还可以既包括基于脊椎-骨盆力线的平衡状态评估设备7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及基于脊椎-骨盆力线的平衡状态评估设备所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
[0131]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时可实现上述基于脊椎-骨盆力线的平衡状态评估方法。
[0132]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在基于脊椎-骨盆力线的平衡状态评估设备上运行时，使得基于脊椎-骨盆力线的平衡状态评估设备执行时实现可实现上述基于脊椎-骨盆力线的平衡状态评估方法。
[0133]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0134]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0135]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0136]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。