[发明专利]一种脊柱X光图像cobb角测量方法

权利要求书

1.一种脊柱X光图像cobb角测量方法，其特征在于，包括以下步骤：

S1：椎体关键点检测；

输入医学Dicom图像或者通用图像，进行预处理后得到椎体区域图像，将椎体区域影像输入到椎体关键点检测模型识别椎体关键点；

S2：计算生成椎体夹角波形图；

根据步骤S1检测到的关键点，计算每一块椎体上端线段和下端线段与水平线的夹角，即得多个角度，然后按照一定的顺序绘制椎体夹角波形图；

S3：求解cobb角；

通过步骤S2中得到的椎体夹角波形图，分析计算得到目标cobb角；

步骤S1包括以下子步骤：

S11：输入医学Dicom图像或者通用图像，进行预处理，去除跟人体无关的区域，同时减少后续算法处理图形的范围，首先将图像转换到灰度空间，对图像做二值化处理，像素大于0置位1，其余置位0；然后对二值图像做形态学开操作，寻找最大的连通区域，利用cv2.findContours寻找所有的轮廓，轮廓集合中存在所有轮廓计算面积，找到面积最大的轮廓，然后利用cv2.convexHull计算面积最大轮廓的凸包，得到轮廓的左上角和右下角坐标，即得到人体前景区域坐标；其中，cv2.findContours为OpenCV寻找图像中物体轮廓的函数；cv2.convexHull为OpenCV寻找图像中凸包的函数；

S12：利用步骤S11，生成只有人体区域的人体前景图像，然后对椎体T1-T12和L1-L5的椎体的四个顶点进行标注；

S13：cobb测量是针对椎体区域，对人体前景图像中的椎体进行分割，然后得到椎体区域图像；

S14：将椎体区域图像输入到椎体关键点检测模型识别椎体关键点，借鉴U-net思想构建Encoder-Decoder框架，backbone选取Resnet101；提出基于椎体的关键点检测方法，学习椎体关键点，即椎体的四个顶点以及椎体的中心；其中，U-net是基于全卷积网络下一个语义分割应用于生物医学的深度学习网络；backbone为主干网络，用来做特征提取的网络，用于提取图片信息，生成特征图feature map；Resnet101为101层的深度残差网络；

步骤S13包括以下子步骤：

S131：生成椎体分割数据集，将标注的数据集进行处理生成椎体区域的掩码图像；

S132：训练阶段，模型采用HRNet作为分割模型，HRNet通过连接并行的不同分辨率表示和重复进行多尺度融合来维持高分辨率表示，网络输入图像尺寸为3*1012*512，经过图像归一化处理，HRNet网络最后输出通道为2*1024*512，网络即学习到椎体前景和背景，优化器采用SGD，学习率lr=0.0001，梯度优化时的动量momentum=0.9，权值衰减weight_decay=0.0001，损失函数采用二分类的交叉熵损失函数nn.BCEWithLogitLoss；其中，HRNet即High-Resoultion Net，是将不同分辨率的feature map进行并联，在并联的基础上,添加不同分辨率feature map之间交互；

S133：推理阶段，图像送入椎体分割模型，分割椎体区域，产生椎体Mask，计算Mask的最大外接矩形，然后得到椎体区域图像。

2.如权利要求1所述的一种脊柱X光图像cobb角测量方法，其特征在于，步骤S14包括以下子步骤：

S141：生成椎体关键点数据集，将标注的数据集，经过步骤S13，得到椎体区域图像，重新计算生成关键点的坐标；

S142：训练阶段，模型Encoder-Decoder架构，采用Resnet101作为基础模型，后续并联Heatmap、center offset和corner offset分别学习关键点的热力图、椎体中心点同椎体顶点的距离和椎体顶点的偏移值；网络输入图像尺寸为3*1012*512，经过图像归一化处理，HRNet网络最后输出通道为2*1024*512，优化器采用Adam，学习率lr=0.0003，权值衰减weight_decay=0.00001，损失函数采用关键点回归的L1损失函数；其中，Heatmap关键点的热力图、center offset椎体中心点同椎体顶点的距离量和corner offset椎体顶点的偏移值；

S143：推理阶段，送入椎体关键点检测模型，检测T1-T12和L1-L5的椎体的四个顶点以及椎体的中心。