(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211020335.0 (22)申请日 2022.08.24 (71)申请人 北京联影智能影 像技术研究院 地址 100089 北京市海淀区永腾北路9号院 3号楼4层 (72)发明人 刘晓鸣　吴青霞　乔治　 (74)专利代理 机构 北京华进京联知识产权代理 有限公司 1 1606 专利代理师 唐德君 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06T 7/73(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 医学图像处理方法、 装置、 计算机设备和存 储介质 (57)摘要 本申请涉及一种医学图像处理方法、 装置、 计算机设备、 存储介质和计算机程序产品。 方法 包括： 获取初始图像对应的待识别图像； 待识别 图像为对第一图像和第二图像进行叠加得到的； 第一图像为根据髋关节拓扑约束条件确定出的 初始图像的第一垂直中轴线一侧的图像； 第二图 像为第一垂直中轴线另一侧的图像翻转后得到 的图像； 将待识别图像输入至预训练的关键点识 别模型中， 得到与各目标关键点对应的关键点概 率图； 预训练的关键点识别模型为根据髋关节拓 扑约束条件训练得到的； 根据各关键点概率图确 定对应的目标关键点在初始图像中的预测坐标。 采用本方法能够提高髋关节关键点的检测准确 率。 权利要求书3页 说明书19页 附图7页 CN 115359006 A 2022.11.18 CN 115359006 A 1.一种医学图像处 理方法， 其特 征在于， 所述方法包括： 获取初始图像对应的待识别图像； 所述待识别图像为对第 一图像和第 二图像进行叠加 得到的； 所述第一图像为根据髋关节拓扑约束 条件确定出的初始图像的第一垂 直中轴线一 侧的图像； 所述第二图像为所述第一垂直中轴线另一侧的图像翻转后得到的图像； 将所述待识别图像输入至预训练的关键点识别模型中， 得到与 各目标关键点对应的关 键点概率图； 所述预训练的关键点识别模型为 根据所述髋关节拓扑约束条件训练得到的； 根据各所述关键点 概率图确定对应的目标关键点在所述初始图像中的预测坐标。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取初始样本图像对应的训练样本集； 所述训练样本集中的每个训练样本包括样本图 像和所述样本图像对应的掩膜图像； 所述初始样本图像标记有各所述目标关键点对应的目 标坐标； 所述掩膜图像由与所述目标关键点相对应的二 值化掩膜矩形组成； 将所述样本图像输入至待训练 的关键点识别模型中， 得到所述样本图像对应的预测概 率图； 所述预测概率图包括背 景预测概率图以及与各所述目标关键点对应的关键点预测概 率图； 根据所述预测概率图、 所述掩膜图像以及所述髋关节拓扑约束条件， 对所述待训练的 关键点识别模型进行训练， 得到所述预训练的关键点识别模型。 3.根据权利要求2所述的方法， 其特征在于， 所述样本图像为对第 一样本图像和第 二样 本图像进 行叠加得到的； 所述第一样本图像为根据所述髋关节拓扑约束 条件确定出的初始 样本图像的第二垂 直中轴线一侧的图像； 所述第二样本图像为所述第二垂 直中轴线另一侧 的图像翻转后得到的图像； 所述目标关键点包括与所述第一样本图像对应的第一关键点集 和所述第二样本图像对应的第二关键点集； 所述髋关节拓扑约束 条件包括股骨头拓扑约束 条件和髋臼拓扑约束条件； 所述根据所述预测 概率图、 所述掩膜图像以及所述髋关节拓扑 约束条件， 对所述待训练的关键点识别模型进行训练， 得到所述预训练的关键点识别模型， 包括： 根据初始损失函数， 确定所述预测概 率图与所述掩膜图像之间的第一差异； 根据所述股骨头拓扑约束条件， 确定所述第 一关键点集对应的第 一股骨头半径与 所述 第二关键点 集对应的第二股骨头半径之间的第二差异； 根据所述髋臼拓扑约束条件， 确定所述第 一关键点集对应的第 一髋臼半径与 所述第二 关键点集对应的第二髋臼半径之间的第三差异； 根据所述第 一差异、 所述第 二差异和所述第 三差异对所述待训练 的关键点识别模型进 行训练， 得到所述预训练的关键点识别模型。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述股骨头拓扑约束条件， 确定 所述第一关键点集对应的第一股骨头半径与所述第二关键点集对应的第二股骨头半径之 间的第二差异， 包括： 根据所述第 一关键点集中的目标关键点在所述初始样本图像对应的预测样本坐标， 得 到所述第一股骨头半径； 根据所述第 二关键点集中的目标关键点在所述初始样本图像对应的预测样本坐标， 得 到所述第二股骨头半径； 确定所述第一股骨头半径与所述第二股骨头半径之间的长度差异， 作为所述第二差权　利　要　求　书 1/3 页 2 CN 115359006 A 2异。 5.根据权利要求3所述的方法， 其特征在于， 所述根据所述髋臼拓扑约束条件， 确定所 述第一关键点集对应的第一髋臼半径与所述第二关键点集对应的第二髋臼半径之间的第 三差异， 包括： 拟合出所述第 一关键点集中的目标关键点在所述初始样本图像中对应的第 一圆弧， 以 及所述第二关键点 集中的目标关键点在所述初始样本图像中对应的第二圆弧； 确定所述第 一圆弧的半径， 作为所述第一髋臼半径， 以及确定所述第 二圆弧的半径， 作 为所述第二髋臼半径； 确定所述第一髋臼半径与所述第二髋臼半径之间的长度差异， 作为所述第三差异。 6.根据权利要求3所述的方法， 其特征在于， 所述股骨头拓扑约束条件用于约束所述第 二差异小于股骨头 半径差异阈值； 所述髋臼拓扑约束 条件用于约束所述第三差异小于髋臼 半径差异阈值； 所述根据所述第一差异、 所述第二差异和所述第三差异对所述待训练的关 键点识别模型进行训练， 得到所述预训练的关键点识别模型， 包括： 根据所述第一差异、 所述第 二差异和所述第三差异， 按照预设的参数优化算法， 对所述 待训练的关键点识别模型的模型参数进行 更新； 重新训练模型参数更新后的关键点识别模型， 当所述第一差异小于预设差异阈值、 所 述第二差异小于所述股骨头 半径差异阈值， 以及所述第三差异小于所述髋臼半径差异阈值 时， 确定训练后的关键点识别模型满足预设的训练结束条件， 得到所述预训练的关键点识 别模型。 7.根据权利要求1所述的方法， 其特征在于， 所述目标关键点包括位于所述第 一图像中 的第一目标关键点和位于所述第二图像中的第二目标关键点； 所述关键点概率图包括与各 所述第一目标关键点对应的第一关键点概率图， 以及与各所述第二目标关键点对应的第二 关键点概率图； 所述根据各所述关键点概率图确定对应的目标关键点在所述初始图像中的 预测坐标， 包括： 对于任一所述关键点概率图， 根据 预设的概率阈值对所述任一关键点概率图进行二值 化处理， 得到对应的二 值化掩膜图像； 确定所述对应的二 值化掩膜图像中面积最大的连通 域， 得到目标 连通域； 针对任一所述第一关键点概率图， 确定所述目标连通域的几何中心 的坐标， 作为所述 任一第一关键点 概率图对应的第一目标关键点在所述初始图像中的预测坐标； 针对任一所述第 二关键点概率图， 将所述目标连通域的几何中心的坐标沿所述第 一垂 直中轴线翻转， 得到所述任一第二关键点概率图对应的第二目标关键点在所述初始图像中 的预测坐标。 8.一种医学图像处 理装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取初始图像对应的待识别图像； 所述待识别图像为对第一图像和第 二图像进 行叠加得到的； 所述第一图像为根据髋关节拓扑约束条件确定出的初始图像的第 一垂直中轴线一侧的图像； 所述第二图像为所述第一垂 直中轴线另一侧的图像翻转后得到 的图像； 输入模块， 用于将所述待识别图像输入至预训练的关键点识别模型中， 得到与各目标 关键点对应的关键点概率图； 所述预训练的关键点识别模型为根据所述髋关节拓扑约束 条权　利　要　求　书 2/3 页 3 CN 115359006 A 3