图像检测方法、计算机设备和存储介质与流程

本申请涉及图像处理技术领域，特别是涉及一种图像检测方法、计算机设备和存储介质。

背景技术：

脊柱是人体重要的支撑结构，共包括7颈椎、12胸椎和5腰椎。现代社会中，脑力工作者的体力活动减少，需要久坐的办公时间大大增加，因此脊柱出现问题的人也越来越多，而不同类型和不同程度的脊柱问题的治疗手段通常也是不一样的，因此就需要对脊柱的一些参数进行测量，以便基于这些参数去确定脊柱属于哪类或者哪种程度的问题。

相关技术中，一般在受检者拍摄医学影像之后，通常是医生手动在医学影像上进行脊柱相关点的标记，然后根据标记的脊柱相关点对脊柱的一些参数进行测量。

然而上述技术存在耗费人力的问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够节省人力的图像检测方法、装置、计算机设备和存储介质。

一种图像检测方法，该方法包括：

获取待检测医学图像；该待检测医学图像包括感兴趣区域；

将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

在其中一个实施例中，上述感兴趣区域的相关结构参数包括感兴趣区域的曲度，上述关键点集包括各个关键点的位置信息；上述方法还包括：

基于关键点集中的各个关键点的位置信息，对感兴趣区域上的关键点集中的各个关键点进行划分，得到感兴趣区域上的至少一个关键点子集；

基于至少一个关键点子集，确定每个关键点子集对应的特征值；

基于每个关键点子集对应的特征值，确定感兴趣区域的曲度的类别。

在其中一个实施例中，上述基于每个关键点子集对应的特征值，确定感兴趣区域的曲度的类别，包括：

将每个关键点子集对应的特征值输入至分类模型中，确定感兴趣区域的曲度的类别；该分类模型是基于样本医学图像集进行训练得到的，样本医学图像集包括训练医学图像中感兴趣区域的各个关键点子集对应的特征值和训练医学图像中感兴趣区域的曲度的标注类别。

在其中一个实施例中，上述基于至少一个关键点子集，确定每个关键点子集对应的特征值，包括：

对每个关键点子集中的各个关键点进行拟合处理，确定每个关键点子集对应的圆；

基于每个关键点子集对应的圆以及每个关键点子集中各个关键点的位置信息，确定每个关键点子集对应的圆的目标半径；该目标半径为带有正负符号的半径；

根据每个关键点子集对应的圆的目标半径，得到每个关键点子集对应的曲率值，并将每个关键点子集对应的曲率值确定为每个关键点子集对应的特征值。

在其中一个实施例中，上述基于每个关键点子集对应的圆以及每个关键点子集中各个关键点的位置信息，确定每个关键点子集对应的圆的目标半径，包括：

根据每个关键点子集对应的圆，得到每个关键点子集对应的圆的圆心位置；

基于每个关键点子集对应的圆的圆心位置以及每个关键点子集中各个关键点的位置信息，得到每个关键点子集与对应的圆的圆心位置的相对位置结果；

若相对位置结果中一个关键点子集对应的圆的圆心位置在关键点子集的左侧，则将一个关键点子集对应的圆的半径确定为目标半径；

若相对位置结果中另一个关键点子集对应的圆的圆心位置在关键点子集的右侧，则将另一个关键点子集对应的圆的半径置为负的半径，并将负的半径确定为目标半径。

在其中一个实施例中，上述基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数，包括：

基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点之间点与点之间的距离，得到感兴趣区域的相关结构参数；

和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与线之间的距离，得到感兴趣区域的相关结构参数；

和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与点之间的距离，得到感兴趣区域的相关结构参数；

和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的面的面积，得到感兴趣区域的相关结构参数。

在其中一个实施例中，上述将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集，包括：

将待检测医学图像输入至关键点检测模型中，得到待检测医学图像中感兴趣区域对应的至少一个关键点的概率图；

基于至少一个关键点的概率图，确定感兴趣区域的每个关键点所对应的至少一个候选点；

采用动态规划算法对感兴趣区域的每个关键点所对应的至少一个候选点进行处理，得到感兴趣区域的每个关键点所对应的一个目标点；

基于感兴趣区域的每个关键点所对应的一个目标点，得到感兴趣区域对应的关键点集。

在其中一个实施例中，上述基于至少一个关键点的概率图，确定感兴趣区域的每个关键点所对应的至少一个候选点，包括：

根据预设的概率阈值对每个关键点的概率图进行二值化处理，得到每个关键点的概率图对应的二值化掩膜图像；

对各个二值化掩膜图像中的连通域进行标记，并根据标记的连通域确定其中面积大于预设的面积阈值的候选连通域；

计算每个候选连通域对应的关键点的概率图中概率值的加权中心和平均概率值，得到感兴趣区域的每个关键点所对应的至少一个候选点。

一种图像检测装置，该装置包括：

获取模块，用于获取待检测医学图像；该待检测医学图像包括感兴趣区域；

检测模块，用于将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

确定模块，用于基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待检测医学图像；该待检测医学图像包括感兴趣区域；

将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待检测医学图像；该待检测医学图像包括感兴趣区域；

将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

上述图像检测方法、装置、计算机设备和存储介质，通过采用关键点检测模型对待检测医学图像进行关键点检测，得到待检测医学图像中感兴趣区域对应的关键点集，并基于感兴趣区域对应的关键点集确定感兴趣区域的相关结构参数，该相关结构参数可以表征感兴趣区域的形态。在该方法中，由于可以采用关键点检测模型对受检者的医学图像进行关键点检测，而不需要医生手动根据经验去标注关键点，因此该方法可以降低对医生的经验要求，同时也不会耗费医生太多的精力和时间，从而可以节省人力；另外，由于利用关键点检测模型检测检测关键点，不会出现因为医生疲劳所引起的关键点检测错误的问题，因此该方法检测得到的关键点也是比较准确的，从而在利用该准确的关键点去确定感兴趣区域的相关结构参数时，确定的相关结构参数也是比较准确的，进而在利用该准确的相关结构参数去确定后续的治疗方案时，确定的治疗方案也是比较准确的。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2a为一个实施例中图像检测方法的流程示意图；

图2b为一个实施例中标记的关键点的位置示意图；

图3a为另一个实施例中图像检测方法的流程示意图；

图3b为另一个实施例中关键点集划分的示意图；

图3c为另一个实施例中脊椎曲度的类别示意图；

图4为另一个实施例中图像检测方法的流程示意图；

图5为另一个实施例中图像检测方法的流程示意图；

图6为一个实施例中图像检测装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

脊柱是人体重要的支撑结构，共包括7颈椎、12胸椎和5腰椎。现代社会中，脑力工作者体力活动减少，需要久坐的办公时间大大增加，因此出现的脊柱问题已成为严重的公共卫生问题，大幅降低了人们的生活质量。不同类型和程度的脊柱疾病其治疗原则相差很大，治疗后的预后也各不相同，精准且一致的基于脊柱影像的精确测量对于影像诊断、手术规划以及术后康复设计都非常重要。目前医生在临床工作中通常采用手动标记脊椎点的方法对脊柱进行标记和测量，一方面，该方法要求医生必须具有足够丰富的经验，因为这些解剖结构参数的测量准确率将直接影响治疗方案的选择；另一方面，手动测量的方法通常需要耗费医生大量的精力，易导致医生疲劳乏力，影响工作效率和质量。另外，针对脊柱解剖结构的关键点检测，除了人工手动标定，目前现有技术中很多是基于传统算法和深度学习方法，然而，由于相邻脊椎距离小，具有高度相似的特征，病人的病理情况如脊柱侧弯或者金属植入支架、钢钉等原因，导致现有的关键点检测方法在脊柱医学图像中的应用受到较大限制。目前，基于卷积神经网络的脊柱关键点检测主要用于椎体的定位，用以辅助其他与椎体邻近器官的检测和定位，如椎间盘、肋骨等，均不能用于脊柱关键点检测。脊柱解剖结构中关键点的准确检测是实现精准量化脊柱解剖结构参数、评估脊柱形态学变化的重要前提，因而关键点检测具有重要的临床意义和科研意义。为此，本申请提供一种图像检测方法、装置、计算机设备和存储介质，以便解决上述技术问题。

本申请提供的图像检测方法，可以应用于计算机设备，该计算机设备可以是终端或服务器，该计算机设备可以和医学扫描设备进行有线或无线通信。以计算机设备为终端为例，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是图像检测装置，下面就以计算机设备为执行主体进行说明。

在一个实施例中，提供了一种图像检测方法，本实施例涉及的是如何对待检测医学图像中感兴趣区域的关键点进行检测，并基于检测的关键点确定感兴趣区域的相关结构参数的具体过程。如图2a所示，该方法可以包括以下步骤：

s202，获取待检测医学图像；该待检测医学图像包括感兴趣区域。

其中，待检测医学图像可以是待检测对象的医学图像，待检测对象可以是人类或非人类，待检测医学图像可以是ct(computedtomography，电子计算机x射线断层扫描)图像、pet(positronemissiontomography，正电子发射计算机断层显像)图像、mr(magneticresonance，核磁共振)图像、x射线图像等；待检测医学图像可以是一维图像、二维图像、三维图像等。另外，感兴趣区域可以是脊柱，也可以是其他器官，当然也可以是脊柱中的各段脊椎，例如可以是颈椎、胸椎、腰椎等。

具体的，计算机设备可以通过与其连接的扫描设备对待检测对象进行扫描，并对扫描数据进行重建和校正等，得到待检测医学图像，还可以是在预先存储好待检测医学图像的数据库中读取得到该医学图像，当然还可以有其他获取方式，本实施例对此不作具体限定。

s204，将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记。

其中，关键点检测模型可以是卷积神经网络模型，当然也可以是其他神经网络模型，若是卷积神经网络模型，那么可以是深度卷积神经网络cnn、生成式对抗网络gan、卷积神经网络u-net和v-net或者循环神经网络rnn等；可选的，这里的关键点检测模型可以是v-net模型。另外，每个感兴趣区域上可以包括至少一个关键点，检测出来的各个关键点组合起来就可以得到关键点集，关键点在这里可以是感兴趣区域的边界点、中心点、人为定义的感兴趣区域的角点等等，例如感兴趣区域是颈椎，关键点可以是颈椎的椎体中线点或者椎体后上方的角点等等。

在本步骤中，在使用关键点检测模型之前，还可以对该关键点检测模型进行训练，训练过程如下：

1)生成训练数据集

使用标注软件，对于给定的n个样本医学图像，对每个样本医学图像标记出i个关键点pi(1≤i≤i，且i为自然数)，参见图2b所示，为对一个样本医学图像的三个切面(矢状面、管状面、水平面)上的关键点标记的示意图，图中十字线的交点就为标记的关键点的所在位置(需要说明的是，此图只是示意图，不影响方案实质)，在标记之后，可以保存每个关键点的坐标，并生成每个关键点对应的掩膜图像，这里的掩膜图像由i个以每一个关键点坐标pi为圆心，半径为r的圆形或球形二值化掩膜构成，也可以称为金标准图像。这样每个样本医学图像就可以得到i个掩膜图像，然后将每个样本医学图像和其对应的i个掩膜图像进行配对，得到n个训练数据对，这n个训练数据对组成训练数据集。这里的n、i、r的大小均可以根据实际情况而定，示例地，n可以为1000，i为24，r为6像素等等。

2)建立卷积神经网络模型

构建初始卷积神经网络模型，并设定卷积神经网络模型的超参数，其中网络的输入通道为1，输出通道为i+1，分别对应i个关键点的检测概率图与背景的检测概率图；网络结构包含输入模块、两个下采样模块、两个上采样模块和输出模块，除输出模块，其他模块均使用了批归一化层以及非线性激活函数relu，而输出模块中的非线性激活函数改用softmax，它的输出值在(0,1)区间内，这里最后的softmax是在各输出通道之间做的，这样可以使最终输出的各个概率图中对应位置元素的和为1，概率图中的概率值分别代表了原图中当前位置像素属于各个标签类的概率。之后可以将训练数据集分成训练集x1、验证集x2和测试集x3，训练集、验证集与测试集之间互相独立，对应的数量分别为n1、n2和n3，均为自然数，且n1+n2+n3＝n，n1≥1/2n。这里的n1、n2和n3的大小均可以根据实际情况而定，示例地，假设n为1000，那么n1、n2和n3可以分别为500、200、300。另外，上述超参数可以包括网络层数、卷积核、学习率、参数初始化、训练轮数和批次规模。

3)训练卷积神经网络

使用步骤1)中生成的训练数据集训练步骤2)建立的卷积神经网络，其中训练集x1用于训练卷积神经网络模型，验证集x2用于评价模型当前的性能，测试集x3用于检验模型的泛化性能；训练过程中，训练集将分多个批次并重复输入卷积神经网络模型训练多轮，同时，使用损失函数计算输出图像与掩膜图像的差异作为训练误差反馈给卷积神经网络模型，并通过学习算法更新模型参数；每一批次的训练结束后，使用验证集对卷积神经网络模型进行性能测试，待性能测试指标训练趋于稳定后时，则认为卷积神经网络模型的训练完成，保存训练完成的网络模型。示例地，假设上述n为1000，那么这里的训练批次可以为100，那么训练集就可以分100个批次重复输入卷积神经网络模型训练100轮，这里的损失函数可以是焦点损失函数(focalloss)、集合相似度度量函数(diceloss)，上述的学习算法可以是自适应矩估计优化算法(adaptivemomentestimation,adam)、随机梯度下降(stochasticgradientdescent,sgd)、、动量算法(momentum)等等。

在关键点检测模型训练好之后，计算机设备就可以将上述待检测医学图像输入至该关键点检测模型中，得到感兴趣区域上的至少一个关键点，然后将这些关键点组合起来，就可以得到感兴趣区域的对应的关键点集。这里通过关键点检测模型得到的关键点，可以包括每个关键点的位置信息，类别信息等，其中类别信息可以包括关键点所属的器官类型和在器官上所属的节段。

s206，基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

在本步骤中，相关结构参数也可以称为特征值，其可以包括解剖结构参数和形态特征描述参数，其中解剖结构参数包括：科布角(cobb)、椎间隙距离、椎管直径、椎体直径、椎体滑脱距离，形态特征描述参数包括曲度、顺列等等。通过这些相关结构参数，可以确定感兴趣区域的病变类型、病变程度等等。

具体的，计算机设备在得到感兴趣区域对应的关键点集之后，可以通过对关键点集中的部分关键点进行计算或者对关键点集中的全部关键点进行计算，得到感兴趣区域的相关结构参数。当然这里也可以是用关键点集中的不同点去计算不同的相关结构参数等。另外，也可以在上述样本医学图像上标记关键点时，将关键点分成一个或多个子集，每个子集绑定一种相关结构参数的计算方法，然后在得到感兴趣区域对应的关键点集之后，就可以先确定其中的关键点属于哪个子集，然后用该子集对应的计算方法对这些关键点进行计算，得到相关结构参数。

上述图像检测方法中，通过采用关键点检测模型对待检测医学图像进行关键点检测，得到待检测医学图像中感兴趣区域对应的关键点集，并基于感兴趣区域对应的关键点集确定感兴趣区域的相关结构参数，该相关结构参数可以表征感兴趣区域的形态。在该方法中，由于可以采用关键点检测模型对受检者的医学图像进行关键点检测，而不需要医生手动根据经验去标注关键点，因此该方法可以降低对医生的经验要求，同时也不会耗费医生太多的精力和时间，从而可以节省人力；另外，由于利用关键点检测模型检测检测关键点，不会出现因为医生疲劳所引起的关键点检测错误的问题，因此该方法检测得到的关键点也是比较准确的，从而在利用该准确的关键点去确定感兴趣区域的相关结构参数时，确定的相关结构参数也是比较准确的，进而在利用该准确的相关结构参数去确定后续的治疗方案时，确定的治疗方案也是比较准确的。

在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是若相关结构参数包括曲度，关键点集包括各个关键点的位置信息，那么如何基于各个关键点的位置信息，确定感兴趣区域的曲度的类别的具体过程。在上述实施例的基础上，如图3a所示，该方法还可以包括以下步骤：

s302，基于关键点集中的各个关键点的位置信息，对感兴趣区域上的关键点集中的各个关键点进行划分，得到感兴趣区域上的至少一个关键点子集。

其中，各关键点的位置信息可以各关键点的坐标，可以是一维坐标、二维坐标、三维坐标等。

具体的，在得到关键点集中各个关键点的位置信息之后，可以基于各关键点的位置信息，即各关键点所处的位置，按照整体和/或局部的划分思想，将关键点集中的各个关键点划分成整体关键点对应的子集和部分关键点对应的子集，这里整体关键点对应的子集和部分关键点对应的子集均可以表征感兴趣区域的形态，划分的子集数量可以根据实际情况而定，本实施例不作具体限定。

另外，由于一般采用两个点对一个器官的形态进行评价时，会存在噪声较多，导致评价结果不准确的问题，因此通常这里的每个子集中至少包括三个关键点，且每个子集中包括的关键点的位置信息具有连续性。

示例地，参见图3b所示，假设检测模型得到的关键点集是颈椎c2-c7椎体后方上下角的12个关键点，分别为点1-点12，那么这里可以按照各点的位置和整体局部的思想，将这c2-c7的12个点划分成5个子集，例如，整体子集：c2-c7(点1-点12)，局部子集：c2-c4(点1-点6)、c3-c5(点3-点8)、c4-c6(点5-点10)、c5-c7(点7-点12)。需要说明的是，图3b只是示意图，不影响本申请实施例的实质内容。

s304，基于至少一个关键点子集，确定每个关键点子集对应的特征值。

在本步骤中，每个关键点子集对应的特征值可以是每个子集中各个关键点拟合的圆弧的中心点与各关键点之间的最短距离或者最长距离，也可以是拟合的圆弧的半径，当然也可以是拟合的圆弧的曲率等等。

s306，基于每个关键点子集对应的特征值，确定感兴趣区域的曲度的类别。

在本步骤中，可选的，可以将每个关键点子集对应的特征值输入至分类模型中，确定感兴趣区域的曲度的类别；该分类模型是基于样本医学图像集进行训练得到的，样本医学图像集包括训练医学图像中感兴趣区域的各个关键点子集对应的特征值和训练医学图像中感兴趣区域的曲度的标注类别。

上述在使用分类模型分类之前，可以预先对分类模型进行训练，训练过程如下：获取不同对象的样本医学图像集，样本医学图像集中每个训练医学图像都包括感兴趣区域的曲度的标注类别，之后可以利用关键点检测模型得到每个训练医学图像上感兴趣区域的关键点集，然后对每个训练医学图像的关键点集进行子集划分，得到每个训练医学图像对应的各个关键点子集，并确定各个关键点子集对应的特征值，然后将每个训练医学图像的各个关键点子集对应的特征值输入至初始分类模型，得到感兴趣区域的曲度的预测类别，然后根据曲度的预测类别和曲度的标注类别之间的损失对初始分类模型进行训练，得到训练好的分类模型。

在分类模型训练好之后，就可以将s304中得到的每个关键点子集对应的特征值输入至分类模型，得到感兴趣区域的曲度的类别，得到曲度的类别之后，医生就可以根据曲度的类别确定待检测对象的病变类型以及病变程度。利用分类模型得到曲度的类别，相比人工通过经验分析图像得到曲度的类别，本实施例得到的曲度的类别更加准确，同时也更加节省人力和节省检测时间；同时也会降低因为医生疲劳所带来的误检率。

另外，这里的类别可以是采用数字、字母、文字等方式表示。类别可以包括正常或不正常等，当然也可以包括其他类别。示例地，以脊椎为例，参见图3c所示，当脊柱呈现不同形态时，脊椎类别可以包括正常(也称为可)、直、反弓等类别(需要说明的是，图3c只是示意图，不影响本申请实施例的实质内容)。若上述通过分类模型确定出待检测对象的曲度类别为反弓，那么就可以将曲度类别记录到相应的影像报告中，并提醒待检测对象患有颈椎病。

本实施例提供的图像检测方法，若感兴趣区域的相关结构参数包括感兴趣区域的曲度，可以依据关键点集中各个关键点的位置信息将关键点集划分成至少一个子集，并得到每个子集的特征值，以及基于每个子集的特征值得到感兴趣区域的曲度的类别。在本实施例中，由于可以将感兴趣区域的关键点集划分为多个关键点子集，这样得到的数据量会更加丰富，从而在利用多个关键点子集的特征值去确定感兴趣区域的曲度的类别时，得到的曲度的类别会更加准确。

在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是如何基于关键点子集确定对应的特征值的具体过程。在上述实施例的基础上，如图4所示，上述s304可以包括以下步骤：

s402，对每个关键点子集中的各个关键点进行拟合处理，确定每个关键点子集对应的圆。

在本步骤中，拟合处理可以采用插值法、磨光法、最小二乘法等进行拟合，拟合过程中可以对每个关键点子集中的各个关键点进行迭代拟合，得到为每个关键点子集拟合的一个圆。这里为每个关键点子集拟合的圆还需满足一定条件，以一个关键点子集为例，最终为该关键点子集拟合的圆要使得该关键点子集中各个关键点到圆弧的平均距离最短。

s404，基于每个关键点子集对应的圆以及每个关键点子集中各个关键点的位置信息，确定每个关键点子集对应的圆的目标半径；该目标半径为带有正负符号的半径。

在本步骤中，可选的，可以采用如下步骤a1-a4得到目标半径，如下：

步骤a1，根据每个关键点子集对应的圆，得到每个关键点子集对应的圆的圆心位置；

步骤a3，基于每个关键点子集对应的圆的圆心位置以及每个关键点子集中各个关键点的位置信息，得到每个关键点子集与对应的圆的圆心位置的相对位置结果；

步骤a1，若相对位置结果中一个关键点子集对应的圆的圆心位置在关键点子集的左侧，则将一个关键点子集对应的圆的半径确定为目标半径；

步骤a4，若相对位置结果中另一个关键点子集对应的圆的圆心位置在关键点子集的右侧，则将另一个关键点子集对应的圆的半径置为负的半径，并将负的半径确定为目标半径。

在上述s402中，在为每个关键点子集拟合出对应的圆时，也就可以得到拟合的圆的圆心位置、圆的半径等信息，即可以得到每个关键点子集对应的圆的圆心及圆心坐标，然后定义一个正方向，一般右侧为正方向，那么可以通过比较每个关键点子集的圆心位置和子集中关键点所在的圆弧的位置，得到两者的相对位置关系，若关键点子集的圆心位置在圆弧的左侧，即圆心位于感兴趣区域的前侧，则将该关键点子集的圆的半径作为目标半径，若关键点子集的圆心位置在圆弧的右侧，即圆心位于感兴趣区域的后侧，则将该关键点子集的圆的半径加个负号，然后将负半径作为目标半径。继续以上述颈椎c2-c7椎体、分为5个关键点子集为例，那么这里就可以拟合得到5个圆，同时也可以得到5个目标半径。

s406，根据每个关键点子集对应的圆的目标半径，得到每个关键点子集对应的曲率值，并将每个关键点子集对应的曲率值确定为每个关键点子集对应的特征值。

具体的，可以将上述每个关键点子集对应的圆的目标半径取导数，得到每个目标半径的导数，记为每个关键点子集对应的曲率，这里由于目标半径是有正负符号的，那么每个关键点子集对应的曲率也是带有正负符号的，之后就可以将每个关键点子集对应的曲率确定为每个关键点子集对应的特征值。

本实施例提供的图像检测方法，可以对每个关键点子集进行曲线拟合，得到每个关键点子集对应的圆，基于得到的圆和各关键点子集的关键点位置，得到每个圆的目标半径，并将每个圆的目标半径对应的曲率作为特征值。在本实施例中，由于可以通过对关键点子集进行拟合得到拟合圆和拟合圆的半径，而拟合圆的半径可以表征感兴趣区域的弯曲程度，那么也就是可以量化感兴趣区域的曲度，这样在后续利用圆的半径对应的曲率去进行曲度分类时，得到的分类结果也是比较准确的。

在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是如何确定感兴趣区域的相关结构参数的具体过程。在上述实施例的基础上，上述s206可以包括以下步骤b：

步骤b，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点之间点与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与线之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的面的面积，得到感兴趣区域的相关结构参数。

在本步骤中，以上述s206中给出的相关参数为例，上述椎间隙距离、锥管直径、椎体直径等可以表示点与点之间的距离，在计算时，可以计算关键点集中两个关键点的空间位置坐标之间的l2范数，得到距离值；上述科布角可以表示线与线之间的距离，在计算时，可以先在关键点集中通过任意两个关键点组成一条线，得到其对应的空间向量，用此方法得到两条线对应的空间向量，然后计算这两条线的空间向量的点积，得到向量夹角；上述椎体滑脱距离、顺列可以表示线与点之间的距离，在计算时，可以在关键点集中通过两个关键点得到一条线对应的空间向量，然后计算另一个关键点和该空间向量之间的空间距离，得到距离值；上述曲度可以表示面的面积，可以通过对关键点集中的关键点进行拟合，得到拟合的圆，并计算得到拟合的圆的面积。之后，可以将上述计算得到的值作为感兴趣区域的相关结构参数。

本实施例提供的图像检测方法，可以基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中点与点的距离、点与线的距离、线与线的距离、点构成的面的面积，作为相关结构参数，这样可以为后续病灶类型和病变程度的判断提供一个数据基础，同时也可以为后续手术规划或术后康复涉及提供参考依据。

在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是如何得到感兴趣区域的关键点集的具体过程。在上述实施例的基础上，如图5所示，上述s204可以包括以下步骤：

s502，将待检测医学图像输入至关键点检测模型中，得到待检测医学图像中感兴趣区域对应的至少一个关键点的概率图。

其中，每个关键点的概率图上各位置的像素值为待检测医学图像上对应位置的像素值属于感兴趣区域的一个关键点的概率。在这里，通过关键点检测模型也可以得到背景概率图，背景概率图上每个位置上的概率值为待检测图像上对应位置属于背景的概率值。

s504，基于至少一个关键点的概率图，确定感兴趣区域的每个关键点所对应的至少一个候选点。

在本步骤中，以每个待检测医学图像上有i个关键点，那么就可以得到i个关键点概率图为例，基于i个概率图，就可以获取与之相对应的关键点坐标，每个关键点坐标均可能出现多个候选点。对于任意关键点的概率图，可选的，可以使用如下步骤c1-c3得到关键点坐标：

步骤c1，根据预设的概率阈值对每个关键点的概率图进行二值化处理，得到每个关键点的概率图对应的二值化掩膜图像。

这里的概率阈值可以是0.3、0.35、0.5等等。示例地，这里可以将小于概率阈值的概率置为0，大于概率阈值的概率置为1，得到二值化掩膜图像。

步骤c2，对各个二值化掩膜图像中的连通域进行标记，并根据标记的连通域确定其中面积大于预设的面积阈值的候选连通域。

这里面积阈值可以是30、35、40等等。这里可以将每个二值化掩膜图像中连通域面积小于面积阈值的连通域删除，得到面积大于等于面积阈值的候选连通域。

步骤c3，计算每个候选连通域对应的关键点的概率图中概率值的加权中心和平均概率值，得到感兴趣区域的每个关键点所对应的至少一个候选点。

这里可以将每个候选连通域对应回原关键点的概率图上，之后将概率图上的概率值作为权重，对每个候选连通域对应的概率图的区域内进行加权求和，得到每个候选连通域对应的加权中心点，同时也可以对每个候选连通域对应的概率图的区域内的概率值取平均，得到平均概率值，并将加权中心点和平均概率值对应的点作为该候选连通域的候选点。

s506，采用动态规划算法对感兴趣区域的每个关键点所对应的至少一个候选点进行处理，得到感兴趣区域的每个关键点所对应的一个目标点。

在本步骤中，由于一般每个二值化掩膜图像上可能会存在多个大于面积阈值的候选连通域，那么也就会存在多个候选点，而每个概率图只对应一个关键点，这时就需要从多个候选点中筛选出一个点作为关键点。

在筛选时，可以采用动态规划算法，通过预设约束条件对每个关键点概率图对应的多个候选点进行几何约束处理，得到一条累计概率最大的关键点链条，并将该链条中每一关键点的坐标作为检测结果输出，这样就可以得到每个关键点概率图对应的一个目标点，并将该目标点作为该概率图上的关键点。

s508，基于感兴趣区域的每个关键点所对应的一个目标点，得到感兴趣区域对应的关键点集。

在步骤中，可以将上述得到的所有目标点拼接或组合起来，然后就可以得到感兴趣区域对应的关键点集。

本实施例提供的图像检测方法，可以将待检测医学图像输入至关键点检测模型，得每个关键点对应的概率图，并基于每个关键点对应的概率图确定每个关键点对应的多个候选点，采用动态规划算法对每个关键点对应的多个候选点进行筛选，得到每个关键点对应的一个目标点，并基于得到的多个目标点得到关键点集。在本实施例中，由于可以采用关键点检测模型和动态规划算法来得到关键点集，这样可以使得整个关键点检测流程速度非常快、耗时短，且提高了关键点检测结果的精确度，鲁棒性较高。

在另一个实施例中，为了便于对本申请的技术方案进行更详细的说明，以下结合一个更加详细的实施例加以说明，该方法可以包括以下步骤s1-s10：

s1，获取待检测医学图像；该待检测医学图像包括感兴趣区域；

s2，将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的至少一个关键点的概率图；

s3，对每个关键点的概率图进行二值化处理，并进行连通域标记，确定面积大于阈值的候选连通域；

s4，计算各候选连通域对应的概率图中概率值的加权中心和平均概率值，得到多个候选点；

s5，基于动态规划算法从多个候选点中确定出每个关键点所对应的一个目标点，得到感兴趣区域对应的关键点集；

s6，基于感兴趣区域对应的关键点集，计算感兴趣区域的相关结构参数；

s7，对感兴趣区域上的关键点集中的各个关键点进行划分，得到感兴趣区域上的至少一个关键点子集；

s8，对每个关键点子集中的各个关键点进行拟合处理，确定每个关键点子集对应的圆；

s9，基于每个关键点子集对应的圆，得到每个关键点子集对应的圆的半径以及曲率值；

s10，将每个关键点子集对应的曲率输入至分类模型中，得到感兴趣区域的曲度的类别。

应该理解的是，虽然图2a、3a、4、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2a、3a、4、5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种图像检测装置，包括：获取模块10、检测模块11和确定模块12，其中：

获取模块10，用于获取待检测医学图像；该待检测医学图像包括感兴趣区域；

检测模块11，用于将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

确定模块12，用于基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，若上述感兴趣区域的相关结构参数包括感兴趣区域的曲度，上述关键点集包括各个关键点的位置信息；则上述装置还可以包括：划分模块、特征值确定模块、类别确定模块，其中：

划分模块，用于基于关键点集中的各个关键点的位置信息，对感兴趣区域上的关键点集中的各个关键点进行划分，得到感兴趣区域上的至少一个关键点子集；

特征值确定模块，用于基于至少一个关键点子集，确定每个关键点子集对应的特征值；

类别确定模块，用于基于每个关键点子集对应的特征值，确定感兴趣区域的曲度的类别。

可选的，上述类别确定模块，还用于将每个关键点子集对应的特征值输入至分类模型中，确定感兴趣区域的曲度的类别；该分类模型是基于样本医学图像集进行训练得到的，样本医学图像集包括训练医学图像中感兴趣区域的各个关键点子集对应的特征值和训练医学图像中感兴趣区域的曲度的标注类别。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述特征值确定模块可以包括拟合单元、第一确定单元和第二确定单元，其中：

拟合单元，用于对每个关键点子集中的各个关键点进行拟合处理，确定每个关键点子集对应的圆；

第一确定单元，用于基于每个关键点子集对应的圆以及每个关键点子集中各个关键点的位置信息，确定每个关键点子集对应的圆的目标半径；该目标半径为带有正负符号的半径；

第二确定单元，用于根据每个关键点子集对应的圆的目标半径，得到每个关键点子集对应的曲率值，并将每个关键点子集对应的曲率值确定为每个关键点子集对应的特征值。

可选的，上述第一确定单元，还用于根据每个关键点子集对应的圆，得到每个关键点子集对应的圆的圆心位置；基于每个关键点子集对应的圆的圆心位置以及每个关键点子集中各个关键点的位置信息，得到每个关键点子集与对应的圆的圆心位置的相对位置结果；若相对位置结果中一个关键点子集对应的圆的圆心位置在关键点子集的左侧，则将一个关键点子集对应的圆的半径确定为目标半径；若相对位置结果中另一个关键点子集对应的圆的圆心位置在关键点子集的右侧，则将另一个关键点子集对应的圆的半径置为负的半径，并将负的半径确定为目标半径。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述确定模块12，还用于基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点之间点与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与线之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的面的面积，得到感兴趣区域的相关结构参数。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述检测模块11可以包括：检测单元、候选点确定单元、筛选单元、目标点确定单元，其中：

检测单元，用于将待检测医学图像输入至关键点检测模型中，得到待检测医学图像中感兴趣区域对应的至少一个关键点的概率图；

候选点确定单元，用于基于至少一个关键点的概率图，确定感兴趣区域的每个关键点所对应的至少一个候选点；

筛选单元，用于采用动态规划算法对感兴趣区域的每个关键点所对应的至少一个候选点进行处理，得到感兴趣区域的每个关键点所对应的一个目标点；

目标点确定单元，用于基于感兴趣区域的每个关键点所对应的一个目标点，得到感兴趣区域对应的关键点集。

可选的，上述候选点确定单元，还用于根据预设的概率阈值对每个关键点的概率图进行二值化处理，得到每个关键点的概率图对应的二值化掩膜图像；对各个二值化掩膜图像中的连通域进行标记，并根据标记的连通域确定其中面积大于预设的面积阈值的候选连通域；计算每个候选连通域对应的关键点的概率图中概率值的加权中心和平均概率值，得到感兴趣区域的每个关键点所对应的至少一个候选点。

关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。

上述图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测医学图像；该待检测医学图像包括感兴趣区域；

将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于关键点集中的各个关键点的位置信息，对感兴趣区域上的关键点集中的各个关键点进行划分，得到感兴趣区域上的至少一个关键点子集；基于至少一个关键点子集，确定每个关键点子集对应的特征值；基于每个关键点子集对应的特征值，确定感兴趣区域的曲度的类别。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将每个关键点子集对应的特征值输入至分类模型中，确定感兴趣区域的曲度的类别；该分类模型是基于样本医学图像集进行训练得到的，样本医学图像集包括训练医学图像中感兴趣区域的各个关键点子集对应的特征值和训练医学图像中感兴趣区域的曲度的标注类别。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对每个关键点子集中的各个关键点进行拟合处理，确定每个关键点子集对应的圆；基于每个关键点子集对应的圆以及每个关键点子集中各个关键点的位置信息，确定每个关键点子集对应的圆的目标半径；该目标半径为带有正负符号的半径；根据每个关键点子集对应的圆的目标半径，得到每个关键点子集对应的曲率值，并将每个关键点子集对应的曲率值确定为每个关键点子集对应的特征值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据每个关键点子集对应的圆，得到每个关键点子集对应的圆的圆心位置；基于每个关键点子集对应的圆的圆心位置以及每个关键点子集中各个关键点的位置信息，得到每个关键点子集与对应的圆的圆心位置的相对位置结果；若相对位置结果中一个关键点子集对应的圆的圆心位置在关键点子集的左侧，则将一个关键点子集对应的圆的半径确定为目标半径；若相对位置结果中另一个关键点子集对应的圆的圆心位置在关键点子集的右侧，则将另一个关键点子集对应的圆的半径置为负的半径，并将负的半径确定为目标半径。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点之间点与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与线之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的面的面积，得到感兴趣区域的相关结构参数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将待检测医学图像输入至关键点检测模型中，得到待检测医学图像中感兴趣区域对应的至少一个关键点的概率图；基于至少一个关键点的概率图，确定感兴趣区域的每个关键点所对应的至少一个候选点；采用动态规划算法对感兴趣区域的每个关键点所对应的至少一个候选点进行处理，得到感兴趣区域的每个关键点所对应的一个目标点；基于感兴趣区域的每个关键点所对应的一个目标点，得到感兴趣区域对应的关键点集。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据预设的概率阈值对每个关键点的概率图进行二值化处理，得到每个关键点的概率图对应的二值化掩膜图像；对各个二值化掩膜图像中的连通域进行标记，并根据标记的连通域确定其中面积大于预设的面积阈值的候选连通域；计算每个候选连通域对应的关键点的概率图中概率值的加权中心和平均概率值，得到感兴趣区域的每个关键点所对应的至少一个候选点。

在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测医学图像；该待检测医学图像包括感兴趣区域；

将待检测医学图像输入至关键点检测模型中，得到感兴趣区域对应的关键点集；该关键点检测模型是基于样本医学图像和样本医学图像对应的金标准图像进行训练得到的，金标准图像包括样本医学图像对应的关键点标记；

基于感兴趣区域对应的关键点集，确定感兴趣区域的相关结构参数；相关结构参数用于表征感兴趣区域的形态。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于关键点集中的各个关键点的位置信息，对感兴趣区域上的关键点集中的各个关键点进行划分，得到感兴趣区域上的至少一个关键点子集；基于至少一个关键点子集，确定每个关键点子集对应的特征值；基于每个关键点子集对应的特征值，确定感兴趣区域的曲度的类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将每个关键点子集对应的特征值输入至分类模型中，确定感兴趣区域的曲度的类别；该分类模型是基于样本医学图像集进行训练得到的，样本医学图像集包括训练医学图像中感兴趣区域的各个关键点子集对应的特征值和训练医学图像中感兴趣区域的曲度的标注类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对每个关键点子集中的各个关键点进行拟合处理，确定每个关键点子集对应的圆；基于每个关键点子集对应的圆以及每个关键点子集中各个关键点的位置信息，确定每个关键点子集对应的圆的目标半径；该目标半径为带有正负符号的半径；根据每个关键点子集对应的圆的目标半径，得到每个关键点子集对应的曲率值，并将每个关键点子集对应的曲率值确定为每个关键点子集对应的特征值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据每个关键点子集对应的圆，得到每个关键点子集对应的圆的圆心位置；基于每个关键点子集对应的圆的圆心位置以及每个关键点子集中各个关键点的位置信息，得到每个关键点子集与对应的圆的圆心位置的相对位置结果；若相对位置结果中一个关键点子集对应的圆的圆心位置在关键点子集的左侧，则将一个关键点子集对应的圆的半径确定为目标半径；若相对位置结果中另一个关键点子集对应的圆的圆心位置在关键点子集的右侧，则将另一个关键点子集对应的圆的半径置为负的半径，并将负的半径确定为目标半径。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点之间点与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与线之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的线与点之间的距离，得到感兴趣区域的相关结构参数；和/或，基于感兴趣区域对应的关键点集中各个关键点的位置信息，计算关键点集中各关键点所构成的面的面积，得到感兴趣区域的相关结构参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将待检测医学图像输入至关键点检测模型中，得到待检测医学图像中感兴趣区域对应的至少一个关键点的概率图；基于至少一个关键点的概率图，确定感兴趣区域的每个关键点所对应的至少一个候选点；采用动态规划算法对感兴趣区域的每个关键点所对应的至少一个候选点进行处理，得到感兴趣区域的每个关键点所对应的一个目标点；基于感兴趣区域的每个关键点所对应的一个目标点，得到感兴趣区域对应的关键点集。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据预设的概率阈值对每个关键点的概率图进行二值化处理，得到每个关键点的概率图对应的二值化掩膜图像；对各个二值化掩膜图像中的连通域进行标记，并根据标记的连通域确定其中面积大于预设的面积阈值的候选连通域；计算每个候选连通域对应的关键点的概率图中概率值的加权中心和平均概率值，得到感兴趣区域的每个关键点所对应的至少一个候选点。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。