骨组织定位方法、装置、计算机设备和存储介质与流程

本申请涉及组织定位技术领域，特别是涉及一种骨组织定位方法、装置、计算机设备和存储介质。

背景技术：

随着医疗影像技术的发展，器官定位作为医疗影像的基本预处理，在图像配准、器官分割和病灶检测等应用中有着非常重要的作用。

相关技术中，通常是对ct(computedtomography，电子计算机断层扫描)图像的二维片层图像进行分类，根据分类结果进行器官定位。但是，器官边缘的分类结果往往不够准确，而且由于需要对横冠矢三个方向的片层进行分类，因此耗时较长。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够缩短定位时间的骨组织定位方法、装置、计算机设备和存储介质。

一种骨组织定位方法，该方法包括：

获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由多类骨组织对应的点云点组成；

根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

在其中一个实施例中，上述对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云，包括：

对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像；

分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点；

根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云。

在其中一个实施例中，上述对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像，包括：

将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值；

根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

在其中一个实施例中，上述分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点，包括：

对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；

提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

在其中一个实施例中，在上述根据预先设置的映射关系分别对各边界点进行坐标转换处理之前，还包括：

对多个边界点进行抽样处理，得到预设数量的目标边界点；

对应地，根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云，包括：

根据映射关系分别对各目标边界点进行坐标转换处理，得到各目标边界点对应的点云点，并由多个点云点组成目标点云。

在其中一个实施例中，在上述根据预先设置的映射关系分别对各边界点进行坐标转换处理之前，还包括：

根据多个二维扫描图像之间的层间分辨率和各二维扫描图像的层内分辨率，建立映射关系。

在其中一个实施例中，上述根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域，包括：

将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果；识别结果包括各类骨组织对应的识别框和分类标识；

根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

在其中一个实施例中，还包括：

根据二维扫描图像的尺寸对各类骨组织所在的目标区域进行调整，以使各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。

一种骨组织定位装置，该装置包括：

体数据获取模块，用于获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

点云转换模块，用于对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由各类骨组织对应的点云点组成；

定位模块，用于根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

在其中一个实施例中，上述点云转换模块，包括：

阈值划分子模块，用于对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像；

边界提取子模块，用于分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点；

坐标转换子模块，用于根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云。

在其中一个实施例中，上述阈值划分子模块，具体用于将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值；根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

在其中一个实施例中，上述边界提取子模块，具体用于对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

在其中一个实施例中，还包括：

抽样处理模块，用于对多个边界点进行抽样处理，得到预设数量的目标边界点；

对应地，点云转换模块，具体用于根据映射关系分别对各目标边界点进行坐标转换处理，得到各目标边界点对应的点云点，并由多个点云点组成目标点云。

在其中一个实施例中，还包括：

映射关系建立模块，用于根据多个二维扫描图像之间的层间分辨率和各二维扫描图像的层内分辨率，建立映射关系。

在其中一个实施例中，上述定位模块，具体用于将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果；识别结果包括各类骨组织对应的识别框和分类标识；根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

在其中一个实施例中，还包括：

区域调整模块，用于根据二维扫描图像的尺寸对各类骨组织所在的目标区域进行调整，以使各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。

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：

获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由多类骨组织对应的点云点组成；

根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

一种计算机可读存储介质，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：

获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由多类骨组织对应的点云点组成；

根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

上述骨组织定位方法、装置、计算机设备和存储介质，计算机设备获取目标体数据，其中目标体数据包括多个二维扫描图像，各二维扫描图像中包括多类骨组织；之后，计算机设备对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云。本公开式实施例中，由于将二维扫描图像中的多类骨组织转换为三维点云，因此可以根据三维点云进行骨组织识别，从而在一次识别中就能准确地对多类骨组织进行定位，不仅缩短了定位时间，而且减少了计算资源的占用量。

附图说明

图1为一个实施例中骨组织定位方法的应用环境图；

图2为一个实施例中骨组织定位方法的流程示意图；

图3为一个实施例中多个二维扫描图像进行转换处理步骤的流程示意图；

图4a为一个实施例中二维扫描图像的示意图；

图4b为一个实施例中掩模图像的示意图；

图4c为一个实施例中点云图像的示意图；

图5为一个实施例中根据目标点云进行骨组织识别步骤的流程示意图；

图6为一个实施例中识别网络的结构示意图；

图7a为一个实施例中点云图像中识别框的示意图；

图7b为一个实施例中二维扫描图像中目标区域的示意图；

图8为另一个实施例中骨组织定位方法的流程示意图；

图9为一个实施例中骨组织定位装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

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。

本申请提供的骨组织定位方法，可以应用于如图1所示的应用环境中。其中，该应用环境可以包括各种医学影像系统，如ct系统或者mr(magneticresonance，磁共振)系统。医学影像系统包括扫描设备101和计算机设备102。其中，扫描设备101可以包括但不限于x线管、探测器和扫描架(机架)；计算机设备102可以包括至少一个终端，终端可以包括处理器、显示器和存储器。

在一个实施例中，如图2所示，提供了一种骨组织定位方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

步骤201，获取目标体数据。

其中，目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织。

计算机设备控制扫描设备进行扫描，之后，计算机设备根据扫描设备的扫描数据进行图像重建，得到多个二维扫描图像，而多个二维扫描图像按照一定顺序排序组成目标体数据。

扫描设备进行扫描可以是进行ct扫描，也可以是进行磁共振(mr)扫描。对应地，二维扫描图像可以是ct图像，也可以是磁共振(mr)图像。本公开实施例对扫描方式和扫描图像不做详细限定。

步骤202，对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云。

其中，目标点云由多类骨组织对应的点云点组成。

计算机设备获取到多个二维扫描图像之后，分别对每个二维扫描图像进行转换处理。具体地，从每个二维扫描图像中提取出多类骨组织的图像，然后将各类骨组织的图像中的像素点转换为各类骨组织对应的点云点，并由多类骨组织对应的点云点组成目标点云。

例如，计算机设备获取到二维扫描图像1到二维扫描图像10；之后，分别从二维扫描图像1到二维扫描图像10提取出脊柱、肋骨、臂骨、手骨等骨组织的图像。接着，将各类骨组织的图像中的像素点转换为点云点，得到脊柱、肋骨、臂骨和手骨等骨组织的点云点，组成目标点云。

步骤203，根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

计算机设备可以预先设置目标检测模型，得到目标点云之后，利用目标检测模型进行骨组织识别，得到各类骨组织所在的目标区域，即实现了骨组织的定位，其中，各类骨组织所在的目标区域为三维区域。目标检测模型可以采用深度学习模型、神经网络模型等。本公开实施例对识别方式不做限定。

上述骨组织定位方法中，计算机设备获取目标体数据，其中目标体数据包括多个二维扫描图像，各二维扫描图像中包括多类骨组织；之后，计算机设备对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云。本公开式实施例中，由于将二维扫描图像中的多类骨组织转换为三维点云，因此可以根据三维点云进行骨组织识别，从而在一次识别中就能准确地对多类骨组织进行定位，不仅缩短了定位时间，而且减少了计算资源的占用量。

在一个实施例中，如图3所示，上述对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云的步骤，可以包括：

步骤301，对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像。

计算机设备对二维扫描图像进行转换处理的过程中，对每个二维扫描图像进行像素值的阈值划分处理。在实际应用中，可以根据医学影像设备的厂商和二维扫描图像的重建核等成像信息，选用不同阈值；也可以对根据统计均值和标准差等算法，计算出自适应阈值。

在其中一个实施例中，计算机设备根据预设阈值确定各二维扫描图像中的第一像素点和第二像素点。之后，计算机设备将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值。最后，计算机设备根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

对于ct扫描图像，第一像素点的射线吸收值大于预设阈值，第二像素点的射线吸收值小于或等于预设阈值，上述射线吸收值hu(hounsfiledunit)值反映了肌肉组织、骨组织对x射线的吸收程度。对于其他扫描图像，例如pet图像存在第一像素点的图像强度值小于预设阈值，第二像素点的图像强度值大于或等于预设阈值的情况。

在实际应用中，对于如图4a所示的二维扫描图像，像素点1的射线吸收值大于预设阈值，则像素点1为第一像素点；像素点100的射线吸收值小于或等于预设阈值，则像素点100为第二像素点。以此类推，确定该二维扫描图像中每个像素点是第一像素点还是第二像素点。之后，计算机设备将第一像素点的像素值设置为255，将第二像素点的像素值设置为0。接着，根据设置后的像素值，生成该二维扫描图像对应的掩模图像，如图4b所示。对于其他二维扫描图像，采用相同的处理方式，即可得到对应的掩模图像。

本公开实施例对预设阈值、第一值和第二值均不做限定，可以根据实际情况进行选取。

步骤302，分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点。

计算机设备得到各二维扫描图像对应的掩模图像之后，对每个掩模图像进行边界提取。具体过程包括：计算机对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

对于如图4b所示的掩模图像，将像素值为255的像素点进行连通处理，则得到了该掩模图像中的连通区域；之后，对连通区域进行边界提取，得到该掩模图像中骨组织的边界点。

在实际应用中，二维扫描图像可能为增强图像，而在增强图像中，被造影剂增强的组织会存在于掩模图像的连通区域中。如果不提取连通区域的边界点，则掩膜图像中像素值为第一值的对应像素点位不仅包含骨组织对应的像素点，还包含被造影剂增强的组织，例如心脏和肾脏，因此这些像素值为第一值的像素点不能很好地表示骨组织的表面形状特征，而提取连通区域的边界点，则可以降低被造影剂增强的组织在目标点云中的占比，使得后续获取的点云点更好地表示骨组织的表面形状特征。

步骤303，根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云。

其中，映射关系用于表征边界点与点云点之间的坐标转换关系。

计算机设备预先根据边界点与点云点之间的坐标转换关系，设置映射关系。在提取出掩模图像中骨组织的边界点之后，计算机设备根据映射关系对各边界点进行坐标转换处理，将边界点的坐标转换为点云点的坐标，这样，就得到了各边界点对应的点云点。最后，由多个点云点组成目标点云，如图4c所示。

其中，目标点云可以保存为n*3的格式，n为点云点的数量，3为边界点的三维坐标。

上述对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云的步骤中，对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像；根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云。通过本公开实施例，将二维扫描图像中各像素点进行坐标转换处理，得到多类骨组织对应的目标点云，因此后续可以利用神经网络对目标点云进行骨组织定位。与现有技术相比，可以缩短定位时间，减少计算资源的占用量。

在一个实施例中，如图5所示，上述根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域的步骤，包括：

步骤401，将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果。

其中，识别结果包括各类骨组织对应的识别框和分类标识；分类标识用于表征骨组织的类别。

计算机设备预先训练识别网络，该识别网络可以使用votenet，如图6所示，整个网络的结构分成两个部分，第一个部分由输入点得到vote点，第二个部分由votes得到boxproposals及其类别，最后进行3dnms得到最终的结果。识别网络也可以是其他神经网络。本公开实施例对识别网络的结构不做限定。

在得到目标点云之后，计算机设备将n*3格式的目标点云输入到识别网络中，识别网络输出各类骨组织对应的识别框和分类标识。其中，各类骨组织对应的识别框为三维识别框，计算机设备将各类骨组织的三维识别框分别进行冠状位和矢状位的投影处理，即可得到如图7a所示的图像，识别框边缘的数字为分类标识。

步骤402，根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

在识别网络输出各类骨组织的识别框之后，计算机设备根据预先设置的映射关系对目标点云中的三维识别框进行坐标转换处理，将三维识别框的点云点转换到目标体数据中的像素点，得到目标体数据中各类骨组织所在的目标区域。其中，各类骨组织所在的目标区域为三维区域，计算机设备将各类骨组织所在的三维区域进行冠状位和矢状位的投影处理，即可得到如图7b所示的图像。

上述根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域的步骤中，计算机设备将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果；根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。本公开实施例中，可以利用识别网络进行骨组织识别，从而在一次识别中即可准确地对多类骨组织进行定位，不仅缩短了定位时间，而且减少了计算资源的占用量。

在一个实施例中，如图8所示，提供了一种骨组织定位方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

步骤501，获取目标体数据。

其中，目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织。

步骤502，对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像。

在其中一个实施例中，将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值；根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

步骤503，分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点。

在其中一个实施例中，对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

步骤504，对多个边界点进行抽样处理，得到预设数量的目标边界点。

由于边界点的数量较多，后续在进行坐标转换处理时数据处理量过大，因此对多个边界点进行抽样处理，得到预设数量的目标边界点，从而减少坐标转换处理中的数据处理量。

例如，对多个边界点进行抽样处理，得到80000个目标边界点。

步骤505，根据多个二维扫描图像之间的层间分辨率和各二维扫描图像的层内分辨率，建立映射关系。

目标体数据中多个二维扫描图像之间存在层间分辨率，每个二维扫描图像中存在层内分辨率。对于每个像素点，计算机设备可以根据层间分辨率和层内分辨率，得到该像素点的像素坐标和三维坐标，然后根据像素坐标和三维坐标建立该像素点的坐标转换关系。最后，计算机设备根据多个像素点的坐标转换关系建立映射关系。

步骤506，根据映射关系分别对各目标边界点进行坐标转换处理，得到各目标边界点对应的点云点，并由多个点云点组成目标点云。

计算机设备根据映射关系对抽取出的目标边界点进行坐标转换处理，即将目标边界点的像素坐标转换为三维坐标，得到对应的点云点。最后，由多个点云点组成目标点云。

步骤507，将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果。

其中，识别结果包括各类骨组织对应的识别框和分类标识；分类标识用于表征骨组织的类别。

步骤508，根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

步骤509，根据二维扫描图像的尺寸对各类骨组织所在的目标区域进行调整，以使各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。

计算机设备得到的各类骨组织所在的目标区域，可能存在部分区域超出二维扫描图像的边界，因此，根据二维扫描图像的尺寸对各骨组织所在的目标区域进行缩小处理，使得各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。如图7b所示，头骨所在的目标区域有部分超出ct图像的边界，因此对头骨所在的目标区域进行缩小处理。

应该理解的是，虽然图2-图8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2-图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。

应该理解的是，本申请上述实施例中以骨组织为处理对象，但本申请的方法同样适用于人体/动物的各种软组织相关的器官，具体处理方法不在赘述。

在一个实施例中，如图9所示，提供了一种骨组织定位装置，包括：

体数据获取模块601，用于获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

点云转换模块602，用于对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由各类骨组织对应的点云点组成；

定位模块603，用于根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

在其中一个实施例中，上述点云转换模块602，包括：

阈值划分子模块，用于对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像；

边界提取子模块，用于分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点；

坐标转换子模块，用于根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云；映射关系用于表征边界点与点云点之间的坐标转换关系。

在其中一个实施例中，上述阈值划分子模块，具体用于将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值；根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

在其中一个实施例中，上述边界提取子模块，具体用于对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

在其中一个实施例中，还包括：

抽样处理模块，用于对多个边界点进行抽样处理，得到预设数量的目标边界点；

对应地，点云转换模块，具体用于根据映射关系分别对各目标边界点进行坐标转换处理，得到各目标边界点对应的点云点，并由多个点云点组成目标点云。

在其中一个实施例中，还包括：

映射关系建立模块，用于根据多个二维扫描图像之间的层间分辨率和各二维扫描图像的层内分辨率，建立映射关系。

在其中一个实施例中，上述定位模块603，具体用于将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果；识别结果包括各类骨组织对应的识别框和分类标识；分类标识用于表征骨组织的类别；根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

在其中一个实施例中，还包括：

区域调整模块，用于根据二维扫描图像的尺寸对各类骨组织所在的目标区域进行调整，以使各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。

关于骨组织定位装置的具体限定可以参见上文中对于骨组织定位方法的限定，在此不再赘述。上述骨组织定位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，该计算机设备可以是终端，其内部结构图可以如图10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骨组织定位方法。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10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。

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：

获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由多类骨组织对应的点云点组成；

根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

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：

对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像；

分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点；

根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云。

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：

将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值；

根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

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：

对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；

提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

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：

对多个边界点进行抽样处理，得到预设数量的目标边界点；

根据映射关系分别对各目标边界点进行坐标转换处理，得到各目标边界点对应的点云点，并由多个点云点组成目标点云。

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：

根据多个二维扫描图像之间的层间分辨率和各二维扫描图像的层内分辨率，建立映射关系。

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：

将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果；识别结果包括各类骨组织对应的识别框和分类标识；

根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

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：

根据二维扫描图像的尺寸对各类骨组织所在的目标区域进行调整，以使各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。

在一个实施例中，提供了一种计算机可读存储介质，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：

获取目标体数据；目标体数据包括多个二维扫描图像；各二维扫描图像中包括多类骨组织；

对多个二维扫描图像进行转换处理，得到多类骨组织对应的目标点云；目标点云由多类骨组织对应的点云点组成；

根据目标点云进行骨组织识别，得到各类骨组织所在的目标区域。

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：

对各二维扫描图像进行阈值划分处理，得到各二维扫描图像对应的掩模图像；

分别对各掩模图像进行边界提取，得到各掩模图像中骨组织的边界点；

根据预先设置的映射关系分别对各边界点进行坐标转换处理，得到各边界点对应的点云点，并由多个点云点组成目标点云；映射关系用于表征边界点与点云点之间的坐标转换关系。

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：

将各二维扫描图像中第一像素点的像素值设置为第一值，将各二维扫描图像中第二像素点的像素值设置为第二值；

根据各二维扫描图像中每个像素点设置后的像素值，生成各二维扫描图像对应的掩模图像。

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：

对各掩模图像中像素值为第一值的像素点进行连通处理，得到各掩模图像中的连通区域；

提取各掩模图像中连通区域的边界，得到各掩模图像中骨组织的边界点。

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：

对多个边界点进行抽样处理，得到预设数量的目标边界点；

根据映射关系分别对各目标边界点进行坐标转换处理，得到各目标边界点对应的点云点，并由多个点云点组成目标点云。

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：

根据多个二维扫描图像之间的层间分辨率和各二维扫描图像的层内分辨率，建立映射关系。

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：

将目标点云输入到预先训练的识别网络中，得到识别网络输出的识别结果；识别结果包括各类骨组织对应的识别框和分类标识；分类标识用于表征骨组织的类别；

根据映射关系对各类骨组织对应的识别框进行坐标转换处理，得到目标体数据中各类骨组织所在的目标区域。

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：

根据二维扫描图像的尺寸对各类骨组织所在的目标区域进行调整，以使各类骨组织所在的目标区域与二维扫描图像的尺寸匹配。

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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)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。