基于深度学习的腰椎骨分析方法、装置、设备及存储介质与流程

本申请涉及医学图像处理技术领域，尤其涉及一种基于深度学习的腰椎骨分析方法、装置、设备及存储介质。

背景技术：

近年来医学影像技术和人工智能技术在不断飞速发展，交叉学科应用引起了我们的重视，计算机断层扫描广泛地应用在临床诊断中，大幅度提高了医疗水平，为医学的研究和发展提供了良好的保障，具有重大影响和价值。利用人工智能技术对医学影像数据进行处理和分析可为现代医学诊断提供强有力的辅助作用。

腰椎骨是医学上常用研究对象，通过对腰椎骨的定位和腰椎骨区域对应组织进行量化，能够向医学提高提供重要参数。现有的所采用的方式主要是基于阈值、边界、图谱分析、机器学习等的图像处理技术来对腰椎骨进行分析。这些技术的需要事先设置各种参数，但是当存在的结构解剖变异的时候，这些特征无法广泛地扩展至各种情况，从而导致对腰椎骨区域定位精确度较低，进而导致对腰椎骨区域对应组织的量化结果准确性降低。现亟需一种能够提高腰椎骨区域对应组织的量化结果准确性的方法。

技术实现要素：

本申请实施例的目的在于提出一种基于深度学习的腰椎骨分析方法、装置、设备及存储介质，以提高腰椎骨区域对应组织的量化结果准确性。

为了解决上述技术问题，本申请实施例提供一种基于深度学习的腰椎骨分析方法，包括：

获取训练样本数据，其中，所述训练样本数据包括多张ct序列图像，每张所述ct序列图像包括腹部区域标记；

对多张所述ct序列图像的腹部区域均进行裁剪和数据重取样处理，得到基础训练数据，并对所述基础训练数据进行归一化处理，得到目标训练数据；

基于所述目标训练数据，通过交叉验证的方式和梯度下降方式对腰椎骨分割模型进行训练，得到训练好的腰椎骨分割模型；

获取目标ct序列图像，其中，所述目标ct序列图像包括腹部区域；

通过所述训练好的腰椎骨分割模型对所述目标ct序列图像进行识别，获取腹部区域中每个椎块的分割结果以及对应椎块的类别；

根据所述椎块的分割结果以及所述对应椎块的类别，进行组织分割，得到组织分割结果；

基于所述组织分割结果，对横断面面积以及组织结构体积进行计算处理，得到目标结果。

为了解决上述技术问题，本申请实施例提供一种基于深度学习的腰椎骨分析装置，包括：

训练样本数据获取模块，用于获取训练样本数据，其中，所述训练样本数据包括多张ct序列图像，每张所述ct序列图像包括腹部区域标记；

目标训练数据获取模块，用于对多张所述ct序列图像的腹部区域均进行裁剪和数据重取样处理，得到基础训练数据，并对所述基础训练数据进行归一化处理，得到目标训练数据；

腰椎骨分割模块训练模块，用于基于所述目标训练数据，通过交叉验证的方式和梯度下降方式对腰椎骨分割模型进行训练，得到训练好的腰椎骨分割模型；

目标ct序列图像获取模块，用于获取目标ct序列图像，其中，所述目标ct序列图像包括腹部区域；

腰椎骨分割模型识别模块，用于通过所述训练好的腰椎骨分割模型对所述目标ct序列图像进行识别，获取腹部区域中每个椎块的分割结果以及对应椎块的类别；

组织分割结果获取模块，用于根据所述椎块的分割结果以及所述对应椎块的类别，进行组织分割，得到组织分割结果；

组织分割结果处理模块，用于基于所述组织分割结果，对横断面面积以及组织结构体积进行计算处理，得到目标结果。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于深度学习的腰椎骨分析方法。

为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质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上述任意一项所述的基于深度学习的腰椎骨分析方法。

本发明实施例提供了一种基于深度学习的腰椎骨分析方法、装置、设备及存储介质。本发明实施例通过获取训练样本数据，对多张ct序列图像的腹部区域进行裁剪、数据重取样以及进行归一化处理，得到目标训练数据，再基于目标训练数据训练腰椎骨分割模型，得到训练好的腰椎骨分割模型，然后通过训练好的腰椎骨分割模型对目标ct序列图像进行识别，获取腹部区域中每个椎块的分割结果以及对应椎块的类别，实现对腰椎骨的椎块进行精准获取；再根据椎块的分割结果以及对应椎块的类别，进行组织分割，得到组织分割结果，并基于组织分割结果，对横断面面积以及组织结构体积进行计算处理，得到目标结果，实现了通过对腰椎骨分割模型进行训练，将训练好的腰椎骨分割模型对目标ct序列图像的腰椎骨区域进行精准定位和组织分割，并对横断面面积以及组织结构体积进行计算处理，从而有利于提高腰椎骨区域对应组织的量化结果准确性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的基于深度学习的腰椎骨分析方法的应用环境示意图；

图2根据本申请实施例提供的基于深度学习的腰椎骨分析方法的一实现流程图；

图3是本申请实施例提供的基于深度学习的腰椎骨分析方法中子流程的一实现流程图；

图4是本申请实施例提供的基于深度学习的腰椎骨分析方法中子流程的又一实现流程图；

图5是本申请实施例提供的基于深度学习的腰椎骨分析方法中子流程的又一实现流程图；

图6是本申请实施例提供的基于深度学习的腰椎骨分析方法中子流程的又一实现流程图；

图7是本申请实施例提供的基于深度学习的腰椎骨分析方法中子流程的又一实现流程图；

图8是本申请实施例提供的基于深度学习的腰椎骨分析方法中子流程的又一实现流程图；

图9是本申请实施例提供的基于深度学习的腰椎骨分析装置示意图；

图10是本申请实施例提供的计算机设备的示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

下面结合附图和实施方式对本发明进行详细说明。

请参阅图1，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于深度学习的腰椎骨分析方法一般由服务器执行，相应地，基于深度学习的腰椎骨分析装置一般配置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

请参阅图2，图2示出了基于深度学习的腰椎骨分析方法的一种具体实施方式。

需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限，该方法包括如下步骤：

s1：获取训练样本数据，其中，训练样本数据包括多张ct序列图像，每张ct序列图像包括腹部区域标记。

在本申请实施例中，为了更清楚的理解技术方案，下面对本申请所涉及的终端进行详细介绍。

一是服务器，服务器能够通过从数据仓库中获取训练样本数据，通过训练样本数据对腰椎骨分割模型进行训练；服务器也可以从用户端获取目标ct序列图像，通过训练好的腰椎骨分割模型对目标ct序列图像进行识别和分割，从而得到最终的目标结果，再将目标结果返回给用户端。

二是用户端，用户端可以选择某一目标ct序列图像，发送给服务器，也可以接受服务器所生成的目标结果。

具体的，训练样本数据是用来对腰椎骨分割模型进行训练的，其包括多张ct序列图像，每张ct序列图像至少包括腹部区域，并且事先在每张ct序列图像的腹部区域进行标记。通过对每张ct序列图像的腹部区域进行标记，便于提高后续对腰椎骨分割模型训练精度，从而有利于提高训练好的腰椎骨分割模型的识别和分割准确度。

s2：对多张ct序列图像的腹部区域均进行裁剪和数据重取样处理，得到基础训练数据，并对基础训练数据进行归一化处理，得到目标训练数据。

具体的，在进行训练腰椎骨分割模型之前，需要对训练数据进行预处理。预处理包括裁剪、数据重取样以及归一化处理。

其中，裁剪处理是指将所有数据都裁剪到非零值区域。这样能够减少计算数据，从而减轻计算负担。重取样处理是指根据一类象元的信息内插出另一类象元信息的过程。在本申请实施例中，由于深度学习网络识别不了体素间距，所以为了使深度学习网络网络能够识别体素间距，将数据进行重新采样到其各自数据集的中值体素间距。而图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素。所以体素间距就是体素之间的距离。

请参阅图3，图3示出了步骤s2的一种具体实施方式，详叙如下：

s21：识别出多张ct序列图像中的腹部区域标记，并根据腹部区域标记识别出腹部区域的非零区域。

s22：在非零区域进行数据裁剪，得到数据集合。

具体的，由于本申请是为了训练腰椎骨分割模型，使其能够识别目标ct序列图像的腹部区域和腹部区域中每个椎块的分割结果以及对应椎块的类别。所以通过事先在每张ct序列图像中的腹部区域标记，使其能够识别腹部区域标记，从而识别出腹部区域。再为了减少数据计算量，识别出腹部区域的非零值区域，进而在非零值区域进行数据裁剪，得到数据集合。

s23：通过三阶样条插值法，对数据集合的体素间距进行重取样处理，得到基础训练数据。

具体的，三阶样条插值法是指利用拟合的多项式计算函数值，将计算的函数值插入到原有的实验点之间，然后再根据所有的实验点拟合成曲线。在本申请实施例中，三阶样条插值法对数据集合的体素间距进行重取样处理，使深度学习网络网络能够识别体素间距。

s24：对基础训练数据进行归一化处理，得到目标训练数据。

具体的，由于对ct序列图像扫描的强度等级是固定的，所以要将所有ct序列图像对应的的基础训练数据进行归一化处理。

本实施中，通过识别ct序列图像腹部区域，并进行数据裁剪，再通过通过三阶样条插值法，对数据集合的体素间距进行重取样处理，得到基础训练数据，并对基础训练数据进行归一化处理，得到目标训练数据，实现对数据的预处理，得到目标训练数据，便于后续对腰椎骨分割模型进行训练，从而有利于提高腰椎骨区域对应组织的量化结果准确性

请参阅图4，图4示出了步骤s24的一种具体实施方式，详叙如下：

s241：将基础训练数据对应的像素值裁剪到预设区间，得到裁剪数据。

具体的，先通过统计整个基础训练数据中像素值的hu值范围，裁剪到预设区间的百分比范围的hu值范围。其中，hu值(hounsfield)是计算机断层扫描(ct)中普遍使用的无量纲单位，用于标准、便捷的表达ct数值。其中，裁剪数据是指对基础训练数据对应的像素值裁剪到预设区间后，所得到的数据。

需要说明的是，预设区间根据实际情况进行设定，此处不做限定。在以具体实施例中，预设区间为[0.5，99.5]。

s242：采用z-score的方式，对裁剪数据进行归一化处理，得到目标训练数据。

具体的，将得到的裁剪数据，先计算每张ct序列图像对应裁剪数据的均值和标准方差，再采用z-score的方式，对裁剪数据进行归一化处理，得到目标训练数据。

其中，z-score是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。在本申请实施例中，通过z-score的方式，对裁剪数据进行归一化处理，得到目标训练数据。

本实施例中，通过将基础训练数据对应的像素值裁剪到预设区间，得到裁剪数据，并采用z-score的方式，对裁剪数据进行归一化处理，得到目标训练数据，实现对基础数据进行进一步处理，有利于提高后续训练腰椎骨分割模型的精度。

s3：基于目标训练数据，通过交叉验证的方式和梯度下降方式对腰椎骨分割模型进行训练，得到训练好的腰椎骨分割模型。

具体的，本申请实施例是基于nnu-net模型对腰椎骨分割模型的进行训练的。其中，nnu-net(no-new-net)模型是基于u-net的一种模型，它在达到很好的效果的同时还实现了自适应(self-adapting)的功能，其运用于医学分割领域之中。

具体的，将目标训练数据对应的损失分为训练损失和验证损失，并通过交叉验证的方式对训练结果进行验证，并且通过梯度下降方式，逐渐调整目标训练数据的参数，对腰椎骨分割模型进行训练，当验证损失达到预设值时，停止训练，从而得到训练好的腰椎骨分割模型。步骤s3的具体步骤详见步骤s31至步骤s33，此处不再赘述。

其中，交叉验证(crossvalidation)，是一种统计学上将数据样本切割成较小子集的实用方法，该方法是在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。

请参阅图5，图5示出了步骤s3的一种具体实施方式，详叙如下：

s31：计算每张ct序列图像对应的目标训练数据的dice损失，得到ct序列图像的dice损失，并统计预设数量ct序列图像的dice损失的平均值，得到基础dice损失。

具体的，目标训练数据包括多种ct序列图像对应的数据，为了为腰椎骨分割模型进行训练，单独计算每张ct序列图像对应的目标训练数据的dice损失，将其作为ct序列图像的dice损失。再计算批量ct序列图像的dice损失的平均值，也即预设数量ct序列图像的dice损失的平均值。

其中，dice系数是根据leeraymonddice命名，是一种集合相似度度量函数，通常用于计算两个样本的相似度(相似度值范围为[0,1])。而dice损失是根据dice系数，计算出ct序列图像对应的目标训练数据的损失。

需要说明的是，预设数量根据实际情况进行设定，此次不做限定。

s32：将基础dice损失分为训练损失与验证损失，并采用交叉验证的方式和梯度下降方式，基于目标训练数据对腰椎骨分割模型进行迭代计算，其中，每次迭代计算都产生一个新的验证损失。

具体的，将基础dice损失分为训练损失与验证损失，再通过adam优化器设置验证损失对应的学习率。通过交叉验证的方式和梯度下降方式，将目标训练数据对腰椎骨分割模型进行迭代计算。结合反向传播的方式，每次对目标训练数据对腰椎骨分割模型进行的计算，获取对应的训练损失、验证损失以及学习率，并根据学习率，相应减少的目标训练数据的参数，并反向传播回去对目标训练数据对腰椎骨分割模型进行的计算。同时，每次迭代计算都产生一个新的验证损失，要以验证训练是否结束。

其中，adam优化器是结合adagrad和rmsprop两种优化算法的优点，对梯度的一阶矩估计(firstmomentestimation，即梯度的均值)和二阶矩估计(secondmomentestimation，即梯度的未中心化的方差)进行综合考虑，计算出更新步长。学习率(learningrate)，也称为步长，用来控制每一次更新参数，减少训练误差的一个参数。

s33：当新的验证损失到达预设值时，则停止迭代计算，得到训练好的腰椎骨分割模型。

具体的，每一次目标训练数据对腰椎骨分割模型的计算，都会产生一个新的验证损失。每次产生的新的验证损失都将其与预设值进行对比，若没有达到预设值，则继续对腰椎骨分割模型的进行计算，若达到预设值时，停止迭代计算，将当前的腰椎骨分割模型作为训练好的腰椎骨分割模型。

需要说明的是，预设值根据实际情况进行设定，此处不做限定。

本实施例中，通过计算目标训练数据的dice损失，将dice损失分成不同的验证损失，并采用交叉验证的方式和梯度下降方式，将目标训练数据对腰椎骨分割模型进行迭代计算，当新的验证损失到达预设值时，则停止迭代计算，得到训练好的腰椎骨分割模型，实现对腰椎骨分割模型的训练，便于后续识别目标ct序列图像的腹部区域和腰椎骨信息，从而有利于提高腰椎骨区域对应组织的量化结果准确性。

s4：获取目标ct序列图像，其中，目标ct序列图像包括腹部区域。

具体的，在需要对某一ct序列图像的腰椎骨区域进行分析时，将该ct序列图像作为目标ct序列图像。由于需要对腰椎骨区域进行分析，所以目标ct序列图像必须包括腹部区域。

s5：通过训练好的腰椎骨分割模型对目标ct序列图像进行识别，获取腹部区域中每个椎块的分割结果以及对应椎块的类别。

具体的，通过训练好的腰椎骨分割模型对目标ct序列图像进行扫描识别，先处理的定位出目标ct序列图像的腹部区域所在的位置，并根据腹部区域所在的位置分别确定x、y、z方向的起始位置，也即确定腹部区域对应三维方向的起始位置，便于缩小范围，便于进一步识别腰椎骨的具体位置和每块椎骨的信息。然后再将腹部区域对应三维方向的起始位置重新输入到训练好的腰椎骨分割模型中进行精细定位，从而识别出腹部区域中每个椎块的分割结果及对应椎块的类别。

请参阅图6，图6示出了步骤s5的一种具体实施方式，详叙如下：

s51：通过训练好的腰椎骨分割模型对目标ct序列图像的腹部区域进行识别，获取目标ct序列图像中的腹部区域。

具体的，由于训练好的腰椎骨分割模型主要是通过腹部区域的特征进行训练得到的，在向输入训练好的腰椎骨分割模型对应目标ct序列图像时，训练好的腰椎骨分割模型重点关注ct序列图像中的的腹部区域，从而识别出目标ct序列图像中的腹部区域。

s52：根据腹部区域，建立腹部区域对应三维方向的起始位置。

具体的，本申请实施例主要是对腰椎骨的每块椎块进行分析，而腰椎骨是处理腹部区域的，在确认了腹部区域后，通过建立腹部区域对应三维方向的起始位置，缩小识别腰椎骨的范围，有利于提高后续识别精度。

s53：将三维方向的起始位置重新输入到训练好的腰椎骨分割模型中进行识别，识别出腹部区域中每个椎块的分割结果以及椎块的类别。

具体的，通过将三维方向的起始位置重新输入到训练好的腰椎骨分割模型中进行识别，得到类别为l1-l5椎块的分割结果，也即是腰1椎块到腰5椎块的分割结果。

具体的，由于人体的腰椎椎骨总共有五节，从上往下锥块的类别分别是腰1锥块、腰2锥块、腰3锥块、腰4锥块、腰5锥块，每节锥块是由椎间盘相连接。通过将三维方向的起始位置重新输入到训练好的腰椎骨分割模型，使得训练好的腰椎骨分割模型从上往下识别腰椎椎骨部分，识别出腰1锥块、腰2锥块、腰3锥块、腰4锥块、腰5锥块，也即识别出锥块的类别。

本实施例中，通过训练好的腰椎骨分割模型对目标ct序列图像进行识别，获取到腹部区域中每个椎块的分割结果以及椎块的类别，便于后续进行组织分割，从而有利于提高腰椎骨区域对应组织的量化结果准确性。

s6：根据椎块的分割结果以及对应椎块的类别，进行组织分割，得到组织分割结果。

具体的，在得到椎块的分割结果以及对应椎块的类别之后，将每个椎块的分割结果投影到三维空间，并取椎块中心点所在的横断面(transverseplane)，进行组织(肌肉、骨头、脂肪、器官等)分割，从而得到分割结果。分割结果呈现不同组织、器官的横断面，例如肌肉、骨头、脂肪、器官等。

请参阅图7，图7示出了步骤s6的一种具体实施方式，详叙如下：

s61：将椎块的分割结果投影到三维空间。

具体的，将椎块的分割结果投影到三维空间，使其呈现立体的结构，便于选取组织分割点和分割面，有利于提高组织分割的精度。

s62：识别椎块的类别对应椎块中心点所在的横断面，并根据横断面进行组织分割，得到组织分割结果。

具体的，椎块分为腰1椎块到腰5椎块，识别椎块的类别对应椎块中心点，并确定椎块中心点所在的横断面，并沿着该横断面进行切割，从而得到每块椎块的分割结果。

本实施例中，通过将椎块的分割结果投影到三维空间，识别椎块的类别对应椎块中心点所在的横断面，并根据横断面进行组织分割，得到组织分割结果，实现将椎块进行精准分割，后续计算横断面面积和组织结构的体积，进而有利于提高腰椎骨区域对应组织的量化结果准确性。

s7：基于组织分割结果，对横断面面积以及组织结构体积进行计算处理，得到目标结果。

具体的，由于上诉步骤已经完成了对椎块的组织分割，通过识别出组织分割结果中的信息，如像素个数、总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距，并结合对应的组织(如肌肉、骨头、脂肪、器官等)，便可以计算得到对应的组织计算结果，并将其作为目标结果。

本实施例中，通过获取训练样本数据，对多张ct序列图像的腹部区域进行裁剪、数据重取样以及进行归一化处理，得到目标训练数据，再通过将目标训练数据训练腰椎骨分割模型，得到训练好的腰椎骨分割模型，然后通过训练好的腰椎骨分割模型对目标ct序列图像进行识别，获取腹部区域中每个椎块的分割结果以及对应椎块的类别，实现对腰椎骨的椎块进行精准获取；再根据椎块的分割结果以及对应椎块的类别，进行组织分割，得到组织分割结果，并基于组织分割结果，对横断面面积以及组织结构体积进行计算处理，得到目标结果，实现了通过对腰椎骨分割模型进行训练，将训练好的腰椎骨分割模型对目标ct序列图像的腰椎骨区域进行精准定位和组织分割，并对横断面面积以及组织结构体积进行计算处理，从而有利于提高腰椎骨区域对应组织的量化结果准确性。

请参阅图8，图8示出了步骤s7的一种具体实施方式，详叙如下：

s71：识别出组织分割结果中像素个数、总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距。

具体的，通过一次组织分割可以获取到该组织分割中的像素个数、x方向的像素间距、y方向的像素间距，通过连续的横断面的组织分割，可以获取到该组织的总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距，以及每个横断面的像素个数。

s72：通过将像素个数、x方向的像素间距以及y方向的像素间距进行相乘计算处理，得到横断面面积。

具体的，通过像素个数乘以x方向的像素间距乘以y方向的像素间距，可以得到该组织的横断面面积。

s73：通过总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距进行相乘计算处理，得到组织结构体积，并将横断面面积以及组织结构体积作为目标结果。

具体的，通过通过总体素个数乘以x方向的像素间距乘以y方向的像素间距乘以z方向的像素间距，可以得到该组织的组织结构体积。通过计算出横断面面积和组织结构体积，从而有利于提高腰椎骨区域对应组织的量化结果准确便于为医学提供ct序列图像中所反映出的腰椎骨区域对应组织的量化结果，为医学提供一个参考参数。

本实施中，通过识别出组织分割结果中像素个数、总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距，并结合对应的计算方式，从而得到组织的横断面面积和组织结构体积，进而有利于提高腰椎骨区域对应组织的量化结果准确，同时便于为医学提供ct序列图像中所反映出的腰椎骨区域对应组织的量化结果，为医学提供一个重要参考参数。

需要强调的是，为进一步保证上述目标ct序列图像的私密和安全性，上述目标ct序列图像还可以存储于一区块链的节点中。

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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。

请参考图9，作为对上述图2所示方法的实现，本申请提供了一种基于深度学习的腰椎骨分析装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，本实施例的基于深度学习的腰椎骨分析装置包括：训练样本数据获取模块81、目标训练数据获取模块82，、腰椎骨分割模块训练模块83、目标ct序列图像获取模块84、腰椎骨分割模型识别模块85、组织分割结果获取模块86及组织分割结果处理模块87，其中：

训练样本数据获取模块81，用于获取训练样本数据，其中，训练样本数据包括多张ct序列图像，每张ct序列图像包括腹部区域标记；

目标训练数据获取模块82，用于对多张ct序列图像的腹部区域均进行裁剪和数据重取样处理，得到基础训练数据，并对基础训练数据进行归一化处理，得到目标训练数据；

腰椎骨分割模块训练模块83，用于基于目标训练数据，通过交叉验证的方式和梯度下降方式对腰椎骨分割模型进行训练，得到训练好的腰椎骨分割模型；

目标ct序列图像获取模块84，用于获取目标ct序列图像，其中，目标ct序列图像包括腹部区域；

腰椎骨分割模型识别模块85，用于通过训练好的腰椎骨分割模型对目标ct序列图像进行识别，获取腹部区域中每个椎块的分割结果以及对应椎块的类别；

组织分割结果获取模块86，用于根据椎块的分割结果以及对应椎块的类别，进行组织分割，得到组织分割结果；

组织分割结果处理模块87，用于基于组织分割结果，对横断面面积以及组织结构体积进行计算处理，得到目标结果。

进一步的，目标训练数据获取模块82包括：

非零区域识别单元，用于识别出多张ct序列图像中的腹部区域标记，并根据腹部区域标记识别出腹部区域的非零区域；

数据集合获取单元，用于在非零区域进行数据裁剪，得到数据集合；

数据集合处理单元，用于通过三阶样条插值法，对数据集合的体素间距进行重取样处理，得到基础训练数据；

基础训练数据处理单元，用于对基础训练数据进行归一化处理，得到目标训练数据。

进一步的，基础训练数据处理单元包括：

裁剪数据获取子单元，用于将基础训练数据对应的像素值裁剪到预设区间，得到裁剪数据；

裁剪数据处理子单元，用于采用z-score的方式，对裁剪数据进行归一化处理，得到目标训练数据。

进一步的，腰椎骨分割模块训练模块83包括：

基础dice损失计算单元，用于计算每张ct序列图像对应的目标训练数据的dice损失，得到ct序列图像的dice损失，并统计预设数量ct序列图像的dice损失的平均值，得到基础dice损失；

迭代计算单元，用于将基础dice损失分为训练损失与验证损失，并采用交叉验证的方式和梯度下降方式，基于目标训练数据对腰椎骨分割模型进行迭代计算，其中，每次迭代计算都产生一个新的验证损失；

模型训练结束单元，用于当新的验证损失到达预设值时，则停止迭代计算，得到训练好的腰椎骨分割模型。

进一步的，腰椎骨分割模型识别模块85，包括：

腹部区域获取单元，用于通过训练好的腰椎骨分割模型对目标ct序列图像的腹部区域进行识别，获取目标ct序列图像中的腹部区域；

起始位置建立单元，用于根据腹部区域，建立腹部区域对应三维方向的起始位置；

分割结果识别单元，用于将三维方向的起始位置重新输入到训练好的腰椎骨分割模型中进行识别，识别出腹部区域中每个椎块的分割结果以及椎块的类别。

进一步的，组织分割结果获取模块86包括：

分割结果投影单元，用于将椎块的分割结果投影到三维空间；

组织分割单元，用于识别椎块的类别对应椎块中心点所在的横断面，并根据横断面进行组织分割，得到组织分割结果。

进一步的，组织分割结果处理模块87包括：

组织分割结果识别单元，用于识别出组织分割结果中像素个数、总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距；

横断面面积计算单元，用于通过将像素个数、x方向的像素间距以及y方向的像素间距进行相乘计算处理，得到横断面面积；

组织结构体积计算单元，用于通过总体素个数、x方向的像素间距、y方向的像素间距以及z方向的像素间距进行相乘计算处理，得到组织结构体积，并将横断面面积以及组织结构体积作为目标结果。

需要强调的是，为进一步保证上述目标ct序列图像的私密和安全性，上述目标ct序列图像还可以存储于一区块链的节点中。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。

计算机设备9包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是，图中仅示出了具有三种组件存储器91、处理器92、网络接口93的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

存储器91至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器91可以是计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，存储器91也可以是计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，存储器91还可以既包括计算机设备9的内部存储单元也包括其外部存储设备。本实施例中，存储器91通常用于存储安装于计算机设备9的操作系统和各类应用软件，例如基于深度学习的腰椎骨分析方法的程序代码等。此外，存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器92在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制计算机设备9的总体操作。本实施例中，处理器92用于运行存储器91中存储的程序代码或者处理数据，例如运行上述基于深度学习的腰椎骨分析方法的程序代码，以实现基于深度学习的腰椎骨分析方法的各种实施例。

网络接口93可包括无线网络接口或有线网络接口，该网络接口93通常用于在计算机设备9与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供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，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于深度学习的腰椎骨分析方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例的方法。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。