一种基于手部X光图像的关节炎评分方法及装置与流程

一种基于手部x光图像的关节炎评分方法及装置
技术领域
1.本技术涉及计算机技术领域，具体而言，涉及一种基于手部x光图像的关节炎评分方法及装置。


背景技术：

2.类风湿关节炎(rheumatoid arthritis,ra)是一种以进行性关节破坏为特征的慢性炎症性自身免疫性疾病。x线检查是ra诊断及随访首选的影像学检查，可以通过x光图像来检查手部的类风湿关节炎患病情况。现有的基于手部x光图像的关节炎评分方法，通常依靠影像医生在观察x光图像之后进行主观判断并评分。然而，在实践中发现，现有的人工评分方法。受主观判断影响，导致评分结果偏差大，评价过程繁琐，评分效率低，影响临床医生对病情变化的精准判断。


技术实现要素：

3.本技术实施例的目的在于提供一种基于手部x光图像的关节炎评分方法及装置，能够根据手部x光图像自动记性关节炎评分，不受主观判断影响，评分结果准确，评分效率高，从而有利于临床医生依据评分对病情变化进行精准判断。
4.本技术实施例第一方面提供了一种基于手部x光图像的关节炎评分方法，包括：
5.获取待评分的手部x光图像；
6.通过预先构建的手部识别模型对所述手部x光图像进行手部区域识别，得到手部包围框；
7.根据所述手部包围框确定所述手部x光图像中的待评分关键点；
8.依据所述待评分关键点对所述手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果；
9.根据所述关节狭窄评分和所述骨侵蚀评分，确定所述手部x光图像的评分结果。
10.在上述实现过程中，先获取待评分的手部x光图像；再通过预先构建的手部识别模型对手部x光图像进行手部区域识别，得到手部包围框；并根据手部包围框确定手部x光图像中的待评分关键点；接着依据待评分关键点对手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果；最后根据关节狭窄评分和骨侵蚀评分，确定手部x光图像的评分结果，能够根据手部x光图像自动记性关节炎评分，不受主观判断影响，评分结果准确，评分效率高，从而有利于临床医生依据评分对病情变化进行精准判断。
11.进一步地，根据所述手部包围框确定所述手部x光图像中的待评分关键点，包括：
12.根据所述手部包围框从所述手部x光图像中截取手部区域图像；
13.通过预先构建的关键点检测模型对所述手部区域图像进行关键点检测，得到关键点检测结果；
14.对所述关键点检测结果进行修正处理，得到待评分关键点。
15.进一步地，对所述关键点检测结果进行修正处理，得到待评分关键点，包括：
16.根据所述关键点检测结果，获取关键点之间的位置关系信息；
17.通过预先构建的图卷积模型和所述位置关系信息对所述关键点进行重新定位，得到待评分关键点。
18.进一步地，依据所述待评分关键点对所述手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果，包括：
19.根据所述待评分关键点生成进行关节狭窄评分的第一评分位置集合以及进行骨侵蚀评分的第二评分位置集合；
20.根据所述第一评分位置集合对所述手部x光图像进行关节狭窄评分，得到关节狭窄评分结果；
21.根据所述第二评分位置集合对所述手部x光图像进行骨侵蚀评分，得到骨侵蚀评分结果。
22.进一步地，根据所述第一评分位置集合对所述手部x光图像进行关节狭窄评分，得到关节狭窄评分结果，包括：
23.从所述手部x光图像中截取所述第一评分位置集合中各个位置对应的病变区域图，得到第一病变区域图集合；
24.通过预先构建的关节狭窄评分模型对所述第一病变区域图集合中的各个病变区域图进行分类评分，得到关节狭窄评分结果；其中，所述关节狭窄评分结果包括所述第一评分位置集合中每个位置对应的评分。
25.进一步地，根据所述第二评分位置集合对所述手部x光图像进行骨侵蚀评分，得到骨侵蚀评分结果，包括：
26.从所述手部x光图像中截取所述第二评分位置集合中各个位置对应的病变区域图，得到第二病变区域图集合；
27.通过预先构建的骨侵蚀评分模型对所述第二病变区域图集合中的各个病变区域图进行分类评分，得到骨侵蚀评分结果；其中，所述骨侵蚀评分结果包括所述第二评分位置集合中每个位置对应的评分。
28.进一步地，根据所述关节狭窄评分和所述骨侵蚀评分，确定所述手部x光图像的总评分结果，包括：
29.计算所述关节狭窄评分结果中各个评分的评分总和，得到关节狭窄评分分数；
30.计算所述骨侵蚀评分结果中各个评分的评分总和，得到骨侵蚀评分分数；
31.计算所述关节狭窄评分分数和所述骨侵蚀评分分数的评分总和，得到关节炎总评分；
32.汇总所述关节狭窄评分分数、所述骨侵蚀评分分数以及所述关节炎总评分，得到总评分结果。
33.本技术实施例第二方面提供了一种基于手部x光图像的关节炎评分装置，所述基于手部x光图像的关节炎评分装置包括：
34.获取单元，用于获取待评分的手部x光图像；
35.识别单元，用于通过预先构建的手部识别模型对所述手部x光图像进行手部区域识别，得到手部包围框；
36.关键点确定单元，用于根据所述手部包围框确定所述手部x光图像中的待评分关
键点；
37.评分单元，用于依据所述待评分关键点对所述手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果；
38.确定单元，用于根据所述关节狭窄评分和所述骨侵蚀评分，确定所述手部x光图像的总评分结果。
39.在上述实现过程中，获取单元先获取待评分的手部x光图像；识别单元再通过预先构建的手部识别模型对手部x光图像进行手部区域识别，得到手部包围框；关键点确定单元并根据手部包围框确定手部x光图像中的待评分关键点；接着评分单元依据待评分关键点对手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果；最后确定单元根据关节狭窄评分和骨侵蚀评分，确定手部x光图像的评分结果，能够根据手部x光图像自动记性关节炎评分，不受主观判断影响，评分结果准确，评分效率高，从而有利于临床医生依据评分对病情变化进行精准判断。
40.本技术实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例第一方面中任一项所述的基于手部x光图像的关节炎评分方法。
41.本技术实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例第一方面中任一项所述的基于手部x光图像的关节炎评分方法。
附图说明
42.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
43.图1为本技术实施例提供的一种基于手部x光图像的关节炎评分方法的流程示意图；
44.图2为本技术实施例提供的一种基于手部x光图像的关节炎评分装置的结构示意图；
45.图3为本技术实施例提供的一种关键点检测结果的示意图；
46.图4为本技术实施例提供的一种手部x光图像的示意图；
47.图5为本技术实施例提供的一种图4所示手部x光图像的热图形式示意图；
48.图6为本技术实施例提供的一种识别到的左右手以及待评分关键点的示意图；
49.图7为本技术实施例提供的一种关节狭窄评分结果的示意图；
50.图8为本技术实施例提供的一种骨侵蚀评分结果的示意图。
具体实施方式
51.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
52.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的
描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
53.实施例1
54.请参看图1，图1为本技术实施例提供了一种基于手部x光图像的关节炎评分方法的流程示意图。其中，该基于手部x光图像的关节炎评分方法包括：
55.s101、获取待评分的手部x光图像。
56.s102、通过预先构建的手部识别模型对手部x光图像进行手部区域识别，得到手部包围框。
57.本技术实施例中，实施上述步骤s102，能够进行手部区域检测，该步骤的功能为检测手部x光图像中所有手的位置。输入的x光图像分辨率高，且通常存在左右两只手，需要首先把手部所在区域提取出来，以便聚焦于单个手部区域进行后续处理以排除其他图像区域的干扰。
58.本技术实施例中，可以通过预先构建的手部识别模型实现手部区域的识别。该手部识别模型可以使用ghostnet网络结构作为主干网络结构。
59.本技术实施例中，手部识别模型中，在主干网络结构的输出端，设置fcos检测模块，使其支持tlbr坐标系统。其中，tlbr坐标可以表示为[t,l,b,r],英文分别是top、left、bottom、right,分别对应特征点到矩形检测框上、左、下、右边界的距离。
[0060]
本技术实施例中，fcos是一种无锚点框目标检测方法，其核心原理是产生两张热图。一张是中心度热图，可用来显示待检测目标的中心坐标处的概率高低。另一张是tlbr坐标热图，其显示每一个像素到待检测目标的检测框的左、上、右、下边的距离。结合两张热图即可得到最终的检测目标，即单独的手部区域。采用fcos方法的优点为，其可学习的目标区域大，精度高，训练难度低，收敛很快，运算速度快，消耗资源少。
[0061]
本技术实施例中，ghostnet是一种轻量快速的模型结构，源自于对经典轻量级网络结构mobilenetv3的改进。采用ghostnet网络结构作为模型结构的原因是其结构轻量级，可以在保证检测准确率的同时降低计算量和运行更加快速。
[0062]
本技术实施例中，将ghostnet网络结构和fcos检测模块两者结合使用，能够进行手部区域的准确识别。
[0063]
本技术实施例中，在构建手部识别模型时，需要对手部识别模型进行训练，在训练过程中，图像输入的分辨率可以为512*512像素，采用的数据增强方式为：随机亮度对比度调整0.2，随机水平翻转，随机90度旋转0-3次，随机缩放[0.6,1.3]，随机平移[-0.1,0.1]，随机旋转(-20,20)度，始终直方图均衡化等，采用的优化器可以为adam,学习率调整器可以采用余弦方法，周期可以预先设置为10，最小学习率为1e-3；总训练轮次可以预先设置为200轮。
[0064]
本技术实施例中，在构建手部识别模型时，采用的损失函数可以为包围框回归函数，训练的批大小为20，检测框选取的置信度可以为0.7，最佳模型权重由验证集图像上获得的最小验证损失决定。
[0065]
在步骤s102之后，还包括以下步骤：
[0066]
s103、根据手部包围框从手部x光图像中截取手部区域图像。
[0067]
s104、通过预先构建的关键点检测模型对手部区域图像进行关键点检测，得到关键点检测结果。
[0068]
本技术实施例中，在进行关键点检测时，先根据手部包围框，从x光图像中截取手部区域图像，从而可以检测出关键点。
[0069]
本技术实施例中，该关键点检测结果可以包括多个手部关键点坐标信息，具体地，可以为28个手部关键点坐标(如图3所示)，用以在后续步骤中确定具体的评分位置。
[0070]
本技术实施例中，需要预先构建关键点检测模型，对该关键点检测模型进行训练时，可以采用编码的关键点坐标。具体地，对关键点的标注进行repel coding方式的编码，得到编码的关键点坐标。原始的标注为坐标形式，即一个待检测的关键点对应一个坐标。通过repel coding方法，可以将关键点转变成更适用于模型训练的热图形式，即形成一个以关键点坐标位置为中心的可自适应大小的符合高斯分布的概率分布，如图4和图5所示，其中，图4为本技术实施例提供的一种手部x光图像的示意图，图5为本技术实施例提供的一种图4所示手部x光图像的热图形式示意图。
[0071]
本技术实施例中，关键点检测模型可以采用ghostnet网络结构作为主干网络结构，在ghostnet网络的输出端设置scn(spatial configuration net，空间配置网络)模块，以加入各检测点相互之间的空间位置信息。该关键点检测模型在进行关键点检测时，首先把得到的检测热图缩放到低分辨率，然后使用多组卷积检测像素间的关系，通过利用关键点之间的联系，提升像素的分类性能，最终得到每一个关键点对应的像素。联合使用repel coding方法和scn模块显著提升了关键点的检测准确率。
[0072]
本技术实施例中，在关键点检测模型的训练过程中，图像的输入分辨率可以为512x512像素，使用的图像增强方式包括：随机缩放[1.2,1.8]，随机平移0.1，随机旋转70度，填充方式随机二选一(未0填充或者反射填充)，随机亮度对比度0.1，随机水平翻转等，对此本技术实施例不作限定。
[0073]
本技术实施例中，在关键点检测模型的训练过程中，优化器可以为adam，损失函数可以为基于热图的回归函数；学习率调整器为余弦方法，周期为10，最小学习率为1e-7；训练总轮数为200，批大小为20，热图概率阈值为0.7，最佳模型权重选取依据验证集上的最佳检测f1评分确定。
[0074]
在步骤s104之后，还包括以下步骤：
[0075]
s105、根据关键点检测结果，获取关键点之间的位置关系信息。
[0076]
s106、通过预先构建的图卷积模型和位置关系信息对关键点进行重新定位，得到待评分关键点。
[0077]
本技术实施例中，在通过预先构建的关键点检测模型得到关键点检测结果后，由于关节破坏程度严重或者手部带了饰品等原因，存在关键点检测结果不准确的情况，因此可以通过预先构建的图卷积模型(gcn，graph convolution network)对该关键点检测结果进行修正。
[0078]
本技术实施例中，图卷积模型gcn能够依据关键点之间的位置关系信息，修正关键点检测的结果。具体而言，gcn的模型输入为一组关键点的坐标，将预测点及其坐标构建一张全连接图，通过训练让模型根据关键点的位置关系自动重新定位。通过gcn模型的修正，在测试集上可以做到9像素间距内关键点检测准确率达到98.9％。
[0079]
本技术实施例中，在图卷积模型的训练过程中，输入为每张图中代表关键点位置和类别的28个向量，输出为29个类别的向量，添加的第29类为无效类，即如果原始的关键点
检测结果中有多余的点则会被分为第29类从而被排除。数据增强方式为：对于单手全关节节点，每个节点增加
±
4像素位置移动的扰动；全部节点绕中心随机旋转
±
180度；随机增加0-3个误检测点，范围为手部包围框
±
100区域；随机将0-3个节点的分类置为错误类别；随机丢掉0-3个点。
[0080]
本技术实施例中，在图卷积模型的训练过程中，数据预处理方式为将每个手的全部预测关键点制作为一张全连接图。只对坐标进行运算，将关键点坐标减去其本手坐标的均值，然后除以本手坐标的标准差。
[0081]
本技术实施例中，在图卷积模型的训练过程中，训练方式为每轮训练将会迭代训练集20次。验证时，将会对验证集使用数据增强，并重复迭代20次。训练的损失函数为focalloss，训练总轮数为200，批大小为20，学习率调整器为余弦方法，周期为10，最小学习率为1e-3；最佳模型权重选取依照验证集上的平均节点分类f1评分确定。
[0082]
本技术实施例中，实施上述步骤s105～步骤s106，能够对关键点检测结果进行修正处理，得到待评分关键点。
[0083]
本技术实施例中，实施上述步骤s103～步骤s106，能够根据手部包围框确定手部x光图像中的待评分关键点。
[0084]
在步骤s106之后，还包括以下步骤：
[0085]
s107、根据待评分关键点生成进行关节狭窄评分的第一评分位置集合以及进行骨侵蚀评分的第二评分位置集合。
[0086]
本技术实施例中，在进行关节狭窄评分时，基于上述检测到的待评分关键点，首先生成需要进行关节狭窄评分的第一评分位置集合，具体地，该第一评分位置集合可以包括15个位置，对此本技术实施例不作限定。
[0087]
本技术实施例中，在进行关节狭窄评分时，基于上述检测到的待评分关键点，首先生成需要进行关节腐蚀评分的第二评分位置集合，具体地，该第二评分位置集合具体可以包括16个位置，对此本技术实施例不作限定。
[0088]
s108、根据第一评分位置集合对手部x光图像进行关节狭窄评分，得到关节狭窄评分结果。
[0089]
作为一种可选的实施方式，根据第一评分位置集合对手部x光图像进行关节狭窄评分，得到关节狭窄评分结果，包括：
[0090]
从手部x光图像中截取第一评分位置集合中各个位置对应的病变区域图，得到第一病变区域图集合；
[0091]
通过预先构建的关节狭窄评分模型对第一病变区域图集合中的各个病变区域图进行分类评分，得到关节狭窄评分结果；其中，关节狭窄评分结果包括第一评分位置集合中每个位置对应的评分。
[0092]
在上述实施方式中，可以根据第一评分位置集合从手部x光图像中截取第一评分位置集合中各个位置对应的病变区域图，得到第一病变区域图集合，然后使用分类方法将该第一病变区域图集合中的每个病变区域图区分为0-4分中的某一类。
[0093]
在上述实施方式中，预先构建的关节狭窄评分模型的网络结构可以resnet50网络结构、densenet201网络结构、ghostnet网络结构等，对此本技术实施例不作限定。
[0094]
在上述实施方式中，由于不同的评分位置对应不同的关节位置，而指骨关节和掌
骨关节本身就存在比较大的差异，会对分类评分产生不良的影响。因此，关节狭窄评分模型还包括副信息模块，将每个评分位置对应的关节信息作为信息输入到模型中，从而避免了上述的缺点。
[0095]
在上述实施方式中，副信息模块具体的实现原理为，把副类别信息嵌入后映射到方差和均值，然后将其用于调整张量流的均值方差，从而实现副信息的输入。
[0096]
在上述实施方式中，当关节狭窄评分模型的网络结构为resnet50网络结构或者ghostnet网络结构时，则添加副信息模块的位置是将每阶段的第一个残差块替换为副信息模块；当关节狭窄评分模型的网络结构为densenet201网络结构时，则在每阶段第一个残差块前增加一个副信息模块。
[0097]
优选地，可以采用resnet50网络结构加上副信息模块，其分类性能最佳。通过加入副信息模块，可以有效分离不同关节区域的病变分数的分布，提高最后的分类性能。
[0098]
此外，在预测的过程中，可以采用tta方法，即将一张待预测的小图进行多种变换后，将每一种变换图像得到的分类预测结果进行投票融合后获得最终的预测结果。其中，tta(test time augmentation)为测试时数据增强，在测试时将原始数据做不同形式的增强，然后取结果的平均值作为最终结果，可以进一步提升最终结果的精度。
[0099]
在上述实施方式中，在关节狭窄评分模型的训练过程中，其输入为图像为72x72像素，输出位one-hot编码的5个类别的分数。图像预处理方式为从原图中按照关键点定位规则裁剪出区域图像，然后将其缩放为72x72正方形图像，将像素值从[0,255]缩放到[0,1]；数据增强方式为填充方式随机二选一[0填充，反射填充]，随机亮度对比度
±
0.2，随机水平翻转，随机旋转90度0-3次，随机平移
±
0.1，随机缩放[0.9,1.1]，随机旋转
±
45度；优化器为adam，损失函数为距离加权交叉熵，学习率调整器为余弦方法，周期为10，最小学习率为1e-7，训练总轮数为200，批大小为48，最佳模型权重选取依照验证集f1分数。测试时数据增强方式可以为按照8个方向平移8像素。
[0100]
在步骤s109之后，还包括以下步骤：
[0101]
s109、根据第二评分位置集合对手部x光图像进行骨侵蚀评分，得到骨侵蚀评分结果。
[0102]
作为一种可选的实施方式，根据第二评分位置集合对手部x光图像进行骨侵蚀评分，得到骨侵蚀评分结果，包括：
[0103]
从手部x光图像中截取第二评分位置集合中各个位置对应的病变区域图，得到第二病变区域图集合；
[0104]
通过预先构建的骨侵蚀评分模型对第二病变区域图集合中的各个病变区域图进行分类评分，得到骨侵蚀评分结果；其中，骨侵蚀评分结果包括第二评分位置集合中每个位置对应的评分。
[0105]
在上述实施方式中，可以根据第二评分位置集合从手部x光图像中截取第二评分位置集合中各个位置对应的病变区域图，得到第二病变区域图集合，然后使用分类方法将该第二病变区域图集合中的每个病变区域图区分为0-5分中的某一类。
[0106]
在上述实施方式中，骨侵蚀评分模型的网络结构和关节狭窄评分模型的网络结构原理相同，优选地，骨侵蚀评分模型可以采用resnet50网络结构加上副信息模块。
[0107]
在上述实施方式中，在骨侵蚀评分模型的训练过程中，其输入为图像为96x96像
素，输出位one-hot编码的6个类别的分数。图像预处理方式为从原图中按照关键点定位规则裁剪出区域图像，然后将其缩放为96x96正方形图像，将像素值从[0,255]缩放到[0,1]；数据增强方式为填充方式随机二选一[0填充，反射填充]，随机亮度对比度
±
0.2，随机水平翻转，随机旋转90度0-3次，随机平移
±
0.1，随机缩放[0.9,1.1]，随机旋转
±
45度；优化器为adam，损失函数为距离加权交叉熵，学习率调整器为余弦方法，周期为10，最小学习率为1e-7，训练总轮数为200，批大小为48，最佳模型权重选取依照验证集f1分数。测试时数据增强方式为45度8次旋转。
[0108]
本技术实施例中，实施上述步骤s107～步骤s109，能够依据待评分关键点对手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果。
[0109]
s110、计算关节狭窄评分结果中各个评分的评分总和，得到关节狭窄评分分数。
[0110]
s111、计算骨侵蚀评分结果中各个评分的评分总和，得到骨侵蚀评分分数。
[0111]
s112、计算关节狭窄评分分数和骨侵蚀评分分数的评分总和，得到关节炎总评分。
[0112]
s113、汇总关节狭窄评分分数、骨侵蚀评分分数以及关节炎总评分，得到总评分结果。
[0113]
本技术实施例中，实施上述步骤s110～步骤s113，能够根据关节狭窄评分和骨侵蚀评分，确定手部x光图像的评分结果。
[0114]
本技术实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
[0115]
在本技术实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
[0116]
请一并参阅图6、图7和图8，图6为本技术实施例提供的一种识别到的左右手以及待评分关键点的示意图，图7为本技术实施例提供的一种关节狭窄评分结果的示意图，图8为本技术实施例提供的一种骨侵蚀评分结果的示意图，其中，每个位置对应文字为：评分位置编号_人工评分_自动评分。最后将所有评分位置的关节狭窄评分和骨侵蚀评分加在一起得到最终的总评分结果。
[0117]
可见，实施本实施例所描述的基于手部x光图像的关节炎评分方法，能够根据手部x光图像自动记性关节炎评分，不受主观判断影响，评分结果准确，评分效率高，从而有利于临床医生依据评分对病情变化进行精准判断。
[0118]
实施例2
[0119]
请参看图2，图2为本技术实施例提供的一种基于手部x光图像的关节炎评分装置的结构示意图。如图2所示，该基于手部x光图像的关节炎评分装置包括：
[0120]
获取单元210，用于获取待评分的手部x光图像；
[0121]
识别单元220，用于通过预先构建的手部识别模型对手部x光图像进行手部区域识别，得到手部包围框；
[0122]
关键点确定单元230，用于根据手部包围框确定手部x光图像中的待评分关键点；
[0123]
评分单元240，用于依据待评分关键点对手部x光图像进行评分，得到关节狭窄评分结果和骨侵蚀评分结果；
[0124]
确定单元250，用于根据关节狭窄评分和骨侵蚀评分，确定手部x光图像的总评分结果。
[0125]
作为一种可选的实施方式，关键点确定单元230包括：
[0126]
截取子单元231，用于根据手部包围框从手部x光图像中截取手部区域图像；
[0127]
检测子单元232，用于通过预先构建的关键点检测模型对手部区域图像进行关键点检测，得到关键点检测结果；
[0128]
修正子单元233，用于对关键点检测结果进行修正处理，得到待评分关键点。
[0129]
作为一种可选的实施方式，修正子单元233包括：
[0130]
第一模块，用于根据关键点检测结果，获取关键点之间的位置关系信息；
[0131]
第二模块，用于通过预先构建的图卷积模型和位置关系信息对关键点进行重新定位，得到待评分关键点。
[0132]
作为一种可选的实施方式，评分单元240包括：
[0133]
生成子单元241，用于根据待评分关键点生成进行关节狭窄评分的第一评分位置集合以及进行骨侵蚀评分的第二评分位置集合；
[0134]
第一评分子单元242，用于根据第一评分位置集合对手部x光图像进行关节狭窄评分，得到关节狭窄评分结果；
[0135]
第二评分子单元243，用于根据第二评分位置集合对手部x光图像进行骨侵蚀评分，得到骨侵蚀评分结果。
[0136]
作为一种可选的实施方式，第一评分子单元242包括：
[0137]
第三模块，用于从手部x光图像中截取第一评分位置集合中各个位置对应的病变区域图，得到第一病变区域图集合；
[0138]
第四模块，用于通过预先构建的关节狭窄评分模型对第一病变区域图集合中的各个病变区域图进行分类评分，得到关节狭窄评分结果；其中，关节狭窄评分结果包括第一评分位置集合中每个位置对应的评分。
[0139]
作为一种可选的实施方式，第二评分子单元243包括：
[0140]
第五模块，用于从手部x光图像中截取第二评分位置集合中各个位置对应的病变区域图，得到第二病变区域图集合；
[0141]
第六模块，用于通过预先构建的骨侵蚀评分模型对第二病变区域图集合中的各个病变区域图进行分类评分，得到骨侵蚀评分结果；其中，骨侵蚀评分结果包括第二评分位置集合中每个位置对应的评分。
[0142]
作为一种可选的实施方式，确定单元250包括：
[0143]
计算子单元251，用于计算关节狭窄评分结果中各个评分的评分总和，得到关节狭窄评分分数；以及计算骨侵蚀评分结果中各个评分的评分总和，得到骨侵蚀评分分数；以及计算关节狭窄评分分数和骨侵蚀评分分数的评分总和，得到关节炎总评分；
[0144]
汇总子单元252，用于汇总关节狭窄评分分数、骨侵蚀评分分数以及关节炎总评分，得到总评分结果。
[0145]
本技术实施例中，对于基于手部x光图像的关节炎评分装置的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。
[0146]
可见，实施本实施例所描述的基于手部x光图像的关节炎评分装置，能够根据手部x光图像自动记性关节炎评分，不受主观判断影响，评分结果准确，评分效率高，从而有利于临床医生依据评分对病情变化进行精准判断。
[0147]
本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例1中的基于手部x光图像的关节炎评分方法。
[0148]
本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例1中的基于手部x光图像的关节炎评分方法。
[0149]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0150]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0151]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0152]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0153]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
[0154]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。