下肢力线确定方法、装置、计算机设备和存储介质与流程

本技术涉及医疗检测，特别是涉及一种下肢力线确定方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、膝关节炎是一种以退行性病理改变为基础的疾患，常常通过人工膝关节置换术、胫骨高位截骨术等临床手术进行治疗。而人工膝关节置换术、胫骨高位截骨术等手术的成功及术后效果评估离不开下肢力线的精准测量。

2、下肢力线指通过髋关节中心、膝关节中心和踝关节中心的轴线。传统方法中，医护人员确定下肢力线的方法是在患者的x线片上手动画点连线，然而，这种方法严重依赖医护人员的经验，主观性强，难以保证确定结果的准确性。

技术实现思路

1、基于此，有必要针对上述确定下肢力线的方法存在的严重依赖医护人员的经验，主观性强，难以保证确定结果的准确性的技术问题，提供一种下肢力线确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种下肢力线确定方法。所述方法包括：

3、通过训练完成的多任务检测模型中的编码器，对骨骼x线片图像进行特征提取，得到所述骨骼x线片图像的图像特征；

4、将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像中的关键点位置信息，以及，将所述图像特征输入所述训练完成的多任务检测模型中的第二解码器，得到所述骨骼x线片图像中的骨骼分割部位位置信息；

5、基于所述关键点位置信息和所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线。

6、在其中一个实施例中，所述将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像中的关键点位置信息，包括：

7、将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像对应的概率分布图；所述概率分布图包括所述骨骼x线片图像中每个像素点属于关键点的概率；

8、基于每个像素点对应的概率，从所述概率分布图中提取出多个关键点区域，作为所述骨骼x线片图像中的关键点位置信息。

9、在其中一个实施例中，所述基于每个像素点对应的概率，从所述概率分布图中提取出多个关键点区域，包括：

10、基于每个像素点对应的概率，从所述每个像素点中提取出概率值大于概率阈值的目标像素点；

11、对所述目标像素点进行连通性分析，将具有连通关系的目标像素点形成连通域；

12、将所确定出的多个连通域，作为所述多个关键点区域。

13、在其中一个实施例中，所述关键点位置信息包括多个关键点区域以及各个关键点区域中每个像素点属于关键点的概率；

14、所述基于所述关键点位置信息和所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线，包括：

15、针对所述关键点位置信息中的每个关键点区域，基于所述关键点区域中各个像素点属于关键点的概率，确定所述关键点区域的加权质心点，作为所述关键点区域中的关键点；

16、基于所述关键点位置信息中的每个关键点区域中的关键点，以及所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线。

17、在其中一个实施例中，所述基于所述关键点位置信息中的每个关键点区域中的关键点，以及所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线，包括：

18、检测所述每个关键点区域中的关键点与所述骨骼分割部位位置信息对应的骨骼分割部位区域之间的位置关系；

19、在所述每个关键点区域中的关键点处于所述骨骼分割部位位置信息对应的骨骼分割部位区域中的情况下，基于所述关键点位置信息中的每个关键点区域中的关键点，确定所述骨骼x线片图像中的下肢力线。

20、在其中一个实施例中，所述多任务检测模型通过下述方式训练得到：

21、获取样本数据集，所述样本数据集包括样本骨骼x线片图像及所述样本骨骼x线片图像中的关键点位置标签和骨骼分割部位位置标签；

22、以所述样本骨骼x线片图像为输入，以所述关键点位置标签和所述骨骼分割部位位置标签为监督信息，对待训练的多任务检测模型进行训练，得到训练完成的所述多任务检测模型。

23、在其中一个实施例中，所述以所述样本骨骼x线片图像为输入，以所述关键点位置标签和所述骨骼分割部位位置标签为监督信息，对待训练的多任务检测模型进行训练，得到训练完成的所述多任务检测模型，包括：

24、将所述样本骨骼x线片图像输入所述待训练的多任务检测模型中的编码器，得到所述样本骨骼x线片图像的样本图像特征，将所述样本图像特征输入所述待训练的多任务检测模型中的第一解码器，得到预测关键点位置信息，将所述样本图像特征输入所述待训练的多任务检测模型中的第二解码器，得到预测骨骼分割部位位置信息；

25、基于所述预测关键点位置信息与所述关键点位置标签之间的第一差异信息，以及所述预测骨骼分割部位位置信息与所述骨骼分割部位位置标签之间的第二差异信息，对所述待训练的多任务检测模型进行训练，得到训练完成的多任务检测模型。

26、在其中一个实施例中，所述关键点位置标签包括正样本标签和负样本标签；所述第一差异信息包括正样本差异信息和负样本差异信息；

27、所述基于所述预测关键点位置信息与所述关键点位置标签之间的第一差异信息，以及所述预测骨骼分割部位位置信息与所述骨骼分割部位位置标签之间的第二差异信息，对所述待训练的多任务检测模型进行训练，得到训练完成的多任务检测模型，包括：

28、以减小所述正样本差异信息，增大所述负样本差异信息，以及减小所述第二差异信息为优化目标，对所述待训练的多任务检测模型进行训练，得到所述训练完成的多任务检测模型。

29、在其中一个实施例中，所述将所述样本骨骼x线片图像输入所述待训练的多任务检测模型，得到预测关键点位置信息和预测骨骼分割部位位置信息，包括：

30、对所述样本骨骼x线片图像进行预处理，得到预处理后的样本骨骼x线片图像；所述预处理包括归一化处理、重采样处理以及对重采样处理后的数据的裁剪处理；

31、将所述预处理后的样本骨骼x线片图像输入所述待训练的多任务检测模型，得到预测关键点位置信息和预测骨骼分割部位位置信息。

32、第二方面，本技术还提供了一种下肢力线确定装置。所述装置包括：

33、提取模块，用于通过训练完成的多任务检测模型中的编码器，对骨骼x线片图像进行特征提取，得到所述骨骼x线片图像的图像特征；

34、预测模块，用于将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像中的关键点位置信息，以及，将所述图像特征输入所述训练完成的多任务检测模型中的第二解码器，得到所述骨骼x线片图像中的骨骼分割部位位置信息；

35、确定模块，用于基于所述关键点位置信息和所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线。

36、第三方面，本技术还提供了一种计算机设备。所述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：

37、通过训练完成的多任务检测模型中的编码器，对骨骼x线片图像进行特征提取，得到所述骨骼x线片图像的图像特征；

38、将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像中的关键点位置信息，以及，将所述图像特征输入所述训练完成的多任务检测模型中的第二解码器，得到所述骨骼x线片图像中的骨骼分割部位位置信息；

39、基于所述关键点位置信息和所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线。

40、第四方面，本技术还提供了一种计算机可读存储介质。所述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：

41、通过训练完成的多任务检测模型中的编码器，对骨骼x线片图像进行特征提取，得到所述骨骼x线片图像的图像特征；

42、将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像中的关键点位置信息，以及，将所述图像特征输入所述训练完成的多任务检测模型中的第二解码器，得到所述骨骼x线片图像中的骨骼分割部位位置信息；

43、基于所述关键点位置信息和所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线。

44、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

45、通过训练完成的多任务检测模型中的编码器，对骨骼x线片图像进行特征提取，得到所述骨骼x线片图像的图像特征；

46、将所述图像特征输入所述训练完成的多任务检测模型中的第一解码器，得到所述骨骼x线片图像中的关键点位置信息，以及，将所述图像特征输入所述训练完成的多任务检测模型中的第二解码器，得到所述骨骼x线片图像中的骨骼分割部位位置信息；

47、基于所述关键点位置信息和所述骨骼分割部位位置信息，确定所述骨骼x线片图像中的下肢力线。

48、上述下肢力线确定方法、装置、计算机设备、存储介质和计算机程序产品，通过训练完成的多任务检测模型中的编码器，对骨骼x线片图像进行特征提取，得到骨骼x线片图像的图像特征；将图像特征分别输入多任务检测模型中的第一解码器和第二解码器，得到骨骼x线片图像中的关键点位置信息和骨骼分割部位位置信息，进一步基于关键点位置信息和骨骼分割部位位置信息，确定骨骼x线片图像中的下肢力线。该方法通过训练多任务检测模型，利用训练完成的多任务检测模型可以在一个阶段进行关键点检测的同时进行骨骼部位的分割，由此提高对骨骼x线片图像的处理效率，同时通过多任务对检测模型的训练，可以提高其共有的编码器的准确率，从而可以提升由多任务检测模型执行的关键点检测和骨骼部位分割的准确率，进而可提高由关键点检测结果和骨骼部位分割结果确定的下肢力线的准确率。