关键点检测方法、装置、设备、存储介质和程序产品与流程

本技术涉及图像处理，特别是涉及一种关键点检测方法、装置、设备、存储介质和程序产品。

背景技术：

1、医学影像的关键点是医学解剖参数测量和医学影像人工智能开发的重要基础，基于关键点可以测量患者具有相关解剖意义的生理参数，进而衡量患者的健康状态。

2、近年来，深度学习为被广泛应用于关键点检测任务中。即利用一组关键点标注数据样本训练深度学习网络的参数，使其达到所需求的分类或者回归性能。利用训练后的深度学习网络对医学影像的关键点进行检测，但是该方法检测关键点存在无法确保检测结果的可靠性的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够可以提高关键点检测结果可靠性的关键点检测方法、装置、设备、存储介质和程序产品。

2、第一方面，本技术提供了一种关键点检测方法，包括：

3、对待检测图像进行特征检测，得到所述待检测图像中各像素点的特征向量；

4、根据各所述像素点的特征向量，确定各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值；

5、根据各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，确定所述待检测图像中的关键点。

6、在其中一个实施例中，所述根据各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，确定所述待检测图像中的关键点，包括：

7、根据各所述像素点的第一类别概率分布和各所述第一不确定性值，确定掩膜图像；

8、基于所述掩膜图像中各连通域中像素点的第一类别概率分布，和各所述连通域中像素点的第一类别概率分布的第一不确定性值，确定各所述连通域的第二类别概率分布和所述第二类别概率分布的第二不确定性值；

9、根据各所述连通域的第二类别概率分布和所述第二类别概率分布的第二不确定性值，确定所述待检测图像中的关键点。

10、在其中一个实施例中，所述根据各所述像素点的特征向量，确定各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，包括：

11、根据各所述像素点的特征向量和关键点检测模型的通道数量，确定各所述像素点对应的迪利克雷强度；所述通道数量基于所述关键点的数量确定；

12、将所述通道数量与各所述像素点对应的迪利克雷强度的第一比值，作为各所述第一类别概率分布的第一不确定性值；

13、根据各所述像素点的特征向量和所述通道数量，确定所述像素点的信度质量的分配服从参数；所述像素点的信度质量为所述像素点的特征向量与所述迪利克雷强度的第二比值；

14、将各所述像素点的信度质量的分配服从参数和所述迪利克雷强度的第三比值，作为各所述像素点的第一类别概率分布。

15、在其中一个实施例中，所述根据各所述连通域的第二类别概率分布和所述第二类别概率分布的第二不确定性值，确定所述待检测图像中的关键点，包括：

16、将各所述连通域的第二类别概率分布满足预设类别概率分布，且所述第二不确定性值小于预设不确定性值的连通域，作为目标连通域；

17、根据所述目标连通域，确定所述待检测图像中的关键点。

18、在其中一个实施例中，所述方法还包括：

19、获取检测图像样本的掩膜图像样本；所述掩膜图像样本包括各样本关键点的感兴趣区域；

20、利用初始关键点检测模型对掩膜图像样本进行特征检测，得到所述掩膜图像样本中各像素点的特征向量样本；

21、根据所述特征向量样本和目标损失函数，训练所述初始关键点检测模型，得到所述关键点检测模型；所述目标损失函数根据迪利克雷分布确定；所述迪利克雷分布用于表征所述掩膜图像样本中各像素点的样本类别概率分布的概率密度分布。

22、在其中一个实施例中，所述方法还包括：

23、根据所述迪利克雷分布和交叉熵损失函数，确定初始损失函数；

24、根据所述初始损失函数、散度约束函数和权重参数确定所述目标损失函数；所述散度约束函数为根据所述迪利克雷分布和标准迪利克雷分布确定的损失函数。

25、第二方面，本技术还提供了一种关键点检测装置，所述装置包括：

26、第一确定模块，用于对待检测图像进行特征检测，得到所述待检测图像中各像素点的特征向量；

27、第二确定模块，用于根据各所述像素点的特征向量，确定各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值；

28、第三确定模块，用于根据各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，确定所述待检测图像中的关键点。

29、第三方面，本技术还提供了一种计算机设备，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：

30、对待检测图像进行特征检测，得到所述待检测图像中各像素点的特征向量；

31、根据各所述像素点的特征向量，确定各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值；

32、根据各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，确定所述待检测图像中的关键点。

33、第四方面，本技术还提供了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：

34、对待检测图像进行特征检测，得到所述待检测图像中各像素点的特征向量；

35、根据各所述像素点的特征向量，确定各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值；

36、根据各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，确定所述待检测图像中的关键点。

37、第五方面，本技术还提供了一种计算机程序产品，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：

38、对待检测图像进行特征检测，得到所述待检测图像中各像素点的特征向量；

39、根据各所述像素点的特征向量，确定各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值；

40、根据各所述像素点第一类别概率分布和各所述第一类别概率分布的第一不确定性值，确定所述待检测图像中的关键点。

41、上述关键点检测方法、装置、设备、存储介质和程序产品，对待检测图像进行特征检测，得到待检测图像中各像素点的特征向量，根据各像素点的特征向量，确定各像素点第一类别概率分布和各第一类别概率分布的第一不确定性值，根据各像素点第一类别概率分布和各第一类别概率分布的第一不确定性值，确定待检测图像中的关键点。本技术实施例中通过对待检测图像进行特征检测，得到各像素点的特征向量，基于各像素点的特征向量得到分类任务的第一类别概率分布和各第一类别概率分布的第一不确定性值，利用第一不确定性值评估分类任务的不确定性，旨在获取关键点的第一类别概率分布的同时，对第一类别概率分布的不确定性进行估计，以得到可信的关键点检测结果，提高了关键点检测结果的可靠性。