[发明专利]基于统计与形状拓扑图的医学图像关键点检测方法和装置

权利要求书

1.基于统计与形状拓扑图的医学图像关键点检测方法，其特征在于，包括以下步骤：

步骤S1：获取目标部位的每一关键点的第一坐标信息；

步骤S2：根据所述目标部位所有所述关键点的所述第一坐标信息构建第一全连接邻接矩阵；

步骤S3：使用形状图卷积变分自编码器将所述第一全连接邻接矩阵进行多次图卷积编码，生成所有所述关键点之间的第一关系矩阵，并根据所述第一关系矩阵获取第一方差；

步骤S4：所述形状图卷积变分自编码器将所述第一关系矩阵作为数学期望μ，使随机变量服从数学期望为μ、方差为σ²的正态分布生成第一高斯分布，对第一高斯分布进行重采样和loss监督学习得到优化的第二高斯分布，根据所述第二高斯分布和所述数学期望μ反推出所有所述关键点之间的第二关系矩阵；

步骤S5：使用形状图卷积变分自编码器将所述第二关系矩阵进行多次图卷积解码得到第二全连接邻接矩阵，根据所述第二全连接邻接矩阵得到所述目标部位中每一所述关键点的第二坐标信息。

2.根据权利要求1所述的基于统计与形状拓扑图的医学图像关键点检测方法，其特征在于，所述图卷积编码公式为：Z^l+1=f(Z^l,A|W^l)，Z^l是第l层图卷积编码的输出以及第l+1层图卷积编码的输入，W^l是该第l层图卷积编码的图卷积参数，A是所述目标部位的第一全连接邻接矩阵；当l=1时，Z¹=f_Relu(X,A|W⁰)，X为所述目标部位所有所述关键点的所述第一坐标信息。

3.根据权利要求1所述的基于统计与形状拓扑图的医学图像关键点检测方法，其特征在于，所述图卷积解码公式为：Y^l+1=f(Y^l,A|W^l)，Y^l是第l层图卷积解码的输出以及第l+1层图卷积解码的输入，W^l是该第l层图卷积解码的图卷积参数，A是所述目标部位的第一全连接邻接矩阵；当l=1时，Y¹=f_Relu(μ^’,A|W⁰)，μ^’为所述目标部位对应的所述第二关系矩阵。

4.根据权利要求1所述的基于统计与形状拓扑图的医学图像关键点检测方法，其特征在于，步骤S1包括：获取显示目标部位的待检测图像，其中的目标部位具有多个关键点；根据待检测图像获取对应目标部位每一所述关键点的热力图，根据每一所述热力图可以得到对应关键点的第一坐标信息。

5.根据权利要求1所述的基于统计与形状拓扑图的医学图像关键点检测方法，其特征在于，步骤S2包括：将每一所述关键点作为图节点，每一所述关键点的所述第一坐标信息作为对应所述图节点的节点信息，根据所述图节点和对应的节点信息形成关键点拓扑图，根据所述关键点拓扑图构建对应所述目标部位的第一全连接邻接矩阵。

6.基于统计与形状拓扑图的医学图像关键点检测装置，其特征在于，包括以下模块：

获取模块，用于获取目标部位的每一关键点的第一坐标信息；

预处理模块，用于根据所述目标部位所有所述关键点的所述第一坐标信息构建第一全连接邻接矩阵；

编码模块，用于使用形状图卷积变分自编码器将所述第一全连接邻接矩阵进行多次图卷积编码，生成所有所述关键点之间的第一关系矩阵，并根据所述第一关系矩阵获取第一方差；

优化模块，用于所述形状图卷积变分自编码器将所述第一关系矩阵作为数学期望μ，使随机变量服从数学期望为μ、方差为σ²的正态分布生成第一高斯分布，对第一高斯分布进行重采样和loss监督学习得到优化的第二高斯分布，根据所述第二高斯分布和所述数学期望μ反推出所有所述关键点之间的第二关系矩阵；

解码模块，用于使用形状图卷积变分自编码器将所述第二关系矩阵进行多次图卷积解码得到第二全连接邻接矩阵，根据所述第二全连接邻接矩阵得到所述目标部位中每一所述关键点的第二坐标信息。