[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

说明书

本申请提出了一种基于统计与形状拓扑图的医学图像关键点检测方法，包括：获取目标部位的每一关键点的第一坐标信息；根据目标部位所有关键点的第一坐标信息构建第一全连接邻接矩阵；将第一全连接邻接矩阵进行多次图卷积编码得到第一关系矩阵和第一方差；根据第一方差和第一关系矩阵生成第一高斯分布，对第一高斯分布进行重采样得到第二高斯分布，根据第二高斯分布获得第二关系矩阵；对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，根据第二全连接邻接矩阵得到目标部位中每一关键点的第二坐标信息。该方法使用多层图卷积让目标部位关键点之间的关系矩阵学习到目标部位的形状，提高关键点检测的准确度。

技术领域

本申请涉及图像关键点检测技术领域，特别是涉及一种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。

背景技术

随着神经网络的发展，采用深度卷积神将网络通过对热力图进行回归来检测关键点的技术已经取得了阶段性成功，但该技术应用于检测医学图像中的关键点时仍然存在不可忽视的缺陷。特别是针对医学图像而言，往往待检测的医学部位的关键点比较密集且细小，比如像是脊椎椎体的检测，一个椎体上就有很多关键点，而脊椎上的多个椎体就对应多个密集分布的关键点。另外由于人体内部器官与病灶或其他器官的遮挡，使得深度卷积神经网络无法直接捕获视觉信息，导致关键点识别失败或者识别误差较大，而这对于医学影像的关键点的精准识别而言影响是致命的。

具体来说，医务人员借助医学影像技术确定待检测的医学部位的关键点，进而对医学部分的病变情况进而诊疗，一旦由于关键点的偏差导致诊疗失误的话，后果将不堪设想，故医学影像的关键点的精准识别非常重要。CN113192043A提供了一种基于多尺度拓扑图的医学关键点检测方法，该方案基于多尺度拓扑图对医学影像的检测点进行位置调整，然而CN113192043A主要使用不共享参数的图卷积的方式，这种方式的图卷积计算量比较大，计算速度也较慢。

CN113450328A提供了一种基于改进神经网络的医学图像关键点检测方法及系统，该方案提供了一种改进的关键点检测模型来提高医学影像检测效率和质量，使用这种方式来优化和改进关键点检测模型，当视觉特征难以捕捉的话，那么神经网络没有了判断关键点坐标的依据。

发明内容

本申请实施例提供了一种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。该方法通过统计目标部位的关键点的位置信息，不断调整目标部位关键点之间的关系矩阵，使得关系矩阵学习到目标部位的形状，实现提高关键点检测的准确度。

第一方面，本申请实施例提供了一种基于统计与形状拓扑图的医学图像关键点检测方法，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：将所述第一全连接邻接矩阵进行多次图卷积编码得到第一关系矩阵和第一方差；

步骤S4：根据所述第一方差和所述第一关系矩阵生成第一高斯分布，对所述第一高斯分布进行重采样得到第二高斯分布，根据所述第二高斯分布获得第二关系矩阵；

步骤S5：对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。

第二方面，本申请实施例提供了一种基于统计与形状拓扑图的医学图像关键点检测装置，用于实现第一方面中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，该装置包括以下模块：

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，用于将所述第一全连接邻接矩阵进行多次图卷积编码得到第一关系矩阵和第一方差；