本發(fā)明涉及圖像分割領(lǐng)域，尤其涉及一種用于踝關(guān)節(jié)ct圖像的骨分割方法及裝置。

背景技術(shù)：

1、傳統(tǒng)的ct圖像骨分割技術(shù)，主要基于閾值分割，由于骨骼結(jié)構(gòu)和其周圍的組織(如軟組織和空氣)的密度差異很大，導致骨骼結(jié)構(gòu)對x射線的吸收更強，反映在圖像中就是骨骼結(jié)構(gòu)呈現(xiàn)出較亮的灰度，代表更高的hu值；而周圍的組織對x射線的吸收更弱，在圖像中呈現(xiàn)較暗的灰度，代表低hu值。通過設置合適的閾值(一般為300hu)，可以把骨骼結(jié)構(gòu)從其周圍組織中分離出來。然而，一般的ct圖像中，除了骨骼結(jié)構(gòu)和其周圍的組織，還有一些干擾結(jié)構(gòu)如床板、金屬網(wǎng)等，這些結(jié)構(gòu)的密度和骨骼結(jié)構(gòu)的密度相接近，使用閾值分割不能把骨骼結(jié)構(gòu)和它們分離。此外，將骨骼結(jié)構(gòu)從其他結(jié)構(gòu)中分離往往不是骨分割的最終目標，還需要對骨骼結(jié)構(gòu)進一步細分成不同的骨骼結(jié)構(gòu)，如踝關(guān)節(jié)中的脛骨、腓骨、距骨等結(jié)構(gòu)。常用的骨骼細分技術(shù)大多是基于區(qū)域增長來開發(fā)的，如現(xiàn)有專利技術(shù)cn116258737a，2023.04.03一種基于區(qū)域生長的膝關(guān)節(jié)股骨脛骨分割方法及系統(tǒng)，基于區(qū)域生長算法進行兩次區(qū)域生長(粗分割和細分割)和兩次填充(粗填充和細填充)完成膝關(guān)節(jié)股骨和脛骨的分割。該發(fā)明解決了傳統(tǒng)方法在膝關(guān)節(jié)分割中存在的分割不完整和粘連問題，但使用了兩次耗時的區(qū)域生長算法和填充算法，且需要通過人為選取種子點，生長條件不適用于除膝關(guān)節(jié)外的其他解剖結(jié)構(gòu)。

2、目前主流的ct圖像骨分割技術(shù)主要依賴深度學習方法，這類方法通常使用卷積神經(jīng)網(wǎng)絡(cnn)、轉(zhuǎn)換器(transformer)、生成對抗網(wǎng)絡(gan)等作為組件構(gòu)建深度神經(jīng)網(wǎng)絡模型，對大量ct圖像進行訓練，以學習骨骼結(jié)構(gòu)的特征，并實現(xiàn)準確的骨分割。這類方法通常具有較高的準確性和魯棒性，但是需要大量的標注數(shù)據(jù)用于訓練，而標注數(shù)據(jù)一般是由相關(guān)領(lǐng)域的專家使用傳統(tǒng)方法來獲得的。此外，由于模型的參數(shù)量較大，此類方法對計算資源和計算機的配置要求較高，運行速度慢，且對于來自不同解剖結(jié)構(gòu)和不同掃描機器圖像的泛化性較弱。

3、因此，需要一種高效、穩(wěn)定、低成本以及無需大量人為交互的骨骼分割技術(shù)，實現(xiàn)踝關(guān)節(jié)ct圖像中各個骨骼結(jié)構(gòu)的分割。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種用于踝關(guān)節(jié)ct圖像的骨分割方法及裝置，以解決如何高效、高質(zhì)以及低人工的情況下，實現(xiàn)踝關(guān)節(jié)ct圖像中的脛骨腓骨距骨跟骨自動分割技術(shù)問題。

2、為了解決上述技術(shù)問題，第一方面，本發(fā)明實施例提供了一種用于踝關(guān)節(jié)ct圖像的骨分割方法，包括：

3、獲取待分割的踝關(guān)節(jié)ct圖像以及所述踝關(guān)節(jié)ct圖像中腳的數(shù)量；

4、結(jié)合所述腳的數(shù)量，通過多次閾值分割，從所述待分割的踝關(guān)節(jié)ct圖像中提取供參考的骨骼結(jié)構(gòu)ct圖像和背景標簽圖像；

5、結(jié)合所述腳的數(shù)量，依次通過閾值分割、連通域分析以及圖像加法操作，根據(jù)所述供參考的骨骼結(jié)構(gòu)ct圖像和所述背景標簽圖像，生成包含了所有骨骼結(jié)構(gòu)以及對應標簽值的種子圖像；

6、根據(jù)所述供參考的骨骼結(jié)構(gòu)圖像和所述種子圖像，獲取與所述待分割的踝關(guān)節(jié)ct圖像具有相同參數(shù)的含噪標簽圖像，并對所述含噪標簽圖像分別進行去噪以及填充，獲取包含不同骨骼結(jié)構(gòu)對應標簽值的標簽圖像和每個骨骼結(jié)構(gòu)的三維模型文件；所述參數(shù)包括：尺寸、體素間距和方位信息。

7、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：通過多次閾值分割，結(jié)合連通域分析、背景剪裁以及通過圖像加法處理技術(shù)，對ct圖像中無效信息進行剔除，獲取種子圖像，其中，多次自定義的閾值分割和連通域分析技術(shù)保證了最終獲取的各個骨骼結(jié)構(gòu)的初始種子區(qū)域互不交叉粘連；圖像加法的目的是把除感興趣的脛骨腓骨距骨跟骨外的其他骨骼結(jié)構(gòu)所在的位置也填充為背景，這可以使后續(xù)的區(qū)域生長更快，同時還能避免錯誤的生長；通過一系列的后處理技術(shù)，獲取完整的三維骨骼模型以及干凈的標簽圖像，提升圖像分割結(jié)果的清晰度；上述方法無需大量人為標注操作以及神經(jīng)網(wǎng)絡訓練任務，綜合降低了對ct圖像進行骨骼分割時的人工成本、時間成本以及硬件成本。

8、在第一方面的一個實施例中，所述結(jié)合所述腳的數(shù)量，依次通過閾值分割、連通域分析以及圖像加法操作，根據(jù)所述供參考的骨骼結(jié)構(gòu)ct圖像和所述背景標簽圖像，生成包含了所有骨骼結(jié)構(gòu)以及對應標簽值的種子圖像，包括：

9、根據(jù)預設的第一分割閾值區(qū)間，通過閾值分割操作，重新設置所述供參考的骨骼結(jié)構(gòu)ct圖像中像素點的ct值，獲取第一閾值分割圖像；

10、獲取所述第一閾值分割圖像的各第一連通域，根據(jù)所述腳的數(shù)量以及所述第一連通域的面積，保留對應數(shù)量的所述第一連通域，并將剩余所述第一連通域的標簽值設置為第一標簽，獲取初始種子圖像；

11、對所述背景標簽圖像和所述初始種子圖像執(zhí)行圖像加法操作，獲取所述種子圖像。

12、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：自定義的閾值分割和連通域分析技術(shù)保證了各個骨骼結(jié)構(gòu)的初始種子區(qū)域互不交叉粘連；圖像加法的目的是把除感興趣的脛骨腓骨距骨跟骨外的其他骨骼結(jié)構(gòu)所在的位置也填充為背景，這可以使后續(xù)的區(qū)域生長更快，同時還能避免錯誤的生長；同時該方法可以自動生成種子圖像，避免了過高的人力成本以及人為錯誤操作，提高了種子圖像生成結(jié)果的準確性。

13、在第一方面的一個實施例中，所述結(jié)合所述腳的數(shù)量，通過多次閾值分割，從所述待分割的踝關(guān)節(jié)ct圖像中提取供參考的骨骼結(jié)構(gòu)ct圖像和背景標簽圖像，包括：

14、基于第二分割閾值區(qū)間以及所述腳的數(shù)量，處理從所述踝關(guān)節(jié)ct圖像，獲取去干擾結(jié)構(gòu)ct圖像；

15、基于第一分割閾值，從所述去干擾結(jié)構(gòu)ct圖像中，提取最小感興趣區(qū)域ct圖像；

16、基于第三分割閾值區(qū)間、第二分割閾值以及所述腳的數(shù)量，從所述最小感興趣區(qū)域ct圖像中，提取供參考的骨骼結(jié)構(gòu)ct圖像和背景標簽圖像。

17、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：通過多次自定義閾值分割，對依次將待分割踝關(guān)節(jié)ct圖像中的噪音依次剔除，實現(xiàn)自動化的噪音去除需求，提高了噪音處理效率的同時，加快后續(xù)骨骼分割過程的處理速度，提高最終保留ct圖像中的骨骼結(jié)構(gòu)的完整性，以使后續(xù)的區(qū)域生長技術(shù)中的種子點有生長的空間。

18、在第一方面的一個實施例中，所述基于第二分割閾值區(qū)間以及所述腳的數(shù)量，處理從所述踝關(guān)節(jié)ct圖像，獲取去干擾結(jié)構(gòu)ct圖像，包括：

19、基于第二分割閾值區(qū)間，通過閾值分割技術(shù)，重新設置所述踝關(guān)節(jié)ct圖像中的每個像素點的ct值，獲取第二閾值分割圖像；

20、獲取所述第二閾值分割圖像的各第二連通域，根據(jù)所述腳的數(shù)量以及各所述第二連通域的面積，保留對應數(shù)量的所述第二連通域；

21、建立與所述踝關(guān)節(jié)ct圖像的參數(shù)相同的空白圖像，依次將所述第二閾值分割圖像中保留的所述第二連通域中的像素點的ct值，賦值至對應所述空白圖像的相同位置像素點的ct值中，獲取所述去干擾結(jié)構(gòu)ct圖像。

22、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：通過自定義閾值分割，初步剔除床板、金屬網(wǎng)等干擾結(jié)構(gòu)的影響，再結(jié)合連通域分析技術(shù)，精確篩除剩余干擾結(jié)構(gòu)的影響，提高了床板、金屬網(wǎng)等干擾結(jié)構(gòu)剔除過程的自動化程度以及剔除結(jié)果的準確性。

23、在第一方面的一個實施例中，按照連通域面積，從大到小對所述第一連通域以及所述第二連通域進行保留。

24、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：由于不同骨骼對應的連通域面積大小不同，因此，結(jié)合各骨骼的面積特性，可以方便快捷的將待分割骨骼的連通域進行保留，提高了骨骼分割的便利性以及準確性。

25、在第一方面的一個實施例中，所述基于第一分割閾值，從所述去干擾結(jié)構(gòu)ct圖像中，提取最小感興趣區(qū)域ct圖像，包括：

26、根據(jù)所述第一分割閾值，通過閾值分割技術(shù)，重新設置所述去干擾結(jié)構(gòu)ct圖像中的像素點的標簽值，獲取二值標簽圖像；

27、根據(jù)所述二值標簽圖像，通過標簽圖像轉(zhuǎn)標簽映射濾波器，獲取包含了標簽值和對應的邊界框的標簽映射信息；

28、保留與所述標簽映射信息中的非零標簽值區(qū)域?qū)乃鋈ジ蓴_結(jié)構(gòu)ct圖像中的區(qū)域，獲取所述最小感興趣區(qū)域ct圖像。

29、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：根據(jù)自定義閾值分割技術(shù)，實現(xiàn)自定義裁剪，去除干擾結(jié)構(gòu)ct圖像中的背景信息，僅保留最小的感興趣區(qū)域，有助于降低后續(xù)處理流程中的計算復雜度，加快骨骼分割速度。

30、在第一方面的一個實施例中，所述基于第三分割閾值區(qū)間、第二分割閾值以及所述腳的數(shù)量，從所述最小感興趣區(qū)域ct圖像中，提取供參考的骨骼結(jié)構(gòu)ct圖像和背景標簽圖像，包括：

31、根據(jù)所述第三分割閾值區(qū)間，通過閾值分割技術(shù)，重新設置所述最小感興趣區(qū)域ct圖像中的像素點的ct值，獲取所述供參考的骨骼結(jié)構(gòu)ct圖像；

32、根據(jù)所述第二分割閾值以及所述腳的數(shù)量，通過閾值分割技術(shù)，重新設置所述供參考的骨骼結(jié)構(gòu)ct圖像中的像素點的ct值，獲取所述背景標簽圖像。

33、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：通過自定義閾值分割技術(shù)，首先識別最小感興趣區(qū)域中的骨骼結(jié)構(gòu)，并作保留，進一步，再次通過自定義閾值分割技術(shù)，識別非骨骼結(jié)構(gòu)區(qū)域，對背景進行標注，從而保留完整的骨骼信息，方便后續(xù)進行區(qū)域生長時，種子點有生長空間。

34、在第一方面的一個實施例中，所述根據(jù)所述第二分割閾值以及所述腳的數(shù)量，通過閾值分割技術(shù)，重新設置所述供參考的骨骼結(jié)構(gòu)ct圖像中的像素點的ct值，獲取所述背景標簽圖像，包括：

35、判斷當前遍歷所述供參考的骨骼結(jié)構(gòu)ct圖像中的像素點與所述第二分割閾值的關(guān)系；

36、若所述像素點的ct值大于所述第二分割閾值，則將所述像素點的ct值設置為第一預設ct值；否則，根據(jù)腳的數(shù)量設置對應的預設ct值；

37、獲取所述背景標簽圖像。

38、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：結(jié)合自動識別方法，以及腳的數(shù)量，準確對背景的ct值進行設置，提高背景標簽圖像的準確性以及生成效率。

39、在第一方面的一個實施例中，所述根據(jù)所述供參考的骨骼結(jié)構(gòu)圖像和所述種子圖像，獲取與所述待分割的踝關(guān)節(jié)ct圖像具有相同參數(shù)的含噪標簽圖像，包括：

40、結(jié)合所述供參考的骨骼結(jié)構(gòu)ct圖像和所述種子圖像，根據(jù)區(qū)域生長算法，以所訴種子圖像的像素點區(qū)域為初始區(qū)域，獲取每個骨骼結(jié)構(gòu)對應不同標簽值的含噪裁剪圖像；

41、重采樣所述含噪裁剪圖像，獲取與所述待分割的踝關(guān)節(jié)ct圖像的參數(shù)相同的含噪標簽圖像。

42、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：通過區(qū)域生成算法以及重采樣技術(shù)，根據(jù)種子圖像獲取包含了骨骼結(jié)構(gòu)且初步分割完成的含噪標簽圖像，有助于后續(xù)快速獲取各骨骼的三維模型以及干凈的標簽圖像。

43、在第一方面的一個實施例中，所述對所述含噪標簽圖像分別進行去噪以及填充，獲取包含不同骨骼結(jié)構(gòu)對應標簽值的標簽圖像和每個骨骼結(jié)構(gòu)的三維模型文件，包括：

44、逐個提取所述含噪標簽圖像中各個標簽的多個單標簽圖像，并通過中值濾波器對各所述單標簽圖像進行平滑去噪；

45、對經(jīng)所述中值濾波器處理后的各所述單標簽圖像進行形態(tài)學閉運算處理，并進行表面提取，獲取各標簽的三維模型表面；

46、通過表面包裹實體化算法，對各所述三維模型表面處理，獲取每個骨骼結(jié)構(gòu)的三維模型文件；

47、將經(jīng)過表面處理后的各所述三維模型表面的內(nèi)部像素點填充為相應的標簽值，獲取包含不同骨骼結(jié)構(gòu)對應標簽值的標簽圖像。

48、相比現(xiàn)有技術(shù)，上述實施例具有以下有益效果：首先逐個提取標簽圖像中的標簽，得到單標簽圖像，以使得中值濾波能更有效地去除由錯誤生長產(chǎn)生的脈沖噪聲和椒鹽噪聲，且形態(tài)學閉運算能更有效地去除內(nèi)部的小孔洞；進一步的，將三維模型表面作為模板，填充內(nèi)部像素點為相應的標簽值，即可方便快捷地獲取干凈的標簽圖像。

49、第二方面，本發(fā)明實施例還提供了一種用于踝關(guān)節(jié)ct圖像的骨分割裝置，包括：待分割圖像獲取模塊、噪聲剔除模塊、種子圖像生成模塊以及骨分割結(jié)果生成模塊；

50、其中，所述待分割圖像獲取模塊，用于獲取待分割的踝關(guān)節(jié)ct圖像以及所述踝關(guān)節(jié)ct圖像中腳的數(shù)量；

51、所述噪聲剔除模塊，用于結(jié)合所述腳的數(shù)量，通過多次閾值分割，從所述待分割的踝關(guān)節(jié)ct圖像中提取供參考的骨骼結(jié)構(gòu)ct圖像和背景標簽圖像；

52、所述種子圖像生成模塊，用于結(jié)合所述腳的數(shù)量，依次通過閾值分割、連通域分析以及圖像加法操作，根據(jù)所述供參考的骨骼結(jié)構(gòu)ct圖像和所述背景標簽圖像，生成包含了所有骨骼結(jié)構(gòu)以及對應標簽值的種子圖像；

53、所述骨分割結(jié)果生成模塊，用于根據(jù)所述供參考的骨骼結(jié)構(gòu)圖像和所述種子圖像，獲取與所述待分割的踝關(guān)節(jié)ct圖像具有相同參數(shù)的含噪標簽圖像，并對所述含噪標簽圖像分別進行去噪以及填充，獲取包含不同骨骼結(jié)構(gòu)對應標簽值的標簽圖像和每個骨骼結(jié)構(gòu)的三維模型文件；所述參數(shù)包括：尺寸、體素間距和方位信息。

54、在第二方面的一個實施例中，所述種子圖像生成模塊，包括：第一閾值分割單元、初始種子圖像生成單元以及圖像疊加單元；

55、其中，所述第一閾值分割單元，用于根據(jù)預設的第一分割閾值區(qū)間，通過閾值分割操作，重新設置所述供參考的骨骼結(jié)構(gòu)ct圖像中像素點的ct值，獲取第一閾值分割圖像；

56、所述初始種子圖像生成單元，用于獲取所述第一閾值分割圖像的各第一連通域，根據(jù)所述腳的數(shù)量以及所述第一連通域的面積，保留對應數(shù)量的所述第一連通域，并將剩余所述第一連通域的標簽值設置為第一標簽，獲取初始種子圖像；

57、所述圖像疊加單元，用于對所述背景標簽圖像和所述初始種子圖像執(zhí)行圖像加法操作，獲取所述種子圖像。

58、在第二方面的一個實施例中，所述噪聲剔除模塊，包括：第一骨骼信息提取單元、第二骨骼信息提取單元以及第三骨骼信息提取單元；

59、其中，所述第一骨骼信息提取單元，用于基于第二分割閾值區(qū)間以及所述腳的數(shù)量，處理從所述踝關(guān)節(jié)ct圖像，獲取去干擾結(jié)構(gòu)ct圖像；

60、所述第二骨骼信息提取單元，用于基于第一分割閾值，從所述去干擾結(jié)構(gòu)ct圖像中，提取最小感興趣區(qū)域ct圖像；

61、所述第三骨骼信息提取單元，用于基于第三分割閾值區(qū)間、第二分割閾值以及所述腳的數(shù)量，從所述最小感興趣區(qū)域ct圖像中，提取供參考的骨骼結(jié)構(gòu)ct圖像和背景標簽圖像。

62、在第二方面的一個實施例中，所述第一骨骼信息提取單元，包括：第二閾值分割子單元、第二連通域獲取子單元以及去干擾結(jié)構(gòu)ct圖像獲取子單元；

63、其中，所述第二閾值分割子單元，用于基于第二分割閾值區(qū)間，通過閾值分割技術(shù)，重新設置所述踝關(guān)節(jié)ct圖像中的每個像素點的ct值，獲取第二閾值分割圖像；

64、所述第二連通域獲取子單元，用于獲取所述第二閾值分割圖像的各第二連通域，根據(jù)所述腳的數(shù)量以及各所述第二連通域的面積，保留對應數(shù)量的所述第二連通域；

65、所述去干擾結(jié)構(gòu)ct圖像獲取子單元，用于建立與所述踝關(guān)節(jié)ct圖像的參數(shù)相同的空白圖像，依次將所述第二閾值分割圖像中保留的所述第二連通域中的像素點的ct值，賦值至對應所述空白圖像的相同位置像素點的ct值中，獲取所述去干擾結(jié)構(gòu)ct圖像。

66、在第二方面的一個實施例中，按照連通域面積，從大到小對所述第一連通域以及所述第二連通域進行保留。

67、在第二方面的一個實施例中，所述第二骨骼信息提取單元，包括：第三閾值分割子單元、標簽映射子單元以及最小感興趣區(qū)域ct圖像獲取子單元；

68、其中，所述第三閾值分割子單元，用于根據(jù)所述第一分割閾值，通過閾值分割技術(shù)，重新設置所述去干擾結(jié)構(gòu)ct圖像中的像素點的標簽值，獲取二值標簽圖像；

69、所述標簽映射子單元，用于根據(jù)所述二值標簽圖像，通過標簽圖像轉(zhuǎn)標簽映射濾波器，獲取包含了標簽值和對應的邊界框的標簽映射信息；

70、所述最小感興趣區(qū)域ct圖像獲取子單元，用于保留與所述標簽映射信息中的非零標簽值區(qū)域?qū)乃鋈ジ蓴_結(jié)構(gòu)ct圖像中的區(qū)域，獲取所述最小感興趣區(qū)域ct圖像。

71、在第二方面的一個實施例中，所述第三骨骼信息提取單元，包括：第四閾值分割子單元以及第五閾值分割子單元；

72、其中，所述第四閾值分割子單元，用于根據(jù)所述第三分割閾值區(qū)間，通過閾值分割技術(shù)，重新設置所述最小感興趣區(qū)域ct圖像中的像素點的ct值，獲取所述供參考的骨骼結(jié)構(gòu)ct圖像；

73、所述第五閾值分割子單元，用于根據(jù)所述第二分割閾值以及所述腳的數(shù)量，通過閾值分割技術(shù)，重新設置所述供參考的骨骼結(jié)構(gòu)ct圖像中的像素點的ct值，獲取所述背景標簽圖像。

74、在第二方面的一個實施例中，所述第五閾值分割子單元，用于根據(jù)所述第二分割閾值以及所述腳的數(shù)量，通過閾值分割技術(shù)，重新設置所述供參考的骨骼結(jié)構(gòu)ct圖像中的像素點的ct值，獲取所述背景標簽圖像，包括：

75、判斷當前遍歷所述供參考的骨骼結(jié)構(gòu)ct圖像中的像素點與所述第二分割閾值的關(guān)系；

76、若所述像素點的ct值大于所述第二分割閾值，則將所述像素點的ct值設置為第一預設ct值；否則，根據(jù)腳的數(shù)量設置對應的預設ct值；

77、獲取所述背景標簽圖像。

78、在第二方面的一個實施例中，所述骨分割結(jié)果生成模塊包括含噪標簽圖像獲取單元，所述含噪標簽圖像獲取單元，包括：含噪剪裁圖像獲取子單元以及含噪標簽圖像獲取子單元；

79、其中，所述含噪剪裁圖像獲取子單元，用于結(jié)合所述供參考的骨骼結(jié)構(gòu)ct圖像和所述種子圖像，根據(jù)區(qū)域生長算法，以所訴種子圖像的像素點區(qū)域為初始區(qū)域，獲取每個骨骼結(jié)構(gòu)對應不同標簽值的含噪裁剪圖像；

80、所述含噪標簽圖像獲取子單元，用于重采樣所述含噪裁剪圖像，獲取與所述待分割的踝關(guān)節(jié)ct圖像的參數(shù)相同的含噪標簽圖像。

81、在第二方面的一個實施例中，所述骨分割結(jié)果生成模塊還包括圖像后處理單元，所述圖像后處理單元，包括：圖像平滑去噪子單元、三維模型表面提取子單元、三維表面實體化子單元以及三維模型填充子單元；

82、其中，所述圖像平滑去噪子單元，用于逐個提取所述含噪標簽圖像中各個標簽的多個單標簽圖像，并通過中值濾波器對各所述單標簽圖像進行平滑去噪；

83、所述三維模型表面提取子單元，用于對經(jīng)所述中值濾波器處理后的各所述單標簽圖像進行形態(tài)學閉運算處理，并進行表面提取，獲取各標簽的三維模型表面；

84、所述三維表面實體化子單元，用于通過表面包裹實體化算法，對各所述三維模型表面處理，獲取每個骨骼結(jié)構(gòu)的三維模型文件；

85、所述三維模型填充子單元，用于將經(jīng)過表面處理后的各所述三維模型表面的內(nèi)部像素點填充為相應的標簽值，獲取包含不同骨骼結(jié)構(gòu)對應標簽值的標簽圖像。