CN110189310B - 图像特征值的获取方法、计算机设备和存储介质 - Google Patents

Abstract

本申请提供的一种图像特征值的获取方法、计算机设备和存储介质，通过分割网络对输入的初始图像先进行分割，分别得到第一特征图像和第二特征图像；再进一步的将第一特征图像输入至第一回归网络，得到第一特征值，以及将第二特征图像输入至第二回归网络，得到第二特征值。其中的第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构。在上述过程中，由于分割网络输出的第一特征图与第一回归网络一一对应，第二特征图与第二回归网络一一对应。因此，使用特定回归网络对应检测特定特征图，得到对应特征信息的方法避免了对包含多种结构特征的特征图进行检测时影响检测精度的问题，极大的提高了检测图像特征值的精度。

Description

图像特征值的获取方法、计算机设备和存储介质

技术领域

本申请涉及医疗图像识别技术领域，尤其涉及一种图像特征值的获取方法、计算机设备和存储介质。

背景技术

阿尔茨海默症(Alzheimer disease，AD)是一种常见的神经退行性疾病，至2030年，全球AD患者预计超过7000万。磁共振成像(Magnetic Resonance Imaging，MRI)因其具有无放射性、对脑结构成像质量高等特性，被越来越广泛地应用于AD及其相关病症的诊断，这使得利用计算机辅助检测(Computer Aided Design，CAD)的需求变得迫切。AD的计算机辅助诊断可以根据MRI等医学影像有效筛查AD患者及其前期轻度认知障碍(MCI)阶段，大大降低医生的工作量，同时也可提高医生检测的准确度。

目前，传统的利用结构MRI影像实现AD及其相关病症的计算机辅助诊断的方法主要包括获取MRI影像图像的特征值的方法、对MRI影像图像的分割方法、对MRI影像图像的检测方法以及对MRI影像图像的分类方法，其中获取MRI影像图像的特征值的方法主要包括：首先通过MRI成像设备采集医学图像，再对采集到的医学图像进行预处理，例如对采集到的医学图像进行重采样、调整方向、去头骨、灰度校正等一系列操作，以去除成像设备工作情况对图像质量的影响，然后从预处理后的图像中提取出感兴趣区域ROI，相应的在ROI中提取若干特征，并根据若干特征生成特征提取器的训练样本图像和测试样本图像，接下来，将训练样本图像输入至特征提取器进行训练，再进一步的使用训练好的特征提取器对测试样本图像进行特征值计算处理，并得到相应的特征值。

发明内容

基于此，有必要针对上述技术问题，提供一种图像特征值的获取方法、计算机设备和存储介质。

第一方面，一种图像特征值的获取方法，所述方法包括：

获取初始图像；初始图像包括至少两种结构；

将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，其中第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构；

将第一特征图像输入至第一回归网络，得到第一特征值；

将第二特征图像输入至第二回归网络，得到第二特征值。

在其中一个实施例中，上述将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，包括：

将初始图像输入至分割网络进行分割，得到分割图像；分割图像中包含至少两个结构特征的图像；

根据至少两个结构特征对分割图像进行剪裁，得到至少第一特征图像和第二特征图像；第一特征图像对应分割图像中的第一结构特征，第二特征图像对应分割图像中的第二结构特征。

在其中一个实施例中，上述分割网络的训练过程包括：

获取多个样本图像；

以样本掩膜图像为监督信息，将多个样本图像输入至待训练的分割网络，训练待训练的分割网络，得到分割网络；样本掩膜图像包括样本图像中待分割结构的特征。

在其中一个实施例中，

第一回归网络的训练过程包括：

获取多个第一样本特征图像；

以第一样本特征值为监督信息，将多个第一样本特征图像输入至待训练的第一回归网络，训练待训练的第一回归网络，得到第一回归网络；

第二回归网络的训练过程包括：

获取多个第二样本特征图像；

以第二样本特征值为监督信息，将多个第二样本特征图像输入至待训练的第二回归网络，训练待训练的第二回归网络，得到第二回归网络。

在其中一个实施例中，若第一特征图像为海马体特征图像，则对应的第一特征值为海马体厚度；若第一特征图像为脉络膜裂特征图像，则对应的第一特征值为脉络膜裂宽度；若第一特征图像为颞脚特征图像，则对应的第一特征值为颞脚宽度。

在其中一个实施例中，若第二特征图为海马体特征图像，则对应的第二特征值为海马体厚度；若第二特征图为脉络膜裂特征图像，则对应的第二特征值为脉络膜裂宽度；若第三特征图为颞脚特征图像，则对应的第二特征值为颞脚宽度。

在其中一个实施例中，上述方法还包括：

将初始图像输入至分割网络，得到第三特征图像；第三特征图像对应初始图像中的第三结构；

将第三特征图像输入至第三回归网络，得到第三特征值。

在其中一个实施例中，上述方法还包括：

将初始图像输入至分割网络，分别得到第一特征图像、第二特征图像以及第三特征图像；第一特征图像为海马体特征图像，第二特征图像为脉络膜裂特征图像，第三特征图像为颞脚特征图像；

将第一特征图像输入至第一回归网络，得到第一特征值；第一特征值为海马体厚度；将第二特征图像输入至第二回归网络，得到第二特征值；第二特征值为脉络膜裂宽度；将第三特征图像输入至第三回归网络，得到第三特征值；第三特征值为所述颞脚宽度。

第二方面，一种图像特征值的获取装置，所述装置包括：

获取模块，用于获取初始图像；所述初始图像包括至少两种结构；

分割模块，用于将所述初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，其中所述第一特征图像对应所述初始图像中的第一结构，所述第二特征图像对应所述初始图像中的第二结构；

第一特征提取模块，用于将所述第一特征图像输入至第一回归网络，得到第一特征值；

第二特征提取模块，用于将所述第二特征图像输入至第二回归网络，得到第二特征值。

第三方面，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第一方面任一实施例所述的图像特征值的获取方法。

第四方面，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第一方面任一实施例所述的图像特征值的获取方法。

本申请提供的一种图像特征值的获取方法、计算机设备和存储介质，通过分割网络对输入的初始图像先进行分割，分别得到第一特征图像和第二特征图像；再进一步的将第一特征图像输入至第一回归网络，得到第一特征值，以及将第二特征图像输入至第二回归网络，得到第二特征值。其中的第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构。在上述过程中，由于分割网络输出的第一特征图与第一回归网络一一对应，第二特征图与第二回归网络一一对应，且第一特征图和第二特征图中均是包含单一的特征结构，且第一回归网络用于对第一特征图中的特征结构进行特征检测，得到对应的第一特征值，第二回归网络用于对第二特征图中的特征结构进行特征检测，得到对应的第二特征值。因此，使用特定回归网络对应检测特定特征图，得到对应特征信息的方法避免了对包含多种结构特征的特征图进行检测时影响检测精度的问题，极大的提高了检测图像特征值的精度。

附图说明

图1为一个实施例提供的一种计算机设备的内部结构示意图；

图2为一个实施例提供的一种图像特征值的获取方法的流程图；

图3为图2中S102的一种实现方式的流程图；

图4为一个实施例提供的一种训练方法的流程图；

图5为一个实施例提供的一种第一回归网络的训练方法的流程图；

图6为一个实施例提供的一种第二回归网络的训练方法的流程图；

图7为一个实施例提供的一种网络结构的示意图；

图8为一个实施例提供的一种图像特征值的获取方法的流程图；

图9为一个实施例提供的一种图像特征值的获取方法的流程图；

图10为一个实施例提供的一种图像特征值的获取装置的示意图；

图11为一个实施例提供的一种图像特征值的获取装置的示意图；

图12为一个实施例提供的一种图像特征值的获取装置的示意图；

图13为一个实施例提供的一种图像特征值的获取装置的示意图；

图14为一个实施例提供的一种图像特征值的获取装置的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的图像特征值的获取方法，可以应用于如图1所示的计算机设备中，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像特征值的获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的一种图像特征值的获取方法的流程图。本实施例的执行主体为如图1所示的计算机设备，本实施例涉及的是计算机设备采用回归网络对图像特征值进行检测的具体过程。如图2所示，该方法包括：

S101、获取初始图像；初始图像包括至少两种结构。

其中，初始图像表示当前需要进行特征值检测的图像，为一种包含脑结构的图像，具体可以包括海马体结构、脉络膜裂结构、颞脚结构等多种生态结构。该初始图像可以包括但不限于常规CT图像、MRI图像、PET-MRI图像等，本实施例对此不做限定。本实施例中，计算机设备可以通过连接扫描设备对人体脑部结构进行扫描得到初始图像。可选的，计算机设备也可以直接从数据库中或从互联网上下载得到包含脑结构的初始图像，对此本实施例不做限制。

S102、将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，其中第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构。

其中，分割网络为一种深度卷积神经网络，用于对初始图像进行多结构的分割处理，以得到一个或多个分割后的特征图。可选的，本实施中的分割网络可以具体采用V-net神经网络。上述分割后的特征图中可以包含一个结构特征，也可以包括多个结构特征，例如，若初始图像为脑结构的图像，则经过分割后，分割后的图像中可以包含海马体结构特征、脉络膜裂结构特征、颞脚结构特征等中的任意一种结构特征或多种结构特征。

第一特征图像和第二特征图像均为包含单一结构特征的分割后的特征图，具体的，若初始图像中包含第一结构和第二结构，则对应的，第一特征图像中包含第一结构的结构特征，第二特征图像中包含第二结构的结构特征。例如，若初始图像中包含海马体结构和脉络膜裂结构，则对应的，第一特征图像为海马体结构特征图像，第二特征图像为脉络膜裂结构特征图像。

本实施例中，当计算机设备获取到初始图像时，可以先将该初始图像输入至预先训练好的分割网络中，利用该分割网络对该初始图像进行多结构的分割处理，得到分割后的图像。当分割后的图像为一个包含多个结构特征的特征图像时，计算机设备可以再进一步的对该分割后的图像进行图像处理得到第一特征图像和第二特征图像。或者，当分割后的图像为多个包含单一结构特征的特征图像时，计算机设备通过分割网络可以直接得到第一特征图像和第二特征图像。

S103、将第一特征图像输入至第一回归网络，得到第一特征值。

其中，第一回归网络为一种卷积神经网络，第一回归网络用于对第一特征图像进行特征检测，以得到第一特征值。第一特征值用于表征第一特征图像中包含的结构特征的属性，与第一特征图像一一对应。例如，若第一特征图像为海马体特征图像，则对应的第一特征值为海马体厚度；若第一特征图像为脉络膜裂特征图像，则对应的第一特征值为脉络膜裂宽度；若第一特征图像为颞脚特征图像，则对应的第一特征值为颞脚宽度。

本实施例中，当计算机设备基于S102获取到第一特征图像时，可以对应的将第一特征图像输入至第一回归网络中进行特征检测，得到第一特征值。

S104、将第二特征图像输入至第二回归网络，得到第二特征值。

其中，第二回归网络均为一种卷积神经网络，用于对第二特征图像进行特征检测，以得到第二特征值。第二特征值用于表征第二特征图像中包含的结构特征的属性，与第二特征图像一一对应。例如，若第二特征图为海马体特征图像，则对应的第二特征值为海马体厚度；若第二特征图为脉络膜裂特征图像，则对应的第二特征值为脉络膜裂宽度；若第三特征图为颞脚特征图像，则对应的第二特征值为颞脚宽度。

本实施例中，当计算机设备基于S102获取到第二特征图像时，可以对应的将第二特征图像输入至第二回归网络中进行特征检测，得到第二特征值。

上述实施例提供的图像特征值的获取方法，通过分割网络对输入的初始图像先进行分割，分别得到第一特征图像和第二特征图像；再进一步的将第一特征图像输入至第一回归网络，得到第一特征值，以及将第二特征图像输入至第二回归网络，得到第二特征值。其中的第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构。在上述过程中，由于分割网络输出的第一特征图与第一回归网络一一对应，第二特征图与第二回归网络一一对应，且第一特征图和第二特征图中均是包含单一的特征结构，且第一回归网络用于对第一特征图中的特征结构进行特征检测，得到对应的第一特征值，第二回归网络用于对第二特征图中的特征结构进行特征检测，得到对应的第二特征值。因此，使用特定回归网络对应检测特定特征图，得到对应特征值的方法避免了对包含多种结构特征的特征图进行检测时影响检测精度的问题，极大的提高了检测图像特征值的精度。

在一个实施例中，图3为图2中S102的一种实现方式的流程图，本实施例涉及计算机设备对初始图像进行分割的具体过程。具体的，上述“将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像”，包括：

S201、将初始图像输入至分割网络进行分割，得到分割图像；分割图像中包含至少两个结构特征的图像。

本实施例涉及的是计算机设备获取到的分割图像为一个包括至少两个结构特征的图像的应用情况。例如，初始图像中包含海马体结构和颞脚结构，则该初始图像通过分割网络进行分割处理后，得到的分割图像中包含海马体结构特征和颞脚结构特征。需要说明的是，在上述应用情况下，分割网络是预先训练好的，且能够分割至少两种结构以及输出包含至少两种结构特征的特征图像的分割网络。

S202、根据至少两个结构特征对分割图像进行剪裁，得到至少第一特征图像和第二特征图像；第一特征图像对应分割图像中的第一结构特征，第二特征图像对应分割图像中的第二结构特征。

当S201中的分割图像包括至少两种结构特征时，计算机设备可以进一步的根据各结构特征对分割图像进行剪裁，得到各结构特征对应的特征图。例如，若分割图像中包含第一结构特征和第二结构特征，则计算机设备从分割图像中剪裁出与第一结构特征相同的特征图像，得到第一特征图像，以及从分割图像中剪裁出与第二结构特征相同的特征图像，得到第二特征图像。

上述实施例中，在计算机设备得到分割图像后，通过对分割图像的剪裁处理，将分割图像进行分离得到包含单一结构特征的至少两个特征图像。这样的处理方法，由于各特征图像包含单一结构特征，不存在因与其它结构特征混淆而影响检测准确性的问题，因此，对包含单一结构特征的各特征图像进行对应特征的分析方法，极大的提高了获取特征值的精度。

由前述描述可知，分割网络是预先由计算机设备训练得到的网络，因此，本申请还提供了一种训练分割网络的方法，图4为一个实施例提供的一种训练方法的流程图，本实施例涉及计算机设备根据多个样本图像，并以样本掩膜图像为监督信息，对待训练的分割网络进行训练的过程，如图4所示，该过程包括：

S301、获取多个样本图像。

其中，样本图像表示当前需要进行训练时使用的图像，其与前述S101中描述的初始图像的类型相同，具体内容可参考前述的说明，在此不重复累赘说明。

S302、以样本掩膜图像为监督信息，将多个样本图像输入至待训练的分割网络，训练待训练的分割网络，得到分割网络。

其中，样本掩膜图像包括样本图像中待分割结构的特征，且为经过标记后的图像，其上预先由计算机设备使用不同的标签标记了脑结构中的不同生态结构，例如，海马体结构、脉络膜裂结构、颞脚结构等多种生态结构。待训练的分割网络的结构形式与前述S101中描述的分割网络的结构形式相同，具体内容可参考前述的说明，在此不重复累赘说明。需要说明的是，每个样本图像对应一个样本掩膜图像。

本实施例中，当计算机设备获取到多个样本图像和对应的样本掩膜图像时，将该多个样本图像输入至待训练的分割网络中，输出样本图像对应的分割图像，然后根据输出的分割图像与样本掩膜图像之间的差异，调整分割网络的参数，进行训练，直至待训练的分割网络的损失函数收敛，或输出的分割图像与输入样本图像对应的样本掩膜图像基本一致为止，得到训练好的分割网络，以便在上述图2所述的检测过程中使用。

由前述描述可知，第一回归网络和第二归回网络均是预先由计算机设备训练得到的网络，因此，本申请还提供了一种训练第一回归网络和第二回归网络的方法，图5为一个实施例提供的一种第一回归网络的训练方法的流程图，如图5所示，该过程包括：

S401、获取多个第一样本特征图像。

其中，第一样本特征图像表示当前需要进行训练时使用的特征图像，其与前述S102中描述的第一特征图像的类型相同，具体内容可参考前述的说明，在此不重复累赘说明。

S402、以第一样本特征值为监督信息，将多个第一样本特征图像输入至待训练的第一回归网络，训练待训练的第一回归网络，得到第一回归网络。

其中，第一样本特征值与前述S103中描述的第一特征值的类型相同，具体内容可参考前述的说明，在此不重复累赘说明。本实施例中，当计算机设备获取到多个第一样本特征图像和对应的第一样本特征值时，将该多个第一样本特征图像输入至待训练的第一回归网络中，输出第一样本特征图像对应的第一特征值，然后根据输出的第一特征值与第一样本特征值之间的差异，调整第一回归网络的参数，进行训练，直至待训练的第一回归网络的损失函数收敛，或输出的第一特征值与第一样本特征值基本一致为止，得到训练好的第一回归网络，以便在上述图2所述的检测过程中使用。

图6为一个实施例提供的一种第二回归网络的训练方法的流程图，如图6所示，该过程包括：

S501、获取多个第二样本特征图像。

其中，第二样本特征图像表示当前需要进行训练第二回归网络时使用的特征图像，其与前述S102中描述的第二特征图像的类型相同，具体内容可参考前述的说明，在此不重复累赘说明。

S502、以第二样本特征值为监督信息，将多个第二样本特征图像输入至待训练的第二回归网络，训练待训练的第二回归网络，得到第二回归网络。

其中，第二样本特征值与前述S104中描述的第二特征值的类型相同，具体内容可参考前述的说明，在此不重复累赘说明。本实施例中，当计算机设备获取到多个第二样本特征图像和对应的第二样本特征值时，将该多个第二样本特征图像输入至待训练的第二回归网络中，输出第二样本特征图像对应的第二特征值，然后根据输出的第二特征值与第二样本特征值之间的差异，调整第二回归网络的参数，进行训练，直至待训练的第二回归网络的损失函数收敛，或输出的第二特征值与第二样本特征值基本一致为止，得到训练好的第二回归网络，以便在上述图2所述的检测过程中使用。

在一个实施例中，本申请还提供了一种图像特征的获取方法，本实施例中的网络结构，如图7所示，具体包括分割网络、第一回归网络、第二回归网络、第三回归网络。计算机设备利用该网络结构对初始图像进行检测的方法的，如图8所示，包括：

S601、将初始图像输入至分割网络，得到第三特征图像；第三特征图像对应初始图像中的第三结构。

本实施例涉及的是计算机设备获取到的初始图像包括第三结构的情况，在该种情况下，计算机设备利用分割网络对初始图像进行分割，可以得到第三特征图像，且该第三特征图像中包含的结构特征与初始图像中的第三结构对应。例如，若初始图像中包含颞脚结构，则第三特征图像中包含颞脚结构的结构特征。

本实施例中，当计算机设备获取到包含第三结构的初始图像时，将该初始图像输入至预先训练好的分割网络中，利用该分割网络对该初始图像进行分割处理，得到第三特征图像。

S602、将第三特征图像输入至第三回归网络，得到第三特征值。

其中，第三回归网络为一种卷积神经网络，第三回归网络用于对第三特征图像进行特征检测，以得到第三特征值。第三特征值用于表征第三特征图像中包含的结构特征的属性，与第三特征图像一一对应。例如，若第三特征图像为海马体特征图像，则对应的第三特征值为海马体厚度；若第三特征图像为脉络膜裂特征图像，则对应的第三特征值为脉络膜裂宽度；若第三特征图像为颞脚特征图像，则对应的第三特征值为颞脚宽度。

基于上述实施例，并结合图2实施例，若初始图像中包含第一结构、第二结构、第三结构，本申请还提供了利用图7所示的网络结构对初始图像进行特征值检测的方法，如图9所示，该方法包括：

S701、将初始图像输入至分割网络，分别得到第一特征图像、第二特征图像以及第三特征图像。

本实施例涉及的是计算机设备获取到的初始图像包括第一结构、第二结构、以及第三结构的情况，在该种情况下，计算机设备利用分割网络对初始图像进行分割，可以对应的得到第一特征图像、第二特征图像、以及第三特征图像，且第一特征图像中包含的结构特征与第一结构对应，第二特征图像中包含的结构特征与第二结构对应，第三特征图像中包含的结构特征与初始图像中的第三结构对应。例如，若初始图像中包含海马体结构、脉络膜裂结构、颞脚结构，则对应的第一特征图像为海马体特征图像，第二特征图像为脉络膜裂特征图像，第三特征图像为颞脚特征图像。

本实施例中，当计算机设备获取到包含第一结构、第二结构、以及第三结构的初始图像时，将该初始图像输入至如图7所述的分割网络中，再利用该分割网络对该初始图像进行分割处理，可以得到分割图像，再进一步的对该分割图像进行分离处理，对应得到分离后的第一特征图像、第二特征图像、以及第三特征图像。

S702、将第一特征图像输入至第一回归网络，得到第一特征值；将第二特征图像输入至第二回归网络，得到第二特征值；将第三特征图像输入至第三回归网络，得到第三特征值。

基于上述实施例，当计算机设备获取到第一特征图像、第二特征图像、以及第三特征图像时，可以进一步的将第一特征图像输入至第一回归网络，得到第一特征值；将第二特征图像输入至第二回归网络，得到第二特征值；将第三特征图像输入至第三回归网络，得到第三特征值。需要说明的是，当上述第一特征图像为海马体特征图像时，则通过第一回归网络得到的第一特征值为海马体厚度；当上述第二特征图像为脉络膜裂特征图像，则通过第二回归网络得到的第二特征值为脉络膜裂宽度；当上述第三特征图像为颞脚特征图像，则通过第三回归网络得到的第三特征值为颞脚宽度。

基于上述实施例的描述，当计算机设备通过图7网络结构中的第一回归网络、第二回归网络、以及第三回归网络分别对应得到第一特征值、第二特征值、以及第三特征值时，计算机设备还可以进一步的将这三个特征值和最小尺寸的卷积特征图同时输入至分类网络中，实现对特征值的分类处理，以使计算机设备可以根据特征值得到对应的至少一种类型的分类结果，例如，图1中的网络结构，分类网络可以输出上述三个特征值对应的分类结果，即包括海马萎缩分类结果和/或脑病症分类结果。需要说明的是，上述最小尺寸的卷积特征图是输入的初始图像在分割网络中得到的其中一层卷积后的特征图。

应该理解的是，虽然图2-图6，和图8、图9流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图6，和图8、图9至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。

在一个实施例中，如图10示，提供了一种图像特征值的获取装置，包括：获取模块11、分割模块12、第一分析模块13、以及第二分析模块14，其中：

获取模块11，用于获取初始图像；初始图像包括至少两种结构；

分割模块12，用于将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，其中第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构；

第一分析模块13，用于将第一特征图像输入至第一回归网络，得到第一特征值；

第二分析模块14，用于将第二特征图像输入至第二回归网络，得到第二特征值。

在一个实施例中，上述分割模块12还具体用于将所述初始图像输入至分割网络，得到第三特征图像；所述第三特征图像对应所述初始图像中的第三结构。

在一个实施例中，如图11所示，上述图像特征值的获取装置还包括：

第三分析模块15，用于将第三特征图像输入至第三回归网络，得到第三特征值。

在一个实施例中，如图12，上述分割模块12包括：分割单元121和剪裁单元122，其中：

分割单元121，用于将初始图像输入至分割网络进行分割，得到分割图像；分割图像中包含至少两个结构特征的图像；

剪裁单元122，用于根据至少两个结构特征对分割图像进行剪裁，得到至少第一特征图像和所述第二特征图像；第一特征图像对应分割图像中的第一结构特征，第二特征图像对应所述分割图像中的第二结构特征。

在一个实施例中，如图13，上述图像特征值的获取装置还包括第一训练模块16，该第一训练模块16具体用于获取多个样本图像；以样本掩膜图像为监督信息，将多个样本图像输入至待训练的分割网络，训练待训练的分割网络，得到分割网络；样本掩膜图像包括样本图像中待分割结构的特征。

在一个实施例中，如图14，上述图像特征值的获取装置还包括第二训练模块17和第三训练模块18，其中：

第二训练模块17具体用于获取多个第一样本特征图像；以第一样本特征值为监督信息，将多个第一样本特征图像输入至待训练的第一回归网络，训练待训练的第一回归网络，得到第一回归网络；

第三训练模块18具体用于获取多个第二样本特征图像；以第二样本特征值为监督信息，将多个第二样本特征图像输入至待训练的第二回归网络，训练待训练的第二回归网络，得到第二回归网络。

关于图像特征值的获取装置的具体限定可以参见上文中对于一种图像特征值的获取方法的限定，在此不再赘述。上述图像特征值的获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取初始图像；初始图像包括至少两种结构；

将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，其中第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构；

将第一特征图像输入至第一回归网络，得到第一特征值；

将第二特征图像输入至第二回归网络，得到第二特征值。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：

获取初始图像；初始图像包括至少两种结构；

将初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，其中第一特征图像对应初始图像中的第一结构，第二特征图像对应初始图像中的第二结构；

将第一特征图像输入至第一回归网络，得到第一特征值；

将第二特征图像输入至第二回归网络，得到第二特征值。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像特征值的获取和处理方法，其特征在于，所述方法包括：

获取初始图像；所述初始图像包括至少三种脑结构；

将所述初始图像输入至分割网络，分别得到第一特征图像、第二特征图像和第三特征图像，其中所述第一特征图像对应所述初始图像中的第一结构，所述第二特征图像对应所述初始图像中的第二结构；所述第三特征图像对应所述初始图像中的第三结构；

将所述第一特征图像输入至第一回归网络，得到第一特征值；

将所述第二特征图像输入至第二回归网络，得到第二特征值；

将所述第三特征图像输入至第三回归网络，得到第三特征值；

将所述第一特征值、所述第二特征值、所述第三特征值和所述分割网络中的其中一层卷积后的特征图输入至分类网络，得到分类结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述初始图像输入至分割网络，分别得到第一特征图像和第二特征图像，包括：

将所述初始图像输入至所述分割网络进行分割，得到分割图像；所述分割图像中包含至少两个结构特征的图像；

根据所述至少两个结构特征对所述分割图像进行剪裁，得到至少所述第一特征图像和所述第二特征图像；所述第一特征图像对应所述分割图像中的第一结构特征，所述第二特征图像对应所述分割图像中的第二结构特征。

3.根据权利要求1或2所述的方法，其特征在于，所述分割网络的训练过程包括：

获取多个样本图像；

以样本掩膜图像为监督信息，将所述多个样本图像输入至待训练的分割网络，训练所述待训练的分割网络，得到所述分割网络；所述样本掩膜图像包括所述样本图像中待分割结构的特征。

4.根据权利要求3所述的方法，其特征在于，

所述第一回归网络的训练过程包括：

获取多个第一样本特征图像；

以第一样本特征值为监督信息，将所述多个第一样本特征图像输入至待训练的第一回归网络，训练所述待训练的第一回归网络，得到所述第一回归网络；

所述第二回归网络的训练过程包括：

获取多个第二样本特征图像；

以第二样本特征值为监督信息，将所述多个第二样本特征图像输入至待训练的第二回归网络，训练所述待训练的第二回归网络，得到所述第二回归网络。

5.根据权利要求1所述的方法，其特征在于，若所述第一特征图像为海马体特征图像，则对应的所述第一特征值为海马体厚度；若所述第一特征图像为脉络膜裂特征图像，则对应的所述第一特征值为脉络膜裂宽度；若所述第一特征图像为颞脚特征图像，则对应的所述第一特征值为颞脚宽度。

6.根据权利要求1所述的方法，其特征在于，若第二特征图为海马体特征图像，则对应的所述第二特征值为海马体厚度；若第二特征图为脉络膜裂特征图像，则对应的所述第二特征值为脉络膜裂宽度；若第二特征图为颞脚特征图像，则对应的所述第二特征值为颞脚宽度。

7.根据权利要求1所述的方法，其特征在于，所述第一特征图像为海马体特征图像，所述第二特征图像为脉络膜裂特征图像，所述第三特征图像为颞脚特征图像；所述第一特征值为海马体厚度；所述第二特征值为脉络膜裂宽度；所述第三特征值为颞脚宽度。

8.根据权利要求1所述的方法，其特征在于，所述分类结果包括海马萎缩分类结果和/或脑病症分类结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images