CN111179257A - 一种评价方法、装置、电子设备及存储介质 - Google Patents
一种评价方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111179257A CN111179257A CN201911410488.4A CN201911410488A CN111179257A CN 111179257 A CN111179257 A CN 111179257A CN 201911410488 A CN201911410488 A CN 201911410488A CN 111179257 A CN111179257 A CN 111179257A
- Authority
- CN
- China
- Prior art keywords
- operation result
- result
- standard
- evaluation
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种评价方法、装置、电子设备及存储介质。确定当前对象的运算结果和标准评价指标,基于预设相似度计算公式,计算运算结果与标准评价指标的相似值,将相似值确定为运算结果的评价结果。解决了现有技术中通过两种算法的输出结果进行比对判断运行结果的可靠性而导致的评价花费时间较多的问题,达到根据运算结果与标准评价指标进行简单计算就可以得到评价结果的目的,实现减少评价时间和提高时效性的效果。
Description
技术领域
本发明实施例涉及图像质量评价技术,尤其涉及一种评价方法、装置、电子设备及存储介质。
背景技术
在对医学图像处理过程中,由于拍摄对象存在个体差异以及各种疾病的处理场景情况存在多变性,通过图像处理算法对获取的医学图像进行处理时,图像处理算法难免对一些场景不适应,因而,为了确保医学图像处理的准确性,获取到处理完的医学图像之后,一般需要医生对处理完的图像进行评价。但是,通过医生对处理完的图像进行评价的方式,会因医生疏忽或者劳累导致错误评价,从而导致后续一些不必要的问题。
对此,现有技术一般采用将扫描对象的原始体数据分别输入至两种不同的算法中,然后将两种算法的输出结果进行比对,以判断算法运行结果的可靠性,但是,这种方法需要执行两个算法,并且待两个算法全部执行完毕后才能进行评价,需要花费大量时间,评价效率较低。
发明内容
本发明实施例提供了一种评价方法、装置、电子设备及存储介质,以实现提高评价效率的效果。
第一方面,本发明实施例提供了一种评价方法,其中,包括:
确定当前对象的运算结果和标准评价指标;
基于预设相似度计算公式,计算所述运算结果与所述标准评价指标的相似值;
将所述相似值确定为所述运算结果的评价结果。
第二方面,本发明实施例还提供了一种评价装置,其中,包括:
第一确定模块,用于确定当前对象的运算结果和标准评价指标;
相似值计算模块,用于基于预设相似度计算公式,计算所述运算结果与所述标准评价指标的相似值;
第二确定模块,用于将所述相似值确定为所述运算结果的评价结果。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的评价方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其中,所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的评价方法。
本发明实施例提供的技术方案,确定当前对象的运算结果和标准评价指标,基于预设相似度计算公式,计算运算结果与标准评价指标的相似值,将相似值确定为运算结果的评价结果。解决了现有技术中通过两种算法的输出结果进行比对判断运行结果的可靠性而导致的评价花费时间较多的问题,达到根据运算结果与标准评价指标进行简单计算就可以得到评价结果的目的,实现减少评价时间和提高时效性的效果
附图说明
图1为本发明实施例一提供的一种评价方法的流程示意图;
图2为本发明实施例二提供的一种评价方法的流程示意图;
图3为本发明实施例二提供的运算模型的示意图;
图4为本发明实施例三提供的一种评价装置的结构示意图;
图5为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种评价方法的流程示意图,本实施例可适用于通过当前对象的运算结果与标准评价指标进行对比以确定评价结果的情况,该方法可以由评价装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在终端或电子设备中。具体参见图1所示,该方法可以包括如下步骤:
S110,确定当前对象的运算结果和标准评价指标。
其中,当前对象可以理解为待评价对象或者为待评价对象的局部区域。示例性地,待评价对象可以是人体、动物体或者一些仿真实验体,当前对象可以为待评价对象的脊柱、胸腔、头部以及四肢等部位。其中,运算结果可以理解为当前对象的定位结果,可以是通过检测手段确定当前对象的感兴趣区域的位置信息。示例性地,当前对象为C2椎盘,运算结果可以为C2椎盘的原始体数据,原始体数据可以是通过检测手段得到的体数据,例如可以是通过磁共振、超声、CT(Computed Tomography,电子计算机断层扫描)等检测手段得到的影像数据等,将该原始体数据输入至训练好的定位模型或者定位算法,就可以得到C2椎盘的定位结果,并将C2椎盘的定位结果作为当前对象的运算结果。需要说明的是,运算结果可以是但不限于诸如肝脏、心脏、肺等器官的位置信息、或者器官中感兴趣区域的检测、目标定位点或者目标分割点的位置信息,或者椎盘等骨骼中感兴趣区域的检测、目标定位点或者目标分割点的位置信息,不仅限于进行举例的椎盘,且运算结果可以是通过运算规则或运算模型对当前对象的原始体数据处理得到,本实施例中不限定运算规则或运算模型,仅对处理得到的运算结果进行评价。
其中,标准评价指标可以理解为当前对象的感兴趣区域的金标准数据,或者理解为标准模型或标准模板。例如,如果当前对象为脊椎,标准评价指标可以为所述脊柱的任意一个椎盘(例如,C1椎盘,C2椎盘,C3椎盘等)的金标准数据,其中所述C1椎盘,C2椎盘,C3椎盘可以称为所述脊柱的感兴趣区。可以理解的是,标准评价指标可以是基于不同对象的金标准数据确定得到,例如可以是基于不同年龄段、不同年龄的对象的金标准数据确定得到,其中,不同对象的金标准数据可以是通过手动标注得到,或者通过历史检测数据得到。
S120,基于预设相似度计算公式,计算运算结果与标准评价指标的相似值。
可选地,预设相似度计算公式可以为:
其中,α为归一化系数,dis(x,y)为欧式距离计算公式,i为当前对象的标号索引,N为所述当前对象的总数量,predi为当前对象的标号索引为i的特征点的运算结果,modeli为当前对象的标号索引为i的特征点的标准评价指标。
如前述步骤确定了当前对象的运算结果和标准评价指标。可选地,标准评价指标可以根据历史对象的相对特征点与预先确立的标准特征点的相对位置确定。为了确保运算结果与标准评价指标的一致性,运算结果可以包括当前对象的目标特征点与标准特征点的相对位置;可选地,标准评价指标还可以根据历史对象的相邻特征点之间的距离确定,相应的,运算结果包括当前对象的任意两个相邻特征点之间的距离。
具体地,如果标准评价指标根据历史对象的相对特征点与预先确立的标准特征点的相对位置确定,且运算结果包括当前对象的目标特征点与标准特征点的相对位置,那么,此时所述预设相似度计算公式predi可以为当前对象的标号索引为i的特征点的位置坐标。示例性地,历史对象的数据包括脊椎的多个椎盘,每个椎盘对应特定标记和特定位置,可以将C3椎盘设置为标准特征点,并将标准特征点的坐标作为坐标原点,然后根据其他椎盘(如C1、C2、C4以及C5等)与标准特征点(C3)的相对位置分别确定其他椎盘的位置坐标,如果当前对象为C2椎盘,则当前对象的标准评价指标(即C2椎盘的标准位置坐标)就可以根据C2椎盘与C3椎盘的相对位置确定,即确定C2椎盘的标准评价指标为C2椎盘的位置坐标。
具体地,如果标准评价指标根据历史对象的相邻特征点之间的距离确定,且运算结果包括当前对象的任意两个相邻特征点之间的距离,此时所述预设相似度计算公式predi可以为当前对象的标号索引为i的特征点与相邻特征点的距离。示例性地,历史对象的数据包括脊椎的多个椎盘,每个椎盘对应特定标记和特定位置,分别确定相邻椎盘之间的距离,例如,确定C1-C2椎盘的距离、C2-C3椎盘的距离、C3-C4椎盘的距离以及C4-C5椎盘的距离等。如果当前对象为C2椎盘,则可以根据当前对象的C2椎盘与C1椎盘的距离,或者根据C2椎盘与C3椎盘的距离确定当前对象的标准评价指标。
需要说明的是,运算结果和标准评价指标的相似值不限于根据欧式距离计算公式进行计算,还可以采用其他方式计算,本实施例对于其他计算方式不做具体阐述。
S130,将相似值确定为运算结果的评价结果。
本实施例中,根据运算结果与标准评价指标的相似度确定运算结果的评价结果,其中,评价结果可以是与相似度正相关,相似度越高,评价结果越好,相应的,相似度越低,评价结果越差。
本发明实施例提供的技术方案,确定当前对象的运算结果和标准评价指标,基于预设相似度计算公式,计算运算结果与标准评价指标的相似值,将相似值确定为运算结果的评价结果。解决了现有技术中通过两种算法的输出结果进行比对判断运行结果的可靠性而导致的评价花费时间较多的问题,达到根据运算结果与标准评价指标进行简单计算就可以得到评价结果的目的,实现减少评价时间和提高时效性的效果。
实施例二
图2为本发明实施例二提供的一种图像评价方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化。可选地,所述确定当前对象的运算结果,包括:获取所述当前对象的原始体数据;将所述原始体数据输入至预先训练好的运算模型中,根据所述运算模型的输出结果确定所述运算结果,其中,所述运算模型为根据所述当前对象的标准体数据和标准概率结果对初始网络训练得到。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图2所示,该方法可以包括如下步骤:
S210,确定当前对象标准评价指标。
S220,获取当前对象的原始体数据。
其中,原始体数据可以理解为当前对象的原始扫描数据。例如,通过CT设备对脊柱进行扫描,原始体数据就可以为探测器接收到的每个椎盘的数据。
S230,将原始体数据输入至预先训练好的运算模型中,根据运算模型的输出结果确定运算结果。
其中,运算模型可以为根据当前对象的标准体数据和标准概率结果对初始网络训练得到。可选地,运算结果可以通过以下方式得到:确定运算模型的输出通道数和每个通道的输出概率图,基于概率图和预设概率阈值,确定运算结果。可选地,获取了概率图和预设概率阈值之后,可以获取概率图中超过概率阈值的像素点,将概率值最大的像素点确定为运算结果。
如图3所示为运算模型的示意图,结合图3对上述方法进行举例解释。示例性地,运算模型为深度卷积神经网络模型,该深度卷积神经网络模型可以包括输入模块、降采样子网络、上采样子网络和输出模块,输入模块、降采样子网络、上采样子网络和输出模块中可以分别包括多个卷积块,其中,降采样子网络中的卷积块与上采样子网络中对应的卷积块横向连接,用于将降采样子网络中的卷积块的特征图传输至上采样子网络中对应的卷积块,以实现在上采样子网络将不同层次的特征信息进行融合,使得特征信息中既包括浅层次的轮廓信息,又包括深层次的细节信息,提高特征识别的精确度。可选的,所述输入模块、降采样子网络、上采样子网络和输出模块的卷积块中包括至少一个卷积层,每一卷积层后可以设置有激活函数、归一化层和池化层中的至少一项。可选地,所述降采样子网络包括RELU激活函数形式的卷积,所述卷积的卷积核的大小可以为2*2,步长为2;所述上采样子网络包括有RELU激活函数形式的反卷积,所述反卷积的卷积核的大小可以为2*2,步长为2;所述输入模块和所述输出模块包括RELU激活函数形式的反卷积,所述反卷积的卷积核的大小可以为3*3,步长为1。
在运算模型的训练阶段,将C1椎盘、C2椎盘、C3椎盘、C4椎盘等多个椎盘的标准体数据输入至初始网络,初始网络的输出端的多通道输出这些椎盘的概率图,初始网络的通道数由椎盘数目决定,然后根据各通道输出的概率图与标准概率结果调节初始网络,直至得到运算模型。利用运算模型对当前椎盘(例如C2椎盘和C3椎盘)进行定位时,即确定C2椎盘和C3椎盘的运算结果,可以分别将C2椎盘和C3椎盘的原始体数据输入至运算模型中,运算模型通过两个通道分别输出C2椎盘和C3椎盘的概率图,将C2椎盘的概率图中概率值最大的像素点确定为C2椎盘的定位结果,将C3椎盘的概率图中概率值最大的像素点确定为C3椎盘的定位结果,即可将C2椎盘的定位结果和C3椎盘的定位结果分别确定为C2椎盘和C3椎盘的运算结果。
S240,基于预设相似度计算公式,计算运算结果与标准评价指标的相似值。
S250,将相似值确定为运算结果的评价结果。
可以理解的是,本实施例在计算相似值时,只需将运算结果和标准评价指标带入到预设相似度计算公式即可,也就是说,评价结果只与运算结果以及标准评价指标相关。相比于现有技术采用的将图像输入到评价模型中进行评价,导致的评价结果容易受评价模型运行时的信息的影响的问题,本实施例的评价结果不依赖上述运算模型的运行时的信息。
本发明实施例提供的技术方案,通过获取当前对象的标准评价指标和原始体数据,将原始体数据输入至预先训练好的运算模型中,根据运算模型的输出结果确定运算结果,然后基于预设相似度计算公式,计算运算结果与标准评价指标的相似值,将相似值确定为运算结果的评价结果,可以达到评价结果不依赖运算模型的运行时的信息的目的,并且,由于运算模型是通过不同场景的标准体数据和标准概率结果训练得到的,可以使该运算模型适应不同的场景,从而提高评价方法的通用性。
实施例三
图4为本发明实施例三提供的一种评价装置的结构示意图。参见图5所示,该系统包括:第一确定模块41、相似值计算模块42以及第二确定模块43。
其中,第一确定模块41,用于确定当前对象的运算结果和标准评价指标;相似值计算模块42,用于基于预设相似度计算公式,计算运算结果与标准评价指标的相似值;第二确定模块43,用于将相似值确定为运算结果的评价结果。
在上述各技术方案的基础上,第一确定模块41,还用于获取当前对象的原始体数据;
将原始体数据输入至预先训练好的运算模型中,根据运算模型的输出结果确定运算结果,其中,运算模型为根据当前对象的标准体数据和标准概率结果对初始网络训练得到。
在上述各技术方案的基础上,第一确定模块41,还用于确定运算模型的输出通道数和每个通道的输出概率图;
基于概率图和预设概率阈值,确定运算结果。
在上述各技术方案的基础上,第一确定模块41,还用于获取概率图中超过概率阈值的像素点,将概率值最大的像素点确定为运算结果。
在上述各技术方案的基础上,标准评价指标根据历史对象的相对特征点与预先确立的标准特征点的相对位置确定,相应的,运算结果包括当前对象的目标特征点与标准特征点的相对位置。
在上述各技术方案的基础上,标准评价指标根据历史对象的相邻特征点之间的距离确定,相应的,运算结果包括当前对象的任意两个相邻特征点之间的距离。
在上述各技术方案的基础上,预设相似度计算公式为:
其中,α为归一化系数,dis(x,y)为欧式距离计算公式,i为当前对象的标号索引,N为当前对象的总数量,predi为当前对象的标号索引为i的特征点的运算结果,modeli为当前对象的标号索引为i的特征点的标准评价指标。
本发明实施例提供的技术方案,确定当前对象的运算结果和标准评价指标,基于预设相似度计算公式,计算运算结果与标准评价指标的相似值,将相似值确定为运算结果的评价结果。解决了现有技术中通过两种算法的输出结果进行比对判断运行结果的可靠性而导致的评价花费时间较多的问题,达到根据运算结果与标准评价指标进行简单计算就可以得到评价结果的目的,实现减少评价时间和提高时效性的效果。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如评价装置的第一确定模块41、相似值计算模块42和第二确定模块43)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如评价装置的第一确定模块41、相似值计算模块42和第二确定模块43)程序模块46的程序/实用工具44,可以存储在例如存储器28中,这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种评价方法,该方法包括:
确定当前对象的运算结果和标准评价指标;
基于预设相似度计算公式,计算运算结果与标准评价指标的相似值;
将相似值确定为运算结果的评价结果。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种评价方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种评价方法的技术方案。
实施例五
本发明实施例五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,该程序被处理器执行时实现如本发明实施例所提供的一种评价方法,该方法包括:
确定当前对象的运算结果和标准评价指标;
基于预设相似度计算公式,计算运算结果与标准评价指标的相似值;
将相似值确定为运算结果的评价结果。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的一种评价方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在运算结果、标准评价指标、评价结果等,其中承载了计算机可读的程序代码。这种传播的运算结果、标准评价指标、评价结果等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述评价装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种评价方法,其特征在于,包括:
确定当前对象的运算结果和标准评价指标;
基于预设相似度计算公式,计算所述运算结果与所述标准评价指标的相似值;
将所述相似值确定为所述运算结果的评价结果。
2.根据权利要求1所述的方法,其特征在于,所述确定当前对象的运算结果,包括:
获取所述当前对象的原始体数据;
将所述原始体数据输入至预先训练好的运算模型中,根据所述运算模型的输出结果确定所述运算结果,其中,所述运算模型为根据所述当前对象的标准体数据和标准概率结果对初始网络训练得到。
3.根据权利要求2所述的方法,其特征在于,所述根据所述运算模型的输出结果确定所述运算结果,包括:
确定所述运算模型的输出通道数和每个通道的输出概率图;
基于所述概率图和预设概率阈值,确定所述运算结果。
4.根据权利要求3所述的方法,其特征在于,所述基于所述概率图和预设概率阈值,确定所述运算结果,包括:
获取所述概率图中超过所述概率阈值的像素点,将概率值最大的像素点确定为运算结果。
5.根据权利要求1所述的方法,其特征在于,所述标准评价指标根据历史对象的相对特征点与预先确立的标准特征点的相对位置确定,相应的,所述运算结果包括所述当前对象的目标特征点与所述标准特征点的相对位置。
6.根据权利要求1所述的方法,其特征在于,所述标准评价指标根据历史对象的相邻特征点之间的距离确定,相应的,所述运算结果包括所述当前对象的任意两个相邻特征点之间的距离。
8.一种评价装置,其特征在于,包括:
第一确定模块,用于确定当前对象的运算结果和标准评价指标;
相似值计算模块,用于基于预设相似度计算公式,计算所述运算结果与所述标准评价指标的相似值;
第二确定模块,用于将所述相似值确定为所述运算结果的评价结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的评价方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410488.4A CN111179257A (zh) | 2019-12-31 | 2019-12-31 | 一种评价方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410488.4A CN111179257A (zh) | 2019-12-31 | 2019-12-31 | 一种评价方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111179257A true CN111179257A (zh) | 2020-05-19 |
Family
ID=70650658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410488.4A Pending CN111179257A (zh) | 2019-12-31 | 2019-12-31 | 一种评价方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179257A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951888A (zh) * | 2017-05-09 | 2017-07-14 | 安徽大学 | 人脸特征点的相对坐标约束方法以及定位方法 |
CN108171712A (zh) * | 2016-12-07 | 2018-06-15 | 富士通株式会社 | 确定图像相似度的方法和装置 |
CN109118470A (zh) * | 2018-06-26 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种图像质量评价方法、装置、终端和服务器 |
CN109285153A (zh) * | 2018-09-29 | 2019-01-29 | 广东工业大学 | 一种图像质量评价方法及系统 |
CN109410189A (zh) * | 2018-10-12 | 2019-03-01 | 上海联影智能医疗科技有限公司 | 图像分割方法以及图像的相似度计算方法、装置 |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN109740633A (zh) * | 2018-12-10 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种图像相似度计算方法、装置、存储介质 |
CN109887016A (zh) * | 2019-03-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种相似度计算方法及装置 |
-
2019
- 2019-12-31 CN CN201911410488.4A patent/CN111179257A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171712A (zh) * | 2016-12-07 | 2018-06-15 | 富士通株式会社 | 确定图像相似度的方法和装置 |
CN106951888A (zh) * | 2017-05-09 | 2017-07-14 | 安徽大学 | 人脸特征点的相对坐标约束方法以及定位方法 |
CN109118470A (zh) * | 2018-06-26 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种图像质量评价方法、装置、终端和服务器 |
CN109285153A (zh) * | 2018-09-29 | 2019-01-29 | 广东工业大学 | 一种图像质量评价方法及系统 |
CN109410189A (zh) * | 2018-10-12 | 2019-03-01 | 上海联影智能医疗科技有限公司 | 图像分割方法以及图像的相似度计算方法、装置 |
CN109740633A (zh) * | 2018-12-10 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种图像相似度计算方法、装置、存储介质 |
CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
CN109887016A (zh) * | 2019-03-25 | 2019-06-14 | 北京奇艺世纪科技有限公司 | 一种相似度计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214238B (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
US10366488B2 (en) | Image processing used to estimate abnormalities | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
US20120027277A1 (en) | Interactive iterative closest point algorithm for organ segmentation | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN113012114B (zh) | 一种血管识别方法、装置、存储介质及电子设备 | |
US10296810B2 (en) | Apparatus and method for determining lesion similarity of medical image | |
CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
EP3843038B1 (en) | Image processing method and system | |
CN114022614A (zh) | 一种三维重建目标位置置信度的估计方法及系统 | |
CN112634309B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN111179257A (zh) | 一种评价方法、装置、电子设备及存储介质 | |
CN113409273B (zh) | 一种图像分析方法、装置、设备和介质 | |
CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN109799936B (zh) | 一种图像生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |