CN111507455B - 神经网络系统生成方法和装置、图像处理方法和电子设备 - Google Patents

Abstract

本公开提供一种用于图像处理的神经网络系统的生成方法、用于图像处理的神经网络系统生成装置、使用神经网络系统的图像处理方法、电子设备以及计算机可读存储介质。所述用于图像处理的神经网络系统生成方法，包括：从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合；对于所述多个神经网络模型组合，计算对应的评价指标；以及选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统。

Description

神经网络系统生成方法和装置、图像处理方法和电子设备

技术领域

本公开涉及图像处理领域，更具体地，本公开涉及一种用于图像处理的神经网络系统的生成方法、用于图像处理的神经网络系统生成装置、使用神经网络系统的图像处理方法、电子设备以及计算机可读存储介质。

背景技术

神经网络是一种大规模、多参数优化的工具。依靠大量的训练数据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成多项复杂的任务，如人脸检测、图像语义分割、物体检测、动作追踪、自然语言翻译等。当前，利用神经网络的人工智能技术已经被应用于诸如计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描(PET)等医学影像的处理和分析中。例如，在无创冠心病智能辅助诊断系统中，利用基于神经网络的计算机视觉和深度学习技术，可完成冠状动脉血管增强CT影像自动重建和后处理计算。

在诸如自动化冠状动脉重建的影像处理中，需要实现冠状动脉的分割。在冠状动脉分割处理中，最常见的问题是出现断裂和静脉粘连。目前通常使用传统算法或者单模型的神经网络来执行冠状动脉分割，难以同时解决断裂和静脉粘连这两个问题。

发明内容

鉴于上述问题而提出了本公开。本公开提供了一种用于图像处理的神经网络系统的生成方法、用于图像处理的神经网络系统生成装置、使用神经网络系统的图像处理方法、电子设备以及计算机可读存储介质。

根据本公开的一个方面，提供了一种用于图像处理的神经网络系统生成方法，包括：从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合；对于所述多个神经网络模型组合，计算对应的评价指标；以及选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统。

此外，根据本公开一个方面的神经网络系统生成方法，还包括：训练并且生成第一数量的神经网络模型。

此外，根据本公开一个方面的神经网络系统生成方法，其中，所述训练并且生成第一数量的神经网络模型包括：利用不同的神经网络结构、和/或利用不同的训练数据集、和/或设置不同的输入图像尺寸、和/或利用不同的数据预处理方法、和/或设置不同的损失函数，训练并且生成不同的所述第一数量的神经网络模型。

此外，根据本公开一个方面的神经网络系统生成方法，其中，所述第一数量的神经网络模型的每一个具有至少一个对应的评价指标，所述从第一数量的神经网络模型选择第二数量的神经网络模型包括：从所述第一数量的神经网络模型选择所述至少一个对应的评价指标大于第一预定阈值的所述第二数量的神经网络模型。

此外，根据本公开一个方面的神经网络系统生成方法，其中，所述第二数量为小于等于所述第一数量的正整数，并且所述多个神经网络模型组合是从第一数量的神经网络模型选择第二数量的神经网络模型的所有可能组合。

此外，根据本公开一个方面的神经网络系统生成方法，其中，所述对于所述多个神经网络模型组合，计算对应的评价指标包括：对于所述多个神经网络模型组合，计算在不同置信度阈值下的对应的评价指标。

此外，根据本公开一个方面的神经网络系统生成方法，其中，选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统还包括：选择所述一个神经网络模型组合中具有最高精确率评价指标的第一神经网络模型作为基准模型，同时选择所述一个神经网络模型组合中的其他神经网络模型作为扩展模型，其中，所述基准模型用于获取基准预测结果，所述扩展模型用于获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。

此外，根据本公开一个方面的神经网络系统生成方法，其中，所述神经网络系统用于执行图像处理。

根据本公开的另一个方面，提供了一种用于图像处理的神经网络系统生成方法，包括：选择多个神经网络模型中具有最高精确率评价指标的第一神经网络模型作为基准模型；选择所述多个神经网络模型中的其他神经网络模型作为基准模型；其中，所述基准模型用于获取基准预测结果，所述扩展模型用于获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。

根据本公开的另一个方面，提供了一种用于图像处理的神经网络系统生成装置，包括：模型选择模块，用于从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合；评价指标计算模块，用于对于所述多个神经网络模型组合，计算对应的评价指标；以及选择模块，用于选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统。

此外，根据本公开另一个方面的神经网络系统生成装置，还包括：训练模块，用于训练并且生成第一数量的神经网络模型。

此外，根据本公开另一个方面的神经网络系统生成装置，其中，所述训练模块利用不同的神经网络结构、和/或利用不同的训练数据集、和/或设置不同的输入图像尺寸、和/或利用不同的数据预处理方法、和/或设置不同的损失函数，训练并且生成不同的所述第一数量的神经网络模型。

此外，根据本公开另一个方面的神经网络系统生成装置，其中，所述第一数量的神经网络模型的每一个具有至少一个对应的评价指标，所述模型选择模块从所述第一数量的神经网络模型选择所述至少一个对应的评价指标大于第一预定阈值的所述第二数量的神经网络模型。

此外，根据本公开另一个方面的神经网络系统生成装置，其中，其中，所述第二数量为小于等于所述第一数量的正整数，并且所述多个神经网络模型组合是从第一数量的神经网络模型选择第二数量的神经网络模型的所有可能组合。

此外，根据本公开另一个方面的神经网络系统生成装置，其中，所述评价指标计算模块对于所述多个神经网络模型组合，计算在不同置信度阈值下的对应的评价指标。

此外，根据本公开另一个方面的神经网络系统生成装置，其中，所述选择模块选择所述一个神经网络模型组合中具有最高精确率评价指标的第一神经网络模型作为基准模型，同时选择所述一个神经网络模型组合中的其他神经网络模型作为扩展模型，其中，所述基准模型用于获取基准预测结果，所述扩展模型用于获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。

此外，根据本公开另一个方面的神经网络系统生成装置，其中，所述神经网络系统用于执行图像处理。

根据本公开的又一个方面，提供了一种使用神经网络系统的图像处理方法，所述神经网络系统包含输入层、中间层和输出层，所述图像处理方法包括：生成所述神经网络系统；经由所述输入层接收所述输入图像；经由所述中间层提取所述输入图像的图像特征；以及经由所述输出层输出对于所述输入图像的处理结果，其中，生成所述神经网络包括：使用如上所述的神经网络系统的生成方法，以生成所述神经网络系统。

根据本公开的又一个方面，提供了一种电子设备，包括：存储器，用于存储计算机可读指令；以及处理器，用于运行所述计算机可读指令，执行如上所述神经网络系统的生成方法或如上所述的图像处理方法。

根据本公开的再一个方面，提供了一种计算机可读存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行如上所述神经网络系统的生成方法或如上所述的图像处理方法。

如下将详细描述的，根据本公开的实施例的神经网络系统生成方法和装置，从多个不同神经网络模型中自动选择能够获得最高评价指标的神经网络模型组合，从而实现不同神经网络模型之间的互补，充分发挥不同神经网络对于图像处理中不同问题(诸如，冠状动脉分割处理中的断裂和静脉粘连问题)的处理优势，提高了神经网络系统的处理精度。

要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。

附图说明

通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是图示根据本公开的实施例的神经网络系统生成方法的流程图；

图2是图示应用根据本公开的实施例的神经网络系统重建冠状动脉血管图像的示意图；

图3是进一步图示根据本公开的实施例的神经网络系统生成方法的流程图；

图4是图示根据本公开的实施例的图像处理方法的流程图；

图5是图示根据本公开的实施例的图像处理方法的示意图；

图6是图示根据本公开的实施例的神经网络创建装置的框图；

图7是图示根据本公开的实施例的电子设备的硬件框图；以及

图8是图示根据本公开的实施例的计算机可读存储介质的示意图。

具体实施方式

为了使得本公开的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

首先，参照图1到图3描述根据本公开的实施例的神经网络系统生成方法。

图1是图示根据本公开的实施例的神经网络创建方法的流程图。如图1所示，根据本公开的实施例的神经网络创建方法包括以下步骤。

在步骤S101中，从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合。不同神经网络模型可能是针对不同的问题进行了专门的优化配置，通常难以通过单个的神经网络模型解决过程中的所有问题。此后，处理进到步骤S102。

在步骤S102中，对于所述多个神经网络模型组合，计算对应的评价指标。评价指标用于对于神经网络模型的处理结果进行评价，因此针对神经网络模型的不同的应用场景，将设计和采用不同的评价指标来进行评价。此后，处理进到步骤S103。

在步骤S103中，选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统。通过选择评价指标最高的一个神经网络模型组合作为神经网络系统，将实现不同神经网络模型之间的互补，充分发挥不同神经网络对于图像处理中不同问题的处理优势，提高神经网络系统的整体处理精度。

以上，通过参照图1的概述了根据本公开的实施例的神经网络创建方法。以下，将具体结合神经网络系统用于自动化冠状动脉重建的处理应用进行描述。

图2是图示应用根据本公开的实施例的神经网络系统重建冠状动脉血管图像的示意图。如图2所示，在冠状动脉分割处理中，左侧的A示出了理想的冠状动脉分割处理结果，而右侧的B示出了实际可能获得的冠状动脉分割处理结果。在B的201处，存在分割识别的血管图像的断裂导致血管识别不全，如回旋支血管在其中部断裂开，则诊断时只能到中部，而到不了远端。在B的202处，存在与动脉血管粘连的静脉血管，这也会给后续的处理造成干扰。在单模型的神经网络来执行冠状动脉分割的情况下，难以同时解决断裂和静脉粘连两个问题。因此，在本公开的方案中，将通过结合多个神经网络模型来同时实现对于动脉血管断裂的连接补齐以及动脉血管与粘连的静脉血管的区分。

图3是进一步图示根据本公开的实施例的神经网络系统生成方法的流程图。

在步骤S301中，训练并生成第一数量的神经网络模型。第一数量的神经网络模型可以是通过不同的方法生成的。通过不同的方法生成神经网络模型包括但不限于采用不同的神经网络结构(例如，不同网络层数、每层的特殊数等)，使用不同的训练数据集，不同的数据输入图像尺寸(例如，有的模型是用64×256×256尺寸的体数据输入神经网络中，有的模型用32×320×320等)，不同的数据预处理方法，以及不同的损失函数等。例如，有的神经网络模型是针对动脉血管断裂来进行优化训练，而有的神经网络模型则是针对动脉血管与粘连的静脉血管的区分来进行优化训练，单个神经网络模型难以同时解决上述两个问题。

在步骤S302中，从第一数量的神经网络模型选择至少一个对应的评价指标大于第一预定值的第二数量的神经网络模型，组成多个神经网络模型组合。

具体地，在将神经网络模型用于冠状动脉分割的情况下，神经网络模型的评价指标(EM)可以有多种选择。例如，EM1用于衡量冠脉断裂程度(其取值范围为0到1，结果越不断裂，冠脉越完整，EM1值越趋向于1)；EM2用于衡量冠脉干净程度(其取值范围为0到1，静脉越多，越不干净，EM2值越趋向于0)。第一预定值例如可以设置为0.8，则第一数量N的神经网络模型中，EM1>0.8，EM2>0.8的第二数量m的神经网络模型被选择。可替代地，当神经网络模型某一个评价指标特别好时，另一评价指标可适当放松要求。例如，当EM1>0.9时，对应EM2>0.7的神经网络模型可被选入模型集合中，同理当EM2>0.9时，对应EM1>0.7的神经网络模型也可被选入模型集合中。

具体地，组成多个神经网络模型组合是从第一数量的神经网络模型选择第二数量的神经网络模型的所有可能组合。更具体地，在限制模型数量的情况下，选择第二数量的神经网络模型的所有可能组合。例如，第二数量m的取值在1到N之间，N例如为4。第一次取模型时m为1，第二次取模型时从N中选择2个，第三次取模型时从N中选择与第二次所取模型不完全相同的2个，以此类推以保证所有包括4个及以下数量神经网络模型可能组合都被选取。此后，处理进到步骤S303。

在步骤S303中，对于多个神经网络模型组合，计算在不同置信度阈值下对应的评价指标。

具体地，多个神经网络模型组合中每个模型可以取不同的置信度阈值thr，thr的取值范围例如在[0.5,1]之间。可以按照不同的变化步长(例如，0.1或者0.05)来改变置信度阈值。在对于冠状动脉分割结果进行评价时，例如采用F1分数作为评价指标。例如，在神经网络模型数为2(包括神经网络模型a和神经网络模型b)时，对于神经网络模型分别取不同的阈值组合，即取thr_mod_a＝0.5，thr_mod_b＝0.5，通过两个神经网络模型投票的方式计算该置信度阈值下的评价指标em1。此后，将两个置信度阈值改变预定步长，计算thr_mod_a＝0.55，thr_mod_b＝0.55时的评价指标em2。可替代地，也可以仅将一个置信度阈值改变预定步长，计算thr_mod_a＝0.5+thr_mod_b＝0.55时的评价指标em2。如此获得在一系列不同的神经网络模型组合、不同置信度阈值下的评价指标。此后，处理进到步骤S304。

在步骤S304中，选择多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合作为神经网络系统。所述神经网络系统包括第二数量的神经网络模型及其对应的置信度阈值，是在当前第一数量的神经网络模型的条件下用于同时解决动脉血管断裂的连接补齐以及动脉血管与粘连的静脉血管的区分的最佳组合。

此外，在选择多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合作为神经网络系统之后，还可以进一步考虑该组合中各个神经网络模型自身的评价值以进一步优化该组合。

在本发明的一个实施例中，例如选择出两个神经网络模型组合的神经网络模型组合。对于一个神经网络模型同时可以采用两个不同的评价指标，其中一个评价指标em1是精确率评价指标(em1＝正确检出数/实际检出数)，另一个评价指标em2是模型召回率评价指标(em2＝正确检出数/应被检出数)。选择两个神经网络模型中具有高em1的神经网络模型A作为基准模型，同时选择两个神经网络模型中具有高em2的神经网络模型B作为扩展模型。在利用包括神经网络模型A和神经网络模型B的神经网络模型组合进行处理时，所述基准模型用于获取基准预测结果，所述扩展模型用于获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。在基于所述扩展预测结果进一步扩展所述基准预测结果时，需要根据规则判断扩展是否符合规则。更具体地，在冠状动脉分割处理中，需要判断扩展的部分是否符合以下规则：1.此部分区域原图的CT值是否与邻接区域一致，其中一致的判断规则可以是一定区域内取均值，再加阈值范围；2.是否满足血管是由粗到细的变化趋势，因为血管越往末端走会越细，如果待连血管越往末端走越粗，则该部分区域不该被连接。

容易理解的是，也可以在没有考虑置信度阈值选择不同的神经网络模型组合的情况下，直接基于不同模型的评价指标对于不同模型进行组合，其具体组合方式同样如上所述。

此外，每次训练获得新的神经网络模型，都可以重复步骤S302到S304的处理，以更新最佳组合。例如，假设当前的模型组合最优结果为EM1＝a1,EM2＝b1。当有新的神经网络模型加入模型集合时，出现新的评价结果(EM1＝a2,EM2＝b2)，当a2>＝a1，b2>＝b1且(a2-a1)+(b2-b1)>0时认为产生了新的更优组合。此外，如果新的评价结果某一个指标提升很大，如a2-a1>0.02(0.02位示意性的预设阈值)时，即使b2可比b1稍小一些，也可能认为产生了新的更优组合。

以上，描述了根据本公开的实施例的神经网络系统生成方法。以下，将参照图4和图5进一步描述根据本公开的实施例的图像处理方法。图5是图示根据本公开的实施例的图像处理方法的流程图；图5是图示根据本公开的实施例的图像处理方法的示意图。

如图4所示，在步骤S401中，创建神经网络系统。根据本公开的实施例的图像处理方法可以利用如上参照图1到图3描述的神经网络系统生成方法，以创建所述神经网络系统。

进一步地，如图4和图5所示，在步骤S402中，经由输入层51接收输入图像500。如图5示意性示出的，在步骤S401中创建的神经网络系统50可以被视为包含输入层51、中间层52和输出层53。

在步骤S403中，经由中间层52提取所述输入图像500的图像特征。如图5示意性示出的，中间层52可以包括多个级联的子层，多个子层包括但不限于卷积层、池化层、激活层等。

步骤S504中，经由输出层53输出对于所述输入图像500的处理结果501。示例性地，该处理结果可以为分类结果，如图5示意性示出的，根据本公开的实施例的神经网络系统生成方法生成的神经网络系统，由于从多个不同神经网络模型中自动选择能够获得最高评价指标的神经网络模型组合，从而实现不同神经网络模型之间的互补，充分发挥不同神经网络对于图像处理中不同问题的处理优势。在处理结果501中，冠状动脉分割处理中的断裂和静脉粘连问题被同时解决。

图6是图示根据本公开的实施例的神经网络系统生成装置的框图。如图6所示的根据本公开的实施例的神经网络系统生成装置60可以用于执行如图1和图3所示的根据本公开的实施例的神经网络系统生成方法。如图6所示，根据本公开的实施例的神经网络系统生成装置60包括训练模块601、模型选择模块602、评价指标计算模块603和选择模块604。本领域的技术人员理解：这些单元模块可以单独由硬件、单独由软件或者由其组合以各种方式实现，并且本公开不限于它们的任何一个。

训练模块601用于训练并且生成第一数量的神经网络模型。在本公开的一个实施例中，所述训练模块601利用不同的神经网络结构、和/或利用不同的训练数据集、和/或设置不同的输入图像尺寸、和/或利用不同的数据预处理方法、和/或设置不同的损失函数，训练并且生成不同的所述第一数量的神经网络模型。

模型选择模块602用于从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合。所述第一数量的神经网络模型的每一个具有至少一个对应的评价指标，所述模型选择模块602从所述第一数量的神经网络模型选择所述至少一个对应的评价指标大于第一预定阈值的所述第二数量的神经网络模型。所述第二数量为小于等于所述第一数量的正整数，并且所述多个神经网络模型组合是从第一数量的神经网络模型选择第二数量的神经网络模型的所有可能组合。

评价指标计算模块603用于对于所述多个神经网络模型组合，计算对应的评价指标。所述评价指标计算模块603对于所述多个神经网络模型组合，计算在不同置信度阈值下的对应的评价指标。

选择模块604用于用于选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统。

图7是图示根据本公开的实施例的电子设备的硬件框图。如图7所示，根据本公开实施例的电子设备70包括存储器701和处理器702。电子设备70中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。

所述存储器701用于存储计算机可读指令。具体地，存储器701可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。

所述处理器702可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备70中的其它组件以执行期望的功能。在本公开的一个实施例中，所述处理器702用于运行所述存储器701中存储的所述计算机可读指令，使得所述电子设备70执行参照图1和图3描述的神经网络系统生成方法或参照图4描述的图像处理方法。

此外，需要理解的是，图7所示的电子设备70的组件和结构只是示例性的，而非限制性的，根据需要，电子设备70也可以具有其他组件和结构。例如，图像采集装置和输出装置等(未示出)。图像采集装置可以用于采集用于图像处理的待处理图像，并且将所拍摄的图像存储在存储器701中以供其它组件使用。当然，也可以利用其他图像采集设备采集所述待处理图像，并且将采集的图像发送给电子设备70，电子设备70可以将接收到的图像存储到存储器701中。输出装置可以向外部(例如用户)输出各种信息，例如图像信息以及图像处理结果。输出装置可以包括显示器、扬声器、投影仪、网卡等中的一个或多个。

图8是图示根据本公开的实施例的计算机可读存储介质的示意图。如图8所示，根据本公开实施例的计算机可读存储介质800其上存储有计算机可读指令801。当所述计算机可读指令801由处理器运行时，执行参照图1和图3描述的神经网络系统生成方法或参照图4描述的图像处理方法。

以上，参照附图描述了根据本公开的实施例的用于图像处理的神经网络系统的生成方法、用于图像处理的神经网络系统生成装置、使用神经网络系统的图像处理方法、电子设备以及计算机可读存储介质。根据本公开的实施例的神经网络系统生成方法和装置，从多个不同神经网络模型中自动选择能够获得最高评价指标的神经网络模型组合，从而实现不同神经网络模型之间的互补，充分发挥不同神经网络对于图像处理中不同问题(诸如，冠状动脉分割处理中的断裂和静脉粘连问题)的处理优势，提高了神经网络系统的处理精度。

本公开的说明书和权利要求书及附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。

还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (16)

1.一种用于图像处理的神经网络系统生成方法，包括：

从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合；

对于所述多个神经网络模型组合，计算用于衡量冠状动脉分割程度的评价指标；

选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统，以及

选择所述一个神经网络模型组合中具有最高精确率评价指标的第一神经网络模型作为基准模型，同时选择所述一个神经网络模型组合中的其他神经网络模型作为扩展模型，

其中，所述基准模型用于获取冠状动脉分割的基准预测结果，所述扩展模型用于根据邻域一致性和血管变化趋势来获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。

2.如权利要求1所述的神经网络系统生成方法，还包括：

训练并且生成第一数量的神经网络模型。

3.如权利要求2所述的神经网络系统生成方法，其中，所述训练并且生成第一数量的神经网络模型包括：

利用不同的神经网络结构、和/或利用不同的训练数据集、和/或设置不同的输入图像尺寸、和/或利用不同的数据预处理方法、和/或设置不同的损失函数，训练并且生成不同的所述第一数量的神经网络模型。

4.如权利要求1到3的任一项所述的神经网络系统生成方法，其中，所述第一数量的神经网络模型的每一个具有至少一个对应的评价指标，所述从第一数量的神经网络模型选择第二数量的神经网络模型包括：

从所述第一数量的神经网络模型选择所述至少一个对应的评价指标大于第一预定阈值的所述第二数量的神经网络模型。

5.如权利要求4所述的神经网络系统生成方法，其中，所述第二数量为小于等于所述第一数量的正整数，并且所述多个神经网络模型组合是从第一数量的神经网络模型选择第二数量的神经网络模型的所有可能组合。

6.如权利要求1到3的任一项所述的神经网络系统生成方法，其中，所述对于所述多个神经网络模型组合，计算用于衡量冠状动脉分割程度的评价指标包括：

对于所述多个神经网络模型组合，计算在不同置信度阈值下的用于衡量冠状动脉分割程度的评价指标。

7.一种用于图像处理的神经网络系统生成方法，包括：

选择多个神经网络模型中具有最高精确率评价指标的第一神经网络模型作为基准模型；

选择所述多个神经网络模型中的其他神经网络模型作为扩展模型；

其中，所述基准模型用于获取冠状动脉分割的基准预测结果，所述扩展模型用于根据邻域一致性和血管变化趋势来获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。

8.一种用于图像处理的神经网络系统生成装置，包括：

模型选择模块，用于从第一数量的神经网络模型选择第二数量的神经网络模型，组成多个神经网络模型组合；

评价指标计算模块，用于对于所述多个神经网络模型组合，计算用于衡量冠状动脉分割程度的评价指标；以及

选择模块，用于选择所述多个神经网络模型组合中所述评价指标最高的一个神经网络模型组合，作为所述神经网络系统，

其中，所述选择模块选择所述一个神经网络模型组合中具有最高精确率评价指标的第一神经网络模型作为基准模型，同时选择所述一个神经网络模型组合中的其他神经网络模型作为扩展模型，

其中，所述基准模型用于获取冠状动脉分割的基准预测结果，所述扩展模型用于根据邻域一致性和血管变化趋势来获取扩展预测结果，并且基于所述扩展预测结果进一步扩展所述基准预测结果，以生成所述神经网络系统的组合预测结果。

9.如权利要求8所述的神经网络系统生成装置，还包括：

训练模块，用于训练并且生成第一数量的神经网络模型。

10.如权利要求9所述的神经网络系统生成装置，其中，所述训练模块利用不同的神经网络结构、和/或利用不同的训练数据集、和/或设置不同的输入图像尺寸、和/或利用不同的数据预处理方法、和/或设置不同的损失函数，训练并且生成不同的所述第一数量的神经网络模型。

11.如权利要求8到10的任一项所述的神经网络系统生成装置，其中，所述第一数量的神经网络模型的每一个具有至少一个对应的评价指标，所述模型选择模块从所述第一数量的神经网络模型选择所述至少一个对应的评价指标大于第一预定阈值的所述第二数量的神经网络模型。

12.如权利要求11所述的神经网络系统生成装置，其中，所述第二数量为小于等于所述第一数量的正整数，并且所述多个神经网络模型组合是从第一数量的神经网络模型选择第二数量的神经网络模型的所有可能组合。

13.如权利要求8到10的任一项所述的神经网络系统生成装置，其中，所述评价指标计算模块对于所述多个神经网络模型组合，计算在不同置信度阈值下的用于衡量冠状动脉分割程度的评价指标。

14.一种使用神经网络系统的图像处理方法，所述神经网络系统包含输入层、中间层和输出层，所述图像处理方法包括：

生成所述神经网络系统；

经由所述输入层接收输入图像；

经由所述中间层提取所述输入图像的图像特征；以及

经由所述输出层输出对于所述输入图像的处理结果，

其中，生成所述神经网络包括：使用如权利要求1到7的任一项所述的神经网络系统的生成方法，以生成所述神经网络系统。

15.一种电子设备，包括：

存储器，用于存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，执行如权利要求1到7的任一项所述神经网络系统的生成方法或如权利要求14所述的图像处理方法。

16.一种计算机可读存储介质，用于存储计算机可读指令，当所述计算机可读指令由计算机执行时，使得所述计算机执行如权利要求1到7的任一项所述神经网络系统的生成方法或如权利要求14所述的图像处理方法。

Images