CN112241952A - 大脑中线识别方法、装置、计算机设备及存储介质 - Google Patents
大脑中线识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112241952A CN112241952A CN202011138413.8A CN202011138413A CN112241952A CN 112241952 A CN112241952 A CN 112241952A CN 202011138413 A CN202011138413 A CN 202011138413A CN 112241952 A CN112241952 A CN 112241952A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- feature
- midline
- model
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,本发明公开了一种大脑中线识别方法、装置、计算机设备及存储介质,所述方法包括:通过对与用户标识码关联的脑部图像进行图像预处理得到待识别图像;通过多尺度深度网络模型进行中线特征提取,生成待处理特征图和分类识别结果;通过特征金字塔网络模型对所有待处理特征图进行特征融合,生成融合特征图组;运用双线性插值法,通过加权融合模型对所有融合特征图组进行插值及加权融合,生成待分割特征图像,并对待分割特征图像进行中线分割,得到大脑中线分割识别结果;并合成得到大脑中线图像,输出最终识别结果。本发明自动识别出大脑中线并标明。本发明适用于智慧医疗等领域,可进一步推动智慧城市的建设。
Description
技术领域
本发明涉及人工智能的图像分类技术领域,尤其涉及一种大脑中线识别方法、装置、计算机设备及存储介质。
背景技术
目前,大脑颅内压增高或创伤性脑损伤,以致压迫脑干,是导致脑疝的主要原因。而脑部CT图像的中线结构通常与大脑颅内压相关,识别出脑部的中线可以为确定脑颅的占位程度及内压升高程度提供重要参照,是目前需要重点关注的一个脑部指标。
发明内容
本发明提供一种大脑中线识别方法、装置、计算机设备及存储介质,实现了通过多尺度的提取中线特征,以及通过特征金字塔网络模型进行特征融合,并通过加权融合模型进行插值、加权融合和中线分割,从而识别出大脑中线,最后合成出大脑中线图像,本发明适用于智慧医疗等领域,可进一步推动智慧城市的建设,能够快速地、准确地自动识别出大脑中线,提高了识别准确率,提升了效率。
一种大脑中线识别方法,包括:
获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理,得到待识别图像;
将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型;
通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;所述分类识别结果表征了所述脑部图像是否可分割出大脑中线;
在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组;
将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;
将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果。
一种大脑中线识别装置,包括:
获取模块,用于获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理,得到待识别图像;
输入模块,用于将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型;
提取模块,用于通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;所述分类识别结果表征了所述脑部图像是否可分割出大脑中线;
融合模块,用于在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组;
分割模块,用于将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;
合成模块,用于将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述大脑中线识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述大脑中线识别方法的步骤。
本发明提供的大脑中线识别方法、装置、计算机设备及存储介质,通过获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理得到待识别图像;将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型;通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组;将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果,如此,实现了通过对与用户标识码关联的脑部图像进行图像预处理得到待识别图像;通过所述多尺度深度网络模型进行中线特征提取,生成待处理特征图和分类识别结果;通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成融合特征图组;运用双线性插值法,通过加权融合模型对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果,因此,实现了通过对与用户标识码关联的脑部图像进行图像预处理,以及通过多尺度深度网络模型提取中线特征识别出是否可分割出大脑中线,并通过特征金字塔网络模型进行特征融合,再通过加权融合模型进行插值、加权融合和中线分割,得到大脑中线分割识别结果,最后合成出大脑中线图像,以及并将用户标识码、分类识别结果和大脑中线图像关联存储为大脑中线最终识别结果,能够快速地、准确地自动识别出大脑中线并在脑部图像中标明,提高了识别准确率,提升了识别效率,便于查看以及后续进一步的大脑中线偏移识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中大脑中线识别方法的应用环境示意图;
图2是本发明一实施例中大脑中线识别方法的流程图;
图3是本发明另一实施例中大脑中线识别方法的流程图;
图4是本发明一实施例中大脑中线识别方法的步骤S10的流程图;
图5是本发明一实施例中大脑中线识别方法的步骤S50的流程图;
图6是本发明一实施例中大脑中线识别装置的原理框图;
图7是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的大脑中线识别方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。其中,客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种大脑中线识别方法,其技术方案主要包括以下步骤S10-S60:
S10,获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理,得到待识别图像。
可理解地,所述脑部图像为通过CT(Computed Tomography,电子计算机断层扫描)设备扫描用户的头部的CT图像,所述用户标识码为给被扫描的用户赋予唯一的一个标识码,所述用户标识码与所述脑部图像关联,说明所述脑部图像为与所述用户标识码关联的用户的头部的CT图像,所述图像预处理为对所述脑部图像进行依次经过重采样、窗宽窗位变换、归一化处理和有效提取等操作的处理过程,所述重采样为对不同的像素尺寸或者粗细粒度的CT图像按照相同的同构分辨率重新采样,采样输出相同大小的像素图像,如此,所述重采样能将所有CT图像统一为一个维度的像素图像,有利于后续的大脑中线识别,所述窗宽窗位变换为按照相同的窗宽窗位的参数转换并对转换后的图像进行归一化处理的过程,所述有效提取为去除图像中没有任何图像内容的图像(例如:扫描的前面几张空白图像),如此,所述有效提取能够只对有效范围的图像进行处理,去除无效的图像,减少了对无效的图像的处理过程,提高了后续的识别效率,所述待识别图像为经过所述图像预处理之后的图像,所述待识别图像能够加快后续的大脑中线检测模型的识别。
在一实施例中,如图4所示,所述步骤S10中,即所述对所述脑部图像进行图像预处理,得到待识别图像,包括:
S101,按照预设的窗宽窗位参数,对所述脑部图像进行转换,得到中转图像。
可理解地,所述窗宽是CT图像上显示的CT值,在此CT值范围内组织和病变均以不同的模拟灰度显示,而CT值高于此范围的组织和病变,无论是高于多少,都均为白影显示,不再有灰度差异,反之,低于此范围的组织,不论是低于多少,均为黑影显示,也无灰度差异,所述窗位是某一窗宽范围的中心位置,同样的窗宽,由于窗位不同,其包括CT范围的CT值有差异。例如窗宽(w)同为w=80,当窗位为L=0时,其CT值范围为-40~+40;如窗位是+20时,则CT值范围为-20~+60,所述窗宽窗位参数指有利于识别所述脑部图像中的大脑中线而设置窗宽和窗位的参数,所述窗宽窗位参数包括所述窗宽的参数和所述窗位的参数。
其中,对所述脑部图像进行转换包括对所述脑部图像进行所述重采样和所述窗宽窗位变换的处理过程,首先,对所述脑部图像进行所述重采样处理;其次,按照所述窗宽窗位参数,将重采样后的脑部图像进行所述窗宽窗位变换输出图像;最后,将变换后的图像确定为所述中转图像,所述中转图像为经过有利于识别大脑中线的窗宽窗位变换后的图像。
S102,对所述中转图像进行归一化处理,得到所述待识别图像。
可理解地,所述归一化处理为将待处理的数据经过处理后限制在一定范围内,所述归一化处理能够便于后续大脑中线检测模型的识别,所述归一化处理可以归一至在0-1之间的概率分布,将归一化处理后的所述中转图像进行所述有效提取的操作,即去除无效的图像,得到所述待识别图像。
本发明实现了通过按照预设的窗宽窗位参数,对所述脑部图像进行转换,得到中转图像,对所述中转图像进行归一化处理,得到所述待识别图像,如此,能够提取脑部图像中的有用信息,有利于加快后续的大脑中线检测模型的识别。
S20,将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型。
可理解地,所述大脑中线检测模型为训练完成的多模型融合的神经网络模型,所述大脑中线检测模型融合了所述多尺度深度网络模型、所述特征金字塔网络模型和所述加权融合模型,即所述大脑中线检测模型包括所述多尺度深度网络模型、所述特征金字塔网络模型和所述加权融合模型,所述大脑中线检测模型能够对输入的所述待识别图像进行识别,识别出是否具有大脑中线和标识出大脑中线,所述多尺度深度网络模型为通过多尺度提取所述待识别图像中的中线特征,并根据提取的中线特征识别出所述待识别图像是否具有大脑中线,所述多尺度深度网络模型的网络结构可以根据需求设定,比如多尺度深度网络模型的网络结构为ResNet50、ResNet101、GoogleNet、VGG19的网络结构,作为优选,所述多尺度深度网络模型的网络结构为ResNet50的网络结构,所述特征金字塔网络模型为基于BiFPN模型的深度神经网络,所述特征金字塔网络模型对高层级的特征(具有更强的语义信息)进行融合获得更高级的特征,并对融合后的特征进行预测的模型,所述特征金字塔网络模型的网络结构为BiFPN的网络结构,所述加权融合模型为运用双线性插值法生成多组与所述脑部图像的尺寸大小相同的图像,通过对生成的多组图像进行加权融合,并预测出大脑中线的神经网络模型。在一实施例中,所述步骤S20之前,即所述将所述待识别图像输入训练完成的大脑中线检测模型之前,包括:
S201,获取脑部样本集;所述脑部样本集包括多个脑部样本图像,所述脑部样本图像与一个大脑中线标识标签关联,所述大脑中线标识标签包括大脑中线二分类标签和大脑中线标注图像。
可理解地,所述脑部样本集为所有脑部样本图像的集合,所述脑部样本图像为历史采集的头部的CT图像并经过所述图像预处理之后的图像,所述脑部样本图像与一个大脑中线标识标签关联,所述大脑中线标识标签为与其对应的所述脑部样本图像中是否具备大脑中线的信息,所述大脑中线标识标签包括所述大脑中线二分类标签和所述大脑中线标注图像,所述大脑中线二分类标签指与所述大脑中线标识标签对应的所述脑部样本图像是否有大脑中线的标签类别,所述大脑中线二分类标签包含有两种类别,其中,一个类别为可分割出大脑中线(在模型训练过程中可以将其标记为1),另一个类别为不可分割出大脑中线(在模型训练过程中可以将其标记为0),所述大脑中线标注图像为针对与所述大脑中线标识标签对应的所述脑部样本图像标记出大脑中线的坐标位置的图像,即根据与所述大脑中线标识标签对应的所述脑部样本图像标记出大脑中线,并将该大脑中线的坐标位置移至一个空白的图像中生成的图像。
S202,将所述脑部样本图像输入含有初始参数的初始组合识别模型;所述初始组合识别模型包括初始深度网络模型、初始金字塔网络模型和初始加权融合模型。
可理解地,所述组合识别模型为多模型融合的神经网络模型,所述初始组合识别模型包括初始深度网络模型、初始金字塔网络模型和初始加权融合模型,所述初始组合识别模型包含有所述初始参数,所述初始参数包括所述初始深度网络模型、所述初始金字塔网络模型和所述初始加权融合模型的所有参数。
S203,通过所述初始深度网络模型对所述脑部样本图像进行所述中线特征提取,生成至少一个待处理样本特征图和样本分类识别结果。
可理解地,所述中线特征为多个维度与大脑中线相关的特征,所述中线特征包括大脑中线的对称性和连续性特征,所述待处理样本特征图为经过提取所述中线特征之后获得的具有所述中线特征的特征向量图,即所述待处理样本特征图为对所述脑部样本图像进行卷积后得到的特征向量图,所述待处理样本特征图包含多个层级的特征,作为优选地,所述待处理样本特征图包括五个层级分别输出的特征向量图,所述样本分类识别结果包括可分割出大脑中线和不可分割出大脑中线,在所述样本分类识别结果为可分割出大脑中线时,所述样本分类识别结果表明了所述脑部样本图像可分割出大脑中线以及识别出所述脑部样本图像具有大脑中线的概率的结果。
其中,所述初始深度网络模型训练完成之后得到所述多尺度深度网络模型。
S204,根据所述样本分类识别结果与所述大脑中线二分类标签,确定出第一损失值。
可理解地,将所述样本分类识别结果与所述大脑中线二分类标签输入所述初始深度网络模型中的第一损失函数,通过所述第一损失函数计算出所述第一损失值,即为L1,所述第一损失函数可以根据需求设定,比如交叉熵损失函数,所述第一损失值表明了与所述脑部样本图像对应的所述样本分类识别结果和所述大脑中线二分类标签之间的差距,可以通过所述第一损失值不断向识别准确的方向靠拢。
S205,在检测到所述样本分类识别结果为可分割出大脑中线时,将所有所述待处理样本特征图输入所述初始金字塔网络模型中,通过所述初始金字塔网络模型对所述待处理样本特征图进行融合,生成至少一个融合样本特征图组。
可理解地,在识别出所述脑部样本图像的所述样本分类识别结果为可分割出大脑中线时,即表明所述脑部样本图像中可以划分出大脑中线,将所有所述待处理样本特征图输入所述初始金字塔网络模型中,所述初始金字塔网络模型为基于BiFPN模型的深度神经网络,所述BiFPN模型能够更好地平衡不同尺度的特征信息,所述BiFPN模型在基于FPN的一条自顶向下的通道来融合多个层级输出的特征基础上增加了一条自底向上的通道,并将同一层级的特征添加一条额外的边,在不增加损失的情况下同时融合更多的特征,从而重复堆叠它们来获得更高级的特征融合方式。
其中,通过所述初始金字塔网络模型对五个层级的所述待处理样本特征图进行融合,生成与五个层级一一对应的所述融合样本特征图组,即五组所述融合样本特征图组,五组所述融合样本特征图组分别表明了五个层级的不同尺度的融合后的特征信息,所述初始金字塔网络模型训练完成之后得到所述特征金字塔网络模型。
S206,根据所有所述融合样本特征图组和所述大脑中线标注图像,确定出第二损失值。
可理解地,根据所有所述融合样本特征图组可以预测出大脑中线的坐标位置,通过将预测出的大脑中线的坐标位置与所述大脑中线标注图像中的大脑中线的坐标位置输入至第二损失函数中,通过所述第二损失函数计算出预测出的大脑中线的坐标位置与所述大脑中线标注图像中的大脑中线的坐标位置的差异,得到所述第二损失值,即为L2。
S207,运用双线性插值法,通过所述初始加权融合模型对所有所述融合样本特征图组进行加权融合以及中线分割,得到样本分割识别结果。
可理解地,所述双线性插值法(Bilinear Upsampling)为充分的利用了特征向量图中像素点四周的四个像素点来共同决定输出的目标特征向量图中的与该像素点对应的像素值的插值法,运用所述双线性插值法,将与各个层级对应的各组的所述融合样本特征图组进行上采样至与所述脑部样本图像等大小的图像,并合并成与该融合样本特征图组对应的一个待融合样本特征向量图,所述加权融合为通过所述初始加权融合模型中的各个层级的权重参数,对五个层级对应的所述待融合样本特征向量图进行加权乘积,融合成一个待分割样本特征向量图,所述中线分割为根据所述待分割样本特征向量图中各个像素点对应的值,确定出所述待分割样本特征向量图中的大脑中线的坐标位置,即识别出与所述脑部样本图像等大小的所述待分割样本特征向量图中各个像素点是否为大脑中线中的点的概率,将大于预设阈值的概率对应的像素点标记为大脑中线中的点并分割出一个样本分割图像的处理过程,所述样本分割识别结果包括所述样本分割图像以及所述样本分割图像中各像素点对应的为大脑中线中的点的概率值。
S208,根据所述样本分割识别结果和所述大脑中线标注图像,确定出第三损失值。
可理解地,根据所述样本分割识别结果中的所述样本分割图像和所述大脑中线标注图像,得到所述第三损失值,即将所述大脑中线标注图像进行距离变换生成大脑中线距离图像,所述距离变换的方法可以根据需求设定,比如距离变换的方法可以为欧式距离变换、曼哈顿距离(Manhattan/cityblock distance)变换或者切比雪夫距离(Chebyshevdistance)变换,作为优选,所述距离变换的方法为欧式距离变换,所述大脑中线距离图像为该图像上各个点到所述大脑中线标注图像中的大脑中线的坐标位置的欧式距离形成的具有距离场的图像,将所述样本分割图像和所述大脑中线距离图像输入距离损失函数中,通过所述距离损失函数计算出所述第三损失值,从而引入距离变换将所述大脑中线标注图像转换成具有距离场的图像,运用距离损失函数计算出所述第三损失值,能够引入基于距离场的维度的损失,更加能够衡量出所述样本分割图像和所述大脑中线标注图像之间的差距。
在一实施例中,所述步骤S208中,即所述根据所述样本分割识别结果和所述大脑中线标注图像,确定出第三损失值,包括:
S2081,对所述大脑中线标注图像进行距离变换,得到大脑中线距离图像。
可理解地,通过所述距离变换的方法,将所述大脑中线标注图像转换成所述大脑中线距离图像,所述大脑中线距离图像为该图像上各个点到所述大脑中线标注图像中的大脑中线的坐标位置的欧式距离形成的具有距离场的图像,所述大脑中线距离图像中一个像素点到达所述大脑中线标注图像中的大脑中线的坐标位置的欧式距离的均值,得到该像素点的距离场,将所有像素点的距离场构成所述大脑中线距离图像。
S2082,将所述样本分割识别结果中的样本分割图像和所述大脑中线距离图像输入距离损失函数中,通过所述距离损失函数计算出所述第三损失值;所述距离损失函数为:
L3=mean(A⊙B)
其中,
L3为第三损失值;
A为所述样本分割图像;
B为所述大脑中线距离图像;
A⊙B为所述样本分割图像和所述大脑中线标注图像中的像素乘积。
可理解地,将所述样本分割图像和所述大脑中线标注图像中的相同像素点对应的概率值与所述距离场进行乘积,然后对所有乘积后的各个像素点取平均值,从而得到所述第三损失值。
本发明通过对所述大脑中线标注图像进行距离变换,得到大脑中线距离图像;将所述样本分割识别结果中的样本分割图像和所述大脑中线距离图像输入距离损失函数中,通过所述距离损失函数计算出所述第三损失值,如此,引入基于距离场的维度的损失,更加能够衡量出所述样本分割图像和所述大脑中线标注图像之间的差距,能够让模型更高效地向准确的识别结果靠拢,提高识别准确率。
S209,将所述第一损失值、所述第二损失值和所述第三损失值加权,得到总损失值。
可理解地,获取预设好的第一损失权重、第二损失权重和第三损失权重,所述第一损失权重、所述第二损失权重和所述第三损失权重之和为1,所述第一损失权重、所述第二损失权重和所述第三损失权重在训练过程中可以不断调整,直到收敛后固定不变,将所述第一损失值、所述第二损失值、所述第三损失值、所述第一损失权重、所述第二损失权重和所述第三损失权重输入加权函数,得到所述总损失值;其中,所述加权函数为:
L=α1L1+α2L2+α3L3
其中:
L为总损失值;
L1为所述第一损失值;
L2为所述第二损失值;
L3为所述第三损失值;
α1为所述第一损失权重;
α2为所述第二损失权重;
α3为所述第三损失权重。
如此,通过综合考虑三个维度的损失值优化大脑中线的识别,能够更高效地、准确地进行识别。
S210,在所述总损失值未达到预设的收敛条件时,迭代更新所述初始组合识别模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述初始组合识别模型记录为训练完成的大脑中线检测模型。
可理解地,所述收敛条件可以为所述总损失值经过了2000次计算后值为很小且不会再下降的条件,即在所述总损失值经过2000次计算后值为很小且不会再下降时,停止训练,并将收敛之后的所述初始组合识别模型记录为训练完成的大脑中线检测模型;所述收敛条件也可以为所述总损失值小于设定阈值的条件,即在所述总损失值小于设定阈值时,停止训练,并将收敛之后的所述初始组合识别模型记录为训练完成的大脑中线检测模型,如此,在所述总损失值未达到预设的收敛条件时,不断更新迭代所述初始组合识别模型的初始参数,并触发通过所述初始深度网络模型对所述脑部样本图像进行所述中线特征提取,生成至少一个待处理样本特征图和样本分类识别结果的步骤,可以不断向准确的结果靠拢,让识别的准确率越来越高。
S30,通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;所述分类识别结果表征了所述脑部图像是否可分割出大脑中线。
可理解地,所述中线特征为多个维度与大脑中线相关的特征,所述中线特征包括大脑中线的对称性和连续性特征,所述待处理样本特征图为经过提取所述中线特征之后获得的具有所述中线特征的所述待处理特征图,所述待处理特征图包含多个层级的特征,所述待处理特征图包括五个层级分别输出的特征向量图,所述分类识别结果包括可分割出大脑中线(相当于输出的识别出的值向1靠拢)和不可分割出大脑中线(相当于输出的识别出的值向0靠拢),在所述分类识别结果为可分割出大脑中线时,所述分类识别结果表明了所述待识别图像可分割出大脑中线以及识别出所述待识别图像具有大脑中线的概率的识别结果。
在一实施例中,如图3所示,所述步骤S30之后,即所述通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果之后,包括:
S301,在检测到所述分类识别结果为不可分割出大脑中线时,将所述脑部图像标记为与所述用户标识码关联的无大脑中线图像。
可理解地,在检测到所述分类识别结果为不可分割出大脑中线时,表明了所述脑部图像不具备大脑中线的特征,不能分割出大脑中线,将所述脑部图像标记为所述无大脑中线图像,并与所述用户标识码关联,如此,能够标记出无大脑中线图像,为后续构建三维图像以提供给三维中线偏移特征识别模型进行大脑中线偏移类型。
S40,在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组。
可理解地,在识别出所述待识别图像的所述分类识别结果为可分割出大脑中线时,即表明所述待识别图像中可以划分出大脑中线,将所有所述待处理特征图输入所述特征金字塔网络模型中,所述特征金字塔网络模型为基于BiFPN模型且训练完成的深度神经网络,所述BiFPN模型能够更好地平衡不同尺度的特征信息,所述BiFPN模型在基于FPN的一条自顶向下的通道来融合多个层级输出的特征基础上增加了一条自底向上的通道,并将同一层级的特征添加一条额外的边,在不增加损失的情况下同时融合更多的特征,从而重复堆叠它们来获得更高级的特征融合方式。
其中,通过所述特征金字塔网络模型对五个层级的所述待处理特征图进行融合,生成与五个层级一一对应的所述融合特征图组,即五组所述融合特征图组,五组所述融合特征图组分别表明了五个层级的不同尺度的融合后的特征信息。
S50,将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果。
可理解地,所述双线性插值法(Bilinear Upsampling)为充分的利用了特征向量图中像素点四周的四个像素点来共同决定输出的目标特征向量图中的与该像素点对应的值的插值法,运用所述双线性插值法,将与各个层级对应的各组的所述融合特征图组进行上采样至与所述脑部图像等大小的图像,并合并成与该融合特征图组对应的一个扩增特征图,所述插值为运用所述双线性插值法确定出所述扩增特征图中的各个像素点对应的像素值,所述加权融合为通过所述加权融合模型中的各个层级的权重参数,对五个层级对应的所述扩增特征图进行加权乘积,融合成一个待分割特征图像,所述中线分割为根据所述待分割样本特征向量图中各个像素点对应的值,确定出所述待分割特征图像中的大脑中线的坐标位置,即识别出与所述脑部图像等大小的所述待分割特征图像中各个像素点是否为大脑中线中的点的概率,将大于所述预设阈值的概率对应的像素点标记为大脑中线中的点并分割出一个分割识别图像的处理过程,所述分割识别结果包括所述分割识别图像以及所述分割识别图像中各像素点对应的为大脑中线中的点的概率值,所述分割识别图像为预测的与所述脑部图像对应的大脑中线的图像。
在一实施例中,如图5所示,所述步骤S50中,即运用双线性插值法,对所有所述融合特征图组进行加权融合,生成待分割特征图像,包括:
S501,运用双线性插值法,通过所述加权融合模型将所述融合特征图组中的各融合特征图插值生成与所述融合特征图组对应的扩增特征图,所述扩增特征图与所述脑部图像的尺寸大小相同。
可理解地,所述双线性插值法(Bilinear Upsampling)为充分的利用了特征向量图中像素点四周的四个像素点来共同决定输出的目标特征向量图中的与该像素点对应的值的插值法,运用所述双线性插值法,将与各个层级对应的各组的所述融合特征图组进行上采样至与所述脑部图像等大小的图像,并合并成与该融合特征图组对应的一个扩增特征图。
其中,所述融合特征图组包含多个所述融合特征图,所述融合特征图为经过所述特征金字塔模型融合后在一个层级体现的特征信息。S502,通过所述加权融合模型将所有所述扩增特征图进行加权融合,融合成一个所述待分割特征图。
可理解地,所述加权融合为通过所述加权融合模型中的各个层级的权重参数(即为已经训练完成后的参数),对五个层级对应的所述扩增特征图进行加权乘积,融合成一个待分割特征图像,所述待分割特征图像与所述脑部图像的尺寸大小相同。
本发明实现了运用双线性插值法,通过所述加权融合模型将所述融合特征图组中的各融合特征图插值生成与所述融合特征图组对应的扩增特征图,所述扩增特征图与所述脑部图像的尺寸大小相同;通过所述加权融合模型将所有所述扩增特征图进行加权融合,融合成一个所述待分割特征图,如此,实现了运用双线性插值法和加权融合,能够将各个层级的融合特征图组进行插值及加权融合,得到有利于大脑中线识别的待分割特征图,优化了各个层级的尺度的权重,提高了识别的准确性和可靠性,提升了识别的效率。
S60,将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果。
可理解地,将所述脑部图像和所述分割识别图像进行合成,所述合成为在所述脑部图像的基础上叠加所述分割识别图像,即将所述脑部图像中与所述分割识别图像中的大脑中线的坐标位置的像素点替代成在所述分割识别图像中相同的坐标位置的值,得到所述大脑中线图像,并且将所述用户标识码、所述分类识别结果和所述大脑中线图像彼此关联存储,作为大脑中线最终识别结果,所述大脑中线最终识别结果表明了所述脑部图像是否具备大脑中线,且在具备大脑中线的情况下标记出大脑中线的结果。
本发明实现了通过对与用户标识码关联的脑部图像进行图像预处理得到待识别图像;通过所述多尺度深度网络模型进行中线特征提取,生成待处理特征图和分类识别结果;通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成融合特征图组;运用双线性插值法,通过加权融合模型对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果,因此,实现了通过对与用户标识码关联的脑部图像进行图像预处理,以及通过多尺度深度网络模型提取中线特征识别出是否可分割出大脑中线,并通过特征金字塔网络模型进行特征融合,再通过加权融合模型进行插值、加权融合和中线分割,得到大脑中线分割识别结果,最后合成出大脑中线图像,以及并将用户标识码、分类识别结果和大脑中线图像关联存储为大脑中线最终识别结果,能够快速地、准确地自动识别出大脑中线并在脑部图像中标明,提高了识别准确率,提升了识别效率,便于查看以及后续进一步的大脑中线偏移识别。
在一实施例中,所述步骤S60之后,即所述并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果之后,包括:
S70,获取所有与相同的用户标识码关联的所述无大脑中线图像和所述大脑中线图像。
S80,将所有所述无大脑中线图像和所有所述大脑中线图像输入三维中线偏移特征识别模型中,通过所述三维中线偏移特征识别模型对所有所述无大脑中线图像和所述大脑中线图像进行偏移特征提取。
可理解地,通过所述三维中线偏移特征识别模型将所有所述无大脑中线图像和所有所述大脑中线图像进行三维重构,即将所有所述无大脑中线图像和所有所述大脑中线图像按照各个图像对应的扫描顺序号进行垂直防线上的重构,也即将所有所述无大脑中线图像和所有所述大脑中线图像按照各个图像对应的扫描顺序号进行垂直方向上的叠加,形成一个具有立体结构的三维图像,通过所述三维中线偏移特征识别模型对所述三维图像进行所述偏移特征提取,所述偏移特征为大脑中线在立体空间的偏移相关的特征,所述偏移特征的过程为对所述三维图像中的大脑中线进行连续性处理,即将所有大脑中线进行立体空间的数值上进行平滑处理,能够将识别出的大脑中线之间进行关联,能够更好的体现整体的大脑中线,将连续性处理后的三维图像进行切割,对整体的大脑中线及周围的三维图像切割出预设尺寸的立体方块图像,对切割出的所有立体方块图像进行立体像素值计算,得到各个所述立体方块图像的立体像素值,通过对由所有立体像素值构成的立体特征图进行所述偏移特征提取的过程。
S90,通过所述三维中线偏移特征识别模型对提取的所述偏移特征进行识别,得到大脑中线偏移结果;所述大脑中线偏移结果表征了与所述用户标识码对应的大脑中线偏移类型。
可理解地,所述三维中线偏移特征识别模型对提取的所述偏移特征进行识别,所述识别过程为通过对提取的偏移特征进行全连接后进行预测,预测出所述大脑中线偏移结果,所述大脑中线偏移结果表征了与所述用户标识码对应的大脑中线偏移类型,所述大脑中线偏移类型包括无偏移、向右稍微偏移、向左稍微偏移、向右严重偏移和向左严重偏移。
本发明实现了通过获取所有与相同的用户标识码关联的所述无大脑中线图像和所述大脑中线图像;将所有所述无大脑中线图像和所有所述大脑中线图像输入三维中线偏移特征识别模型中,通过所述三维中线偏移特征识别模型对所有所述无大脑中线图像和所述大脑中线图像进行偏移特征提取;通过所述三维中线偏移特征识别模型对提取的所述偏移特征进行识别,得到大脑中线偏移结果,如此,实现了通过获取与相同的用户标识码关联的无大脑中线图像和大脑中线图像,通过三维中线偏移特征识别模型进行三维重构、切割和偏移特征提取,提供了自动识别出与用户标识码对应的大脑中线偏移类型的方法,能够快速地、准确地识别出大脑中线偏移类型,便于作出后续的医学行为,提升了识别准确性和可靠性。
在一实施例中,提供一种大脑中线识别装置,该大脑中线识别装置与上述实施例中大脑中线识别方法一一对应。如图6所示,该大脑中线识别装置包括获取模块11、输入模块12、提取模块13、融合模块14、分割模块15和合成模块16。各功能模块详细说明如下:
获取模块11,用于获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理,得到待识别图像;
输入模块12,用于将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型;
提取模块13,用于通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;所述分类识别结果表征了所述脑部图像是否可分割出大脑中线;
融合模块14,用于在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组;
分割模块15,用于将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;
合成模块16,用于将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果。
关于大脑中线识别装置的具体限定可以参见上文中对于大脑中线识别方法的限定,在此不再赘述。上述大脑中线识别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,该计算机设备可以是服务器,其内部结构图可以如图7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、网络接口和数据库。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、计算机程序和数据库。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大脑中线识别方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现上述实施例中大脑中线识别方法。
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实现上述实施例中大脑中线识别方法。
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,本发明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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大脑中线识别方法,其特征在于,包括:
获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理,得到待识别图像;
将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型;
通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;所述分类识别结果表征了所述脑部图像是否可分割出大脑中线;
在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组;
将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;
将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果。
2.如权利要求1所述的大脑中线识别方法,其特征在于,所述通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果之后,包括:
在检测到所述分类识别结果为不可分割出大脑中线时,将所述脑部图像标记为与所述用户标识码关联的无大脑中线图像。
3.如权利要求2所述的大脑中线识别方法,其特征在于,所述并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果之后,包括:
获取所有与相同的用户标识码关联的所述无大脑中线图像和所述大脑中线图像;
将所有所述无大脑中线图像和所有所述大脑中线图像输入三维中线偏移特征识别模型中,通过所述三维中线偏移特征识别模型对所有所述无大脑中线图像和所述大脑中线图像进行偏移特征提取;
通过所述三维中线偏移特征识别模型对提取的所述偏移特征进行识别,得到大脑中线偏移结果;所述大脑中线偏移结果表征了与所述用户标识码对应的大脑中线偏移类型。
4.如权利要求1所述的大脑中线识别方法,其特征在于,所述对所述脑部图像进行图像预处理,得到待识别图像,包括:
按照预设的窗宽窗位参数,对所述脑部图像进行转换,得到中转图像;
对所述中转图像进行归一化处理,得到所述待识别图像。
5.如权利要求1所述的大脑中线识别方法,其特征在于,所述将所述待识别图像输入训练完成的大脑中线检测模型之前,包括:
获取脑部样本集;所述脑部样本集包括多个脑部样本图像,所述脑部样本图像与一个大脑中线标识标签关联,所述大脑中线标识标签包括大脑中线二分类标签和大脑中线标注图像;
将所述脑部样本图像输入含有初始参数的初始组合识别模型;所述初始组合识别模型包括初始深度网络模型、初始金字塔网络模型和初始加权融合模型;
通过所述初始深度网络模型对所述脑部样本图像进行所述中线特征提取,生成至少一个待处理样本特征图和样本分类识别结果;
根据所述样本分类识别结果与所述大脑中线二分类标签,确定出第一损失值;
在检测到所述样本分类识别结果为可分割出大脑中线时,将所有所述待处理样本特征图输入所述初始金字塔网络模型中,通过所述初始金字塔网络模型对所述待处理样本特征图进行融合,生成至少一个融合样本特征图组;
根据所有所述融合样本特征图组和所述大脑中线标注图像,确定出第二损失值;
运用双线性插值法,通过所述初始加权融合模型对所有所述融合样本特征图组进行加权融合以及中线分割,得到样本分割识别结果;
根据所述样本分割识别结果和所述大脑中线标注图像,确定出第三损失值;
将所述第一损失值、所述第二损失值和所述第三损失值加权,得到总损失值;
在所述总损失值未达到预设的收敛条件时,迭代更新所述初始组合识别模型的初始参数,直至所述总损失值达到所述预设的收敛条件时,将收敛之后的所述初始组合识别模型记录为训练完成的大脑中线检测模型。
6.如权利要求5所述的大脑中线识别方法,其特征在于,所述根据所述样本分割识别结果和所述大脑中线标注图像,确定出第三损失值,包括:
对所述大脑中线标注图像进行距离变换,得到大脑中线距离图像;
将所述样本分割识别结果中的样本分割图像和所述大脑中线距离图像输入距离损失函数中,通过所述距离损失函数计算出所述第三损失值;所述距离损失函数为:
L3=mean(A⊙B)
其中,
L3为第三损失值;
A为所述样本分割图像;
B为所述大脑中线距离图像;
A⊙B为所述样本分割图像和所述大脑中线标注图像中的像素乘积。
7.如权利要求1所述的大脑中线识别方法,其特征在于,所述运用双线性插值法,对所有所述融合特征图组进行加权融合,生成待分割特征图像,包括:
运用双线性插值法,通过所述加权融合模型将所述融合特征图组中的各融合特征图插值生成与所述融合特征图组对应的扩增特征图,所述扩增特征图与所述脑部图像的尺寸大小相同;
通过所述加权融合模型将所有所述扩增特征图进行加权融合,融合成一个所述待分割特征图。
8.一种大脑中线识别装置,其特征在于,包括:
获取模块,用于获取与用户标识码关联的脑部图像,并对所述脑部图像进行图像预处理,得到待识别图像;
输入模块,用于将所述待识别图像输入训练完成的大脑中线检测模型;所述大脑中线检测模型包括多尺度深度网络模型、特征金字塔网络模型和加权融合模型;
提取模块,用于通过所述多尺度深度网络模型对所述待识别图像进行中线特征提取,生成至少一个待处理特征图和分类识别结果;所述分类识别结果表征了所述脑部图像是否可分割出大脑中线;
融合模块,用于在检测到所述分类识别结果为可分割出大脑中线时,将所有所述待处理特征图输入所述特征金字塔网络模型中,通过所述特征金字塔网络模型对所有所述待处理特征图进行特征融合,生成至少一个融合特征图组;
分割模块,用于将所有所述融合特征图组输入所述加权融合模型中,运用双线性插值法,对所有所述融合特征图组进行插值及加权融合,生成待分割特征图像,并对所述待分割特征图像进行中线分割,得到大脑中线分割识别结果;
合成模块,用于将所述脑部图像与所述大脑中线分割识别结果中的分割识别图像进行合成,得到大脑中线图像,并将所述用户标识码、所述分类识别结果和所述大脑中线图像关联存储为大脑中线最终识别结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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至7任一项所述大脑中线识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述大脑中线识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138413.8A CN112241952B (zh) | 2020-10-22 | 2020-10-22 | 大脑中线识别方法、装置、计算机设备及存储介质 |
PCT/CN2020/135333 WO2021189959A1 (zh) | 2020-10-22 | 2020-12-10 | 大脑中线识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138413.8A CN112241952B (zh) | 2020-10-22 | 2020-10-22 | 大脑中线识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241952A true CN112241952A (zh) | 2021-01-19 |
CN112241952B CN112241952B (zh) | 2023-09-05 |
Family
ID=74169662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138413.8A Active CN112241952B (zh) | 2020-10-22 | 2020-10-22 | 大脑中线识别方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112241952B (zh) |
WO (1) | WO2021189959A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762412A (zh) * | 2021-09-26 | 2021-12-07 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障识别方法、系统、终端及介质 |
CN114419031A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
CN115294104A (zh) * | 2022-09-28 | 2022-11-04 | 杭州健培科技有限公司 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690189B (zh) * | 2022-11-07 | 2023-05-09 | 北京安德医智科技有限公司 | 脑中线偏移量的检测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499676A (zh) * | 2011-11-03 | 2012-06-20 | 北京工业大学 | 基于有效时间序列和电极重组的脑电信号分类系统和方法 |
CN104825196A (zh) * | 2015-05-26 | 2015-08-12 | 昆明医科大学第二附属医院 | 一种用于去骨瓣手术后脑水肿检测的手持式超声测量装置 |
CN104834935A (zh) * | 2015-04-27 | 2015-08-12 | 电子科技大学 | 一种稳定的脑肿瘤非监督疾病分类学成像方法 |
CN109872306A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置和存储介质 |
CN110443808A (zh) * | 2019-07-04 | 2019-11-12 | 杭州深睿博联科技有限公司 | 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质 |
CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 |
CN111144285A (zh) * | 2019-12-25 | 2020-05-12 | 中国平安人寿保险股份有限公司 | 胖瘦程度识别方法、装置、设备及介质 |
CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技(深圳)有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014042902A1 (en) * | 2012-09-13 | 2014-03-20 | The Regents Of The University Of California | Lung, lobe, and fissure imaging systems and methods |
CN110321920B (zh) * | 2019-05-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、计算机可读存储介质和计算机设备 |
CN110473172B (zh) * | 2019-07-24 | 2022-07-05 | 上海联影智能医疗科技有限公司 | 医学图像解剖中线确定方法、计算机设备和存储介质 |
CN110956636A (zh) * | 2019-11-28 | 2020-04-03 | 北京推想科技有限公司 | 一种图像处理方法及装置 |
CN111489324B (zh) * | 2020-06-05 | 2023-03-03 | 华侨大学 | 一种融合多模态先验病理深度特征的宫颈图像分类方法 |
-
2020
- 2020-10-22 CN CN202011138413.8A patent/CN112241952B/zh active Active
- 2020-12-10 WO PCT/CN2020/135333 patent/WO2021189959A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499676A (zh) * | 2011-11-03 | 2012-06-20 | 北京工业大学 | 基于有效时间序列和电极重组的脑电信号分类系统和方法 |
CN104834935A (zh) * | 2015-04-27 | 2015-08-12 | 电子科技大学 | 一种稳定的脑肿瘤非监督疾病分类学成像方法 |
CN104825196A (zh) * | 2015-05-26 | 2015-08-12 | 昆明医科大学第二附属医院 | 一种用于去骨瓣手术后脑水肿检测的手持式超声测量装置 |
CN109872306A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置和存储介质 |
CN110443808A (zh) * | 2019-07-04 | 2019-11-12 | 杭州深睿博联科技有限公司 | 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质 |
CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 |
CN111144285A (zh) * | 2019-12-25 | 2020-05-12 | 中国平安人寿保险股份有限公司 | 胖瘦程度识别方法、装置、设备及介质 |
CN111667464A (zh) * | 2020-05-21 | 2020-09-15 | 平安科技(深圳)有限公司 | 危险品三维图像检测方法、装置、计算机设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762412A (zh) * | 2021-09-26 | 2021-12-07 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障识别方法、系统、终端及介质 |
CN114419031A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
CN114419031B (zh) * | 2022-03-14 | 2022-06-14 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
CN115294104A (zh) * | 2022-09-28 | 2022-11-04 | 杭州健培科技有限公司 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
CN115294104B (zh) * | 2022-09-28 | 2023-01-10 | 杭州健培科技有限公司 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112241952B (zh) | 2023-09-05 |
WO2021189959A1 (zh) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523414B (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN112241952B (zh) | 大脑中线识别方法、装置、计算机设备及存储介质 | |
CN110490202B (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
CN110930417B (zh) | 图像分割模型的训练方法和装置、图像分割方法和装置 | |
CN111199206A (zh) | 三维目标检测方法、装置、计算机设备及存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN111814794B (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
WO2021003938A1 (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN112560957B (zh) | 一种神经网络训练、检测方法、装置及设备 | |
CN114898357B (zh) | 缺陷识别方法、装置、电子设备及计算机可读存储介质 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
CN112115860A (zh) | 人脸关键点定位方法、装置、计算机设备和存储介质 | |
CN110929730A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN115860067B (zh) | 生成对抗网络训练方法、装置、计算机设备及存储介质 | |
CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN111428553B (zh) | 人脸色素斑识别方法、装置、计算机设备和存储介质 | |
CN113724237A (zh) | 齿痕识别方法、装置、计算机设备及存储介质 | |
CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |