CN113723419A - 一种基于语义分割网络对造影图像进行分割的方法和装置 - Google Patents
一种基于语义分割网络对造影图像进行分割的方法和装置 Download PDFInfo
- Publication number
- CN113723419A CN113723419A CN202111032822.4A CN202111032822A CN113723419A CN 113723419 A CN113723419 A CN 113723419A CN 202111032822 A CN202111032822 A CN 202111032822A CN 113723419 A CN113723419 A CN 113723419A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- network
- data
- feature
- characteristic data
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims description 265
- 238000007499 fusion processing Methods 0.000 claims description 27
- 210000004204 blood vessel Anatomy 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 12
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000036262 stenosis Effects 0.000 claims description 10
- 208000037804 stenosis Diseases 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010048858 Ischaemic cardiomyopathy Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种基于语义分割网络对造影图像进行分割的方法和装置，所述方法包括：获取第一造影图像和第二造影图像；对预设的分割模式进行识别；若分割模式为第一模式，则使用单帧语义分割网络分别对第一造影图像和第二造影图像进行语义分割处理；若分割模式为第二模式，则使用双帧语义分割网络对第一造影图像和第二造影图像进行语义分割处理。本发明提高了血管狭窄部位的确认效率和确认精度。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于语义分割网络对造影图像进行分割的方法和装置。
背景技术
冠状动脉性心脏病(coronary artery heart disease,CHD)简称冠心病，是指因冠状动脉狭窄、供血不足而引起的心肌机能障碍和(或)器质性病变，故又称缺血性心肌病。在冠状动脉造影图像的定量分析中，需要分析冠状动脉具体的狭窄部位，然后再根据狭窄部位的狭窄程度做进一步判断。常规情况下，上述对血管狭窄部位的确认过程都是基于人工经验完成的。这种操作模式过于依赖人为因素，诸如人员从业经验、人眼的识别能力等，极容易出现确认不准的情况。而准确地分割出血管的边界对于分析血管的直径变化非常重要。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种基于语义分割网络对造影图像进行分割的方法、装置、电子设备及计算机可读存储介质，采用由卷积神经网络(Convolutional Neural Networks,CNN)、残差网络(Residual Network,ResNet)、自注意力机制(Self-attention Mechanism)网络构成的单帧或双帧语义分割网络对单帧或双帧造影图像进行语义分割，从而得到带有像素级聚类特征信息的特征数据也就是特征图像。基于本发明，既可以解决常规血管狭窄部位确认操作过于依赖人工因素的问题，还可以提高血管狭窄部位的确认效率和确认精度。
为实现上述目的，本发明实施例第一方面提供了一种基于语义分割网络对造影图像进行分割的方法，所述方法包括：
获取第一造影图像和第二造影图像；
对预设的分割模式进行识别；若所述分割模式为第一模式，则使用单帧语义分割网络分别对所述第一造影图像和所述第二造影图像进行语义分割处理；若所述分割模式为第二模式，则使用双帧语义分割网络对所述第一造影图像和所述第二造影图像进行语义分割处理。
优选的，所述单帧语义分割网络包括第一特征提取网络组E1和第二特征提取网络组D1；
所述第一特征提取网络组E1由多个第一特征提取网络E1i组成，i的取值范围为1到N，N>1；所述第二特征提取网络组D1由多个第二特征提取网络D1i组成；
所述第一特征提取网络E1i的网络结构包括卷及神经网络结构和残差网络结构；
所述第二特征提取网络D1i的网络结构包括卷及神经网络结构和残差网络结构；
i＝N时，第二特征提取网络D1N的网络结构还包括自注意力机制网络结构；
所述第一特征提取网络组E1中，所述第一特征提取网络E1i与第一特征提取网络E1i+1和所述第二特征提取网络D1i连接；
所述第二特征提取网络组D1中，所述第二特征提取网络D1i与第二特征提取网络D1i-1连接；
所述单帧语义分割网络的第一特征提取网络E11用于接收输入的所述第一造影图像或所述第二造影图像，第二特征提取网络D11用于输出语义分割结果。
优选的，所述双帧语义分割网络包括第三特征提取网络组E2、第一自注意力网络A和第四特征提取网络组D2；
所述第三特征提取网络组E2由多个第三特征提取网络E2j组成，j的取值范围为1到M，M>1；
所述第四特征提取网络组D2由多个第四特征提取网络D2j组成；
所述第三特征提取网络E2j的网络结构包括卷及神经网络结构和残差网络结构；
所述第一自注意力网络A的网络结构为自注意力机制网络结构；
所述第四特征提取网络D2j的网络结构包括卷及神经网络结构和残差网络结构；
所述第三特征提取网络组E2与所述第一自注意力网络A连接；
所述第一自注意力网络A与所述第四特征提取网络组D2连接；
所述第三特征提取网络组E2中，所述第三特征提取网络E2j与第三特征提取网络E2j+1连接；
所述第四特征提取网络组D2中，所述第四特征提取网络D2j与第四特征提取网络D2j-1连接；
所述双帧语义分割网络的第三特征提取网络E21用于接收输入的所述第一造影图像和所述第二造影图像，第四特征提取网络D21用于输出第一造影图像和第二造影图像的语义分割结果。
优选的，所述使用单帧语义分割网络分别对所述第一造影图像和所述第二造影图像进行语义分割处理，具体包括：
将所述第一造影图像或所述第二造影图像作为第一输入图像；
将所述第一输入图像输入所述单帧语义分割网络的所述第一特征提取网络组E1的所述第一特征提取网络E11进行特征提取，生成对应的第一特征数据fe1；将第一特征数据fei-1输入所述第一特征提取网络E1i进行特征提取，生成对应的第一特征数据fei；直到将第一特征数据feN-1输入第一特征提取网络E1N进行特征提取，生成对应的第一特征数据feN为止；
将所述第一特征数据feN输入所述第二特征提取网络组D1的所述第二特征提取网络D1N进行特征提取，生成对应的第二特征数据fdN；对所述第二特征数据fdN与所述第一特征数据feN-1进行数据融合处理，并将融合数据输入第二特征提取网络D1N-1进行特征提取，生成对应的第二特征数据fdN-1；对第二特征数据fdi与所述第一特征数据fei-1进行数据融合处理，并将融合数据输入所述第二特征提取网络D1i-1进行特征提取，生成对应的第二特征数据fdi-1；直到对第二特征数据fd2与所述第一特征数据fe1进行数据融合处理，并将融合数据输入所述第二特征提取网络D11进行特征提取，生成对应的第二特征数据fd1为止；
将所述第二特征数据fd1作为与所述第一输入图像对应的语义分割结果输出。
优选的，所述使用双帧语义分割网络对所述第一造影图像和所述第二造影图像进行语义分割处理，具体包括：
将所述第一造影图像输入所述双帧语义分割网络的所述第三特征提取网络组E2的所述第三特征提取网络E21进行特征提取，生成对应的第三一特征数据fea1；将第三一特征数据fea(j-1)输入所述第三特征提取网络E2j进行特征提取，生成对应的第三一特征数据feaj；直到将第三一特征数据fea(M-1)输入第三特征提取网络E2M进行特征提取，生成对应的第三一特征数据feaM为止；由得到的所有第三一特征数据按先后顺序组成第三一特征数据序列；所述第三一特征数据序列为(fea1,fea2…feaj…feaM)；
将所述第二造影图像输入所述第三特征提取网络E21进行特征提取，生成对应的第三二特征数据feb1；将第三二特征数据feb(j-1)输入所述第三特征提取网络E2j进行特征提取，生成对应的第三二特征数据febj；直到将第三二特征数据feb(M-1)输入所述第三特征提取网络E2M进行特征提取，生成对应的第三二特征数据febM为止；由得到的所有第三二特征数据按先后顺序组成第三二特征数据序列；所述第三二特征数据序列为(feb1,feb2…febj…febM)；
将所述第三一特征数据序列(fea1,fea2…feaj…feaM)的所述第三一特征数据feaM输入所述第一自注意力网络A进行特征提取，生成对应的第四一特征数据faM；并使用所述第四一特征数据faM替换所述第三一特征数据序列(fea1,fea2…feaj…feaM)的所述第三一特征数据feaM，得到第四一特征数据序列；所述第四一特征数据序列为(fea1,fea2…feaj…fea(M-1),faM)；
将所述第三二特征数据序列(feb1,feb2…febj…febM)的所述第三二特征数据febM输入所述第一自注意力网络A进行特征提取，生成对应的第四二特征数据fbM；并使用所述第四二特征数据fbM替换所述第三二特征数据序列(feb1,feb2…febj…febM)的所述第三二特征数据febM，得到第四二特征数据序列；所述第四二特征数据序列为(feb1,feb2…febj…feb(M-1),fbM)；
将所述第四一特征数据序列(fea1,fea2…feaj…fea(M-1),faM)的所述第四一特征数据faM输入所述第四特征提取网络组D2的第四特征提取网络D2M进行特征提取，生成对应的第五一特征数据fdaM；对所述第五一特征数据fdaM与所述第三一特征数据fea(M-1)进行数据融合处理，并将融合数据输入第四特征提取网络D2M-1进行特征提取，生成对应的第五一特征数据fda(M-1)；对第五一特征数据fdaj与所述第三一特征数据fea(j-1)进行数据融合处理，并将融合数据输入所述第四特征提取网络D2j-1进行特征提取，生成对应的第五一特征数据fda(j-1)；直到对第五一特征数据fda2与所述第三一特征数据fea1进行数据融合处理，并将融合数据输入所述第四特征提取网络D21进行特征提取，生成对应的第五一特征数据fda1为止；
将所述第四二特征数据序列(feb1,feb2…febj…feb(M-1),fbM)的所述第四二特征数据fbM输入所述第四特征提取网络D2M进行特征提取，生成对应的第五二特征数据fdbM；对所述第五二特征数据fdbM与所述第三二特征数据feb(M-1)进行数据融合处理，并将融合数据输入所述第四特征提取网络D2M-1进行特征提取，生成对应的第五二特征数据fdb(M-1)；对第五二特征数据fdbj与所述第三二特征数据feb(j-1)进行数据融合处理，并将融合数据输入所述第四特征提取网络D2j-1进行特征提取，生成对应的第五二特征数据fdb(j-1)；直到对第五二特征数据fdb2与所述第三二特征数据feb1进行数据融合处理，并将融合数据输入所述第四特征提取网络D21进行特征提取，生成对应的第五二特征数据fdb1为止；
将所述第五一特征数据fda1作为与所述第一造影图像对应的语义分割结果输出；并将所述第五二特征数据fdb1作为与所述第二造影图像对应的语义分割结果。
优选的，所述方法还包括：
在得到所述第一造影图像和所述第二造影图像的语义分割结果之后，将所述第一造影图像的语义分割结果作为第一语义特征图，将所述第二造影图像的语义分割结果作为第二语义特征图；
将所述第一语义特征图与所述第二语义特征图中坐标一致且像素值匹配的像素点标记为背景点；
对所述第一语义特征图与所述第二语义特征图分别进行背景点清除处理，得到对应的消除了背景噪声的第三语义特征图和第四语义特征图；
从所述第三语义特征图和所述第四语义特征图中提取数据特征满足预设的血管狭窄部位特征的像素点区域，作为对应的血管狭窄部位识别结果。
本发明实施例第二方面提供了一种实现上述第一方面所述的方法的装置，包括：获取模块和语义分割处理模块；
所述获取模块用于获取第一造影图像和第二造影图像；
所述语义分割处理模块用于对预设的分割模式进行识别；若所述分割模式为第一模式，则使用单帧语义分割网络分别对所述第一造影图像和所述第二造影图像进行语义分割处理；若所述分割模式为第二模式，则使用双帧语义分割网络对所述第一造影图像和所述第二造影图像进行语义分割处理。
本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
本发明实施例第四方面提供了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指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种基于语义分割网络对造影图像进行分割的方法、装置、电子设备及计算机可读存储介质，采用由卷积神经网络、残差网络、自注意力机制网络构成的单帧或双帧语义分割网络对单帧或双帧造影图像进行语义分割，从而得到带有像素级聚类特征信息的特征数据也就是特征图像。基于本发明，既解决了常规血管狭窄部位确认操作过于依赖人工因素的问题，还提高了血管狭窄部位的确认效率和确认精度。
附图说明
图1为本发明实施例一提供的一种基于语义分割网络对造影图像进行分割的方法示意图；
图2a为本发明实施例一提供的单帧语义分割网络结构示意图；
图2b为本发明实施例一提供的双帧语义分割网络结构示意图；
图3为本发明实施例二提供的一种基于语义分割网络对造影图像进行分割的装置的模块结构图；
图4为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例一提供的一种基于语义分割网络对造影图像进行分割的方法，如图1为本发明实施例一提供的一种基于语义分割网络对造影图像进行分割的方法示意图所示，本方法主要包括如下步骤：
步骤1，获取第一造影图像和第二造影图像。
这里，第一造影图像和第二造影图像均为针对同一用户，且同一角度下进行连续操作得到的时间相近的两张冠脉造影图像。
步骤2，对预设的分割模式进行识别，若分割模式为第一模式，则使用单帧语义分割网络分别对第一造影图像和第二造影图像进行语义分割处理；若分割模式为第二模式，则使用双帧语义分割网络对第一造影图像和第二造影图像进行语义分割处理；
具体包括：步骤21，对预设的分割模式进行识别；若分割模式为第一模式则转至步骤22；若分割模式为第二模式则转至步骤23；
其中，分割模式包括第一模式和第二模式；
这里，若分割模式为第一模式说明后续步骤使用单帧语义分割网络分别对第一造影图像和第二造影图像进行特征提取处理；若分割模式为第二模式说明后续步骤使用双帧语义分割网络同时对第一造影图像和第二造影图像进行特征提取处理；
步骤22，使用单帧语义分割网络分别对第一造影图像和第二造影图像进行语义分割处理；
其中，单帧语义分割网络包括第一特征提取网络组E1和第二特征提取网络组D1；第一特征提取网络组E1由多个第一特征提取网络E1i组成，i的取值范围为1到N，N>1；第二特征提取网络组D1由多个第二特征提取网络D1i组成；第一特征提取网络E1i的网络结构包括卷及神经网络结构和残差网络结构；第二特征提取网络D1i的网络结构包括卷及神经网络结构和残差网络结构；i＝N时，第二特征提取网络D1N的网络结构还包括自注意力机制网络结构；第一特征提取网络组E1中，第一特征提取网络E1i与第一特征提取网络E1i+1和第二特征提取网络D1i连接；第二特征提取网络组D1中，第二特征提取网络D1i与第二特征提取网络D1i-1连接；单帧语义分割网络的第一特征提取网络E11用于接收输入的第一造影图像或第二造影图像，第二特征提取网络D11用于输出语义分割结果；
这里，单帧语义分割网络的网络结构如图2a为本发明实施例一提供的单帧语义分割网络结构示意图所示；第一特征提取网络组E1实际是通过层层卷积或者残差运算对输入的图像进行降采样和特征计算；第二特征提取网络D1N的网络结构采用自注意力机制网络结构的目的是对最低分辨率的特征数据进行特征聚类，从而达到像素级的语义分割效果；第二特征提取网络组D1其他第二特征提取网络则是通过层层向上卷积或者残差运算进行图像升采样操作(也叫感受野放大)，从而将像素点携带了分类特征信息的特征图恢复到与输入图像相同形状的程度；因为所有网络的输入输出都可被视为图数据，所以第二特征提取网络D11输出的语义分割结果实际就是对第一造影图像或第二造影图像完成了语义分割之后产生的像素点带有语义信息的语义特征图；
具体包括：步骤221，将第一造影图像或第二造影图像作为第一输入图像；
步骤222，将第一输入图像输入单帧语义分割网络的第一特征提取网络组E1的第一特征提取网络E11进行特征提取，生成对应的第一特征数据fe1；将第一特征数据fei-1输入第一特征提取网络E1i进行特征提取，生成对应的第一特征数据fei；直到将第一特征数据feN-1输入第一特征提取网络E1N进行特征提取，生成对应的第一特征数据feN为止；
这里，第一特征提取网络组E1中的第一特征提取网络E1i若为卷积神经网络则是对输入图像进行降采样处理，达到了降低计算量的目的；若为残差网络则是用于缓解卷积网络降采样带来的梯度消失问题；所以常规情况下，在配置第一特征提取网络组E1时，可在指定数量个结构为卷积网络结构的第一特征提取网络之后设置一个结构为残差网络结构的第一特征提取网络；
步骤223，将第一特征数据feN输入第二特征提取网络组D1的第二特征提取网络D1N进行特征提取，生成对应的第二特征数据fdN；对第二特征数据fdN与第一特征数据feN-1进行数据融合处理，并将融合数据输入第二特征提取网络D1N-1进行特征提取，生成对应的第二特征数据fdN-1；对第二特征数据fdi与第一特征数据fei-1进行数据融合处理，并将融合数据输入第二特征提取网络D1i-1进行特征提取，生成对应的第二特征数据fdi-1；直到对第二特征数据fd2与第一特征数据fe1进行数据融合处理，并将融合数据输入第二特征提取网络D11进行特征提取，生成对应的第二特征数据fd1为止；
这里，第二特征提取网络组D1中的第二特征提取网络D1N是一个自注意力机制网络；除此之外的其他第二特征提取网络D1i若为卷积神经网络则是对输入图像进行升采样的反卷积处理，达到了扩大感受野的目的，在具体执行反卷积时可采用双线性差值填充法进行填充；若为残差网络则是用于缓解卷积网络升采样带来的梯度消失问题；所以常规情况下，在配置第二特征提取网络组D1时，可在指定数量个结构为卷积网络结构的第二特征提取网络之后设置一个结构为残差网络结构的第二特征提取网络；
步骤224，将第二特征数据fd1作为与第一输入图像对应的语义分割结果输出；
这里，第一输入图像对应的语义分割结果实际为一个像素点带有语义信息的语义特征图；
在得到了第一造影图像和第二造影图像对应的语义分割结果之后，本发明实施例完成当次语义分割处理流程，不继续执行后续步骤23；
步骤23，使用双帧语义分割网络对第一造影图像和第二造影图像进行语义分割处理；
其中，双帧语义分割网络包括第三特征提取网络组E2、第一自注意力网络A和第四特征提取网络组D2；第三特征提取网络组E2由多个第三特征提取网络E2j组成，j的取值范围为1到M，M>1；第四特征提取网络组D2由多个第四特征提取网络D2j组成；第三特征提取网络E2j的网络结构包括卷及神经网络结构和残差网络结构；第一自注意力网络A的网络结构为自注意力机制网络结构；第四特征提取网络D2j的网络结构包括卷及神经网络结构和残差网络结构；第三特征提取网络组E2与第一自注意力网络A连接；第一自注意力网络A与第四特征提取网络组D2连接；第三特征提取网络组E2中，第三特征提取网络E2j与第三特征提取网络E2j+1连接；第四特征提取网络组D2中，第四特征提取网络D2j与第四特征提取网络D2j-1连接；双帧语义分割网络的第三特征提取网络E21用于接收输入的第一造影图像和第二造影图像，第四特征提取网络D21用于输出第一造影图像和第二造影图像的语义分割结果；
这里，双帧语义分割网络的网络结构如图2b为本发明实施例一提供的双帧语义分割网络结构示意图所示；第三特征提取网络组E2的结构实际与前文第一特征提取网络组E1的结构是一致的，第四特征提取网络组D2的结构与前文第二特征提取网络组D1的结构也是一致的；双帧语义分割网络与前文单帧语义分割网络的最大区别一方面在于可以同时处理两帧图像的语义分割，另一方面在于独立设立了一个第一自注意力网络A，该网络实际也是在对第一造影图像和第二造影图像的特征数据进行特征聚类处理，从而达到像素级的语义分割效果；
具体包括：步骤231，将第一造影图像输入双帧语义分割网络的第三特征提取网络组E2的第三特征提取网络E21进行特征提取，生成对应的第三一特征数据fea1；将第三一特征数据fea(j-1)输入第三特征提取网络E2j进行特征提取，生成对应的第三一特征数据feaj；直到将第三一特征数据fea(M-1)输入第三特征提取网络E2M进行特征提取，生成对应的第三一特征数据feaM为止；由得到的所有第三一特征数据按先后顺序组成第三一特征数据序列；第三一特征数据序列为(fea1,fea2…feaj…feaM)；
这里，如前文所述第三特征提取网络组E2的结构实际与前文第一特征提取网络组E1的结构是一致的，区别是，单帧语义分割网络中直接将第一特征数据feN输入到第二特征提取网络组D1的第二特征提取网络D1N中进行聚类，而双帧语义分割网络是将第三特征提取网络组E2对第一造影图像的所有网络输出先归集到一个数据集合也就是第三一特征数据序列(fea1,fea2…feaj…feaM)，然后再输入到第一自注意力网络A进行聚类；
步骤232，将第二造影图像输入第三特征提取网络E21进行特征提取，生成对应的第三二特征数据feb1；将第三二特征数据feb(j-1)输入第三特征提取网络E2j进行特征提取，生成对应的第三二特征数据febj；直到将第三二特征数据feb(M-1)输入第三特征提取网络E2M进行特征提取，生成对应的第三二特征数据febM为止；由得到的所有第三二特征数据按先后顺序组成第三二特征数据序列；第三二特征数据序列为(feb1,feb2…febj…febM)；
这里，与步骤231类似，双帧语义分割网络将第三特征提取网络组E2对第二造影图像的所有网络输出先归集到一个数据集合也就是第三二特征数据序列为(feb1,feb2…febj…febM)，然后再输入到第一自注意力网络A进行聚类；
步骤233，将第三一特征数据序列(fea1,fea2…feaj…feaM)的第三一特征数据feaM输入第一自注意力网络A进行特征提取，生成对应的第四一特征数据faM；并使用第四一特征数据faM替换第三一特征数据序列(fea1,fea2…feaj…feaM)的第三一特征数据feaM，得到第四一特征数据序列；第四一特征数据序列为(fea1,fea2…feaj…fea(M-1),faM)；
这里，第一自注意力网络A在对第三一特征数据序列进行聚类运算时，实际只是对第三一特征数据序列(fea1,fea2…feaj…feaM)的最后一个图像数据也就是feaM进行聚类，这与单帧语义分割网络的处理是一致的；
步骤234，将第三二特征数据序列(feb1,feb2…febj…febM)的第三二特征数据febM输入第一自注意力网络A进行特征提取，生成对应的第四二特征数据fbM；并使用第四二特征数据fbM替换第三二特征数据序列(feb1,feb2…febj…febM)的第三二特征数据febM，得到第四二特征数据序列；第四二特征数据序列为(feb1,feb2…febj…feb(M-1),fbM)；
这里，与步骤233类似，第一自注意力网络A在对第三二特征数据序列进行聚类运算时，实际只是对第三二特征数据序列(feb1,feb2…febj…febM)的最后一个图像数据也就是febM进行聚类，这与单帧语义分割网络的处理是一致的；
步骤235，将第四一特征数据序列(fea1,fea2…feaj…fea(M-1),faM)的第四一特征数据faM输入第四特征提取网络组D2的第四特征提取网络D2M进行特征提取，生成对应的第五一特征数据fdaM；对第五一特征数据fdaM与第三一特征数据fea(M-1)进行数据融合处理，并将融合数据输入第四特征提取网络D2M-1进行特征提取，生成对应的第五一特征数据fda(M-1)；对第五一特征数据fdaj与第三一特征数据fea(j-1)进行数据融合处理，并将融合数据输入第四特征提取网络D2j-1进行特征提取，生成对应的第五一特征数据fda(j-1)；直到对第五一特征数据fda2与第三一特征数据fea1进行数据融合处理，并将融合数据输入第四特征提取网络D21进行特征提取，生成对应的第五一特征数据fda1为止；
这里，如前文所述第四特征提取网络组D2的结构实际与前文第二特征提取网络组D1的结构是一致的，其处理流程也是近似的，在此不做进一步赘述；
步骤236，将第四二特征数据序列(feb1,feb2…febj…feb(M-1),fbM)的第四二特征数据fbM输入第四特征提取网络D2M进行特征提取，生成对应的第五二特征数据fdbM；对第五二特征数据fdbM与第三二特征数据feb(M-1)进行数据融合处理，并将融合数据输入第四特征提取网络D2M-1进行特征提取，生成对应的第五二特征数据fdb(M-1)；对第五二特征数据fdbj与第三二特征数据feb(j-1)进行数据融合处理，并将融合数据输入第四特征提取网络D2j-1进行特征提取，生成对应的第五二特征数据fdb(j-1)；直到对第五二特征数据fdb2与第三二特征数据feb1进行数据融合处理，并将融合数据输入第四特征提取网络D21进行特征提取，生成对应的第五二特征数据fdb1为止；
这里，如前文所述第四特征提取网络组D2的结构实际与前文第二特征提取网络组D1的结构是一致的，其处理流程也是近似的，在此不做进一步赘述；
步骤237，将第五一特征数据fda1作为与第一造影图像对应的语义分割结果输出；并将第五二特征数据fdb1作为与第二造影图像对应的语义分割结果。
这里，第一造影图像、第二造影图像对应的语义分割结果实际均为一个像素点带有语义信息的语义特征图。
在通过上述步骤2的单帧或双帧语义分割网络得到第一造影图像和第二造影图像的语义分割结果之后，本发明实施例方法还包括：
步骤S1，将第一造影图像的语义分割结果作为第一语义特征图，将第二造影图像的语义分割结果作为第二语义特征图；
步骤S2，将第一语义特征图与第二语义特征图中坐标一致且像素值匹配的像素点标记为背景点；
这里，因为造影图像在相近时刻间的身体位姿是不会发生变化的，也就是说同一用户在同一角度下得到的时间相近的两张冠脉造影图像的语义特征图中的背景信息是基本一致的，也就是说第一语义特征图与第二语义特征图中坐标位置相同且像素值相等或接近的像素点应为二图中的相同背景像素点；
步骤S3，对第一语义特征图和第二语义特征图分别进行背景点清除处理，得到对应的消除了背景噪声的第三语义特征图和第四语义特征图；
这里，对第一语义特征图和第二语义特征图分别进行背景点清除处理时，可将标记为背景点的像素点的像素值设为同一个预设像素值；在消除了背景噪声后的第三语义特征图和第四语义特征图中，前景像素点的特征更加清晰明确，增大了特征识别精度；
步骤S4，从第三语义特征图和第四语义特征图中提取数据特征满足预设的血管狭窄部位特征的像素点区域，作为对应的血管狭窄部位识别结果。
这里，血管狭窄部位特征为预先设定的特征参数。
图3为本发明实施例二提供的一种基于语义分割网络对造影图像进行分割的装置的模块结构图，该装置可以为实现本发明实施例方法的终端设备或者服务器，也可以为与上述终端设备或者服务器连接的实现本发明实施例方法的装置，例如该装置可以是上述终端设备或者服务器的装置或芯片系统。如图3所示，该装置包括：获取模块201和语义分割处理模块202。
获取模块201用于获取第一造影图像和第二造影图像。
语义分割处理模块202用于对预设的分割模式进行识别；若分割模式为第一模式，则使用单帧语义分割网络分别对第一造影图像和第二造影图像进行语义分割处理；若分割模式为第二模式，则使用双帧语义分割网络对第一造影图像和第二造影图像进行语义分割处理。
本发明实施例提供的一种基于语义分割网络对造影图像进行分割的装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，SOC)的形式实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路(Digital Subscriber Line，DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
图4为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图4所示，该电子设备可以包括：处理器301(例如CPU)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图4中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中提供的方法和处理过程。
本发明实施例提供了一种基于语义分割网络对造影图像进行分割的方法、装置、电子设备及计算机可读存储介质，采用由卷积神经网络、残差网络、自注意力机制网络构成的单帧或双帧语义分割网络对单帧或双帧造影图像进行语义分割，从而得到带有像素级聚类特征信息的特征数据也就是特征图像。基于本发明，既解决了常规血管狭窄部位确认操作过于依赖人工因素的问题，还提高了血管狭窄部位的确认效率和确认精度。
专业人员应该还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于语义分割网络对造影图像进行分割的方法，其特征在于，所述方法包括：
获取第一造影图像和第二造影图像；
对预设的分割模式进行识别；若所述分割模式为第一模式，则使用单帧语义分割网络分别对所述第一造影图像和所述第二造影图像进行语义分割处理；若所述分割模式为第二模式，则使用双帧语义分割网络对所述第一造影图像和所述第二造影图像进行语义分割处理。
2.根据权利要求1所述的基于语义分割网络对造影图像进行分割的方法，其特征在于，
所述单帧语义分割网络包括第一特征提取网络组E1和第二特征提取网络组D1；
所述第一特征提取网络组E1由多个第一特征提取网络E1i组成，i的取值范围为1到N，N>1；所述第二特征提取网络组D1由多个第二特征提取网络D1i组成；
所述第一特征提取网络E1i的网络结构包括卷及神经网络结构和残差网络结构；
所述第二特征提取网络D1i的网络结构包括卷及神经网络结构和残差网络结构；
i＝N时，第二特征提取网络D1N的网络结构还包括自注意力机制网络结构；
所述第一特征提取网络组E1中，所述第一特征提取网络E1i与第一特征提取网络E1i+1和所述第二特征提取网络D1i连接；
所述第二特征提取网络组D1中，所述第二特征提取网络D1i与第二特征提取网络D1i-1连接；
所述单帧语义分割网络的第一特征提取网络E11用于接收输入的所述第一造影图像或所述第二造影图像，第二特征提取网络D11用于输出语义分割结果。
3.根据权利要求1所述的基于语义分割网络对造影图像进行分割的方法，其特征在于，
所述双帧语义分割网络包括第三特征提取网络组E2、第一自注意力网络A和第四特征提取网络组D2；
所述第三特征提取网络组E2由多个第三特征提取网络E2j组成，j的取值范围为1到M，M>1；
所述第四特征提取网络组D2由多个第四特征提取网络D2j组成；
所述第三特征提取网络E2j的网络结构包括卷及神经网络结构和残差网络结构；
所述第一自注意力网络A的网络结构为自注意力机制网络结构；
所述第四特征提取网络D2j的网络结构包括卷及神经网络结构和残差网络结构；
所述第三特征提取网络组E2与所述第一自注意力网络A连接；
所述第一自注意力网络A与所述第四特征提取网络组D2连接；
所述第三特征提取网络组E2中，所述第三特征提取网络E2j与第三特征提取网络E2j+1连接；
所述第四特征提取网络组D2中，所述第四特征提取网络D2j与第四特征提取网络D2j-1连接；
所述双帧语义分割网络的第三特征提取网络E21用于接收输入的所述第一造影图像和所述第二造影图像，第四特征提取网络D21用于输出第一造影图像和第二造影图像的语义分割结果。
4.根据权利要求2所述的基于语义分割网络对造影图像进行分割的方法，其特征在于，所述使用单帧语义分割网络分别对所述第一造影图像和所述第二造影图像进行语义分割处理，具体包括：
将所述第一造影图像或所述第二造影图像作为第一输入图像；
将所述第一输入图像输入所述单帧语义分割网络的所述第一特征提取网络组E1的所述第一特征提取网络E11进行特征提取，生成对应的第一特征数据fe1；将第一特征数据fei-1输入所述第一特征提取网络E1i进行特征提取，生成对应的第一特征数据fei；直到将第一特征数据feN-1输入第一特征提取网络E1N进行特征提取，生成对应的第一特征数据feN为止；
将所述第一特征数据feN输入所述第二特征提取网络组D1的所述第二特征提取网络D1N进行特征提取，生成对应的第二特征数据fdN；对所述第二特征数据fdN与所述第一特征数据feN-1进行数据融合处理，并将融合数据输入第二特征提取网络D1N-1进行特征提取，生成对应的第二特征数据fdN-1；对第二特征数据fdi与所述第一特征数据fei-1进行数据融合处理，并将融合数据输入所述第二特征提取网络D1i-1进行特征提取，生成对应的第二特征数据fdi-1；直到对第二特征数据fd2与所述第一特征数据fe1进行数据融合处理，并将融合数据输入所述第二特征提取网络D11进行特征提取，生成对应的第二特征数据fd1为止；
将所述第二特征数据fd1作为与所述第一输入图像对应的语义分割结果输出。
5.根据权利要求3所述的基于语义分割网络对造影图像进行分割的方法，其特征在于，所述使用双帧语义分割网络对所述第一造影图像和所述第二造影图像进行语义分割处理，具体包括：
将所述第一造影图像输入所述双帧语义分割网络的所述第三特征提取网络组E2的所述第三特征提取网络E21进行特征提取，生成对应的第三一特征数据fea1；将第三一特征数据fea(j-1)输入所述第三特征提取网络E2j进行特征提取，生成对应的第三一特征数据feaj；直到将第三一特征数据fea(M-1)输入第三特征提取网络E2M进行特征提取，生成对应的第三一特征数据feaM为止；由得到的所有第三一特征数据按先后顺序组成第三一特征数据序列；所述第三一特征数据序列为(fea1,fea2…feaj…feaM)；
将所述第二造影图像输入所述第三特征提取网络E21进行特征提取，生成对应的第三二特征数据feb1；将第三二特征数据feb(j-1)输入所述第三特征提取网络E2j进行特征提取，生成对应的第三二特征数据febj；直到将第三二特征数据feb(M-1)输入所述第三特征提取网络E2M进行特征提取，生成对应的第三二特征数据febM为止；由得到的所有第三二特征数据按先后顺序组成第三二特征数据序列；所述第三二特征数据序列为(feb1,feb2…febj…febM)；
将所述第三一特征数据序列(fea1,fea2…feaj…feaM)的所述第三一特征数据feaM输入所述第一自注意力网络A进行特征提取，生成对应的第四一特征数据faM；并使用所述第四一特征数据faM替换所述第三一特征数据序列(fea1,fea2…feaj…feaM)的所述第三一特征数据feaM，得到第四一特征数据序列；所述第四一特征数据序列为(fea1,fea2…feaj…fea(M-1),faM)；
将所述第三二特征数据序列(feb1,feb2…febj…febM)的所述第三二特征数据febM输入所述第一自注意力网络A进行特征提取，生成对应的第四二特征数据fbM；并使用所述第四二特征数据fbM替换所述第三二特征数据序列(feb1,feb2…febj…febM)的所述第三二特征数据febM，得到第四二特征数据序列；所述第四二特征数据序列为(feb1,feb2…febj…feb(M-1),fbM)；
将所述第四一特征数据序列(fea1,fea2…feaj…fea(M-1),faM)的所述第四一特征数据faM输入所述第四特征提取网络组D2的第四特征提取网络D2M进行特征提取，生成对应的第五一特征数据fdaM；对所述第五一特征数据fdaM与所述第三一特征数据fea(M-1)进行数据融合处理，并将融合数据输入第四特征提取网络D2M-1进行特征提取，生成对应的第五一特征数据fda(M-1)；对第五一特征数据fdaj与所述第三一特征数据fea(j-1)进行数据融合处理，并将融合数据输入所述第四特征提取网络D2j-1进行特征提取，生成对应的第五一特征数据fda(j-1)；直到对第五一特征数据fda2与所述第三一特征数据fea1进行数据融合处理，并将融合数据输入所述第四特征提取网络D21进行特征提取，生成对应的第五一特征数据fda1为止；
将所述第四二特征数据序列(feb1,feb2…febj…feb(M-1),fbM)的所述第四二特征数据fbM输入所述第四特征提取网络D2M进行特征提取，生成对应的第五二特征数据fdbM；对所述第五二特征数据fdbM与所述第三二特征数据feb(M-1)进行数据融合处理，并将融合数据输入所述第四特征提取网络D2M-1进行特征提取，生成对应的第五二特征数据fdb(M-1)；对第五二特征数据fdbj与所述第三二特征数据feb(j-1)进行数据融合处理，并将融合数据输入所述第四特征提取网络D2j-1进行特征提取，生成对应的第五二特征数据fdb(j-1)；直到对第五二特征数据fdb2与所述第三二特征数据feb1进行数据融合处理，并将融合数据输入所述第四特征提取网络D21进行特征提取，生成对应的第五二特征数据fdb1为止；
将所述第五一特征数据fda1作为与所述第一造影图像对应的语义分割结果输出；并将所述第五二特征数据fdb1作为与所述第二造影图像对应的语义分割结果。
6.根据权利要求1所述的基于语义分割网络对造影图像进行分割的方法，其特征在于，所述方法还包括：
在得到所述第一造影图像和所述第二造影图像的语义分割结果之后，将所述第一造影图像的语义分割结果作为第一语义特征图，将所述第二造影图像的语义分割结果作为第二语义特征图；
将所述第一语义特征图与所述第二语义特征图中坐标一致且像素值匹配的像素点标记为背景点；
对所述第一语义特征图与所述第二语义特征图分别进行背景点清除处理，得到对应的消除了背景噪声的第三语义特征图和第四语义特征图；
从所述第三语义特征图和所述第四语义特征图中提取数据特征满足预设的血管狭窄部位特征的像素点区域，作为对应的血管狭窄部位识别结果。
7.一种用于实现权利要求1-6任一项所述的基于语义分割网络对造影图像进行分割的方法步骤的装置，其特征在于，所述装置包括：获取模块和语义分割处理模块；
所述获取模块用于获取第一造影图像和第二造影图像；
所述语义分割处理模块用于对预设的分割模式进行识别；若所述分割模式为第一模式，则使用单帧语义分割网络分别对所述第一造影图像和所述第二造影图像进行语义分割处理；若所述分割模式为第二模式，则使用双帧语义分割网络对所述第一造影图像和所述第二造影图像进行语义分割处理。
8.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-6任一项所述的方法步骤；
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-6任一项所述的方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111032822.4A CN113723419B (zh) | 2021-09-03 | 2021-09-03 | 一种基于语义分割网络对造影图像进行分割的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111032822.4A CN113723419B (zh) | 2021-09-03 | 2021-09-03 | 一种基于语义分割网络对造影图像进行分割的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723419A true CN113723419A (zh) | 2021-11-30 |
| CN113723419B CN113723419B (zh) | 2023-11-21 |
Family
ID=78681529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111032822.4A Active CN113723419B (zh) | 2021-09-03 | 2021-09-03 | 一种基于语义分割网络对造影图像进行分割的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723419B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150003697A1 (en) * | 2013-06-28 | 2015-01-01 | International Business Machines Corporation | Bidirectional blood vessel segmentation |
| US20150207974A1 (en) * | 2014-01-17 | 2015-07-23 | Texas Instruments Incorporated | Methods and apparatus to generate wide dynamic range images |
| CN111667456A (zh) * | 2020-04-28 | 2020-09-15 | 北京理工大学 | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 |
| CN112800850A (zh) * | 2020-12-31 | 2021-05-14 | 上海商汤智能科技有限公司 | 一种视频处理方法、装置、电子设备及存储介质 |
| CN112967293A (zh) * | 2021-03-04 | 2021-06-15 | 首都师范大学 | 一种图像语义分割方法、装置及存储介质 |
| CN112989919A (zh) * | 2020-12-25 | 2021-06-18 | 首都师范大学 | 一种从影像中提取目标对象的方法及系统 |
| CN113066089A (zh) * | 2021-04-06 | 2021-07-02 | 南京邮电大学 | 一种基于注意力引导机制的实时图像语义分割网络 |
| CN113177950A (zh) * | 2021-04-22 | 2021-07-27 | 燕山大学 | 基于半监督对抗学习的冠脉造影血管图像分割的方法 |
-
2021
- 2021-09-03 CN CN202111032822.4A patent/CN113723419B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150003697A1 (en) * | 2013-06-28 | 2015-01-01 | International Business Machines Corporation | Bidirectional blood vessel segmentation |
| US20150207974A1 (en) * | 2014-01-17 | 2015-07-23 | Texas Instruments Incorporated | Methods and apparatus to generate wide dynamic range images |
| CN111667456A (zh) * | 2020-04-28 | 2020-09-15 | 北京理工大学 | 一种冠状动脉x光序列造影中血管狭窄检测方法及装置 |
| CN112989919A (zh) * | 2020-12-25 | 2021-06-18 | 首都师范大学 | 一种从影像中提取目标对象的方法及系统 |
| CN112800850A (zh) * | 2020-12-31 | 2021-05-14 | 上海商汤智能科技有限公司 | 一种视频处理方法、装置、电子设备及存储介质 |
| CN112967293A (zh) * | 2021-03-04 | 2021-06-15 | 首都师范大学 | 一种图像语义分割方法、装置及存储介质 |
| CN113066089A (zh) * | 2021-04-06 | 2021-07-02 | 南京邮电大学 | 一种基于注意力引导机制的实时图像语义分割网络 |
| CN113177950A (zh) * | 2021-04-22 | 2021-07-27 | 燕山大学 | 基于半监督对抗学习的冠脉造影血管图像分割的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 蒲松涛;查红彬;: "基于双帧图模型的视频物体分割", 北京大学学报(自然科学版), no. 03, pages 409 - 417 * |
| 陈海燕;陈刚琦;: "基于语义分割的高原鼠兔目标检测", 华中科技大学学报(自然科学版), no. 07, pages 12 - 17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723419B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163876B (zh) | 基于多特征融合的左心室分割方法、系统、设备及介质 | |
| CN109410216B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
| CN111028242A (zh) | 一种肿瘤自动分割系统、方法及电子设备 | |
| CN112465834B (zh) | 一种血管分割方法及装置 | |
| CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN114418977A (zh) | 基于血管造影视频进行冠脉造影定量分析的方法和装置 | |
| CN115410050A (zh) | 基于机器视觉的肿瘤细胞检测设备及其方法 | |
| CN111914654A (zh) | 一种文本版面分析方法、装置、设备和介质 | |
| CN113221869A (zh) | 医疗发票结构化信息提取方法、装置设备及存储介质 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN111312374B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN114419500A (zh) | 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置 | |
| WO2023137948A1 (zh) | 基于血管造影图像分析血流储备分数的处理方法和装置 | |
| CN114758137A (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
| CN114418976A (zh) | 一种血管造影图像的分析方法和装置 | |
| CN113723419A (zh) | 一种基于语义分割网络对造影图像进行分割的方法和装置 | |
| CN113723418B (zh) | 一种对造影图像进行优选的处理方法和装置 | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN111784732B (zh) | 训练心脏运动场估计模型、心脏运动场估计的方法及系统 | |
| CN114241044A (zh) | 回环检测方法、装置、电子设备和计算机可读介质 | |
| CN114419499A (zh) | 一种基于心脏超声视频的射血分数数据处理方法和装置 | |
| CN113505796A (zh) | 一种实时的高精度全景分割方法 | |
| CN112365474A (zh) | 血管提取方法、装置、电子设备和存储介质 | |
| CN113538277A (zh) | 一种基于神经网络的断层扫描图降噪方法及装置 | |
| CN111898641A (zh) | 一种目标模型检测、装置、电子设备及计算机可读存储介质 |
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 |