CN113889238A - 一种图像识别方法、装置、电子设备及存储介质 - Google Patents

一种图像识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113889238A
CN113889238A CN202111243171.3A CN202111243171A CN113889238A CN 113889238 A CN113889238 A CN 113889238A CN 202111243171 A CN202111243171 A CN 202111243171A CN 113889238 A CN113889238 A CN 113889238A
Authority
CN
China
Prior art keywords
data
initial
heart
segmentation mask
myocardial bridge
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
Application number
CN202111243171.3A
Other languages
English (en)
Other versions
CN113889238B (zh
Inventor
刘泽庆
黄文豪
尹思源
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202111243171.3A priority Critical patent/CN113889238B/zh
Publication of CN113889238A publication Critical patent/CN113889238A/zh
Application granted granted Critical
Publication of CN113889238B publication Critical patent/CN113889238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T7/0002—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种图像识别方法、装置、电子设备及存储介质，该方法包括：获取待识别的心脏扫描数据，对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；将所述心脏分割掩膜数据、所述冠脉分割掩膜数据和所述外接扫描数据输入至预先训练的心肌桥识别模型中，得到所述心肌桥识别模型输出的初始识别结果；对所述初始识别结果进行去假阳处理，得到目标识别结果。本发明实施例的技术方案，能够避免心肌桥人工识别效率低，且对人工经验依赖严重等问题，达到可以快速、准确预测识别心肌桥，提高医护人员工作效率的技术效果。

Description

一种图像识别方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像识别方法、装置、电子设备及存储介质。
背景技术
冠状动脉心肌桥是一种先天性的冠状动脉发育异常。冠状动脉主干及其分支通常行走于心脏表面的心外膜下脂肪中或心外膜深面，但是，在冠状动脉发育过程中，冠状动脉或其分支的某个节段可被浅层心肌覆盖，在心肌内走行，覆盖在冠状动脉上的心肌称为心肌桥。研究表明，心脏收缩时，被心肌桥覆盖的这段冠状动脉会受到压迫，导致出现收缩期狭窄，严重时可能会诱发心肌缺血、心绞痛、心肌梗死等诸多高风险疾病。
目前现有的技术中，心肌桥的识别需要有经验的技师或医生将心肌桥在CT图像中标出，人工识别效率低、且存在对人工经验的依赖。
发明内容
本发明实施例提供一种图像识别方法、装置、电子设备及存储介质，以实现对心肌桥图像的快速、有效识别。
第一方面，本发明实施例提供了一种图像识别方法，该方法包括：
获取待识别的心脏扫描数据，对待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；
将心脏分割掩膜数据、冠脉分割掩膜数据和外接扫描数据输入至预先训练的心肌桥识别模型中，得到心肌桥识别模型输出的初始识别结果；
对初始识别结果进行去假阳处理，得到目标识别结果。
第二方面，本发明实施例还提供了一种图像识别装置，该装置包括：
分割模块，用于获取待识别的心脏扫描数据，对待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；
输入模块，用于将心脏分割掩膜数据、冠脉分割掩膜数据和外接扫描数据输入至预先训练的心肌桥识别模型中，得到心肌桥识别模型输出的初始识别结果；
去假阳模块，用于对初始识别结果进行去假阳处理，得到目标识别结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的图像识别方法。
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，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的图像识别方法。
本发明实施例的技术方案，通过对获取的心脏扫描数据进行分割处理，得到与其对应的分割掩膜数据，并将分割掩膜数据输入至训练完成的心肌桥识别模型中，输出心肌桥的初步识别结果，进一步地，经过一些列去假阳处理后，得到最终的心肌桥识别结果，解决了现有技术中心肌桥识别率低、对人工经验依赖严重等问题，实现了快速有效确定心肌桥的具体情况，有效提高临床医生对医学影像中心肌桥图像的诊断效率的效果。
附图说明
图1为本发明实施例一所提供的一种图像识别方法的流程示意图；
图2为本发明实施例一所提供的一种初始识别结果的示例图；
图3为本发明实施例一所提供的一种应用场景下图像识别方法的流程示意图；
图4为本发明实施例二所提供的一种图像识别方法中心肌桥识别模型的训练方法的流程示意图；
图5为本发明实施例二所提供的一种应用场景下图像识别方法中心肌桥识别模型的训练方法的流程示意图；
图6为本发明实施例三所提供的一种图像识别装置的结构示意图；
图7为本发明实施例四所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。
以下对本文中涉及的部分用语进行说明，以便于本领域技术人员理解。
1、心肌桥(myocardialbridge，MB)：冠状动脉心肌桥是一种先天性的冠状动脉发育异常，在冠状动脉发育过程中，冠状动脉或其分支的某个节段可被浅层心肌覆盖，在心肌内走行，覆盖在冠状动脉上的心肌称为心肌桥。
2、冠脉(冠状动脉)：心脏的形状如一倒置的、前后略扁的圆锥体，如将其视为头部，则位于头顶部、几乎环绕心脏一周的冠状动脉恰似一顶王冠，这就是其名称由来。冠状动脉是供给心脏血液的动脉，起于主动脉根部主动脉窦内，分左右两支，行于心脏表面。
3、CT：CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、射线以及超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
实施例一
图1为本发明实施例一提供的一种图像识别方法的流程示意图，本实施例可适用于基于神经网络模型识别心肌桥图像的情况，该方法可以由本发明实施例中图像识别装置来执行，该布控装置可以由软件和/或硬件来实现，该布控装置可以配置在电子计算设备上，具体包括如下步骤：
步骤110、获取待识别的心脏扫描数据，对待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据。
其中，心脏扫描数据可以理解为对心脏进行扫描后得到的相关数据信息。示例性地，心脏扫描数据可以包括但不限于心脏CT图像。需要说明的是，待识别的心脏扫描数据可以是从医学影像设备中实时获取，也可以从影像数据库中获取，还可以是接收于外部设备的心脏扫描数据传输，本实施例对此不作限定。
其中，心脏分割掩膜数据可以理解为用于识别心脏扫描数据中心脏的位置以及轮廓的滤镜模板，可以通过遮挡心脏扫描数据中的其他部分，筛选出心脏扫描数据中的心脏部分；冠脉分割掩膜数据可以理解为用于识别心脏扫描数据中冠脉的位置以及轮廓的滤镜模块，可以通过遮挡心脏扫描数据中的其他部分，筛选出心脏扫描数据中的冠脉部分。
可选地，所述对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据，包括：对待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据；基于心脏分割掩膜数据确定心脏外界框，基于心脏外界框对待识别的心脏扫描数据进行切割处理，得到心脏对应的外接扫描数据。
其中，对待识别的心脏扫描数据进行分割处理可以理解为基于图像分割算法对心脏扫描数据进行分割。示例性地，可以通过传统的图像算法对心脏扫描数据进行分割，例如，区域生长算法或海森(Hessian)矩阵算法等，也可以通过机器学习或者深度学习等人工智能方法对心脏扫描数据进行分割，例如，基于深度学习的语义分割模型对心脏扫描数据进行分割。心脏外界框可以为用于表示最接近心脏外界部分的边框。可选的，心脏扫描数据可以是为二维数据或三维数据，相应的，心脏外界框可以是二维外界框或三维外界框。
具体地，获取待识别的心脏扫描数据后，对获取的心脏扫描数据分别进行心脏分割处理以及冠脉分割处理，从而得到心脏分割掩膜数据和冠脉分割掩膜数据，根据得到的心脏分割掩膜数据可以确定最接近心脏外界部分的边框，进而，通过获取的心脏外界框对心脏扫描数据进行切割，即可得到心脏对应的外接扫描数据，剔除心脏扫描数据中的背景数据，减少背景数据的干扰，以及减少背景数据导致的计算量。
步骤120、将心脏分割掩膜数据、冠脉分割掩膜数据和外接扫描数据输入至预先训练的心肌桥识别模型中，得到心肌桥识别模型输出的初始识别结果。
其中，预先训练的心肌桥识别模型可以理解为用于识别心脏扫描数据中心肌桥对应的区域图像数据的机器学习模型，在一些实施例中，心肌桥识别模型可以是神经网络模块，例如心肌桥识别模型可以是以由卷积神经网络、循环神经网络或者深度神经网络等网络结构中的至少一个构成，本实施例对心肌桥识别模型的具体结构不作限定。例如，心肌桥识别模型可以是采用带有残差模块的Unet神经网络(例如ResUNet网络模型)训练完成的。
需要说明的是，心肌桥识别模型输出的初始识别结果可以指心脏扫描数据中用于识别心肌桥的各种数据，其中，初始识别结果中还包括被心肌桥遮挡的血管数据。
具体地，对心脏扫描数据进行分割处理后，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据，并将得到的相关数据输入至提前训练完成的心肌桥识别模型中，可以识别出心脏扫描数据中心肌桥部分，得到初始心肌桥识别结果。
基于心肌桥遮挡冠脉血管的特性，本实施例中的初始识别结果为心肌桥识别模型识别出的冠脉中被心肌桥遮挡的血管部分，该血管部分可用于在心脏扫描数据中对应识别心肌桥。需要说明的是，初始识别结果为中间结果，初始识别结果中识别出的被心肌桥遮挡的血管部分存在假阳现象。
步骤130、对初始识别结果进行去假阳处理，得到目标识别结果。
需要说明的是，在将数据输入至心肌桥识别模型中，输出初始识别结果后，会出现将阴性样本检测为阳性样本的情况，此时将检测错误的样本称为假阳性样本。为了使心肌桥识别结果更加准确，则需要对初始识别结果进行去除假阳性数据的处理，以得到提高目标识别结果的准确性。
本实施例中，对初始识别结果进行假阳对象的识别，剔除初始识别结果中的假阳对象，其中，假阳对象包括非血管数据、噪声数据、血管末端数据中的一项或多项。其中，不同的假阳对象分别对应不同的识别规则，分别调用各识别规则对初始识别结果进行假阳对象的识别。可选的，不同的识别规则可以是并行调用，将各识别规则识别到的假阳对象的合集作为目标假阳对象，从初始识别结果中进行假阳剔除，提高去假阳处理的效率。可选的，不同的识别规则可以是串行调用，例如可以是依次识别非血管数据、噪声数据和血管末端数据，并在初始识别结果中剔除前一类型假阳对象的基础上，识别下一类型的假阳对象，减少后续识别的计算量和干扰数据。各识别规则的调用顺序可以不进行限定。
可选地，对初始识别结果进行去假阳处理，包括：将初始识别结果中的各血管数据与冠脉分割掩膜数据进行匹配，剔除初始识别结果中与冠脉分割掩膜数据匹配失败的血管数据。
本实施例中，通过识别被心肌桥遮挡的冠脉数据，以识别心脏扫描数据中的心肌桥，若初始识别结果中包括不属于冠脉的数据，即非血管数据，则确定为假阳对象。具体地，初始识别结果可以是识别掩膜图像，该识别掩膜图像中＝包括被识别出的血管区域设置，该血管区域设置为1，其他区域设置为0，该初始识别结果中的血管区域为冠脉分割掩膜数据中的部分数据。将初始识别结果与冠脉分割掩膜数据相匹配，将不在冠脉分割掩膜数据上的数据进行剔除，从而完成初始识别结果的预判断过程。
在上述实施例的基础上，对初始识别结果进行去假阳处理，还包括：确定初始识别结果中各血管数据对应的连通域，以及各连通域的尺寸；基于各连通域的尺寸，剔除初始识别结果中不满足预设尺寸阈值的血管数据。
其中，连通域可以理解为图像中相互连通的图像区域，在初始识别结果中，可以是通过各像素点的像素值确定连通域，将具有相同像素值且不间断的区域确定为连通域。连通域的尺寸可以为连通域的面积或者长度等。预设尺寸阈值可以理解为预先设置好的某个尺寸值或者是某个尺寸范围。需要说明的是，预设尺寸阈值可以是系统设定的，也可以是人工设定的，本实施例对比不作限定。
具体地，根据初始识别结果中各血管数据所表示的图像中的像素值以及像素点的位置，可以确定与血管数据对应的各连通域的位置以及尺寸信息，例如可以是基于连通域中像素点的数量确定尺寸信息。将已确定的各连通域的尺寸与预设尺寸阈值进行比较，剔除不满足预设尺寸阈值的连通域。例如可以是将小于预设尺寸阈值的连通域确定为假阳对象，即噪声数据。
在上述实施例的基础上，对初始识别结果进行去假阳处理，还包括：对于初始识别结果中的各血管数据，确定血管数据是否包括血管末端，在初始识别结果中剔除血管末端所在范围对应的血管数据。
需要说明的是，血管末端与心脏连通，必然会被心肌埋住，因此，血管末端并不属于心肌桥的一部分，属于假阳对象。
可选地，确定血管数据是否包括血管末端，包括：提取各血管数据的单像素线条，基于预设滑块窗口在单像素线条上进行滑动，基于预设滑块窗口内像素数量确定预设滑块窗口所在位置是否为血管末端。
其中，提取各血管数据的单像素线条可以理解为提取各血管数据中的中线，在各血管数据由多像素管状结构提取单像素线条，在一些实施例中，可以是通过骨架提取算法实现。预设滑块窗口可以理解为预先设置的，可以在扫描数据上进行滑动的一定尺寸的矩形框，在一些实施例中预设滑块窗口可以是5×5或9×9的滑动窗口。需要说明的是，滑块窗口的大小可以是系统设定的，也可以是人工设定的，本实施例对此不作限定。
示例性地，参见图2，图2为本发明实施例提供的一种初始识别结果的示例图，其中，图2中左侧图为初始识别结果示意图，右侧图为初始识别结果对应的提取单像素线条的示意图。图2左侧图中白色区域为各血管数据所形成的连通域，右侧图中各连通域中的单像素线条为各血管数据的中线。各血管数据的血管末端的确定可以通过提取各血管数据中的中线，将滑块窗口在中线上进行滑动，当滑块窗口内的像素点的个数小于某一阈值时，则可以认为滑块窗口所在位置为血管末端。例如，对于中线的提取，可以通过获取各血管数据的中心点坐标，使用烈火模拟法或最大内接球等方法，以该中心点坐标为起点进行三维空间内的26邻域分析，得到该血管数据的中心线；中线提取完成后，各血管数据就由多像素管状结构变成单像素线条，将预先设置的滑块窗口在单像素线条上滑动，当滑块窗口中有3个以上的像素点时，则认为此处不是血管末端；如果滑块窗口中只有2个像素点，则认为此处即为血管末端。
具体地，在确定各血管数据的血管末端后，进一步可以血管末端及其附近内的所有血管数据均划分为血管末端的所在范围，比较初始识别结果中的各血管数据是否在血管末端所在范围，将在血管末端所在范围对应的血管数据剔除。需要说明的是，血管末端附近的血管数据与血管末端之间的距离可以是系统设定的，也可以是人工设置的，本实施例对此不作限定。
具体地，将初始识别结果进行去假阳处理后，即可得到目标识别结果，从而可以根据目标识别结果判断心肌桥的具体情况。其中，目标识别结果包括心肌桥的识别标签，或者，目标识别结果包括心肌桥识别图像，心肌桥识别图像中包括被心肌桥遮挡的血管数据对应的感兴趣区域，感兴趣区域区别显示。
需要说明的是，当目标识别结果为心肌桥的识别标签时，说明经过心肌桥识别模型输出得到的识别结果为带有心肌桥标识的心肌桥标签数据，可以根据得到的心肌桥标签数据确定心脏扫描数据中心肌桥的具体情况；当目标识别结果为心肌桥识别图像时，说明经过心肌桥识别模型输出得到的识别结果可以直接显示心肌桥的具体情况，并且心肌桥识别图像中还包括被心肌桥遮挡的血管数据对应的感兴趣区域，由于心肌桥识别图像中除感兴趣区域外还包括其他图像信息，因此需要将感兴趣区域区别显示，其中，将感兴趣区域区别显示可以理解为将心肌桥识别图像中感兴趣区域的像素点设置为1，其他区域的像素点设置为0，即可确定心肌桥识别图像中被心肌桥遮挡的血管数据对应的感兴趣区域的轮廓以及具体位置。
为了清楚的介绍本实施例的具体实施方式，可以以具体的例子来说明，例如，首先，获取心脏扫描数据，对心脏扫描数据进行分割处理，得到心脏分割掩膜和冠脉分割掩膜；然后，根据心脏分割掩膜和冠脉分割掩膜，获取心脏最小外界框，通过已获取的心脏最小外界框对心脏扫描数据进行切割，得到心脏对应的最小外接数据；之后，将心脏分割掩膜、冠脉分割掩膜和心脏对应的最小外接数据输入到训练好的心肌桥识别模型中，由模型输出心肌桥的初始识别结果；接着，对初始识别结果进行去假阳处理，首先，判断初始识别结果中的各血管数据是否为冠脉血管，剔除不在冠脉血管上的血管数据；其次，按阈值剔除可能的假阳数据，计算初始识别结果中存在的各个连通域的大小，剔除小于某一阈值的连通域；最后，剔除血管末端的假阳数据；最终，得到心肌桥识别结果。
上述例子的具体实施过程可以参见如图3所示的流程示意图。
本发明实施例的技术方案，通过对获取的心脏扫描数据进行分割处理，得到与其对应的分割掩膜数据，并将分割掩膜数据输入至训练完成的心肌桥识别模型中，输出心肌桥的初步识别结果，进一步地，经过一系列去假阳处理后，得到最终的心肌桥识别结果，解决了现有技术中心肌桥识别率低、对人工经验依赖严重等问题，实现了快速有效确定心肌桥的具体情况，有效提高临床医生对医学影像中心肌桥图像的诊断效率的效果。
实施例二
图4为本发明实施例二所提供的一种图像识别方法中心肌桥识别模型的训练方法的流程示意图。在上述技术方案的基础上，可选地，
如图4所示，本实施例的方法具体包括如下步骤：
步骤210、获取初始扫描图像，对初始扫描图像进行分割处理，得到样本输入数据。
其中，样本输入数据包括初始扫描图像的心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据。
其中，初始扫描图像可以是用于模型训练的任意模态的数字图像，例如，磁共振成像(Magnetic Resonance Imaging,MR)图像、CT图像、正电子发射型计算机断层成像(Positron Emission Computed Tomography,PET)图像等，本实施例对此不作限定。另外，初始扫描图像可以是二维图像，也可以是三维图像等。需要说明的是，计算机设备可以通过与其连接的扫描设备对待检测对象任意身体部位进行扫描，得到初始扫描图像，也可以是从预先存储有初始扫描图像的服务器、数据库或者云端等获得该初始扫描图像，当然也可以是其他获取方式，本实施例对初始扫描图像的获取方式不作任何限定。
具体地，在获取初始扫描图像后，可以根据图像分割算法对初始扫描图像分别进行心脏分割以及冠脉分割处理，从而得到心脏分割掩膜数据和冠脉分割掩膜数据，进一步地，根据心脏分割掩膜数据确定最接近心脏外界部分的外界框，并基于心脏外界框确定心脏对应的外接扫描数据，最终，通过对初始扫描图像进行分割处理后，得到用于模型训练的样本输入数据。
在一些实施例中，在获取初始扫描图像后，还可以是对初始扫描图像进行数据增强，以提高训练数据的多样化，降低过拟合风险，提高心肌桥识别模型的泛化性。可选的，对初始扫描图像进行数据增强处理可以包括如下的至少一项：图像翻转、剪裁、灰度变化、对比度变化、颜色变化。
步骤220、对样本输入数据进行随机亮度调节，得到调节后的样本输入数据。
本实施例中，初始扫描图像可以是不同用户的历史扫描数据，该初始扫描图像可以是包括诸如病灶等感兴趣区域的扫描图像或者正常的扫描图像，例如感兴趣区域可以是钙化血管等，为了降低上述感兴趣区域对心肌桥识别模型训练过程造成的干扰，对初始扫描图像形成的样本输入数据进行随机亮度调节，提高样本输入数据的泛化性。其中，随机亮度调节具有调节的随机性以及调节方式的随机性，其中，调节的随机性表明对样本输入数据是否进行亮度调剂是随机的，调节方式的随机性表明对样本输入数据进行亮度调节的方式是随机的，例如，亮度调节的方式可以是调亮或调暗。
可选地，对样本输入数据进行随机亮度调节，包括：生成一随机数，在随机数满足预设阈值时，对样本输入数据进行预设范围内的随机亮度调节。
其中，随机数可以理解为专门的随机试验的结果。随机数可以通过随机数生成器产生，也可以通过其他随机数生成方式产生等。预设阈值可以是预先设置的一个数值范围，例如，3-6、5-7或者9-12等，也可以是预先设置的某个特定的自然数。本实施例中，随机数可以是0-1范围内的随机数，相应的，预设阈值为是0-1范围内的一特定数，例如，可以是60％等。需要说明的是，预设阈值的设定可以是系统默认的，也可以是人工设定等。
具体地，当检测到生成的随机数与满足预设阈值条件(例如大于或等于预设阈值)时，应用图像学原理对样本输入数据所表示的图像进行一定范围内的随机亮度调节。
其中，随机亮度调节的参数包括随机调节比例，或者，随机亮度调节的参数包括随机调节比例和样本输入数据中的随机调节对象。
可选地，随机亮度调节的参数包括随机调节比例，该随机调节比例满足预设的调节范围。
具体地，当生成的随机数满足预设的阈值时，则会对样本输入数据表示的图像的亮度根据随机调节比例进行一定范围内的调整。其中，随机调节比例可以理解为对样本输入数据根据预先生成的随机比例将图像的亮度做一定范围内的调亮或调暗。
需要说明的是，随机亮度调节可以包括对心脏分割掩膜数据、冠脉分割掩膜数据以及心脏对应的外接扫描数据均根据相同的调节比例进行一定范围内的调整，也可以是分别对心脏分割掩膜数据、冠脉分割掩膜数据以及心脏对应的外接扫描数据中的一项或多项根据不同的调节比例进行调整，本实施例对此不作限定。
例如，预设的阈值为4-7中的任一自然数，生成的随机数可以为5，满足预设的阈值范围，通过随机数生成方法在预设的调节范围内生成随机调节比例，例如预设的调节范围可以是(0.8，1.2)，相应的，随机调节比例可以是为0.9，进而根据调节比例将心脏分割掩膜数据、冠脉分割掩膜数据以及心脏对应的外接扫描数据中的一项或多项中的像素值调节为原像素的0.9倍。
可选地，随机亮度调节的参数包括随机调节比例和样本输入数据中的随机调节对象。可选的，随机调节对象可以是样本输入数据中的心脏分割掩膜数据、冠脉分割掩膜数据以及心脏对应的外接扫描数据，可选的，随机调节对象可以是还可以是心脏分割掩膜数据、冠脉分割掩膜数据以及心脏对应的外接扫描数据任一项中的任意区域，例如，随机调节对象可以是上述任一样本输入数据的局部数据，或者任意组织区域，例如冠脉分割掩膜数据的部分血管数据等，其中随机调节对象可以是在样本输入数据中随机确定的。
具体地，当生成的随机数满足预设的阈值时，则会对样本输入数据中的某一随机调节对象根据生成的随机调节比例进行一定范围内的亮度调整。
需要说明的是，对样本输入数据进行随机亮度调节时，可以是对样本输入数据中的所有调节对象均根据随机调节比例进行一定范围内的亮度调整，也可以是仅对样本输入数据中的某一随机调节对象根据随机调节比例进行一定范围内的亮度调整，本实施例对此不作限定。
例如，预设阈值为3-6中的任一自然数，生成的随机数为4，满足预设的阈值范围，将冠脉分割掩膜数据中的部分血管作为随机调节对象，生成的随机调节比例为1.14，则将冠脉分割掩膜数据中的部分血管的亮度调亮为原来的1.14倍。
具体地，获取样本输入数据，并对样本输入数据进行随机亮度调节后，得到调节后的样本输入数据，从而可以使用于训练模型的样本输入数据消除其他因素的干扰，更好地完成模型的训练过程。
在一些实施例中，心脏分割掩膜数据、冠脉分割掩膜数据以及心脏对应的外接扫描数据可以是分别通过不同的随机数条件进行随机亮度调节。示例性的，如果随机数满足某一条件，会利用图形学操作对心脏对应的外接扫描数据的亮度做一定范围内的调亮或调暗，并且，对心脏分割掩膜数据和冠脉分割掩膜数据进行类似的处理时，采用两次随机数判断，当两次随机数都满足其对应条件时，则会对心脏分割掩膜数据和冠脉分割掩膜数据都进行整体亮度的调整，如果任一随机数(例如第二随机数)不满足其对应条件，则仅会对冠脉分割掩膜数据中的部分血管数据进行亮度调整。
步骤230、将调节后的样本输入数据输入至待训练的心肌桥识别模型中，得到初始训练结果，基于初始扫描图像的预设标签数据和初始训练结果生成的损失函数对心肌桥识别模型进行参数调节。
其中，待训练的心肌桥识别模型可以是还未训练完成的，用于识别心肌桥的神经网络模型。初始训练结果可以指将样本输入数据输入至心肌桥识别模型后，得到的用于表示心肌桥识别情况的初始输出数据。
其中，初始扫描图像的预设标签数据可以理解为预先标注好的心肌桥标识数据。一般来说，初始扫描图像可以是预先知道图像中是否有心肌桥的扫描图像，因此，在对初始扫描图像进行分割处理之前，先将图像中用于识别心肌桥的图像数据标识出来，作为初始扫描图像中的预设标签数据。需要说明的是，虽然心肌桥指的是心脏某处的心肌异常，但这种异常是由于冠脉血管与心肌相互交错形成，所以，只要找到了被心肌桥包裹住的冠脉血管，即可视为找到了心肌桥，因此，本实施例中采用标识心肌桥里面的冠脉血管来代替心肌桥，作为初始扫描图像中的预设标签数据。
具体地，将调节后的样本输入数据输入至待训练的心肌桥识别模型中，输出初始训练结果，将初始训练结果与初始扫描图像的预设标签数据进行比对，两者之间会存在差异，获取两者之间的损失结果，生成损失函数，基于损失函数调整心肌桥识别模型的参数，从而减少心肌桥识别模型的识别误差，调高心肌桥识别模型的识别能力。其中，损失函数可以为交叉熵损失函数、均方差损失函数或者合页损失函数等，本实施例对此不作限定。
步骤240、判断心肌识别模型是否满足训练结束条件，如果满足，则执行步骤250；如果不满足，则重新执行步骤210。
其中，训练结束条件可以理解为训练结果与初始扫描图像的预设标签数据之间的损失结果在预设的范围内，即可继续执行后续操作。
具体地，将样本输入数据输入至待训练的心肌桥识别模型后，输出初始训练结果，将初始训练结果与初始扫描图像的预设标签数据进行比对，判断两者之间的损失结果是否在预设的范围内，进而根据判断结果，继续执行后续操作。
步骤250、结束训练，得到训练好的心肌桥识别模型。
具体地，当心肌桥识别模型输出的识别结果与初始扫描图像的预设标签数据之间的损失结果在预设的范围内时，即可结束训练，得到训练好的心肌桥识别模型，以使用户可以应用心肌桥识别模型实现复杂情况下心肌桥的诊断过程。
为了清楚的介绍本实施例的具体实施方式，可以以具体的例子来说明，例如，首先，获取心脏扫描数据，对心脏扫描数据进行分割处理，得到心脏分割掩膜和冠脉分割掩膜；然后，根据心脏分割掩膜和冠脉分割掩膜，获取心脏最小外界框，通过已获取的心脏最小外界框对心脏扫描数据进行切割，得到心脏对应的最小外接数据；将心脏分割掩膜、冠脉分割掩膜和心脏对应的最小外接数据作为输入数据，并与标注好的心肌桥标签数据一同作为心肌桥识别模型的训练数据；接着，为了让训练数据多样化，降低过拟合风险，对训练数据进行数据加强，生成新的训练集数据；将训练集数据输入到待训练的心肌桥识别模型中，进行模型训练，直至满足训练结束条件，得到训练好的心肌桥识别模型。
上述例子的具体实施过程可以参见如图5所示的流程示意图。
本发明实施例的技术方案，通过获取初始扫描图像经过分割处理后得到的样本输入数据，并对样本输入数据进行随机亮度调节后，输入至待训练的心肌桥识别模型中，得到初始识别结果后，根据初始识别结果与预设标签数据之间的损失函数调节心肌桥识别模型的参数，直至满足训练结束条件，得到训练好的心肌桥识别网络模型，解决了人工对医学影像中心肌桥识别率低，且诊断效果不准确的问题，实现了快速有效确定心肌桥的具体情况，有效提高临床医生对医学影像中心肌桥图像的诊断效率的效果。
实施例三
图6为本发明实施例三所提供的一种图像识别装置的结构示意图，该装置包括：分割模块310、输入模块320和去假阳模块330。
其中，分割模块310，用于获取待识别的心脏扫描数据，对待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；输入模块320，用于将心脏分割掩膜数据、冠脉分割掩膜数据和外接扫描数据输入至预先训练的心肌桥识别模型中，得到心肌桥识别模型输出的初始识别结果；去假阳模块330，用于对初始识别结果进行去假阳处理，得到目标识别结果。
本发明实施例的技术方案，通过对获取的心脏扫描数据进行分割处理，得到与其对应的分割掩膜数据，并将分割掩膜数据输入至训练完成的心肌桥识别模型中，输出心肌桥的初步识别结果，进一步地，经过一些列去假阳处理后，得到最终的心肌桥识别结果，解决了现有技术中心肌桥识别率低、对人工经验依赖严重等问题，实现了快速有效确定心肌桥的具体情况，有效提高临床医生对医学影像中心肌桥图像的诊断效率的效果。
可选地，所述初始识别结果中包括被心肌桥遮挡的血管数据；
所述去假阳模块330，还用于将初始识别结果中的各血管数据与冠脉分割掩膜数据进行匹配，剔除初始识别结果中与冠脉分割掩膜数据匹配失败的血管数据。
可选地，所述去假阳模块330，还用于确定初始识别结果中各血管数据对应的连通域，以及各连通域的尺寸；基于各连通域的尺寸，剔除初始识别结果中不满足预设尺寸阈值的血管数据。
可选地，所述去假阳模块330，还用于对于初始识别结果中的各血管数据，确定血管数据是否包括血管末端，在初始识别结果中剔除血管末端所在范围对应的血管数据。
可选地，所述装置还包括：末端确定模块，用于提取各血管数据的单像素线条，基于预设滑块窗口在单像素线条上进行滑动，基于预设滑块窗口内像素数量确定预设滑块窗口所在位置是否为血管末端。
可选地，所述目标识别结果包括心肌桥的识别标签，或者，所述目标识别结果包括心肌桥识别图像，心肌桥识别图像中包括被心肌桥遮挡的血管数据对应的感兴趣区域，感兴趣区域区别显示。
可选地，所述分割模块310，还用于对待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据；基于心脏分割掩膜数据确定心脏外界框，基于心脏外界框对待识别的心脏扫描数据进行切割处理，得到心脏对应的外接扫描数据。
可选地，所述装置还包括：模型训练模块，用于对心肌桥识别模型迭代执行如下训练步骤，直到满足训练结束条件，得到训练好的心肌桥识别模型：获取初始扫描图像，对初始扫描图像进行分割处理，得到样本输入数据，其中，样本输入数据包括所述初始扫描图像的心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；对样本输入数据进行随机亮度调节，得到调节后的样本输入数据；将调节后的样本输入数据输入至待训练的心肌桥识别模型中，得到初始训练结果，基于初始扫描图像的预设标签数据和初始训练结果生成的损失函数对心肌桥识别模型进行参数调节。
可选地，所述装置还包括：调节模块，用于生成一随机数，在随机数满足预设阈值时，对样本输入数据进行预设范围内的随机亮度调节，其中，随机亮度调节的参数包括随机调节比例，或者，所随机亮度调节的参数包括随机调节比例和样本输入数据中的随机调节对象。
上述图像识别装置可执行本发明任意实施例所提供的图像识别方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述图像识别装置所包括的各个单元和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实施例的保护范围。
实施例四
图7为本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图7显示的电子设备40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7所示，电子设备40以通用计算设备的形式表现。电子设备40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401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403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40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40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402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)404和/或高速缓存存储器405。电子设备40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406可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7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403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)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(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407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407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40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40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411进行。并且，电子设备40还可以通过网络适配器412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412通过总线403与电子设备40的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备40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401通过运行存储在系统存储器402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图像识别方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像识别方法，该方法包括：
获取待识别的心脏扫描数据，对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；
将所述心脏分割掩膜数据、所述冠脉分割掩膜数据和所述外接扫描数据输入至预先训练的心肌桥识别模型中，得到所述心肌桥识别模型输出的初始识别结果；
对所述初始识别结果进行去假阳处理，得到目标识别结果。
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、装置或器件，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、装置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基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。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、装置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实施例操作的计算机程序代码，所述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)。
注意，所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 (12)

1.一种图像识别方法，其特征在于，包括：
获取待识别的心脏扫描数据，对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；
将所述心脏分割掩膜数据、所述冠脉分割掩膜数据和所述外接扫描数据输入至预先训练的心肌桥识别模型中，得到所述心肌桥识别模型输出的初始识别结果；
对所述初始识别结果进行去假阳处理，得到目标识别结果。
2.根据权利要求1所述的方法，其特征在于，所述初始识别结果中包括被心肌桥遮挡的血管数据；
所述对所述初始识别结果进行去假阳处理，包括：
将所述初始识别结果中的各血管数据与所述冠脉分割掩膜数据进行匹配，剔除所述初始识别结果中与所述冠脉分割掩膜数据匹配失败的血管数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始识别结果进行去假阳处理，包括：
确定所述初始识别结果中各血管数据对应的连通域，以及各连通域的尺寸；
基于各连通域的尺寸，剔除所述初始识别结果中不满足预设尺寸阈值的血管数据。
4.根据权利要求2所述的方法，其特征在于，所述对所述初始识别结果进行去假阳处理，包括：
对于所述初始识别结果中的各血管数据，确定所述血管数据是否包括血管末端，在所述初始识别结果中剔除所述血管末端所在范围对应的血管数据。
5.根据权利要求4所述的方法，其特征在于，所述确定所述血管数据是否包括血管末端，包括：
提取各血管数据的单像素线条，基于预设滑块窗口在所述单像素线条上进行滑动，基于所述预设滑块窗口内像素数量确定所述预设滑块窗口所在位置是否为血管末端。
6.根据权利要求1所述的方法，其特征在于，所述目标识别结果包括心肌桥的识别标签，或者，所述目标识别结果包括心肌桥识别图像，所述心肌桥识别图像中包括被心肌桥遮挡的血管数据对应的感兴趣区域，所述感兴趣区域区别显示。
7.根据权利要求1所述的方法，其特征在于，所述对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据，包括：
对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据；
基于所述心脏分割掩膜数据确定心脏外界框，基于所述心脏外界框对所述待识别的心脏扫描数据进行切割处理，得到心脏对应的外接扫描数据。
8.根据权利要求1所述的方法，其特征在于，所述心肌桥识别模型的训练方法包括：
对心肌桥识别模型迭代执行如下训练步骤，直到满足训练结束条件，得到训练好的心肌桥识别模型：
获取初始扫描图像，对所述初始扫描图像进行分割处理，得到样本输入数据，其中，所述样本输入数据包括所述初始扫描图像的心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；
对所述样本输入数据进行随机亮度调节，得到调节后的样本输入数据；
将所述调节后的样本输入数据输入至待训练的心肌桥识别模型中，得到初始训练结果，基于所述初始扫描图像的预设标签数据和所述初始训练结果生成的损失函数对所述心肌桥识别模型进行参数调节。
9.根据权利要求8所述的方法，其特征在于，所述对所述样本输入数据进行随机亮度调节，包括：
生成一随机数，在随机数满足预设阈值时，对样本输入数据进行预设范围内的随机亮度调节，其中，所述随机亮度调节的参数包括随机调节比例，或者，所述随机亮度调节的参数包括随机调节比例和样本输入数据中的随机调节对象。
10.一种图像识别装置，其特征在于，包括：
分割模块，用于获取待识别的心脏扫描数据，对所述待识别的心脏扫描数据进行分割处理，得到心脏分割掩膜数据、冠脉分割掩膜数据和心脏对应的外接扫描数据；
输入模块，用于将所述心脏分割掩膜数据、所述冠脉分割掩膜数据和所述外接扫描数据输入至预先训练的心肌桥识别模型中，得到所述心肌桥识别模型输出的初始识别结果；
去假阳模块，用于对所述初始识别结果进行去假阳处理，得到目标识别结果。
11.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的图像识别方法。
12.一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用于执行如权利要求1-9中任一所述的图像识别方法。
CN202111243171.3A 2021-10-25 2021-10-25 一种图像识别方法、装置、电子设备及存储介质 Active CN113889238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111243171.3A CN113889238B (zh) 2021-10-25 2021-10-25 一种图像识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111243171.3A CN113889238B (zh) 2021-10-25 2021-10-25 一种图像识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113889238A true CN113889238A (zh) 2022-01-04
CN113889238B CN113889238B (zh) 2022-07-12

Family

ID=79014104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111243171.3A Active CN113889238B (zh) 2021-10-25 2021-10-25 一种图像识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113889238B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972242A (zh) * 2022-05-23 2022-08-30 北京医准智能科技有限公司 心肌桥检测模型的训练方法、装置及电子设备
CN118000908A (zh) * 2024-04-09 2024-05-10 北京天智航医疗科技股份有限公司 全膝关节置换规划方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010115317A (ja) * 2008-11-12 2010-05-27 Toshiba Corp 画像処理装置
CN102800087A (zh) * 2012-06-28 2012-11-28 华中科技大学 超声颈动脉血管膜的自动分割方法
US8958623B1 (en) * 2014-04-29 2015-02-17 Heartflow, Inc. Systems and methods for correction of artificial deformation in anatomic modeling
US20160292383A1 (en) * 2014-08-29 2016-10-06 Heartflow, Inc. Systems and methods for automatically determining myocardial bridging and patient impact
CN112734652A (zh) * 2020-12-22 2021-04-30 同济大学 一种基于双目视觉的近红外血管图像投影校正方法
CN113012114A (zh) * 2021-03-02 2021-06-22 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113139959A (zh) * 2021-05-17 2021-07-20 北京安德医智科技有限公司 获得心肌桥图像的方法及装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010115317A (ja) * 2008-11-12 2010-05-27 Toshiba Corp 画像処理装置
CN102800087A (zh) * 2012-06-28 2012-11-28 华中科技大学 超声颈动脉血管膜的自动分割方法
US8958623B1 (en) * 2014-04-29 2015-02-17 Heartflow, Inc. Systems and methods for correction of artificial deformation in anatomic modeling
US20160292383A1 (en) * 2014-08-29 2016-10-06 Heartflow, Inc. Systems and methods for automatically determining myocardial bridging and patient impact
CN112734652A (zh) * 2020-12-22 2021-04-30 同济大学 一种基于双目视觉的近红外血管图像投影校正方法
CN113012114A (zh) * 2021-03-02 2021-06-22 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113139959A (zh) * 2021-05-17 2021-07-20 北京安德医智科技有限公司 获得心肌桥图像的方法及装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972242A (zh) * 2022-05-23 2022-08-30 北京医准智能科技有限公司 心肌桥检测模型的训练方法、装置及电子设备
CN118000908A (zh) * 2024-04-09 2024-05-10 北京天智航医疗科技股份有限公司 全膝关节置换规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113889238B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
US10970842B2 (en) Method and device for identifying pathological picture
CN111161275B (zh) 医学图像中目标对象的分割方法、装置和电子设备
Nasr-Esfahani et al. Vessel extraction in X-ray angiograms using deep learning
Fan et al. Multichannel fully convolutional network for coronary artery segmentation in X-ray angiograms
CN111145173B (zh) 一种冠脉造影图像的斑块识别方法、装置、设备及介质
CN113889238B (zh) 一种图像识别方法、装置、电子设备及存储介质
CN110458830A (zh) 图像处理方法、装置、服务器及存储介质
CN111899244B (zh) 图像分割、网络模型的训练方法及装置，及电子设备
US11972571B2 (en) Method for image segmentation, method for training image segmentation model
US20220366679A1 (en) Methods and systems for training learning network for medical image analysis
CN110110723B (zh) 一种图像中目标区域自动提取的方法及装置
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
CN112418299B (zh) 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置
CN115631194B (zh) 颅内动脉瘤识别检测的方法、装置、设备及介质
CN111429457A (zh) 图像局部区域亮度智能评价方法、装置、设备及介质
CN116664592A (zh) 基于图像的动静脉血管分离方法、装置、电子设备及介质
CN114340496A (zh) 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置
WO2023139086A1 (en) Analysing liver lesions in medical images
CN113393445B (zh) 乳腺癌影像确定方法及系统
CN111798468B (zh) 图像处理方法及装置、存储介质及电子终端
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
JP5954846B2 (ja) 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置
CN115222665B (zh) 一种斑块检测方法、装置、电子设备及可读存储介质
TWI790179B (zh) 心導管影像辨識及評估方法
CN117809122B (zh) 一种颅内大血管图像的处理方法、系统、电子设备及介质

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