CN114119455B - 一种基于目标检测网络定位血管狭窄部位的方法和装置 - Google Patents
一种基于目标检测网络定位血管狭窄部位的方法和装置 Download PDFInfo
- Publication number
- CN114119455B CN114119455B CN202111032817.3A CN202111032817A CN114119455B CN 114119455 B CN114119455 B CN 114119455B CN 202111032817 A CN202111032817 A CN 202111032817A CN 114119455 B CN114119455 B CN 114119455B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- gray scale
- gray
- pixel
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 56
- 206010057469 Vascular stenosis Diseases 0.000 title claims abstract description 46
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003491 array Methods 0.000 claims abstract description 21
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 13
- 230000036262 stenosis Effects 0.000 claims abstract description 13
- 208000037804 stenosis Diseases 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007493 shaping process Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000002583 angiography Methods 0.000 claims description 6
- 238000002586 coronary angiography Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims 1
- 238000012790 confirmation Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000003550 marker Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- 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
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及一种基于目标检测网络定位血管狭窄部位的方法和装置，所述方法包括：对YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；对YOLOv3目标检测网络进行训练；获取第一造影图像；对第一造影图像进行灰度图转换处理生成第一灰度图；对第一灰度图进行图像整形生成第二灰度图；使用YOLOv3目标检测网络对第二灰度图进行目标检测处理得到多个第一目标识别框数组；对多个第一目标识别框数组进行冗余目标框数组筛查处理；根据剩余的第一目标识别框数组，在第一造影图像上进行血管狭窄部位标记处理并显示。通过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，特别涉及一种基于目标检测网络定位血管狭窄部位的方法和装置。
背景技术
冠状动脉性心脏病(coronary artery heart disease,CHD)简称冠心病，是一种常见的心脏病，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。具有此类特征的冠脉造影图中血管会带有狭窄部位。常规情况下，上述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。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种基于目标检测网络定位血管狭窄部位的方法、装置、电子设备及计算机可读存储介质，基于YOLOv3目标检测网络来确认造影图像中的血管狭窄部位。通过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目标检测网络定位血管狭窄部位的方法，所述方法包括：
对用于检测血管狭窄部位的YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；所述模型输入图像尺寸为方形尺寸M×M，M>0；所述目标类别序列至少包括狭窄血管目标类别，所述目标类别序列的目标类别数量为N，N>0；
使用预设的训练数据集对所述YOLOv3目标检测网络进行训练；
获取冠脉造影图像数据生成第一造影图像；
对所述第一造影图像进行灰度图转换处理生成第一灰度图；
按所述模型输入图像尺寸M×M，对所述第一灰度图进行图像整形生成对应的第二灰度图；
使用所述YOLOv3目标检测网络，对所述第二灰度图进行目标检测处理得到多个第一目标识别框数组；
根据所述狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对所述多个第一目标识别框数组进行冗余目标框数组筛查处理；
根据剩余的第一目标识别框数组，在所述第一造影图像上进行血管狭窄部位标记处理并显示。
优选的，所述第一目标识别框数组包括第一目标中心点坐标(x，y)、第一识别框宽度w、第一识别框高度h和N个第一识别框置信度c；每个所述第一识别框置信度c对应一个所述目标类别序列中的目标类别；x为列相对位移坐标，y为行相对位移坐标。
优选的，所述对所述第一造影图像进行灰度图转换处理生成第一灰度图，具体包括：
对所述第一造影图像的像素值类型进行识别；
若所述像素值类型为灰度值类型，则复制所述第一造影图像生成所述第一灰度图；
若所述像素值类型为RGB值类型，则按所述第一造影图像的尺寸初始化所述第一灰度图；并根据所述第一造影图像中像素点的RGB像素值，按预设的灰度图转换模式对所述第一灰度图中对应像素点的像素值进行设置。
进一步的，所述根据所述第一造影图像中像素点的RGB像素值，按预设的灰度图转换模式对所述第一灰度图中对应像素点的像素值进行设置，具体包括：
对所述第一造影图像中的像素点进行轮询，并将当前被轮询的像素点记为当前造影图像素点，并将所述第一灰度图中与所述当前造影图像素点对应的像素点记为当前灰度图像素点；
从所述当前造影图像素点的RGB像素值中提取出红色通道数值R、绿色通道数值G和蓝色通道数值B；
对所述灰度图转换模式进行识别；
若所述灰度图转换模式为第一模式，则设置所述当前灰度图像素点的像素值为R*0.3+G*0.59+B*0.11；
若所述灰度图转换模式为第二模式，则设置所述当前灰度图像素点的像素值为(R+G+B)/3；
若所述灰度图转换模式为第三模式，则根据预设的颜色通道对所述当前灰度图像素点的像素值进行设置；当所述颜色通道为红色通道时设置所述当前灰度图像素点的像素值为所述红色通道数值R；当所述颜色通道为绿色通道时设置所述当前灰度图像素点的像素值为所述绿色通道数值G；当所述颜色通道为蓝色通道时设置所述当前灰度图像素点的像素值为所述蓝色通道数值B。
优选的，所述按所述模型输入图像尺寸M×M，对所述第一灰度图进行图像整形生成对应的第二灰度图，具体包括：
对所述第一灰度图是否为正方形图像进行判断；
若所述第一灰度图为正方形图像，则对所述第一灰度图的尺寸是否超过所述模型输入图像尺寸M×M进行判断；若超过，则按所述模型输入图像尺寸M×M对所述第一灰度图进行裁剪，得到所述第二灰度图；若未超过，则按所述模型输入图像尺寸M×M对所述第一灰度图进行扩展，并将扩展部分像素点的像素值设为统一的扩展像素值，从而得到所述第二灰度图；
若所述第一灰度图为非正方形图像，则将所述第一灰度图的行数I和列数J中的偏小值作为第一短边尺寸S，偏大值作为第一长边尺寸L；并对所述第一短边尺寸S是否大于M进行判断；
若所述第一短边尺寸S大于M，则按所述模型输入图像尺寸M×M对所述第一灰度图进行裁剪，得到所述第二灰度图；
若所述第一短边尺寸S小于或等于M，则对所述第一长边尺寸L是否小于或等于M进行判断；若所述第一长边尺寸L小于或等于M，则按所述模型输入图像尺寸M×M对所述第一灰度图进行扩展，并将扩展部分像素点的像素值设为所述扩展像素值，从而得到所述第二灰度图；若所述第一长边尺寸L大于M，则将所述第一灰度图的短边尺寸从所述第一短边尺寸S扩张到M，并将所述第一灰度图的长边尺寸从所述第一长边尺寸L裁剪到M，并将扩展部分像素点的像素值设为所述扩展像素值，从而得到所述第二灰度图。
优选的，所述根据所述狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对所述多个第一目标识别框数组进行冗余目标框数组筛查处理，具体包括：
从每个所述第一目标识别框数组的N个所述第一识别框置信度c中提取出最大值作为对应的第一识别框最大置信度c’，并将与所述第一识别框最大置信度c’对应的目标类别作为第一最大置信度类别；
将所述第一最大置信度类别不为所述狭窄血管目标类别的所述第一目标识别框数组作为冗余目标框数组删除；
再将剩下的所述第一识别框最大置信度c’低于所述狭窄血管目标置信度阈值的所述第一目标识别框数组作为冗余目标框数组删除。
进一步的，所述根据剩余的第一目标识别框数组，在所述第一造影图像上进行血管狭窄部位标记处理并显示，具体包括：
按所述第二灰度图与所述第一造影图像的坐标对应关系，对所述剩余的第一目标识别框数组的所述第一目标中心点坐标(x，y)在所述第一造影图像上的对应坐标进行计算得到对应的第二目标中心点坐标(x’，y’)；
在所述第一造影图像上，将所述第二目标中心点坐标(x’，y’)对应的位置标记为血管狭窄部位并显示；
在所述第一造影图像上，以所述血管狭窄部位为矩形图形的中心参数，以对应的所述剩余的第一目标识别框数组的所述第一识别框宽度w为矩形图形的宽度参数，以对应的所述剩余的第一目标识别框数组的所述第一识别框高度h为矩形图形的高度参数，在所述第一造影图像上绘制对应的矩形图形，得到第一矩形并显示；
在所述第一矩形的顶边边沿上，对所述剩余的第一目标识别框数组的所述第一最大置信度类别和所述第一识别框最大置信度c’进行显示。
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：数据准备模块、模型训练模块、数据获取模块和血管狭窄部位定位模块；
所述数据准备模块用于对用于检测血管狭窄部位的YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；所述模型输入图像尺寸为方形尺寸M×M，M>0；所述目标类别序列至少包括狭窄血管目标类别，所述目标类别序列的目标类别数量为N，N>0；
所述模型训练模块用于使用预设的训练数据集对所述YOLOv3目标检测网络进行训练；
所述数据获取模块用于获取冠脉造影图像数据生成第一造影图像；
所述血管狭窄部位定位模块用于对所述第一造影图像进行灰度图转换处理生成第一灰度图；并按所述模型输入图像尺寸M×M，对所述第一灰度图进行图像整形生成对应的第二灰度图；并使用所述YOLOv3目标检测网络，对所述第二灰度图进行目标检测处理得到多个第一目标识别框数组；并根据所述狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对所述多个第一目标识别框数组进行冗余目标框数组筛查处理；并根据剩余的第一目标识别框数组，在所述第一造影图像上进行血管狭窄部位标记处理并显示。
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目标检测网络定位血管狭窄部位的方法、装置、电子设备及计算机可读存储介质，基于YOLOv3目标检测网络来确认造影图像中的血管狭窄部位。通过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目标检测网络定位血管狭窄部位的方法示意图；
图2a为本发明实施例一提供的YOLOv3目标检测网络的网络结构图；
图2b为本发明实施例一提供的第一、第二、第三卷积子网络的网络结构图；
图3为本发明实施例二提供的一种基于目标检测网络定位血管狭窄部位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目标检测网络定位血管狭窄部位的方法，图1为本发明实施例一提供的一种基于目标检测网络定位血管狭窄部位的方法示意图，如图1所示，本方法主要包括如下步骤：
步骤1，对用于检测血管狭窄部位的YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；
其中，模型输入图像尺寸为方形尺寸M×M，M>0；目标类别序列至少包括狭窄血管目标类别，目标类别序列的目标类别数量为N，N>0。
此处，YOLOv3目标检测网络的结构借鉴了YOLOv3的网络结构，具体如图2a为本发明实施例一提供的YOLOv3目标检测网络的网络结构图所示，图2a中的第一、第二、第三卷积子网络的结构一致，具体如图2b为本发明实施例一提供的第一、第二、第三卷积子网络的网络结构图所示；
关于YOLOv3神经网络，详细原理可参看由美国华盛顿大学(University ofWashington)的Joseph Redmon和Ali Farhadi于2018年联合发表的论文《YOLOv3:AnIncremental Improvement》；YOLOv3神经网络被视为是YOLO(You only look once)神经网络的第三版；对二者进行比较，YOLOv3神经网络在小目标的识别精度上有着显著提升效果；
YOLOv3神经网络的输入为具体的二维图像，输出则为多个不同大小尺寸的目标识别框，每个目标识别框均带有一组参数：中心点二维坐标参数、识别框宽度参数、识别框高度参数和数量与可识别目标类别总量一致的多个识别框置信度参数；其中中心点二维坐标参数、识别框宽度参数、识别框高度参数可确定目标框的位置和形状，每个识别框置信度参数为对应的目标类别的置信概率；
这里，YOLOv3神经网络的可识别目标类别的集合也就是目标类别序列，可识别目标类别总量也就是目标类别序列的目标类别数量N；本发明实施例中的YOLOv3目标检测网络的输入图像尺寸为一个方形图像尺寸，常规情况下可将M设为416，则M×M为416×416；本发明实施例的YOLOv3目标检测网络特定为识别血管的特殊形状部位尤其是狭窄部位而设计并训练，所以目标识别框的目标类别序列中应至少包含狭窄血管目标类别，也即是说目标识别框的N个识别框置信度参数中应具有与狭窄血管目标类别对应的置信度参数。
步骤2，使用预设的训练数据集对YOLOv3目标检测网络进行训练。
这里，为降低网络运算量，本发明实施例中的YOLOv3目标检测网络的输入图像均为灰度图。在对YOLOv3目标检测网络进行训练时，从预设的训练数据集中首先选择训练用的清晰度超过设定阈值的带有狭窄血管部位的造影图像进行训练，并选择损失函数对训练结果与先验的标定数据进行误差计算，并根据误差计算结果对网络各层权重参数进行反向调制，直到损失函数输出的误差期望值收敛到预设范围为止；再选择训练用的清晰度低于设定阈值的带有狭窄血管部位的造影图像进行训练，以此对网络的识别精度进行提升；再选择训练用的带有其他血管部位但不是狭窄血管部位的造影图像进行训练，进一步对网络的抗干扰能力进行提升。
通过上述步骤1-2对YOLOv3目标检测网络的配置与训练操作，得到一个训练成熟的目标检测网络，则后续即可通过步骤3-8基于该目标检测网络对造影图像进行血管狭窄部位的识别处理。
步骤3，获取冠脉造影图像数据生成第一造影图像。
步骤4，对第一造影图像进行灰度图转换处理生成第一灰度图；
这里，获得的第一造影图像常规情况下都是灰度图，但也有彩图的情况存在；而本发明实施例的YOLOv3目标检测网络的输入图像设定为灰度图，所以需要对第一造影图像进行灰度图转换；
具体包括：步骤41，对第一造影图像的像素值类型进行识别；若像素值类型为灰度值类型，则转至步骤42；若像素值类型为RGB值类型，则转至步骤43；
这里，若像素值类型为灰度值类型则说明第一造影图像就是灰度图，转至步骤42进行图像复制处理；若像素值类型为RGB值类型则说明第一造影图像是带有RGB像素值的图像，需经由转至步骤43进行灰度图转换；
步骤42，复制第一造影图像生成第一灰度图；并转至步骤5；
这里，因为像素值类型为灰度值类型，也即第一造影图像实际就是灰度图，所以可直接复制第一造影图像生成第一灰度图；
步骤43，按第一造影图像的尺寸初始化第一灰度图；并根据第一造影图像中像素点的RGB像素值，按预设的灰度图转换模式对第一灰度图中对应像素点的像素值进行设置；
这里，因为像素值类型为RGB值类型，也即第一造影图像是带有RGB像素值的图像，所以需要对其进行灰度图转换；在具体转换时，本发明实施例提供三种转换模式实现彩图到灰度图的转换过程，并通过预先设定的系统参数也就是灰度图转换模系来确认具体的模式设定关系；
具体包括：步骤431，按第一造影图像的尺寸初始化第一灰度图；
这里，是预先生成一张空图，即按第一造影图像的尺寸生成形状一样的图形数据也就是第一灰度图，并将第一灰度图中每个像素点的灰度值统一设为一个预设值；
步骤432，根据第一造影图像中像素点的RGB像素值，按预设的灰度图转换模式对第一灰度图中对应像素点的像素值进行设置；
具体包括：步骤4321，对第一造影图像中的像素点进行轮询，并将当前被轮询的像素点记为当前造影图像素点，并将第一灰度图中与当前造影图像素点对应的像素点记为当前灰度图像素点；
这里，由上文可知第一造影图像与第一灰度图大小一致，所以彼此之间的像素点是一一对应的；
例如，若当前造影图像素点为第一造影图像中像素点(1,1)，那么当前灰度图像素点应为第一灰度图的像素点(1,1)；
步骤4322，从当前造影图像素点的RGB像素值中提取出红色通道数值R、绿色通道数值G和蓝色通道数值B；
步骤4323，对灰度图转换模式进行识别；若灰度图转换模式为第一模式，则转至步骤4324；若灰度图转换模式为第二模式，则转至步骤4325；若灰度图转换模式为第三模式，则转至步骤4326；
这里，若灰度图转换模式为第一模式说明按预设的三色融合比例对RGB像素值进行灰度值转换，并转至步骤4324具体执行；若灰度图转换模式为第二模式说明按均值法对RGB像素值进行灰度值转换，并转至步骤4325具体执行；若灰度图转换模式为第三模式说明按指定RGB通道值的方式对RGB像素值进行灰度值转换，并转至步骤4326具体执行；
步骤4324，设置当前灰度图像素点的像素值为R*0.3+G*0.59+B*0.11；并转至步骤5；
这里，上述预设的三色融合比例分为：对应红色通道数值R的融合比例为0.3或30％，对于绿色通道数值G的融合比例为0.59或59％，和蓝色通道数值B的融合比例为0.11或11％；
例如，当前造影图像素点为第一造影图像中像素点(1,1)，第一造影图像中像素点(1,1)的RGB像素值的三个分量分别为：R＝37,G＝46，B＝25；
那么，第一灰度图像素点(1,1)也就是当前灰度图像素点的像素值也即是灰度值＝R*0.3+G*0.59+B*0.11＝37*0.3+46*0.59+25*0.11＝40.99≈41；
步骤4325，设置当前灰度图像素点的像素值为(R+G+B)/3；并转至步骤5；
这里，上述均值法也即是对RGB像素值中的红色通道数值R、绿色通道数值G和蓝色通道数值B的总和取平均值的方法；
例如，当前造影图像素点为第一造影图像中像素点(1,1)，其RGB像素值的三个分量分别为：R＝37,G＝46，B＝25；
那么，第一灰度图像素点(1,1)也就是当前灰度图像素点的像素值也即是灰度值＝(R+G+B)/3＝(37+46+25)/3＝108/3＝36；
步骤4326，根据预设的颜色通道对当前灰度图像素点的像素值进行设置；
具体包括：当颜色通道为红色通道时设置当前灰度图像素点的像素值为红色通道数值R；当颜色通道为绿色通道时设置当前灰度图像素点的像素值为绿色通道数值G；当颜色通道为蓝色通道时设置当前灰度图像素点的像素值为蓝色通道数值B。
这里，按指定RGB通道值的方式对RGB像素值进行灰度值转换也即是根据预先设定的系统参数颜色通道从RGB像素值中提取对应的红色通道数值R、绿色通道数值G或蓝色通道数值B作为灰度值；
例如，颜色通道预设为绿色通道，当前造影图像素点为第一造影图像中像素点(1,1)，其RGB像素值的三个分量分别为：R＝37,G＝46，B＝25；
那么，第一灰度图像素点(1,1)也就是当前灰度图像素点的像素值也即是灰度值＝G＝46。
步骤5，按模型输入图像尺寸M×M，对第一灰度图进行图像整形生成对应的第二灰度图；
这里，因为本发明实施例的YOLOv3目标检测网络对输入图像的尺寸有明确限制也就是模型输入图像尺寸M×M，所以需要将第一灰度图的尺寸调整到与之匹配才能将之输入到YOLOv3目标检测网络进行狭窄血管部位的识别；
具体包括：步骤51，对第一灰度图是否为正方形图像进行判断；若第一灰度图为正方形图像，则转至步骤52；若第一灰度图为非正方形图像，则转至步骤53；
步骤52，对第一灰度图的尺寸是否超过模型输入图像尺寸M×M进行判断，若超过，则转至步骤521；若未超过，则转至步骤522；
步骤521，按模型输入图像尺寸M×M对第一灰度图进行裁剪，得到第二灰度图；并转至步骤6；
这里，第一灰度图的尺寸超过了模型输入图像尺寸M×M，那么本发明实施例默认以第一灰度图左上角为起始位置，在第一灰度图上截取尺寸为M×M的自图形作为第二灰度图；
步骤522，按模型输入图像尺寸M×M对第一灰度图进行扩展，并将扩展部分像素点的像素值设为统一的扩展像素值，从而得到第二灰度图；并转至步骤6；
这里，第一灰度图的尺寸未超过模型输入图像尺寸M×M，那么本发明实施例默认以第一灰度图左上角为起始位置，对第一灰度图进行横向、纵向拉伸从而将其尺寸补足到M×M大小，对拉伸也就是扩展出来的部分的像素点的像素值进行统一设置，提及的扩展像素点的像素值就是预先设定的用于统一设置的像素值(灰度值)；
步骤53，将第一灰度图的行数I和列数J中的偏小值作为第一短边尺寸S，偏大值作为第一长边尺寸L；并对第一短边尺寸S是否大于M进行判断，若第一短边尺寸S大于M，则转至步骤531；若第一短边尺寸S小于或等于M，则转至步骤532；
步骤531，按模型输入图像尺寸M×M对第一灰度图进行裁剪，得到第二灰度图；并转至步骤6；
这里，第一灰度图的尺寸S×L(或L×S)超过了模型输入图像尺寸M×M，那么本发明实施例默认以第一灰度图左上角为起始位置，在第一灰度图上截取尺寸为M×M的自图形作为第二灰度图；
步骤532，对第一长边尺寸L是否小于或等于M进行判断；若第一长边尺寸L小于或等于M，则转至步骤5321；若第一长边尺寸L大于M，则转至步骤5322；
步骤5321，按模型输入图像尺寸M×M对第一灰度图进行扩展，并将扩展部分像素点的像素值设为扩展像素值，从而得到第二灰度图；并转至步骤6；
这里，第一灰度图的尺寸S×L(或L×S)未超过模型输入图像尺寸M×M，那么本发明实施例默认以第一灰度图左上角为起始位置，对第一灰度图进行横向、纵向拉伸从而将其尺寸补足到M×M大小，对拉伸也就是扩展出来的部分的像素点的像素值进行统一设置，提及的扩展像素点的像素值就是预先设定的用于统一设置的像素值(灰度值)；
步骤5322，将第一灰度图的短边尺寸从第一短边尺寸S扩张到M，并将第一灰度图的长边尺寸从第一长边尺寸L裁剪到M，并将扩展部分像素点的像素值设为扩展像素值，从而得到第二灰度图。
这里，第一灰度图S×L(或L×S)的短边尺寸S未超过模型输入图像的单边尺寸M，但长边尺寸L超过了模型输入图像的单边尺寸M，所以需要沿短边方向进行拉伸补足到M×L(或L×M)的形状，再基于补足后的形状沿长边方向进行剪裁最后得到形状为M×M的第二灰度图，其中的补足部分的像素点的像素值就是预先设定的用于统一设置的像素值(灰度值)。
步骤6，使用YOLOv3目标检测网络，对第二灰度图进行目标检测处理得到多个第一目标识别框数组；
其中，第一目标识别框数组包括第一目标中心点坐标(x，y)、第一识别框宽度w、第一识别框高度h和N个第一识别框置信度c；每个第一识别框置信度c对应一个目标类别序列中的目标类别；x为列相对位移坐标，y为行相对位移坐标。
这里，如前文所述，模型输出的目标识别框也就是第一目标识别框数组，目标识别框的中心点二维坐标参数也就是第一目标中心点坐标(x，y)，目标识别框的识别框宽度参数也就是第一识别框宽度w，目标识别框的识别框高度参数也就是第一识别框高度h，目标识别框的N个识别框置信度参数也就是N个第一识别框置信度c。
需要说明的是，第一目标中心点坐标(x，y)中x为列相对位移坐标，y为行相对位移坐标；其相对位移的参考点为目标中心点所在的第二灰度图网格的左上角顶点，这个第二灰度图网格实际就是按模型输入图像尺寸M×M将第二灰度图划分为M×M个网格中的一个。
步骤7，根据狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对多个第一目标识别框数组进行冗余目标框数组筛查处理；
具体包括：步骤71，从每个第一目标识别框数组的N个第一识别框置信度c中提取出最大值作为对应的第一识别框最大置信度c’，并将与第一识别框最大置信度c’对应的目标类别作为第一最大置信度类别；
步骤72，将第一最大置信度类别不为狭窄血管目标类别的第一目标识别框数组作为冗余目标框数组删除；
这里，若YOLOv3目标检测网络的目标序列只有狭窄血管目标类别一个目标类别，那么第一最大置信度类别就只有狭窄血管目标类别和非狭窄血管目标类别两种可能；若YOLOv3目标检测网络的目标序列除了狭窄血管目标类别还有其他血管形状的目标类别，那么第一最大置信度类别除了狭窄血管目标类别和非狭窄血管目标类别两种可能之外还有其他多种类别的可能；为了保证血管狭窄部位的识别准确度，需要将除狭窄血管目标类别之外的所有类别的目标识别框去除；
步骤73，再将剩下的第一识别框最大置信度c’低于狭窄血管目标置信度阈值的第一目标识别框数组作为冗余目标框数组删除。
这里，为了提高血管狭窄部位的识别精度，需要将目标类别都为狭窄血管目标类别但置信度不足的也即是低于狭窄血管目标置信度阈值的目标识别框去除。
步骤8，根据剩余的第一目标识别框数组，在第一造影图像上进行血管狭窄部位标记处理并显示；
具体包括：步骤81，按第二灰度图与第一造影图像的坐标对应关系，对剩余的第一目标识别框数组的第一目标中心点坐标(x，y)在第一造影图像上的对应坐标进行计算得到对应的第二目标中心点坐标(x’，y’)；
步骤82，在第一造影图像上，将第二目标中心点坐标(x’，y’)对应的位置标记为血管狭窄部位并显示；
这里，为了更好的显示效果，在进行血管狭窄部位显示时可使用特殊的标记符号(诸如点符号、×符号等)进行标记；
需要说明的是，若第一造影图像为灰度图，为提高标记符号的可见度，还可对标记符号所在部位的指定面积内的灰度值进行均值计算得到对应的标记位置灰度均值，再使用与标记位置灰度均值存在高对比度的灰度值(诸如255-标记位置灰度均值)对标记符号的像素值进行设置；若第一造影图像为彩图，为提高标记符号的可见度，还可对标记符号所在位置按设定的标记颜色进行显示，诸如明红色、亮黄色、浅蓝色、深黑色等较为显眼的颜色；
步骤83，在第一造影图像上，以血管狭窄部位为矩形图形的中心参数，以对应的剩余的第一目标识别框数组的第一识别框宽度w为矩形图形的宽度参数，以对应的剩余的第一目标识别框数组的第一识别框高度h为矩形图形的高度参数，在第一造影图像上绘制对应的矩形图形，得到第一矩形并显示；
这里，在对边框进行显示时，若第一造影图像为灰度图，为提高矩形边框的可见度，可对矩形边框所在部位的指定面积内的灰度值进行均值计算得到对应的矩形边框灰度均值，再使用与矩形边框存在高对比度的灰度值(诸如255-矩形边框灰度均值)对矩形边框的像素值进行设置；若第一造影图像为彩图，为提高标记符号的可见度，可对矩形边框所在位置按设定的标记颜色进行显示，诸如明红色、亮黄色、浅蓝色、深黑色等较为显眼的颜色；
需要说明的是，本发明实施例为提高边框与血管狭窄部位标记符号之间的对比度，在对第一矩形进行显示时所设置的边框颜色(或灰度值)应不采取与血管狭窄部位标记符号颜色(或灰度值)相近的颜色(或灰度值)；
步骤84，在第一矩形的顶边边沿上，对剩余的第一目标识别框数组的第一最大置信度类别和第一识别框最大置信度c’进行显示。
这里，在对第一最大置信度类别和第一识别框最大置信度c’进行显示的，对信息的显示颜色常规情况下设为与第一矩形的边框颜色(或灰度值)一致。
图3为本发明实施例二提供的一种基于目标检测网络定位血管狭窄部位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：数据准备模块201、模型训练模块202、数据获取模块203和血管狭窄部位定位模块204。
数据准备模块201用于对用于检测血管狭窄部位的YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；模型输入图像尺寸为方形尺寸M×M，M>0；目标类别序列至少包括狭窄血管目标类别，目标类别序列的目标类别数量为N，N>0。
模型训练模块202用于使用预设的训练数据集对YOLOv3目标检测网络进行训练。
数据获取模块203用于获取冠脉造影图像数据生成第一造影图像。
血管狭窄部位定位模块204用于对第一造影图像进行灰度图转换处理生成第一灰度图；并按模型输入图像尺寸M×M，对第一灰度图进行图像整形生成对应的第二灰度图；并使用YOLOv3目标检测网络，对第二灰度图进行目标检测处理得到多个第一目标识别框数组；并根据狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对多个第一目标识别框数组进行冗余目标框数组筛查处理；并根据剩余的第一目标识别框数组，在第一造影图像上进行血管狭窄部位标记处理并显示。
本发明实施例提供的一种基于目标检测网络定位血管狭窄部位的装置，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，数据准备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目标检测网络定位血管狭窄部位的方法、装置、电子设备及计算机可读存储介质，基于YOLOv3目标检测网络来确认造影图像中的血管狭窄部位。通过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 (7)
1.一种基于目标检测网络定位血管狭窄部位的方法，其特征在于，所述方法包括：
对用于检测血管狭窄部位的YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；所述模型输入图像尺寸为方形尺寸M×M，M>0；所述目标类别序列至少包括狭窄血管目标类别，所述目标类别序列的目标类别数量为N，N>0；
使用预设的训练数据集对所述YOLOv3目标检测网络进行训练；
获取冠脉造影图像数据生成第一造影图像；
对所述第一造影图像进行灰度图转换处理生成第一灰度图；
按所述模型输入图像尺寸M×M，对所述第一灰度图进行图像整形生成对应的第二灰度图；
使用所述YOLOv3目标检测网络，对所述第二灰度图进行目标检测处理得到多个第一目标识别框数组；
根据所述狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对所述多个第一目标识别框数组进行冗余目标框数组筛查处理；
根据剩余的第一目标识别框数组，在所述第一造影图像上进行血管狭窄部位标记处理并显示；
其中，所述第一目标识别框数组包括第一目标中心点坐标（x，y）、第一识别框宽度w、第一识别框高度h和N个第一识别框置信度c；每个所述第一识别框置信度c对应一个所述目标类别序列中的目标类别；x为列相对位移坐标，y为行相对位移坐标；
所述根据所述狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对所述多个第一目标识别框数组进行冗余目标框数组筛查处理，具体包括：
从每个所述第一目标识别框数组的N个所述第一识别框置信度c中提取出最大值作为对应的第一识别框最大置信度c’，并将与所述第一识别框最大置信度c’对应的目标类别作为第一最大置信度类别；
将所述第一最大置信度类别不为所述狭窄血管目标类别的所述第一目标识别框数组作为冗余目标框数组删除；
再将剩下的所述第一识别框最大置信度c’低于所述狭窄血管目标置信度阈值的所述第一目标识别框数组作为冗余目标框数组删除；
所述根据剩余的第一目标识别框数组，在所述第一造影图像上进行血管狭窄部位标记处理并显示，具体包括：
按所述第二灰度图与所述第一造影图像的坐标对应关系，对所述剩余的第一目标识别框数组的所述第一目标中心点坐标（x，y）在所述第一造影图像上的对应坐标进行计算得到对应的第二目标中心点坐标（x’，y’）；
在所述第一造影图像上，将所述第二目标中心点坐标（x’，y’）对应的位置标记为血管狭窄部位并显示；
在所述第一造影图像上，以所述血管狭窄部位为矩形图形的中心参数，以对应的所述剩余的第一目标识别框数组的所述第一识别框宽度w为矩形图形的宽度参数，以对应的所述剩余的第一目标识别框数组的所述第一识别框高度h为矩形图形的高度参数，在所述第一造影图像上绘制对应的矩形图形，得到第一矩形并显示；
在所述第一矩形的顶边边沿上，对所述剩余的第一目标识别框数组的所述第一最大置信度类别和所述第一识别框最大置信度c’进行显示。
2.根据权利要求1所述的基于目标检测网络定位血管狭窄部位的方法，其特征在于，所述对所述第一造影图像进行灰度图转换处理生成第一灰度图，具体包括：
对所述第一造影图像的像素值类型进行识别；
若所述像素值类型为灰度值类型，则复制所述第一造影图像生成所述第一灰度图；
若所述像素值类型为RGB值类型，则按所述第一造影图像的尺寸初始化所述第一灰度图；并根据所述第一造影图像中像素点的RGB像素值，按预设的灰度图转换模式对所述第一灰度图中对应像素点的像素值进行设置。
3.根据权利要求2所述的基于目标检测网络定位血管狭窄部位的方法，其特征在于，所述根据所述第一造影图像中像素点的RGB像素值，按预设的灰度图转换模式对所述第一灰度图中对应像素点的像素值进行设置，具体包括：
对所述第一造影图像中的像素点进行轮询，并将当前被轮询的像素点记为当前造影图像素点，并将所述第一灰度图中与所述当前造影图像素点对应的像素点记为当前灰度图像素点；
从所述当前造影图像素点的RGB像素值中提取出红色通道数值R、绿色通道数值G和蓝色通道数值B；
对所述灰度图转换模式进行识别；
若所述灰度图转换模式为第一模式，则设置所述当前灰度图像素点的像素值为R*0.3+G*0.59+B*0.11；
若所述灰度图转换模式为第二模式，则设置所述当前灰度图像素点的像素值为（R+G+B）/3；
若所述灰度图转换模式为第三模式，则根据预设的颜色通道对所述当前灰度图像素点的像素值进行设置；当所述颜色通道为红色通道时设置所述当前灰度图像素点的像素值为所述红色通道数值R；当所述颜色通道为绿色通道时设置所述当前灰度图像素点的像素值为所述绿色通道数值G；当所述颜色通道为蓝色通道时设置所述当前灰度图像素点的像素值为所述蓝色通道数值B。
4.根据权利要求1所述的基于目标检测网络定位血管狭窄部位的方法，其特征在于，所述按所述模型输入图像尺寸M×M，对所述第一灰度图进行图像整形生成对应的第二灰度图，具体包括：
对所述第一灰度图是否为正方形图像进行判断；
若所述第一灰度图为正方形图像，则对所述第一灰度图的尺寸是否超过所述模型输入图像尺寸M×M进行判断；若超过，则按所述模型输入图像尺寸M×M对所述第一灰度图进行裁剪，得到所述第二灰度图；若未超过，则按所述模型输入图像尺寸M×M对所述第一灰度图进行扩展，并将扩展部分像素点的像素值设为统一的扩展像素值，从而得到所述第二灰度图；
若所述第一灰度图为非正方形图像，则将所述第一灰度图的行数I和列数J中的偏小值作为第一短边尺寸S，偏大值作为第一长边尺寸L；并对所述第一短边尺寸S是否大于M进行判断；
若所述第一短边尺寸S大于M，则按所述模型输入图像尺寸M×M对所述第一灰度图进行裁剪，得到所述第二灰度图；
若所述第一短边尺寸S小于或等于M，则对所述第一长边尺寸L是否小于或等于M进行判断；若所述第一长边尺寸L小于或等于M，则按所述模型输入图像尺寸M×M对所述第一灰度图进行扩展，并将扩展部分像素点的像素值设为所述扩展像素值，从而得到所述第二灰度图；若所述第一长边尺寸L大于M，则将所述第一灰度图的短边尺寸从所述第一短边尺寸S扩张到M，并将所述第一灰度图的长边尺寸从所述第一长边尺寸L裁剪到M，并将扩展部分像素点的像素值设为所述扩展像素值，从而得到所述第二灰度图。
5.一种用于实现权利要求1-4任一项所述的基于目标检测网络定位血管狭窄部位的方法步骤的装置，其特征在于，所述装置包括：数据准备模块、模型训练模块、数据获取模块和血管狭窄部位定位模块；
所述数据准备模块用于对用于检测血管狭窄部位的YOLOv3目标检测网络的模型输入图像尺寸和目标类别序列进行设置；所述模型输入图像尺寸为方形尺寸M×M，M>0；所述目标类别序列至少包括狭窄血管目标类别，所述目标类别序列的目标类别数量为N，N>0；
所述模型训练模块用于使用预设的训练数据集对所述YOLOv3目标检测网络进行训练；
所述数据获取模块用于获取冠脉造影图像数据生成第一造影图像；
所述血管狭窄部位定位模块用于对所述第一造影图像进行灰度图转换处理生成第一灰度图；并按所述模型输入图像尺寸M×M，对所述第一灰度图进行图像整形生成对应的第二灰度图；并使用所述YOLOv3目标检测网络，对所述第二灰度图进行目标检测处理得到多个第一目标识别框数组；并根据所述狭窄血管目标类别和预设的狭窄血管目标置信度阈值，对所述多个第一目标识别框数组进行冗余目标框数组筛查处理；并根据剩余的第一目标识别框数组，在所述第一造影图像上进行血管狭窄部位标记处理并显示。
6.一种电子设备，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1-4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。
7.一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1-4任一项所述的方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111032817.3A CN114119455B (zh) | 2021-09-03 | 2021-09-03 | 一种基于目标检测网络定位血管狭窄部位的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111032817.3A CN114119455B (zh) | 2021-09-03 | 2021-09-03 | 一种基于目标检测网络定位血管狭窄部位的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114119455A CN114119455A (zh) | 2022-03-01 |
| CN114119455B true CN114119455B (zh) | 2024-04-09 |
Family
ID=80441202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111032817.3A Active CN114119455B (zh) | 2021-09-03 | 2021-09-03 | 一种基于目标检测网络定位血管狭窄部位的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119455B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972221B (zh) * | 2022-05-13 | 2022-12-23 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242925A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| WO2020151329A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技（深圳）有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| 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 |
-
2021
- 2021-09-03 CN CN202111032817.3A patent/CN114119455B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020151329A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技（深圳）有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN111242925A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 赵文强 ; 孙巍 ; .基于S4-YOLO的海上目标检测识别方法.光学与光电技术.2020,(第04期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114119455A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9953437B1 (en) | Method and device for constructing a table including information on a pooling type and testing method and testing device using the same | |
| CN110853081B (zh) | 基于单木分割的地面和机载LiDAR点云配准方法 | |
| CN110400278A (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
| CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
| CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
| CN113362331A (zh) | 图像分割方法、装置、电子设备及计算机存储介质 | |
| CN114119455B (zh) | 一种基于目标检测网络定位血管狭窄部位的方法和装置 | |
| CN107220647A (zh) | 一种叶片交叉条件下作物中心点定位方法及系统 | |
| CN106845314B (zh) | 一种二维码的快速定位方法 | |
| CN108596840B (zh) | 一种用于深度学习评定血管网络发育水平的数据集增强方法 | |
| CN110188661A (zh) | 边界识别方法及装置 | |
| JP7151742B2 (ja) | 画像変換装置、画像変換方法及び画像変換用コンピュータプログラム | |
| CN113723406B (zh) | 一种对冠脉造影图像进行支架定位的处理方法和装置 | |
| CN110335254B (zh) | 眼底图像区域化深度学习方法、装置和设备及存储介质 | |
| CN115223165B (zh) | 待判读细胞图像的获取方法和装置 | |
| CN114067006B (zh) | 一种基于离散余弦变换的屏幕内容图像质量评价方法 | |
| CN113723418B (zh) | 一种对造影图像进行优选的处理方法和装置 | |
| CN116433743A (zh) | 一种校准图像的方法及装置 | |
| CN113554037A (zh) | 一种基于模型简化的特征提取方法及装置 | |
| CN111105431A (zh) | 一种标记图像的方法及装置 | |
| CN110751158A (zh) | 一种治疗床显示器中的数字识别方法、装置及存储介质 | |
| CN110390339A (zh) | 一种图像校正方法、装置及存储介质 | |
| CN115965955B (zh) | 一种公章图像的旋转方法、装置、电子设备和介质 | |
| CN115995046B (zh) | 阴影遮挡状态下的农村道路遥感提取方法及装置 | |
| CN113516679B (zh) | 一种病理图像关键区域的定位方法及设备 |
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 |