CN114170440A - 图像特征点的确定方法、装置、计算机设备和存储介质 - Google Patents
图像特征点的确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114170440A CN114170440A CN202111676062.0A CN202111676062A CN114170440A CN 114170440 A CN114170440 A CN 114170440A CN 202111676062 A CN202111676062 A CN 202111676062A CN 114170440 A CN114170440 A CN 114170440A
- Authority
- CN
- China
- Prior art keywords
- candidate
- point
- image data
- feature points
- sample
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像特征点的确定方法、装置、计算机设备、存储介质和计算机程序产品。获取灌注影像数据,并根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;基于该候选特征点,确定出灌注影像数据的目标特征点;即本申请实施例中,可以自动进行动静脉点的选取操作,得到符合要求且准确性高的动静脉点,无需人工参与动静脉点的选取过程,缩短了动静脉点的选取时间,减少了人力成本,还能够避免因用户主观因素的影响导致的动静脉点选取不准确的问题,提高动静脉点的选取效率,还能提高动静脉点的选取准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像特征点的确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
灌注成像通过在静脉快速注射对比剂,对感兴趣区域进行连续扫描,根据感兴趣区域的扫描结果能够量化感兴趣区域的血流灌注量的变化情况,对明确病灶的血液供应具有重要意义。通常,主要是根据感兴趣区域的扫描结果中的动静脉点的特征获取感兴趣区域的血流灌注量的变化情况,而感兴趣区域中不同动静脉点的特征存在差异,不同的动静脉特征对应感兴趣区域不同的血流灌注量的变化情况,因此,感兴趣区域中动静脉点的选取在得到感兴趣区域的血流灌注量的变化情况中显得尤为重要。
传统技术中,通常是医生基于感兴趣区域的扫描结果和感兴趣区域的动静脉点的相关选取规则,选取用户获取感兴趣区域的血流灌注量的变化情况的动静脉点。但是,传统的动静脉点的选取方法存在效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种通过自动选取动静脉点,来提高动静脉点的选取效率的图像特征点的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种图像特征点的确定方法。该方法包括:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
在其中一个实施例中,该候选特征点包括至少一对候选特征点;基于该候选特征点,确定出灌注影像数据的目标特征点,包括:
将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果;
根据各候选特征点对应的分类结果,确定目标特征点。
在其中一个实施例中,根据各候选特征点对应的分类结果,确定目标特征点,包括:
根据各候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点;
将该目标候选特征点,确定为目标特征点。
在其中一个实施例中,注意力图包括形态注意力图和位置注意力图,将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点,包括:
将第一特征图、形态注意力图和位置注意力图输入该候选点生成模型,得到灌注影像数据对应的候选特征点。
在其中一个实施例中,候选点生成模型的训练过程包括:
获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点;
根据样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图;
将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;该样本候选特征点包括样本灌注影像数据对应的样本候选动脉点和样本灌注影像数据对应的样本候选静脉点;
根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型。
在其中一个实施例中,获取样本灌注影像数据对应的金标准特征点,包括:
获取样本灌注影像数据对应的初始金标准特征点;
针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点;
将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点。
在其中一个实施例中,分类模型的训练过程包括:
获取金标准特征点对应的类别,作为第一金标准类别;
获取样本候选特征点对应的类别,作为第二金标准类别;
根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
第二方面,本申请还提供了一种图像特征点的确定装置。该装置包括:
第一获取模块,用于获取灌注影像数据;
第二获取模块,用于根据该灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
第三获取模块,用于将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
确定模块,用于基于该候选特征点,确定出灌注影像数据的目标特征点。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行所述计算机程序时实现以下步骤:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
上述图像特征点的确定方法、装置、计算机设备、存储介质和计算机程序产品,计算机设备通过获取灌注影像数据,并根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;接着,将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;进而,基于该候选特征点,确定出灌注影像数据的目标特征点;其中,该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;也就是说,本申请实施例中,可以根据获取到的灌注影像数据,自动进行动静脉点的选取操作,得到符合要求且准确性高的动静脉点,无需人工参与动静脉点的选取过程,缩短了动静脉点的选取时间,减少了人力成本,还能够避免因用户主观因素的影响导致的动静脉点选取不准确的问题,提高动静脉点的选取效率,还能提高动静脉点的选取准确性;另外,本实施例中的动静脉点的确定方法中,还引入了该灌注影像数据对应的注意力图,即通过结合注意力机制方便候选点生成模型快速定位到候选特征点,且能够生成符合要求且准确性高的动静脉点,提高动静脉点的选取效率和选取准确性。
附图说明
图1为一个实施例中图像特征点的确定方法的流程示意图;
图2为另一个实施例中图像特征点的确定方法的流程示意图;
图3为一个实施例中候选点生成模型的训练流程示意图;
图4为一个实施例中金标准特征点的确定流程示意图;
图5为一个实施例中分类模型的训练流程示意图;
图6为一个实施例中图像特征点的确定装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的图像特征点的确定方法,可以应用于计算机设备中,该计算机设备可以是终端、也可以是服务器,该终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、扫描设备以及与扫描设备连接的处理设备等,该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。
在一个实施例中,如图1所示,提供了一种图像特征点的确定方法,以该方法应用于上述计算机设备为例进行说明,包括以下步骤:
步骤101,获取灌注影像数据。
可选地,该灌注影像数据可以是从采集设备上采集得到的,也可以是从服务器中获取的,还可以是从设备本地获取的历史灌注影像数据;另外,该灌注影像数据可以是四维数据,例如:该四维数据可以表示为X∈(T×S×W×H),其中,T可以表示整个扫描过程中采集到的影像数目,S、W、H可以分别表示为每个时间点上采集到的数据的层数、宽度和高度。需要说明的是,本实施例中对灌注影像数据的获取方式并不做限定。
可选地,该灌注影像数据还可以是对扫描得到的四维数据进行数据预处理后的灌注影像数据,其中,该数据预处理可以包括但不限于是不同时间点数据配准、异常点去除、去噪、去头骨、时间差值、脑脊液提取、脑区分割等操作,在进行数据预处理时,可以采用上述至少一个数据预处理操作,对扫描得到的灌注影像数据进行数据预处理;这里对于每个预处理操作的具体实现过程可以采用现有技术中的实现方式,在此不做过多描述;另外,需要说明的是,本实施例中对数据预处理的具体操作和处理顺序并不做限定。
步骤102,根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图。
可选地,该第一特征图可以是对该灌注影像数据进行特征提取后所得到的第一特征图,在该灌注影像数据为上述四维数据的情况下,该第一特征图可以为对该四维数据进行特征提取后得到的三维数据;可选地,可以采用针对时间维度的相关处理操作,将四维灌注影像数据转化为三维影像数据,作为该灌注影像数据对应的第一特征图;可选地,该时间维度的相关处理操作可以包括但不限于是在时间点维度取最大值、在时间点维度取平均值、取时间密度曲线上的最大值、根据时间密度曲线确定出的造影剂到达时间、或者根据时间密度曲线确定出的峰宽等等;在实际应用中,可以采用上述至少一个时间维度的相关处理操作,对灌注影像数据进行特征提取,得到第一特征图,本实施例对此并不做限定。
进一步地,计算机设备还可以根据灌注影像数据,得到该灌注影像数据对应的注意力图,可选地,该注意力图可以是根据动脉点和/或静脉点的所属特征所确定的,该特征可以是动脉点和/或静脉点的位置特征、也可以是动脉点和/或静脉点的形态特征、还可以是动脉点和/或静脉点的其他可能的特征等,本实施例对注意力图的形式并不做限定。
可选地,在该注意力图可以用于表征动脉点和/或静脉点的形态特征的情况下,该注意力图可以称作为形态注意力图,该形态注意力图可以是根据动脉点和/或静脉点的时间密度曲线的普遍特征(可以包括预设的多个特征)所确定的;可选地,一个形态注意力图可以仅表征一种点的形态特征,在这种情况下,该形态注意力图可以包括动脉点的形态注意力图和静脉点的形态注意力图;当然,一个形态注意力图中也可以表征多个点的形态特征,即该形态注意力图中既可以包括动脉点的形态特征,也可以包括静脉点的形态特征,可以通过不同的标记进行区分,例如:可以用1来表示动脉点、用2来表示静脉点等。
可选地,可以根据该灌注影像数据,确定出每一个体素的时间密度曲线,并可以判断每一个体素的时间密度曲线的特征是否符合动脉点或静脉点的时间密度曲线的普遍特征,该普遍特征可以包括但不限于是峰值高度、峰宽、起始时间、两种点峰高之间的大小关系、起始时间的早晚、流速的大小差异等,来生成该形态注意力图;可选地,该形态注意力图中还可以包括扫描失败数据的动脉点和/或静脉点曲线特征,比如灌注过程不够完整、配准不准等等,本实施例对该时间密度曲线的普遍特征的具体内容并不做限定。
另外,对于该形态注意力图的表现形式,可选地,该形态注意力图可以为二值图,即该形态注意力图可以表征每一个体素的时间密度曲线的特征是符合时间密度曲线的普遍特征,还是不符合时间密度曲线的普遍特征;该形态注意力图还可以为概率图,即该形态注意力图可以表征每一个体素的时间密度曲线的特征符合时间密度曲线的普遍特征的概率;当然,该形态注意力图还可以为其他形式的图像,本实施例对形态注意力图的表现形式并不做限定。
可选地,在该注意力图可以用于表征动脉点和/或静脉点的位置特征的情况下,该注意力图可以称作为位置注意力图,该位置注意力图可以是根据动脉点和/或静脉点可能出现的位置来确定的;可选地,一个位置注意力图可以仅表征一种点的位置特征,在这种情况下,该位置注意力图可以包括动脉点的位置注意力图和静脉点的位置注意力图;当然,一个位置注意力图中也可以表征多个点的位置特征,即该位置注意力图中既可以包括动脉点的位置特征,也可以包括静脉点的位置特征,可以通过不同的标记进行区分,例如:可以用1来表示动脉点、用2来表示静脉点等。
可选地,对于脑部灌注影像数据来说,一般对动脉点位置的描述是在右侧大脑中动脉位置,静脉点是在上矢状窦位置,而在本实施例中,对于动脉点的位置和静脉点的位置,可以通过扩大位置范围来增加动脉点和静脉点的候选位置;可选地,在该位置注意力图中,对于动脉点的位置,可以在中动脉和上矢状窦之外拓展到更宽泛的位置,可选地,可以预设动脉点位于脑袋的上半部,静脉点位于脑袋的下半部等;另外,对于该位置注意力图中的动脉点位置和静脉点位置,也可以借助脑区或者中线来限制;或者,还可以通过精确的血管分割模型,对不同段血管输入不同的响应概率,使得中动脉、环池对应的血管段增大响应,以及横窦、上矢状窦对应的血管段增大响应等等,来确定该位置注意力图。需要说明的是,本实施例中的位置注意力图的确定方式并不做限定。
另外,对于该位置注意力图的表现形式,可选地,该位置注意力图可以为二值图,即该位置注意力图可以表征该灌注影像数据中每一位置的体素是动脉点或者静脉点,还是非动脉点和非静脉点;该位置注意力图还可以为概率图,即该位置注意力图可以表征每一位置的体素是动脉点或者静脉点的概率;当然,该位置注意力图还可以为其他形式的图像,本实施例对位置注意力图的表现形式并不做限定。
步骤103,将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点。
其中,该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点。
可选地,可以将该第一特征图和注意力图作为该候选点生成模型的输入,一同输入至该候选点生成模型,得到灌注影像数据对应的候选特征点;也可以将第一特征图作为候选点生成模型的输入,将该注意力图作为该候选点生成模型的中间输入,得到灌注影像数据对应的候选特征点;也就是说,可以在将该第一特征图输入该候选点生成模型后,经过该候选点生成模型的任一处理过程后,得到中间结果,接着,可以将该中间结果和该注意力图作为下一处理过程的输入,直至该候选点生成模型执行完所有处理过程为止,输出该灌注影像数据对应的候选特征点。例如:可以将第一特征图输入该候选点生成模型,经该候选点生成模型中的第一卷积层卷积处理后,得到卷积结果,接着,将该卷积结果和注意力图一同输入至该第一卷积层后的第一池化层进行池化处理,直至该候选点生成模型执行完所有的处理过程为止;其中,对于将该卷积结果和注意力图一同输入至该第一卷积层后的第一池化层进行池化处理的过程,可以为将该注意力图作为特征层和卷积结果一起输入该第一池化层,也可以为将该注意力图和该卷积结果进行数据处理后,再将数据处理后的结果输入该第一池化层,可选地,该数据处理可以是将该注意力图和该卷积结果进行点乘处理等;需要说明的是,本实施例中对中间结果和注意力图输入下一处理过程的方式并不做限定,以及对中间结果和注意力图进行数据处理的方式也不做限定。
可选地,在该注意力图包括形态注意力图和位置注意力图的情况下,可以将该第一特征图、形态注意力图和位置注意力图输入该候选点生成模型,得到灌注影像数据对应的候选特征点。这里可以参照上述内容,不再重复赘述;需要说明的是,在形态注意力图和位置注意力图,同上述中间结果输入下一处理过程时,该形态注意力图和位置注意力图可以同时与中间结果输入下一处理过程,也可以分开与不同的中间结果输入下一处理过程。例如:可以将第一特征图输入该候选点生成模型,经该候选点生成模型中的第一隐含层(可以包括第一卷积层、第一池化层或第一激活层等)处理后,得到第一处理结果;接着,可以将该第一处理结果和形态注意力图一同输入至该第一隐含层后的第二隐含层(可以包括第二卷积层、第二池化层或第二激活层等)进行处理,得到第二处理结果;然后,可以将该第二处理结果和位置注意力图一同输入至该第二隐含层后的第三隐含层(可以包括第三卷积层、第三池化层或第三激活层等)进行处理,直至该候选点生成模型执行完所有的处理过程为止。
需要说明的是,本实施例中对第一特征图和注意力图输入至候选点生成模型的输入顺序并不做限定。
步骤104,基于该候选特征点,确定出灌注影像数据的目标特征点。
其中,该候选特征点包括灌注影像数据对应的至少一个候选动脉点和灌注影像数据对应的至少一个候选静脉点。
可选地,在确定出候选特征点之后,可以将该候选特征点中的任一候选特征点作为该灌注影像数据的目标特征点;也可以对该候选特征点进行后处理,以从该候选特征点中确定出该灌注影像数据的目标特征点;还可以根据预设筛选规则,从候选特征点中筛选出该灌注影像数据的目标特征点;本实施例对此并不做限定。
上述图像特征点的确定方法中,计算机设备通过获取灌注影像数据,并根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;接着,将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;进而,基于该候选特征点,确定出灌注影像数据的目标特征点;其中,该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;也就是说,本申请实施例中,可以根据获取到的灌注影像数据,自动进行动静脉点的选取操作,得到符合要求且准确性高的动静脉点,无需人工参与动静脉点的选取过程,缩短了动静脉点的选取时间,减少了人力成本,还能够避免因用户主观因素的影响导致的动静脉点选取不准确的问题,提高动静脉点的选取效率,还能提高动静脉点的选取准确性;另外,本实施例中的动静脉点的确定方法中,还引入了该灌注影像数据对应的注意力图,即通过结合注意力机制方便候选点生成模型快速定位到候选特征点,且能够生成符合要求且准确性高的动静脉点,提高动静脉点的选取效率和选取准确性。
图2为另一个实施例中图像特征点的确定方法的流程示意图。本实施例涉及的是计算机设备基于候选特征点,确定出灌注影像数据的目标特征点的其中一种可选的实现过程,在上述实施例的基础上,如图2所示,上述步骤104包括:
步骤201,将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果。
其中,该候选特征点包括至少一对候选特征点,一对候选特征点包括一个候选动脉点和一个候选静脉点;计算机设备在确定出至少一个候选动脉点和至少一个候选静脉点之后,可以采用随机组合的方式,确定出至少一对候选特征点。
可选地,在确定出至少一对候选特征点之后,可以将各个候选特征点分别输入预设的分类模型中,得到该分类模型输出的各个候选特征点对应的分类结果;可选地,该分类结果可以表征候选特征点属于标准动静脉点的符合程度,该符合程度可以用分数或者概率来表示,分数或者概率越高,可以说明该候选特征点属于标准动静脉点的符合程度越高,也可以用级别或者档位来表示,级别或者档位越高,可以说明该候选特征点属于标准动静脉点的符合程度越高;本实施例对分类结果的形式并不做限定,只要该分类结果能够表征候选特征点属于标准动静脉点的符合程度即可。
可选地,在该分类结果的形式为分档位的形式的情况下,该分类模型也可以称为候选点组合分档模型,将各个候选特征点分别输入该候选点组合分档模型中,得到各个候选特征点对应的分档结果,该分档结果可以包括多个用于表征动静脉点与标准动静脉点的符合程度的档位;对于档位的划分,可以依据动静脉点的不同特征预设多种不同的分档结果,比如:可以根据动静脉点的时间密度曲线的形态以及最终参数图的质量进行动静脉点的档位划分。可选地,可以将不同的动静脉点组合划分为3个档位,其中,档位1可以表示失败,即动静脉点组合不符合标准动静脉点的位置以及标准动静脉点对应的曲线形态(或者参数图);档位2可以表示动静脉点组合不符合标准动静脉点的位置但是符合标准动静脉点对应的曲线形态(或者参数图);档位3可以表示动静脉点组合符合标准动静脉点的位置以及标准动静脉点对应的曲线形态(或者参数图)。需要说明的是,这里的档位划分仅作为举例进行说明,并不用于限定档位划分,当然,档位划分可以依据与标准动静脉点的符合程度由低到高进行划分,也可以由高到低进行划分,在实际应用中,可进行灵活调整;另外,该档位划分也可以针对时间密度曲线的不同特点进行打分,比如曲线不完整、灌注不足、双峰、曲线波动异常、动脉峰值高于静脉峰值等等,可以根据具体情况赋予不同形态不同分数。
步骤202,根据各候选特征点对应的分类结果,确定目标特征点。
可选地,计算机设备在确定出各个候选特征点分别对应的分类结果之后,可以从各个候选特征点中选择分类结果中最优的候选特征点,作为该目标特征点,该最优的候选特征点可以是与标准动静脉点的符合程度匹配最高的特征点。
可选地,在该分类结果的形式为按级别划分或者按档位划分的情况下,可以将与标准动静脉点的符合程度匹配最优的级别作为预设级别,或者与标准动静脉点的符合程度匹配最优的档位作为预设档位;其中,该标准动静脉点可以是通过对动静脉点的位置限定和对应的平均密度曲线、以及动脉点和静脉点曲线的组合关系进行是否标准的评判,或者,还可以通过引入重建出来的参数图来判定动静脉点是否合理;本实施例中对标准动静脉点的选取方式并不做限定;优选地,本实施例中可以使用医生通过现有文献和临床经验构造的动静脉点作为标准动静脉点。
也就是说,计算机设备可以根据各候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点,这里预设分类结果可以为上述预设级别或者上述预设档位,接着,可以将该目标候选特征点,确定为目标特征点;可选地,在该目标候选特征点包括多对目标候选特征点的情况下,可以将该多对目标候选特征点中的任一对目标候选特征点确定为该灌注影像数据对应的目标特征点。基于上述举例,可以将档位3作为该预设档位,从各个候选特征点中筛选出分档结果为档位3的目标候选特征点,并从档位3的目标候选特征点中选择其中一个目标候选特征点作为该灌注影像数据对应的目标特征点。
本实施例中,计算机设备通过将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果,并根据各候选特征点对应的分类结果,确定目标特征点;能够提高确定出的目标特征点与标准动静脉点的匹配程度,进而提高目标特征点的识别准确性。
图3为另一个实施例中图像特征点的确定方法的流程示意图。本实施例涉及的是计算机设备训练候选点生成模型的一种可选的实现过程,在上述实施例的基础上,如图3所示,上述方法还包括:
步骤301,获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点。
可选地,该样本灌注影像数据可以是从采集设备上采集得到的,也可以是从服务器中获取的,还可以是从设备本地获取的历史灌注影像数据;该样本灌注影像数据可以是四维数据。
可选地,该样本灌注影像数据对应的金标准特征点可以是专业的医护工作人员手动标注的金标准特征点,对于一个样本灌注影像数据,可以依据动静脉点的选取标准,采用不同的感兴趣区域(region of interest,简称ROI)以及不同的标签(label)进行金标准动静脉点的标记,得到该样本灌注影像数据对应的金标准特征点;由于感兴趣区域ROI的平均时间密度曲线比单个像素的时间密度曲线更精确,因此,本实施例中采用感兴趣区域ROI来表示特征点。可选地,该金标准特征点也可以是通过预设标注算法(例如:特征图聚类选取算法、关键点检测算法等),对该样本灌注影像数据进行处理后,输出的该样本灌注影像数据对应的金标准特征点;该金标准特征点还可以是预设标注算法加人工标注相结合后得到的金标准特征点,本实施例对金标准特征点的获取方式并不做限定。另外,对于上述特征点(即ROI),本实施例对ROI的大小和ROI的数量并不做限定,可以在不同血管位置提取至少一个候选点,可选地,还可以通过候选点的时间密度曲线特征对该候选点对应的ROI边缘进行修复和泛化等处理操作。
步骤302,根据样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图。
可选地,可以对样本灌注影像数据进行特征提取,例如:对四维样本灌注影像数据进行时间维度的相关处理操作,得到三维特征,来作为该样本灌注影像数据对应的第一样本特征图;另外,可以通过对样本灌注影像数据进行数据处理,得到用于表征动脉点和/或静脉点的所属特征的样本注意力图,可选地,该样本注意力图可以包括样本形态注意力图和样本位置注意力图,该样本形态注意力图可以是二值图或者概率图,用于表征动脉点和静脉点的形态特征,该样本位置注意力图也可以是二值图或者概率图,用于表征动脉点和静脉点的位置特征。
步骤303,将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点。
其中,该样本候选特征点包括样本灌注影像数据对应的样本候选动脉点和样本灌注影像数据对应的样本候选静脉点。
可选地,该初始候选点生成网络可以为基于任意类型的深度学习网络,例如,卷积神经网络(Convolutional Neural Networks,简称CNN)、深度置信网络(Deep BeliefNetwork,简称DBN)、堆栈自编码网络(stacked auto-encoder network,简称SAE)等,本实施例对初始候选点生成网络的具体形式和结构并不做限定。
可选地,计算机设备可以将第一样本特征图和样本注意力图作为初始候选点生成网络的输入,一同输入至该初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;也可以将第一样本特征图作为初始候选点生成网络的输入,将样本注意力图作为初始候选点生成网络的中间输入,得到样本灌注影像数据对应的样本候选特征点。
可选地,在该样本注意力图包括至少一个样本注意力图(例如:可以包括样本形态注意力图和样本位置注意力图)的情况下,计算机设备可以将第一样本特征图和至少一个样本注意力图(样本形态注意力图和样本位置注意力图)输入该初始候选点生成网络中,得到样本灌注影像数据对应的样本候选特征点;当然,不同的样本注意力图在初始候选点生成网络中的输入位置可以是相同的或者不同的。
可选地,该样本注意力图可以用于表征至少一种特征点的特征,也就是说,对于不同的特征点,可以分别确定与特征点对应的样本注意力图,例如:动脉点样本注意力图、静脉点样本注意力图等;当然,不同的特征点也可以通过一个样本注意力图来表示,即该样本注意力图中即包括动脉点特征也包括静脉点特征。
在样本注意力图仅表征一种特征点的特征的情况下,可以分别获取动脉点样本注意力图和静脉点样本注意力图,接着,可以将第一样本特征图和动脉点样本注意力图输入第一初始候选点生成网络,得到样本灌注影像数据对应的动脉点样本候选特征点,以及将第一样本特征图和静脉点样本注意力图输入第二初始候选点生成网络,得到样本灌注影像数据对应的静脉点样本候选特征点。
在样本注意力图表征多种特征点(例如:动脉点和静脉点)的特征的情况下,可以将第一样本特征图和该样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点,其中,该样本候选特征点包括动脉点样本候选特征点和静脉点样本候选特征点。
步骤304,根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型。
可选地,在样本注意力图仅表征一种特征点的特征的情况下,在得到动脉点样本候选特征点之后,可以将该动脉点样本候选特征点和和金标准特征点(动脉点对应的金标准特征点)输入预设损失函数中,根据预设损失函数的计算结果(也就是损失值),对该第一初始候选点生成网络进行网络参数优化,进而,对参数优化后的第一初始候选点生成网络进行迭代训练,直至该第一初始候选点生成网络的损失值小于预设损失阈值为止,即可得到第一候选点生成模型。
同样的,在得到静脉点样本候选特征点之后,可以将该静脉点样本候选特征点和和金标准特征点(静脉点对应的金标准特征点)输入预设损失函数中,根据预设损失函数的计算结果(也就是损失值),对该第二初始候选点生成网络进行网络参数优化,进而,对参数优化后的第二初始候选点生成网络进行迭代训练,直至该第二初始候选点生成网络的损失值小于预设损失阈值为止,即可得到第二候选点生成模型。需要说明的是,该第一初始候选点生成网络和该第二初始候选点生成网络组成初始候选点生成网络,该第一候选点生成模型和该第二候选点生成模型组成该候选点生成模型。
可选地,在样本注意力图表征多种特征点(例如:动脉点和静脉点)的特征的情况下,在将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点(包括动脉点样本候选特征点和静脉点样本候选特征点)之后,可以将该样本候选特征点和金标准特征点(包括动脉点对应的金标准特征点和静脉点对应的金标准特征点)输入预设损失函数中,根据预设损失函数的计算结果(也就是损失值),对该初始候选点生成网络进行网络参数优化,进而,对参数优化后的初始候选点生成网络进行迭代训练,直至该初始候选点生成网络的损失值小于预设损失阈值为止,即可得到候选点生成模型。
本实施例中,计算机设备通过获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点,并根据该样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图;接着,将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;以及根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型;通过引入样本注意力图,即通过结合注意力机制,能够提高候选点生成模型的精确性和高效性,使得经该候选点生成模型所生成的候选特征点与标准特征点的匹配度更高,得到的候选特征点更准确。
图4为另一个实施例中图像特征点的确定方法的流程示意图。本实施例涉及的是计算机设备获取样本灌注影像数据对应的金标准特征点的一种可选的实现过程,在上述实施例的基础上,如图4所示,上述步骤301包括:
步骤401,获取样本灌注影像数据对应的初始金标准特征点。
其中,该初始金标准特征点中包括至少一个金标准动脉点和至少一个金标准静脉点。
具体的实现过程可以参照上述步骤301中金标准特征点的获取过程,所得到的金标准特征点即可以为该样本灌注影像数据对应的初始金标准特征点。
步骤402,针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点。
可选地,可以在初始金标准特征点的预设范围内,确定至少一个随机特征点,可选地,可以采用现有的启发式算法来确定初始金标准特征点的预设范围内的至少一个随机特征点,也就是说,可以在初始金标准特征点(金标准ROI)的预设范围内生成至少一个随机ROI;也可以通过平移等方式在金标准ROI的预设范围内生成至少一个随机ROI。
步骤403,将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点。
可选地,针对每一个初始金标准特征点,在确定出该初始金标准特征点的预设范围内的多个随机特征点之后,可以进一步判断每一个随机特征点与该初始金标准特征点之间的相似度,并从该多个随机特征点之中,确定出与该初始金标准特征点的相似度大于或者等于相似度阈值的随机特征点。可选地,在采用启发式算法,在初始金标准特征点(金标准ROI)的预设范围内,生成至少一个随机ROI之后,可以确定每一个随机ROI的平均时间密度曲线,以及确定该金标准ROI的平均时间密度曲线,进而,可以通过计算随机ROI的平均时间密度曲线和金标准ROI的平均时间密度曲线之间的相似度,并判断该相似度与相似度阈值之间的大小关系;在随机ROI的平均时间密度曲线和金标准ROI的平均时间密度曲线之间的相似度大于或者等于该相似度阈值的情况下,可以将该随机ROI确定为该初始金标准特征点的预设范围内的随机特征点;以此类推,可以确定出每一个初始金标准特征点预设范围内的多个随机特征点。
进一步地,可以将确定出的每一个初始金标准特征点预设范围内的多个随机特征点添加至该初始金标准特征点中,得到金标准特征点;也就是说,该金标准特征点中包括初始金标准特征点,以及每一个初始金标准特征点附近的多个随机特征点。
本实施例中,计算机设备通过获取样本灌注影像数据对应的初始金标准特征点,并针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点;进而,可以将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点;也就是说,本申请实施例中,在通过医生标注和/或标注算法得到初始金标准特征点之后,进一步对该初始金标准特征点进行扩充,得到扩充后的金标准特征点,能够增加动静脉点的选点范围,以及增加候选点生成模型的适用范围,以适应不同个体的生理结构差异、适应不同成像环境下的图像质量差异,进而能够提升动静脉点的选取准确性;另外,通过判断随机特征点和初始金标准特征点之间的相似度来判断随机特征点是否可以拓展为新的金标准特征点的方式,还能够减少医生构建金标准特征点的时间,提高金标准特征点的构建速率。
图5为另一个实施例中图像特征点的确定方法的流程示意图。本实施例涉及的是计算机设备训练分类模型的一种可选的实现过程,在上述实施例的基础上,如图5所示,上述方法还包括:
步骤501,获取金标准特征点对应的类别,作为第一金标准类别。
可选地,对于该金标准特征点中的每一特征点,可以根据特征点的生理或物理特征,对每一特征点进行分类,得到该金标准特征点中的每一特征点对应的类别,即该金标准特征点对应的第一金标准类别。可选地,可以通过人工分类来获取该金标准特征点对应的第一金标准类别。
另外,在该特征点为上述的动脉点和静脉点的情况下,该金标准特征点可以包括多个不同的动静脉点组合,可以根据动静脉和静脉点的生理或物理特征,对各个动静脉点组合进行分类,得到该金标准特征点中每一动静脉点组合对应的金标准类别,作为该第一金标准类别。可选地,每一动静脉点组合对应的金标准类别,可以为每一动静脉点组合对应的表征与标准动静脉点组合的符合程度的分数或者概率,也可以为级别或者档位,本实施例对金标准类别的表现形式并不做限定。
步骤502,获取样本候选特征点对应的类别,作为第二金标准类别。
同步骤501,针对上述初始候选点生成网络生成的样本候选特征点,可以包括多个不同的样本动静脉点组合,可以通过人工分类的方式来获取各个样本动静脉点组合对应的金标准类别,作为该第二金标准类别;可选地,也可以采用相似度等算法,根据金标准特征点对应的第一金标准类别,确定样本候选特征点对应的第二金标准类别。可选地,每一样本动静脉点组合对应的金标准类别,可以为每一样本动静脉点组合对应的表征与标准动静脉点组合的符合程度的分数或者概率,也可以为级别或者档位,本实施例对金标准类别的表现形式并不做限定。
步骤503,根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
可选地,在训练分类模型时,可以采用金标准特征点以及第一金标准类别,对初始分类网络进行训练,得到分类模型;也可以采用样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型;还可以采用金标准特征点以及第一金标准类别,以及,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
接下来,以采用金标准特征点以及第一金标准类别,对初始分类网络进行训练,得到分类模型为例进行说明,可选地,对于金标准特征点中的多个动静脉点组合、以及每一个动静脉点组合对应的金标准分类结果,针对每个动静脉点组合,可以预先提取该动静脉点组合中的动脉点的特征向量和静脉点的特征向量,并将该动脉点的特征向量和静脉点的特征向量输入初始分类网络,得到该动静脉点组合对应的分类结果,接着,可以根据该动静脉点组合对应的分类结果和该动静脉点组合对应的金标准分类结果,计算损失值,并根据该损失值对该初始分类网络进行参数优化,并对参数优化后的初始分类网络进行迭代训练,直至损失值小于预设损失阈值为止,即可得到该分类模型。
可选地,该动脉点的特征向量可以为该动脉点的平均时间密度曲线,也可以在该动脉点的平均时间密度曲线的基础上,还可以增加该动脉点的平均时间密度曲线的峰高、峰宽、峰起始时间、峰的最大坡度等特征,作为该动脉点的特征向量;同样的,静脉点的特征向量也可以为该静脉点的平均时间密度曲线,当然也可以在该静脉点的平均时间密度曲线的基础上,增加该静脉点的平均时间密度曲线的峰高、峰宽、峰起始时间、峰的最大坡度等特征,作为该静脉点的特征向量;需要说明的是,本实施例中对动脉点的特征向量和静脉点的特征向量的形式和内容并不做限定。
可选地,该初始分类模型可以是基于任意类型的深度学习网络、全连接网络、或者还可以是引入生成对抗网络的全连接网络等;本实施例对初始分类网络的具体形式和结构并不做限定。
本实施例中,计算机设备通过获取金标准特征点对应的类别,作为第一金标准类别;以及获取样本候选特征点对应的类别,作为第二金标准类别;接着,可以根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型,能够提高分类模型的准确性,尤其是结合金标准特征点和样本候选特征点一同训练时,不仅可以增加训练样本的数量,还能在很大程度上提高分类模型的准确性和精度,减小分类误差。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的图像特征点的确定方法的图像特征点的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个图像特征点的确定装置实施例中的具体限定可以参见上文中对于图像特征点的确定方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种图像特征点的确定装置,包括:第一获取模块601、第二获取模块602、第三获取模块603和确定模块604,其中:
第一获取模块601,用于获取灌注影像数据。
第二获取模块602,用于根据该灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图。
第三获取模块603,用于将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点。
确定模块604,用于基于该候选特征点,确定出灌注影像数据的目标特征点。
在其中一个实施例中,该候选特征点包括至少一对候选特征点;上述确定模块604包括第一确定单元和第二确定单元;其中,第一确定单元,用于将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果;第二确定单元,用于根据各候选特征点对应的分类结果,确定目标特征点。
在其中一个实施例中,上述第二确定单元,具体用于根据各候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点;并将该目标候选特征点,确定为目标特征点。
在其中一个实施例中,注意力图包括形态注意力图和位置注意力图,第三获取模块603,具体用于将第一特征图、形态注意力图和位置注意力图输入该候选点生成模型,得到灌注影像数据对应的候选特征点。
在其中一个实施例中,该装置还包括第一训练模块;该第一训练模块,用于训练候选点生成模型;该第一训练模块,具体用于获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点;根据样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图;将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型;其中,该样本候选特征点包括样本灌注影像数据对应的样本候选动脉点和样本灌注影像数据对应的样本候选静脉点。
在其中一个实施例中,该第一训练模块,具体用于获取样本灌注影像数据对应的初始金标准特征点;针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点;将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点。
在其中一个实施例中,该装置还包括第二训练模块;该第二训练模块,用于训练分类模型;该第二训练模块,具体用于获取金标准特征点对应的类别,作为第一金标准类别;获取样本候选特征点对应的类别,作为第二金标准类别;根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
上述图像特征点的确定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终端,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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像特征点的确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:该候选特征点包括至少一对候选特征点;将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果;根据各候选特征点对应的分类结果,确定目标特征点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点;将该目标候选特征点,确定为目标特征点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:注意力图包括形态注意力图和位置注意力图,将第一特征图、形态注意力图和位置注意力图输入该候选点生成模型,得到灌注影像数据对应的候选特征点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:候选点生成模型的训练过程包括:获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点;根据样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图;将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;该样本候选特征点包括样本灌注影像数据对应的样本候选动脉点和样本灌注影像数据对应的样本候选静脉点;根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取样本灌注影像数据对应的初始金标准特征点;针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点;将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分类模型的训练过程包括:获取金标准特征点对应的类别,作为第一金标准类别;获取样本候选特征点对应的类别,作为第二金标准类别;根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
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以下步骤:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该候选特征点包括至少一对候选特征点;将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果;根据各候选特征点对应的分类结果,确定目标特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点;将该目标候选特征点,确定为目标特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:注意力图包括形态注意力图和位置注意力图,将第一特征图、形态注意力图和位置注意力图输入该候选点生成模型,得到灌注影像数据对应的候选特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:候选点生成模型的训练过程包括:获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点;根据样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图;将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;该样本候选特征点包括样本灌注影像数据对应的样本候选动脉点和样本灌注影像数据对应的样本候选静脉点;根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本灌注影像数据对应的初始金标准特征点;针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点;将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分类模型的训练过程包括:获取金标准特征点对应的类别,作为第一金标准类别;获取样本候选特征点对应的类别,作为第二金标准类别;根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取灌注影像数据;
根据灌注影像数据,得到灌注影像数据对应的第一特征图和注意力图;
将第一特征图和注意力图输入候选点生成模型,得到灌注影像数据对应的候选特征点;该候选特征点包括灌注影像数据对应的候选动脉点和灌注影像数据对应的候选静脉点;
基于该候选特征点,确定出灌注影像数据的目标特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该候选特征点包括至少一对候选特征点;将各候选特征点分别输入预设的分类模型中,得到各候选特征点对应的分类结果;根据各候选特征点对应的分类结果,确定目标特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点;将该目标候选特征点,确定为目标特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:注意力图包括形态注意力图和位置注意力图,将第一特征图、形态注意力图和位置注意力图输入该候选点生成模型,得到灌注影像数据对应的候选特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:候选点生成模型的训练过程包括:获取样本灌注影像数据和样本灌注影像数据对应的金标准特征点;根据样本灌注影像数据,得到样本灌注影像数据对应的第一样本特征图和样本注意力图;将第一样本特征图和样本注意力图输入初始候选点生成网络,得到样本灌注影像数据对应的样本候选特征点;该样本候选特征点包括样本灌注影像数据对应的样本候选动脉点和样本灌注影像数据对应的样本候选静脉点;根据该样本候选特征点和金标准特征点对初始候选点生成网络进行训练,得到候选点生成模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本灌注影像数据对应的初始金标准特征点;针对每个初始金标准特征点,确定初始金标准特征点的预设范围内的多个随机特征点;将多个随机特征点中与初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至初始金标准特征点中,得到金标准特征点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分类模型的训练过程包括:获取金标准特征点对应的类别,作为第一金标准类别;获取样本候选特征点对应的类别,作为第二金标准类别;根据金标准特征点以及第一金标准类别,和/或,样本候选特征点和第二金标准类型,对初始分类网络进行训练,得到分类模型。
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,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像特征点的确定方法,其特征在于,所述方法包括:
获取灌注影像数据;
根据所述灌注影像数据,得到所述灌注影像数据对应的第一特征图和注意力图;
将所述第一特征图和所述注意力图输入候选点生成模型,得到所述灌注影像数据对应的候选特征点;所述候选特征点包括所述灌注影像数据对应的候选动脉点和所述灌注影像数据对应的候选静脉点;
基于所述候选特征点,确定出所述灌注影像数据的目标特征点。
2.根据权利要求1所述的方法,其特征在于,所述候选特征点包括至少一对候选特征点;所述基于所述候选特征点,确定出所述灌注影像数据的目标特征点,包括:
将各所述候选特征点分别输入预设的分类模型中,得到各所述候选特征点对应的分类结果;
根据各所述候选特征点对应的分类结果,确定所述目标特征点。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述候选特征点对应的分类结果,确定所述目标特征点,包括:
根据各所述候选特征点对应的分类结果,确定与预设分类结果对应的目标候选特征点;
将所述目标候选特征点,确定为所述目标特征点。
4.根据权利要求1所述的方法,其特征在于,所述注意力图包括形态注意力图和位置注意力图,所述将所述第一特征图和所述注意力图输入候选点生成模型,得到所述灌注影像数据对应的候选特征点,包括:
将所述第一特征图、所述形态注意力图和所述位置注意力图输入所述候选点生成模型,得到所述灌注影像数据对应的候选特征点。
5.根据权利要求1所述的方法,其特征在于,所述候选点生成模型的训练过程包括:
获取样本灌注影像数据和所述样本灌注影像数据对应的金标准特征点;
根据所述样本灌注影像数据,得到所述样本灌注影像数据对应的第一样本特征图和样本注意力图;
将所述第一样本特征图和所述样本注意力图输入初始候选点生成网络,得到所述样本灌注影像数据对应的样本候选特征点;所述样本候选特征点包括所述样本灌注影像数据对应的样本候选动脉点和所述样本灌注影像数据对应的样本候选静脉点;
根据所述样本候选特征点和所述金标准特征点对所述初始候选点生成网络进行训练,得到所述候选点生成模型。
6.根据权利要求5所述的方法,其特征在于,所述获取所述样本灌注影像数据对应的金标准特征点,包括:
获取所述样本灌注影像数据对应的初始金标准特征点;
针对每个所述初始金标准特征点,确定所述初始金标准特征点的预设范围内的多个随机特征点;
将所述多个随机特征点中与所述初始金标准特征点之间的相似度大于或者等于预设相似度阈值的随机特征点添加至所述初始金标准特征点中,得到所述金标准特征点。
7.根据权利要求5所述的方法,其特征在于,所述分类模型的训练过程包括:
获取所述金标准特征点对应的类别,作为第一金标准类别;
获取所述样本候选特征点对应的类别,作为第二金标准类别;
根据所述金标准特征点以及所述第一金标准类别,和/或,所述样本候选特征点和所述第二金标准类型,对初始分类网络进行训练,得到所述分类模型。
8.一种图像特征点的确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取灌注影像数据;
第二获取模块,用于根据所述灌注影像数据,得到所述灌注影像数据对应的第一特征图和注意力图;
第三获取模块,用于将所述第一特征图和所述注意力图输入候选点生成模型,得到所述灌注影像数据对应的候选特征点;所述候选特征点包括所述灌注影像数据对应的候选动脉点和所述灌注影像数据对应的候选静脉点;
确定模块,用于基于所述候选特征点,确定出所述灌注影像数据的目标特征点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676062.0A CN114170440A (zh) | 2021-12-31 | 2021-12-31 | 图像特征点的确定方法、装置、计算机设备和存储介质 |
PCT/CN2022/143478 WO2023125828A1 (en) | 2021-12-31 | 2022-12-29 | Systems and methods for determining feature points |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676062.0A CN114170440A (zh) | 2021-12-31 | 2021-12-31 | 图像特征点的确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170440A true CN114170440A (zh) | 2022-03-11 |
Family
ID=80488964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111676062.0A Pending CN114170440A (zh) | 2021-12-31 | 2021-12-31 | 图像特征点的确定方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114170440A (zh) |
WO (1) | WO2023125828A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125828A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for determining feature points |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949912A (zh) * | 2024-03-27 | 2024-04-30 | 南京工业大学 | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
CN111583209B (zh) * | 2020-04-29 | 2021-11-02 | 上海杏脉信息科技有限公司 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
CN111862259B (zh) * | 2020-07-27 | 2023-08-15 | 上海联影医疗科技股份有限公司 | 医学灌注图像处理方法和医学成像设备 |
CN114170440A (zh) * | 2021-12-31 | 2022-03-11 | 上海联影智能医疗科技有限公司 | 图像特征点的确定方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-31 CN CN202111676062.0A patent/CN114170440A/zh active Pending
-
2022
- 2022-12-29 WO PCT/CN2022/143478 patent/WO2023125828A1/en unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125828A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for determining feature points |
Also Published As
Publication number | Publication date |
---|---|
WO2023125828A1 (en) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11790297B2 (en) | Model-assisted annotating system and methods for use therewith | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
US10853409B2 (en) | Systems and methods for image search | |
CN114170440A (zh) | 图像特征点的确定方法、装置、计算机设备和存储介质 | |
CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
CN116188485A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN113077464A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN115760813A (zh) | 螺钉通道生成方法、装置、设备、介质和程序产品 | |
CN115063637A (zh) | 图像分类方法、存储介质和程序产品 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
EP4327333A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
CN111341408B (zh) | 影像报告模板的生成方法、计算机设备和存储介质 | |
CN112365504A (zh) | Ct左心室分割方法、装置、设备和存储介质 | |
CN117115187B (zh) | 颈动脉壁分割方法、装置、计算机设备和存储介质 | |
CN117036640B (zh) | 冠状动脉血管模型重构方法、装置、设备和存储介质 | |
CN111341408A (zh) | 影像报告模板的生成方法、计算机设备和存储介质 | |
CN116342603B (zh) | 获得动脉输入函数的方法 | |
Mudduluru | Developing and Applying Hybrid Deep Learning Models for Computer-Aided Diagnosis of Medical Image Data | |
US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
CN117911440A (zh) | 图像分割方法、装置和计算机设备 | |
CN114677335A (zh) | 血管图像处理方法、装置、计算机设备和存储介质 |
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 |