CN114494221A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114494221A
CN114494221A CN202210122748.3A CN202210122748A CN114494221A CN 114494221 A CN114494221 A CN 114494221A CN 202210122748 A CN202210122748 A CN 202210122748A CN 114494221 A CN114494221 A CN 114494221A
Authority
CN
China
Prior art keywords
target
image
name
pixel point
sub
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
Application number
CN202210122748.3A
Other languages
English (en)
Inventor
李卓威
夏清
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.)
Shanghai Shangtang Shancui Medical Technology Co ltd
Original Assignee
Shanghai Sensetime Intelligent 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202210122748.3A priority Critical patent/CN114494221A/zh
Publication of CN114494221A publication Critical patent/CN114494221A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质。所述图像处理方法包括：获取包括目标对象的目标图像；对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果；根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称。通过上述过程，可以有效地减小命名过程实现的难度以及提升命名的准确度，从而提升图像处理过程的鲁棒性。

Description

图像处理方法及装置、电子设备和存储介质
本申请是在2020年07月14日提交中国专利局、申请号为202010674675.X、申请名称为“图像处理方法及装置、电子设备和存储介质”的中国专利申请的分案申请。
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
心脑血管疾病是当前致死率最高的疾病之一，其中冠心病发病率最高。冠心病是由于动脉粥样硬化导致冠状动脉管腔狭窄，导致心肌供血不足而引起一系列临床病症。
在对冠心病的分析过程中，病变的定位以及医疗报告中的说明分析往往需要依赖于冠脉中心线的命名。因此，如何有效地对冠脉中心线中的各段进行命名，成为目前一个亟待解决的问题。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：
获取包括目标对象的目标图像；对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果；根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称。
在一种可能的实现方式中，所述对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果，包括：将所述目标图像输入至神经网络；根据所述神经网络的输出，确定所述目标图像中至少一个像素点的名称，作为所述分割结果；其中，所述神经网络通过包括所述目标对象的训练图像进行训练，所述训练图像中的目标对象通过至少一个目标子对象的名称进行标注。
在一种可能的实现方式中，所述神经网络通过包括所述目标对象的训练图像进行训练，包括：根据所述训练图像中目标对象的标注，确定所述训练图像中至少部分像素点的标签；通过包括所述至少部分像素点的标签的训练图像，对所述神经网络进行训练。
在一种可能的实现方式中，所述神经网络通过包括所述目标对象的训练图像进行训练，包括：在所述训练图像中的目标对象内，确定距离第一目标像素点最近的目标子对象，其中，所述第一目标像素点为所述训练图像中除所述目标对象以外的至少一个像素点；将确定的所述目标子对象的标注，作为所述第一目标像素点的标签；根据包括所述第一目标像素点的标签和所述目标对象的标注的训练图像，对所述神经网络进行训练。
在一种可能的实现方式中，所述根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称，包括：根据所述分割结果，确定至少一个第二目标像素点的名称，其中，所述第二目标像素点为所述目标子对象包含的像素点；统计所述目标子对象中所述第二像素点的名称，得到统计结果，将所述统计结果中数量最多的名称，作为所述目标子对象的名称。
在一种可能的实现方式中，根据所述分割结果，确定所述第二目标像素点的名称，包括：将所述第二目标像素点对应的分割结果，作为所述第二目标像素点的名称；或者，基于所述第二目标像素点预设范围内至少一个像素点的分割结果，确定所述第二目标像素点的名称。
在一种可能的实现方式中，所述方法还包括：根据至少一个所述目标子对象的名称，对所述目标对象进行处理，得到处理结果。
在一种可能的实现方式中，所述根据至少一个所述目标子对象的名称，对所述目标对象进行处理，包括：对所述目标对象中具有相同名称的目标子对象进行提取；和/或，根据相邻的目标子对象的名称，对所述目标对象中至少一个目标子对象的名称进行修正。
在一种可能的实现方式中，所述目标图像包括：心脏冠脉掩模图像，或者，心脏冠脉掩模图像以及心脏掩模图像；所述目标对象包括冠脉中心线。
根据本公开的一方面，提供了一种图像处理装置，包括：
目标图像获取模块，用于获取包括目标对象的目标图像；分割模块，用于对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果；命名模块，用于根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称。
在一种可能的实现方式中，所述分割模块用于：将所述目标图像输入至神经网络；根据所述神经网络的输出，确定所述目标图像中至少一个像素点的名称，作为所述分割结果；其中，所述神经网络通过包括所述目标对象的训练图像进行训练，所述训练图像中的目标对象通过至少一个目标子对象的名称进行标注。
在一种可能的实现方式中，所述神经网络通过包括所述目标对象的训练图像进行训练，包括：根据所述训练图像中目标对象的标注，确定所述训练图像中至少部分像素点的标签；通过包括所述至少部分像素点的标签的训练图像，对所述神经网络进行训练。
在一种可能的实现方式中，所述神经网络通过包括所述目标对象的训练图像进行训练，包括：在所述训练图像中的目标对象内，确定距离第一目标像素点最近的目标子对象，其中，所述第一目标像素点为所述训练图像中除所述目标对象以外的至少一个像素点；将确定的所述目标子对象的标注，作为所述第一目标像素点的标签；根据包括所述第一目标像素点的标签和所述目标对象的标注的训练图像，对所述神经网络进行训练。
在一种可能的实现方式中，所述命名模块用于：根据所述分割结果，确定至少一个第二目标像素点的名称，其中，所述第二目标像素点为所述目标子对象包含的像素点；统计所述目标子对象中所述第二像素点的名称，得到统计结果，将所述统计结果中数量最多的名称，作为所述目标子对象的名称。
在一种可能的实现方式中，所述命名模块进一步用于：将所述第二目标像素点对应的分割结果，作为所述第二目标像素点的名称；或者，基于所述第二目标像素点预设范围内至少一个像素点的分割结果，确定所述第二目标像素点的名称。
在一种可能的实现方式中，所述装置还包括处理模块，所述处理模块用于：根据至少一个所述目标子对象的名称，对所述目标对象进行处理，得到处理结果。
在一种可能的实现方式中，所述处理模块进一步用于：对所述目标对象中具有相同名称的目标子对象进行提取；和/或，根据相邻的目标子对象的名称，对所述目标对象中至少一个目标子对象的名称进行修正。
在一种可能的实现方式中，所述目标图像包括：心脏冠脉掩模图像，或者，心脏冠脉掩模图像以及心脏掩模图像；所述目标对象包括冠脉中心线。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述图像处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中，通过获取包括目标对象的目标图像，并对目标图像进行分割得到目标图像中至少一个像素点的名称作为分割结果，从而根据分割结果确定目标对象中至少一个目标子对象的名称。通过上述过程，可以将对目标图像中包含多个目标子对象的目标对象的命名过程，转化为像素级别的分割过程，有效地减小命名过程实现的难度以及提升命名的准确度，从而提升图像处理过程的鲁棒性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开一实施例的图像处理方法的流程图。
图2示出根据本公开一实施例的对目标对象进行提取的示意图。
图3示出根据本公开一应用示例的示意图。
图4示出根据本公开一实施例的图像处理装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的图像处理方法的流程图，该方法可以应用于图像处理装置，图像处理装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示，所述图像处理方法可以包括：
步骤S11，获取包括目标对象的目标图像。
步骤S12，对目标图像进行分割，得到目标图像中至少一个像素点的名称，作为分割结果。
步骤S13，根据分割结果，确定目标对象中至少一个目标子对象的名称。
其中，目标对象可以是任何具有命名需求的对象。进一步地，在一种可能的实现方式中，目标对象可以是需要进行分区域或分段命名的对象。由于目标对象可能包含有多个需要命名的段或区域，因此，在一种可能的实现方式中，目标对象可以根据多段或多区域的命名需求，被划分为多个目标子对象。
具体地，在一种可能的实现方式中，本公开实施例中提出的图像处理方法，可以用于对心脏冠脉中心线的各段进行命名，因此在一个示例中，目标对象可以是心脏冠脉的中心线，即冠脉中心线，在这种情况下，目标对象可以包含有多个目标子对象，每个目标子对象可以是树状冠脉中心线结构的其中一个分支或是分支中的其中一段，即冠脉中心线段；在一个示例中，目标对象也可以是心脏冠脉中其他具有命名需求的部分，或是心脏冠脉中心线的部分区域等，根据实际情况灵活选择即可。在一种可能的实现方式中，本公开实施例中提出的方法也可以应用于对其他包含多段或多区域的器官或组织进行命名，相应的，在一些可能的实现方式中，目标对象可以是具有多区域或多段命名需求的器官或组织。后续各公开实施例均以目标对象为心脏冠脉中心线为例进行说明，在目标对象为其他形式的情况下，其处理方法可以根据本公开实施例提出的方法进行灵活扩展，不再举例说明。
目标图像中像素点的名称，可以是与该像素点对应的目标子对象的名称。随着目标对象实现方式的不同，目标对象中目标子对象的名称，其实现方式也可以根据实际情况灵活决定。在一种可能的实现方式中，在目标对象为冠脉中心线的情况下，目标子对象的名称可以为冠脉中心线可以被划分为的多个冠脉中心线段的名称，如右冠状动脉(RCA)、右冠起源后降支(R-PDA)、左冠起源后降支(L-PDA)、右冠起源后侧支(R-PLB)、左冠起源后侧支(L-PLB)、左主干(LM)、回旋支中远段(LCX)、第一及第二钝缘支(OM1-2)、左前降支(LAD)、第一及第二对角支(D1-2)或是其他(Others)等。
目标图像可以是包含有目标对象的任意图像，在一种可能的实现方式中，目标图像可以是包含有全部目标对象的图像，在一种可能的实现方式中，目标图像也可以是包含有部分目标对象的图像，根据实际情况灵活选择即可。从上述公开实施例可以看出，在一种可能的实现方式中，目标图像可以是掩模图像(mask)，具体地，是何种掩模图像，可以根据实际情况灵活决定。如上述各公开实施例所述，在一种可能的情况下，目标对象可以包括冠脉中心线，相应地，目标图像可以是包含了冠脉中心线的图像或是可以用于提取冠脉中心线的图像。因此，在一种可能的实现方式中，目标图像可以包括心脏冠脉掩模图像。在一个示例中，心脏冠脉掩模图像可以是一个二值图像，比如可以通过0和1两个值区分图中的像素点是属于心脏冠脉还是与心脏冠脉无关的背景。
在一种可能的实现方式中，目标图像可以包括心脏冠脉掩模图像以及心脏掩模图像。心脏冠脉掩模图像的形式可以如上述公开实施例所述，在此不再赘述。心脏掩模图像可以是心脏冠脉所属的心脏所构成的一个掩模图像，通过不同的值划分出心脏的各个部位或腔室。在一个示例中，目标图像可以是心脏冠脉掩模图像和心脏掩模图像叠加而成的掩模图像，在叠加的过程中，心脏掩模图像中不属于心脏冠脉的像素点可以标记成心脏冠脉掩模图像中的背景值。后续各公开实施例中，均以目标图像为心脏掩模图像和心脏冠脉掩模图像叠加而成的掩模图像为例进行说明，其余可能的实现方式可以参考后续各公开实施例进行扩展，不再一一列举。
在目标图像同时包含心脏冠脉掩模图像以及心脏掩模图像的情况下，可以基于掩模图像进行分割，相比直接基于原始的心脏冠脉图像进行分割来说，简化后续分割过程的输入环境，降低了图像处理过程中的噪音，进一步地，可以通过心脏掩模图像，保留心脏各个腔室的信息，从而便于同时可以尽可能地保留冠脉的树状结构信息以及供血位置信息，减小了后续分割的难度，提升分割结果以及最终确定的名称的准确程度。
在得到了包括目标对象的目标图像后，可以通过步骤S12，对包括目标对象的目标图像进行分割，来得到目标图像中至少一个像素点的名称，作为分割结果。在一种可能的实现方式中，分割可以是对目标图像中的每个像素点进行分类，从而确定目标图像中每个像素点的类别；在一种可能的实现方式中，分割也可以是对目标图像中的每个前景像素点(比如心脏冠脉掩模图像中属于心脏冠脉的像素点)进行分类，从而确定目标图像中每个前景像素点的类别等。在本公开实施例中，分割的具体实现方式可以根据实际情况灵活决定，可以参见下述各公开实施例，在此先不做展开。
由于分割可以对目标图像中的像素点进行分类，因此，进一步地，可以根据目标图像中每个像素点的分类结果，确定目标图像中目标对象的各个目标子对象的名称。在一种可能的实现方式中，可以根据分割结果确定目标对象中每个目标子对象的名称；在一种可能的实现方式中，也可以根据需求，仅确定目标对象中部分目标子对象的名称，具体被确定的目标子对象的数量以及选择哪些目标子对象进行名称确定均可以根据实际情况灵活选择，在本公开实施例中不做限制。具体如何根据这些像素点的分类结果来确定目标子对象的名称，其实现方式可以根据实际情况灵活选择，详见后续各公开实施例，在此先不做展开。
在本公开实施例中，通过获取包括目标对象的目标图像，并对目标图像进行分割得到分割结果，从而根据分割结果确定目标对象中至少一个目标子对象的名称。通过上述过程，可以将对目标图像中包含多个目标子对象的目标对象的命名过程，转化为掩模分割过程，有效地减小命名过程实现的难度以及提升命名的准确度，从而提升图像处理过程的鲁棒性。
在一种可能的实现方式中，由于目标图像可以包括掩模图像，可以使得分割基于掩模图像进行，从而简化分割的输入环境，降低图像处理过程的噪音。
如上述各公开实施例所述，目标图像的实现形式可以根据实际情况灵活决定。因此获取包括目标对象的目标图像的方式也可以根据实际情况灵活决定。在一种可能的实现方式中，获取目标图像的方式可以为，对心脏冠脉原始图像进行血管分割，得到心脏冠脉掩模图像，然后对心脏冠脉掩模图像进行中心线提取，得到冠脉中心线图像作为目标对象，然后将冠脉中心线与心脏冠脉掩模图像进行叠加，从而得到包含目标对象的目标图像。在一种可能的实现方式中，获取目标图像的方式也可以为：对心脏冠脉原始图像进行血管分割得到心脏冠脉掩模图像，然后对心脏冠脉掩模图像进行中心线提取，得到冠脉中心线图像作为目标对象，同时对心脏原始图像进行血管分割，得到心脏掩模图像，然后将冠脉中心线、心脏冠脉掩模图像和心脏掩模图像进行叠加，从而得到包含目标对象的目标图像。步骤S11其余的可能实现方式可以根据目标图像的实际情况灵活选择，不再一一举例说明。
在得到了包括目标对象的目标图像后，可以通过步骤S12对目标图像进行分割，得到分割结果。在一种可能的实现方式中，可以根据目标图像中像素点与目标对象的相对位置，确定目标图像中至少部分像素点最接近或属于的目标子对象的名称，作为分割结果。在一种可能的实现方式中，也可以通过神经网络来得到目标图像的分割结果，在这种情况下，步骤S12可以包括：
将目标图像输入至神经网络；
根据神经网络的输出，确定目标图像中至少一个像素点的名称，作为分割结果；
其中，神经网络通过包括目标对象的训练图像进行训练，训练图像中的目标对象通过至少一个目标子对象的名称进行标注。
其中，神经网络输出的像素点的名称，可以是目标图像中的每个像素点的名称，也可以是目标图像中的部分像素点的名称，根据实际情况灵活确定即可。在一种可能的实现方式中，神经网络输出的可以是目标图像中每个前景像素点的名称，来作为分割结果。
训练图像的实现形式可以参考上述目标图像的实现形式，在此不再赘述。对训练图像的目标对象进行标注的方式在本公开实施例中不做限制，可以根据神经网络实现的功能灵活决定。在一种可能的实现方式中，也可以对训练图像中目标对象中的每个像素点分别进行标注，或是对训练图像中的每个像素点分别进行标注，在一种可能的实现方式中，可以分别对训练图像中的多个目标子对象进行标注。在一个示例中，可以将目标对象划分为多个目标子对象，然后标注其中部分目标子对象或每个目标子对象的名称，从而可以对目标子对象覆盖的像素点统一进行标注。具体选择哪种标注方式，可以根据实际情况灵活选择，在本公开实施例中不做限制。
神经网络的具体实现形式以及训练方式在本公开实施例中均不作限制，可以根据实际情况灵活选择，神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Res-Vnet作为神经网络的实现形式。训练采取的损失函数也可以根据实际情况灵活选择，在一个示例中，可以将dice loss作为损失函数，对神经网络进行训练。
通过上述公开实施例可以看出，在一种可能的实现方式中，可以通过神经网络对目标图像进行分割，由于对目标图像进行分割的神经网络可以通过包括目标对象的训练图像进行训练，且训练图像中的目标对象通过至少一个目标子对象的名称进行标注。因此，基于上述训练图像得到的神经网络，可以对目标图像中属于目标对象的像素点进行分割，从而得到每个被分割的像素点的分割结果，且分割结果可以是目标图像包含的像素点对应的目标子对象的名称，具体可能的名称种类可以参考上述各公开实施例，在此不再赘述。
通过以目标子对象的名称进行标注的训练图像，对神经网络训练，从而利用训练好的神经网络实现对目标图像的分割，得到分割结果。通过上述过程，可以有效地利用神经网络对目标图像实现像素级的分割，较为便捷地得到分割结果，从而有效地降低了图像处理的难度，提升了图像处理的实用性和泛化能力。
进一步地，神经网络通过包括目标对象的训练图像进行训练的方式，可以根据实际情况灵活决定，在一种可能的实现方式中，神经网络通过包括目标对象的训练图像进行训练，可以包括：
根据训练图像中目标对象的标注，确定训练图像中至少部分像素点的标签；
通过包括至少部分像素点的标签的训练图像，对神经网络进行训练。
如上述各公开实施例所述，训练图像中目标对象的标注形式可以根据实际情况灵活选择，相应地，随着标注的形式不同，步骤S21中确定至少部分像素点标签的方式也可以随之发生变化。在一种可能的实现方式中，可以将训练图像中目标对象的标注，直接作为目标图像中对应像素点的标签。如上所述，在一个示例中，可以通过将目标对象划分为多段目标子对象，对每段目标子对象进行命名的方式实现标注，因此相应地，被命名的目标子对象覆盖的像素点的标注可以作为这些像素点的标签。
在确定了训练图像中至少部分像素点的标签后，可以根据包含至少部分像素点标签的训练图像对神经网络训练，通过上述过程，可以基于标注的训练图像有效地对神经网络进行训练，得到具有分割命名功能的神经网络，提升图像处理的便捷性。
如上述各公开实施例所述，在一种可能的实现方式中，目标对象可以是冠脉中心线，而对于心脏冠脉掩模图像来说，冠脉中心线仅仅为心脏冠脉掩模的一部分，心脏冠脉掩模图像中还存在一部分像素点，其不属于目标对象即冠脉中心线，但是属于冠脉，因此这些像素点对应的名称，可以有助于确定冠脉中心线的名称。进一步地，如上述各公开实施例所述，在对训练图像中的目标对象进行标注的过程中，可以是对训练图像中的每个像素点进行标注，也可以是对训练图像的目标对象中的每个像素点进行标注。因此，这些有助于确定冠脉中心线名称的像素点，可能不包含标注。在一种可能的实现方式中，为了提高训练得到的神经网络的精度，可以考虑根据标注确定这些像素点的标签。
因此，在一种可能的实现方式中，神经网络通过包括目标对象的训练图像进行训练，可以包括：
在训练图像中的目标对象内，确定距离第一目标像素点最近的目标子对象，其中，第一目标像素点为训练图像中除目标对象以外的至少一个像素点；
将确定的目标子对象的标注，作为第一目标像素点的标签；
根据包括第一目标像素点的标签和目标对象的标注的训练图像，对神经网络进行训练。
其中，第一目标像素点可以是训练图像中不属于目标对象的至少一个像素点，具体选择哪些像素点作为第一目标像素点，可以根据实际情况灵活决定。在一种可能的实现方式中，可以将训练图像中位于目标对象以外，但是可以辅助对目标对象进行命名的像素点作为第一目标像素点，以目标对象为冠脉中心线为例，在一个示例中，可以将训练图像中位于冠脉中心线以外且属于心脏冠脉的像素点，作为第一目标像素点；进一步地，由于训练图像的实现形式可以与目标图像的实现形式相同，而上述各公开实施例已经提到，目标图像可以是掩模图像，因此，在一个示例中，可以将训练图像中不属于背景且不属于目标对象的像素点，均作为或是部分作为第一目标像素点。
在一种可能的实现方式中，可以根据训练图像中至少部分像素点的标签，确定第一目标像素点的标签，具体第一目标像素点的确定方式可以根据实际情况灵活选择，不局限于本公开各实施例。通过上述内容可以看出，在一种可能的实现方式中，可以将训练图像的目标对象中，距离第一目标像素点最近的目标子对象的标注，作为第一目标像素点的标签。进一步地，在一个示例中，距离第一目标像素点最近的目标子对象，可以是目标对象中距离第一目标像素点最近的像素点所属的目标子对象。
在得到了第一目标像素点的标签后，还可以通过如上述公开实施例所述的方式，将训练图像中目标对象的标注，直接作为目标图像中对应像素点的标签，从而得到具有密集标签的训练图像，对神经网络进行训练。
以目标对象为冠脉中心线为例对上述过程进行说明，在一个示例中，可以在训练图像中，首先将冠脉中心线上的像素点的标注作为这些像素点的标签，然后将既不属于背景也不属于冠脉中心线的像素点，作为第一目标像素点，对每个第一目标像素点，将冠脉中心线上距离该第一目标像素点最近的像素点的标注，作为该第一目标像素点的标签，继而得到一个包含密集标签的训练图像，通过此包含密集标签的训练图像对神经网络进行训练，可以得到较好的训练结果。
通过上述过程，可以基于包含目标对象标注的训练图像，得到具有密集标签和完整信息的训练图像对神经网络进行训练，从而在不增加标注难度的基础上，提升训练得到的神经网络的精度，继而提升分割结果以及最终得到的目标子对象的名称的准确度。提升图像处理的准确性和便捷性。
通过上述任意公开实施例得到目标图像的分割结果后，可以通过步骤S13，基于分割结果来确定目标对象中至少一个目标子对象的名称。步骤S13的实现方式不受限定，在一种可能的实现方式中，可以将目标子对象包含的任意像素点的分割结果，作为目标子对象的名称。在一种可能的实现方式中，步骤S13可以包括：
步骤S131，根据分割结果，确定至少一个第二目标像素点的名称，其中，第二目标像素点为目标子对象包含的像素点；
步骤S132，统计目标子对象中第二像素点的名称，得到统计结果，将统计结果中数量最多的名称，作为目标子对象的名称。
其中，第二目标像素点可以是目标子对象包含的像素点，即目标子对象所覆盖的像素点。在一种可能的实现方式中，由于得到的分割结果可能不是完全准确，因此，对于同一个目标子对象来说，其包含的第二目标像素点的分割结果可能准确，即与对应的目标子对象的名称相同，也可能不准确，即与对应的目标子对象的名称不同；在这种情况下，如果将目标子对象包含的任意一个第二目标像素点的分割结果作为目标子对象的名称，很有可能得到不准确的命名结果。
基于上述原因，在一种可能的实现方式中，对于任意需要确定名称的目标子对象，可以通过步骤S131，来根据分割结果，获得该目标子对象中至少一个第二目标像素点的名称。
具体地，步骤S131中获取目标子对象中第二目标像素点的数量，可以根据实际情况灵活决定。在一种可能的实现方式中，可以获取目标子对象包含的每个第二目标像素点，在一种可能的实现方式中，可以对目标子对象包含的第二目标像素点进行随机采样，来获得部分第二像素点，具体如何采样以及采样的数量可以根据实际情况灵活决定，在本公开实施例中不做限制。
进一步地，无论获得的是部分第二目标像素点还是全部第二目标像素点，均需要根据分割结果，来确定获得的第二目标像素点的名称。名称确定的方式可以根据实际情况灵活决定，在一种可能的实现方式中，根据分割结果，确定第二目标像素点的名称，可以包括：
将第二目标像素点对应的分割结果，作为第二目标像素点的名称。或者，
基于第二目标像素点预设范围内至少一个像素点的分割结果，确定第二目标像素点的名称。
通过上述公开实施例可以看出，在一种可能的实现方式中，可以直接将第二目标像素点的分割结果作为第二目标像素点的名称。
上述公开实施例已经提出，目标图像中像素点的分割结果可能不是完全准确的，在这种情况下，如果将第二目标像素点的分割结果作为第二目标像素点的名称，也可能会出现差错，因此，在一种可能的实现方式中，可以根据第二目标像素点预设范围内至少一个像素点的分割结果，来确定第二目标像素点的名称。
其中，第二目标像素点的预设范围，可以根据实际情况灵活设定，如第二目标像素点周围的9邻域、16邻域等等，在本公开实施例中不做限制。一般来说，第二目标像素点附近的像素点，与第二目标像素点属于同一目标子对象的概率较大，因此通过这些像素点，可以确定第二目标像素点较为准确的名称。在一个示例中，可以获取第二目标像素点预设范围内包含的每个像素点的分割结果，然后从这些获取到的分割结果中，选择比例最高或是数量最多的分割结果，或是选择比例或是数量超过设定阈值(如比例超过50％等)的分割结果，作为第二目标像素点的名称；在一个示例中，也可以对第二目标像素点预设范围内包含的像素点进行采样，然后从这些采样得到的像素点对应的分割结果中，选择比例最高或是数量最多的分割结果，或是选择比例或是数量超过设定阈值(如比例超过50％等)的分割结果，作为第二目标像素点的名称。
如上述各公开实施例所述，目标图像中可能存在一些像素点，虽然不属于目标对象，但是可以辅助确定目标子对象的名称，因此，通过基于第二目标像素点预设范围内至少一个像素点的分割结果，确定第二目标像素点的名称，可以有效地引入这些具有辅助功能像素点的分割结果来确定第二目标像素点的名称，提升确定的第二目标像素点的名称的准确性，继而提升确定的目标子对象名称的准确性，从而提升图像处理准确度。
在通过上述任意方式确定至少一个第二目标像素点的名称后，可以通过步骤S132，基于第二像素点名称的统计结果，来得到目标子对象的名称。其中，步骤S132的实现方式可以根据实际情况灵活决定，比如在统计目标子对象中的每个第二像素点或部分第二像素点的名称后，可以将这些统计的名称中数量最多的名称作为目标子对象的名称，或是将这些统计的名称中出现比例最高的名称作为目标子对象的名称，或是将这些统计的名称中数量超过预设阈值或是比例超过预设阈值的名称，作为目标子对象的名称，预设阈值的数值在本公开实施例中不做限定，根据实际情况灵活设定即可。
以目标对象为冠脉中心线为例对上述过程进行说明，在一个示例中，可以依次确定冠脉中心线每个冠脉中心线段的名称，具体地，对于每个冠脉中心线段来说，可以先遍历其包含的每个像素点即第二目标像素点，确定这些第二目标像素点的名称，确定的方式可以是直接根据其分割结果进行确定，也可以是根据其周围的像素点的分割结果共同确定，参考上述各公开实施例即可，在此不再赘述。在确定了这些第二目标像素点的名称后，可以统计该冠脉中心线段中数量最多或是比例最高的名称，作为该冠脉中心线段的名称。
通过根据分割结果确定至少一个第二目标像素点的名称，并统计确定的第二像素点的名称，从而根据统计结果得到目标子对象的名称，通过上述过程，即使目标图像中存在部分像素点的分割结果不准确，也可以基于比例得到较为准确的目标子对象的名称，从而可以提升最终确定的目标子对象的名称的准确性，继而提升图像处理的准确度和精度。
在一种可能的实现方式中，本公开实施例提出的图像处理方法还可以包括：
步骤S14，根据至少一个目标子对象的名称，对目标对象进行处理，得到处理结果。
通过上述公开实施例可以看出，在得到了目标图像中至少一个目标子对象的名称后，还可以基于确定的名称，根据实际需求对目标图像中的目标对象进行进一步地处理和优化，得到最终的图像处理结果。具体如何根据目标子对象的名称进行处理，得到何种处理结果，可以根据实际的图像处理需求灵活决定，详见下述各公开实施例，在此先不做展开。
通过根据至少一个目标子对象的名称对目标对象进行处理，得到处理结果，可以有效地根据目标子对象的名称对目标对象进行进一步地优化，即使之前对目标图像进行分割得到的分割结果准确率较低，从而导致确定的名称存在一定的误差，也可以通过处理进行修正，得到更为准确的处理结果，提升图像处理的精度和鲁棒性。
在一种可能的实现方式中，步骤S14可以包括：
对目标对象中具有相同名称的目标子对象进行提取。和/或，
根据相邻的目标子对象的名称，对目标对象中至少一个目标子对象的名称进行修正。
其中，对目标对象中具有相同名称的目标子对象进行提取的方式不受限定。在一种可能的实现方式中，在目标对象为冠脉中心线的情况下，由于冠脉中心线可以为树状结构，对于属于同一名称的冠脉中心线段，由于分割的不准确可能导致该冠脉中心线段包含有多个分支，为了得到较为准确的冠脉中心线段，在一个示例中，可以对同一名称下包含多个分支的冠脉中心线段进行提取，选定其中最完整或是最长的一支作为提取结果。图2示出根据本公开一实施例的对目标对象进行提取的示意图，从图中可以看出，名称为R-PLB的冠脉中心线段在提取前存在两个分支，经过提取，较短的分支被删除，而仅保留了较长的分支作为提取结果。
根据目标子对象的名称对目标对象进行修正的方式在本公开实施例中也不做限定。在一种可能的实现方式中，在目标对象为冠脉中心线的情况下，冠脉中心线中的部分冠脉中心线段可能存在如下情况：即该冠脉中心线段可能位于两个具有同样名称的其他冠脉中心线段之间，且该冠脉中心线段的名称与这两个其他冠脉中心线段的名称不同。由于冠脉中心线的连续性，该冠脉中心线段的名称很有可能是不准确的，因此，可以基于相邻的其他冠脉中心线段的名称，修改当前冠脉中心线段的名称，使冠脉中心线保持连续性。
步骤S14在实现的过程中，可以同时包含有上述的提取过程和修正过程，也可以根据实际情况仅包含其中的某个过程，或者也可以包含有其他的修正过程，这些过程在实现过程中的执行顺序也可以根据实际情况灵活选择，具体如何实现可以根据实际情况灵活决定，不局限于上述各公开实施例。
通过对目标对象中具有相同名称的目标子对象进行提取，和/或，根据相邻的目标子对象的名称对目标对象中至少一个目标子对象的名称进行修正，可以进一步减小由于分割不准确导致的命名结果不准确的情况的发生，提升最终得到的处理结果的准确性，提升图像处理的精度和鲁棒性。
应用场景示例
心脑血管疾病是当前致死率最高的疾病之一，其中冠心病发病率最高，冠心病是由于动脉粥样硬化导致冠状动脉管腔狭窄，导致心肌供血不足而引起一系列临床病症，包括心绞痛，心肌梗死，心肌衰竭，心律失常和猝死。因此冠脉狭窄，斑块检测等结果对诊断以及后续治疗有着指导性意义在对冠心病的分析过程中，病变的定位以及医疗报告中的说明分析往往需要依赖于冠脉中心线的命名。因此，如何有效地对冠脉中心线中的各段进行命名，成为目前一个亟待解决的问题。
图3示出根据本公开一应用示例的示意图，如图所示，本公开实施例提出了一种图像处理方法，这一处理方法可以通过图像处理实现对冠脉中心线的分段命名，该图像处理的过程可以为：
如图所示，该图像处理过程可以大致分为四个步骤。
第一步，分别获取心脏冠脉掩模图和心脏掩模图，并将两个掩模图进行合并，作为合并掩模图。同时并对心脏冠脉掩模图进行中心线提取，得到由多个冠脉中心线段(目标子对象)构成的冠脉中心线作为目标对象。然后将合并掩模图与目标对象进行叠加，得到包括目标对象(冠脉中心线)的目标图像。
第二步，通过训练好的神经网络，对目标图像进行分割，得到目标图像中每个前景像素点(即属于心脏冠脉的像素点)的分割结果。
第三步，根据第二步得到的分割结果，通过投票命名的方式，确定目标图像中冠脉中心线每个冠脉中心线段的名称，具体地投票命名过程可以为：
对每个冠脉中心线段，确定其包含的像素点作为第二目标像素点，然后统计这些第二目标像素点的分割结果所对应的名称，选择其中数量最多的名称，作为该冠脉中心线段的名称。
第四步，在对每个冠脉中心线段完成命名后，可以通过后处理，对其中包含多个具有同名分支的冠脉中心线段，保留其最完整或长度最长的一支作为最终结果，并对不连续的冠脉中心线段进行修正，比如某中心线段的父节点(父线段)和子节点(子线段)具有相同的名称，但是该冠脉中心线段与他们的名称不一致，则可以将该冠脉中心线段修改为与其父节点和子节点一致的名称。通过上述后处理，得到最终的处理结果。
进一步地，第二步中用于对目标图像分割的神经网络，其训练过程可以为：
首先准备训练图像，训练图像可以与目标图像的形式相同，即将心脏冠脉掩模图像、心脏掩模图像与冠脉中心线进行叠加得到的图像，作为训练图像。
由于训练图像用于对神经网络进行训练，其还需要有监督数据groundtruth，即训练图像中的像素点还需要准备标签。在本公开应用示例中，groundtruth的生成方式可以为：首先可以对冠脉中心线通过分段命名进行标注，这样，每个冠脉中心线段中像素点的标签即为对应的冠脉中心线段的标注名称。
然后将训练图像中，属于前景且不属于冠脉中心线段的像素点分别作为第一目标像素点，则可以将冠脉中心线上距离第一目标像素点最近像素点的标签(也是标注)，作为该第一目标像素点的标签。
通过上述过程，可以得到包含有标签的训练图像，将这一包含有标签的训练图像输入到神经网络中进行训练，则可以得到训练好的神经网络。在一个示例中，神经网络可以将Res-Vnet神经网络作为基础模型，通过dice loss作为损失函数进行多标签分割训练，从而得到最终的训练结果。
通过上述过程，可以将冠脉中心线分段命名任务构建成为血管mask的实例分割任务；同时本公开应用示例中提出的图像处理方法可以将心脏冠脉掩模图像和心脏掩模图像作为输入，比起将心脏冠脉的原图作为输入，简化了输入环境，降低了噪音并保留了所有树状结构信息以及供血位置信息；另外，在命名过程中，对分割结果采用投票机制，使得冠脉中心线段的命名依赖于该段像素点中出现最多的分割标签，即使部分像素点的分割结果不准确，只要正确的分割结果占多数比例，即可得到正确的冠脉中心线命名结果；最后，在基于分割结果进行命名后还进一步对命名结果进行后处理，由于分割结果依赖于训练数据，通过后处理可以在训练数据较少的时候也能保持最终处理结果的鲁棒性。
需要说明的是，本公开实施例的图像处理方法不限于应用在上述心脏冠脉图像的处理中，可以应用于任意的图像处理，本公开对此不作限定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的图像处理装置的框图。该图像处理装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中，该图像处理装置可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图4所示，所述图像处理装置20可以包括：
目标图像获取模块21，用于获取包括目标对象的目标图像。
分割模块22，用于对目标图像进行分割，得到目标图像中至少一个像素点的名称，作为分割结果。
命名模块23，用于根据分割结果，确定目标对象中至少一个目标子对象的名称。
在一种可能的实现方式中，分割模块用于：将目标图像输入至神经网络；根据神经网络的输出，确定目标图像中至少一个像素点的名称，作为分割结果；其中，神经网络通过包括目标对象的训练图像进行训练，训练图像中的目标对象通过至少一个目标子对象的名称进行标注。
在一种可能的实现方式中，神经网络通过包括目标对象的训练图像进行训练，包括：根据训练图像中目标对象的标注，确定训练图像中至少部分像素点的标签；通过包括至少部分像素点的标签的训练图像，对神经网络进行训练。
在一种可能的实现方式中，神经网络通过包括目标对象的训练图像进行训练，包括：在训练图像中的目标对象内，确定距离第一目标像素点最近的目标子对象，其中，第一目标像素点为训练图像中除目标对象以外的至少一个像素点；将确定的目标子对象的标注，作为第一目标像素点的标签；根据包括第一目标像素点的标签和目标对象的标注的训练图像，对神经网络进行训练。
在一种可能的实现方式中，命名模块用于：根据分割结果，确定至少一个第二目标像素点的名称，其中，第二目标像素点为目标子对象包含的像素点；统计目标子对象中第二像素点的名称，得到统计结果，将统计结果中数量最多的名称，作为目标子对象的名称。
在一种可能的实现方式中，命名模块进一步用于：将第二目标像素点对应的分割结果，作为第二目标像素点的名称；或者，基于第二目标像素点预设范围内至少一个像素点的分割结果，确定第二目标像素点的名称。
在一种可能的实现方式中，装置还包括处理模块，处理模块用于：根据至少一个目标子对象的名称，对目标对象进行处理，得到处理结果。
在一种可能的实现方式中，处理模块进一步用于：对目标对象中具有相同名称的目标子对象进行提取；和/或，根据相邻的目标子对象的名称，对目标对象中至少一个目标子对象的名称进行修正。
在一种可能的实现方式中，目标图像包括：心脏冠脉掩模图像，或者，心脏冠脉掩模图像以及心脏掩模图像；目标对象包括冠脉中心线。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种图像处理方法，其特征在于，包括：
获取包括目标对象的目标图像；
对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果；
根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称；
所述根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称，包括：
根据所述分割结果，确定至少一个第二目标像素点的名称，其中，所述第二目标像素点为所述目标子对象包含的像素点；
统计所述目标子对象中所述第二像素点的名称，得到统计结果，将所述统计结果中数量最多和/或出现比例最高的名称，作为所述目标子对象的名称。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果，包括：
将所述目标图像输入至神经网络；
根据所述神经网络的输出，确定所述目标图像中至少一个像素点的名称，作为所述分割结果；
其中，所述神经网络通过包括所述目标对象的训练图像进行训练，所述训练图像中的目标对象通过至少一个目标子对象的名称进行标注。
3.根据权利要求2所述的方法，其特征在于，所述神经网络通过包括所述目标对象的训练图像进行训练，包括：
根据所述训练图像中目标对象的标注，确定所述训练图像中至少部分像素点的标签；
通过包括所述至少部分像素点的标签的训练图像，对所述神经网络进行训练。
4.根据权利要求2或3所述的方法，其特征在于，所述神经网络通过包括所述目标对象的训练图像进行训练，包括：
在所述训练图像中的目标对象内，确定距离第一目标像素点最近的目标子对象，其中，所述第一目标像素点为所述训练图像中除所述目标对象以外的至少一个像素点；
将确定的所述目标子对象的标注，作为所述第一目标像素点的标签；
根据包括所述第一目标像素点的标签和所述目标对象的标注的训练图像，对所述神经网络进行训练。
5.根据权利要求1所述的方法，其特征在于，根据所述分割结果，确定所述第二目标像素点的名称，包括：
将所述第二目标像素点对应的分割结果，作为所述第二目标像素点的名称；或者，
基于所述第二目标像素点预设范围内至少一个像素点的分割结果，确定所述第二目标像素点的名称。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述方法还包括：
根据至少一个所述目标子对象的名称，对所述目标对象进行处理，得到处理结果。
7.根据权利要求6所述的方法，其特征在于，所述根据至少一个所述目标子对象的名称，对所述目标对象进行处理，包括：
对所述目标对象中具有相同名称的目标子对象进行提取；和/或，
根据相邻的目标子对象的名称，对所述目标对象中至少一个目标子对象的名称进行修正。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，所述目标图像包括：心脏冠脉掩模图像，或者，心脏冠脉掩模图像以及心脏掩模图像；
所述目标对象包括冠脉中心线。
9.根据权利要求8所述的方法，其特征在于，在所述目标图像包括心脏冠脉掩模图像的情况下，所述获取包括目标对象的目标图像，包括：
对心脏冠脉原始图像进行血管分割，得到心脏冠脉掩模图像；
对所述心脏冠脉掩模图像进行中心线提取，得到冠脉中心线图像作为目标对象；
将冠脉中心线与所述心脏冠脉掩模图像进行叠加，得到包含目标对象的目标图像。
10.根据权利要求8所述的方法，其特征在于，在所述目标对象包括心脏冠脉掩模图像以及心脏掩模图像的情况下，所述获取包括目标对象的目标图像，包括：
对心脏冠脉原始图像进行血管分割得到心脏冠脉掩模图像；
对心脏冠脉掩模图像进行中心线提取，得到冠脉中心线图像作为目标对象；
对心脏原始图像进行血管分割，得到心脏掩模图像；
将冠脉中心线、心脏冠脉掩模图像和心脏掩模图像进行叠加，得到包含目标对象的目标图像。
11.一种图像处理装置，其特征在于，包括：
目标图像获取模块，用于获取包括目标对象的目标图像；
分割模块，用于对所述目标图像进行分割，得到所述目标图像中至少一个像素点的名称，作为分割结果；
命名模块，用于根据所述分割结果，确定所述目标对象中至少一个目标子对象的名称；
所述命名模块用于：根据所述分割结果，确定至少一个第二目标像素点的名称，其中，所述第二目标像素点为所述目标子对象包含的像素点；统计所述目标子对象中所述第二像素点的名称，得到统计结果，将所述统计结果中数量最多和/或出现比例最高的名称，作为所述目标子对象的名称。
12.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
CN202210122748.3A 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质 Pending CN114494221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210122748.3A CN114494221A (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210122748.3A CN114494221A (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质
CN202010674675.XA CN111882527B (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202010674675.XA Division CN111882527B (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114494221A true CN114494221A (zh) 2022-05-13

Family

ID=73151298

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210122748.3A Pending CN114494221A (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质
CN202010674675.XA Active CN111882527B (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202010674675.XA Active CN111882527B (zh) 2020-07-14 2020-07-14 图像处理方法及装置、电子设备和存储介质

Country Status (5)

Country Link
JP (1) JP2022543547A (zh)
KR (1) KR20220028011A (zh)
CN (2) CN114494221A (zh)
TW (1) TW202203151A (zh)
WO (1) WO2022012038A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494221A (zh) * 2020-07-14 2022-05-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3636332B2 (ja) * 1993-12-24 2005-04-06 セイコーエプソン株式会社 画像処理方法および画像処理装置
JPH0991032A (ja) * 1995-09-21 1997-04-04 Fuji Electric Co Ltd 制御中の工程名称を表示するプログラムコントローラ
US9761004B2 (en) * 2008-09-22 2017-09-12 Siemens Healthcare Gmbh Method and system for automatic detection of coronary stenosis in cardiac computed tomography data
JP5846368B2 (ja) * 2011-11-16 2016-01-20 学校法人東京理科大学 医療画像処理装置、方法、及びプログラム
CA2975035C (en) * 2015-03-20 2023-08-22 Ventana Medical Systems, Inc. System and method for image segmentation
CN106204587B (zh) * 2016-05-27 2019-01-08 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络和区域竞争模型的多器官分割方法
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
CN106651886A (zh) * 2017-01-03 2017-05-10 北京工业大学 一种基于超像素聚类优化cnn的云图分割方法
KR20180083253A (ko) * 2017-01-12 2018-07-20 가부시키가이샤 한도오따이 에네루기 켄큐쇼 반도체 장치의 제작 방법
CN108230343B (zh) * 2018-01-05 2020-06-05 厦门华联电子股份有限公司 一种图像处理方法及装置
CN108717695B (zh) * 2018-04-25 2021-07-13 数坤(北京)网络科技股份有限公司 心脏冠脉血管自动分段命名方法
JP7153264B2 (ja) * 2018-08-02 2022-10-14 三菱重工業株式会社 画像解析システム、画像解析方法及び画像解析プログラム
CN109522898A (zh) * 2018-09-18 2019-03-26 平安科技（深圳）有限公司 手写样本图片标注方法、装置、计算机设备及存储介质
CN111161240B (zh) * 2019-12-27 2024-03-05 上海联影智能医疗科技有限公司 血管分类方法、装置、计算机设备和可读存储介质
CN111161301B (zh) * 2019-12-31 2021-07-27 上海商汤智能科技有限公司 图像分割方法及装置、电子设备和存储介质
CN114494221A (zh) * 2020-07-14 2022-05-13 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
TW202203151A (zh) 2022-01-16
WO2022012038A1 (zh) 2022-01-20
KR20220028011A (ko) 2022-03-08
JP2022543547A (ja) 2022-10-13
CN111882527B (zh) 2021-12-21
CN111882527A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
US20210326587A1 (en) Human face and hand association detecting method and a device, and storage medium
US20220198775A1 (en) Image processing method and apparatus, electronic device, storage medium and computer program
CN111161301B (zh) 图像分割方法及装置、电子设备和存储介质
US20220019772A1 (en) Image Processing Method and Device, and Storage Medium
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN114078118A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
CN109543536B (zh) 图像标识方法及装置、电子设备和存储介质
CN110659690B (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN112749801A (zh) 神经网络训练和图像处理方法及装置
CN114820584A (zh) 肺部病灶定位装置
CN111833344A (zh) 医学图像的处理方法及装置、电子设备和存储介质
CN113012816A (zh) 脑分区风险预测方法及装置、电子设备和存储介质
CN113012146A (zh) 血管信息获取方法及装置、电子设备和存储介质
CN113139471A (zh) 目标检测方法及装置、电子设备和存储介质
WO2023050690A1 (zh) 图像处理方法、装置、电子设备、存储介质和程序
CN111882558A (zh) 图像处理方法及装置、电子设备和存储介质
CN111652107A (zh) 对象计数方法及装置、电子设备和存储介质
CN111798498A (zh) 图像处理方法及装置、电子设备和存储介质
CN111882527B (zh) 图像处理方法及装置、电子设备和存储介质
CN112419285A (zh) 目标检测方法及装置、电子设备和存储介质
CN112613447A (zh) 关键点检测方法及装置、电子设备和存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20240605

Address after: Units 6-01, 6-49, 6-80, 6th Floor, No. 1900 Hongmei Road, Xuhui District, Shanghai, 200030

Applicant after: Shanghai Shangtang Shancui Medical Technology Co.,Ltd.

Country or region after: China

Address before: Room 1605a, building 3, 391 Guiping Road, Xuhui District, Shanghai

Applicant before: SHANGHAI SENSETIME INTELLIGENT TECHNOLOGY Co.,Ltd.

Country or region before: China