CN114708301A - 一种运动伪影识别方法、装置、存储介质及电子设备 - Google Patents
一种运动伪影识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114708301A CN114708301A CN202210337004.3A CN202210337004A CN114708301A CN 114708301 A CN114708301 A CN 114708301A CN 202210337004 A CN202210337004 A CN 202210337004A CN 114708301 A CN114708301 A CN 114708301A
- Authority
- CN
- China
- Prior art keywords
- motion artifact
- window
- determining
- window data
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 210000004351 coronary vessel Anatomy 0.000 claims abstract description 63
- 230000004044 response Effects 0.000 claims description 123
- 238000012549 training Methods 0.000 claims description 78
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000012795 verification Methods 0.000 claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013481 data capture Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 26
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000003062 neural network model Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种运动伪影识别方法、装置、存储介质及电子设备。其中方法包括获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据;识别各窗口数据的运动伪影描述参数,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。本实施例的技术方案,替代了对冠脉图像的整体进行整体识别的情况,对窗口数据的运动伪影识别针对性强,干扰数据少,便于提高运动伪影的识别准确度。同时预先设置的窗口尺寸和步长,用于兼顾运动伪影识别过程中的计算复杂度和信号准确性,便于提高运动伪影的识别准确度。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种运动伪影识别方法、装置、存储介质及电子设备。
背景技术
运动伪影是在对目标对象(被扫描的人体或者动物体等)进行医学图像采集的过程中,由于目标对象自主或非自主运动导致的。其中,非自主运动为目标对象的生理相关运动,例如心脏运动和呼吸运动等,在医学图像采集过程中是不受控制或者不完全受控制的。主动运动是目标对象在医学图像采集过程中有意识的主动运动。一般情况下,运动伪影主要因非自主运动导致。
目前对运动伪影的识别方式中,存在定位精度差的问题。
发明内容
本发明提供了一种运动伪影识别方法、装置、存储介质及电子设备,以解决提高运动伪影的识别精度。
根据本发明的一方面,提供了一种运动伪影的识别方法,包括:
获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据;
识别各窗口数据的运动伪影描述参数,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。
根据本发明的另一方面,提供了一种运动伪影的识别装置,包括:
窗口数据截取模块,用于获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据;
运动伪影识别模块,用于识别各窗口数据的运动伪影描述参数,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的运动伪影的识别方法。
根据本发明的另一方面,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,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的运动伪影的识别方法。
本实施例提供的技术方案,通过预先确定对冠脉图像进行数据截取的窗口尺寸和步长,对冠脉图像进行窗口数据的截取,通过对窗口数据的运动伪影的识别,得到冠脉图像中运动伪影的识别结果,替代了对冠脉图像的整体进行整体识别的情况,对窗口数据的运动伪影识别针对性强,干扰数据少,便于提高运动伪影的识别准确度。同时预先设置的窗口尺寸和步长,用于兼顾运动伪影识别过程中的计算复杂度和信号准确性,便于提高运动伪影的识别准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的运动伪影的识别方法的流程图;
图2是本发明实施例提供的一种运动伪影的识别装置的结构示意图;
图3是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的运动伪影的识别方法的流程图,本实施例可适用于对冠脉图像进行运动伪影识别的情况,该方法可以由本发明实施例提供的运动伪影的识别装置来执行,该运动伪影的识别装置可以由软件和/或硬件来实现,该运动伪影的识别装置可以配置在电子计算设备上,具体包括如下步骤:
S110、获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据。
S120、识别各窗口数据的运动伪影描述参数,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。
本实施例中,待处理的图像为冠脉图像,即包括冠状动脉部位的图像。此处不限定冠脉图像的采集方式和图像类型,示例性的,冠脉图像可以是但不限于CT(ComputedTomography,电子计算机断层扫描)图像、MRI(Magnetic Resonance Imaging,磁共振成像)图像等。通过对冠脉图像进行运动伪影的识别,以定位冠脉图像中运动伪影的位置,便于对冠脉图像中进行去伪影处理。
在获取冠脉图像后,可以是对冠脉图像进行预处理,预处理包括但不限于去噪处理、图像增强处理等,对此不作限定。通过预处理减少图像中的干扰数据,提高图像清晰度,以提高运动伪影的识别精度。
获取预先设置的窗口尺寸和步长,窗口尺寸用于限定对冠脉图像进行数据截取的窗口的大小,步长用于限定窗口滑动的单位长度。通过基于窗口尺寸和步长控制窗口在冠脉图像中的滑动,截取窗口每一次滑动后对应的窗口数据,用于进行运动伪影的识别。每一窗口数据为冠脉图像中的部分数据,通过对各窗口数据分别进行处理,以得到冠脉图像的运动伪影识别结果,替代了对冠脉图像进行整体识别的方式,减少了处理数据量,同时提高了运动伪影识别的针对性和精确度。
本实施例中,基于预设的窗口尺寸和步长控制窗口沿所述冠脉图像中冠脉中心线方向滑动,并在窗口的滑动过程中对所述冠脉图像进行窗口数据截图,得到多个窗口数据。其中,冠脉图像中冠脉中心线可以是预先标记的,冠脉图像中冠脉中心线的确定方式不作限定,示例性的,可以是在冠脉图像中识别冠状血管,并对识别的冠状血管进行腐蚀处理,得到冠脉中心线;示例性的,还可以是将冠脉图像输入至预先训练的冠脉中心线检测模型中,得到冠脉中心线检测模型输出的检测结果,该检测结果可以是包括冠脉中心线标记的冠脉图像。
对于截取的多个窗口数据,分别识别窗口数据的运动伪影描述参数,其中,运动伪影描述参数为用于窗口数据中特征信息对运动伪影的响应值。不同类型的特征信息对应的运动伪影描述参数可以不同,通过各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,示例性的,在运动伪影描述参数为特定值的情况下,确定窗口数据中存在运动伪影,或者,在运动伪影描述参数存在数据波动的情况下,确定存在数据波动的窗口数据中存在运动伪影,即将存在运动伪影的窗口数据对应的窗口可确定为运动伪影窗口。基于存在运动伪影窗口确定冠脉图像中运动伪影的位置信息,实现对冠脉图像进行运动伪影的识别和定位。
本实施例中,冠脉图像的运动伪影识别结果中包括冠脉图像中运动伪影的位置信息,根据运动伪影窗口确定冠脉图像中运动伪影的位置信息,例如可以是将各运动伪影窗口的位置信息确定为运动伪影的位置信息,还可以是对运动伪影窗口的中心位置确定为运动伪影的位置信息,还可以是,基于各运动伪影窗口确定冠脉图像中的运动伪影区域,将运动伪影区域的中心位置信息确定为运动伪影的位置信息。其中,运动伪影区域可以是连续运动伪影窗口形成的区域。
可选的,基于运动伪影窗口确定运动伪影位置,包括:根据各窗口的相邻关系,确定连续的运动伪影窗口;对于任一组连续的运动伪影窗口,基于连续的至少一个运动伪影窗口中窗口起始位置与窗口深度一半的和,确定对应的运动伪影位置。其中,连续的运动伪影窗口的窗口数量大于等于1,示例性的,冠脉图像截取得到n个窗口数据,各窗口数据的运动伪影描述参数为01110010…,将运动伪影描述参数为特定值(例如为1)的窗口确定为运动伪影窗口,即窗口2、3、4、7为运动伪影窗口,进一步的,第一组连续的运动伪影窗口包括窗口2、3、4,第二组连续的运动伪影窗口包括窗口7。基于第一组连续的运动伪影窗口的起始位置与窗口深度一半的和确定第一运动伪影位置,基于第二组连续的运动伪影窗口起始位置与窗口深度一半的和确定第二运动伪影位置。
需要说明的是,冠脉图像为二维图像或三维图像,相应的,窗口数据中各数据点的坐标信息为二维坐标或三维坐标,相应的,基于连续的至少一个运动伪影窗口中起始位置和窗口深度一半的和,确定对应的运动伪影位置,可以是对连续的至少一个运动伪影窗口中初始坐标信息和窗口深度一半的和,得到该连续的至少一个运动伪影窗口对应的运动伪影位置。
可选的,运动伪影描述参数包括运动伪影分类预测值、信噪比响应值、矩阵秩响应值和频域信息响应值的一项或多项,相应的,预先设置有上述各运动伪影描述参数的确定规则,基于待识别的运动伪影描述参数,调用对应的运动伪影描述参数的确定规则,对各窗口数据分别进行处,以得到各窗口数据对应的运动伪影描述参数。通过识别上述至少一项运动伪影描述参数,以确定冠脉图像中的运动伪影识别结果。
在一些实施例中,运动伪影描述参数包括运动伪影分类预测值;相应的,识别各窗口数据的运动伪影描述参数,包括:对任一窗口,将所述窗口的窗口数据输入至预先训练的神经网络模型中,得到所述神经网络模型输出的运动伪影分类预测值。本实施例中,通过预先训练的神经网络模型对窗口数据进行处理,得到运动伪影分类预测值,可选的,该运动伪影分类预测值可以是预测类型对应的数据标识,例如0或1等,运动伪影分类预测值为1可表征该窗口数据的分类类型为运动伪影类型,运动伪影分类预测值为0可表征该窗口数据的分类类型为非运动伪影类型。可选的,该运动伪影分类预测值可以是窗口数据中存在运动伪影的概率值。
预先训练的神经网络模型具有对窗口数据基于运动伪影进行分类的功能,本实施例中不限定神经网络模型的网络结构。示例性的,运动伪影识别模型的网络结构可以是卷积神经网络模型、循环神经网络或者Transformer模型等。示例性的,卷积神经网络模块包括但不限于AlexNet、VGG、inception、ResNet、DenseNet等,循环神经网络模型包括但不限于LSTM(Long Short Term,长短期记忆网络)、GRU(门控循环单元)模型等。
神经网络模型可以是基于窗口数据和各窗口数据对应运动伪影识别标签进行迭代训练得到的。在一些实施例中,可以是通过对至少一个网络结构的初始模型进行训练,以得到不同网络结构的神经网络模型,并在多个神经网络模型中筛选得到最终的神经网络模型。
以运动伪影分类预测值可以是预测类型对应的数据标识为例,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:将所述运动伪影分类预测值为第一特定值的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。示例性的,第一特定值可以是运动伪影类型对应的运动伪影分类预测值,例如,第一特定值为1。
以运动伪影分类预测值可以是窗口数据中存在运动伪影的概率值为例,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:将所述运动伪影分类预测值大于预设阈值的窗口确定运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。其中,预设阈值可以是预先确定,示例性的,预设阈值可以是85%或者95%等,对此不作限定。
通过运动伪影分类预测值作为窗口数据对运动伪影的响应值,以确定冠脉图像中的运动伪影窗口,基于各运动伪影窗口的截取顺序,将相邻的运动伪影窗口确定为连续的运动伪影窗口。在运动伪影窗口的相邻窗口均为非运动伪影窗口时,该运动伪影窗口作为一组连续的运动伪影窗口,即各组连续的运动伪影窗口包括至少一个运动伪影窗口。将各连续的运动伪影窗口确定对应的运动伪影位置。
在一些实施例中,所述运动伪影描述参数包括信噪比响应值;相应的,所述识别各窗口数据的运动伪影描述参数,包括:对任一窗口,基于所述窗口的窗口数据确定信噪比数据;将所述信噪比数据与信噪比阈值进行比对,根据比对结果确定所述窗口数据的信噪比响应值。
以冠脉图像为CT图像为例,对冠脉图像截取的窗口数据可以是窗口对应的CT数据。窗口数据的信噪比数据用于反映窗口数据中信号与噪声的比例,其中,窗口数据中的运动伪影作为噪声的主要因素,通过统计窗口数据中的信噪比数据,确定窗口数据的信噪比响应值。
可选的,信噪比数据的确定方式包括:对任一窗口数据分别计算标准差和均值,基于窗口数据的标准差和均值的比值,确定信噪比数据。可选的,信噪比数据的确定方式包括:将窗口数据输入至预先训练的信噪比关系模型中,得到窗口数据对应的信噪比数据,其中,信噪比关系模型可以是预先训练得到,用于反映窗口数据和信噪比信息的映射关系。由于不同窗口尺寸和步长截取得到的窗口数据不同,相应的,信噪比关系模型可以是基于信噪比数据与窗口尺寸、步长和窗口数据等多个参数的映射关系,对于任一窗口数据,信噪比关系模型的输入信包括该窗口数据以及该窗口数据对应的窗口尺寸和步长。通过设置信噪比关系模型,可快速确定窗口数据对应的信噪比数据,简化了信噪比数据的计算过程。
预先设置信噪比阈值,将信噪比数据与信噪比阈值进行比对,在信噪比数据大于等于信噪比阈值时,确定窗口数据的信噪比响应值为第一响应值,在信噪比数据小于信噪比阈值时,确定窗口数据的信噪比响应值为第二响应值。其中,第一响应值和第二响应值可以是诸如1和0等的数字标识,在其他实施例中,信噪比响应值还可以是其他形式的标识,对此不作限定。
基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:将所述信噪比响应值为第二特定值的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。其中,第二特定值可以是第一响应值和第二响应值中的一项,可选的,第二特定值为第一响应值,将大于等于信噪比阈值的信噪比数据对应的窗口确定为运动伪影窗口。
基于各运动伪影窗口的截取顺序,将相邻的运动伪影窗口确定为连续的运动伪影窗口,将每一组连续的运动伪影窗口的窗口起始位置与窗口深度一半的和,确定为对应的运动伪影位置。
在一些实施例中,运动伪影描述参数包括矩阵秩响应值;相应的,识别各窗口数据的运动伪影描述参数,包括:对于任一窗口,确定所述窗口数据对应的矩阵秩响应值。本实施例中,将窗口数据转化为数据矩阵,即将窗口数据中的各数据值确定为矩阵中对应位置的因子。可通过奇异值分解方式对窗口数据对应的数据矩阵进行分解,以得到窗口数据对应的矩阵秩响应值。可选的,对任一窗口,将所述窗口的窗口数据进行奇异值分解,得到各所述窗口数据对应的分解矩阵;基于奇异值阈值与所述分解矩阵中的各奇异值进行比对,确定所述窗口的矩阵秩响应值。示例性的,基于如下公式进行奇异值分解:Xt=UΣVT,其中,Xt为第t个窗口数据对应的数据矩阵,U为一组输出正交奇异向量的矩阵,VT为一组输入正交奇异向量的矩阵,Σ为以对角元素的奇异值大小降序排列的矩阵,即分解矩阵,该分解矩阵Σ中包括的对角元素分别为奇异值,例如,q1、q2…qN,其中,q1为最大奇异值。窗口的矩阵秩响应值通过预先设置的奇异值阈值分别与分解矩阵中各奇异值进行比对,确定大于奇异值阈值的奇异值数量,将该大于奇异值阈值的奇异值数量确定为矩阵秩响应值。示例性的,
其中,上述奇异值分解中的中间矩阵为分解矩阵,可知分解矩阵中的奇异值包括和1。若奇异值阈值为2,则奇异值均小于奇异值阈值(即个数为0),矩阵秩响应值为0;若奇异值阈值为1.5,则奇异值大于奇异值阈值,奇异值1小于奇异值阈值,矩阵秩响应值为1。
将各窗口数据进行奇异值分解,以得到各窗口数据对应的矩阵秩响应值。在Xt的矩阵秩响应值大于或小于Xt-1的矩阵秩响应值,表明上述两窗口数据在视觉内容上不同,该视觉内容上的不同是由于存在运动伪影导致的,相应的,在相邻窗口对应的矩阵秩响应值不同时,该相邻的两窗口数据中一个或多个窗口数据中存在运动伪影。
可选的,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:根据各窗口的相邻关系,比对各相邻窗口的矩阵秩响应值,将存在矩阵秩响应值波动的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。对于任一窗口,将该窗口的矩阵秩响应值,分别与前一窗口的矩阵秩响应值,和/或,后一窗口的矩阵秩响应值进行比对。将与前一窗口和/或后一窗口的矩阵秩响应值不同的窗口确定为运动伪影窗口。在一些实施例中,若当前窗口的矩阵秩响应值与前一窗口和后一窗口的矩阵秩响应值均不同,则确定当前窗口为运动伪影窗口。
在一些实施例中,根据各窗口的截取顺序,依次比对各窗口的矩阵秩响应值,例如可以是基于各窗口的矩阵秩响应值和窗口顺序,绘制矩阵秩响应值曲线,将该矩阵秩响应值曲线中确定存在波动的窗口,将存在矩阵秩响应值波动的窗口确定为运动伪影窗口。
基于确定运动伪影窗口确定运动伪影的识别结果,即确定运动伪影的位置信息。具体的,基于各运动伪影窗口的截取顺序,将相邻的运动伪影窗口确定为连续的运动伪影窗口,基于连续的运动伪影窗口中起始位置和窗口深度一半的和,确定对应的运动伪影位置。
在一些实施例中,运动伪影描述参数包括频域信息响应值;相应的,所述识别各窗口数据的运动伪影描述参数,包括:对任一窗口,确定该窗口对应窗口数据的频域统计信息,基于频域统计信息和频域阈值进行比对,得到该窗口数据对应的频域信息响应值。根据运动伪影的特性,包括运动伪影的窗口数据中低频信息变化较大,高频信息变化较小。
在一些实施例中,将所述窗口的窗口数据进行频域转换,得到频域图像,并在所述频域图像中提取高频信息和低频信息;基于所述频域图像中低频信息确定低频统计信息,基于所述频域图像中高频信息确定高频统计信息,并基于低频阈值与低频统计信息进行比对,以及基于高频信息与高频统计信息比对,根据高频信息的比对结果和低频信息的比对结果确定所述窗口的频域信息响应值。其中,通过频域变换方式,将窗口数据转换为频域图像,示例性的,频域变换方式包括但不限于离散余弦变换、离散傅里叶变换、离散小波变换等。经频域转换及ZIG-ZAG排序得到的频域图像中包括高频信息和低频信息,可通过对频域图像进行区域划分的方式提取高频信息和低频信息,示例性的,将频域图像的左上角区域作为低频区域,右下角区域作为高频区域,相应的,基于低频区域提取低频信息,以得到低频统计信息,基于高频区域提取高频信息,以得到高频统计信息。其中,低频区域和高频区域的划分可以是预先设置的。可以是将低频区域中各像素点的像素数据确定为低频信息,并将各像素点的低频信息的和值或者均值确定为低频统计信息;将高频区域中各像素点的像素数据确定为高频信息,并将各像素点的高频信息的和值或者均值确定为高频统计信息。
在一些实施例中,还可以是预先创建频域关系模型,该频域关系模型用于反映窗口数据、窗口尺寸和步长与频域统计信息的映射关系,对于任一窗口数据,将该窗口数据以及该窗口数据对应的窗口尺寸和步长输入至频域关系模型,得到在窗口尺寸和步长下,窗口数据对应的频域统计信息。在一些实施例中,频域关系模型可以包括高频关系模型和低频关系模型,频域统计信息包括高频统计信息和低频统计信息。频域关系模型可以是与对冠脉图像进行数据截取的当前窗口尺寸和当前步长相匹配,调用该频域关系模型,分别得到窗口数据对应的频域统计信息。通过预先创建频域关系模型,可直接将窗口数据输入至频域关系模型中,快速得到频域关系模型输出的频域统计信息,无需对窗口数据分别进行频域图像的转换,以及高频信息和低频信息的提取和处理,简化了频域统计信息的确定过程。
频域信息响应值包括低频响应值和高频响应值。将低频统计信息与低频阈值进行比对,在低频统计信息大于等于低频阈值的情况下,确定低频响应值为第一低频响应值,在低频统计信息小于低频阈值的情况下,确定低频信息响应值为第二低频响应值。将高频统计信息与高频阈值进行比对,在高频统计信息大于等于高频阈值的情况下,确定高频响应值为第一高频响应值,在高频统计信息小于高频阈值的情况下,确定高频响应值为第二低高频应值。
可选的,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:根据各窗口的相邻关系,比对各相邻窗口的频域信息响应值,将存在频域信息响应值波动的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。基于各窗口对应的频域信息响应值确定运动伪影窗口,例如将存在响应值变化的窗口确定为运动伪影窗口。可选的,将低频响应值和/或高频响应值存在变化的窗口确定为运动伪影窗口。基于冠脉图像中的运动伪影窗口确定运动伪影位置,本实施例中,运动伪影窗口不连续,即连续的运动伪影窗口中仅包括一个运动伪影窗口,将该运动伪影窗口的起始位置和窗口深度一半的和确定为运动伪影的位置。
在上述实施例的基础上,运动伪影描述参数包括运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中的一项或多项;相应的,所述基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:基于窗口数据分别确定运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中的一项或多项;基于确定的所述运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中任一项分别确定运动伪影子识别结果,并基于多个运动伪影子识别结果确定运动伪影的目标识别结果。本实施例中,对各窗口数据分别确定上述多个运动伪影描述参数中的一项或多项,分别基于每一种运动伪影描述参数确定冠脉图像的运动伪影子识别结果,并基于各运动伪影描述参数分别确定的运动伪影子识别结果确定运动伪影的目标识别结果,示例性的,可以是将多个运动伪影子识别结果进行融合处理得到,其中,融合处理可以将多个运动伪影子识别结果进行加权处理,或者将多个运动伪影子识别结果进行合并处理,以及去重处理,得到目标识别结果。通过对冠脉图像确定不同类型的运动伪影描述参数,以从不同特征信息的维度进行运动伪影的识别,基于多个运动伪影子识别结果确定运动伪影的目标识别结果,通过对冠脉图像的运动伪影的识别精度。
本实施例提供的技术方案,通过预先确定对冠脉图像进行数据截取的窗口尺寸和步长,对冠脉图像进行窗口数据的截取,通过对窗口数据的运动伪影的识别,得到冠脉图像中运动伪影的识别结果,替代了对冠脉图像的整体进行整体识别的情况,对窗口数据的运动伪影识别针对性强,干扰数据少,便于提高运动伪影的识别准确度。同时预先设置的窗口尺寸和步长,用于兼顾运动伪影识别过程中的计算复杂度和信号准确性,便于提高运动伪影的识别准确度。
在上述实施例的基础上,运动伪影的识别过程中存在如下影响因素:窗口尺寸、步长和运动伪影描述参数。运动伪影常发生在冠状动脉周围,沿冠脉中心线的切向方向进行截取,得到窗口数据。其中窗口为三维窗口,窗口大小体现了运动伪影的判断的敏感性,窗口过大,则官腔横截面无法完整观察,窗口过小,则窗口数据的信号强度不够。步长反映了运动伪影定位的精度,步长过大,则定位精度误差大,步长过小,则计算复杂度高。对各窗口数据计算运动伪影描述参数,影响运动伪影的识别精度。本实施例中,在运动伪影识别过程中各影响因素均经过预先训练和验证得到,其中,该影响因素包括窗口尺寸、步长和用于确定运动伪影描述参数的确定规则,该用于确定运动伪影描述参数的确定规则可以是运动伪影识别模型,不同运动伪影描述参数可对应不同类型、不同形式的运动伪影识别模型。
相应的,上述方法还包括:预先确定运动伪影识别策略,所述运动伪影识别策略中包括窗口尺寸和步长,以及运动伪影识别模型。需要说明的是,上述实施例中的窗口尺寸和步长,以及运动伪影描述参数的确定方式可以包含在预先确定的运动伪影识别策略中。通过预先的训练和验证确定上述运动伪影识别策略,实现对运动伪影识别过程中的各影响因素进行筛选,避免任意影响因素对运动伪影识别导致的负面影响,保证了运动伪影的识别准确度。
可选的,预先确定运动伪影识别策略,包括:获取运动伪影训练样本,以及多组包括窗口尺寸与步长的图像截取参数组合;基于任一图像截取参数组合,沿所述运动伪影训练样本中冠脉中心线对所述运动伪影训练样本进行窗口数据截取,并基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型;获取运动伪影验证样本,基于所述运动伪影验证样本对各图像截取参数组合对应的运动伪影识别模型进行验证,确定各运动伪影识别模型的伪影识别准确率;将满足伪影识别准确率筛选条件的运动伪影识别模型,以及筛选出的运动伪影识别模型对应的图像截取参数组合,确定为运动伪影识别策略。
运动伪影训练样本和运动伪影验证样本可以为预先采集的冠脉图像,获取运动伪影样本图像,各运动伪影样本图像对应设置有运动伪影标签。将运动伪影样本图像划分为训练样本和验证样本,例如基于预设比例在运动伪影样本图像集合中进行随机抽取,得到运动伪影训练样本集合和运动伪影验证样本集合,其中,运动伪影训练样本集合和运动伪影验证样本集合中可存在部分样本重叠。通过运动伪影训练样本集合训练得到多个运动伪影识别策略,通过运动伪影验证样本集合对训练得到的多个运动伪影识别策略进行优化和筛选,以得到最终的运动伪影识别策略。
预先设置多个图像截取参数组合,以分别确定各图像截取参数组合对应的运动伪影识别策略。其中,不同图像截取参数组合中窗口尺寸和/或步长不同。对于每一图像截取参数组合中的窗口尺寸和步长,控制窗口沿冠脉中心线方向进行滑动,以截取多个窗口数据。通过窗口数据和窗口数据对应的运动伪影标签训练运动伪影识别模型。本实施例中不限定运动伪影识别模型的模型类型,示例性的,运动伪影识别模型可以包括但不限于诸如神经网络模型的机器学习模型、通过数据拟合得到的关系模型等,具有对窗口数据进行运动伪影识别功能即可。需要说明的是,不同类型的运动伪影识别模型可通过不同训练方法得到。
对于每一图像截取参数组合,对一种或多种类型的运动伪影识别模型进行训练,得到各图像截取参数组合对应的一个或多个运动伪影识别模型,通过运动伪影验证样本集合对各运动伪影识别模型进行识别准确率验证,以筛选得到最优的运动伪影识别策略。
在一些实施例中,基于预先设置的伪影识别准确率筛选条件,筛选运动伪影识别模型,将筛选的该运动伪影识别模型,以及对应的图像截取参数组合,确定为运动伪影识别策略,具体的,将所述伪影识别准确率最大的运动伪影识别模型,以及所述伪影识别准确率最大的运动伪影识别模型对应的图像截取参数组合,确定为运动伪影识别策略。通过基于不同的图像截取参数组合训练不同的运动伪影识别模型,并筛选伪影识别准确率最大的运动伪影识别模型,在保证了运动伪影识别精度基础上,避免了窗口尺寸和步长选择对运动伪影识别精度的影响,同时降低了窗口尺寸和步长的选择难度。
在一些实施例中,基于预先设置的伪影识别准确率和运动伪影识别过程的消耗参数作为筛选条件,筛选运动伪影识别模型,将筛选的该运动伪影识别模型,以及对应的图像截取参数组合。例如可以是将运动伪影识别准确度满足准确度阈值,且消耗参数最小的运动伪影识别策略确定为目标的运动伪影识别策略。消耗参数可以是包括运动伪影识别过程中的处理时长、计算量的一项或多项。可选的,可基于步长表征消耗参数,其中,步长越小,计算复杂度越高,相应的消耗参数越大。相应的,可以是将运动伪影识别准确度满足准确度阈值,且步长最大的运动伪影识别策略确定为目标的运动伪影识别策略。具体的,通过将伪影识别准确率大于等于伪影识别准确率阈值的一个或多个运动伪影识别模型,确定为候选运动伪影识别模型,相应的,候选运动伪影识别模型与其对应的图像截取参数组合,形成候选运动伪影识别策略,并基于步长(或消耗参数)在多个候选运动伪影识别策略中确定目标运动伪影识别策略。例如,将最大步长对应的候选运动伪影识别策略确定为目标运动伪影识别策略,通过增大步长可减少对医学断层图像处理过程中截取的窗口数据的数量,以进一步减少运动识别过程中的计算量,计算复杂度小,兼顾了运动伪影的识别精度和计算复杂度。
在上述实施例的基础上,运动伪影识别模型可以是包括关系模型,其中,关系模型用于表征输入信息和输出信息之间的映射关系,可选的,输入信息可以是窗口数据,输出信息可以是运动伪影描述参数,通过训练关系模型,可基于窗口数据,输出对应的运动伪影描述参数,简化了运动伪影描述参数的确定过程。
在上述实施例的基础上,运动伪影识别模型可以是包括关系模型和目标阈值,其中,关系模型的输入信息可以是窗口数据,输出信息可以是用于表征窗口数据的特征信息,例如可以是统计指标,目标阈值用于与关系模型的输出信息进行比对,以确定窗口数据的运动伪影描述参数。
在一些实施例中,所述基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型,包括:确定所述窗口数据对应的统计指标,并基于所述窗口尺寸、步长、窗口数据与统计指标的对应关系,构建统计指标与所述窗口尺寸、步长、窗口数据的关系模型;基于所述统计指标和对应的阈值比对结果,确定各窗口数据的训练识别结果,基于所述各窗口数据对应的运动伪影标签和所述各窗口数据的训练识别结果,确定所述统计指标对应的目标阈值,其中,所述关系模型和所述目标阈值组成所述运动伪影识别模型。
其中,统计指标包括窗口数据的信噪比、所述窗口数据的频域统计信息和所述窗口数据经奇异值分解得到的奇异值。不同的统计指标对应不同的运动伪影描述参数,各窗口数据的统计指标和窗口数据用于创建不同的关系模型,相应的,该关系模型用于表征上述统计指标与窗口数据之间的映射关系。目标阈值用于对关系模型输出的统计指标进行比对,以得到运动伪影描述参数,进一步确定运动伪影识别结果,目标阈值的大小同样决定运动伪影识别结果的准确度。本实施例中,对关系模型和目标阈值分别进行训练,以得到包括关系模型和目标阈值的运动伪影识别模型。
以基于窗口数据的信噪比训练运动伪影识别模型为例,对于任一组窗口尺寸、步长对运动伪影训练样本截取的窗口数据,分别计算各窗口数据的信噪比数据,其中任意窗口数据的信噪比数据可以是基于该窗口数据的标准差和均值的比值确定。基于窗口数据、窗口尺寸、步长与信噪比数据的对应关系,构建信噪比数据与所述窗口尺寸、步长、窗口数据的关系模型。此处限定关系模型的形式,该关系模型的输入信息为窗口尺寸、步长和窗口数据,输出信息为第一统计指标,进一步的,该关系模型中窗口尺寸、步长可以为固定参数。
在一些实施例中,关系模型可以是散点图模型,相应的,信噪比数据与所述窗口尺寸、步长、窗口数据的关系模型可以是信噪比散点图模型。示例性的,基于窗口尺寸、步长和窗口数据与信噪比数据的对应关系,构建信噪比数据散点图,基于信噪比数据散点图构建信噪比数据散点图模型,例如通过信噪比数据散点图拟合得到信噪比数据与窗口尺寸、步长和窗口数据的映射关系。
基于训练得到的信噪比散点图模型训练信噪比阈值,即目标阈值。该信噪比阈值通过各窗口数据的运动伪影标签迭代训练得到,具体的,确定初始阈值,对初始阈值进行迭代优化,在每一次迭代过程中,将基于当前阈值与各窗口数据对应的统计指标进行比对,基于比对结果确定所述运动伪影训练样本的训练识别结果;基于所述运动伪影训练样本训练识别结果和运动伪影标签调节所述当前阈值,即对当前阈值进行增加或减少的调节,基于调节后的阈值再次确定训练识别结果,和对应的运动伪影识别准确率。直到所述当前阈值满足识别精度,确定为目标阈值,例如将最优运动伪影识别准确率对应的阈值确定为目标阈值,或者将满足识别精度的阈值确定为目标阈值。
以基于窗口数据的频域统计信息训练运动伪影识别模型为例,对于任一组窗口尺寸、步长对运动伪影训练样本截取的窗口数据,分别计算各窗口数据对应的频域统计信息,频域统计信息包括高频统计信息和低频统计信息。其中,频域统计信息的确定方式可以包括:将窗口数据转换为频域图像,提取所述频域图像中的高频信息和低频信息,并确定所述低频信息的低频统计信息,和高频信息的高频统计信息。通过频域变换方式,将窗口数据转换为频域图像,示例性的,频域变换方式包括但不限于离散余弦变换、离散傅里叶变换、离散小波变换等。经频域转换得到的频域图像中包括高频信息和低频信息,可通过对频域图像进行区域划分的方式提取高频信息和低频信息,示例性的,将频域图像的左上角区域作为低频区域,右下角区域作为高频区域,相应的,基于低频区域提取低频信息,以得到低频统计信息,基于高频区域提取高频信息,以得到高频统计信息。其中,低频区域和高频区域的划分可以是预先设置的。具体的,可以是将低频区域中各像素点的像素数据确定为低频信息,并将各像素点的低频信息的和值或者均值确定为低频统计信息;将高频区域中各像素点的像素数据确定为高频信息,并将各像素点的高频信息的和值或者均值确定为高频统计信息。基于窗口尺寸、步长和窗口数据分别与低频统计信息的对应关系,构建低频信息散点图,基于窗口尺寸、步长和窗口数据分别与高频统计信息的对应关系,构建高频信息散点图,频域信息散点图模型包括高频信息散点图模型和低频信息散点图模型。相应的,运动伪影识别模型包括低频信息散点图模型、低频阈值、高频信息散点图模型和高频阈值。
基于训练得到的低频信息散点图模型训练低频阈值,基于训练得到的高频信息散点图模型训练高频阈值,即目标阈值包括高频阈值和低频阈值。以低频阈值为例,该低频阈值通过各窗口数据的运动伪影标签迭代训练得到,具体的,确定初始阈值,对初始阈值进行迭代优化,在每一次迭代过程中,基于训练得到的低频信息散点图模型确定低频统计信息,将基于当前阈值与各窗口数据对应的低频统计信息进行比对,基于比对结果确定所述运动伪影训练样本的训练识别结果;基于所述运动伪影训练样本训练识别结果和运动伪影标签调节所述当前阈值,即对当前阈值进行增加或减少的调节,基于调节后的阈值再次确定训练识别结果,和对应的运动伪影识别准确率。直到所述当前阈值满足识别精度,确定为低频阈值,例如将最优运动伪影识别准确率对应的阈值确定为低频阈值,或者将满足识别精度的阈值确定为低频阈值。可选的,还可以是基于上述阈值的优化方法,确定高频阈值,对此不作赘述。
在上述实施例的基础上,基于所述运动伪影验证样本对各图像截取参数组合对应的运动伪影识别模型进行验证,确定各运动伪影识别模型的伪影识别准确率,包括:基于各运动伪影识别模型对应的图像截取参数组合,对所述运动伪影验证样本进行窗口数据截取,将截取的各窗口数据输入至所述运动伪影识别模型中的关系模型中,得到各窗口数据对应的统计指标;基于所述运动伪影识别模型中的目标阈值与各所述统计指标进行比对,确定各窗口对应的运动伪影描述参数,并基于各窗口对应的运动伪影描述参数确定运动伪影验证结果;基于各所述运动伪影验证样本的运动伪影标签与所述运动伪影验证结果确定所述运动伪影识别模型的伪影识别准确率。
其中,运动伪影描述参数可以是上述统计指标相对于目标阈值的响应值,示例性的,在统计指标大于等于目标阈值的情况下,生成第一响应值,在统计指标小于目标阈值的情况下,生成第二响应值,其中,第一响应值和第二响应值为运动伪影描述参数。基于各窗口对应的运动伪影描述参数确定运动伪影验证结果,即在运动伪影描述参数为特定值,或者,运动伪影描述参数存在波动的情况下,确定运动伪影描述参数对应的窗口为运动伪影窗口,基于各运动伪影窗口确定运动伪影验证结果。确定运动伪影验证结果与运动伪影标签的匹配度,得到运动伪影识别模型的伪影识别准确率,并通过伪影识别准确率筛选运动伪影识别模型,以得到运动伪影识别策略。
在上述实施例的基础上,运动伪影识别模型的输入信息可以是窗口数据,输出信息可以是运动伪影描述参数,其中,运动伪影描述参数包括运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值。相应的,基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型,包括:确定所述窗口数据对应的运动伪影描述参数,并基于所述窗口尺寸、步长、窗口数据与运动伪影描述参数的对应关系,构建运动伪影描述参数与所述窗口尺寸、步长、窗口数据的运动伪影识别模型。
以矩阵秩响应值为例,对各窗口数据对应的数据矩阵进行奇异值分解,以得到窗口数据对应的分解矩阵,该分解矩阵中包括奇异值。将各奇异值与奇异值阈值进行比对,得到大于奇异值阈值的奇异值数量,即矩阵秩响应值。基于窗口尺寸、步长、窗口数据与矩阵秩响应值的对应关系,描绘散点图,进一步构建矩阵秩散点图模型,作为矩阵秩响应值与窗口尺寸、步长、窗口数据的关系模型,即运动伪影识别模型,示例性的,可以是基于矩阵秩响应值与窗口尺寸、步长、窗口数据的对应关系,进行数据拟合得到。对于其他运动伪影描述参数,同样可基于上述训练过程,得到对应的运动伪影识别模型。
将运动伪影验证样本集合中的各运动伪影验证样本,基于窗口尺寸和步长截取窗口数据后,将窗口数据、窗口尺寸和步长作为输入信息输入至上述运动伪影识别模型,以得到运动伪影识别模型输出的运动伪影描述参数,基于各窗口数据的运动伪影描述参数,确定各运动伪影验证样本对应验证识别结果,将运动伪影验证样本验证识别结果和运动伪影标签进行比对,确定运动伪影识别策略的运动伪影识别准确度,基于运动伪影识别准确度确定目标的运动伪影识别策略。
在一些实施例中,运动伪影识别模型的输入信息可以是窗口数据,输出信息可以是运动伪影识别指数,或者运动伪影分类概率。相应的,运动伪影识别模型可以是诸如神经网络模型的机器学习模型。本实施例中,不限定神经网络模型的网络结构。示例性的,运动伪影识别模型的网络结构可以是卷积神经网络模型、循环神经网络或者Transformer模型等。
针对每一图像截取参数组合截取的窗口数据,可对至少一种网络结构的神经网络模型进行训练,以得到至少一个训练完成的运动伪影识别模型。对于任一网络类型,可以创建不同网络深度的神经网络模型,以卷积神经网络为例,可以是创建不同层数神经网络模型,例如三层、十层、十五层等,对此不作限定。通过对不同网络结构和/或不同网络深度的神经网络模型进行训练,得到对应的运动伪影识别模型。
基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型,包括:构建至少一种网络类型的初始神经网络模型,迭代执行如下训练过程,直到满足训练条件时,得到各网络类型对应的运动伪影识别模型:基于所述窗口数据输入至当前迭代的神经网络模型中,得到神经网络模型输出的运动伪影预测结果,基于所述运动伪影预测结果和对应的运动伪影标签确定损失函数,以对当前迭代的神经网络模型中的网络参数进行调节。
在训练过程中通过迭代的方式对神经网络模型中的网络参数进行调节,其中,网络参数包括但不限于权重。在训练过程满足训练条件时,确定当前迭代的神经网络模型训练完成,确定为运动伪影识别模型。训练条件包括如下的一项或多项:迭代训练次数满足预设训练次数、模型的预测精度满足预设精度阈值、训练过程达到最小化收敛状态。
在每一次迭代训练过程中,通过当前迭代过程中的神经网络模型对输入的窗口数据进行预测,得到对窗口数据的运动伪影预测结果,基于运动伪影预测结果和对应的运动伪影标签确定损失函数,该损失函数包括但不限于指数损失函数、交叉熵损失函数和铰链损失函数等,可根据训练需求确定。
将损失函数反向输入至当前迭代的神经网络模型中,以调节当前迭代的神经网络模型中的网络参数,具体的,可以是基于梯度下降法实现对神经网络模型的网络参数的调节。迭代执行上述训练过程,直到得到训练完成的运动伪影识别模型,该运动伪影识别模型具有对窗口数据进行运动伪影识别的功能。
通过运动伪影验证样本,对上述训练得到的一种或多种运动伪影识别模型进行识别准确性验证,基于筛选条件确定最终的运动伪影识别模型,以及将筛选的运动伪影识别模型,和其对应的图像截取参数组合形成运动伪影识别策略。
本实施例提高的技术方案,通过预先设置多个图像截取参数组合,不同图像截取参数组合在包括不同的窗口尺寸和步长,基于每一图像截取参数组合分别训练得到对应的运动伪影识别模型,基于运动伪影验证样本对各运动伪影识别模型进行运动伪影识别准确率的验证,并基于得到的运动伪影识别准确率筛选目标运动伪影识别模型,该目标运动伪影识别模型与对应的图像截取参数组合形成运动伪影识别策略,用于对待处理的医学断层图像进行运动伪影的识别。作为影响运动伪影识别精度的窗口尺寸、步长和运动伪影识别模型,作为整体通过运动伪影识别准确率的筛选得到,因此上述各因素均满足运动伪影识别准确率的要求,有利于保证对待处理的医学断层图像进行运动伪影识别的精度。
在上述实施例的基础上,本发明实施例还提供了一种运动伪影的识别装置,参见图2,图2是本发明实施例提供的一种运动伪影的识别装置的结构示意图,该装置包括:
窗口数据截取模块210,用于获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据;
描述参数确定模块220,用于识别各窗口数据的运动伪影描述参数;
运动伪影识别模块230,用于基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。
可选的,所述运动伪影描述参数包括运动伪影分类预测值;
描述参数确定模块220用于:对任一窗口,将所述窗口的窗口数据输入至预先训练的神经网络模型中,得到所述神经网络模型输出的运动伪影分类预测值。
可选的,运动伪影识别模块230用于:
将所述运动伪影分类预测值为第一特定值的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
可选的,所述运动伪影描述参数包括信噪比响应值;
描述参数确定模块220用于:对任一窗口,基于所述窗口的窗口数据确定信噪比数据;将所述信噪比数据与信噪比阈值进行比对,根据比对结果确定所述窗口数据的信噪比响应值。
可选的,运动伪影识别模块230用于:
将所述信噪比响应值为第二特定值的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
可选的,所述运动伪影描述参数包括矩阵秩响应值;
描述参数确定模块220用于:对任一窗口,将所述窗口的窗口数据进行奇异值分解,得到各所述窗口数据对应的分解矩阵;基于奇异值阈值与所述分解矩阵中的各奇异值进行比对,确定所述窗口的矩阵秩响应值。
可选的,运动伪影识别模块230用于:
根据各窗口的相邻关系,比对各相邻窗口的矩阵秩响应值,将存在矩阵秩响应值波动的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
可选的,所述运动伪影描述参数包括频域信息响应值;
描述参数确定模块220用于:对任一窗口,将所述窗口的窗口数据进行频域转换,得到频域图像,并在所述频域图像中提取高频信息和低频信息;基于所述频域图像中低频信息确定低频统计信息,基于所述频域图像中高频信息确定高频统计信息,并基于低频阈值与低频统计信息进行比对,以及基于高频信息与高频统计信息比对,根据高频信息的比对结果和低频信息的比对结果确定所述窗口的频域信息响应值。
可选的,运动伪影识别模块230用于:根据各窗口的相邻关系,比对各相邻窗口的频域信息响应值,将存在频域信息响应值波动的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
可选的,运动伪影识别模块230用于:根据各窗口的相邻关系,确定连续的运动伪影窗口;对于任一组连续的运动伪影窗口,基于连续的至少一个运动伪影窗口中起始位置和窗口深度一半的和,确定对应的运动伪影位置。
可选的,所述运动伪影描述参数包括运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中的一项或多项;
描述参数确定模块220用于:基于窗口数据分别确定运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中的一项或多项。
运动伪影识别模块230用于:基于确定的所述运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中任一项分别确定运动伪影子识别结果,并基于多个运动伪影子识别结果确定运动伪影的目标识别结果。
可选的,该装置还包括:
运动伪影识别策略确定模块,用于预先确定运动伪影识别策略,所述运动伪影识别策略中包括窗口尺寸和步长,以及运动伪影识别模型。
可选的,运动伪影识别策略确定模块包括:
信息获取单元,用于获取运动伪影训练样本,以及多组包括窗口尺寸与步长的图像截取参数组合;
模型训练单元,用于基于任一图像截取参数组合,沿所述运动伪影训练样本中冠脉中心线对所述运动伪影训练样本进行窗口数据截取,并基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型;
伪影识别准确率确定单元,用于获取运动伪影验证样本,基于所述运动伪影验证样本对各图像截取参数组合对应的运动伪影识别模型进行验证,确定各运动伪影识别模型的伪影识别准确率;
运动伪影识别策略确定单元,用于将满足伪影识别准确率筛选条件的运动伪影识别模型,以及筛选出的运动伪影识别模型对应的图像截取参数组合,确定为运动伪影识别策略。
可选的,模型训练单元用于:
确定所述窗口数据对应的统计指标,并基于所述窗口尺寸、步长、窗口数据与统计指标的对应关系,构建统计指标与所述窗口尺寸、步长、窗口数据的关系模型;
基于所述统计指标和对应的阈值比对结果,确定各窗口数据的训练识别结果,基于所述各窗口数据对应的运动伪影标签和所述各窗口数据的训练识别结果,确定所述统计指标对应的目标阈值,其中,所述关系模型和所述目标阈值组成所述运动伪影识别模型。
可选的,所述统计指标包括窗口数据的信噪比、所述窗口数据经奇异值分解得到的奇异值、所述窗口数据的频域统计信息。
可选的,伪影识别准确率确定单元用于:
基于各运动伪影识别模型对应的图像截取参数组合,对所述运动伪影验证样本进行窗口数据截取,将截取的各窗口数据输入至所述运动伪影识别模型中的关系模型中,得到各窗口数据对应的统计指标;
基于所述运动伪影识别模型中的目标阈值与各所述统计指标进行比对,确定各窗口对应的运动伪影描述参数,并基于各窗口对应的运动伪影描述参数确定运动伪影验证结果;
基于各所述运动伪影验证样本的运动伪影标签与所述运动伪影验证结果确定所述运动伪影识别模型的伪影识别准确率。
可选的,模型训练单元用于:
构建至少一种网络类型的初始神经网络模型,迭代执行如下训练过程,直到满足训练条件时,得到各网络类型对应的运动伪影识别模型:
基于所述窗口数据输入至当前迭代的神经网络模型中,得到神经网络模型输出的运动伪影预测结果,基于所述运动伪影预测结果和对应的运动伪影标签确定损失函数,以对当前迭代的神经网络模型中的网络参数进行调节。
本发明实施例所提供的运动伪影的识别装置可执行本发明任意实施例所提供的运动伪影的识别方法,具备执行运动伪影的识别方法相应的功能模块和有益效果。
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如运动伪影的识别方法。
在一些实施例中,运动伪影的识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的运动伪影的识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行运动伪影的识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种运动伪影的识别方法,其特征在于,包括:
获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据;
识别各窗口数据的运动伪影描述参数,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。
2.根据权利要求1所述的方法,其特征在于,所述运动伪影描述参数包括信噪比响应值;
所述识别各窗口数据的运动伪影描述参数,包括:
对任一窗口,基于所述窗口的窗口数据确定信噪比数据;
将所述信噪比数据与信噪比阈值进行比对,根据比对结果确定所述窗口数据的信噪比响应值;
以及,所述基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:
将所述信噪比响应值为第二特定值的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
3.根据权利要求1所述的方法,其特征在于,所述运动伪影描述参数包括矩阵秩响应值;
所述识别各窗口数据的运动伪影描述参数,包括:
对任一窗口,将所述窗口的窗口数据进行奇异值分解,得到各所述窗口数据对应的分解矩阵;
基于奇异值阈值与所述分解矩阵中的各奇异值进行比对,确定所述窗口的矩阵秩响应值。
4.根据权利要求3所述的方法,其特征在于,所述基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:
根据各窗口的相邻关系,比对各相邻窗口的矩阵秩响应值,将存在矩阵秩响应值波动的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
5.根据权利要求1所述的方法,其特征在于,所述运动伪影描述参数包括频域信息响应值;
所述识别各窗口数据的运动伪影描述参数,包括:
对任一窗口,将所述窗口的窗口数据进行频域转换,得到频域图像,并在所述频域图像中提取高频信息和低频信息;
基于所述频域图像中低频信息确定低频统计信息,基于所述频域图像中高频信息确定高频统计信息,并基于低频阈值与低频统计信息进行比对,以及基于高频信息与高频统计信息比对,根据高频信息的比对结果和低频信息的比对结果确定所述窗口的频域信息响应值。
6.根据权利要求5所述的方法,其特征在于,所述基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:
根据各窗口的相邻关系,比对各相邻窗口的频域信息响应值,将存在频域信息响应值波动的窗口确定为运动伪影窗口,并基于运动伪影窗口确定运动伪影位置。
7.根据权利要求2、4、6中任一所述的方法,其特征在于,所述基于运动伪影窗口确定运动伪影位置,包括:
根据各窗口的相邻关系,确定连续的运动伪影窗口;
对于任一组连续的运动伪影窗口,基于连续的至少一个运动伪影窗口中起始位置和窗口深度一半的和,确定对应的运动伪影位置。
8.根据权利要求1所述的方法,其特征在于,所述运动伪影描述参数包括运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中的一项或多项;
所述基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果,包括:
基于窗口数据分别确定运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中的一项或多项;
基于确定的所述运动伪影分类预测值、信噪比响应值、矩阵秩响应值、频域信息响应值中任一项分别确定运动伪影子识别结果,并基于多个运动伪影子识别结果确定运动伪影的目标识别结果。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预先确定运动伪影识别策略,所述运动伪影识别策略中包括窗口尺寸和步长,以及运动伪影识别模型。
10.根据权利要求9所述的方法,其特征在于,所述预先确定运动伪影识别策略,包括:
获取运动伪影训练样本,以及多组包括窗口尺寸与步长的图像截取参数组合;
基于任一图像截取参数组合,沿所述运动伪影训练样本中冠脉中心线对所述运动伪影训练样本进行窗口数据截取,并基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型;
获取运动伪影验证样本,基于所述运动伪影验证样本对各图像截取参数组合对应的运动伪影识别模型进行验证,确定各运动伪影识别模型的伪影识别准确率;
将满足伪影识别准确率筛选条件的运动伪影识别模型,以及筛选出的运动伪影识别模型对应的图像截取参数组合,确定为运动伪影识别策略。
11.根据权利要求10所述的方法,其特征在于,所述基于截取的窗口数据和各窗口数据对应的运动伪影标签,训练得到所述图像截取参数组合对应的运动伪影识别模型,包括:
确定所述窗口数据对应的统计指标,并基于所述窗口尺寸、步长、窗口数据与统计指标的对应关系,构建统计指标与所述窗口尺寸、步长、窗口数据的关系模型;
基于所述统计指标和对应的阈值比对结果,确定各窗口数据的训练识别结果,基于所述各窗口数据对应的运动伪影标签和所述各窗口数据的训练识别结果,确定所述统计指标对应的目标阈值,其中,所述关系模型和所述目标阈值组成所述运动伪影识别模型。
12.根据权利要求11所述的方法,其特征在于,所述统计指标包括窗口数据的信噪比、所述窗口数据的频域统计信息、所述窗口数据经奇异值分解得到的奇异值。
13.一种运动伪影的识别装置,其特征在于,包括:
窗口数据截取模块,用于获取待识别的冠脉图像,基于预设的窗口尺寸和步长沿所述冠脉图像中冠脉中心线方向,对所述冠脉图像进行窗口数据截图,得到多个窗口数据;
运动伪影识别模块,用于识别各窗口数据的运动伪影描述参数,基于所述各窗口数据的运动伪影描述参数,确定所述冠脉图像中的运动伪影识别结果。
14.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的一种运动伪影的识别方法。
15.一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,所述计算机指令用于使处理器执行时实现权利要求1-12中任一项所述的一种运动伪影的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210337004.3A CN114708301A (zh) | 2022-03-31 | 2022-03-31 | 一种运动伪影识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210337004.3A CN114708301A (zh) | 2022-03-31 | 2022-03-31 | 一种运动伪影识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708301A true CN114708301A (zh) | 2022-07-05 |
Family
ID=82169863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210337004.3A Pending CN114708301A (zh) | 2022-03-31 | 2022-03-31 | 一种运动伪影识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708301A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797729A (zh) * | 2023-01-29 | 2023-03-14 | 有方(合肥)医疗科技有限公司 | 模型训练方法及装置、运动伪影识别及提示的方法及装置 |
CN116167984A (zh) * | 2023-01-13 | 2023-05-26 | 北京医准智能科技有限公司 | 用于抑制运动伪影的骨折假阳检出的方法、装置及设备 |
-
2022
- 2022-03-31 CN CN202210337004.3A patent/CN114708301A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167984A (zh) * | 2023-01-13 | 2023-05-26 | 北京医准智能科技有限公司 | 用于抑制运动伪影的骨折假阳检出的方法、装置及设备 |
CN116167984B (zh) * | 2023-01-13 | 2023-11-24 | 浙江医准智能科技有限公司 | 用于抑制运动伪影的骨折假阳检出的方法、装置及设备 |
CN115797729A (zh) * | 2023-01-29 | 2023-03-14 | 有方(合肥)医疗科技有限公司 | 模型训练方法及装置、运动伪影识别及提示的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
CN113705425B (zh) | 活体检测模型的训练方法和活体检测的方法、装置、设备 | |
CN114708301A (zh) | 一种运动伪影识别方法、装置、存储介质及电子设备 | |
CN112785582A (zh) | 热力图生成模型的训练方法、装置、电子设备和存储介质 | |
CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN113827240B (zh) | 情绪分类方法和情绪分类模型的训练方法、装置及设备 | |
CN114529945A (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN116245832A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
CN115375583A (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
CN112634226B (zh) | 头部ct图像检测装置、方法、电子设备及存储介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN115272152A (zh) | 一种对抗医学图像的生成方法、装置、设备及存储介质 | |
KR102460899B1 (ko) | 심층 구조 학습 기반 사람 계수 방법 및 시스템 | |
CN112862750A (zh) | 基于多尺度融合和元启发优化的血管影像处理方法及装置 | |
CN114882134A (zh) | 错位伪影识别策略确定方法、错位伪影识别方法及装置 | |
CN117252881B (zh) | 基于手部x光图像的骨龄预测方法、系统、设备及介质 | |
CN117649933B (zh) | 在线问诊辅助方法、装置、电子设备和存储介质 | |
CN113807413B (zh) | 对象的识别方法、装置、电子设备 | |
CN113379666B (zh) | 基于区间二型模糊集和chmm模型的图像融合方法 | |
CN114419068A (zh) | 一种医学图像的分割方法、装置、设备及存储介质 | |
CN117974604A (zh) | 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 | |
CN115578349A (zh) | 一种医学视频的采集方法、装置、医学成像系统及介质 | |
CN114021650A (zh) | 数据处理方法、装置、电子设备和介质 |
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 |