CN115294014A - 一种头颈动脉图像处理方法、装置、存储介质及终端 - Google Patents

一种头颈动脉图像处理方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN115294014A
CN115294014A CN202210636394.4A CN202210636394A CN115294014A CN 115294014 A CN115294014 A CN 115294014A CN 202210636394 A CN202210636394 A CN 202210636394A CN 115294014 A CN115294014 A CN 115294014A
Authority
CN
China
Prior art keywords
head
neck
convolution
image
separation layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210636394.4A
Other languages
English (en)
Other versions
CN115294014B (zh
Inventor
杨旗
贾秀琴
边钺岩
胡晨曦
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.)
Beijing Chaoyang Hospital
Original Assignee
Beijing Chaoyang Hospital
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 Beijing Chaoyang Hospital filed Critical Beijing Chaoyang Hospital
Priority to CN202210636394.4A priority Critical patent/CN115294014B/zh
Publication of CN115294014A publication Critical patent/CN115294014A/zh
Application granted granted Critical
Publication of CN115294014B publication Critical patent/CN115294014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

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

Abstract

本发明公开了一种头颈动脉图像处理方法、装置、存储介质及终端，方法包括：获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的；将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率。

Description

一种头颈动脉图像处理方法、装置、存储介质及终端
技术领域
本发明涉及人工智能技术领域，特别涉及一种头颈动脉图像处理方法、装置、存储介质及终端。
背景技术
头颈动脉是将血液由心脏输送到大脑的主要血管通路。通常采用计算机断层扫描血管造影技术(Computed Tomography Angiography,CTA)和磁共振动脉血管成像技术(Magnetic Resonance Angiography)对头颈动脉成像，针对血管的形态学检查来观察头颈动脉硬化和血液流变等问题。为了更好的实现对血管形态、血管走形等特征的分析，通常需要将CTA或MRA头颈动脉图像中的头颈动脉血管与其他人体组织进行分离。由于头部与颈部在解剖结构、组织构成等方面的不同，直接在头颈动脉图像基础上进行血管分割，分割效果较差。因此在头颈血管分割过程中，往往需要将头部与颈部分离，分别进行单独的血管提取。头部与颈部分离时需要在头颈动脉图像中确定出最优头颈分离层。
在现有技术中，确定最优头颈分离层方式主要分为两种，一种是手动选取分离，即医生在进行头颈血管提取处理过程中，花费大量时间对图像分析后手动选择最优的头颈分离层，而后继续进行头颈血管提取；另一种是利用头颈CTA图像生成头颈部位矢状位图像，并将矢状位图像中人体组织与背景分离，然后计算人体组织前表面到后表面的距离。现有技术中人工手动分离方式由于需要在处理过程中引入人工操作，因此处理效率低，同时现有自动头颈分离层面定位技术是针对头颈动脉CTA图像处理，不能兼容对MRA图像的处理，以及现有自动头颈分离层面定位技术对图像扫描范围要求较宽，需要包含完整的头部和颈部部位，对于仅包含部分头部或部分颈部部位的图像难以进行分离。
发明内容
本申请实施例提供了一种头颈动脉图像处理方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种头颈动脉图像处理方法，方法包括：
获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的；
将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；
其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。
可选的，将每层三维图像依次输入预先训练的头颈分离层识别模型中，包括：
根据特征提取网络提取每一层三维图像的特征向量；
将每一层三维图像的特征向量输入特征分类器中，得到每层三维图像的代价值；
将每层三维图像的代价值进行阈值分类，以确定出每层三维图像的样本标签；
根据每层三维图像的样本标签确定出样本标签为阳性样本的三维图像；
从样本标签为阳性样本的三维图像对应的代价值中选择最大值的一层三维图像；
将最大值的一层三维图像确定为最优头颈分离层。
可选的，将每层三维图像依次输入预先训练的头颈分离层识别模型中之前，还包括：
从样本库选取预设数量的头颈动脉CTA图像和/或MRA图像模板，得到头颈动脉图像模板集；
根据头颈动脉图像模板集构建携带样本标签的数据集，并将携带样本标签的数据集按照预设百分比划分为训练集和测试集；
构建头颈分离层识别模型；头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是根据预先构建的代价函数进行约束；
将训练集输入特征提取网络和特征分类器中进行训练，输出模型损失值；
当模型损失值满足预设收敛条件时，获得训练好的头颈分离层识别模型。
可选的，根据头颈动脉图像模板集构建携带样本标签的数据集，包括：
从头颈动脉图像模板集的每个头颈动脉图像模板上选取头颈分离层标注阳性样本标签，得到阳性样本；
从头颈动脉图像模板集的每个头颈动脉图像模板上任意选取除头颈分离层之外的剩余层标注阴性样本标签，得到阴性样本；
将阳性样本与阴性样本进行等量随机交叉结合，得到携带样本标签的数据集。
可选的，将阳性样本与阴性样本进行等量随机交叉结合，包括：
统计阳性样本与阴性样本各自的数量；
根据阳性样本与阴性样本各自的数量计算排列组合中所取样本数量的最小值；
分别在阳性样本与阴性样本中获取最小值的样本；
将分别获取的样本按照预设等间隔值的方式进行随机交叉结合。
可选的，将训练集输入特征提取网络和特征分类器中进行训练，输出模型损失值，包括：
将训练集输入特征提取网络中，得到特征向量；
将特征向量输入特征分类器中，并采用公式(1)所示的预先构建的代价函数计算代价值；
将代价值确定为模型损失值；
Figure BDA0003682275530000031
其中，n是数据集中样本的数量；i代表第i个样本；θ是分类器对应于特征向量的预测参数；X是特征向量，Xi代表第i个样本的特征向量，Xi＝{xi1,xi2,…xij…xim}；m是特征向量Xi的维度；xij代表第i个样本的特征向量Xi的第j个元素；γ是取值在0到1之间的常量。
可选的，特征提取网络包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块及全连接层；
将训练集输入特征提取网络中，得到特征向量，包括：
根据训练集中原始图像构建差值图像；
将原始图像输入第一卷积模块中，得到第一卷积结果；
将第一卷积结果输入第二卷积模块中，得到第二卷积结果；
将第二卷积结果输入第三卷积模块中，得到第三卷积结果；
将差值图像输入第五卷积模块中，得到第五卷积结果；
将第五卷积结果输入第六卷积模块中，得到第六卷积结果；
将第六卷积结果输入第七卷积模块中，得到第七卷积结果；
将第一卷积结果和第五卷积结果进行合并后输入第四卷积模块中，得到第四卷积结果；
将第二卷积结果与第六卷积结果合并后输入第八卷积模块中，得到第八卷积结果；
将得到第一卷积结果、第二卷积结果、第三卷积结果、第五卷积结果、第六卷积结果、第七卷积结果、第四卷积结果以及第八卷积结果全部输入全连接层中，输出最终的特征向量。
第二方面，本申请实施例提供了一种头颈动脉图像处理装置，装置包括：
头颈动脉图像获取模块，用于获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的；
最优头颈分离层输出模块，用于将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；
其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，头颈动脉图像处理装置首先获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的，然后将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率。
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，并不能限制本发明。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种头颈动脉图像处理方法的流程示意图；
图2是本申请实施例提供的一种头颈分离层识别模型训练方法的流程示意图；
图3是本申请实施例提供的一种特征提取网络的网络结构示意图；
图4是本申请提供的一种头颈动脉图像处理过程的过程示意框图；
图5是本申请提供的一种头颈动脉图像处理装置的结构示意图；
图6是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种头颈动脉图像处理方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4，对本申请实施例提供的头颈动脉图像处理方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的头颈动脉图像处理装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种头颈动脉图像处理方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，获取待处理头颈动脉图像；
其中，待处理头颈动脉图像是由多层三维图像构成的；头颈动脉图像可以是头颈动脉CTA图像或MRA图像，该图像可以是完整的CTA图像或MRA图像，也可以是仅包含部分头部或部分颈部部位的CTA图像或MRA图像。
通常，待处理头颈动脉图像可以是从用户终端本地图像库中进行选择获取的，也可以是在线实时接收的。
在一种可能的实现方式中，在进行头颈动脉图像处理时，终端当检测到图像接收指令时，获取在线传输来的头颈动脉CTA图像或MRA图像，得到待处理头颈动脉图像。或者当接收到针对本地图像库中图像选择指令时，根据选择指令确定出头颈动脉CTA图像或MRA图像，得到待处理头颈动脉图像。
需要说明的是，图像的获取还可以是从云端获取，此处不做限定。
S102，将每层三维图像依次输入预先训练的头颈分离层识别模型中；
其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。
通常，头颈分离层识别模型是可以分析确定出最优头颈分离层的数学模型。
在本申请实施例中，在生成预先训练的头颈分离层识别模型时，首先从样本库选取预设数量的头颈动脉CTA图像和/或MRA图像模板，得到头颈动脉图像模板集，然后根据头颈动脉图像模板集构建携带样本标签的数据集，并将携带样本标签的数据集按照预设百分比划分为训练集和测试集，再构建头颈分离层识别模型；头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是根据预先构建的代价函数进行约束，其次将训练集输入特征提取网络和特征分类器中进行训练，输出模型损失值，最后当模型损失值满足预设收敛条件时，获得训练好的头颈分离层识别模型。
在一种可能的实现方式中，在基于步骤S101得到待处理头颈动脉图像后，可将待处理头颈动脉图像输入预先训练的头颈分离层识别模型内进行分析处理
进一步地，输出待处理头颈动脉图像对应的最优头颈分离层；
通常，在得到预先训练的头颈分离层识别模型后，可对待处理头颈动脉图像逐层计算图像分类，将阳性分类中代价函数最大值所在层选为头颈分离层。
在本申请实施例中，在将每层三维图像依次输入预先训练的头颈分离层识别模型中进行处理时，首先根据特征提取网络提取每一层三维图像的特征向量，再将每一层三维图像的特征向量输入特征分类器中，得到每层三维图像的代价值，然后将每层三维图像的代价值进行阈值分类，以确定出每层三维图像的样本标签，再根据每层三维图像的样本标签确定出样本标签为阳性样本的三维图像，其次从样本标签为阳性样本的三维图像对应的代价值中选择最大值的一层三维图像，最后将最大值的一层三维图像确定为最优头颈分离层。
在一种可能的实现方式中，首先根据特征提取网络提取每一层三维图像的特征向量，然后将该特征向量带入分类器代价函数公式中计算出每个特征向量的代价值，再通过阈值分类，获得待处理图像每一层的样本标签，其次将提取其中所有分类标签为阳性的层所对应的代价函数F(θ,X)的值进行比较，将其中最大值所在层选定为最优头颈分离层Ss。
在本申请实施例中，头颈动脉图像处理装置首先获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的，然后将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率。
请参见图2，为本申请实施例提供了一种头颈分离层识别模型训练方法的流程示意图。如图2所示，本申请实施例的方法可以包括以下步骤：
S201，从样本库选取预设数量的头颈动脉CTA图像和/或MRA图像模板，得到头颈动脉图像模板集；
其中，样本库中保存了大量的历史头颈动脉CTA图像和/或MRA图像模板。
S202，根据头颈动脉图像模板集构建携带样本标签的数据集，并将携带样本标签的数据集按照预设百分比划分为训练集和测试集；
在本申请实施例中，首先从头颈动脉图像模板集的每个头颈动脉图像模板上选取头颈分离层标注阳性样本标签，得到阳性样本，然后从头颈动脉图像模板集的每个头颈动脉图像模板上任意选取除头颈分离层之外的剩余层标注阴性样本标签，得到阴性样本，最后将阳性样本与阴性样本进行等量随机交叉结合，得到携带样本标签的数据集。
具体的，在将阳性样本与阴性样本进行等量随机交叉结合时，首先统计阳性样本与阴性样本各自的数量，然后根据阳性样本与阴性样本各自的数量计算排列组合中所取样本数量的最小值，其次分别在阳性样本与阴性样本中获取最小值的样本，最后将分别获取的样本按照预设等间隔值的方式进行随机交叉结合。
在一种可能的实现方式中，首先根据需要选取n个CTA或者MRA图像模板，其中n的最佳值为100，但不限于该值；然后人工选取模板的头颈分离层Ss作为阳性样本，其标签为Lp，同时随机在除头颈分离层Ss以外的层进行抽样作为阴性样本，其标签为Ln；最后将在n个图像模板中选取的所有阳性样本和阴性样本等量随机交叉结合，附带上样本标签建立数据集D。其中，等量随机交叉结合方式为首先计算n个图像模板中的所有阳性样本量Np和所有阴性样本量Nn的最小值Nmin；然后分别在阳性和阴性样本集中获取Nmin个样本，将所有样本按预设等间隔值的方式随机交叉结合后，得到携带样本标签的数据集。
需要说明的是，通过新提出的等量随机交叉结合方式可以提升样本的类型复杂度，有利于提升模型的训练效果。
进一步地，在得到携带样本标签的数据集后，可分成5等份，取一份单独作为测试集，其余4份作为训练集。
S203，构建头颈分离层识别模型；
其中，头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是根据预先构建的代价函数进行约束。
在本申请实施例中，构建头颈分离层特征提取网络N，对每一层图像，生成特征向量X。特征提取网络包括第一分支网络、第二分支网络以及全连接层；第一分支网络包括第一卷积模块、第二卷积模块、第三卷积模块以及第四卷积模块；第二分支网络包括第五卷积模块、第六卷积模块、第七卷积模块以及第八卷积模块。
例如图3所示，图3是特征提取网络的网络结构图，该网络由2个主要分支网络组成，其中分支网络由卷积层、批归一化层、池化层和全连接层组成，输入为一层原始灰度图像，能够保证原始图像的真实度；另一个网络结构相同，输入为差值图像，这样能保证识别出图像在各层之间的变化，同时又不必输入所有层的图像，节省了计算量。卷积层、批归一化层、池化层相连接组成一个卷积模块，分支网络先串联3个卷积模块，之后将每个卷积模块的输出连接到同一个全连接层上；再将2个分支网络中顺序对应的卷积模块的输出合并后，再连接一个卷积模块后，连接到全连接层上，由全连接层输出特征，这样能够保证特征提取网络提取的特征尽可能的多，提高特征提取的覆盖率，保证提取出的特征对后续进行分类计算的有效性。
在本申请实施例中，构建的特征分类器，以获得的特征向量X作为分类器C的输入，通过代价函数F实现分类器，代价函数中的第二项为一种新提出的约束项，能够提高模型的非线性分离度，代价函数F(θ,X)的公式为：
Figure BDA0003682275530000101
其中，n是数据集中样本的数量；i代表第i个样本；θ是分类器对应于特征向量的预测参数；X是特征向量，Xi代表第i个样本的特征向量，Xi＝{xi1,xi2,…xij…xim}；m是特征向量Xi的维度；xij代表第i个样本的特征向量Xi的第j个元素；γ是取值在0到1之间的常量，最佳值为0.02。
S204，将训练集输入特征提取网络和特征分类器中进行训练后，输出模型损失值；
在本申请实施例中，首先将训练集输入特征提取网络中，得到特征向量，然后将特征向量输入特征分类器中，并采用并采用公式(1)所示的预先构建的代价函数计算代价值，再将代价值确定为模型损失值，最后输出模型代价值θ值，作为分类器C的预测参数θ。
进一步地，在得到预先训练的头颈分离层识别模型后，可将测试集输入预先训练的头颈分离层识别模型中，输出最优头颈分离层，当最优头颈分离层的样本标签是阳性样本标签时，确定模型训练成功，将预先训练的头颈分离层识别模型部署到应用环境中。
具体的，在将训练集输入特征提取网络中，得到特征向量时，首先根据训练集中原始图像构建差值图像，再将原始图像输入第一卷积模块中，得到第一卷积结果，再将第一卷积结果输入第二卷积模块中，得到第二卷积结果，再将第二卷积结果输入第三卷积模块中，得到第三卷积结果，然后将差值图像输入第五卷积模块中，得到第五卷积结果，再将第五卷积结果输入第六卷积模块中，得到第六卷积结果，再将第六卷积结果输入第七卷积模块中，得到第七卷积结果，再将第一卷积结果和第五卷积结果进行合并后输入第四卷积模块中，得到第四卷积结果，其次将第二卷积结果与第六卷积结果合并后输入第八卷积模块中，得到第八卷积结果，最后将得到第一卷积结果、第二卷积结果、第三卷积结果、第五卷积结果、第六卷积结果、第七卷积结果、第四卷积结果以及第八卷积结果全部输入全连接层中，输出最终的特征向量。
具体的，在根据所述训练集中原始图像构建差值图像时，首先获取训练集中每个三维图像中像素点的灰度值，根据每个三维图像中像素点的灰度值的中间值设定灰度阈值，将相邻每个三维图像中像素点的灰度值做差，并基于灰度阈值选取做差后的灰度值，得到差值图像。
需要说明的是，再将2个分支网络中顺序对应的卷积模块的输出合并后，再连接一个卷积模块后，连接到全连接层上，由全连接层输出特征，这样能够保证特征提取网络提取的特征尽可能的多，提高特征提取的覆盖率，保证提取出的特征对后续进行分类计算的有效性。
S205，当模型损失值满足预设收敛条件时，获得训练好的头颈分离层识别模型。
在本申请实施例中，当代价值到达最小时，生成预先训练的头颈分离层识别模型；或者，当代价值未到达最小时，将代价值进行反向传播以更新模型参数，并继续执行将训练集输入特征提取网络和特征分类器中进行训练的步骤，直到代价值到达最小时，将代价值θ作为分类器C的预测参数θ。
例如图4所示，图4是本申请提供的一种头颈动脉图像处理过程的过程示意框图，首先构建头颈分离层模板数据集，然后构建头颈分离层特征提取网络，再构建特征分类器，得到模型，采用模板数据集对模型进行训练完成后获得特征分类器的参数，最后使用实时的待处理头颈动脉图像逐层计算分类，选取其中最优的头颈分离层进行输出。
在本申请实施例中，头颈动脉图像处理装置首先获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的，然后将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的头颈动脉图像处理装置的结构示意图。该头颈动脉图像处理装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括头颈动脉图像获取模块10、最优头颈分离层输出模块20。
头颈动脉图像获取模块10，用于获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的；
最优头颈分离层输出模块20，用于将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；
其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。
需要说明的是，上述实施例提供的头颈动脉图像处理装置在执行头颈动脉图像处理方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的头颈动脉图像处理装置与头颈动脉图像处理方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，头颈动脉图像处理装置首先获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的，然后将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的头颈动脉图像处理方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的头颈动脉图像处理方法。
请参见图6，为本申请实施例提供了一种终端的结构示意图。如图6所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及头颈动脉图像处理应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的头颈动脉图像处理应用程序，并具体执行以下操作：
获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的；
将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；
其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。
在一个实施例中，处理器1001在执行将每层三维图像依次输入预先训练的头颈分离层识别模型中时，具体执行以下操作：
根据特征提取网络提取每一层三维图像的特征向量；
将每一层三维图像的特征向量输入特征分类器中，得到每层三维图像的代价值；
将每层三维图像的代价值进行阈值分类，以确定出每层三维图像的样本标签；
根据每层三维图像的样本标签确定出样本标签为阳性样本的三维图像；
从样本标签为阳性样本的三维图像对应的代价值中选择最大值的一层三维图像；
将最大值的一层三维图像确定为最优头颈分离层。
在一个实施例中，处理器1001在执行将每层三维图像依次输入预先训练的头颈分离层识别模型中之前时，还执行以下操作：
从样本库选取预设数量的头颈动脉CTA图像和/或MRA图像模板，得到头颈动脉图像模板集；
根据头颈动脉图像模板集构建携带样本标签的数据集，并将携带样本标签的数据集按照预设百分比划分为训练集和测试集；
构建头颈分离层识别模型；头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是根据预先构建的代价函数进行约束；
将训练集输入特征提取网络和特征分类器中进行训练，输出模型损失值；
当模型损失值满足预设收敛条件时，获得训练好的头颈分离层识别模型。
在一个实施例中，处理器1001在执行根据头颈动脉图像模板集构建携带样本标签的数据集时，具体执行以下操作：
从头颈动脉图像模板集的每个头颈动脉图像模板上选取头颈分离层标注阳性样本标签，得到阳性样本；
从头颈动脉图像模板集的每个头颈动脉图像模板上任意选取除头颈分离层之外的剩余层标注阴性样本标签，得到阴性样本；
将阳性样本与阴性样本进行等量随机交叉结合，得到携带样本标签的数据集。
在一个实施例中，处理器1001在执行将阳性样本与阴性样本进行等量随机交叉结合时，具体执行以下操作：
统计阳性样本与阴性样本各自的数量；
根据阳性样本与阴性样本各自的数量计算排列组合中所取样本数量的最小值；
分别在阳性样本与阴性样本中获取最小值的样本；
将分别获取的样本按照预设等间隔值的方式进行随机交叉结合。
在一个实施例中，处理器1001在执行将训练集输入特征提取网络和特征分类器中进行训练，输出模型损失值时，具体执行以下操作：
将训练集输入特征提取网络中，得到特征向量；
将特征向量输入特征分类器中，并采用公式(1)所示的预先构建的代价函数计算代价值；
将代价值确定为模型损失值；
Figure BDA0003682275530000161
其中，n是数据集中样本的数量；i代表第i个样本；θ是分类器对应于特征向量的预测参数；X是特征向量，Xi代表第i个样本的特征向量，Xi＝{xi1,xi2,…xij…xim}；m是特征向量Xi的维度；xij代表第i个样本的特征向量Xi的第j个元素；γ是取值在0到1之间的常量。
在一个实施例中，处理器1001在执行将训练集输入特征提取网络中，得到特征向量时，具体执行以下操作：
根据训练集中原始图像构建差值图像；
将原始图像输入第一卷积模块中，得到第一卷积结果；
将第一卷积结果输入第二卷积模块中，得到第二卷积结果；
将第二卷积结果输入第三卷积模块中，得到第三卷积结果；
将差值图像输入第五卷积模块中，得到第五卷积结果；
将第五卷积结果输入第六卷积模块中，得到第六卷积结果；
将第六卷积结果输入第七卷积模块中，得到第七卷积结果；
将第一卷积结果和第五卷积结果进行合并后输入第四卷积模块中，得到第四卷积结果；
将第二卷积结果与第六卷积结果合并后输入第八卷积模块中，得到第八卷积结果；
将得到第一卷积结果、第二卷积结果、第三卷积结果、第五卷积结果、第六卷积结果、第七卷积结果、第四卷积结果以及第八卷积结果全部输入全连接层中，输出最终的特征向量。
在本申请实施例中，头颈动脉图像处理装置首先获取待处理头颈动脉图像，待处理头颈动脉图像是由多层三维图像构成的，然后将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出待处理头颈动脉图像对应的最优头颈分离层；其中，预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，特征分类器是基于预先构建的代价函数进行约束的。本申请通过预先构建的代价函数对特征分类器进行约束，从而提高了模型的非线性分离度，使的模型结果更加准确，同时根据模型可自动在头颈动脉图像中识别出最优头颈分离层，因此同时适用于CTA和MRA图像的处理，也可处理仅包含部分头部或部分颈部部位的图像，进而提升了处理效率。
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，头颈动脉图像处理的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种头颈动脉图像处理方法，其特征在于，所述方法包括：
获取待处理头颈动脉图像，所述待处理头颈动脉图像是由多层三维图像构成的；
将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出所述待处理头颈动脉图像对应的最优头颈分离层；
其中，所述预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，所述特征分类器是基于预先构建的代价函数进行约束的。
2.根据权利要求1所述的方法，其特征在于，所述将每层三维图像依次输入预先训练的头颈分离层识别模型中，包括：
根据所述特征提取网络提取每一层三维图像的特征向量；
将所述每一层三维图像的特征向量输入所述特征分类器中，得到每层三维图像的代价值；
将每层三维图像的代价值进行阈值分类，以确定出每层三维图像的样本标签；
根据每层三维图像的样本标签确定出样本标签为阳性样本的三维图像；
从所述样本标签为阳性样本的三维图像对应的代价值中选择最大值的一层三维图像；
将最大值的一层三维图像确定为最优头颈分离层。
3.根据权利要求1所述的方法，其特征在于，将每层三维图像依次输入预先训练的头颈分离层识别模型中之前，还包括：
从样本库选取预设数量的头颈动脉CTA图像和/或MRA图像模板，得到头颈动脉图像模板集；
根据所述头颈动脉图像模板集构建携带样本标签的数据集，并将携带样本标签的数据集按照预设百分比划分为训练集和测试集；
构建头颈分离层识别模型；所述头颈分离层识别模型包括特征提取网络和特征分类器，所述特征分类器是根据预先构建的代价函数进行约束；
将所述训练集输入所述特征提取网络和特征分类器中进行训练，输出模型损失值；
当所述模型损失值满足预设收敛条件时，获得训练好的头颈分离层识别模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述头颈动脉图像模板集构建携带样本标签的数据集，包括：
从所述头颈动脉图像模板集的每个头颈动脉图像模板上选取头颈分离层标注阳性样本标签，得到阳性样本；
从所述头颈动脉图像模板集的每个头颈动脉图像模板上任意选取除头颈分离层之外的剩余层标注阴性样本标签，得到阴性样本；
将所述阳性样本与所述阴性样本进行等量随机交叉结合，得到携带样本标签的数据集。
5.根据权利要求4所述的方法，其特征在于，所述将所述阳性样本与所述阴性样本进行等量随机交叉结合，包括：
统计所述阳性样本与所述阴性样本各自的数量；
根据所述阳性样本与所述阴性样本各自的数量计算排列组合中所取样本数量的最小值；
分别在所述阳性样本与所述阴性样本中获取所述最小值的样本；
将分别获取的样本按照预设等间隔值的方式进行随机交叉结合。
6.根据权利要求3所述的方法，其特征在于，所述将所述训练集输入所述特征提取网络和特征分类器中进行训练，输出模型损失值，包括：
将所述训练集输入所述特征提取网络中，得到特征向量；
将所述特征向量输入所述特征分类器中，并采用公式(1)所示的预先构建的代价函数计算代价值；
将所述代价值确定为模型损失值；
Figure FDA0003682275520000021
其中，n是数据集中样本的数量；i代表第i个样本；θ是分类器对应于特征向量的预测参数；X是特征向量，Xi代表第i个样本的特征向量，Xi＝{xi1,xi2,…xij…xim}；m是特征向量Xi的维度；xij代表第i个样本的特征向量Xi的第j个元素；γ是取值在0到1之间的常量。
7.根据权利要求6所述的方法，其特征在于，所述特征提取网络包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块及全连接层；
所述将所述训练集输入所述特征提取网络中，得到特征向量，包括：
根据所述训练集中原始图像构建差值图像；
将所述原始图像输入所述第一卷积模块中，得到第一卷积结果；
将所述第一卷积结果输入所述第二卷积模块中，得到第二卷积结果；
将所述第二卷积结果输入所述第三卷积模块中，得到第三卷积结果；
将所述差值图像输入所述第五卷积模块中，得到第五卷积结果；
将所述第五卷积结果输入所述第六卷积模块中，得到第六卷积结果；
将所述第六卷积结果输入所述第七卷积模块中，得到第七卷积结果；
将所述第一卷积结果和第五卷积结果进行合并后输入所述第四卷积模块中，得到第四卷积结果；
将所述第二卷积结果与所述第六卷积结果合并后输入所述第八卷积模块中，得到第八卷积结果；
将所述得到第一卷积结果、第二卷积结果、第三卷积结果、第五卷积结果、第六卷积结果、第七卷积结果、第四卷积结果以及第八卷积结果全部输入所述全连接层中，输出最终的特征向量。
8.一种头颈动脉图像处理装置，其特征在于，所述装置包括：
头颈动脉图像获取模块，用于获取待处理头颈动脉图像，所述待处理头颈动脉图像是由多层三维图像构成的；
最优头颈分离层输出模块，用于将每层三维图像依次输入预先训练的头颈分离层识别模型中，输出所述待处理头颈动脉图像对应的最优头颈分离层；
其中，所述预先训练的头颈分离层识别模型包括特征提取网络和特征分类器，所述特征分类器是基于预先构建的代价函数进行约束的。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
CN202210636394.4A 2022-06-07 2022-06-07 一种头颈动脉图像处理方法、装置、存储介质及终端 Active CN115294014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210636394.4A CN115294014B (zh) 2022-06-07 2022-06-07 一种头颈动脉图像处理方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210636394.4A CN115294014B (zh) 2022-06-07 2022-06-07 一种头颈动脉图像处理方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN115294014A true CN115294014A (zh) 2022-11-04
CN115294014B CN115294014B (zh) 2023-05-16

Family

ID=83820601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210636394.4A Active CN115294014B (zh) 2022-06-07 2022-06-07 一种头颈动脉图像处理方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN115294014B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020968A (zh) * 2012-12-21 2013-04-03 东软集团股份有限公司 一种头颈部cta影像分层的方法和装置
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质
CN111202519A (zh) * 2020-01-17 2020-05-29 首都医科大学宣武医院 一种在体血栓软硬度检测的方法及其系统
WO2021083241A1 (zh) * 2019-10-31 2021-05-06 Oppo广东移动通信有限公司 人脸图像质量评价方法、特征提取模型训练方法、图像处理系统、计算机可读介质和无线通信终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020968A (zh) * 2012-12-21 2013-04-03 东软集团股份有限公司 一种头颈部cta影像分层的方法和装置
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
WO2021083241A1 (zh) * 2019-10-31 2021-05-06 Oppo广东移动通信有限公司 人脸图像质量评价方法、特征提取模型训练方法、图像处理系统、计算机可读介质和无线通信终端
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质
CN111202519A (zh) * 2020-01-17 2020-05-29 首都医科大学宣武医院 一种在体血栓软硬度检测的方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贺宝春;贾富仓;: "基于组合U-Net网络的CT图像头颈放疗危及器官自动分割" *

Also Published As

Publication number Publication date
CN115294014B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN111161275B (zh) 医学图像中目标对象的分割方法、装置和电子设备
CN111899245B (zh) 图像分割、模型的训练方法及装置，电子设备及存储介质
CN110110617B (zh) 医学影像分割方法、装置、电子设备和存储介质
JP6947759B2 (ja) 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法
CN109872328A (zh) 一种脑部图像分割方法、装置和存储介质
EP3975117A1 (en) Image segmentation method and apparatus, and training method and apparatus for image segmentation model
CN111899244B (zh) 图像分割、网络模型的训练方法及装置，及电子设备
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN112541893B (zh) 一种三维断层扫描图像中树状结构分叉关键点的检测方法
CN113012155A (zh) 髋关节图像中骨骼分割方法、电子设备及存储介质
CN112233777A (zh) 基于深度学习的胆结石自动识别及分割系统、计算机设备、存储介质
CN110298844A (zh) X光造影图像血管分割与识别方法及装置
CN111462047A (zh) 血管参数测量方法、装置、计算机设备和存储介质
CN110009656B (zh) 目标对象的确定方法、装置、存储介质及电子装置
WO2021120961A1 (zh) 大脑成瘾结构图谱评估方法及装置
WO2021027152A1 (zh) 基于条件生成对抗网络合成图像的方法及相关设备
CN111178420A (zh) 一种二维造影图像上冠脉段标注方法及系统
CN108985302A (zh) 一种皮肤镜图像处理方法、装置及设备
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN111968087A (zh) 一种植物病害区域检测方法
CN115294014B (zh) 一种头颈动脉图像处理方法、装置、存储介质及终端
CN113393445B (zh) 乳腺癌影像确定方法及系统
CN112837318B (zh) 超声图像生成模型的生成方法、合成方法、介质及终端
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
Gacsádi et al. Variational computing based segmentation methods for medical imaging by using CNN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant