基于人工智能的图像分类方法、装置、设备和介质制造方法及图纸

本申请公开了一种基于人工智能的图像分类方法、装置、设备和介质，包括：获取待检测区域的超声图像，所述超声图像包括三维视频图像和二维频谱图像；将所述三维视频图像和所述二维频谱图像分别输入至对应的特征提取网络模型，得到视频特征和频谱特征；将所述视频特征和所述频谱特征进行融合得到融合特征，根据所述融合特征确定所述待检测区域的所属类型，能够有效确定待检测区域的所属类型。

【技术实现步骤摘要】
基于人工智能的图像分类方法、装置、设备和介质
本公开一般涉及计算机图像处理
，具体涉及超声图像处理
，尤其涉及一种基于人工智能的图像分类方法、装置、设备和介质。
技术介绍
超声心动图应用超声测距原理，利用脉冲超声波透过胸壁、软组织，测量其下各心壁、心室及瓣膜等结构的周期性活动。超声心动图包含视频、图像等多模态信息，是临床上评测心脏的结构与功能最常用的手段。因此，对超声心动图进行准确的分析对医疗领域有重要意义。
技术实现思路
鉴于现有技术中的期望提供一种基于人工智能的图像分类方法、装置、设备和介质，能够有效确定待检测区域的所属类型。第一方面，本申请实施例提供了一种基于人工智能的图像分类方法，包括以下步骤：获取待检测区域的超声图像，所述超声图像包括三维视频图像和二维频谱图像；将所述三维视频图像和所述二维频谱图像分别输入至对应的特征提取网络模型，得到视频特征和频谱特征；将所述视频特征和所述频谱特征进行融合得到融合特征，根据所述融合特征确定所述待检测区域的所属类型。r>在一些实施例中，本文档来自技高网...

【技术保护点】
1.一种基于人工智能的图像分类方法，其特征在于，包括以下步骤：/n获取待检测区域的超声图像，所述超声图像包括三维视频图像和二维频谱图像；/n将所述三维视频图像和所述二维频谱图像分别输入至对应的特征提取网络模型，得到视频特征和频谱特征；/n将所述视频特征和所述频谱特征进行融合得到融合特征，根据所述融合特征确定所述待检测区域的所属类型。/n

【技术特征摘要】
1.一种基于人工智能的图像分类方法，其特征在于，包括以下步骤：
获取待检测区域的超声图像，所述超声图像包括三维视频图像和二维频谱图像；
将所述三维视频图像和所述二维频谱图像分别输入至对应的特征提取网络模型，得到视频特征和频谱特征；
将所述视频特征和所述频谱特征进行融合得到融合特征，根据所述融合特征确定所述待检测区域的所属类型。


2.根据权利要求1所述的基于人工智能的图像分类方法，其特征在于，所述将所述三维视频图像和所述二维频谱图像分别输入至对应的特征提取网络模型，包括：
对所述二维频谱图像进行图像处理，得到所述二维频谱图像中频谱波纹的波形轮廓；
根据所述波形轮廓，获取所述待检测区域对应的流速-时间曲线；
将所述流速-时间曲线输入至所述二维频谱图像对应的特征提取网络模型。


3.根据权利要求1所述的基于人工智能的图像分类方法，其特征在于，还包括：
采用三维卷积神经网络作为与所述三维视频图像对应的所述特征提取网络模型；
采用长短期记忆网络模型作为与所述二维频谱图像对应的所述特征提取网络模型。


4.根据权利要求1所述的基于人工智能的图像分类方法，其特征在于，所述所属类型包括正常类型和异常类型，所述方法还包括：
在所述待检测区域为异常类型时，将所述二维频谱图像输入至分割神经网络模型中，得到频谱波纹的波形掩膜；
根据所述待检测区域对应的位置信息和所述波形掩膜，获取所述频谱波纹的测量线；
根据所述测量线，获取所述待检测区域对应的测量参数；
根据所述测量参数...

【专利技术属性】
技术研发人员：何昆仑，杨菲菲，郭华源，林锡祥，陈煦，邓玉姣，钟琴，汪驰，李瑶，于立恒，段永杰，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：北京;11