一种图像识别方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种图像识别方法、装置、电子设备及存储介质；该方法先获取目标部位对应的医学扫描的初始图像，然后对该初始图像进行预处理，得到目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种，然后基于初始图像和血管的后处理图像进行病灶识别得到病灶区域，接着根据病灶区域和异常区域，确定并识别初始图像中的病灶图像，得到病灶识别结果。本申请采用多种途径对初始图像进行病灶识别，弥补了人工识别的遗漏，提高了识别结果的准确性。

【技术实现步骤摘要】
一种图像识别方法、装置、电子设备及存储介质
本申请涉及医学图像处理
，尤其涉及一种图像识别方法、装置、电子设备及存储介质。
技术介绍
当前在对人体血管出现的病灶进行诊断时，多采用人工识别或采用检测器对待识别图像进行全局检测。然而，人工识别方式经常会出现遗漏的情况，且识别结果大多是靠医生的主观经验进行判断，容易出现判断误差，导致识别结果的准确性较低，而采用检测器对待识别图像进行全局检测时，因为全局检测主要采用训练好的模型来完成检测工作，而通常通过神经网络训练的模型往往会存在误差，所以很可能会出现病灶漏检的问题，导致识别结果的准确性也较低。因此，需要提供一种图像识别方法，以缓解当前图像识别方法中识别结果准确性较低等技术问题。
技术实现思路
本申请提供一种图像识别方法、装置、电子设备及存储介质，以提高识别结果的准确性。为了解决上述技术问题，本申请提供以下技术方案：本申请提供了一种图像识别方法，所述图像识别方法包括：获取目标部位对应的医学扫描的初始图像；对所述初始图像进行预处理，得到所述目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种；识别所述初始图像和所述血管的后处理图像，得到所述目标部位对应的病灶区域；根据所述病灶区域和所述血管中心线参数存在的异常区域，确定并识别所述初始图像中的病灶图像，得到病灶识别结果。相应的，本申请还提供了一种图像识别装置，所述图像识别装置包括：第一获取模块，用于获取目标部位对应的医学扫描的初始图像；预处理模块，用于对所述初始图像进行预处理，得到所述目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种；第一识别模块，用于识别所述初始图像和所述血管的后处理图像，得到所述目标部位对应的病灶区域；病灶识别模块，用于根据所述病灶区域和所述血管中心线参数存在的异常区域，确定并识别所述初始图像中的病灶图像，得到病灶识别结果。相应的，本申请提供了一种电子设备，其包括处理器和存储器，存储器里存储有计算机程序，处理器执行程序时实现上述图像识别方法中的步骤。相应的，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行上述图像识别方法中的步骤。有益效果：本申请提供了一种图像识别方法、装置、电子设备及存储介质，该方法在获取目标部位对应的医学扫描的初始图像之后，先对该初始图像进行预处理，得到目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种，然后识别该初始图像和血管的后处理图像，得到目标部位对应的病灶区域，最后根据该病灶区域和血管中心线参数存在的异常区域，确定并识别该初始图像中的病灶图像得到病灶识别结果。本申请先根据初始图像和血管的后处理图像，确定病灶区域，然后通过识别病灶区域和血管中心线参数存在的异常区域，确定病灶识别结果，这种通过多种途径对初始图像中的病灶进行识别的方式，，弥补了人工识别的遗漏，提高了识别结果的准确性。附图说明下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。图1a是本申请实施例提供的图像识别系统的场景示意图。图1b是本申请实施例提供的图像识别系统的组网示意图。图2是本申请实施例提供的图像识别方法的第一种流程示意图。图3是本申请实施例提供的图像识别方法的第二种流程示意图。图4是本申请实施例提供的图像识别方法的第三种流程示意图。图5a至图5g是本申请实施例涉及的医学图像的示意图。图6是本申请实施例提供的图像识别装置的结构示意图。图7是本申请实施例提供的终端的结构示意图。图8是本申请实施例提供的服务器的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。本申请实施例提供一种图像识别方法、装置、电子设备及存储介质。其中，该图像识别装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。本申请实施例提供的图像识别方法涉及机器学习(ML，MachineLearning)。可以通过训练一系列神经网络模型对初始图像和血管的后处理图像进行病灶识别，得到病灶区域，例如，利用边框回归(BoundingBox)进行病灶区域的目标检测，又例如，利用病灶掩膜，对病灶区域进行分割等。其中，机器学习(ML，MachineLearning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门用来研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能核心，是使计算机具有智能的根本途径，能通过经验自动改进算法。本申请实施例中，所谓后处理图像，指的是例如拉直图像、曲面重建(CPR，CurvedProjectionReformation)图像、探针图像(血管切面图)以及最大密度投影MIP、VR图像等经过一系列后处理操作得到的图像，利用后处理图像能使得病灶识别更精准、快速。其中，后处理操作包括在获取目标对象目标区域对应的医学扫描的初始图像后，对所述初始图像进行分割处理，得到所述初始图像中血管对应的血管数据，然后基于血管掩膜数据，对所述血管数据进行识别，得到所述血管数据对应的关键生理参考信息，然后根据所述关键生理参考信息，对所述血管数据对应的血管中心线进行修复，得到所述血管数据对应的有效血管中心线，最后根据所述有效血管中心线，生成所述目标对象目标区域对应的后处理图像，后处理图像例如虹吸部位对应的血管图像等。在本申请实施例中，血管中心线参数包括弯曲参数、命名参数和宽度参数等。其中，弯曲参数指的是用于判断血管中心线是否弯曲的指标；命名参数指的是用于判断血管中心线的命名是否缺失的指标；宽度参数指的是用于判断沿血管中心线方向的血管半径是否存在宽度骤变的指标。请参阅图1a，以该图像识别装置集成在电子设备中为例，该电子设备可以获取医学扫描的初始图像，然后对该初始图像进行预处理，得到初始图像所对应的目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种，接着识别该初始图像和血管的后处理图像，得到目标部位对应的病灶区域，最后根据病灶区域和血管中心线参数存在的异常区域，确定初始图像中的病灶图像，并识别该病灶图像，得到病灶识别结果；例如目标部位为颅内血管，病灶识别结果为动脉瘤等。请参阅图1b，图1b为本申请实施例所提供的图像识别系统的组网示意图，该系统可以包括终端以及服务器，终端之间、服务器之间、以及终端与服务器之间通过各种网关组成的互联网等方式连接通信，不再赘述，其中，终端包括检测本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：/n获取目标部位对应的医学扫描的初始图像；/n对所述初始图像进行预处理，得到所述目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种；/n识别所述初始图像和所述血管的后处理图像，得到所述目标部位对应的病灶区域；/n根据所述病灶区域和所述血管中心线参数存在的异常区域，确定并识别所述初始图像中的病灶图像，得到病灶识别结果。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：
获取目标部位对应的医学扫描的初始图像；
对所述初始图像进行预处理，得到所述目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种；
识别所述初始图像和所述血管的后处理图像，得到所述目标部位对应的病灶区域；
根据所述病灶区域和所述血管中心线参数存在的异常区域，确定并识别所述初始图像中的病灶图像，得到病灶识别结果。


2.根据权利要求1所述的图像识别方法，所述对所述初始图像进行预处理，得到所述目标部位中血管的后处理图像和血管中心线参数存在的异常区域中的至少一种的步骤，包括：
对所述初始图像进行分割处理，得到所述初始图像中血管对应的血管数据；
获取所述血管数据对应的关键生理参考信息；
根据所述关键生理参考信息，从所述血管数据中提取血管对应的血管中心线；
根据所述血管中心线，得到所述血管的后处理图像和血管中心线参数存在的异常区域中的至少一种。


3.根据权利要求2所述的图像识别方法，所述根据所述血管中心线，得到所述血管的后处理图像和血管中心线参数存在的异常区域中的至少一种的步骤，包括：
获取血管中心线参数的弯曲参数、命名参数和宽度参数中的至少一种；
根据所述弯曲参数、所述命名参数和所述宽度参数中的至少一种，确定所述血管中心线参数存在的异常区域；
通过血管中心线修复模型，对所述血管中心线进行修复处理，得到有效血管中心线；
根据所述有效血管中心线，生成所述血管的后处理图像。


4.根据权利要求1所述的图像识别方法，其特征在于，所述识别所述初始图像和所述血管的后处理图像，得到所述目标部位对应的病灶区域的步骤，包括：
调用病灶区域预测模型；
通过所述病灶区域预测模型，对所述初始图像和所述血管的后处理图像进行预测，得到所述目标部位对应的病灶区域。


5.根据权利要求1所述的图像识别方法，其特征在于，所述根据所述病灶区域和所述血管中心线参数存在的异常区域，确定并识别所述初始图像中的病灶图像，得到病灶识别结果的步骤，包括：
合并所述病灶区域和所述血管中心线参数存在的...

【专利技术属性】
技术研发人员：肖月庭，阳光，郑超，
申请(专利权)人：数坤北京网络科技股份有限公司，
类型：发明
国别省市：北京;11