[發明專利]模型訓練的方法及冠狀血管識別方法、裝置、設備和介質

在審

• 申請號: 202110769281.7
• 申請日: 2021-07-07
• 公開（公告）號: CN113487628A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 黃漢東;謝斌
• 申請（專利權）人: 廣州市大道醫療科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/46;G06K9/62;G06T7/00;G06T7/187
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

1.一種模型訓練的方法，其特征在于，所述方法包括：

獲取包含冠狀血管的圖像并進行處理，得到原始圖像；

對所述原始圖像進行自動篩選，得到篩選后樣本；

對所述篩選后樣本進行人工標記，得到對應的標記后圖像；

根據所述篩選后樣本和所述標記后的圖像，通過隨機中心裁剪和隨機縮放，得到訓練圖像；

根據所述訓練圖像，對冠狀血管識別模型進行訓練，得到訓練好的冠狀血管識別模型；所述冠狀血管識別模型包括多個卷積模塊，多個卷積模塊中卷積核的個數依次增加。

2.根據權利要求1所述的方法，其特征在于，所述對所述原始圖像進行自動篩選，得到篩選后樣本，具體包括：

根據原始圖像上的數據點，對原始圖像的X軸和Y軸分別進行矩運算，作為一個新的數據空間，稱為圖像矩空間；

將圖像矩空間的每個維度按等數量分成多份，每份的數值范圍不發生交叉，每個數值范圍內包含的樣本數量一樣；

計算各個維度里，每個數值范圍內樣本份數的標準差；

選擇標準差大的維度作為中心維度；

根據中心維度，查找各個樣本在各個維度的分布；

計算各個樣本的各個維度的值在對應數值范圍包含的份數與該維度平均份數之差，稱為樣本維度差異度；

樣本維度差異度之和最大的樣本，作為篩選后樣本；

若提取的樣本數量達到第一設定閾值，則完成對圖像的自動篩選；否則，返回選擇標準差大的維度作為中心維度，并繼續執行后續操作。

3.根據權利要求1所述的方法，其特征在于，所述獲取包含冠狀血管的圖像并進行處理，得到原始圖像，具體為：

將獲取的圖像，存儲為長寬均為PL的PNG文件，作為原始圖像；其中PL的單位為像素；

所述根據所述篩選后樣本和所述標記后的圖像，通過隨機中心裁剪和隨機縮放，得到訓練圖像，具體包括：

生成n個中心位置隨機變量對(p1，p2)、中心位置隨機變量對的取值范圍為0～1區間，同時生成n個指定范圍的縮放系數隨機變量；其中，n為第二設定閾值；

從n個縮放系數隨機變量中隨機選擇一個縮放系數變量，作為縮放變量s；

根據所述縮放變量s確定可行圖像中心范圍，所述可行圖像中心范圍為正方形，該正方形的邊長L＝(PL-(PL*s/4)-(PL*s/4))；

將中心位置隨機變量對映射至可行圖像中心范圍內，得到新的中心位置隨機變量對(L*p1，L*p2)；

按所述新的中心位置隨機變量對和所述縮放變量對篩選后樣本和標記后圖像中進行截圖，得到新的圖像對，作為訓練圖像。

4.一種冠狀血管識別方法，其特征在于，所述方法包括：

獲取包含冠狀血管的圖像并進行處理，得到處理后圖像；

將所述處理后圖像輸入冠狀血管識別模型，得到主體清晰、邊緣有漸變的冠狀血管圖像，其中，所述冠狀血管識別模型為權利要求1-3任一項所述的訓練好的冠狀血管識別模型。

5.根據權利要求4所述的方法，其特征在于，所述冠狀血管識別模型還包括第一卷積層；

所述將所述處理后圖像輸入所述冠狀血管識別模型，得到主體清晰、邊緣有漸變的冠狀血管圖像，具體包括：

將所述處理后圖像輸入所述冠狀血管識別模型，得到第一卷積層的計算結果；

根據所述第一卷積層中激活函數，將所述計算結果映射到0～255的區間，得到主體清晰、邊緣有漸變的冠狀血管圖像。

6.根據權利要求5所述的方法，其特征在于，所述冠狀血管識別模型還包括第二卷積層；

所述將所述處理后圖像輸入所述冠狀血管識別模型，得到第一卷積層的計算結果，具體包括：

將所述處理后圖像輸入所述冠狀血管識別模型，得到所述第二卷積層輸出的結果；

將所述第二卷積層輸出的結果輸入第一卷積層進行計算，得到第一卷積層的計算結果。