(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211174774.7 (22)申请日 2022.09.26 (71)申请人 推想医疗科技股份有限公司 地址 100085 北京市海淀区上地信息路12 号1幢4层B401室 (72)发明人 刘俊　张欢　陈宽　王少康　 (74)专利代理 机构 北京布瑞知识产权代理有限 公司 11505 专利代理师 秦卫中 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/10(2022.01) G06V 10/82(2022.01) G06T 7/62(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像处理方法、 装置、 存 储介质及电子设备 (57)摘要 本申请提供了一种图像处理方法、 装置、 存 储介质及电子设备， 通过 获取包括待检测目标的 血管图像， 将所述血管图像与预设的血管分段图 像输入经过训练的预测模型中， 经由所述预测模 型输出预测结果， 实现了不依赖于人工经验对血 管斑块进行识别。 之后， 对所述预测结果进行后 处理， 以得到所述血管图像中所述待检测目标的 位置和类型， 通过后处理可以进一步精确识别血 管斑块的位置和类别， 为临床 工作提供了判断依 据， 保证了待检测目标诊断准确性的同时节省了 大量的人力成本 。 权利要求书2页 说明书11页 附图4页 CN 115482223 A 2022.12.16 CN 115482223 A 1.一种图像处 理方法， 其特 征在于， 包括： 获取包括待检测目标的血 管图像； 将所述血管图像与 预设的血管分段图像输入经过训练的预测模型中， 经由所述预测模 型输出预测结果， 其中， 所述血管分段图像用于对不同部位的血管进 行分段标识， 所述预测 模型用于对所述待检测目标进行识别； 对所述预测结果进行分类和筛选， 以得到所述血管图像中所述待检测目标的位置和类 型。 2.根据权利要求1所述的方法， 其特征在于， 在所述将所述血管图像与 预设的血管分段 图像输入经 过训练的预测模型中之前， 还 包括： 分别将所述血管图像与所述血管分段图像重采样至预设尺寸， 并将经过重采样的所述 血管图像与所述血管分段图像进 行拼接， 以将拼接后的所述血管图像与所述血管分段图像 输入所述预测模型。 3.根据权利要求1或2所述的方法， 其特征在于， 所述对所述预测结果进行分类和筛选， 以得到所述血 管图像中所述待检测目标的位置和类型， 包括： 将所述预测结果映射至所述血管图像中， 得到包括预测检测目标的位置标识和类型标 识的热图； 基于预设阈值和所述类型标识对所述热图中的预测检测目标进行标记， 得到候选待检 测目标； 计算所述候选待检测目标所在位置的连通域， 从所述候选待检测目标中删除对应的连 通域面积小于预设连通域阈值的候选待检测目标， 得到所述血管图像中所述待检测目标的 位置和类型。 4.根据权利要求3所述的方法， 其特征在于， 在所述将所述血管图像与 预设的血管分段 图像输入经 过训练的预测模型中之前， 还 包括： 计算所述血 管分段图像中目标分析 范围的最小外 接框； 根据所述最小外接框对所述血管图像和所述血管分段图像进行截取， 以将截取后的所 述血管图像和所述血 管分段图像输入所述预测模型。 5.根据权利要求1所述的方法， 其特 征在于， 所述预测模型的训练方法包括： 获取血管样本图像和血 管分段样本图像； 分别对所述血 管样本图像和血 管分段样本图像进行重采样； 对经过所述重采样的所述血 管样本图像和所述血 管分段样本图像进行 数据增强； 根据经过数据增强的所述血管样本图像和所述血管分段样本图像对所述预测模型进 行训练； 响应于达到训练截止条件， 停止对所述预测模型的训练。 6.根据权利要求5所述的方法， 其特征在于， 所述数据增强包括对所述血管样本图像和 所述血管分段样本图像进行随机裁剪、 随机旋转、 随机亮度或高斯 随机噪音处理中的至少 一个。 7.根据权利要求5所述的方法， 其特征在于， 所述根据经过数据增强的所述血管样本图 像和所述血 管分段样本图像对所述预测模型进行训练， 包括： 将包括所述血管样本图像和所述血管分段样本图像的训练样本划分为正样本和负样权　利　要　求　书 1/2 页 2 CN 115482223 A 2本； 基于所述 正样本和负 样本采用多种损失函数对所述预测模型进行训练。 8.根据权利要求7所述的方法， 其特征在于， 所述多种损失函数至少包括交叉熵损失函 数、 Dice损失函数和局 部损失函数， 其中， 所述交叉熵损失函数、 所述Dice损失函数和所述 局部损失函数的权 重分别为10： 3： 3 。 9.根据权利要求1或2所述的方法， 其特征在于， 所述预测模型为基于稀疏卷积的神经 网络模型， 在所述预测模型的每 个残差模块的跳跃层和全连接层设置Drop Block模块。 10.一种图像处 理装置， 其特 征在于， 包括： 获取模块， 被 配置为获取包括待检测目标的血 管图像； 预测模块， 被配置为将所述血管图像与 预设的血管分段图像输入经过训练的预测模型 中， 经由所述预测模 型输出预测结果， 其中， 所述血管分段图像用于对不同部位的血管进 行 分段标识， 所述预测模型用于对所述待检测目标进行识别； 处理模块， 被配置为对所述预测结果进行分类和筛选， 以得到所述血管图像中所述待 检测目标的位置和类型。 11.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计 算机程序用于执 行上述权利要求1至9任一项所述的图像处 理方法。 12.一种电子设备， 其特 征在于， 包括： 处理器； 用于存储所述处 理器可执行指令的存 储器， 其中， 所述处 理器用于执 行上述权利要求1至9任一项所述的图像处 理方法。权　利　要　求　书 2/2 页 3 CN 115482223 A 3