[发明专利]图像处理方法和装置、电子设备、计算机可读存储介质

说明书

本公开提供了一种基于多个神经网络模型的图像处理方法、图像处理装置、电子设备以及计算机可读存储介质。所述基于多个神经网络模型的图像处理方法，包括：针对输入图像，利用所述多个神经网络模型生成对应的多个图像预处理结果；基于所述多个图像预处理结果，确定对应的特征表示图像；选择所述多个神经网络模型中的一个神经网络模型作为基准模型，其对应的特征表示作为基准特征表示图像，以所述多个神经网络模型中的其他神经网络模型作为参考模型，其对应的特征表示作为参考特征表示图像；基于所述参考特征表示图像，调整所述基准特征表示图像，生成输出图像。

技术领域

本公开涉及图像处理领域，更具体地，本公开涉及一种基于多个神经网络模型的图像处理方法、图像处理装置、电子设备以及计算机可读存储介质。

背景技术

神经网络是一种大规模、多参数优化的工具。依靠大量的训练数据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成多项复杂的任务，如人脸检测、图像语义分割、物体检测、动作追踪、自然语言翻译等。当前，利用神经网络的人工智能技术已经被应用于诸如计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描(PET)等医学影像的处理和分析中。例如，在无创冠心病智能辅助诊断系统中，利用基于神经网络的计算机视觉和深度学习技术，可完成冠状动脉血管增强CT影像自动重建和后处理计算。

在诸如自动化冠状动脉重建的影像处理中，需要实现冠状动脉的分割。在冠状动脉分割处理中，最常见的问题是出现断裂和静脉粘连。目前通常使用传统算法或者单模型的神经网络来执行冠状动脉分割，难以同时解决断裂和静脉粘连这两个问题。

发明内容

鉴于上述问题而提出了本公开。本公开提供了一种基于多个神经网络模型的图像处理方法、图像处理装置、电子设备以及计算机可读存储介质。

根据本公开的一个方面，提供了一种基于多个神经网络模型的图像处理方法，包括：针对输入图像，利用所述多个神经网络模型生成对应的多个图像预处理结果；基于所述多个图像预处理结果，确定对应的特征表示图像；选择所述多个神经网络模型中的一个神经网络模型作为基准模型，其对应的特征表示作为基准特征表示图像，以所述多个神经网络模型中的其他神经网络模型作为参考模型，其对应的特征表示作为参考特征表示图像；基于所述参考特征表示图像，调整所述基准特征表示图像，生成输出图像。

此外，根据本公开一个方面的图像处理方法，其中，所述输入图像是针对管状物成像的图像，所述基于所述多个图像预处理结果，确定对应的特征表示图像包括：基于所述多个图像预处理结果，确定其中作为特征表示图像的管状物图像的中心线。

此外，根据本公开一个方面的图像处理方法，其中，所述基准特征表示图像为基准中心线，参考特征表示图像为参考中心线，所述基于所述参考特征表示图像，调整所述基准特征表示图像，生成输出图像包括：确定所述基准中心线的多个基准端点；比较所述基准中心线与所述参考中心线，确定所述多个基准端点中的待延长端点与断裂点对；以及基于所述参考中心线，延长所述待延长端点，并且连接所述断裂点对，以生成所述输出图像。

此外，根据本公开一个方面的图像处理方法，其中，确定所述基准中心线的多个基准端点包括：生成所述基准中心线的最小生成树，基于所述最小生成树的节点连通性属性，确定所述基准中心线的多个基准端点。

此外，根据本公开一个方面的图像处理方法，其中，基于所述参考中心线，连接所述断裂点对包括：对于第一基准端点，确定其对应的第一基准端点中心点序列，并且确定所述参考中心线中对应的第一参考端点，以及对应的具有最低相似度的第一参考端点中心点序列；对于第二基准端点，确定其对应的第二基准端点中心点序列，并且确定所述参考中心线中对应的第二参考端点，以及对应的具有最低相似度的第二参考端点中心点序列；如果所述第一参考端点中心点序列与所述第二参考端点中心点序列存在重合中心点序列，则所述第一基准端点和所述第二基准端点为所述断裂点对；将所述重合中心点序列补充到所述基准中心线，以连接包括所述第一基准端点和所述第二基准端点的所述断裂点对。