钙化点的识别方法、装置和计算机可读存储介质与流程

本发明涉及图像识别领域，尤其涉及一种钙化点的识别方法、装置和计算机可读存储介质。

背景技术：

ct被认为是检测癌变钙化点的最佳方法——“金标准”，作为一种非侵入式的而且能够提供三维信息的医学影像检查手段，被广泛应用于对疾病的检测和评估。

目前，ct扫描有两种：一使用低分辨率的非加强ct对病人进行扫描；二使用高分辨率的cta(computedtomographyangioplasty)扫描。第一种非加强ct扫描由于分辨率较低，钙化点的识别需要放射医生的人工参与，耗费了大量的人力和时间；而第二种高分辨率的cta扫描虽然能通过机器识别，但识别率低，存在大量假阳性的问题。因此，目前的识别方法存在人力劳动量大和检测率低等缺点。

技术实现要素：

本发明的主要目的在于提供一种钙化点的识别方法、装置和计算机可读存储介质，旨在实现在钙化点的识别过程中，既能减少大量的人力，又能保证一定的识别率。

为实现上述目的，本发明提供一种钙化点的识别方法，所述钙化点的识别方法包括以下步骤：

获得待识别的图像；

根据预设的第一算法对所述图像各像素点进行处理，得到所述图像的疑似钙化候选块；

根据预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，并根据钙化概率值确定所述疑似钙化候选块是否钙化。

可选地，所述根据钙化概率值确定所述疑似钙化候选块是否钙化的步骤包括：

判断钙化概率值是否超过预设值；

如果是，则判定疑似钙化候选块为钙化，并进行标注。

可选地，所述根据预设的第一算法对所述图像各像素点进行处理，得到所述图像的疑似钙化候选块的步骤包括：

根据深度卷积神经网络算法对所述图像中各像素点进行特征提取并概率转化，获得所述图像中各像素点的疑似钙化概率值；

利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值确定所述图像中各疑似钙化像素点；

利用连接成分算法将所述图像中各疑似钙化像素点连接成块，获得疑似钙化候选块。

可选地，所述根据深度卷积神经网络算法对所述图像中各像素点进行特征提取并概率转化，获得所述图像中各像素点的疑似钙化概率值的步骤包括：

对所述图像中各像素点进行第一次跨步卷积，得到在第一卷积层的像素点的细节特征；

对所述图像进行第一次跨步卷积，得到在第一卷积层的像素点的细节特征；

对所述图像第一卷积层进行n次跨步卷积和n次空间压缩，得到n卷积层像素点的细节特征；

再对第n卷积层进行跨步反卷积和空间展开，并与第n-1卷积层像素点的细节特征相融合，得到第n-1卷积层的像素点的融合特征；

对第n-1卷积层n-1次进行跨步反卷积、空间展开和与对应卷积层的像素点的细节特征相融合的处理，得到第一卷积层的像素点的融合特征；

对所述第一卷积层的像素点的融合特征进行概率转化，得到所述图像中各像素点的疑似钙化概率值。

可选地，所述利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值确定所述图像中各疑似钙化像素点的步骤包括：

利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值进行二值型转换，得到所述各像素点的二值转换值；

根据所述各像素点的二值转换值确定所述图像中的疑似钙化像素点。

可选地，所述根据预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，并根据钙化概率值确定所述疑似钙化候选块是否钙化的步骤包括：

确定所述图像中疑似钙化候选块的几何中心坐标；

将以所述坐标为中心的疑似钙化候选块为整体利用所述第二算法进行特征提取并概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值；

利用预设的第二阈值对所述以坐标为中心的疑似钙化候选块的钙化概率值进行判断，确定所述疑似钙化候选块是否钙化。

可选地，所述将以所述坐标为中心的疑似钙化候选块为整体利用所述第二算法进行特征提取并概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值的步骤包括：

对所述以坐标为中心的疑似钙化候选块为整体进行第一次卷积，得到在第一卷积层的疑似钙化候选块的细节特征；

对所述第一卷积层进行m次卷积和m次空间压缩，得到在第m卷积层的疑似钙化候选块的细节特征；

对所述第m卷积层的疑似钙化候选块的细节特征进行概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值。

可选地，所述m为正整数。

此外，为实现上述目的，本发明还提供一种钙化点的识别装置，所述钙化点的识别装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的钙化点的识别方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有钙化点的识别程序，所述钙化点的识别程序被处理器执行时实现如上所述的钙化点的识别方法的步骤。

本发明提出的一种钙化点的识别方法、装置和计算机可读存储介质。在该方法中，通过获得待识别的图像；根据预设的第一算法对所述图像各像素点进行处理，得到所述图像的疑似钙化候选块；根据预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，并根据钙化概率值确定所述疑似钙化候选块是否钙化。通过上述方式，先对图像中对每一个像素点进行钙化概率的计算，再对由像素点构成的钙化疑似块进行钙化概率的计算，通过这两步的计算能显著提高钙化点块的检测效率，避免检测结果大量假阳性的问题，同时，使检测结果有较好的鲁棒性和准确性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；

图2为本发明钙化点的识别方法第一实施例的流程示意图；

图3为本发明钙化点的识别方法实施例中处理图片的示意图；

图4为本发明钙化点的识别方法第二实施例的流程示意图；

图5为本发明钙化点的识别方法第三实施例的流程示意图；

图6为本发明钙化点的识别方法第三实施例中一图片处理过程示意图；

图7为本发明钙化点的识别方法第三实施例中一参数示意图；

图8为本发明钙化点的识别方法第四实施例的流程示意图；

图9为本发明钙化点的识别方法第五实施例的流程示意图；

图10为本发明钙化点的识别方法第六实施例的流程示意图；

图11为本发明钙化点的识别方法第六实施例中一图片处理过程示意图；

图12为本发明钙化点的识别方法第六实施例中一参数示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。

本发明实施例终端可以是pc，也可以是智能手机、平板电脑、便携计算机等具有数据处理功能的终端设备。

如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wi-fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及钙化点的识别程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的钙化点的识别程序，并执行以下操作：

获得待识别的图像；

根据预设的第一算法对所述图像各像素点进行处理，得到所述图像的疑似钙化候选块；

根据预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，并根据钙化概率值确定所述疑似钙化候选块是否钙化。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

判断钙化概率值是否超过预设值；

如果是，则判定疑似钙化候选块为钙化，并进行标注。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

根据深度卷积神经网络算法对所述图像中各像素点进行特征提取并概率转化，获得所述图像中各像素点的疑似钙化概率值；

利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值确定所述图像中各疑似钙化像素点；

利用连接成分算法将所述图像中各疑似钙化像素点连接成块，获得疑似钙化候选块。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

对所述图像进行第一次跨步卷积，得到在第一卷积层的像素点的细节特征；

对所述图像第一卷积层进行n次跨步卷积和n次空间压缩，得到n卷积层像素点的细节特征；

再对第n卷积层进行跨步反卷积和空间展开，并与第n-1卷积层像素点的细节特征相融合，得到第n-1卷积层的像素点的融合特征；

对第n-1卷积层n-1次进行跨步反卷积、空间展开和与对应卷积层的像素点的细节特征相融合的处理，得到第一卷积层的像素点的融合特征；

对所述第一卷积层的像素点的融合特征进行概率转化，得到所述图像中各像素点的疑似钙化概率值。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值进行二值型转换，得到所述各像素点的二值转换值；

根据所述各像素点的二值转换值确定所述图像中的疑似钙化像素点。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

确定所述图像中疑似钙化候选块的几何中心坐标；

将以所述坐标为中心的疑似钙化候选块为整体利用所述第二算法进行特征提取并概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值；

利用预设的第二阈值对所述以坐标为中心的疑似钙化候选块的钙化概率值进行判断，确定所述疑似钙化候选块是否钙化。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

对所述以坐标为中心的疑似钙化候选块为整体进行第一次卷积，得到在第一卷积层的疑似钙化候选块的细节特征；

对所述第一卷积层进行m次卷积和m次空间压缩，得到在第m卷积层的疑似钙化候选块的细节特征；

对所述第m卷积层的疑似钙化候选块的细节特征进行概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值。

进一步地，处理器1001可以调用存储器1005中存储的钙化点的识别程序，还执行以下操作：

所述m为正整数。

本发明钙化点的识别设备的具体实施例与下述钙化点的识别方法各实施例基本相同，在此不作赘述。

参照图2，图2为本发明钙化点的识别方法第一实施例的流程示意图，所述钙化点的识别方法包括：

步骤s100，获得待识别的图像；

本实施例中，获取的图像可以为需要判断图像钙化点的三维ct图像或者三维cta图像。该图像可以来源于医院数据库，也可以来源于其他途径。该图像可以为乳腺ct图像，血管ct图像，动脉ct图像和全身ct图像等。本实施例以血管ct图像为例作为待识别的图像进行说明，血管ct图像中含有较高hu值的软组织，采用现有技术的识别方法进行识别较为困难，钙化点的识别率较低。

步骤s200，根据预设的第一算法对所述图像各像素点进行处理，得到所述图像的疑似钙化候选块；

本实施例分两次对ct图像进行图像计算处理，第一次是对图像中的像素点进行识别，识别出图像中的疑似钙化点块，通过对图像中每个像素点进行图像计算处理，判断识别每个像素点是否为钙化点，来得到图像中的疑似钙化点块。具体地，将血管ct图像中每个像素点利用第一算法进行计算处理，判断血管ct图像中的每个像素点是否为疑似钙化像素点，进而得到血管ct图像中的疑似钙化点块。第一算法可以为深度卷积神经网络算法和连接成分算法。参见图3，本实施例中利用深度卷积神经网络算法将如图3a所示的待识别的图像进行处理后，获得如图3b所示的像素级疑似值图，再通过阈值二值化，获得如图3c所示的疑似像素图。最后利用连接成分算法将像素连接成块，得到疑似块图3d。

步骤s300，根据预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，并根据钙化概率值确定所述疑似钙化候选块是否钙化。

本实施例中，第二次对图像进行处理，是将第一步中识别出来的疑似钙化点块做进一步的图像处理，是对图像中的疑似钙化点块为整体进行识别判断，通过预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，然后根据计算获得的钙化概率值判断各个疑似钙化点块是否为钙化点。

具体地，步骤s300可以包括：

判断钙化概率值是否超过预设值；

如果是，则判定疑似钙化候选块为钙化，并进行标注。

通过对步骤s200中的疑似钙化点块为整体利用第二算法进行图像处理，判断步骤s200中的血管ct图像中的疑似钙化点块是否超过预设值，如果高于预设值，则认为此疑似钙化点块为钙化点；如果低于预设值，则认为此疑似钙化点块不是钙化点。如果所有的疑似钙化点块都不是钙化点，则认为此图像没有钙化点；如果某些疑似钙化点块为钙化点，则认为在图像中有钙化点，并将识别出来的钙化点进行标记，进一步地用作医生进行病情的判断处理。

本发明提出的一种钙化点的识别方法、装置和计算机可读存储介质。在该方法中，通过获得待识别的图像；根据预设的第一算法对所述图像各像素点进行处理，得到所述图像的疑似钙化候选块；根据预设的第二算法计算所述图像的疑似钙化候选块的钙化概率值，并根据钙化概率值确定所述疑似钙化候选块是否钙化。通过上述方式，先对图像中对每一个像素点进行钙化概率的计算，再对由像素点构成的钙化疑似块进行钙化概率的计算，通过这两步的计算能显著提高钙化点块的检测效率，避免检测结果大量假阳性的问题，同时，使检测结果有较好的鲁棒性和准确性。

请参阅图4，图4为本发明钙化点的识别方法第二实施例的流程示意图。

基于上述实施例，本实施例中，步骤s200包括：

步骤s210，根据深度卷积神经网络算法对所述图像中各像素点进行特征提取并概率转化，获得所述图像中各像素点的疑似钙化概率值；

深度卷积神经网络算法能够对图像进数据特征的提取，常用于人脸检测，语音识别，视频分析和图像识别领域。其框架结构是多尺度深度卷积网络u-net。卷积层resconvrelu从图像中提取不同尺度的特征。本实施例中，用深度卷积神经网络算法对图像中的各个像素点进行多步卷积，逐步得到各个像素点在多个卷积层的特征向量，并用公式对多个卷积层的特性向量进行概率转化输出，完成对图像中的各个像素点的特征提取和概率转化，得到图像中每个像素点的疑似钙化概率值。

步骤s220，利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值确定所述图像中各疑似钙化像素点；

通过预设的第一阈值对步骤s210中的每个像素点的疑似钙化概率值进行判断，如果高于预设的第一阈值，则判定此像素点为疑似钙化点，如果低于这个阈值，则判定此像素点不是疑似钙化点。预设的阈值可以为对多个ct图像进行钙化点识别训练得到的经验值，也可以从其他渠道途径得到。

步骤s230，利用连接成分算法将所述图像中各疑似钙化像素点连接成块，获得疑似钙化候选块。

通过步骤s220得到的疑似钙化像素点可能有些集结成块，分为几个块状区域，有些较为分散，通过连接成分算法能很好的将这些疑似钙化像素点聚集成块，将疑似钙化点转化为疑似钙化点块，便于后续对疑似钙化点块为整体进行处理。每一个疑似钙化候选块都独一地对应于一个正整数，属于同一候选块的像素点标记为相同的正整数标记，非候选块像素标记为0。连接成分算法(connectedcomponentalgorithm)为常用算法，本实施例中，处理过程与现有技术处理过程相同，本文就不做多余赘述。

请参阅图5，图5为本发明钙化点的识别方法第三实施例的流程示意图。

基于上述实施例，本实施例中，步骤s210包括：

步骤s211，对所述图像进行第一次跨步卷积，得到在第一卷积层的像素点的细节特征；

图像数据量庞大且各像素间具有很强的相关性，本实施例通过卷积来获取图像的局部平面特征，不同卷积层的不同卷积核提取的特征不同。通过不同卷积层提取的特征不同能较好的用于图像识别。将图像进行第一次跨步卷积，是将图像用第一卷积核在第一卷积层进行图像卷积，得到在第一卷积层的像素点的细节特征。

步骤s212，对所述图像第一卷积层进行n次跨步卷积和n次空间压缩，得到n卷积层像素点的细节特征；

通过步骤s211得到第一卷积层的像素点的细节特征后，在对图像进行第二次跨步卷积，即对图像用第二卷积核在第二卷积层进行图像卷积，得到在第二卷积层的像素点的细节特征，并将第二卷积层进行空间压缩，作为下一次跨步卷积的输入。这样，以此类推，通过对图像进行多次的跨步卷积即对图像用多个卷积核在多个卷积层进行图像卷积，和在对应卷积层的空间压缩就得到多个卷积层的像素点的细节特征。这样就用不同卷积层的卷积核对图像各个像素点进行了特征提取。

步骤s213，再对第n卷积层进行跨步反卷积和空间展开，并与第n-1卷积层像素点的细节特征相融合，得到第n-1卷积层的像素点的融合特征；

在上一步骤中，得到在各个卷积层的像素点的细节特征后，将第n卷积层进行跨步反卷积即将第n卷积层的像素点的细节特征跨步卷积返回第n-1卷积层，并将其在空间展开后，和第n-1层的原来的像素点的细节特征相融合，这样就将第n层的细节特征反馈回了第n-1层，使图像中的像素点在第n-1层具有第n层和第n-1层两层的细节特征，即得到了在第n-1卷积层的融合特征。

步骤s214，对第n-1卷积层n-1次进行跨步反卷积、空间展开和与对应卷积层的像素点的细节特征相融合的处理，得到第一卷积层的像素点的融合特征；

按照上一步骤，以此类推，将第n-1卷积层进行多次跨步反卷积即将对应层卷积层的像素点的细节特征跨步卷积返回上一卷积层，并将其在空间展开后，与对应层的原来的像素点的细节特征相融合，这样就将各层的细节特征逐步反馈回了第一层，使图像中的像素点具有每个卷积层的细节特征，即得到第一卷积层的像素点的融合特征。

步骤s215，对所述第一卷积层的像素点的融合特征进行概率转化，得到所述图像中各像素点的疑似钙化概率值。

第一卷积层的像素点的融合特征包含了各个卷积层的细节特征，使每一个像素有一个融合了各个尺度的特征向量，将这个特征向量用公式进行概率转化相关计算，就得到了图像中各像素点的疑似钙化概率值。

因为将图像进行多次空间压缩会使压缩后的每个像素代表的视野变大。如果压缩的次数越多，每个像素代表的视野越大，过大的视野会包含无关的信息，造成压缩次数的浪费；如果压缩的次数过少，每个像素代表的视野就越小，这样模型就缺乏全局信息，导致结果不准确。根据实验，n最好为6次，这样卷积压缩后的视野大约为10厘米，能较好的满足整个过程的需要。如图6所示，图像在6个层次上进行卷积，较小层次的尺度为精细尺度，较大层次的尺度为粗广尺度。ct图像经过第一次卷积(convrelu)后在第1尺度得到细节特征，细节特征经过跨步卷积(strideconvolution)在空间上压缩(图中箭头所示)，作为粗广尺度卷积层的输入。粗广尺度再利用resconvrelu提取特征描述的背景结构。这样层层迭代，特征的尺度逐步增大。粗广尺度的特征再经过跨步反卷积(strideddeconvolution)在空间上展开(图中箭头表示)，与精细尺度的特征相加融合(图中加号表示)。融合后的特征再次经resconvrelu处理。这样层层迭代，粗广尺度的特征逐步反馈回精细尺度。最终每一个像素有一个融合了各个尺度的特征向量，并以此利用convsigmoid计算出其疑似钙化的程度。若以将像素大小为0.75毫米的图像输入，然后将图像在6个层次上进行卷积，在各卷积层的像素大小和模块参数则可如图7所示。

请参阅图8，图8为本发明钙化点的识别方法第四实施例的流程示意图。

基于上述实施例，本实施例中，步骤s220包括：

步骤s221，利用预设的第一阈值对所述图像中各像素点的疑似钙化概率值进行二值型转换，得到所述各像素点的二值转换值；

将疑似钙化概率值进行二值型转换，实际上就是将疑似程度值超过一定阈值的像素标记为疑似像素点。具体为，进行利用第一阈值对各像素点的疑似钙化概率值进行二值型转换处理，即将超过阈值的像素点标记为1，低于阈值的像素点标注为0，这样就将整副图像转换为一副0/1二值化三维图。

步骤s222，根据所述各像素点的二值转换值确定所述图像中的疑似钙化像素点。

对整副0/1二值化三维图进行判断，将为1的像素点判定为疑似钙化像素点，将为0的像素点判定为非钙化点，通过这样的方式，就确定了整副图像的疑似钙化像素点。

请参阅图9，图9为本发明钙化点的识别方法第五实施例的流程示意图。

基于上述实施例，本实施例中，步骤s300包括：

步骤s310，确定所述图像中疑似钙化候选块的几何中心坐标；

确定图像中疑似钙化候选块的几何中心有助于后续将疑似钙化候选块作为整体进行处理，通过相关公式将疑似钙化候选块进行几何图像处理，利用坐标，找到疑似钙化候选块的几何中心位置，计算出疑似钙化候选块的几何中心坐标。

步骤s320，将以所述坐标为中心的疑似钙化候选块为整体利用所述第二算法进行特征提取并概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值；

本实施例中，依然是用深度卷积神经网络算法对图像进行数据特征的提取，是用深度卷积神经网络算法对图像中的疑似钙化候选块为整体进行多步卷积提取特征，而非对图像中的各个像素点进行多步卷积提取特征，故本实施例中，对提取的特征进行概率转化是对疑似钙化候选块这个整体计算出一个概率值，而不是每个像素点计算出一个概率值。

步骤s330，利用预设的第二阈值对所述以坐标为中心的疑似钙化候选块的钙化概率值进行判断，确定所述疑似钙化候选块是否钙化。

利用预设的第二阈值对上述步骤中的疑似钙化候选块的钙化概率值进行判断，如果高于预设的第二阈值，则判定此疑似钙化候选块为钙化点块，如果低于这个阈值，则判定此疑似钙化候选块不是钙化点块。通过阈值来排除掉那些假钙化点块。

请参阅图10，图10为本发明钙化点的识别方法第六实施例的流程示意图。

基于上述实施例，本实施例中，步骤s320包括：

步骤s321，对所述以坐标为中心的疑似钙化候选块为整体进行第一次卷积，得到在第一卷积层的疑似钙化候选块的细节特征；

将以几何中心为核心的疑似钙化候选块看做一个整体，对整个图像进行第一次卷积，即用第一卷积层的卷积核对图像进行卷积处理特征提取，得到在第一卷积层的疑似钙化候选块的细节特征，即候选快作为整体与第一卷积层的卷积核对应提取出的特征。

步骤s322，对所述第一卷积层进行m次卷积和m次空间压缩，得到在第m卷积层的疑似钙化候选块的细节特征；

以此类推，将以几何中心为核心的疑似钙化候选块看做一个整体，对整个图像进行多次卷积即用多各卷积层的相应的卷积核对图像进行卷积处理特征提取，和多次的空间压缩得到第m卷积层的疑似钙化候选块的细节特征，即候选快作为整体与第m卷积层的卷积核对应提取出的特征。

步骤s323，对所述第m卷积层的疑似钙化候选块的细节特征进行概率转化，得到所述以坐标为中心的疑似钙化候选块的钙化概率值。

将第m卷积层的疑似钙化候选块的细节特征即特征向量用公式进行计算概率转化，将第m卷积层的疑似钙化候选块的细节特征转化为疑似钙化候选块的钙化概率值。

其中，m最好为6次。因为将图像进行多次空间压缩会使压缩后的每个像素代表的视野变大。如果压缩的次数越多，每个像素代表的视野越大，过大的视野会包含无关的信息，造成压缩次数的浪费；如果压缩的次数过少，每个像素代表的视野就越小，这样模型就缺乏全局信息，导致结果不准确。根据实验，m最好为6次，这样卷积压缩后的视野大约为10厘米，能较好的满足整个过程的需要。m和上述n可以相同，也可以不同。当m和n都为6时，可以达到最优效果。

如图11所示，图像在6个层次上进行卷积，较小层次的尺度为精细尺度，较大层次的尺度为粗广尺度。图像的特征经过6次卷积(convrelu)和空间压缩(图像中箭头表示)后从精细尺度逐渐汇集到粗广尺度，最后对粗广尺度的细节特征进行概率转换(convsigmoid)成概率值，然后对整个图像的钙化概率做出估计。同样，若以将像素大小为0.75毫米的图像输入，然后将图像在6个层次上进行卷积，在各卷积层的像素大小和模块参数则可如图12所示。

此外，本发明实施例还提出一种计算机可读存储介质。

本发明计算机可读存储介质上存储有钙化点的识别程序，所述钙化点的识别程序被处理器执行时实现如上所述的钙化点的识别方法的步骤。

其中，在所述处理器上运行的钙化点的识别程序被执行时所实现的方法可参照本发明钙化点的识别方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。