基于交互学习的穿刺目标识别方法、系统及存储介质

本发明涉及图像处理，具体涉及基于交互学习的穿刺目标识别方法、系统及存储介质。

背景技术：

1、医学图像处理是利用图像视觉的处理方法辅助临床诊断的一项重要技术，近年来逐渐成为研究热点。其中，从医学图像中识别图像目标是医学图像处理的最常用也是最重要的处理内容。

2、现有技术cn114529724a公开了一种图像目标的识别方法、装置、电子设备及存储介质，包括：获取待识别图像；基于预设的形态学操作参数，对待识别图像进行形态学膨胀腐蚀处理，确定待识别图像中的各个凸起图像区域；基于预设的条件过滤参数，对各个凸起图像区域进行过滤，得到图像目标的粗分割结果；基于图像目标的粗分割结果，确定图像目标识别结果。

3、由上述可知，现有技术虽然能够通过一定处理方法实现图像目标的识别，但是仅仅只是能够粗略获取图像目标，且大多为固定模式识别，并不能随着实际场景或识别阶段进行动态适应，因此不能保证图像目标识别的精准度，导致目标识别质量不佳，从而影响后续临床操作。

技术实现思路

1、本发明的目的在于提供一种基于交互学习的穿刺目标识别方法、系统及存储介质，以解决现有技术中大多为固定模式识别，并不能随着实际场景或识别阶段进行动态适应，不能保证图像目标识别的精准度，导致目标识别质量不佳的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、在本发明的第一方面，本发明提供了一种基于交互学习的穿刺目标识别方法，包括以下步骤：

4、获取用于对穿刺目标进行识别的医学影像；

5、对所述医学影像分别进行时域分析和频域分析，对应得到包含医学影像时域分量的时域图像，以及包含医学影像频域分量的频域图像；

6、利用神经网络，在所述时域图像进行穿刺目标的识别，创建出第一识别任务；

7、利用神经网络，在所述频域图像中进行穿刺目标的识别，创建出第二识别任务；

8、将第一识别任务和第二识别任务进行交互学习，创建出用于在医学影像中精准识别出穿刺目标的第三识别任务。

9、作为本发明的一种优选方案，所述医学影像包括ct影像、b超影像、x光影像、dsa影像。

10、作为本发明的一种优选方案，所述医学影像的时域分析方法包括：

11、利用均值函数、方差函数、自相关函数、互相关函数、协方差函数和功率谱函数中的任意一种方法，对医学影像中像素的空间信息进行数据处理，提取出医学影像的时域分量；

12、将所述医学影像的时域分量进行图形化处理，得到所述时域图像；

13、所述医学影像的频域分析方法包括：

14、利用傅里叶变换、小波变换中的任意一种方法，对医学影像中频率信息进行数据处理，提取出医学影像的频域分量；

15、将医学影像的频域分量进行图形化处理，得到所述频域图像。

16、作为本发明的一种优选方案，所述第一识别任务的创建方法包括：

17、选取一组时域图像作为第一样本图像；

18、在第一样本图像中人工标记出穿刺目标的空间信息；

19、将第一样本图像作为第一神经网络的输入项，将第一样本图像中穿刺目标的空间信息作为第一神经网络的输出项；

20、利用第一神经网络对第一神经网络的输入项和第一神经网络的输出项间的映射关系进行卷积训练，得到用于在时域图像中识别穿刺目标的第一识别网络；

21、利用第一识别网络对时域图像进行穿刺目标的识别，得到第一识别任务；

22、所述第一识别网络为：

23、xclean=gsino(x)；式中，xclean为穿刺目标的空间信息，x为时域图像，gclean为第一识别网络。

24、作为本发明的一种优选方案，所述第二识别任务的创建方法包括：

25、选取一组频域图像作为第二样本图像；

26、在第二样本图像中人工标记出穿刺目标的频率信息；

27、将第二样本图像作为第二神经网络的输入项，将第二样本图像中穿刺目标的频率信息作为第二神经网络的输出项；

28、利用第二神经网络对第二神经网络的输入项和第二神经网络的输出项间的映射关系进行卷积训练，得到用于在频域图像中识别穿刺目标的第二识别网络；

29、利用第二识别网络对频域图像进行穿刺目标的识别，得到第二识别任务；

30、所述第二识别网络为：

31、sclean=gim(s)；

32、式中，sclean为穿刺目标的频域信息，x为频域图像，gim为第二识别网络。

33、作为本发明的一种优选方案，所述第三识别任务的创建方法包括：

34、将第一识别网络和第二识别网络的输入项和输出项进行交互连接，构建出第三识别网络的网络结构；

35、基于所述第一识别网络的损失函数和所述第二识别网络的损失函数，利用多任务学习原则，构建出用于训练第三识别网络的网络结构的学习函数；

36、依据所述学习函数，对第三识别网络的网络结构进行卷积学习，以使得第三识别网络具有在频域图像和时域图像中共同进行穿刺目标识别的网络功能；

37、利用第三识别网络，对频域图像和时域图像共同进行穿刺目标的识别，得到第三识别任务。

38、作为本发明的一种优选方案，所述第三识别网络的网络结构的构建方法包括：

39、将当前识别阶段t处第一识别网络的输出项通过第一转换网络后，和当前识别阶段t处第二识别网络的输出项，共同交互连接至下一识别阶段t+1处第二识别网络的输入项；

40、将当前识别阶段t处第一识别网络的输出项通过第二转换网络后，和当前识别阶段t处第二识别网络的输出项，共同交互连接至下一识别阶段t+1处第一识别网络的输入项；

41、其中，第一转换网络是将频率信息转换为空间信息；第二转换网络是将空间信息转换为频率信息；

42、所述下一识别阶段t+1处第二识别网络的输入项为：，其中，为下一识别阶段t+1处第二识别网络的输入项，为当前识别阶段t处第二识别网络的输出项，为当前识别阶段t处第一识别网络的输出项，laplace为拉普拉斯变换运算符；所述下一识别阶段t+1处第一识别网络的输入项为：，其中，为下一识别阶段t+1处第一识别网络的输入项，为当前识别阶段t处第一识别网络的输出项，为当前识别阶段t处第二识别网络的输出项，flaplace为拉普拉斯逆变换运算符。

43、作为本发明的一种优选方案，所述学习函数的构建方法：

44、获取第一识别网络和第二识别网络的识别准确性；

45、以第一识别网络和第二识别网络的识别准确性，对第一识别网络和第二识别网络进行加权处理，得到所述学习函数；

46、所述学习函数为：losst+1=[(1-q2t)ln(q2t)]-1*loss1t+[(1-q1t)ln(q1t)]-1*loss2t；式中，losst+1为下一识别阶段处的学习函数，q1t为当前识别阶段t处第一识别网络的识别准确性，loss1t为当前识别阶段t处第一识别阶段的损失函数，q2t为当前识别阶段t处第二识别网络的识别准确性，loss2t为当前识别阶段t处第二识别阶段的损失函数。在本发明的第二方面，本发明提供了一种基于交互学习的穿刺目标识别系统，应用于所述的一种基于交互学习的穿刺目标识别方法，穿刺目标识别系统包括：

47、数据获取单元，用于获取用于对穿刺目标进行识别的医学影像；

48、数据处理单元，用于对所述医学影像分别进行时域分析和频域分析，对应得到包含医学影像时域分量的时域图像，以及包含医学影像频域分量的频域图像；

49、深度学习单元，用于利用神经网络，在所述时域图像进行穿刺目标的识别，创建出第一识别任务；

50、用于利用神经网络，在所述频域图像中进行穿刺目标的识别，创建出第二识别任务；以及

51、用于将第一识别任务和第二识别任务进行交互学习，创建出用于在医学影像中精准识别出穿刺目标的第三识别任务。

52、在本发明的第三方面，本发明提供了一种计算机存储介质，所述计算机存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现所述的穿刺目标识别方法。

53、本发明与现有技术相比较具有如下有益效果：

54、本发明利用神经网络创建出第一识别任务以及第二识别任务，实现时域通道和频域通道均进行穿刺目标的识别，再将第一识别任务和第二识别任务进行交互学习，创建出用于在医学影像中精准识别出穿刺目标的第三识别任务，从而实现在识别阶段中将两个独立并行的识别任务进行交互融合，提升穿刺目标识别的准确度，而且可以做到与识别阶段进行动态适应，识别任务鲁棒性更强。