[发明专利]一种图像分析方法和装置、以及存储介质和电子设备

说明书

本发明公开了一种图像分析方法和装置、以及存储介质和电子设备，包括：获取分割好的图像数据；利用预设图像分类模型对所述图像数据进行分类，以确定非正常图像数据；利用预设特征提取模型对所述非正常图像数据进行特征提取，以确定所述非正常图像数据中的异常区域。本发明的方法通过获取需求的图像数据，即骨盆图像数据，能够减少检测区域；通过预设图像分类名能够将分割出的骨盆数据分为正常骨盆和非正常骨盆；通过预设特征提取模型能够获取到骨折区域，通过本发明的方法能够实现高效地对骨盆图像进行分析，从而确定骨折区域，以辅助医生诊断。

技术领域

本发明涉及图像处理技术领域，并且更具体地，涉及一种图像分析方法和装置、以及存储介质和电子设备。

背景技术

目前，在医疗急诊中，对骨折的检测是使用CT（计算机断层扫描）图像作为对患者进行初步筛查，从CT图像诊断出骨折这是由医生人工完成的，由于每个病人有800-1200张图像，这对医生来说具有较大的负担，尤其在紧急情况下难以保证诊断骨折的精确性。尤其对于骨盆，由于骨盆的复杂性，二维的图像分析，难以分析骨盆的三维内部结构，这大大的增加了诊断骨盆骨折的难度和诊断时间。

发明内容

为了解决上述诸如如何判断骨盆是否存在骨折等异常的技术问题，提出了本发明。本发明的实施例提供了一种图像分析方法和装置、以及存储介质和电子设备。

根据本发明实施例的一个方面，提供了一种图像分析方法，所述方法包括：

获取分割好的图像数据；

利用预设图像分类模型对所述图像数据进行分类，以确定非正常图像数据；

利用预设特征提取模型对所述非正常图像数据进行特征提取，以确定所述非正常图像数据中的异常区域。

优选地，其中所述获取分割好的图像数据，包括：

对获取的CT图像进行脱敏处理，以获取脱敏数据；

利用预设分割网络对所述脱敏数据进行分割，以获取分割好的图像数据。

优选地，其中所述预设图像分类模型，以深度学习网络Vgg16为基础网络，以AReLU为激活函数。

优选地，其中所述预设特征提取模型，以轻量化网络SqueezeNet为用于特征提取的基础网络，所述预设特征提取模型的SqueezeNet网络中的低层的Fire模块与高层的Fire模块进行concat拼接，任一个Fire模块中的squeeze和expand之间利用AReLU激活函数进行连接。

优选地，其中所述利用预设特征提取模型对所述非正常图像数据进行特征提取，以确定所述非正常图像数据中的异常区域，包括：

将所述非正常图像数据输入至所述预设特征提取模型，依次经过初始卷积层、SqueezeNet的Fire模块和最终卷积层进行特征提取，以获取第一特征图像；其中，在所述初始卷积层，使用的激活函数为AReLU激活函数；

基于所述第一特征图像，利用区域生成网络RPN，确定所述非正常图像数据中的异常区域。

优选地，其中所述基于第一所述特征图像，利用区域生成网络RPN，确定所述非正常图像数据中的异常区域，包括：

将所述第一特征图像通过RPN网络滑动生成候选矩形框；

通过ROI池对所述候选矩形框进行进行最大池化，以获取第二特征图像；

对所述第二特征图进行分类回归处理，以确定所述非正常图像数据的异常区域。

优选地，其中所述AReLU激活函数由两部分组成，正半轴为ReLU激活函数的正半轴的线性部分，负半轴为Arctan函数，所述AReLU激活函数的函数表达式为：

，

其中，x为输入，AReLU为输出。

优选地，其中所述方法还包括：

按照预设格式转换规则，对所述非正常图像数据进行格式转换。