[发明专利]易损斑块识别方法、应用服务器及计算机可读存储介质

摘要

本发明公开了一种易损斑块识别方法，该方法包括：接收终端设备发送的心血管图片；将所述心血管图片从原始笛卡尔转换成极坐标系，以生成极化图片；构建Faster RCNN区域网络结构并完成训练；将所述极化图片输入至所述完成训练的Faster RCNN区域网络结构，对所述极化图片进行图像识别，并输出标注有易损斑块的图像；将所述标注有易损斑块的图像反馈至所述终端设备。本发明还提供一种应用服务器及计算机可读存储介质。本发明提供的易损斑块识别方法、应用服务器及计算机可读存储介质能够快速精准地却确定易损斑块的位置。 1

主权项

1.一种易损斑块识别方法，应用于应用服务器，其特征在于，所述方法包括步骤：

接收终端设备发送的心血管图片；

将所述心血管图片从原始笛卡尔坐标系转换成极坐标系，以生成极化图片；

构建Faster RCNN区域网络结构并完成训练；

将所述极化图片输入至所述完成训练的Faster RCNN区域网络结构，对所述极化图片进行图像识别，并输出标注有易损斑块的图像；

将所述标注有易损斑块的图像反馈至所述终端设备。

2.如权利要求1所述的易损斑块识别方法，其特征在于，将所述心血管图片从原始笛卡尔转换成极坐标系，以生成极化图片的步骤，具体包括：

设定所述心血管图像的中心为原点；

设定逆时针方向为正方向，原点的正方向往下为θ＝0°的方向；

获取所述心血管图片的每一个像素T(θ,ρ)，其中，θ表示与0°方向的夹角，ρ表示与原点的距离；

通过公式x＝ρcosθ,y＝ρsinθ，计算所述心血管图像像素点在极化坐标系下的坐标值：x,y的值。

3.如权利要求2所述的易损斑块识别方法，其特征在于，所述利用所述完成训练的Faster RCNN区域网络结构，对所述极化图片进行图像识别，得到识别结果的步骤之前，还包括如下步骤：

将所述极化图片横向复制连接，使易损斑块在图片上重新连接成一个完整的区域。

4.如权利要求1所述的易损斑块识别方法，其特征在于，所述构建Faster RCNN区域网络结构并完成训练的步骤，具体包括如下步骤：

提取特征，以生成特征图像；

在所述特征图上生成候选区域框；

对候选区域框中的特征进行提取，以得到易损斑块的位置和深层特征。

5.如权利要求4所述的易损斑块识别方法，其特征在于，所述在所述特征图上生成候选区域框的步骤，具体包括如下步骤：

采用3种不同尺寸和3种不同比例组合成的9个候选窗口生成候选区域框。

6.一种应用服务器，其特征在于，所述应用服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的易损斑块识别系统，所述易损斑块识别系统被所述处理器执行时实现如下步骤：

接收终端设备发送的心血管图片；

将所述心血管图片从原始笛卡尔坐标系转换成极坐标系，以生成极化图片；

构建Faster RCNN区域网络结构并完成训练；

将所述极化图片输入至所述完成训练的Faster RCNN区域网络结构，对所述极化图片进行图像识别，并输出标注有易损斑块的图像；

将所述标注有易损斑块的图像反馈至所述终端设备。

7.如权利要求6所述的应用服务器，其特征在于，将所述心血管图片从原始笛卡尔转换成极坐标系，以生成极化图片的步骤，具体包括：

设定所述心血管图像的中心为原点；

设定逆时针方向为正方向，原点的正方向往下为θ＝0°的方向；

获取所述心血管图片的每一个像素T(θ,ρ)，其中，θ表示与0°方向的夹角，ρ表示与原点的距离；

通过公式x＝ρcosθ,y＝ρsinθ，计算所述心血管图像像素点在极化坐标系下的x,y的值。

8.如权利要求7所述的应用服务器，其特征在于，所述利用所述完成训练的Faster RCNN区域网络结构，对所述极化图片进行图像识别，得到识别结果的步骤之前，还包括如下步骤：

将所述极化图片横向复制连接，使易损斑块在图片上重新连接成一个完整的区域。

9.如权利要求6所述的应用服务器，其特征在于，所述构建Faster RCNN区域网络结构并完成训练的步骤，具体包括如下步骤：

提取特征，以生成特征图像；

在所述特征图上生成候选区域框，其中，采用3种不同尺寸和3种不同比例组合成的9个候选窗口生成候选区域框；

对候选区域框中的特征进行提取，以得到易损斑块的位置和深层特征。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有易损斑块识别系统，所述易损斑块识别系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1‑5中任一项所述的易损斑块识别方法的步骤。