(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210522323.1 (22)申请日 2022.05.13 (65)同一申请的已公布的文献号 申请公布号 CN 114972221 A (43)申请公布日 2022.08.30 (73)专利权人 北京医准智能科技有限公司 地址 100083 北京市海淀区知春路7号 致真 大厦A座12层1202-120 3号 (72)发明人 刘宇航　丁佳　吕晨翀　 (74)专利代理 机构 北京乐知新创知识产权代理 事务所(普通 合伙) 11734 专利代理师 王曌寅 (51)Int.Cl. G06T 7/00(2017.01) G06T 3/00(2006.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01)G06T 7/66(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01) (56)对比文件 CN 111815599 A,2020.10.23 CN 110310256 A,2019.10.08 CN 109979593 A,2019.07.0 5 CN 111667456 A,2020.09.15 CN 112288731 A,2021.01.2 9 US 2020098124 A1,2020.0 3.26 WO 2022095895 A1,202 2.05.12 US 2011081057 A1,201 1.04.07 US 20213 34963 A1,2021.10.28 WO 2021117043 A1,2021.0 6.17 姜金录.冠状动脉中心线提取及狭窄检测方 法研究. 《中国优秀硕士学位 论文全文数据库医 药卫生科技辑》 .2020,(第(2020)0 3期), (续) 审查员 葛敏雪 (54)发明名称 一种图像处理方法、 装置、 电子设备及可读 存储介质 (57)摘要 本申请公开了一种图像处理方法、 装置、 电 子设备及可读存储介质， 该方法包括： 从待检测 原始图像中提取待检测血管的血管中心线， 血管 中心线上包括多个中心点； 基于待检测原始图像 及多个中心点生成待检测血管的拉直图像； 基于 第一网络对拉直图像进行特征提取， 得到初步特 征； 初步特征包括多个维度的特征； 多个维度包 括沿着血管方向的第一维度和垂直于血管方向 的第二维度； 基于第二网络对初步特征进行第二 维度的融合处理， 得到第一融合特征； 基于第三 网络对第一融合特征进行第一维度的融合处理， 得到第二融合特征； 基于第四网络对第二融合特 征进行分析， 得到待检测血管的狭窄分析结果。通过实施本申请， 能够得到准确的待检测血管狭 窄分析结果。 [转续页] 权利要求书2页 说明书10页 附图4页 CN 114972221 B 2022.12.23 CN 114972221 B (56)对比文件 李越.心血 管造影图像分割方法综述. 《计算 机系统应用》 .2020,第2 9卷(第09期), Jong HakMo on等.Automatic sten osis recognition from coro nary angi ography using convolutional neural netw orks.《Computer Methods and Program s in Biomedicine》 .2021,第198卷 Kun Pang等.Sten osis-DetNet: Sequence consistency-based sten osis detecti on for X-ray coro nary angi ography. 《Computerized Medical Ima ging and Graphics》 .2021,第89卷2/2 页 2[接上页] CN 114972221 B1.一种图像处 理方法， 其特 征在于， 包括： 从待检测 原始图像中提取待检测血管的血管中心线， 所述血管中心线上包括多个 中心 点； 基于所述待检测原 始图像及所述多个中心点 生成所述待检测血 管的拉直图像； 基于第一网络对所述拉直图像进行特征提取， 得到初步特征； 所述初步特征包括多个 维度的特 征； 所述多个维度包括沿着血 管方向的第一维度和垂直于血 管方向的第二维度； 基于第二网络对所述初步特征进行所述第二维度的融合处理， 得到第一融合特征； 所 述基于第二网络对所述初步特征进行第二 维度的融合处理， 得到第一融合特征， 包括： 基于 第二网络， 在所述第一 维度上对 所述初步特征进 行取平均值处理， 得到第一低维特征； 基于 第二网络， 对所述第一低维特征进行特征提取， 得到特征系数， 所述特征系数用于表征所述 拉直图像的血管区域和非血管区域的重要程度； 基于第二网络， 将所述特征系数与所述初 步特征进行乘积， 得到第一融合特 征； 基于第三网络对所述第一融合特征进行所述第一维度的融合处理， 得到第二融合特 征； 所述基于第三网络对所述第一融合特征进行所述第一维度的融合处理， 得到第二融合 特征， 包括： 基于第三网络， 在所述第二维度上对所述第一融合特征进行取平均值处理， 得 到第二低 维特征； 基于第三网络， 将所述第二低 维特征与所述多个中心点对应的位置编码 进行加和， 得到第三融合特征； 基于第三网络， 对 所述第三融合特征进 行所述第一 维度的融 合处理， 得到第二融合特 征； 基于第四网络对所述第二融合特 征进行分析， 得到所述待检测血 管的狭窄分析 结果。 2.根据权利要求1所述的图像处理方法， 其特征在于， 所述基于所述待检测原始图像及 所述多个中心点 生成所述待检测血 管的拉直图像， 包括： 从所述待检测原 始图像中确定所述多个中心点各自对应的切面图像； 将所述多个中心点各自对应的切面图像进行堆叠， 得到所述待检测血 管的拉直图像。 3.根据权利要求1所述的图像处理方法， 其特征在于， 所述第 四网络包括分类网络、 回 归网络及分级网络； 所述基于第四网络对所述第 二融合特征进行分析， 得到所述待检测血管的狭窄分析结 果， 包括： 采用分类网络对所述第 二融合特征进行处理， 得到所述待检测血管各个中心点对应的 狭窄概率； 采用回归网络对所述第 二融合特征进行处理， 得到所述待检测血管各个中心点对应的 狭窄相对范围； 采用分级 网络对所述第 二融合特征进行处理， 得到所述待检测血管各个中心点对应的 狭窄等级。 4.根据权利要求3所述的图像处 理方法， 其特 征在于， 还 包括： 根据所述待检测血管各个中心点对应的狭窄概率和狭窄相对范围， 对所述待检测血管 各个中心点对应的狭窄概率、 狭窄相对范围及狭窄等级进行非极大抑制处理， 得到第一分 析结果； 确定第一分析 结果中狭窄 概率大于阈值的各目标中心点； 将各目标中心点对应的狭窄概率、 狭窄相对范围及狭窄等级进行输出， 得到所述待检权　利　要　求　书 1/2 页 2 CN 114972221 B 3