(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211127587.3 (22)申请日 2022.09.16 (71)申请人 深圳睿心智能医疗科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道高新区社区高新南环路46号留学生 创业大厦二期13 02 (72)发明人 张瑜　马骏　郑凌霄　兰宏志　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 于彬 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 造影图像质量的确定方法、 装置、 电子设备 及存储介质 (57)摘要 本申请提供了一种造影图像质 量的确定方 法、 装置、 电子设备及存储介质， 所述确定方法包 括： 获取造影图像； 将造影图像输入至训练好的 图像处理模型中， 得到输出图像； 其中， 图像处理 模型是基于多张无标记的造影样本图像进行训 练的； 将造影图像与输出图像进行相似度比对， 得到造影图像与输出图像 之间的相似度； 若相似 度大于预设阈值， 则将造影图像的质量确定为合 格。 采用本申请提供的技术方案能够通过无标记 的造影样本图像训练的图像处理模型确定造影 图像的质量， 节省医生不必要的找图和看图时 间， 提高了确定造影图像的质量的效率， 从而减 轻了医生负 担， 缩短了手术时间或术后的分析时 间。 权利要求书3页 说明书13页 附图5页 CN 115496922 A 2022.12.20 CN 115496922 A 1.一种造影图像质量的确定方法， 其特 征在于， 所述确定方法包括： 获取造影图像； 将所述造影图像输入至训练好的图像处理模型中， 得到输出图像； 其中， 所述图像处理 模型是基于多张无 标记的造影样本图像进行训练的； 将所述造影图像与 所述输出图像进行相似度比对， 得到所述造影图像与所述输出图像 之间的相似度； 若所述相似度大于预设阈值， 则将所述造影图像的质量确定为 合格。 2.根据权利要求1所述的确定方法， 其特征在于， 所述图像处理模型包括特征提取模 块， 低频提取模块以及高频提取模块； 通过以下步骤训练图像处 理模型： 获取多张无 标记的造影样本图像； 针对每张无标记 的造影样本 图像， 将该造影样本 图像输入至所述特征提取模块， 得到 特征图像； 将所述特 征图像输入至低频提取模块， 得到低频图像； 将所述特 征图像输入至高频提取模块， 得到高频图像； 将所述低频图像和所述高频图像进行加权融合， 得到参 考图像； 将所述参考图像和该造影样本图像进行比对， 得到所述 参考图像的损失函数； 若所述损失函数小于预设阈值， 则训练完成， 得到训练好的图像处 理模型。 3.根据权利要求2所述的确定方法， 其特征在于， 所述特征提取模块包括多个卷积结 构， 每个卷积结构包括 N个卷积层和M个池化层； 所述将该造影样本图像输入至所述特 征提取模块， 得到特 征图像的步骤， 包括： 将该造影样本图像输入至所述特征提取模块的第 一个卷积结构中， 并将所述第 一个卷 积结构作为当前卷积结构， 经过所述当前卷积结构的N个卷积层提取该造影样本图像的特 征信息后， 再经过所述当前卷积结构的M个池化层 对所述提取的特征信息进行浓缩， 得到所 述当前卷积结构输出的特 征图像； 将所述当前卷积结构的下一个卷积结构更新为当前卷积结构， 并将所述当前卷积结构 的上一个卷积结构对应的特征图像输入至所述当前卷积结构中， 继续得到所述当前卷积结 构输出的特征图像， 直至遍历到所述特征提取模块中的最后一个卷积结构， 得到所述特征 提取模块中每 个卷积结构输出的特 征图像。 4.根据权利要求3所述的确定方法， 其特征在于， 所述低频提取模块包括多个低频反卷 积结构， 每个低频反卷积结构包括N个卷积层和M个反卷积层； 所述低频反卷积结构的数量 与所述特 征提取模块的卷积结构的数量相同； 所述将所述特 征图像输入至低频提取模块， 得到低频图像的步骤， 包括： 将所述特征提取模块中最后一个卷积结构输出的特征图像输入至所述低频提取模块 中的第一个低频反卷积结构中， 并将所述第一个低频反卷积结构作为当前低频反卷积结 构， 经过所述当前低频反卷积结构的N个卷积层提取特征后， 再经过所述当前低频反卷积结 构的M个反卷积层进行 上采样， 得到所述当前低频反卷积结构输出的低频 特征图像； 将所述当前低频反卷积结构的下一个低频反卷积结构更新为当前低频反卷积结构， 并 将所述当前低频反卷积结构的上一个低频反卷积结构输出的低频特征图像和所述特征提 取模块中对应的卷积结构 输出的特征图像一起输入至所述当前低频反卷积结构中， 继续得权　利　要　求　书 1/3 页 2 CN 115496922 A 2到所述当前低频反卷积结构输出的低频特征图像， 直至遍历到所述低频提取模块中的最后 一个低频反卷积结构， 得到所述低频提取模块中最后一个低频反卷积结构输出的低频图 像。 5.根据权利要求3所述的确定方法， 其特征在于， 所述高频提取模块包括多个 高频反卷 积结构， 每个高频反卷积结构包括N个卷积层和M个反卷积层； 所述高频反卷积结构的数量 与所述特 征提取模块的卷积结构的数量相同； 所述将所述特 征图像输入至高频提取模块， 得到高频图像的步骤， 包括： 将所述特征提取模块中最后一个卷积结构输出的特征图像输入至所述高频提取模块 中第一个高频反卷积结构 中， 并将所述第一个高频反卷积结构作为当前高频反卷积结构， 经过所述当前高频反卷积结构的N个卷积层提取特征后， 再经过所述当前高频反卷积结构 的M个反卷积层进行 上采样， 得到所述当前高频反卷积结构输出的高频 特征图像； 将所述当前高频反卷积结构的下一个 高频反卷积结构更新为当前高频反卷积结构， 并 将当前高频反卷积结构的上一个高频反卷积结构输出的高频特征图像和所述特征提取模 块中对应的卷积结构 输出的特征图像一起输入至所述当前高频反卷积结构中， 继续得到所 述当前高频反卷积结构 输出的高频特征图像， 直至遍历到所述高频提取模块中的最后一个 高频反卷积结构， 得到所述高频提取模块中最后一个高频反卷积结构输出的高频图像。 6.根据权利要求2所述的确定方法， 其特 征在于， 通过以下步骤得到参 考图像： 获取所述低频图像中每 个像素点的像素值和所述高频图像中每 个像素点的像素值； 针对所述低频图像中的每个像素点， 将该像素点的像素值与 该像素点对应的预设权重 的乘积， 确定为该像素点的低频 特征贡献值； 将数字一与 该像素点对应的预设权重的差值， 确定为该像素点在所述高频图像中对应 位置的像素点所对应的权 重； 将该像素点在所述高频图像中对应位置的像素点的像素值与该像素点在所述高频图 像中对应位置的像素点所对应的权重的乘积， 确定为该像素点在所述高频图像中对应位置 的像素点的高频 特征贡献值； 将该像素点的低频特征贡献值和该像素点在所述高频图像中对应位置的像素点的高 频特征贡献值的加 和， 确定为该像素点对应的目标像素点的像素值； 将每个像素点对应的目标像素点的像素值进行组合， 得到参 考图像。 7.一种造影图像质量的确定装置， 其特 征在于， 所述确定装置包括： 获取模块， 用于获取造影图像； 处理模块， 用于将所述造影图像输入至训练好的图像处理模型中， 得到输出图像； 其 中， 所述图像处 理模型是基于多张无 标记的造影样本图像进行训练的； 对比模块， 用于将所述造影图像与所述输出图像进行相似度比对， 得到所述造影图像 与所述输出图像之间的相似度； 确定模块， 用于在所述相似度大于预设阈值时， 将所述造影图像的质量确定为 合格。 8.根据权利要求7所述的确定装置， 其特征在于， 所述图像处理模型包括特征提取模 块， 低频提取模块以及高频提取模块； 所述确定装置还 包括训练模块， 所述训练模块用于： 获取多张无 标记的造影样本图像； 针对每张无标记 的造影样本 图像， 将该造影样本 图像输入至所述特征提取模块， 得到权　利　要　求　书 2/3 页 3 CN 115496922 A 3