一种血管内图像的目标检测方法及装置

技术领域

本申请涉及医疗器械技术领域，特别是涉及一种血管内图像的的目标检测方法及装置。

背景技术

血管内图像是指包含血管内部环境的图像，血管内图像用于表征血管内部组织成分。现有技术中，通常采用人工手动检测方式，如医学专家基于医学理论经验确定血管内图像的血管组织成分。这种手动检测方式费时费力。因此，亟需一种高效的血管内图像的目标检测方案。

发明内容

本申请实施例的目的在于提供一种血管内图像的目标检测方法及装置，以提高血管内图像的目标检测的效率。具体技术方案如下：

第一方面，本申请实施例提供了一种血管内图像的目标检测方法，应用于电子设备，所述方法包括：

获取包含血管内部环境的目标图像；

对所述目标图像进行全局特征提取，得到表征所述目标图像全局特性的全局特征；

对所述目标图像进行语义特征提取，得到表征所述目标图像语义特性的语义特征；

基于所述全局特征与语义特征，对所述目标图像中的图像特征变化趋势进行分析，确定表征特征变化趋势的目标变化特征；

基于所述目标变化特征、语义特征以及全局特征，对所述目标图像进行目标检测。

本申请的一个实施例中，上述基于所述全局特征与语义特征，对所述目标图像中的图像特征变化趋势进行分析，确定表征特征变化趋势的目标变化特征，包括：

基于所述语义特征，提取表征所述目标图像中第一图像特征变化趋势的第一变化特征，其中，所述第一图像特征变化趋势用于表征所述目标图像所包含待检测目标的中心连续流场的特征变化特性；

基于所述全局特征以及语义特征，提取表征所述目标图像中的第二图像特征变化趋势的第二变化特征，其中，第二图像特征变化趋势用于表征所述目标图像所包含待检测目标的边缘非连续流场的特征变化特性；

将所述第一变化特征、第二变化特征作为表征特征变化趋势的目标变化特征。

本申请的一个实施例中，上述基于所述语义特征，提取表征所述目标图像中第一图像特征变化趋势的第一变化特征，包括：

对所述语义特征进行特征提取，得到表征所述目标图像深层语义特性的语义深层特征；

基于所述语义深层特征与语义特征，确定语义特征中每一特征元素的第一重要度；

基于第一重要度，调整所述语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征所述目标图像中第一图像特征变化趋势的第一变化特征。

本申请的一个实施例中，上述基于所述全局特征以及语义特征，提取表征所述目标图像中的第二图像特征变化趋势的第二变化特征，包括：

对所述全局特征进行特征提取，得到表征所述目标图像深层全局特性的全局深层特征；

基于所述全局深层特征与全局特征，确定全局特征中每一特征元素的第二重要度；

基于第二重要度，调整所述语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征所述目标图像中第二图像特征变化趋势的第二变化特征。

本申请的一个实施例中，上述对所述目标图像进行语义特征提取，得到表征所述目标图像语义特性的语义特征，包括：

将所述目标图像划分为多尺度的原始图像特征；

从最小尺度的原始图像特征开始，按照尺度由小到大的顺序，依次对每一第一尺度的原始图像特征进行特征更新，直至最大尺度的原始图像特征更新完成，得到每一第一尺度的更新图像特征，其中，所述第一尺度为：所划分的多尺度中除了所述最小尺度之外的尺度；

从最大尺度的更新图像特征开始，按照尺度由大到小的顺序，依次对每一第二尺度的更新图像特征进行特征更新，直至最小尺度的图像特征更新完成，得到每一第二尺度的更新图像特征，其中，所述第二尺度为：所划分的多尺度中除了所述最大尺度之外的尺度；

将最小尺度的更新图像特征确定为表征所述目标图像语义特性的语义特征。

第二方面，本申请实施例提供了一种血管内图像的目标检测装置，应用于电子设备，所述装置包括：

图像获取模块，用于获取包含血管内部环境的目标图像；

全局特征提取模块，用于对所述目标图像进行全局特征提取，得到表征所述目标图像全局特性的全局特征；

语义特征提取模块，用于对所述目标图像进行语义特征提取，得到表征所述目标图像语义特性的语义特征；

变化特征确定模块，用于基于所述全局特征与语义特征，对所述目标图像中的图像特征变化趋势进行分析，确定表征特征变化趋势的目标变化特征；

目标检测模块，用于基于所述目标变化特征、语义特征以及全局特征，对所述目标图像进行目标检测。

本申请的一个实施例中，上述变化特征确定模块，包括：

第一变化特征提取子模块，用于基于所述语义特征，提取表征所述目标图像中第一图像特征变化趋势的第一变化特征，其中，所述第一图像特征变化趋势用于表征所述目标图像所包含待检测目标的中心连续流场的特征变化特性；

第二变化特征提取子模块，用于基于所述全局特征以及语义特征，提取表征所述目标图像中的第二图像特征变化趋势的第二变化特征，其中，第二图像特征变化趋势用于表征所述目标图像所包含待检测目标的边缘非连续流场的特征变化特性；

变化特征确定子模块，用于将所述第一变化特征、第二变化特征作为表征特征变化趋势的目标变化特征。

本申请的一个实施例中，上述第一变化特征提取子模块，具体用于对所述语义特征进行特征提取，得到表征所述目标图像深层语义特性的语义深层特征；基于所述语义深层特征与语义特征，确定语义特征中每一特征元素的第一重要度；基于第一重要度，调整所述语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征所述目标图像中第一图像特征变化趋势的第一变化特征。

本申请的一个实施例中，上述第二变化特征提取子模块，具体用于对所述全局特征进行特征提取，得到表征所述目标图像深层全局特性的全局深层特征；基于所述全局深层特征与全局特征，确定全局特征中每一特征元素的第二重要度；基于第二重要度，调整所述语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征所述目标图像中第二图像特征变化趋势的第二变化特征。

本申请的一个实施例中，上述语义特征提取模块，具体用于将所述目标图像划分为多尺度的原始图像特征；从最小尺度的原始图像特征开始，按照尺度由小到大的顺序，依次对每一第一尺度的原始图像特征进行特征更新，直至最大尺度的原始图像特征更新完成，得到每一第一尺度的更新图像特征，其中，所述第一尺度为：所划分的多尺度中除了所述最小尺度之外的尺度；从最大尺度的更新图像特征开始，按照尺度由大到小的顺序，依次对每一第二尺度的更新图像特征进行特征更新，直至最小尺度的图像特征更新完成，得到每一第二尺度的更新图像特征，其中，所述第二尺度为：所划分的多尺度中除了所述最大尺度之外的尺度；将最小尺度的更新图像特征确定为表征所述目标图像语义特性的语义特征。

第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一方面所述的方法步骤。

由以上可见，应用本申请实施例提供的方案，由于由电子设备对目标图像进行多方面的特征提取，包括全局特征、语义特征、目标变化特征，利用这些特征进行目标检测，相较于人工手动检测方式，采用本实施例的方案，能够显著提高血管内图像的目标检测效率。

并且，由于是基于目标变化特征、语义特征以及全局特征对目标图像进行目标检测，目标变化特征表征目标图像的图像特征动态变化特性，全局特征、语义特征分别表征目标图像的全局特性以及图像语义信息。目标变化特征是从目标图像的特征动态变化角度反映图像信息，全局特征、语义特征是从目标图像的的特征静态角度分别反映图像整体信息以及语义信息。这样，多角度利用目标图像的各类特征，充分考虑了目标图像的图像特征信息，并且充分挖掘了目标图像的图像信息，在此基础上，能够得到更为准确的图像检测结果。

当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1a为本申请实施例提供的第一种血管内图像的目标检测方法的流程示意图；

图1b为本申请实施例提供的一种红外血管图像的示意图;

图2为本申请实施例提供的第二种血管内图像的目标检测方法的流程示意图；

图3为本申请实施例提供的一种血管内图像的目标检测装置的结构示意图；

图4为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。

首先，在对本申请实施例说明之前，需要对本实施例的执行主体进行说明。本实施例的执行主体为电子设备，上述电子设备可以是服务器，如云服务器。

参见图1a，图1a为本申请实施例提供的第一种血管内图像的目标检测方法的流程示意图，上述方法包括以下步骤S101-S105。

步骤S101：获取包含血管内部环境的目标图像。

上述目标图像即为血管内图像。上述目标图像的图像类型可以是红外血管图像类型，即利用近红外线以及光学干涉的原理对血管内部环境进行成像，图1b示出了一种红外血管图像的示意图。

目标图像可以是已存在的血管内图像数据库中的图像。目标图像可以存储于数据存储器中，电子设备在执行本实施例时，从数据存储器中读取上述目标图像，从而获取得到包含血管内部环境的目标图像。

步骤S102：对目标图像进行全局特征提取，得到表征目标图像全局特性的全局特征。

全局特征是以目标图像全局角度表征图像信息。全局特征可以包括目标图像的边缘信息、整体纹理、整体色调等。

在对目标图像进行全局特征提取时，可以采用大尺寸卷积核，对上述目标图像进行特征提取。大尺度卷积核的感受野范围大，能够从目标图像全局角度出发提取图像特征信息。上述大尺寸卷积核的尺寸可以是15*15。

步骤S103：对目标图像进行语义特征提取，得到表征目标图像语义特性的语义特征。

语义特征是以目标图像语义信息角度表征图像信息。语义特征可以包括目标图像的各个局部纹理、颜色等信息。

在对目标图像进行语义特征提取时，可以采用多个串行小尺寸卷积核，对上述目标图像进行特征提取。小尺寸卷积核更加聚焦于图像局部信息，能够从目标图像局部角度出发提取图像特征信息，而图像语义信息是与目标图像局部信息强关联的。上述小尺寸卷积核的尺寸可以包括7*7、3*3等。

提取语义特征的其他方式可以参见后续实施例，在此不进行详述。

步骤S104：基于全局特征与语义特征，对目标图像中的图像特征变化趋势进行分析，确定表征特征变化趋势的目标变化特征。

目标变化特征是以目标图像的特征变化角度表征图像信息，即能够表征目标图像的特征动态变化特性。可以看到，由于目标变化特征能够反映目标图像的特征动态变化特性，而全局特征、语义特征只能反映目标图像或是全局、或是局部的特征特性，目标变化特征相较于全局特征、语义特征，能够更加准确地反映目标图像的图像信息。

在确定目标变化特征时，一种实施方式中，可以对上述全局特征进行上采样，计算全局特征与上采样特征之间的乘积，并对语义特征进行下采样，计算语义特征与下采样之间的乘积，对上述计算得到的特征进行拼接，将拼接得到的特征确定为目标变化特征。

全局特征的上采样特征是全局特征基础上尺寸进一步缩小的特征，全局特征与上采样特征之间的乘积，能够反映全局特征中每一特征元素与上采样特征中每一特征元素之间的相对关系，从而能够反映图像局部动态变化特性。

在进行特征拼接时，需要将计算得到的两个特征的尺寸进行对齐，将对齐后的特征中每一对应位置的特征值加权求和，将计算得到的和值确定为目标变化特征。

确定目标变化特征的其他实施方式可以参见后续图2对应的实施例，在此不进行详述。

步骤S105：基于目标变化特征、语义特征以及全局特征，对目标图像进行目标检测。

目标变化特征表征目标图像的图像特征动态变化特性，语义特征、全局特征是从目标图像的图像特征静态角度分别反映图像内容信息以及图像整体信息。目标变化特征、语义特征以及全局特征从不同角度反映图像各方面的图像特性，因此，基于上述三类特征，能够准确地进行目标检测。

对目标图像进行目标检测，可以检测目标图像所包含血管的各组织成分，如内膜、中膜、外膜等，还可以进一步检测各组织成分的属性参数等。

在进行目标检测时，一种实施方式中，可以对目标变化特征、语义特征以及全局特征进行拼接，得到最终特征，对最终特征与预设目标类型的特征进行匹配，基于匹配结果确定目标图像所包含的目标。如计算最终特征与预设目标类型的特征的相似度，相似度越高，表示匹配程度越高，可以将匹配度最高的预设目标类型确定为目标图像所包含的目标。

另一种实施方式中，可以基于目标变化特征、语义特征以及全局特征分别进行目标检测，基于所得到的三类检测结果确定最终检测结果。

在基于上述三类特征中的每一类特征进行目标检测时，可以对每一类特征与预设目标类型的特征进行匹配，基于匹配结果确定目标图像所包含的候选目标，作为检测结果。在确定最终检测结果时，可以将匹配度最高的检测结果确定为最终检测结果。

由以上可见，应用本实施例提供的方案，由于由电子设备对目标图像进行多方面的特征提取，包括全局特征、语义特征、目标变化特征，利用这些特征进行目标检测，相较于人工手动检测方式，采用本实施例的方案，能够显著提高血管内图像的目标检测效率。

并且，由于是基于目标变化特征、语义特征以及全局特征对目标图像进行目标检测，目标变化特征表征目标图像的图像特征动态变化特性，全局特征、语义特征分别表征目标图像的全局特性以及图像语义信息。目标变化特征是从目标图像的特征动态变化角度反映图像信息，全局特征、语义特征是从目标图像的的特征静态角度分别反映图像整体信息以及语义信息。这样，多角度利用目标图像的各类特征，充分考虑了目标图像的图像特征信息，并且充分挖掘了目标图像的图像信息，在此基础上，能够得到更为准确的图像检测结果。

在前述图1a对应的实施例的步骤S104中，除了所提及的确定目标变化特征的方式之外，还可以按照下述步骤S204-S206确定目标变化特征。基于此，本申请的一个实施例中，参见图2，图2为本申请实施例提供的第二种血管内图像的目标检测方法的流程示意图，上述方法包括以下步骤S201-S207。

步骤S201：获取包含血管内部环境的目标图像。

步骤S202：对目标图像进行全局特征提取，得到表征目标图像全局特性的全局特征。

步骤S203：对目标图像进行语义特征提取，得到表征目标图像语义特性的语义特征。

上述步骤S201-S203与前述步骤S101-S103相同，在此不进行赘述。

步骤S204：基于语义特征，提取表征目标图像中第一图像特征变化趋势的第一变化特征。

其中，上述第一图像特征变化趋势用于表征目标图像所包含待检测目标的中心连续流场的特征变化特性。待检测目标在目标图像中所在的图像区域中，中心区域部分是连续的，边缘部分与相邻背景区域形成非连续流场。因此，上述第一图像特征变化趋势是则是进一步聚焦于目标图像中待检测目标所在区域的中心连续流场区域部分的信息。

由于第一变化特征是基于语义特征提取得到的，语义特征是反映目标图像的图像内容信息，而图像内容信息是与上述中心连续流场的图像信息相关联的，因此，基于语义特征，能够准确地提取第一变化特征。

在提取第一变化特征时，可以将语义特征输入预先训练的第一特征提取模型，得到第一特征提取模型输出的特征，作为第一变化特征。上述第一特征提取模型是预先采用大量的样本图像的语义特征作为训练样本，以表征样本图像中所包含目标的中心连续流场的变化特征为训练基准，对初始神经网络模型进行训练得到的、用于提取变化特征的模型。

提取第一变化特征的其他方式还可以参见后续实施例，在此不进行详述。

步骤S205：基于全局特征以及语义特征，提取表征目标图像中的第二图像特征变化趋势的第二变化特征。

其中，第二图像特征变化趋势用于表征目标图像所包含待检测目标的边缘非流场的特征变化特性。正如前述分析可知，待检测目标在目标图像中所在的图像区域中，边缘部分与相邻背景区域形成非连续流场。因此，上述第二图像特征变化趋势是则是进一步聚焦于目标图像中待检测目标所在区域的边缘非连续流场区域部分的信息。

由于第二变化特征是基于全局特征以及语义特征提取得到的，全局特征是反映语义特征是从整体角度反映目标图像的图像信息，语义特征则是从图像语义角度反映目标图像的图像信息，表征全局特征、语义特征之间相交的部分则是与上述边缘非连续流场的图像信息相关联的。因此，基于全局特征以及语义特征，能够准确地提取第二变化特征。

在提取第二变化特征时，一种实施方式中，可以对全局特征以及语义特征进行拼接，将拼接得到的特征输入预先训练的第二特征提取模型，得到第二特征提取模型输出的特征，作为第二变化特征。上述第二特征提取模型是预先采用大量的样本图像的语义特征和全局特征作为训练样本，以表征样本图像中所包含目标的边缘非连续流场的变化特征为训练基准，对初始神经网络模型进行训练得到的、用于提取变化特征的模型。

提取第二变化特征的其他方式还可以参见后续实施例，在此不进行详述。

步骤S206：将第一变化特征、第二变化特征作为表征特征变化趋势的目标变化特征。

由于第一变化特征是反映待检测目标所在区域中心连续流场的图像信息，第二变化特征是反映待检测目标所在区域边缘非连续流场的图像信息，这两类特征是目标图像的特征变化趋势的细粒度划分结果，这样，将第一变化特征、第二变化特征作为目标变化特征，能够使得目标变化特征更加准确地反映目标图像的图像特征变化趋势。

步骤S207：基于目标变化特征、语义特征以及全局特征，对目标图像进行目标检测。

上述步骤S207与前述步骤S105相同，在此不再赘述。

在前述图2对应的实施例的步骤S204中，除了采用所提及的方式提取第一变化特征之外，还可以采用下述步骤A1-A3提取第一变化特征。

步骤A1：对语义特征进行特征提取，得到表征目标图像深层语义特性的语义深层特征。

上述语义深层特征是在语义特征所反映的图像语义信息基础上，进一步对上述语义特征所表征的图像语义信息进行挖掘得到的特征。深层语义特征相较于相较于语义特征，能够更加准确地反映目标图像的语义信息。

在对语义特征进行特征提取时，可以将上述语义特征输入预设小尺度的卷积核，得到表征目标图像深层语义特性的语义深层特征。上述预设小尺度可以是1*1、3*3等。

步骤A2：基于语义深层特征与语义特征，确定语义特征中每一特征元素的第一重要度。

上述第一重要度表示语义特征中每一特征元素的重要性程度。当第一重要度越高，表示特征元素的重要性程度越高；当第一重要度越低，表示特征元素的重要性程度越低。

在计算第一重要度时，一种实施方式中，可以计算语义深层特征与语义特征中每一对应特征元素的特征值之间的距离，对上述距离进行归一化处理，将处理后的值确定为重要度。

另一种实施方式中，可以首先将语义深层特征与语义特征进行拼接，针对拼接后的特征，采用预设的激活函数上述拼接后的特征进行非线性变化，确定每一特征元素的重要度，作为第一重要度。

步骤A3：基于第一重要度，调整语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征目标图像中第一图像特征变化趋势的第一变化特征。

第一重要度是基于语义深层特征与语义特征确定得到的，第一重要度能够更为精确地反映语义深层特征与语义特征之间的关系，而语义深层特征与语义特征之间的关系能够表征目标图像中指向待检测目标区域的内部流场的图像特征，因此，上述第一重要度，能够准确地反映目标图像所包含待检测目标的中心连续流场的动态变化特性。这样，基于第一重要度以及语义特征，能够准确地确定第一变化特征。

在调整特征值时，可以按照预设的权重系数，对每一特征元素的第一重要度与特征值进行加权求和，将计算得到的值确定为第一变化特征。还可以计算第一重要度与每一特征值之间的乘积，将计算得到的乘积确定为第一变化特征。

由于第一重要度能够准确地反映目标图像所包含待检测目标的中心连续流场的动态变化特性，因此，利用第一重要度调整语义特征中每一特征元素的特征值，使得调整后的语义特征融合了第一重要度所表征的动态变化特征，也就是将调整后的语义特征确定为第一变化特征的准确度较高。

在前述图2对应的实施例的步骤S205中，除了采用所提及的方式提取第二变化特征之外，还可以采用下述步骤B1-B3提取第二变化特征。

步骤B1：对全局特征进行特征提取，得到表征目标图像深层全局特性的全局深层特征。

上述全局深层特征是在全局特征所反映的图像全局信息基础上，进一步对上述全局特征所表征的全局信息进行挖掘得到的特征。全局深层特征相较于相较于全局特征，能够更为精确反映目标图像的图像全局信息。

在对全局特征进行特征提取时，可以将上述全局特征输入预设小尺度的卷积核，得到表征目标图像深层全局特性的全局深层特征。上述预设小尺度可以是1*1、3*3等。

步骤B2：基于全局深层特征与全局特征，确定全局特征中每一特征元素的第二重要度。

上述第二重要度表示全局特征中每一特征元素的重要性程度。当第二重要度越高，表示特征元素的重要性程度越高；当第二重要度越低，表示特征元素的重要性程度越低。

在计算第二重要度时，一种实施方式中，可以计算全局深层特征与全局特征中每一对应特征元素的特征值之间的距离，对上述距离进行归一化处理，将处理后的值确定为重要度。

另一种实施方式中，可以将全局深层特征与全局特征输入预设的注意力机制算法，得到输出的注意力值，将上述注意力值作为第二重要度。上述预设的注意力机制算法可以对全局深层特征与全局特征进行融合，采用预设的激活函数对融合后的特征进行非线性变化，确定每一特征元素的重要度，作为第二重要度。

步骤B3：基于第二重要度，调整语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征目标图像中的第二图像特征变化趋势的第二变化特征。

第二重要度是基于全局深层特征与全局特征确定得到的，第二重要度能够更为精确地反映全局深层特征与全局特征之间的关系，而全局深层特征与全局特征之间的关系能够表征目标图像中从图像背景指向待检测目标区域的内部流场的图像特征，因此，上述第二重要度，能够准确地反映目标图像所包含待检测目标的边缘非连续流场的动态变化特性。这样，基于第二重要度以及全局特征，能够准确地确定第二变化特征。

在调整特征值时，可以按照预设的权重系数，对每一特征元素的第二重要度与特征值进行加权求和，将计算得到的值确定为第二变化特征。还可以计算第二重要度与每一特征值之间的乘积，将计算得到的乘积确定为第二变化特征。

由于第二重要度能够准确地反映目标图像所包含待检测目标的边缘非连续流场的动态变化特性，因此，利用第二重要度调整全局特征中每一特征元素的特征值，使得调整后的语义特征融合了第二重要度所表征的动态变化特征，也就是将调整后的语义特征确定为第二变化特征的准确度较高。

在前述图1a/图2对应的实施例中，均涉及语义特征提取，除了前述所提及的语义特征提取方式之外，还可以按照下述步骤C1-C4实现。

步骤C1：将目标图像划分为多尺度的原始图像特征。

在进行划分时，可以将目标图像输入图像金字塔模型，得到图像金字塔模型输出的多尺度图像特征，作为上述原始图像特征。

步骤C2：从最小尺度的原始图像特征开始，按照尺度由小到大的顺序，依次对每一第一尺度的原始图像特征进行特征更新，直至最大尺度的原始图像特征更新完成，得到每一第一尺度的更新图像特征。

上述第一尺度为：所划分的多尺度中除了最小尺度之外的尺度。

在更新当前第一尺度的原始图像特征时，可以对当前第一尺度的原始图像特征与前一尺度更新后的原始图像特征进行融合，将融合后的特征确定为当前第一尺度更新后的原始图像特征。

在更新当前第一尺度的原始图像特征时，还可以基于第一目标尺度的更新图像特征、以及当前第一尺度的原始图像特征，确定第一目标尺度的更新图像特征中每一特征元素的第三重要度，基于第三重要度，调整第一目标尺度的更新图像特征；基于第一目标尺度的更新图像特征以及调整后的更新图像特征，对当前第一尺度的原始图像特征进行特征更新。

上述第一目标尺度为：当前第一尺度的前一尺度。由于是按照尺度由小到大的顺序，所以，第一目标尺度小于当前第一尺度。

上述第三重要度用于表征第一目标尺度的更新图像特征中每一特征元素的重要性。由于第三重要度是基于第一目标尺度的更新图像特征以及当前第一尺度的原始图像特征确定的，第一目标尺度与当前第一尺度为相邻尺度，那么基于两个相邻尺度的图像特征所确定的第三重要度，能够准确反映上述两个相邻尺度的图像特征之间的关系。

在确定第三重要度时，可以将第一目标尺度的更新图像特征以及当前第一尺度的原始图像特征输入预设模型，得到上述函数输出的重要度，上述预设模型可以首先对第一目标尺度的更新图像特征以及当前第一尺度的原始图像特征进行拼接，对拼接特征进行预设注意力计算，将计算得到的注意力值确定为第三重要度。

在调整第一目标尺度的更新图像特征时，可以计算第三重要度与第一目标尺度的更新图像特征中每一特征元素的特征值的乘积，将计算得到的乘积确定为调整后的更新图像特征。

在更新当前第一尺度的原始图像特征时，可以对第一目标尺度的更新图像特征以及第一目标尺度调整后的更新图像特征进行拼接，对所拼接的特征与当前第一尺度的原始图像特征进行特征融合，将融合得到的特征确定为当前第一尺度更新后的原始图像特征。

可以看到，利用第一目标尺度的更新图像特征以及调整后的更新图像特征对当前第一尺度的原始图像特征进行特征更新，由于第一目标尺度调整后的更新图像特征是利用第一目标尺度的更新图像特征的第三重要度调整得到的，上述第三重要度融合了相邻尺度的图像特征的关系，能够准确地反映上述更新图像特征中每一特征元素的重要性。这样，由于调整后的更新图像特征融入了特征元素的重要性，使得调整后的更新图像特征准确性更高，进而能够准确地对当前第一尺度的原始图像特征进行更新。

步骤C3：从最大尺度的更新图像特征开始，按照尺度由大到小的顺序，依次对每一第二尺度的更新图像特征进行特征更新，直至最小尺度的图像特征更新完成，得到每一第二尺度的更新图像特征。

上述第二尺度为：所划分的多尺度中除了最大尺度之外的尺度。

在更新当前第二尺度的原始图像特征时，可以对当前第二尺度的原始图像特征与前一尺度更新后的原始图像特征进行融合，将融合后的特征确定为当前第二尺度更新后的原始图像特征。

在更新当前第二尺度的原始图像特征时，还可以基于第二目标尺度的更新图像特征、以及当前第二尺度的原始图像特征，确定第二目标尺度的更新图像特征中每一特征元素的第四重要度，基于第四重要度，调整第二目标尺度的更新图像特征；基于第二目标尺度的更新图像特征以及调整后的更新图像特征，对当前第二尺度的原始图像特征进行特征更新。

上述第二目标尺度为：当前第二尺度的前一尺度。由于是按照尺度由大到小的顺序，所以，第二目标尺度大于当前第一尺度。

上述第四重要度用于表征第二目标尺度的更新图像特征中每一特征元素的重要性。由于第四重要度是基于第二目标尺度的更新图像特征以及当前第二尺度的原始图像特征确定的，第二目标尺度与当前第二尺度为相邻尺度，那么基于两个相邻尺度的图像特征所确定的第四重要度，能够反映上述两个相邻尺度的图像特征之间的关系。

在确定第四重要度时，可以将第二目标尺度的更新图像特征以及当前第二尺度的原始图像特征输入预设模型，得到上述函数输出的重要度，上述预设模型可以首先对第二目标尺度的更新图像特征以及当前第二尺度的原始图像特征进行拼接，对拼接特征进行预设注意力计算，将计算得到的注意力值确定为第四重要度。

在调整第二目标尺度的更新图像特征时，可以计算第四重要度与第二目标尺度的更新图像特征中每一特征元素的特征值的乘积，将计算得到的乘积确定为调整后的更新图像特征。

在更新当前第二尺度的原始图像特征时，可以对第二目标尺度的更新图像特征以及第二目标尺度调整后的更新图像特征进行拼接，对所拼接的特征与当前第二尺度的原始图像特征进行特征融合，将融合得到的特征确定为当前第二尺度更新后的原始图像特征。

可以看到，利用第二目标尺度的更新图像特征以及调整后的更新图像特征对当前第二尺度的原始图像特征进行特征更新，由于第二目标尺度调整后的更新图像特征是利用第二目标尺度的更新图像特征的第四重要度调整得到的，上述第四重要度能够反映两个相邻尺度的图像特征之间的关系，从而能够准确地反映上述更新图像特征中每一特征元素的重要性。这样，由于调整后的更新图像特征融入了特征元素的重要性，使得调整后的更新图像特征准确性更高，进而能够准确地对当前第二尺度的原始图像特征进行更新。

步骤C4：将最小尺度的更新图像特征确定为表征目标图像语义特性的语义特征。

在本实施例中，由于首先按照尺度由小到大的顺序，从最小尺度的原始图像特征开始依次进行特征更新，最小尺度的原始图像特征主要反映目标图像的语义信息，在此次特征更新时，能够将反映目标图像的语义信息传递至最大尺度的图像特征。然后再按照尺度由大到小的顺序，从最大尺度的更新图像特征开始依次进行特征更新，最大尺度的更新图像特征主要反映目标图像的全局信息，并且还融合了语义信息，这样，依次进行特征更新后，最终得到的最小尺度的图像特征充分融合了目标图像的全局信息以及语义信息，从而使得所确定的语义特征融入了全局信息，这样，使得所确定的语义特征准确度高。

与上述血管内图像的目标检测方法相对应，本申请实施例还提供了一种血管内图像的目标检测装置。

参见图3，图3为本申请实施例提供的一种血管内图像的目标检测装置的结构示意图，上述装置运行于电子设备，上述装置包括301-305。

图像获取模块301，用于获取包含血管内部环境的目标图像；

全局特征提取模块302，用于对所述目标图像进行全局特征提取，得到表征所述目标图像全局特性的全局特征；

语义特征提取模块303，用于对所述目标图像进行语义特征提取，得到表征所述目标图像语义特性的语义特征；

变化特征确定模块304，用于基于所述全局特征与语义特征，对所述目标图像中的图像特征变化趋势进行分析，确定表征特征变化趋势的目标变化特征；

目标检测模块305，用于基于所述目标变化特征、语义特征以及全局特征，对所述目标图像进行目标检测。

由以上可见，应用本实施例提供的方案，由于由电子设备对目标图像进行多方面的特征提取，包括全局特征、语义特征、目标变化特征，利用这些特征进行目标检测，相较于人工手动检测方式，采用本实施例的方案，能够显著提高血管内图像的目标检测效率。

并且，由于是基于目标变化特征、语义特征以及全局特征对目标图像进行目标检测，目标变化特征表征目标图像的图像特征动态变化特性，全局特征、语义特征分别表征目标图像的全局特性以及图像语义信息。目标变化特征是从目标图像的特征动态变化角度反映图像信息，全局特征、语义特征是从目标图像的的特征静态角度分别反映图像整体信息以及语义信息。这样，多角度利用目标图像的各类特征，充分考虑了目标图像的图像特征信息，并且充分挖掘了目标图像的图像信息，在此基础上，能够得到更为准确的图像检测结果。

本申请的一个实施例中，上述变化特征确定模块304，包括：

第一变化特征提取子模块，用于基于所述语义特征，提取表征所述目标图像中第一图像特征变化趋势的第一变化特征，其中，所述第一图像特征变化趋势用于表征所述目标图像所包含待检测目标的中心连续流场的特征变化特性；

第二变化特征提取子模块，用于基于所述全局特征以及语义特征，提取表征所述目标图像中的第二图像特征变化趋势的第二变化特征，其中，第二图像特征变化趋势用于表征所述目标图像所包含待检测目标的边缘非连续流场的特征变化特性；

变化特征确定子模块，用于将所述第一变化特征、第二变化特征作为表征特征变化趋势的目标变化特征。

由于第一变化特征是反映待检测目标所在区域中心连续流场的图像信息，第二变化特征是反映待检测目标所在区域边缘非连续流场的图像信息，这两类特征是目标图像的特征变化趋势的细粒度划分结果，这样，将第一变化特征、第二变化特征作为目标变化特征，能够使得目标变化特征更加准确地反映目标图像的图像特征变化趋势。

本申请的一个实施例中，上述第一变化特征提取子模块，具体用于对所述语义特征进行特征提取，得到表征所述目标图像深层语义特性的语义深层特征；基于所述语义深层特征与语义特征，确定语义特征中每一特征元素的第一重要度；基于第一重要度，调整所述语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征所述目标图像中第一图像特征变化趋势的第一变化特征。

由于第一重要度能够准确地反映目标图像所包含待检测目标的中心连续流场的动态变化特性，因此，利用第一重要度调整语义特征中每一特征元素的特征值，使得调整后的语义特征融合了第一重要度所表征的动态变化特征，也就是将调整后的语义特征确定为第一变化特征的准确度较高。

本申请的一个实施例中，上述第二变化特征提取子模块，具体用于对所述全局特征进行特征提取，得到表征所述目标图像深层全局特性的全局深层特征；基于所述全局深层特征与全局特征，确定全局特征中每一特征元素的第二重要度；基于第二重要度，调整所述语义特征中每一特征元素的特征值，将调整后的语义特征确定为表征所述目标图像中第二图像特征变化趋势的第二变化特征。

由于第二重要度能够准确地反映目标图像所包含待检测目标的边缘非连续流场的动态变化特性，因此，利用第二重要度调整全局特征中每一特征元素的特征值，使得调整后的语义特征融合了第二重要度所表征的动态变化特征，也就是将调整后的语义特征确定为第二变化特征的准确度较高。

本申请的一个实施例中，上述语义特征提取模块，具体用于将所述目标图像划分为多尺度的原始图像特征；从最小尺度的原始图像特征开始，按照尺度由小到大的顺序，依次对每一第一尺度的原始图像特征进行特征更新，直至最大尺度的原始图像特征更新完成，得到每一第一尺度的更新图像特征，其中，所述第一尺度为：所划分的多尺度中除了所述最小尺度之外的尺度；从最大尺度的更新图像特征开始，按照尺度由大到小的顺序，依次对每一第二尺度的更新图像特征进行特征更新，直至最小尺度的图像特征更新完成，得到每一第二尺度的更新图像特征，其中，所述第二尺度为：所划分的多尺度中除了所述最大尺度之外的尺度；将最小尺度的更新图像特征确定为表征所述目标图像语义特性的语义特征。

由于首先按照尺度由小到大的顺序，从最小尺度的原始图像特征开始依次进行特征更新，最小尺度的原始图像特征主要反映目标图像的语义信息，在此次特征更新时，能够将反映目标图像的语义信息传递至最大尺度的图像特征。然后再按照尺度由大到小的顺序，从最大尺度的更新图像特征开始依次进行特征更新，最大尺度的更新图像特征主要反映目标图像的全局信息，并且还融合了语义信息，这样，依次进行特征更新后，最终得到的最小尺度的图像特征充分融合了目标图像的全局信息以及语义信息，从而使得所确定的语义特征融入了全局信息，这样，使得所确定的语义特征准确度高。

与上述血管内图像的目标检测方法相对应，本申请实施例还提供了一种电子设备。

参见图4，图4为本申请实施例提供的一种电子设备的结构示意图，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，

存储器403，用于存放计算机程序；

处理器401，用于执行存储器403上所存放的程序时，实现本申请实施例提供的血管内图像的目标检测方法。

上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例提供的血管内图像的目标检测方法。

在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行时实现本申请实施例提供的血管内图像的目标检测方法。

由以上可见，应用本实施例提供的方案，由于由电子设备对目标图像进行多方面的特征提取，包括全局特征、语义特征、目标变化特征，利用这些特征进行目标检测，相较于人工手动检测方式，采用本实施例的方案，能够显著提高血管内图像的目标检测效率。

并且，由于是基于目标变化特征、语义特征以及全局特征对目标图像进行目标检测，目标变化特征表征目标图像的图像特征动态变化特性，全局特征、语义特征分别表征目标图像的全局特性以及图像语义信息。目标变化特征是从目标图像的特征动态变化角度反映图像信息，全局特征、语义特征是从目标图像的的特征静态角度分别反映图像整体信息以及语义信息。这样，多角度利用目标图像的各类特征，充分考虑了目标图像的图像特征信息，并且充分挖掘了目标图像的图像信息，在此基础上，能够得到更为准确的图像检测结果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。