1.本技术涉及植入式器械、图像识别、深度学习的
技术领域：
：，尤其涉及图像识别方法、装置、系统及计算机可读存储介质。
背景技术：
：：2.在植入式医疗器械行业，医生对照影像如材料计算机断层扫描（ct）、磁共振成像（mri）继续人工观察、识别出植入的电极，继而推断电极的大致位置和方向。患者就诊时必须携带并提供患处的医学影像资料，造成了时间和资源的浪费。医生需要根据医学影像人工判断分片电极位置和方向，将可以释放刺激的刺激电极导线在患者（例如大脑）内精确放置和定向，以将电刺激递送到预期部位并避免副作用。但这种方式无法获得科学严谨的数据从而精准定位分片电极，且存在人为判断引发错误的风险，从而对医疗机构造成经济损失并威胁患者的生命安全；植入式医疗器械的精确操作和后续保障更决定着医疗机构和医护人员的信誉，更是社会稳定的维护力。所以，为了获得便于医生操作且有精度保障的医学数据，基于图像识别方法的植入式点击导线及分片电极的准确识别与定位是必要的。3.专利cn202011444222.4公开了一种颅脑医学影像中脑内分片电极的方位识别方法：对所述颅脑医学影像进行解析，根据解析结果获取脑内分片电极的方位坐标，以及根据解析结果建立个体颅脑模型；将获得的脑内分片电极的方位坐标标定在所述个体颅脑模型上形成个体化脑内电极定位数据；对所述个体化脑内电极定位数据进行编码处理形成编码数据包；将所述编码数据包发送至显示设备，所述显示设备根据所述编码数据包将脑内分片电极的方位直接显示在所述显示设备的显示屏上。但该专利只能识别每个分片电极的方位坐标，不涉及方向识别，不利于医生对每个分片电极执行精确的电刺激，以达到针对特定靶点进行精准治疗的目的。4.基于此，本技术提供了图像识别方法、装置、系统及计算机可读存储介质，以改进现有技术。技术实现要素：5.本技术的目的在于标识并定位多个分片电极的方法及相关装置，针对植入患者颅内的电极导线上的多个分片电极实现分别识别定位并计算其位姿信息，以便于医生根据每个分片电极的位姿信息精准执行电刺激治疗。6.本技术的目的采用以下技术方案实现：第一方面，本技术提供了一种图像识别方法，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记，所述方法包括：获取所述患者的医学影像数据；基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。7.该技术方案的有益效果在于：首先获取患者的医学影像数据（例如可以包括ct数据、mr数据等），获取患者颅内各分片电极的识别结果（便于医生根据分片电极的标识信息进行精准的电刺激治疗）。具体而言，从所述医学影像数据中获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，再获取电极导线的位置信息和姿态信息和所述图像标记的位置信息，从而分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。例如可以自动获取颅内电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，最终将个体化颅内电极导线轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得看到颅内电极导线轮廓、所述图像标记的轮廓以及多个所述分片电极的轮廓。由于自动获取各分片电极的识别结果，医生无需再对照影像进行人为判断，节省了医生就诊时分析影像再进行判断的时间，减少了人为判断带来的误判风险；提高了判断准确率，节约了人工判断耗时；同时使得患者在就诊时无需再随身携带医学影像，给患者就诊带来了便利，也使得在远程视频问诊时，医生能够随时在显示设备上直观的看到分片电极在脑内的位姿，更便于远程程控的进行，解决了无法获得科学严谨的数据的问题，能够精准定位分片电极在患者颅内的相对位置并计算出分片电极的位姿变化，从而实现精准的电刺激治疗。8.在一些可选的实施方式中，所述基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，包括：基于所述医学影像数据，重建所述患者的大脑的三维模型；利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。9.该技术方案的有益效果在于：利用医学影像数据重建患者大脑的三维模型，从而在三维模型中获取电极导线、图像标记和多个分片电极的轮廓数据，由于三维模型能够直接指示电极导线、图像标记和多个分片电极之间的空间位置关系，后续可以利用显示设备显示三维模型以及电极导线、图像标记和多个分片电极，可视化效果佳，便于医生直观地了解到每个分片电极所处的空间位置，从而精准选择用于释放电刺激能量的分片电极。10.在一些可选的实施方式中，所述基于所述医学影像数据，重建所述患者的大脑的三维模型，包括：解析dicom格式的医学影像数据的数据文件，从中提取大脑的冠状面、矢状面、横断面三个方向的像素分辨率，把横断面方向上的层数和灰度图像数据组合成为raw-data格式的数据；根据raw-data格式的数据，沿着横断面方向，把每一层的数据映射成二维纹理图像，使用灰度值作为二维纹理图像的rgba值，从而把每一层的二维纹理图像绘制出来；使用对应层的二维纹理图像进行贴图，从而形成三维的个体颅脑模型。11.该技术方案的有益效果在于：利用面绘制的方法建立个体颅脑模型时，通过对dicom格式的数据文件进行解析，提取脑灰质、脑白质以及电极导线的外表面，然后再使用三角面对提取的结构进行三维渲染，以得到三维模型。12.本技术可以利用面绘制算法进行建模，面绘制算法是基于构建物体表面的方式进行三维建模的方法，利用面绘制算法提取医学图像的灰度等值面，重建物体表面，并利用mc（marchingcubes）算法，将一系列二维切片数据看作是一个三维的数据场，通过提取三维数据的等值面，构建三维模型出三维模型的网格，进而构建出三维模型。能够针对不同的医学图像灰度值（即医学图像的阀值）判断得到相应的输出数据（即灰度等值面信息），适用范围广，算法精确度高。13.利用轮廓检测设备（例如是ct设备、mr设备、pet设备、x光设备、pet-ct设备、pet-mr设备等），采用非接触式的视觉检测方式所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据（例如是ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据等），能够解决无法使用接触式测量方法获取植入患者颅内的所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据的问题。轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即医学图像的医学影像数据）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），适用范围广，智能化水平高。14.在一些可选的实施方式中，所述方法还包括：获取所述三维模型的目标姿态信息；基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。15.该技术方案的有益效果在于：利用显示设备（例如是手机、平板电脑、笔记本电脑、台式计算机、投影仪、显示器等），采用非接触式的显示方式显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息（例如是中文、字母、数字、符号、形状、颜色中的一种或多种，来指示分片电极在电极导线上或者在患者颅内的位置信息、方向信息、数量信息等），能够通过显示图像和标记图像的方式直观获取分片电极的标识信息，显示效率高，智能化水平高。16.在一些可选的实施方式中，所述获取所述三维模型的目标姿态信息，包括：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。17.该技术方案的有益效果在于：利用交互设备（例如鼠标、触控板、触控笔等），采用接触式拖动、旋转和缩放的方式改变所述三维模型的角度和方向以获得所述三维模型不同位置的目标姿态信息，通过720°全方位获取目标姿态信息的方式提高人机交互的效率，并采用接触式拖动、旋转和点击的方式进行截图或投影操作，生成所述目标姿态信息对应的目标二维图像，获取信息更加全面，显示灵活度高，节省时间成本。18.在一些可选的实施方式中，所述基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，包括：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。19.该技术方案的有益效果在于：通过成像识别技术获取大脑的多个横断面的二维图像，通过轮廓检测技术获取大脑的多个横断面的二维图像中的轮廓数据，相比传统人工的对目标图像进行识别和数据获取，智能化程度高；例如可以将训练得到的成像识别模型、轮廓检测模应用到实际场景中获取所述目标对象的轮廓数据上，识别准确度高。其中，分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象是指，分别以电极导线作为目标对象、以图像标记作为目标对象、以多个分片电极作为目标对象，此处多个分片电极的轮廓数据是一并获得，用于后续获取单个分片电极的轮廓数据。20.在一些可选的实施方式中，所述从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据，包括：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。21.该技术方案的有益效果在于：轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即二维图像）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），训练得到的轮廓测试模型具有较强的鲁棒性和较低的过拟合风险，计算过程简单，计算速度快，计算效率高，所消耗的计算资源少。在实际应用中，利用深度学习模型进行轮廓检测，通过配置参数可以达到检测所有轮廓的目的，具体而言，每个轮廓可以被划分等级，如：最外围、第一内围和第二内围等，并分别配有当前轮廓的父轮廓和内嵌轮廓索引编号。可以检测所有轮廓，在轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点的信息。基于轮廓偏移参数还可将检测结果投影到原始图像的对应位置上。22.在一些可选的实施方式中，所述模型参数包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。23.该技术方案的有益效果在于：对轮廓检测模型的各种模型参数进行优化，以获得更好的模型效果。24.在一些可选的实施方式中，所述医学影像数据包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种；所述图像标记包括多个特征角；或者，所述图像标记包括多个标记部，每个所述标记部设置于不同的分片电极上。25.该技术方案的有益效果在于：由于图像标记（例如是圆形、矩形、三角形等）是直接设置在电极导线或者分片电极上的，经成像识别本身能够起到确定分片电极方位的作用，并可以通过对图像标记投影角度、投影面积的计算进一步获得分片电极的位姿信息，可以用于选择执行刺激任务的分片电极。当图像标记的各标记部设置于分片电极上时，分片电极以外的区域不需要另外设置标记部，可以减少刺激电极导线的制造成本和降低刺激电极导线的制造难度。26.在一些可选的实施方式中，所述基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，包括：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。27.该技术方案的有益效果在于：利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的位置信息。28.在一些可选的实施方式中，所述方法还包括：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。29.该技术方案的有益效果在于：利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的姿态信息。30.例如可以设定多个分片电极在所述电极导线的周向上成矩阵排列，每个所述分片电极的中心点的切面平行于所述电极导线的轴向，基于所述电极导线的位置信息，定位过所述电极导线的中心点的轴向直线，以得到所述轴向直线的定位数据，针对每个所述二维图像（即二维灰度图像），基于所述二维图像中的每个所述图像标记的轮廓数据，计算每个所述图像标记在所述二维图像中的面积，获取每个所述分片电极的位置信息。多个所述二维图像对应的投影面均垂直于所述患者的大脑的横断面，并且多个所述二维图像对应的投影面中的任意两个相互不平行。利用轮廓检测模型和多个所述二维图像，获取所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。对多个所述二维图像进行二值化处理，利用轮廓检测模型对二值化处理后的每个所述二维图像进行轮廓检测，以得到所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。基于所述电极导线在所述患者颅内的相对位置信息，获取每个所述分片电极在所述患者颅内的相对位置信息，继而获取分片电极的姿态信息（例如：三维坐标、旋转角度、旋转方向等）。通过利用图像标记的位置和面积信息，间接计算出分片电极的姿态信息，智能化程度高，结果准确度高。31.每个分片电极的位置信息与位姿信息可以编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得识别颅内电极导线上每个分片电极并且通过观察每个分片电极的位姿来进行直接电极刺激治疗。32.第二方面，本技术提供了一种图像识别装置，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记；所述装置包括处理器，所述处理器被配置成：获取所述患者的医学影像数据；基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。33.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：基于所述医学影像数据，重建所述患者的大脑的三维模型；利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。34.在一些可选的实施方式中，所述处理器还被配置成：获取所述三维模型的目标姿态信息；基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。35.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述三维模型的目标姿态信息：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。36.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。37.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述目标对象在每个所述二维图像中的轮廓数据：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。38.在一些可选的实施方式中，所述模型参数包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。39.在一些可选的实施方式中，所述医学影像数据包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种；所述图像标记包括多个特征角；或者，所述图像标记包括多个标记部，每个所述标记部设置于不同的分片电极上。40.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取每个所述分片电极的轮廓数据：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。41.在一些可选的实施方式中，所述处理器还被配置成：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。42.第三方面，本技术提供了一种图像识别系统，所述系统包括：上述任一项图像识别装置；显示设备，用于提供显示功能；交互设备，用于提供交互功能。43.第四方面，本技术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任一项方法的步骤或者实现上述任一项装置的功能。附图说明44.下面结合附图和实施方式对本技术进一步说明。45.图1示出了本技术提供的一种图像识别方法的流程示意图。46.图2示出了本技术提供的一种获取轮廓数据的流程示意图。47.图3示出了本技术提供的另一种图像识别方法的流程示意图。48.图4示出了本技术提供的另一种获取轮廓数据的流程示意图。49.图5示出了本技术提供的一种获取每个分片电极的轮廓数据的流程示意图。50.图6示出了本技术提供的一种图像识别装置的结构框图。51.图7示出了本技术提供的一种图像识别系统的结构示意图。52.图8示出了本技术提供的一种程序产品的结构示意图。具体实施方式53.下面将结合本技术的说明书附图以及具体实施方式，对本技术中的技术方案进行描述，需要说明的是，在不相冲突的前提下，以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。54.在本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b，a和c，b和c，a和b和c，其中a、b和c可以是单个，也可以是多个。值得注意的是，“至少一项(个)”还可以解释成“一项(个)或多项(个)”。55.还需说明的是，本技术中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。56.下面，首先对本技术的其中一个应用领域（即植入式器械）进行简单说明。57.植入式神经刺激系统（一种植入式医疗系统）主要包括植入患者体内的刺激器以及设置于患者体外的程控设备。现有的神经调控技术主要是通过立体定向手术在体内特定结构（即靶点）植入电极，并由植入患者体内的刺激器经电极向靶点发放电脉冲，调控相应神经结构和网络的电活动及其功能，从而改善症状、缓解病痛。其中，刺激器可以是植入式神经电刺激装置、植入式心脏电刺激系统(又称心脏起搏器)、植入式药物输注装置(implantabledrugdeliverysystem，简称idds)和导线转接装置中的任意一种。植入式神经电刺激装置例如是脑深部电刺激系统（deepbrainstimulation，简称dbs）、植入式脑皮层刺激系统（corticalnervestimulation，简称cns）、植入式脊髓电刺激系统（spinalcordstimulation，简称scs）、植入式骶神经电刺激系统（sacralnervestimulation，简称sns）、植入式迷走神经电刺激系统（vagusnervestimulation，简称vns）等。58.刺激器可以包括ipg、延伸导线和电极导线，ipg（implantablepulsegenerator，植入式脉冲发生器）设置于患者体内，依靠密封电池和电路向体内组织提供可控制的电刺激能量，通过植入的延伸导线和电极导线，为体内组织的特定区域递送一路或两路可控制的特定电刺激。延伸导线配合ipg使用，作为电刺激信号的传递媒体，将ipg产生的电刺激信号，传递给电极导线。电极导线通过多个电极触点，向体内组织的特定区域递送电刺激。刺激器设置有单侧或双侧的一路或多路电极导线，电极导线上设置有多个电极触点，电极触点可以均匀排列或者非均匀排列在电极导线的周向上。作为一个示例，电极触点可以以4行3列的阵列（共计12个电极触点）排列在电极导线的周向上。电极触点可以包括刺激电极触点和/或采集电极触点。电极触点例如可以采用片状、环状、点状等形状。59.在一些可能的实现方式中，受刺激的体内组织可以是患者的脑组织，受刺激的部位可以是脑组织的特定部位。当患者的疾病类型不同时，受刺激的部位一般来说是不同的，所使用的刺激触点（单源或多源）的数量、一路或多路（单通道或多通道）特定电刺激信号的运用以及刺激参数数据也是不同的。本技术对适用的疾病类型不做限定，其可以是脑深部刺激(dbs)、脊髓刺激(scs)、骨盆刺激、胃刺激、外周神经刺激、功能性电刺激所适用的疾病类型。其中，dbs可以用于治疗或管理的疾病类型包括但不限于：痉挛疾病(例如，癫痫)、疼痛、偏头痛、精神疾病(例如，重度抑郁症(mdd))、躁郁症、焦虑症、创伤后压力心理障碍症、轻郁症、强迫症(ocd)、行为障碍、情绪障碍、记忆障碍、心理状态障碍、移动障碍(例如，特发性震颤或帕金森氏病)、亨廷顿病、阿尔茨海默症、药物成瘾症、自闭症或其他神经学或精神科疾病和损害。当dbs用于治疗药物成瘾症患者时，可以帮助吸毒人员戒毒，提升他们的幸福感和生命质量。60.本技术中，程控设备和刺激器建立程控连接时，可以利用程控设备调整刺激器的刺激参数（不同的刺激参数所对应的电刺激信号不同），也可以通过刺激器感测患者脑深部的生物电活动以采集得到电生理信号，并可以通过所采集到的电生理信号来继续调节刺激器的电刺激信号的刺激参数。61.程控设备可以是医生程控器（即医生使用的程控设备）或者患者程控器（即患者使用的程控设备）。程控设备例如可以是平板电脑、笔记本电脑、台式计算机、手机等智能终端设备。62.本技术对医生程控器和刺激器的数据交互不进行限制，当医生远程程控（此时医生在医院，患者在家中）时，医生程控器可以通过服务器、患者程控器与刺激器进行数据交互。当医生线下和患者面对面进行程控时，医生程控器可以通过患者程控器与刺激器进行数据交互，医生程控器还可以直接与刺激器进行数据交互。63.患者程控器可以包括（与服务器通信的）主机和（与刺激器通信的）子机，主机和子机可通信的连接。其中，医生程控器可以通过3g/4g/5g网络与服务器进行数据交互，服务器可以通过3g/4g/5g网络与主机进行数据交互，主机可以通过蓝牙协议/wifi协议/usb协议与子机进行数据交互，子机可以通过401mhz-406mhz工作频段/2.4ghz-2.48ghz工作频段与刺激器进行数据交互，医生程控器可以通过401mhz-406mhz工作频段/2.4ghz-2.48ghz工作频段与刺激器直接进行数据交互。64.除了上述植入式器械的应用领域，本技术还可以应用于其他医疗器械甚至非医疗器械的
技术领域：
：，本技术不对此设限，只要涉及图像识别的场合均可应用。65.方法实施方式参见图1，图1示出了本技术提供的一种图像识别方法的流程示意图。66.本技术提供了一种图像识别方法，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记，所述方法包括：步骤s101：获取所述患者的医学影像数据；步骤s102：基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；步骤s103：基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；步骤s104：基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；步骤s105：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。67.由此，首先获取患者的医学影像数据（例如可以包括ct数据、mr数据等），获取患者颅内各分片电极的识别结果（便于医生根据分片电极的标识信息进行精准的电刺激治疗）。68.具体而言，从所述医学影像数据中获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，再获取电极导线的位置信息和姿态信息和所述图像标记的位置信息，从而分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。69.例如可以自动获取颅内电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，最终将个体化颅内电极导线轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得看到颅内电极导线轮廓、所述图像标记的轮廓以及多个所述分片电极的轮廓。70.由于自动获取各分片电极的识别结果，医生无需再对照影像进行人为判断，节省了医生就诊时分析影像再进行判断的时间，减少了人为判断带来的误判风险；提高了判断准确率，节约了人工判断耗时；同时使得患者在就诊时无需再随身携带医学影像，给患者就诊带来了便利，也使得在远程视频问诊时，医生能够随时在显示设备上直观的看到分片电极在脑内的位姿，更便于远程程控的进行，解决了无法获得科学严谨的数据的问题，能够精准定位分片电极在患者颅内的相对位置并计算出分片电极的位姿变化，从而实现精准的电刺激治疗。71.本技术对患者颅内的电极导线数量不作限定，其例如可以是1个、2个、3个、4个、6个、8个等。72.本技术对电极导线的植入位置不作限定，其例如可以全部分布在患者的左半脑、右半脑，或者，可以分别分布于患者的左半脑和右半脑。73.本技术对电极导线上的分片电极数量不作限定，其例如可以是4个、8个、12个、24个等。74.本技术对电极导线上的分片电极的排布方式不作限定，其例如可以采用均匀排列的方式排列为矩阵状（多行、多列）、环状、菱形等，也可以采用非均匀排列的方式。75.本技术中的医学影像信息例如可以包括ct数据、mr数据、pet数据、x光数据、pet-ct数据、pet-mr数据等。相应的，所使用的数据采集设备例如可以是ct设备、mr设备、pet设备、x光设备、pet-ct设备、pet-mr设备等。其中，ct(computedtomography)即电子计算机断层扫描，mr（magneticresonance）即磁共振，pet（positronemissiontomography）即正电子发射断层扫描。76.本技术对轮廓数据不作限定，其例如可以是轮廓点的点云数据、轮廓线的定位数据、轮廓面（例如每个曲面可以看作是多个三角面片的组合）的定位数据等。77.本技术中，电极导线、图像标记、分片电极的位置信息例如可以采用中心点的三维坐标数据来表示，其中，电极导线的位置信息还可以采用直线方程来表示。电极导线、图像标记、分片电极的姿态信息可以采用三个姿态角来表示，即俯仰角、倾斜角、横滚角。78.本技术中，电极导线固定设置有分片电极与图像标记，因此，各分片电极与图像标记之间的相对位置关系是固定的，并且可以预先获取。79.基于图像标记与每个分片电极的相对位置关系，就能够对多个分片电极的轮廓数据进行划分，以得到每个分片电极的轮廓数据。80.参见图2，图2示出了本技术提供的一种获取轮廓数据的流程示意图。81.在一些可选的实施方式中，所述步骤s102可以包括：步骤s201：基于所述医学影像数据，重建所述患者的大脑的三维模型；步骤s202：利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。82.由此，利用医学影像数据重建患者大脑的三维模型，从而在三维模型中获取电极导线、图像标记和多个分片电极的轮廓数据，由于三维模型能够直接指示电极导线、图像标记和多个分片电极之间的空间位置关系，后续可以利用显示设备显示三维模型以及电极导线、图像标记和多个分片电极，可视化效果佳，便于医生直观地了解到每个分片电极所处的空间位置，从而精准选择用于释放电刺激能量的分片电极。83.在一些可选的实施方式中，所述步骤s201可以包括：解析dicom格式的医学影像数据的数据文件，从中提取大脑的冠状面、矢状面、横断面三个方向的像素分辨率，把横断面方向上的层数和灰度图像数据组合成为raw-data格式的数据；根据raw-data格式的数据，沿着横断面方向，把每一层的数据映射成二维纹理图像，使用灰度值作为二维纹理图像的rgba值，从而把每一层的二维纹理图像绘制出来；使用对应层的二维纹理图像进行贴图，从而形成三维的个体颅脑模型（即三维模型）。84.由此，利用面绘制的方法建立个体颅脑模型时，通过对dicom格式的数据文件进行解析，提取脑灰质、脑白质以及电极导线的外表面，还可以提取表皮、骨骼等结构，然后再使用三角面对提取的表面进行三维渲染，以得到三维模型。85.本技术可以利用面绘制算法进行建模，面绘制算法是基于构建物体表面的方式进行三维建模的方法，利用面绘制算法提取医学图像的灰度等值面，重建物体表面，并利用mc（marchingcubes）算法，将一系列二维切片数据看作是一个三维的数据场，通过提取三维数据的等值面，构建出三维模型的表面网格，进而构建出三维模型。86.能够针对不同的医学图像灰度值（即医学图像的阈值）判断得到相应的输出数据（即灰度等值面信息），适用范围广，算法精确度高。87.利用轮廓检测设备（例如是ct设备、mr设备、pet设备、x光设备、pet-ct设备、pet-mr设备等），采用非接触式的视觉检测方式所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据（例如是ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据等），能够解决无法使用接触式测量方法获取植入患者颅内的所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据的问题。88.轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即医学图像的医学影像数据）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），适用范围广，智能化水平高。89.本技术还可以利用体绘制算法进行建模，体绘制可以提供最接近人眼视觉的绘制效果，并利用光线投射算法（ray-casting），从所述医学图像的每个像素都沿着视线方向发出一条射线，此射线穿过体数据集，按一定步长进行采样，计算出每个采样点的灰度值和不透明度，然后由前向后或由后向前逐点计算累计的灰度值和不透明度值。体绘制算法有利于保留所述医学图像的细节，适用于绘制区域特征模糊、与体素特征相关性高的三维模型，体绘制是将三维空间的离散数据直接转换为立体模型，并考虑每一个体素对光线的透射、发射和反射作用。因此体绘制能够更好的展示三维模型的空间体细节。90.在另一些可选的实施方式中，所述步骤s102可以包括：对所述医学影像数据进行三维轮廓检测，以得到所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。91.在一些可选的实施方式中，本技术可以利用预设的深度学习网络训练得到三维轮廓分割模型，利用三维轮廓分割模型对医学影像数据进行三维轮廓检测、分割，以得到上述轮廓数据。本技术对三维轮廓分割模型的训练过程不作限定，其例如可以采用监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。92.在另一些可选的实施方式中，本技术可以采用其他三维轮廓检测方法，例如是专利《cn106898012a-ct图像胸腔轮廓自动化检测方法》中的轮廓检测方法。93.参见图3，图3示出了本技术提供的另一种图像识别方法的流程示意图。94.在一些可选的实施方式中，所述方法还可以包括：步骤s106：获取所述三维模型的目标姿态信息；步骤s107：基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；步骤s108：利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。95.由此，利用显示设备（例如是手机、平板电脑、笔记本电脑、台式计算机、投影仪、显示器等），采用非接触式的显示方式显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息（例如是中文、字母、数字、符号、形状、颜色中的一种或多种，来指示分片电极在电极导线上或者在患者颅内的位置信息、方向信息、数量信息等），能够通过显示图像和标记图像的方式直观获取分片电极的标识信息，显示效率高，智能化水平高。96.本技术中，上述目标姿态信息可以采用三个姿态角来表示。97.本技术对显示标识信息的分片电极数量不作限定，例如可以显示露出部分大于预设占比的分片电极的标识信息。通常，当采用周向上同一行设置3个、4个乃至更多个分片电极的方式时，仅显示其中一个或两个分片电极的标识信息（因为其余分片电极的大部分并未露出）。98.在一些可选的实施方式中，所述步骤s106可以包括：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。99.由此，利用交互设备（例如鼠标、触控板、触控笔等），采用接触式拖动、旋转和缩放的方式改变所述三维模型的角度和方向以获得所述三维模型不同位置的目标姿态信息，通过720°全方位获取目标姿态信息的方式提高人机交互的效率，并采用接触式拖动、旋转和点击的方式进行截图或投影操作，生成所述目标姿态信息对应的目标二维图像，获取信息更加全面，显示灵活度高，节省时间成本。100.本技术对交互设备不作限定，其例如可以是手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备或者是具有鼠标、触控板、触控笔的智能终端设备，或者，交互设备可以是工作站或者控制台。101.本技术对利用交互设备接收各种（人工）操作的方式不作限定。按照输入方式划分操作，例如可以包括文本输入操作、音频输入操作、视频输入操作、按键操作、鼠标操作、键盘操作、智能触控笔操作等。102.参见图4，图4示出了本技术提供的另一种获取轮廓数据的流程示意图。103.在一些可选的实施方式中，所述步骤s102可以包括：步骤s301：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；步骤s302：从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；步骤s303：基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。104.由此，通过成像识别技术获取大脑的多个横断面（又称水平面，医学解剖学概念）的二维图像，通过轮廓检测技术获取大脑的多个横断面的二维图像中的轮廓数据，相比传统人工的对目标图像进行识别和数据获取，智能化程度高；例如可以将训练得到的成像识别模型、轮廓检测模应用到实际场景中获取所述目标对象的轮廓数据上，识别准确度高。105.其中，分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象是指，分别以电极导线作为目标对象、以图像标记作为目标对象、以多个分片电极作为目标对象，此处多个分片电极的轮廓数据是一并获得，用于后续获取单个分片电极的轮廓数据。106.在一些可选的实施方式中，所述步骤s302可以包括：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。107.由此，轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即二维图像）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），训练得到的轮廓测试模型具有较强的鲁棒性和较低的过拟合风险，计算过程简单，计算速度快，计算效率高，所消耗的计算资源少。108.通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的深度学习模型，通过该预设的深度学习模型的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能地逼近现实的关联关系，由此训练得到的轮廓检测模型，可以基于每个二维图像分别获取其中目标对象的轮廓数据，且计算结果准确性高、可靠性高。109.在实际应用中，利用深度学习模型进行轮廓检测，通过配置参数可以达到检测所有轮廓的目的，具体而言，每个轮廓可以被划分等级，如：最外围、第一内围和第二内围等，并分别配有当前轮廓的父轮廓和内嵌轮廓索引编号。110.可以检测所有轮廓，在轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点的信息。111.基于轮廓偏移参数还可将检测结果投影到原始图像的对应位置上。112.在一些可选的实施方式中，本技术可以采用上述训练过程训练得到轮廓检测模型，在另一些可选的实施方式中，本技术可以采用预先训练好的轮廓检测模型。113.本技术对标注数据的获取方式不作限定，例如可以采用人工标注的方式，也可以采用自动标注或者半自动标注的方式。114.本技术对轮廓检测模型的训练过程不作限定，其例如可以采用上述监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。115.本技术对预设的训练结束条件不作限定，其例如可以是训练次数达到预设次数（预设次数例如是1次、3次、10次、100次、1000次、10000次等），或者可以是训练集中的训练数据都完成一次或多次训练，或者可以是本次训练得到的总损失值不大于预设损失值。116.在一些可选的实施方式中，所述模型参数包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。117.由此，对轮廓检测模型的各种模型参数进行优化，以获得更好的模型效果。118.在一些可选的实施方式中，所述医学影像数据包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种。119.在一些可选的实施方式中，所述图像标记包括多个特征角；或者，所述图像标记包括多个标记部，每个所述标记部设置于不同的分片电极上。120.由此，由于图像标记（例如是圆形、矩形、三角形等）是直接设置在电极导线或者分片电极上的，经成像识别本身能够起到确定分片电极方位的作用，并可以通过对图像标记投影角度（特征角对应的投影角）、投影面积的计算进一步获得分片电极的位姿信息，可以用于选择执行刺激任务的分片电极。当图像标记的各标记部设置于分片电极上时，分片电极以外的区域不需要另外设置标记部，可以减少电极导线的制造成本和降低电极导线的制造难度。121.在另一些可选的实施方式中，所述图像标记包括一个特征角，只要能够识别各分片电极即可，本技术对图像标记中的特征角数量不作限定。122.除了特征角，图像标记还可以设置有圆角、倒角、弧线、折线等部分，其中，弧线可以是波浪形，折线可以是锯齿形等。123.参见图5，图5示出了本技术提供的一种获取每个分片电极的轮廓数据的流程示意图。124.在一些可选的实施方式中，所述步骤s105可以包括：步骤s401：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；步骤s402：基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。125.由此，利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的位置信息。126.在一些可选的实施方式中，所述方法还可以包括：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。127.由此，利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的姿态信息。128.例如可以设定一个或多个图像标记在电极导线的周向上规则排列或不规则排列（即电极导线上可以设置有一个或多个图像标记），设定多个分片电极在所述电极导线的周向上成矩阵排列，每个所述分片电极的中心点的切面平行于所述电极导线的轴向，基于所述电极导线的位置信息，定位过所述电极导线的中心点的轴向直线，以得到所述轴向直线的定位数据，针对每个所述二维图像（即二维灰度图像），基于所述二维图像中的每个所述图像标记的轮廓数据，计算每个所述图像标记在所述二维图像中的面积，获取每个所述分片电极的位置信息。129.多个所述二维图像对应的投影面均垂直于所述患者的大脑的横断面，并且多个所述二维图像对应的投影面中的任意两个相互不平行。130.利用轮廓检测模型和多个所述二维图像，获取所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。131.对多个所述二维图像进行二值化处理，利用轮廓检测模型对二值化处理后的每个所述二维图像进行轮廓检测，以得到所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。132.基于所述电极导线在所述患者颅内的相对位置信息，获取每个所述分片电极在所述患者颅内的相对位置信息，继而获取分片电极的姿态信息（例如：三维坐标、旋转角度、旋转方向等）。133.通过利用图像标记的位置和面积信息，间接计算出分片电极的姿态信息，智能化程度高，结果准确度高。134.每个分片电极的位置信息与位姿信息可以编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得识别颅内电极导线上每个分片电极并且通过观察每个分片电极的位姿来进行直接电极刺激治疗。135.装置实施方式本技术还提供了一种图像识别装置，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记；所述装置包括处理器，所述处理器被配置成：获取所述患者的医学影像数据；基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。136.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：基于所述医学影像数据，重建所述患者的大脑的三维模型；利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。137.在一些可选的实施方式中，所述处理器还可以被配置成：获取所述三维模型的目标姿态信息；基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。138.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述三维模型的目标姿态信息：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。139.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。140.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述目标对象在每个所述二维图像中的轮廓数据：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。141.在一些可选的实施方式中，所述模型参数可以包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。142.在一些可选的实施方式中，所述医学影像数据可以包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种；所述图像标记可以包括多个特征角；或者，所述图像标记可以包括多个标记部，每个所述标记部设置于不同的分片电极上。143.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取每个所述分片电极的轮廓数据：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。144.在一些可选的实施方式中，所述处理器还可以被配置成：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。145.参见图6，图6示出了本技术提供的一种图像识别装置200的结构框图。146.图像识别装置200例如可以包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。147.存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)211和/或高速缓存存储器212，还可以进一步包括只读存储器(rom)213。148.其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220实现上述任一项方法的步骤，其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。149.存储器210还可以包括具有至少一个程序模块215的实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例的每一个或某种组合中可能包括网络环境的实现。150.相应的，处理器220可以执行上述计算机程序，以及可以执行实用工具214。151.处理器220可以采用一个或多个应用专用集成电路（asic，applicationspecificintegratedcircuit）、dsp、可编程逻辑器件（pld，programmablelogicdevice）、复杂可编程逻辑器件（cpld，complexprogrammablelogicdevice）、现场可编程门阵列（fpga，field-programmablegatearray）或其他电子元件。152.总线230可以为表示几类总线结构的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。153.图像识别装置200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该图像识别装置200交互的设备通信，和/或与使得该图像识别装置200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且，图像识别装置200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与图像识别装置200的其它模块通信。应当明白，尽管图中未示出，可以结合图像识别装置200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。154.系统实施方式参见图7，图7示出了本技术提供的一种图像识别系统的结构示意图。155.本技术提供了一种图像识别系统，所述系统包括：上述任一项图像识别装置10；显示设备20，用于提供显示功能；交互设备30，用于提供交互功能。156.介质实施方式本技术还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任一项方法的步骤，其具体实现方式与上述方法的实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。157.参见图8，图8示出了本技术提供的一种程序产品的结构示意图。158.所述程序产品用于实现上述任一项方法。程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本技术中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。159.计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如java、c 等，还包括常规的过程式程序设计语言诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。160.本技术从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本技术以上的说明书及说明书附图，仅为本技术的较佳实施例而已，并非以此局限本技术，因此，凡一切与本技术构造，装置，特征等近似、雷同的，即凡依本技术专利申请范围所作的等同替换或修饰等，皆应属本技术的专利申请保护的范围之内。当前第1页12当前第1页12
技术领域：
：，尤其涉及图像识别方法、装置、系统及计算机可读存储介质。
背景技术：
：：2.在植入式医疗器械行业，医生对照影像如材料计算机断层扫描（ct）、磁共振成像（mri）继续人工观察、识别出植入的电极，继而推断电极的大致位置和方向。患者就诊时必须携带并提供患处的医学影像资料，造成了时间和资源的浪费。医生需要根据医学影像人工判断分片电极位置和方向，将可以释放刺激的刺激电极导线在患者（例如大脑）内精确放置和定向，以将电刺激递送到预期部位并避免副作用。但这种方式无法获得科学严谨的数据从而精准定位分片电极，且存在人为判断引发错误的风险，从而对医疗机构造成经济损失并威胁患者的生命安全；植入式医疗器械的精确操作和后续保障更决定着医疗机构和医护人员的信誉，更是社会稳定的维护力。所以，为了获得便于医生操作且有精度保障的医学数据，基于图像识别方法的植入式点击导线及分片电极的准确识别与定位是必要的。3.专利cn202011444222.4公开了一种颅脑医学影像中脑内分片电极的方位识别方法：对所述颅脑医学影像进行解析，根据解析结果获取脑内分片电极的方位坐标，以及根据解析结果建立个体颅脑模型；将获得的脑内分片电极的方位坐标标定在所述个体颅脑模型上形成个体化脑内电极定位数据；对所述个体化脑内电极定位数据进行编码处理形成编码数据包；将所述编码数据包发送至显示设备，所述显示设备根据所述编码数据包将脑内分片电极的方位直接显示在所述显示设备的显示屏上。但该专利只能识别每个分片电极的方位坐标，不涉及方向识别，不利于医生对每个分片电极执行精确的电刺激，以达到针对特定靶点进行精准治疗的目的。4.基于此，本技术提供了图像识别方法、装置、系统及计算机可读存储介质，以改进现有技术。技术实现要素：5.本技术的目的在于标识并定位多个分片电极的方法及相关装置，针对植入患者颅内的电极导线上的多个分片电极实现分别识别定位并计算其位姿信息，以便于医生根据每个分片电极的位姿信息精准执行电刺激治疗。6.本技术的目的采用以下技术方案实现：第一方面，本技术提供了一种图像识别方法，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记，所述方法包括：获取所述患者的医学影像数据；基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。7.该技术方案的有益效果在于：首先获取患者的医学影像数据（例如可以包括ct数据、mr数据等），获取患者颅内各分片电极的识别结果（便于医生根据分片电极的标识信息进行精准的电刺激治疗）。具体而言，从所述医学影像数据中获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，再获取电极导线的位置信息和姿态信息和所述图像标记的位置信息，从而分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。例如可以自动获取颅内电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，最终将个体化颅内电极导线轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得看到颅内电极导线轮廓、所述图像标记的轮廓以及多个所述分片电极的轮廓。由于自动获取各分片电极的识别结果，医生无需再对照影像进行人为判断，节省了医生就诊时分析影像再进行判断的时间，减少了人为判断带来的误判风险；提高了判断准确率，节约了人工判断耗时；同时使得患者在就诊时无需再随身携带医学影像，给患者就诊带来了便利，也使得在远程视频问诊时，医生能够随时在显示设备上直观的看到分片电极在脑内的位姿，更便于远程程控的进行，解决了无法获得科学严谨的数据的问题，能够精准定位分片电极在患者颅内的相对位置并计算出分片电极的位姿变化，从而实现精准的电刺激治疗。8.在一些可选的实施方式中，所述基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，包括：基于所述医学影像数据，重建所述患者的大脑的三维模型；利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。9.该技术方案的有益效果在于：利用医学影像数据重建患者大脑的三维模型，从而在三维模型中获取电极导线、图像标记和多个分片电极的轮廓数据，由于三维模型能够直接指示电极导线、图像标记和多个分片电极之间的空间位置关系，后续可以利用显示设备显示三维模型以及电极导线、图像标记和多个分片电极，可视化效果佳，便于医生直观地了解到每个分片电极所处的空间位置，从而精准选择用于释放电刺激能量的分片电极。10.在一些可选的实施方式中，所述基于所述医学影像数据，重建所述患者的大脑的三维模型，包括：解析dicom格式的医学影像数据的数据文件，从中提取大脑的冠状面、矢状面、横断面三个方向的像素分辨率，把横断面方向上的层数和灰度图像数据组合成为raw-data格式的数据；根据raw-data格式的数据，沿着横断面方向，把每一层的数据映射成二维纹理图像，使用灰度值作为二维纹理图像的rgba值，从而把每一层的二维纹理图像绘制出来；使用对应层的二维纹理图像进行贴图，从而形成三维的个体颅脑模型。11.该技术方案的有益效果在于：利用面绘制的方法建立个体颅脑模型时，通过对dicom格式的数据文件进行解析，提取脑灰质、脑白质以及电极导线的外表面，然后再使用三角面对提取的结构进行三维渲染，以得到三维模型。12.本技术可以利用面绘制算法进行建模，面绘制算法是基于构建物体表面的方式进行三维建模的方法，利用面绘制算法提取医学图像的灰度等值面，重建物体表面，并利用mc（marchingcubes）算法，将一系列二维切片数据看作是一个三维的数据场，通过提取三维数据的等值面，构建三维模型出三维模型的网格，进而构建出三维模型。能够针对不同的医学图像灰度值（即医学图像的阀值）判断得到相应的输出数据（即灰度等值面信息），适用范围广，算法精确度高。13.利用轮廓检测设备（例如是ct设备、mr设备、pet设备、x光设备、pet-ct设备、pet-mr设备等），采用非接触式的视觉检测方式所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据（例如是ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据等），能够解决无法使用接触式测量方法获取植入患者颅内的所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据的问题。轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即医学图像的医学影像数据）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），适用范围广，智能化水平高。14.在一些可选的实施方式中，所述方法还包括：获取所述三维模型的目标姿态信息；基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。15.该技术方案的有益效果在于：利用显示设备（例如是手机、平板电脑、笔记本电脑、台式计算机、投影仪、显示器等），采用非接触式的显示方式显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息（例如是中文、字母、数字、符号、形状、颜色中的一种或多种，来指示分片电极在电极导线上或者在患者颅内的位置信息、方向信息、数量信息等），能够通过显示图像和标记图像的方式直观获取分片电极的标识信息，显示效率高，智能化水平高。16.在一些可选的实施方式中，所述获取所述三维模型的目标姿态信息，包括：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。17.该技术方案的有益效果在于：利用交互设备（例如鼠标、触控板、触控笔等），采用接触式拖动、旋转和缩放的方式改变所述三维模型的角度和方向以获得所述三维模型不同位置的目标姿态信息，通过720°全方位获取目标姿态信息的方式提高人机交互的效率，并采用接触式拖动、旋转和点击的方式进行截图或投影操作，生成所述目标姿态信息对应的目标二维图像，获取信息更加全面，显示灵活度高，节省时间成本。18.在一些可选的实施方式中，所述基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，包括：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。19.该技术方案的有益效果在于：通过成像识别技术获取大脑的多个横断面的二维图像，通过轮廓检测技术获取大脑的多个横断面的二维图像中的轮廓数据，相比传统人工的对目标图像进行识别和数据获取，智能化程度高；例如可以将训练得到的成像识别模型、轮廓检测模应用到实际场景中获取所述目标对象的轮廓数据上，识别准确度高。其中，分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象是指，分别以电极导线作为目标对象、以图像标记作为目标对象、以多个分片电极作为目标对象，此处多个分片电极的轮廓数据是一并获得，用于后续获取单个分片电极的轮廓数据。20.在一些可选的实施方式中，所述从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据，包括：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。21.该技术方案的有益效果在于：轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即二维图像）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），训练得到的轮廓测试模型具有较强的鲁棒性和较低的过拟合风险，计算过程简单，计算速度快，计算效率高，所消耗的计算资源少。在实际应用中，利用深度学习模型进行轮廓检测，通过配置参数可以达到检测所有轮廓的目的，具体而言，每个轮廓可以被划分等级，如：最外围、第一内围和第二内围等，并分别配有当前轮廓的父轮廓和内嵌轮廓索引编号。可以检测所有轮廓，在轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点的信息。基于轮廓偏移参数还可将检测结果投影到原始图像的对应位置上。22.在一些可选的实施方式中，所述模型参数包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。23.该技术方案的有益效果在于：对轮廓检测模型的各种模型参数进行优化，以获得更好的模型效果。24.在一些可选的实施方式中，所述医学影像数据包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种；所述图像标记包括多个特征角；或者，所述图像标记包括多个标记部，每个所述标记部设置于不同的分片电极上。25.该技术方案的有益效果在于：由于图像标记（例如是圆形、矩形、三角形等）是直接设置在电极导线或者分片电极上的，经成像识别本身能够起到确定分片电极方位的作用，并可以通过对图像标记投影角度、投影面积的计算进一步获得分片电极的位姿信息，可以用于选择执行刺激任务的分片电极。当图像标记的各标记部设置于分片电极上时，分片电极以外的区域不需要另外设置标记部，可以减少刺激电极导线的制造成本和降低刺激电极导线的制造难度。26.在一些可选的实施方式中，所述基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，包括：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。27.该技术方案的有益效果在于：利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的位置信息。28.在一些可选的实施方式中，所述方法还包括：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。29.该技术方案的有益效果在于：利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的姿态信息。30.例如可以设定多个分片电极在所述电极导线的周向上成矩阵排列，每个所述分片电极的中心点的切面平行于所述电极导线的轴向，基于所述电极导线的位置信息，定位过所述电极导线的中心点的轴向直线，以得到所述轴向直线的定位数据，针对每个所述二维图像（即二维灰度图像），基于所述二维图像中的每个所述图像标记的轮廓数据，计算每个所述图像标记在所述二维图像中的面积，获取每个所述分片电极的位置信息。多个所述二维图像对应的投影面均垂直于所述患者的大脑的横断面，并且多个所述二维图像对应的投影面中的任意两个相互不平行。利用轮廓检测模型和多个所述二维图像，获取所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。对多个所述二维图像进行二值化处理，利用轮廓检测模型对二值化处理后的每个所述二维图像进行轮廓检测，以得到所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。基于所述电极导线在所述患者颅内的相对位置信息，获取每个所述分片电极在所述患者颅内的相对位置信息，继而获取分片电极的姿态信息（例如：三维坐标、旋转角度、旋转方向等）。通过利用图像标记的位置和面积信息，间接计算出分片电极的姿态信息，智能化程度高，结果准确度高。31.每个分片电极的位置信息与位姿信息可以编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得识别颅内电极导线上每个分片电极并且通过观察每个分片电极的位姿来进行直接电极刺激治疗。32.第二方面，本技术提供了一种图像识别装置，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记；所述装置包括处理器，所述处理器被配置成：获取所述患者的医学影像数据；基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。33.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：基于所述医学影像数据，重建所述患者的大脑的三维模型；利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。34.在一些可选的实施方式中，所述处理器还被配置成：获取所述三维模型的目标姿态信息；基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。35.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述三维模型的目标姿态信息：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。36.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。37.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取所述目标对象在每个所述二维图像中的轮廓数据：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。38.在一些可选的实施方式中，所述模型参数包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。39.在一些可选的实施方式中，所述医学影像数据包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种；所述图像标记包括多个特征角；或者，所述图像标记包括多个标记部，每个所述标记部设置于不同的分片电极上。40.在一些可选的实施方式中，所述处理器被进一步配置成采用以下方式获取每个所述分片电极的轮廓数据：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。41.在一些可选的实施方式中，所述处理器还被配置成：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。42.第三方面，本技术提供了一种图像识别系统，所述系统包括：上述任一项图像识别装置；显示设备，用于提供显示功能；交互设备，用于提供交互功能。43.第四方面，本技术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任一项方法的步骤或者实现上述任一项装置的功能。附图说明44.下面结合附图和实施方式对本技术进一步说明。45.图1示出了本技术提供的一种图像识别方法的流程示意图。46.图2示出了本技术提供的一种获取轮廓数据的流程示意图。47.图3示出了本技术提供的另一种图像识别方法的流程示意图。48.图4示出了本技术提供的另一种获取轮廓数据的流程示意图。49.图5示出了本技术提供的一种获取每个分片电极的轮廓数据的流程示意图。50.图6示出了本技术提供的一种图像识别装置的结构框图。51.图7示出了本技术提供的一种图像识别系统的结构示意图。52.图8示出了本技术提供的一种程序产品的结构示意图。具体实施方式53.下面将结合本技术的说明书附图以及具体实施方式，对本技术中的技术方案进行描述，需要说明的是，在不相冲突的前提下，以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。54.在本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b，a和c，b和c，a和b和c，其中a、b和c可以是单个，也可以是多个。值得注意的是，“至少一项(个)”还可以解释成“一项(个)或多项(个)”。55.还需说明的是，本技术中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。56.下面，首先对本技术的其中一个应用领域（即植入式器械）进行简单说明。57.植入式神经刺激系统（一种植入式医疗系统）主要包括植入患者体内的刺激器以及设置于患者体外的程控设备。现有的神经调控技术主要是通过立体定向手术在体内特定结构（即靶点）植入电极，并由植入患者体内的刺激器经电极向靶点发放电脉冲，调控相应神经结构和网络的电活动及其功能，从而改善症状、缓解病痛。其中，刺激器可以是植入式神经电刺激装置、植入式心脏电刺激系统(又称心脏起搏器)、植入式药物输注装置(implantabledrugdeliverysystem，简称idds)和导线转接装置中的任意一种。植入式神经电刺激装置例如是脑深部电刺激系统（deepbrainstimulation，简称dbs）、植入式脑皮层刺激系统（corticalnervestimulation，简称cns）、植入式脊髓电刺激系统（spinalcordstimulation，简称scs）、植入式骶神经电刺激系统（sacralnervestimulation，简称sns）、植入式迷走神经电刺激系统（vagusnervestimulation，简称vns）等。58.刺激器可以包括ipg、延伸导线和电极导线，ipg（implantablepulsegenerator，植入式脉冲发生器）设置于患者体内，依靠密封电池和电路向体内组织提供可控制的电刺激能量，通过植入的延伸导线和电极导线，为体内组织的特定区域递送一路或两路可控制的特定电刺激。延伸导线配合ipg使用，作为电刺激信号的传递媒体，将ipg产生的电刺激信号，传递给电极导线。电极导线通过多个电极触点，向体内组织的特定区域递送电刺激。刺激器设置有单侧或双侧的一路或多路电极导线，电极导线上设置有多个电极触点，电极触点可以均匀排列或者非均匀排列在电极导线的周向上。作为一个示例，电极触点可以以4行3列的阵列（共计12个电极触点）排列在电极导线的周向上。电极触点可以包括刺激电极触点和/或采集电极触点。电极触点例如可以采用片状、环状、点状等形状。59.在一些可能的实现方式中，受刺激的体内组织可以是患者的脑组织，受刺激的部位可以是脑组织的特定部位。当患者的疾病类型不同时，受刺激的部位一般来说是不同的，所使用的刺激触点（单源或多源）的数量、一路或多路（单通道或多通道）特定电刺激信号的运用以及刺激参数数据也是不同的。本技术对适用的疾病类型不做限定，其可以是脑深部刺激(dbs)、脊髓刺激(scs)、骨盆刺激、胃刺激、外周神经刺激、功能性电刺激所适用的疾病类型。其中，dbs可以用于治疗或管理的疾病类型包括但不限于：痉挛疾病(例如，癫痫)、疼痛、偏头痛、精神疾病(例如，重度抑郁症(mdd))、躁郁症、焦虑症、创伤后压力心理障碍症、轻郁症、强迫症(ocd)、行为障碍、情绪障碍、记忆障碍、心理状态障碍、移动障碍(例如，特发性震颤或帕金森氏病)、亨廷顿病、阿尔茨海默症、药物成瘾症、自闭症或其他神经学或精神科疾病和损害。当dbs用于治疗药物成瘾症患者时，可以帮助吸毒人员戒毒，提升他们的幸福感和生命质量。60.本技术中，程控设备和刺激器建立程控连接时，可以利用程控设备调整刺激器的刺激参数（不同的刺激参数所对应的电刺激信号不同），也可以通过刺激器感测患者脑深部的生物电活动以采集得到电生理信号，并可以通过所采集到的电生理信号来继续调节刺激器的电刺激信号的刺激参数。61.程控设备可以是医生程控器（即医生使用的程控设备）或者患者程控器（即患者使用的程控设备）。程控设备例如可以是平板电脑、笔记本电脑、台式计算机、手机等智能终端设备。62.本技术对医生程控器和刺激器的数据交互不进行限制，当医生远程程控（此时医生在医院，患者在家中）时，医生程控器可以通过服务器、患者程控器与刺激器进行数据交互。当医生线下和患者面对面进行程控时，医生程控器可以通过患者程控器与刺激器进行数据交互，医生程控器还可以直接与刺激器进行数据交互。63.患者程控器可以包括（与服务器通信的）主机和（与刺激器通信的）子机，主机和子机可通信的连接。其中，医生程控器可以通过3g/4g/5g网络与服务器进行数据交互，服务器可以通过3g/4g/5g网络与主机进行数据交互，主机可以通过蓝牙协议/wifi协议/usb协议与子机进行数据交互，子机可以通过401mhz-406mhz工作频段/2.4ghz-2.48ghz工作频段与刺激器进行数据交互，医生程控器可以通过401mhz-406mhz工作频段/2.4ghz-2.48ghz工作频段与刺激器直接进行数据交互。64.除了上述植入式器械的应用领域，本技术还可以应用于其他医疗器械甚至非医疗器械的
技术领域：
：，本技术不对此设限，只要涉及图像识别的场合均可应用。65.方法实施方式参见图1，图1示出了本技术提供的一种图像识别方法的流程示意图。66.本技术提供了一种图像识别方法，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记，所述方法包括：步骤s101：获取所述患者的医学影像数据；步骤s102：基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；步骤s103：基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；步骤s104：基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；步骤s105：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。67.由此，首先获取患者的医学影像数据（例如可以包括ct数据、mr数据等），获取患者颅内各分片电极的识别结果（便于医生根据分片电极的标识信息进行精准的电刺激治疗）。68.具体而言，从所述医学影像数据中获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，再获取电极导线的位置信息和姿态信息和所述图像标记的位置信息，从而分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。69.例如可以自动获取颅内电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据，最终将个体化颅内电极导线轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得看到颅内电极导线轮廓、所述图像标记的轮廓以及多个所述分片电极的轮廓。70.由于自动获取各分片电极的识别结果，医生无需再对照影像进行人为判断，节省了医生就诊时分析影像再进行判断的时间，减少了人为判断带来的误判风险；提高了判断准确率，节约了人工判断耗时；同时使得患者在就诊时无需再随身携带医学影像，给患者就诊带来了便利，也使得在远程视频问诊时，医生能够随时在显示设备上直观的看到分片电极在脑内的位姿，更便于远程程控的进行，解决了无法获得科学严谨的数据的问题，能够精准定位分片电极在患者颅内的相对位置并计算出分片电极的位姿变化，从而实现精准的电刺激治疗。71.本技术对患者颅内的电极导线数量不作限定，其例如可以是1个、2个、3个、4个、6个、8个等。72.本技术对电极导线的植入位置不作限定，其例如可以全部分布在患者的左半脑、右半脑，或者，可以分别分布于患者的左半脑和右半脑。73.本技术对电极导线上的分片电极数量不作限定，其例如可以是4个、8个、12个、24个等。74.本技术对电极导线上的分片电极的排布方式不作限定，其例如可以采用均匀排列的方式排列为矩阵状（多行、多列）、环状、菱形等，也可以采用非均匀排列的方式。75.本技术中的医学影像信息例如可以包括ct数据、mr数据、pet数据、x光数据、pet-ct数据、pet-mr数据等。相应的，所使用的数据采集设备例如可以是ct设备、mr设备、pet设备、x光设备、pet-ct设备、pet-mr设备等。其中，ct(computedtomography)即电子计算机断层扫描，mr（magneticresonance）即磁共振，pet（positronemissiontomography）即正电子发射断层扫描。76.本技术对轮廓数据不作限定，其例如可以是轮廓点的点云数据、轮廓线的定位数据、轮廓面（例如每个曲面可以看作是多个三角面片的组合）的定位数据等。77.本技术中，电极导线、图像标记、分片电极的位置信息例如可以采用中心点的三维坐标数据来表示，其中，电极导线的位置信息还可以采用直线方程来表示。电极导线、图像标记、分片电极的姿态信息可以采用三个姿态角来表示，即俯仰角、倾斜角、横滚角。78.本技术中，电极导线固定设置有分片电极与图像标记，因此，各分片电极与图像标记之间的相对位置关系是固定的，并且可以预先获取。79.基于图像标记与每个分片电极的相对位置关系，就能够对多个分片电极的轮廓数据进行划分，以得到每个分片电极的轮廓数据。80.参见图2，图2示出了本技术提供的一种获取轮廓数据的流程示意图。81.在一些可选的实施方式中，所述步骤s102可以包括：步骤s201：基于所述医学影像数据，重建所述患者的大脑的三维模型；步骤s202：利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。82.由此，利用医学影像数据重建患者大脑的三维模型，从而在三维模型中获取电极导线、图像标记和多个分片电极的轮廓数据，由于三维模型能够直接指示电极导线、图像标记和多个分片电极之间的空间位置关系，后续可以利用显示设备显示三维模型以及电极导线、图像标记和多个分片电极，可视化效果佳，便于医生直观地了解到每个分片电极所处的空间位置，从而精准选择用于释放电刺激能量的分片电极。83.在一些可选的实施方式中，所述步骤s201可以包括：解析dicom格式的医学影像数据的数据文件，从中提取大脑的冠状面、矢状面、横断面三个方向的像素分辨率，把横断面方向上的层数和灰度图像数据组合成为raw-data格式的数据；根据raw-data格式的数据，沿着横断面方向，把每一层的数据映射成二维纹理图像，使用灰度值作为二维纹理图像的rgba值，从而把每一层的二维纹理图像绘制出来；使用对应层的二维纹理图像进行贴图，从而形成三维的个体颅脑模型（即三维模型）。84.由此，利用面绘制的方法建立个体颅脑模型时，通过对dicom格式的数据文件进行解析，提取脑灰质、脑白质以及电极导线的外表面，还可以提取表皮、骨骼等结构，然后再使用三角面对提取的表面进行三维渲染，以得到三维模型。85.本技术可以利用面绘制算法进行建模，面绘制算法是基于构建物体表面的方式进行三维建模的方法，利用面绘制算法提取医学图像的灰度等值面，重建物体表面，并利用mc（marchingcubes）算法，将一系列二维切片数据看作是一个三维的数据场，通过提取三维数据的等值面，构建出三维模型的表面网格，进而构建出三维模型。86.能够针对不同的医学图像灰度值（即医学图像的阈值）判断得到相应的输出数据（即灰度等值面信息），适用范围广，算法精确度高。87.利用轮廓检测设备（例如是ct设备、mr设备、pet设备、x光设备、pet-ct设备、pet-mr设备等），采用非接触式的视觉检测方式所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据（例如是ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据等），能够解决无法使用接触式测量方法获取植入患者颅内的所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据的问题。88.轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即医学图像的医学影像数据）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），适用范围广，智能化水平高。89.本技术还可以利用体绘制算法进行建模，体绘制可以提供最接近人眼视觉的绘制效果，并利用光线投射算法（ray-casting），从所述医学图像的每个像素都沿着视线方向发出一条射线，此射线穿过体数据集，按一定步长进行采样，计算出每个采样点的灰度值和不透明度，然后由前向后或由后向前逐点计算累计的灰度值和不透明度值。体绘制算法有利于保留所述医学图像的细节，适用于绘制区域特征模糊、与体素特征相关性高的三维模型，体绘制是将三维空间的离散数据直接转换为立体模型，并考虑每一个体素对光线的透射、发射和反射作用。因此体绘制能够更好的展示三维模型的空间体细节。90.在另一些可选的实施方式中，所述步骤s102可以包括：对所述医学影像数据进行三维轮廓检测，以得到所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。91.在一些可选的实施方式中，本技术可以利用预设的深度学习网络训练得到三维轮廓分割模型，利用三维轮廓分割模型对医学影像数据进行三维轮廓检测、分割，以得到上述轮廓数据。本技术对三维轮廓分割模型的训练过程不作限定，其例如可以采用监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。92.在另一些可选的实施方式中，本技术可以采用其他三维轮廓检测方法，例如是专利《cn106898012a-ct图像胸腔轮廓自动化检测方法》中的轮廓检测方法。93.参见图3，图3示出了本技术提供的另一种图像识别方法的流程示意图。94.在一些可选的实施方式中，所述方法还可以包括：步骤s106：获取所述三维模型的目标姿态信息；步骤s107：基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；步骤s108：利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。95.由此，利用显示设备（例如是手机、平板电脑、笔记本电脑、台式计算机、投影仪、显示器等），采用非接触式的显示方式显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息（例如是中文、字母、数字、符号、形状、颜色中的一种或多种，来指示分片电极在电极导线上或者在患者颅内的位置信息、方向信息、数量信息等），能够通过显示图像和标记图像的方式直观获取分片电极的标识信息，显示效率高，智能化水平高。96.本技术中，上述目标姿态信息可以采用三个姿态角来表示。97.本技术对显示标识信息的分片电极数量不作限定，例如可以显示露出部分大于预设占比的分片电极的标识信息。通常，当采用周向上同一行设置3个、4个乃至更多个分片电极的方式时，仅显示其中一个或两个分片电极的标识信息（因为其余分片电极的大部分并未露出）。98.在一些可选的实施方式中，所述步骤s106可以包括：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。99.由此，利用交互设备（例如鼠标、触控板、触控笔等），采用接触式拖动、旋转和缩放的方式改变所述三维模型的角度和方向以获得所述三维模型不同位置的目标姿态信息，通过720°全方位获取目标姿态信息的方式提高人机交互的效率，并采用接触式拖动、旋转和点击的方式进行截图或投影操作，生成所述目标姿态信息对应的目标二维图像，获取信息更加全面，显示灵活度高，节省时间成本。100.本技术对交互设备不作限定，其例如可以是手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备或者是具有鼠标、触控板、触控笔的智能终端设备，或者，交互设备可以是工作站或者控制台。101.本技术对利用交互设备接收各种（人工）操作的方式不作限定。按照输入方式划分操作，例如可以包括文本输入操作、音频输入操作、视频输入操作、按键操作、鼠标操作、键盘操作、智能触控笔操作等。102.参见图4，图4示出了本技术提供的另一种获取轮廓数据的流程示意图。103.在一些可选的实施方式中，所述步骤s102可以包括：步骤s301：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；步骤s302：从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；步骤s303：基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。104.由此，通过成像识别技术获取大脑的多个横断面（又称水平面，医学解剖学概念）的二维图像，通过轮廓检测技术获取大脑的多个横断面的二维图像中的轮廓数据，相比传统人工的对目标图像进行识别和数据获取，智能化程度高；例如可以将训练得到的成像识别模型、轮廓检测模应用到实际场景中获取所述目标对象的轮廓数据上，识别准确度高。105.其中，分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象是指，分别以电极导线作为目标对象、以图像标记作为目标对象、以多个分片电极作为目标对象，此处多个分片电极的轮廓数据是一并获得，用于后续获取单个分片电极的轮廓数据。106.在一些可选的实施方式中，所述步骤s302可以包括：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。107.由此，轮廓检测模型可以由大量的训练数据训练得到，能够针对不同的输入数据（即二维图像）预测得到相应的输出数据（即电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据），训练得到的轮廓测试模型具有较强的鲁棒性和较低的过拟合风险，计算过程简单，计算速度快，计算效率高，所消耗的计算资源少。108.通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的深度学习模型，通过该预设的深度学习模型的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能地逼近现实的关联关系，由此训练得到的轮廓检测模型，可以基于每个二维图像分别获取其中目标对象的轮廓数据，且计算结果准确性高、可靠性高。109.在实际应用中，利用深度学习模型进行轮廓检测，通过配置参数可以达到检测所有轮廓的目的，具体而言，每个轮廓可以被划分等级，如：最外围、第一内围和第二内围等，并分别配有当前轮廓的父轮廓和内嵌轮廓索引编号。110.可以检测所有轮廓，在轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点的信息。111.基于轮廓偏移参数还可将检测结果投影到原始图像的对应位置上。112.在一些可选的实施方式中，本技术可以采用上述训练过程训练得到轮廓检测模型，在另一些可选的实施方式中，本技术可以采用预先训练好的轮廓检测模型。113.本技术对标注数据的获取方式不作限定，例如可以采用人工标注的方式，也可以采用自动标注或者半自动标注的方式。114.本技术对轮廓检测模型的训练过程不作限定，其例如可以采用上述监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。115.本技术对预设的训练结束条件不作限定，其例如可以是训练次数达到预设次数（预设次数例如是1次、3次、10次、100次、1000次、10000次等），或者可以是训练集中的训练数据都完成一次或多次训练，或者可以是本次训练得到的总损失值不大于预设损失值。116.在一些可选的实施方式中，所述模型参数包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。117.由此，对轮廓检测模型的各种模型参数进行优化，以获得更好的模型效果。118.在一些可选的实施方式中，所述医学影像数据包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种。119.在一些可选的实施方式中，所述图像标记包括多个特征角；或者，所述图像标记包括多个标记部，每个所述标记部设置于不同的分片电极上。120.由此，由于图像标记（例如是圆形、矩形、三角形等）是直接设置在电极导线或者分片电极上的，经成像识别本身能够起到确定分片电极方位的作用，并可以通过对图像标记投影角度（特征角对应的投影角）、投影面积的计算进一步获得分片电极的位姿信息，可以用于选择执行刺激任务的分片电极。当图像标记的各标记部设置于分片电极上时，分片电极以外的区域不需要另外设置标记部，可以减少电极导线的制造成本和降低电极导线的制造难度。121.在另一些可选的实施方式中，所述图像标记包括一个特征角，只要能够识别各分片电极即可，本技术对图像标记中的特征角数量不作限定。122.除了特征角，图像标记还可以设置有圆角、倒角、弧线、折线等部分，其中，弧线可以是波浪形，折线可以是锯齿形等。123.参见图5，图5示出了本技术提供的一种获取每个分片电极的轮廓数据的流程示意图。124.在一些可选的实施方式中，所述步骤s105可以包括：步骤s401：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；步骤s402：基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。125.由此，利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的位置信息。126.在一些可选的实施方式中，所述方法还可以包括：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。127.由此，利用图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系可以对每个分片电极进行识别与定位，并计算每个分片电极的姿态信息。128.例如可以设定一个或多个图像标记在电极导线的周向上规则排列或不规则排列（即电极导线上可以设置有一个或多个图像标记），设定多个分片电极在所述电极导线的周向上成矩阵排列，每个所述分片电极的中心点的切面平行于所述电极导线的轴向，基于所述电极导线的位置信息，定位过所述电极导线的中心点的轴向直线，以得到所述轴向直线的定位数据，针对每个所述二维图像（即二维灰度图像），基于所述二维图像中的每个所述图像标记的轮廓数据，计算每个所述图像标记在所述二维图像中的面积，获取每个所述分片电极的位置信息。129.多个所述二维图像对应的投影面均垂直于所述患者的大脑的横断面，并且多个所述二维图像对应的投影面中的任意两个相互不平行。130.利用轮廓检测模型和多个所述二维图像，获取所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。131.对多个所述二维图像进行二值化处理，利用轮廓检测模型对二值化处理后的每个所述二维图像进行轮廓检测，以得到所述电极导线的轮廓数据和每个所述图像标记的轮廓数据。132.基于所述电极导线在所述患者颅内的相对位置信息，获取每个所述分片电极在所述患者颅内的相对位置信息，继而获取分片电极的姿态信息（例如：三维坐标、旋转角度、旋转方向等）。133.通过利用图像标记的位置和面积信息，间接计算出分片电极的姿态信息，智能化程度高，结果准确度高。134.每个分片电极的位置信息与位姿信息可以编程成可以在显示设备上直接显示的数据包格式，从而使得医生可以在显示设备上直观得识别颅内电极导线上每个分片电极并且通过观察每个分片电极的位姿来进行直接电极刺激治疗。135.装置实施方式本技术还提供了一种图像识别装置，用于识别植入于患者颅内的电极导线上的分片电极，所述电极导线的周向上设置有多个所述分片电极和图像标记；所述装置包括处理器，所述处理器被配置成：获取所述患者的医学影像数据；基于所述医学影像数据，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据；基于所述电极导线的轮廓数据，获取所述电极导线的位置信息和姿态信息；基于所述图像标记的轮廓数据，获取所述图像标记的位置信息；基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据，以得到每个所述分片电极的识别结果。136.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：基于所述医学影像数据，重建所述患者的大脑的三维模型；利用所述三维模型，获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据。137.在一些可选的实施方式中，所述处理器还可以被配置成：获取所述三维模型的目标姿态信息；基于所述医学影像数据和所述目标姿态信息，生成所述目标姿态信息对应的目标二维图像；利用显示设备显示所述目标二维图像并在所述目标二维图像上显示至少一个所述分片电极的标识信息。138.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述三维模型的目标姿态信息：利用交互设备接收针对所述三维模型的旋转操作，响应于所述旋转操作，确定所述三维模型的目标姿态信息。139.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述电极导线的轮廓数据、所述图像标记的轮廓数据以及多个所述分片电极的轮廓数据：分别以所述电极导线、所述图像标记以及多个所述分片电极作为目标对象，基于所述医学影像数据，生成所述患者的大脑的多个横断面的二维图像；从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；基于所述目标对象在多个所述二维图像中的轮廓数据，获取所述目标对象的轮廓数据。140.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取所述目标对象在每个所述二维图像中的轮廓数据：利用轮廓检测模型从每个所述二维图像中检测所述目标对象的轮廓，以得到所述目标对象在每个所述二维图像中的轮廓数据；其中，轮廓检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本图像以及所述样本图像对应的目标对象的轮廓数据的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本图像输入预设的深度学习模型，以得到所述样本图像对应的目标对象的轮廓数据的预测数据；基于所述样本图像对应的目标对象的轮廓数据的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述轮廓检测模型；如果否，则利用下一个所述训练数据继续训练所述轮廓检测模型。141.在一些可选的实施方式中，所述模型参数可以包括以下至少一种：轮廓像素坐标向量、轮廓颜色、轮廓线宽、线类型、拓扑结构参数、轮廓最大层级和轮廓偏移参数。142.在一些可选的实施方式中，所述医学影像数据可以包括ct数据、mr数据、pet数据、x光数据、pet-ct数据和pet-mr数据中的一种或多种；所述图像标记可以包括多个特征角；或者，所述图像标记可以包括多个标记部，每个所述标记部设置于不同的分片电极上。143.在一些可选的实施方式中，所述处理器可以被进一步配置成采用以下方式获取每个所述分片电极的轮廓数据：基于所述图像标记的位置信息以及所述图像标记与每个所述分片电极的相对位置关系，获取每个所述分片电极的位置信息；基于每个所述分片电极的位置信息，从多个所述分片电极的轮廓数据中分别获取每个所述分片电极的轮廓数据。144.在一些可选的实施方式中，所述处理器还可以被配置成：基于每个所述分片电极的轮廓数据，获取每个所述分片电极的姿态信息。145.参见图6，图6示出了本技术提供的一种图像识别装置200的结构框图。146.图像识别装置200例如可以包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。147.存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)211和/或高速缓存存储器212，还可以进一步包括只读存储器(rom)213。148.其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220实现上述任一项方法的步骤，其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。149.存储器210还可以包括具有至少一个程序模块215的实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例的每一个或某种组合中可能包括网络环境的实现。150.相应的，处理器220可以执行上述计算机程序，以及可以执行实用工具214。151.处理器220可以采用一个或多个应用专用集成电路（asic，applicationspecificintegratedcircuit）、dsp、可编程逻辑器件（pld，programmablelogicdevice）、复杂可编程逻辑器件（cpld，complexprogrammablelogicdevice）、现场可编程门阵列（fpga，field-programmablegatearray）或其他电子元件。152.总线230可以为表示几类总线结构的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。153.图像识别装置200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该图像识别装置200交互的设备通信，和/或与使得该图像识别装置200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且，图像识别装置200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与图像识别装置200的其它模块通信。应当明白，尽管图中未示出，可以结合图像识别装置200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。154.系统实施方式参见图7，图7示出了本技术提供的一种图像识别系统的结构示意图。155.本技术提供了一种图像识别系统，所述系统包括：上述任一项图像识别装置10；显示设备20，用于提供显示功能；交互设备30，用于提供交互功能。156.介质实施方式本技术还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任一项方法的步骤，其具体实现方式与上述方法的实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。157.参见图8，图8示出了本技术提供的一种程序产品的结构示意图。158.所述程序产品用于实现上述任一项方法。程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本技术中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。159.计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如java、c 等，还包括常规的过程式程序设计语言诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。160.本技术从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本技术以上的说明书及说明书附图，仅为本技术的较佳实施例而已，并非以此局限本技术，因此，凡一切与本技术构造，装置，特征等近似、雷同的，即凡依本技术专利申请范围所作的等同替换或修饰等，皆应属本技术的专利申请保护的范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
