本技術(shù)涉及人工智能，具體而言，涉及一種期相識別模型的生成方法和圖像的識別方法。

背景技術(shù)：

1、醫(yī)學(xué)圖像分析的深度學(xué)習(xí)算法在各種臨床任務(wù)中取得了顯著的成功，如篩查和診斷。通常需要大規(guī)模的成像數(shù)據(jù)來訓(xùn)練此類算法，以實(shí)現(xiàn)魯棒性性能。然而，來自不同來源的成像數(shù)據(jù)從各種掃描儀中獲得，掃描協(xié)議在不同的醫(yī)院和檢查部分有所不同。要結(jié)構(gòu)化這些異構(gòu)數(shù)據(jù)，數(shù)據(jù)管理是一個(gè)關(guān)鍵的步驟，這是費(fèi)時(shí)費(fèi)力的。

2、對比增強(qiáng)計(jì)算機(jī)斷層掃描（multi-phase?contrast-enhanced?computedtomography，?ct）是臨床診斷的典型成像方式，靜脈注射后，造影劑通過循環(huán)系統(tǒng)增強(qiáng)特定的器官、血管或組織。其中，ct數(shù)據(jù)清洗中比較重要的就是期相的區(qū)分，現(xiàn)有技術(shù)中往往是通過醫(yī)護(hù)人員在書寫報(bào)告時(shí)，對ct的期相進(jìn)行識別和標(biāo)識，這種方式的缺點(diǎn)是無法大批量自動(dòng)的實(shí)現(xiàn)期相的區(qū)分，且可能存在人為失誤導(dǎo)致標(biāo)記錯(cuò)誤等。

3、針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例提供了一種期相識別模型的生成方法和圖像的識別方法，以至少解決相關(guān)技術(shù)中通過人工的方式對ct的期相進(jìn)行識別，導(dǎo)致對ct的期相識別的效率比較低的技術(shù)問題。

2、根據(jù)本技術(shù)實(shí)施例的一個(gè)方面，提供了一種期相識別模型的生成方法，包括：獲取多個(gè)樣本ct圖像組，其中，所述樣本ct圖像組中的樣本ct圖像對應(yīng)的期相相同，所述多個(gè)樣本ct圖像組之間對應(yīng)的期相不相同；獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一目標(biāo)關(guān)鍵點(diǎn)的第一位置信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一嵌入特征信息，其中，所述第一目標(biāo)關(guān)鍵點(diǎn)為與所述期相相關(guān)的關(guān)鍵點(diǎn)；依據(jù)所述多個(gè)樣本ct圖像組、所述第一位置信息、所述第一嵌入特征信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的真實(shí)期相對初始期相識別模型進(jìn)行訓(xùn)練，生成目標(biāo)期相識別模型，其中，所述目標(biāo)期相識別模型用于識別ct圖像對應(yīng)的期相。

3、進(jìn)一步地，獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一目標(biāo)關(guān)鍵點(diǎn)的第一位置信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一嵌入特征信息包括：獲取多個(gè)關(guān)鍵點(diǎn)的模板嵌入特征信息；通過特征提取模型對所述多個(gè)樣本ct圖像組中的樣本ct圖像組的像素點(diǎn)進(jìn)行特征提取，得到所述第一嵌入特征信息；依據(jù)所述模板嵌入特征信息和所述第一嵌入特征信息，確定所述第一位置信息。

4、進(jìn)一步地，獲取多個(gè)關(guān)鍵點(diǎn)的模板嵌入特征信息包括：對第一目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行標(biāo)注，得到第二目標(biāo)ct圖像組；通過所述特征提取模型對所述第二目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行全局嵌入特征提取，得到全局嵌入特征；通過所述特征提取模型對所述第二目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行本地嵌入特征提取，得到本地嵌入特征；通過所述特征提取模型對所述第二目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行語義嵌入特征進(jìn)行提取，得到語義嵌入特征；依據(jù)所述全局嵌入特征，所述本地嵌入特征和所述語義嵌入特征，得到所述模板嵌入特征信息。

5、進(jìn)一步地，依據(jù)所述模板嵌入特征信息和所述第一嵌入特征信息，確定所述第一位置信息包括：對所述模板嵌入特征信息和所述第一嵌入特征信息進(jìn)行相似度計(jì)算，得到目標(biāo)相似度；依據(jù)所述目標(biāo)相似度，對所述多個(gè)樣本ct圖像組中的樣本ct圖像組的像素點(diǎn)進(jìn)行篩選，得到第一像素點(diǎn)；依據(jù)預(yù)設(shè)的相似度閾值對所述第一像素點(diǎn)進(jìn)行篩選，得到第二像素點(diǎn)；依據(jù)所述第二像素點(diǎn)，確定所述第一位置信息。

6、進(jìn)一步地，對所述模板嵌入特征信息和所述第一嵌入特征信息進(jìn)行相似度計(jì)算，得到目標(biāo)相似度包括：對所述模板嵌入特征信息中的全局嵌入特征和所述第一嵌入特征信息中的全局嵌入特征進(jìn)行相似度計(jì)算，得到第一相似度；對所述模板嵌入特征信息中的本地嵌入特征和所述第一嵌入特征信息中的本地嵌入特征進(jìn)行相似度計(jì)算，得到第二相似度；對所述模板嵌入特征信息中的語義嵌入特征和所述第一嵌入特征信息中的語義嵌入特征進(jìn)行相似度計(jì)算，得到第三相似度；依據(jù)所述第一相似度，所述第二相似度和所述第三相似度，得到所述目標(biāo)相似度。

7、進(jìn)一步地，依據(jù)所述多個(gè)樣本ct圖像組、所述第一位置信息、所述第一嵌入特征信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的真實(shí)期相對初始期相識別模型進(jìn)行訓(xùn)練，得到目標(biāo)期相識別模型包括：通過所述初始期相識別模型對所述多個(gè)樣本ct圖像組中的樣本ct圖像組、所述第一位置信息和所述第一嵌入特征信息進(jìn)行特征提取，得到第一目標(biāo)特征向量；通過所述初始期相識別模型基于第一目標(biāo)特征向量進(jìn)行分類預(yù)測，得到預(yù)測期相；依據(jù)所述預(yù)測期相，所述真實(shí)期相和所述第一目標(biāo)特征向量，確定目標(biāo)損失函數(shù)；依據(jù)所述目標(biāo)損失函數(shù)對所述初始期相識別模型進(jìn)行訓(xùn)練，得到所述目標(biāo)期相識別模型。

8、進(jìn)一步地，通過所述初始期相識別模型對所述多個(gè)樣本ct圖像組中的樣本ct圖像組、所述第一位置信息和所述第一嵌入特征信息進(jìn)行特征提取，得到第一目標(biāo)特征向量包括：對于所述多個(gè)樣本ct圖像組中的目標(biāo)樣本ct圖像組，通過所述初始期相識別模型中的自注意力機(jī)制對所述目標(biāo)樣本ct圖像組、所述第一位置信息和所述第一嵌入特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息，其中，所述目標(biāo)樣本ct圖像組為所述多個(gè)樣本ct圖像組的任意一組樣本ct圖像組；獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一特征信息；通過所述初始期相識別模型中的跨注意力層對所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第二特征信息；通過所述初始期相識別模型中的池化層對所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息和所述目標(biāo)樣本ct圖像組對應(yīng)的第二特征信息進(jìn)行處理，得到所述第一目標(biāo)特征向量。

9、進(jìn)一步地，通過所述初始期相識別模型中的自注意力機(jī)制對所述目標(biāo)樣本ct圖像組、所述第一位置信息和所述第一嵌入特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息包括：對所述第一位置信息進(jìn)行隨機(jī)采樣和遮擋處理，得到第二位置信息；對于所述第二位置信息中的目標(biāo)位置信息，以所述目標(biāo)位置信息為中心從所述目標(biāo)樣本ct圖像組中得到所述目標(biāo)位置信息對應(yīng)的平均hu值，其中，所述目標(biāo)位置信息為所述第二位置信息中的任意一個(gè)位置信息；對所述平均hu值和所述第一嵌入特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息。

10、進(jìn)一步地，依據(jù)所述預(yù)測期相，所述真實(shí)期相和所述第一目標(biāo)特征向量，確定目標(biāo)損失函數(shù)包括：依據(jù)所述預(yù)測期相和所述真實(shí)期相進(jìn)行計(jì)算，得到分類損失函數(shù)；對于所述多個(gè)樣本ct圖像組中的目標(biāo)樣本ct圖像組，獲取所述目標(biāo)樣本ct圖像組在所述多個(gè)樣本ct圖像組中的次序信息，其中，目標(biāo)樣本ct圖像組為所述多個(gè)樣本ct圖像組的任意一組樣本ct圖像組；依據(jù)所述次序信息和所述第一目標(biāo)特征向量進(jìn)行計(jì)算，得到對比損失函數(shù)；依據(jù)所述分類損失函數(shù)和所述對比損失函數(shù)，確定所述目標(biāo)損失函數(shù)。

11、進(jìn)一步地，依據(jù)所述次序信息和所述第一目標(biāo)特征向量進(jìn)行計(jì)算，得到對比損失函數(shù)包括：獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組的初始順序向量；依據(jù)所述次序信息和所述初始順序向量進(jìn)行計(jì)算，得到所述目標(biāo)樣本ct圖像組的目標(biāo)順序向量；對所述目標(biāo)順序向量進(jìn)行編碼處理，得到編碼順序向量；依據(jù)所述編碼順序向量和所述第一目標(biāo)特征向量進(jìn)行計(jì)算，得到所述對比損失函數(shù)。

12、根據(jù)本技術(shù)實(shí)施例的另一方面，還提供了一種圖像的識別方法，包括：獲取待識別的ct圖像組；獲取所述ct圖像組對應(yīng)的第二目標(biāo)關(guān)鍵點(diǎn)的第三位置信息和所述ct圖像組對應(yīng)的第二嵌入特征信息；通過上述任意一項(xiàng)所述的目標(biāo)期相識別模型基于所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行識別，得到所述ct圖像組對應(yīng)的目標(biāo)期相。

13、進(jìn)一步地，通過目標(biāo)期相識別模型基于所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行識別，得到所述ct圖像組對應(yīng)的目標(biāo)期相包括：通過所述目標(biāo)期相識別模型對所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行特征提取，得到第三特征向量；通過所述目標(biāo)期相識別模型中的池化層對所述ct圖像組對應(yīng)的第三特征信息進(jìn)行處理，得到第二目標(biāo)特征向量；通過所述目標(biāo)期相識別模型中的輸出層基于所述第二目標(biāo)特征向量進(jìn)行識別，得到所述目標(biāo)期相。

14、根據(jù)本技術(shù)實(shí)施例的另一方面，還提供了一種圖像的識別方法，該方法包括：通過所述目標(biāo)期相識別模型對所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行特征提取，得到第三特征向量；通過所述目標(biāo)期相識別模型中的池化層對所述ct圖像組對應(yīng)的第三特征信息進(jìn)行處理，得到第二目標(biāo)特征向量；通過所述目標(biāo)期相識別模型中的輸出層基于所述第二目標(biāo)特征向量進(jìn)行識別，得到所述目標(biāo)期相；在云端服務(wù)器中獲取所述ct圖像組對應(yīng)的第二目標(biāo)關(guān)鍵點(diǎn)的第三位置信息和所述ct圖像組對應(yīng)的第二嵌入特征信息；通過目標(biāo)期相識別模型基于所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行識別，得到所述ct圖像組對應(yīng)的目標(biāo)期相；將所述ct圖像組對應(yīng)的目標(biāo)期相返回至所述客戶端。

15、根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種ct圖像識別系統(tǒng)，包括圖像采集模塊，用于獲取待識別的ct圖像組；特征提取模塊，用于獲取所述ct圖像組對應(yīng)的第二目標(biāo)關(guān)鍵點(diǎn)的第三位置信息和所述ct圖像組對應(yīng)的第二嵌入特征信息，目標(biāo)期相識別模型，用于基于所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行識別，得到所述ct圖像組對應(yīng)的目標(biāo)期相；結(jié)果輸出模塊，用于展示所述ct圖像組對應(yīng)的目標(biāo)期相。

16、根據(jù)本技術(shù)實(shí)施例的另一方面，還提供了一種期相識別模型的生成裝置，包括：第一獲取單元，用于獲取多個(gè)樣本ct圖像組，其中，所述樣本ct圖像組中的樣本ct圖像對應(yīng)的期相相同，所述多個(gè)樣本ct圖像組之間對應(yīng)的期相不相同；第二獲取單元，用于獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一目標(biāo)關(guān)鍵點(diǎn)的第一位置信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一嵌入特征信息，其中，所述第一目標(biāo)關(guān)鍵點(diǎn)為與所述期相相關(guān)的關(guān)鍵點(diǎn)；生成單元，用于依據(jù)所述多個(gè)樣本ct圖像組、所述第一位置信息、所述第一嵌入特征信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的真實(shí)期相對初始期相識別模型進(jìn)行訓(xùn)練，生成目標(biāo)期相識別模型，其中，所述目標(biāo)期相識別模型用于識別ct圖像對應(yīng)的期相。

17、進(jìn)一步地，第二獲取單元包括：獲取子單元，用于獲取多個(gè)關(guān)鍵點(diǎn)的模板嵌入特征信息；第一提取子單元，用于通過特征提取模型對所述多個(gè)樣本ct圖像組中的樣本ct圖像組的像素點(diǎn)進(jìn)行特征提取，得到所述第一嵌入特征信息；第一確定子單元，用于依據(jù)所述模板嵌入特征信息和所述第一嵌入特征信息，確定所述第一位置信息。

18、進(jìn)一步地，獲取子單元包括：標(biāo)注模塊，用于對第一目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行標(biāo)注，得到第二目標(biāo)ct圖像組；第一提取模塊，用于通過所述特征提取模型對所述第二目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行全局嵌入特征提取，得到全局嵌入特征；第二提取模塊，用于通過所述特征提取模型對所述第二目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行本地嵌入特征提取，得到本地嵌入特征；第三提取模塊，用于通過所述特征提取模型對所述第二目標(biāo)ct圖像組中的關(guān)鍵點(diǎn)進(jìn)行語義嵌入特征進(jìn)行提取，得到語義嵌入特征；第一確定模塊，用于依據(jù)所述全局嵌入特征，所述本地嵌入特征和所述語義嵌入特征，得到所述模板嵌入特征信息。

19、進(jìn)一步地，確定子單元包括：第一計(jì)算模塊，用于對所述模板嵌入特征信息和所述第一嵌入特征信息進(jìn)行相似度計(jì)算，得到目標(biāo)相似度；第一篩選模塊，用于依據(jù)所述目標(biāo)相似度，對所述多個(gè)樣本ct圖像組中的樣本ct圖像組的像素點(diǎn)進(jìn)行篩選，得到第一像素點(diǎn)；第二篩選模塊，用于依據(jù)預(yù)設(shè)的相似度閾值對所述第一像素點(diǎn)進(jìn)行篩選，得到第二像素點(diǎn)；第二確定模塊，用于依據(jù)所述第二像素點(diǎn)，確定所述第一位置信息。

20、進(jìn)一步地，計(jì)算模塊包括：第一計(jì)算子模塊，用于對所述模板嵌入特征信息中的全局嵌入特征和所述第一嵌入特征信息中的全局嵌入特征進(jìn)行相似度計(jì)算，得到第一相似度；第二計(jì)算子模塊，用于對所述模板嵌入特征信息中的本地嵌入特征和所述第一嵌入特征信息中的本地嵌入特征進(jìn)行相似度計(jì)算，得到第二相似度；第三計(jì)算子模塊，用于對所述模板嵌入特征信息中的語義嵌入特征和所述第一嵌入特征信息中的語義嵌入特征進(jìn)行相似度計(jì)算，得到第三相似度；第一確定子模塊，用于依據(jù)所述第一相似度，所述第二相似度和所述第三相似度，得到所述目標(biāo)相似度。

21、進(jìn)一步地，生成單元包括：第二提取子單元，用于通過所述初始期相識別模型對所述多個(gè)樣本ct圖像組中的樣本ct圖像組、所述第一位置信息和所述第一嵌入特征信息進(jìn)行特征提取，得到第一目標(biāo)特征向量；預(yù)測子單元，用于通過所述初始期相識別模型基于第一目標(biāo)特征向量進(jìn)行分類預(yù)測，得到預(yù)測期相；第二確定子單元，用于依據(jù)所述預(yù)測期相，所述真實(shí)期相和所述第一目標(biāo)特征向量，確定目標(biāo)損失函數(shù)；訓(xùn)練子單元，用于依據(jù)所述目標(biāo)損失函數(shù)對所述初始期相識別模型進(jìn)行訓(xùn)練，得到所述目標(biāo)期相識別模型。

22、進(jìn)一步地，第二提取子單元包括：第四提取模塊，用于對于所述多個(gè)樣本ct圖像組中的目標(biāo)樣本ct圖像組，通過所述初始期相識別模型中的自注意力機(jī)制對所述目標(biāo)樣本ct圖像組、所述第一位置信息和所述第一嵌入特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息，其中，所述目標(biāo)樣本ct圖像組為所述多個(gè)樣本ct圖像組的任意一組樣本ct圖像組；第一獲取模塊，用于獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一特征信息；第五提取模塊，用于通過所述初始期相識別模型中的跨注意力層對所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息和所述多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第二特征信息；處理模塊，用于通過所述初始期相識別模型中的池化層對所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息和所述目標(biāo)樣本ct圖像組對應(yīng)的第二特征信息進(jìn)行處理，得到所述第一目標(biāo)特征向量。

23、進(jìn)一步地，第四提取模塊包括：處理子模塊，用于對所述第一位置信息進(jìn)行隨機(jī)采樣和遮擋處理，得到第二位置信息；第二確定子模塊，用于對于所述第二位置信息中的目標(biāo)位置信息，以所述目標(biāo)位置信息為中心從所述目標(biāo)樣本ct圖像組中得到所述目標(biāo)位置信息對應(yīng)的平均hu值，其中，所述目標(biāo)位置信息為所述第二位置信息中的任意一個(gè)位置信息；提取子模塊，用于對所述平均hu值和所述第一嵌入特征信息進(jìn)行特征提取，得到所述目標(biāo)樣本ct圖像組對應(yīng)的第一特征信息。

24、進(jìn)一步地，第二確定子單元包括：第二計(jì)算模塊，用于依據(jù)所述預(yù)測期相和所述真實(shí)期相進(jìn)行計(jì)算，得到分類損失函數(shù)；第二獲取模塊，用于對于所述多個(gè)樣本ct圖像組中的目標(biāo)樣本ct圖像組，獲取所述目標(biāo)樣本ct圖像組在所述多個(gè)樣本ct圖像組中的次序信息，其中，目標(biāo)樣本ct圖像組為所述多個(gè)樣本ct圖像組的任意一組樣本ct圖像組；第三計(jì)算模塊，用于依據(jù)所述次序信息和所述第一目標(biāo)特征向量進(jìn)行計(jì)算，得到對比損失函數(shù)；第三確定模塊，用于依據(jù)所述分類損失函數(shù)和所述對比損失函數(shù)，確定所述目標(biāo)損失函數(shù)。

25、進(jìn)一步地，第三計(jì)算模塊包括：獲取子模塊，用于獲取所述多個(gè)樣本ct圖像組中的樣本ct圖像組的初始順序向量；第四計(jì)算子模塊，用于依據(jù)所述次序信息和所述初始順序向量進(jìn)行計(jì)算，得到所述目標(biāo)樣本ct圖像組的目標(biāo)順序向量；編碼子模塊，用于對所述目標(biāo)順序向量進(jìn)行編碼處理，得到編碼順序向量；第五計(jì)算子模塊，用于依據(jù)所述編碼順序向量和所述第一目標(biāo)特征向量進(jìn)行計(jì)算，得到所述對比損失函數(shù)。

26、根據(jù)本技術(shù)實(shí)施例的另一方面，還提供了一種圖像的識別裝置，包括：第三獲取單元，用于獲取待識別的ct圖像組；第四獲取單元，用于獲取所述ct圖像組對應(yīng)的第二目標(biāo)關(guān)鍵點(diǎn)的第三位置信息和所述ct圖像組對應(yīng)的第二嵌入特征信息；識別單元，用于通過上述任意一項(xiàng)所述的目標(biāo)期相識別模型基于所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行識別，得到所述ct圖像組對應(yīng)的目標(biāo)期相。

27、進(jìn)一步地，識別單元包括：第三提取子單元，用于通過所述目標(biāo)期相識別模型對所述ct圖像組，所述第三位置信息和所述第二嵌入特征信息進(jìn)行特征提取，得到第三特征向量；處理子單元，用于通過所述目標(biāo)期相識別模型中的池化層對所述ct圖像組對應(yīng)的第三特征信息進(jìn)行處理，得到第二目標(biāo)特征向量；識別子單元，用于通過所述目標(biāo)期相識別模型中的輸出層基于所述第二目標(biāo)特征向量進(jìn)行識別，得到所述目標(biāo)期相。

28、根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種電子設(shè)備，包括存儲器，存儲有可執(zhí)行程序；處理器，用于運(yùn)行所述程序，其中，所述程序運(yùn)行時(shí)執(zhí)行上述任意一項(xiàng)所述的期相識別模型的生成方法，或圖像的識別方法。

29、根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括存儲的計(jì)算機(jī)程序，在所述計(jì)算機(jī)程序由處理器運(yùn)行時(shí)，實(shí)現(xiàn)上述任意一項(xiàng)中任意一項(xiàng)所述的期相識別模型的生成方法，或圖像的識別方法。

30、在本技術(shù)實(shí)施例中，采用以下步驟：獲取多個(gè)樣本ct圖像組，其中，樣本ct圖像組中的樣本ct圖像對應(yīng)的期相相同，多個(gè)樣本ct圖像組之間對應(yīng)的期相不相同；獲取多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一目標(biāo)關(guān)鍵點(diǎn)的第一位置信息和多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的第一嵌入特征信息，其中，第一目標(biāo)關(guān)鍵點(diǎn)為與期相相關(guān)的關(guān)鍵點(diǎn)；依據(jù)多個(gè)樣本ct圖像組、第一位置信息、第一嵌入特征信息和多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的真實(shí)期相對初始期相識別模型進(jìn)行訓(xùn)練，生成目標(biāo)期相識別模型，其中，目標(biāo)期相識別模型用于識別ct圖像對應(yīng)的期相，解決了相關(guān)技術(shù)中通過人工的方式對ct的期相進(jìn)行識別，導(dǎo)致對ct的期相識別的效率比較低的技術(shù)問題。

31、在本方案中，獲取由多個(gè)期相的樣本ct圖像組成的樣本ct圖像組，并獲取樣本ct圖像對應(yīng)的第一目標(biāo)關(guān)鍵點(diǎn)的第一位置信息以及第一嵌入特征信息，然后，通過多個(gè)樣本ct圖像組、第一位置信息、第一嵌入特征信息和多個(gè)樣本ct圖像組中的樣本ct圖像組對應(yīng)的真實(shí)期相對初始期相識別模型進(jìn)行訓(xùn)練，生成目標(biāo)期相識別模型，通過第一目標(biāo)關(guān)鍵點(diǎn)的位置信息能夠使目標(biāo)期相識別模型能夠快速關(guān)注和學(xué)習(xí)到與期相相關(guān)的信息，使得目標(biāo)期相識別模型能夠?qū)t圖像的期相進(jìn)行準(zhǔn)確識別，避免采用人工的方式來實(shí)現(xiàn)期相識別，進(jìn)而達(dá)到提高對ct圖像的期相識別的準(zhǔn)確性和識別效率的效果。