CN108171714B - 一种基于成对比较的骨折区域识别方法和系统 - Google Patents
一种基于成对比较的骨折区域识别方法和系统 Download PDFInfo
- Publication number
- CN108171714B CN108171714B CN201711111050.7A CN201711111050A CN108171714B CN 108171714 B CN108171714 B CN 108171714B CN 201711111050 A CN201711111050 A CN 201711111050A CN 108171714 B CN108171714 B CN 108171714B
- Authority
- CN
- China
- Prior art keywords
- fracture
- sub
- regions
- target
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于成对比较的骨折区域识别方法和系统,包括:获取训练X光图;将训练X光图分割为n个骨骼子区域;将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络;获取目标X光图;将目标X光图分割为n个目标骨骼子区域;通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域。
Description
技术领域
本发明涉及计算机辅助医学诊断技术领域,尤其涉及一种基于成对比较的骨折区域识别方法和系统。
背景技术
机辅助医学诊断,即计算机辅助检测是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病灶,提高诊断的准确率。
近年来,随着计算机技术的高速发展,CAD技术在一些医疗发达国家的相应领域取得了较快的发展,特别是在涉及医学影像学的领域。实践证明,CAD在提高诊断准确率、减少漏诊、提高工作效率等方面起到了极大的积极促进作用。目前,CAD研究大多局限在乳腺和胸部肺节节性病变,在CT虚拟结肠内镜(CTC)、肝脏疾病CT诊断、脑肿瘤MRI诊断等的CAD研究仍很少,而且较不成熟。传统方法是用几何方法提取病变特征,然后用决策树、神经元网络(ANN)、Bayes网络、规则提取等方法对病变进行分类处理。传统方法辅助骨折诊断是先用小波变换等算法进行骨骼分割,然后用SVM等分类算法进行骨折分类。这个方法的适用性低,只是针对某块骨骼(比如手部)的某区域骨折类别的判断,不能快速的减轻医生负担。随着卷积神经网络的发展,可以用区域卷积神经网络(faster-RCNN)对骨骼进行分割和识别,然后通过成对比较网络判断该区域是否骨折。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于成对比较的骨折区域识别方法和系统;
本发明提出的一种基于成对比较的骨折区域识别方法,包括:
S1、获取训练X光图;
S2、将训练X光图分割为n个骨骼子区域;
S3、将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络;
S4、获取目标X光图;
S5、将目标X光图分割为n个目标骨骼子区域;
S6、通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域。
优选地,步骤S2,具体包括:通过RCNN对训练X光图进行识别,将训练X光图分割为n个骨骼子区域。
优选地,步骤S3,具体包括:
将n个骨骼子区域进行骨折子区域与非骨折子区域分类;
将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本;
根据训练样本进行训练得到成对比较网络,所述比较网络中包含骨折代表元和非骨折代表元。
优选地,步骤S6,具体包括:通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn,通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,其中1≤i≤n。
优选地,步骤S5,具体包括:通过RCNN对目标X光图进行识别,将目标X光图分割为n个目标骨骼子区域。
一种基于成对比较的骨折区域识别系统,包括:
第一获取模块,用于获取训练X光图;
第一分割模块,用于将训练X光图分割为n个骨骼子区域;
比较网络构造模块,用于将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络;
第二获取模块,用于获取目标X光图;
第二分割模块,用于将目标X光图分割为n个目标骨骼子区域;
骨折比对识别模块,用于通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域。
优选地,所述第一分割模块,具体用于:通过RCNN对训练X光图进行识别,将训练X光图分割为n个骨骼子区域。
优选地,所述比较网络构造模块,具体用于:
将n个骨骼子区域进行骨折子区域与非骨折子区域分类;
将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本;
根据训练样本进行训练得到成对比较网络,所述比较网络中包含骨折代表元和非骨折代表元。
优选地,所述骨折比对识别模块,具体用于:
通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn,通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,其中1≤i≤n。
优选地,所述第二分割模块,具体用于:通过RCNN对目标X光图进行识别,将目标X光图分割为n个目标骨骼子区域。
本发明通过获取训练X光图,将训练X光图分割为n个骨骼子区域,将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络,获取目标X光图,将目标X光图分割为n个目标骨骼子区域,通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域,如此,对于一张X光图能标记出骨折的可能性区域,通过区域卷积神经网络RCNN对骨骼进行识别和分割,然后通过成对比较网络判断该区域是否骨折,通过医生的复查找出确切骨折区域,快速的减轻骨科医生的负担。
附图说明
图1为本发明提出的一种基于成对比较的骨折区域识别方法的流程示意图;
图2为本发明提出的一种基于成对比较的骨折区域识别系统的模块示意图。
具体实施方式
参照图1,本发明提出的一种基于成对比较的骨折区域识别方法,包括:
步骤S1,获取训练X光图。
步骤S2,将训练X光图分割为n个骨骼子区域,具体包括:通过RCNN对训练X光图进行识别,将训练X光图分割为n个骨骼子区域。
在具体方案中,经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用,即可用于骨骼子区域的识别,所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域,之后仅在这些候选区域上采用CNN提取特征,进行物体判断。
步骤S3,将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络,具体包括:将n个骨骼子区域进行骨折子区域与非骨折子区域分类;将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本;根据训练样本进行训练得到成对比较网络。
在具体方案中,将n个骨骼子区域分为多个骨折子区域和多个非骨折子区域,然后将多个骨折子区域之间进行互相组队,即骨折子区域-骨折子区域组对,将多个非骨折子区域之间进行互相组队,即非骨折子区域-非骨折子区域组对,将多个骨折子区域与多个非骨折子区域分别进行组队,即骨折子区域-非骨折子区域组对从而构造样本,再通过大量训练样本进行训练得到成对比较网络,所述比较网络中包含骨折代表元和非骨折代表元。
步骤S4,获取目标X光图。
步骤S5,将目标X光图分割为n个目标骨骼子区域,具体包括:通过RCNN对目标X光图进行识别,将目标X光图分割为n个目标骨骼子区域。
在具体方案中,经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用,即可用于骨骼子区域的识别,所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域,之后仅在这些候选区域上采用CNN提取特征,进行物体判断。
步骤S6,通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域,具体包括:通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn,通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,其中1≤i≤n。
在具体方案中,通过对比较网络分别对n个目标骨骼子区域进行比对,比较n个目标骨骼子区域与对应部位的骨折代表元的相似性,得到分数骨折代表元的相似性分数向量A1、A1…An,比较n个目标骨骼子区域与对应部位的非骨折代表元的相似性,得到分数骨折代表元的相似性分数向量B1、B1…Bn,再通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,进一步的,根据所述骨折子区域得到目标X光图中骨折区域。
参照图2,本发明提出的一种基于成对比较的骨折区域识别系统,包括:
第一获取模块,用于获取训练X光图。
第一分割模块,用于将训练X光图分割为n个骨骼子区域,具体用于:通过RCNN对训练X光图进行识别,将训练X光图分割为n个骨骼子区域。
在具体方案中,经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用,即可用于骨骼子区域的识别,所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域,之后仅在这些候选区域上采用CNN提取特征,进行物体判断。
比较网络构造模块,用于将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络,具体用于:将n个骨骼子区域进行骨折子区域与非骨折子区域分类;将分类后的n个骨骼子区域骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本;根据训练样本进行训练得到成对比较网络。
在具体方案中,将n个骨骼子区域分为多个骨折子区域和多个非骨折子区域,然后将多个骨折子区域之间进行互相组队,即骨折子区域-骨折子区域组对,将多个非骨折子区域之间进行互相组队,即非骨折子区域-非骨折子区域组对,将多个骨折子区域与多个非骨折子区域分别进行组队,即骨折子区域-非骨折子区域组对从而构造样本,再通过大量训练样本进行训练得到成对比较网络,所述比较网络中包含骨折代表元和非骨折代表元。
第二获取模块,用于获取目标X光图。
第二分割模块,用于将目标X光图分割为n个目标骨骼子区域,具体用于:通过RCNN对目标X光图进行识别,将目标X光图分割为n个目标骨骼子区域。
在具体方案中,经过实验和调研发现区域卷积网络(RCNN)有很好的物体定位和识别作用,即可用于骨骼子区域的识别,所谓的RCNN指的是采用Selective Search方法预先提取一系列较可能是物体的候选区域,之后仅在这些候选区域上采用CNN提取特征,进行物体判断。
骨折比对识别模块,用于通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域,具体用于:通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A1…An、与对应部位的非骨折代表元的相似性分数向量B1、B1…Bn,通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,其中1≤i≤n
在具体方案中,通过对比较网络分别对n个目标骨骼子区域进行比对,比较n个目标骨骼子区域与对应部位的骨折代表元的相似性,得到分数骨折代表元的相似性分数向量A1、A1…An,比较n个目标骨骼子区域与对应部位的非骨折代表元的相似性,得到分数骨折代表元的相似性分数向量B1、B1…Bn,再通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,进一步的,根据所述骨折子区域得到目标X光图中骨折区域。
本实施方式通过获取训练X光图,将训练X光图分割为n个骨骼子区域,将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络,获取目标X光图,将目标X光图分割为n个目标骨骼子区域,通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域,如此,对于一张X光图能标记出骨折的可能性区域,通过区域卷积神经网络RCNN对骨骼进行识别和分割,然后通过成对比较网络判断该区域是否骨折,通过医生的复查找出确切骨折区域,快速的减轻骨科医生的负担。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于成对比较的骨折区域识别方法,其特征在于,包括:
S1、获取训练X光图;
S2、将训练X光图分割为n个骨骼子区域;
S3、将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络;
S4、获取目标X光图;
S5、将目标X光图分割为n个目标骨骼子区域;
S6、通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域;
步骤S3,具体包括:
将n个骨骼子区域进行骨折子区域与非骨折子区域分类;
将分类后的n个骨骼子区域中的骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本;
根据训练样本进行训练得到成对比较网络,所述比较网络中包含骨折代表元和非骨折代表元。
2.根据权利要求1所述的基于成对比较的骨折区域识别方法,其特征在于,步骤S2,具体包括:通过RCNN对训练X光图进行识别,将训练X光图分割为n个骨骼子区域。
3.根据权利要求1所述的基于成对比较的骨折区域识别方法,其特征在于,步骤S6,具体包括:通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A2…An、与对应部位的非骨折代表元的相似性分数向量B1、B2…Bn,通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,其中1≤i≤n。
4.根据权利要求1所述的基于成对比较的骨折区域识别方法,其特征在于,步骤S5,具体包括:通过RCNN对目标X光图进行识别,将目标X光图分割为n个目标骨骼子区域。
5.一种基于成对比较的骨折区域识别系统,其特征在于,包括:
第一获取模块,用于获取训练X光图;
第一分割模块,用于将训练X光图分割为n个骨骼子区域;
比较网络构造模块,用于将n个骨骼子区域进行分类并构造训练样本,根据所述训练样本进行训练得到成对比较网络;
第二获取模块,用于获取目标X光图;
第二分割模块,用于将目标X光图分割为n个目标骨骼子区域;
骨折比对识别模块,用于通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元、非骨折代表元的相似性分数向量,并根据所述相似性分数向量判断n个目标骨骼子区域中的骨折子区域;
所述比较网络构造模块,具体用于:
将n个骨骼子区域进行骨折子区域与非骨折子区域分类;
将分类后的n个骨骼子区域中的骨折子区域-骨折子区域组对、非骨折子区域-非骨折子区域组对和骨折子区域-非骨折子区域组对构造样本;
根据训练样本进行训练得到成对比较网络,所述比较网络中包含骨折代表元和非骨折代表元。
6.根据权利要求5所述的基于成对比较的骨折区域识别系统,其特征在于,所述第一分割模块,具体用于:通过RCNN对训练X光图进行识别,将训练X光图分割为n个骨骼子区域。
7.根据权利要求6所述的基于成对比较的骨折区域识别系统,其特征在于,所述骨折比对识别模块,具体用于:
通过成对比较网络分别对n个目标骨骼子区域进行比对,得到n个目标骨骼子区域与对应部位的骨折代表元的相似性分数向量A1、A2…An、与对应部位的非骨折代表元的相似性分数向量B1、B2…Bn,通过度量函数分别衡量A1与B1、A2与B2…An与Bn的大小,当Ai>Bi时,判断第i个目标骨骼子区域为骨折子区域,其中1≤i≤n。
8.根据权利要求5所述的基于成对比较的骨折区域识别系统,其特征在于,所述第二分割模块,具体用于:通过RCNN对目标X光图进行识别,将目标X光图分割为n个目标骨骼子区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711111050.7A CN108171714B (zh) | 2017-11-13 | 2017-11-13 | 一种基于成对比较的骨折区域识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711111050.7A CN108171714B (zh) | 2017-11-13 | 2017-11-13 | 一种基于成对比较的骨折区域识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171714A CN108171714A (zh) | 2018-06-15 |
CN108171714B true CN108171714B (zh) | 2021-09-21 |
Family
ID=62527003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711111050.7A Active CN108171714B (zh) | 2017-11-13 | 2017-11-13 | 一种基于成对比较的骨折区域识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171714B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308694B (zh) * | 2018-08-31 | 2020-07-31 | 中国人民解放军总医院 | 骨折分型的形成方法及装置 |
CN111325745B (zh) * | 2020-03-09 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 骨折区域分析方法和装置、电子设备及可读存储介质 |
CN111462071B (zh) * | 2020-03-30 | 2023-08-04 | 浙江核睿医疗科技有限公司 | 一种图像处理方法和系统 |
CN112598661B (zh) * | 2020-12-29 | 2022-07-22 | 河北工业大学 | 一种基于机器学习的踝骨折及韧带损伤诊断方法 |
CN112907537A (zh) * | 2021-02-20 | 2021-06-04 | 司法鉴定科学研究院 | 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 |
CN113822231A (zh) * | 2021-11-08 | 2021-12-21 | 中国人民解放军陆军特色医学中心 | 一种基于深度学习图像识别的转子间骨折手术辅助系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504931A (zh) * | 2002-11-26 | 2004-06-16 | GEҽҩϵͳ����Ƽ���˾ | 图像组的计算机辅助诊断 |
CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN105303604A (zh) * | 2015-10-19 | 2016-02-03 | 中国科学院软件研究所 | 一种用于人体单侧肢体骨骼骨性损伤测量的方法及系统 |
US9480439B2 (en) * | 2012-11-01 | 2016-11-01 | Virginia Commonwealth University | Segmentation and fracture detection in CT images |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10039513B2 (en) * | 2014-07-21 | 2018-08-07 | Zebra Medical Vision Ltd. | Systems and methods for emulating DEXA scores based on CT images |
-
2017
- 2017-11-13 CN CN201711111050.7A patent/CN108171714B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504931A (zh) * | 2002-11-26 | 2004-06-16 | GEҽҩϵͳ����Ƽ���˾ | 图像组的计算机辅助诊断 |
US9480439B2 (en) * | 2012-11-01 | 2016-11-01 | Virginia Commonwealth University | Segmentation and fracture detection in CT images |
CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
WO2017032311A1 (zh) * | 2015-08-25 | 2017-03-02 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN105303604A (zh) * | 2015-10-19 | 2016-02-03 | 中国科学院软件研究所 | 一种用于人体单侧肢体骨骼骨性损伤测量的方法及系统 |
Non-Patent Citations (2)
Title |
---|
Deep convolutional networks for automated detection of posterior-element fractures on spine CT;Holger R.Roth et al.;《https://arxiv.org/abs/1602.00020》;20160129;1-7 * |
Learning to Compare Image Patches via Convolutional Neural Networks;Sergey Zagoruyko et al.;《https://arxiv.org/abs/1504.03641》;20150414;1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171714A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171714B (zh) | 一种基于成对比较的骨折区域识别方法和系统 | |
Zhang et al. | Deep learning in medical image analysis | |
CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Sridar et al. | Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks | |
EP2948062B1 (en) | Method for identifying a specific part of a spine in an image | |
Karthik et al. | A multi-scale approach for detection of ischemic stroke from brain MR images using discrete curvelet transformation | |
CN104299242B (zh) | 基于ngc‑acm的荧光造影眼底图像提取方法 | |
CN112598661B (zh) | 一种基于机器学习的踝骨折及韧带损伤诊断方法 | |
Shahangian et al. | Automatic brain hemorrhage segmentation and classification in CT scan images | |
CN111292318A (zh) | 内窥镜系统及内窥镜图像识别方法、设备、可存储介质 | |
CN105976393A (zh) | 大脑局灶性病变自动探测方法及装置 | |
JP2022547722A (ja) | 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習 | |
Khan et al. | An integrated design of fuzzy C-means and NCA-based multi-properties feature reduction for brain tumor recognition | |
Naing et al. | Advances in automatic tuberculosis detection in chest x-ray images | |
CN112545562A (zh) | 多模态多参数乳腺癌筛查系统、装置及计算机存储介质 | |
Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
Luo et al. | Automatic quality assessment for 2D fetal sonographic standard plane based on multi-task learning | |
Ahmad et al. | Brain tumor detection & features extraction from MR images using segmentation, image optimization & classification techniques | |
Saeed et al. | Technique for Tumor Detection Upon Brain MRI Image by Utilizing Support Vector Machine | |
Ganeshkumar et al. | Unsupervised deep learning-based disease diagnosis using medical images | |
Yasir et al. | Machine Vision based Intelligent Breast Cancer Detection | |
Asha et al. | Brain Tumor Detection using Mask RCNN | |
Karthik et al. | A novel brain MRI analysis system for detection of stroke lesions using discrete wavelets | |
Turab et al. | Liver cancer detection and grading using efficient computer vision techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210111 Address after: Room 902, 9 / F, building F, Tianhe Software Park, Tianhe District, Guangzhou 510000 Applicant after: GUANGDONG 3VJIA INFORMATION TECHNOLOGY Co.,Ltd. Address before: 230000 A-3 / F, innovation industrial park, 800 Wangjiang West Road, high tech Zone, Hefei City, Anhui Province Applicant before: HEFEI ABACI SCIENCE & TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |