CN109961424A - 一种手部x光图像数据的生成方法 - Google Patents
一种手部x光图像数据的生成方法 Download PDFInfo
- Publication number
- CN109961424A CN109961424A CN201910143950.2A CN201910143950A CN109961424A CN 109961424 A CN109961424 A CN 109961424A CN 201910143950 A CN201910143950 A CN 201910143950A CN 109961424 A CN109961424 A CN 109961424A
- Authority
- CN
- China
- Prior art keywords
- hand
- bone
- random
- simulation
- ray
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种手部X光图像数据的生成方法,涉及计算机视觉以及人工智能领域,所述方法包括:基于手部X射线特点以及手部活动规律的先验知识,随机构造出具有随机多样性的模拟手部X射线图像的不同骨龄数据。本发明能够生成骨龄高多样性图像数据,无需真实骨龄X光片,从而解决传统骨龄自动识别方法需要大量数据作为训练集的问题,实现节约医疗资源、人力资源和经济成本的效果。
Description
技术领域
本发明涉及计算机视觉以及人工智能领域,具体涉及一种手部X 光图像数据的生成方法。
背景技术
骨龄是以人体骨骼的发育水平为依据的人体发育程度的理论年龄,而骨龄评价是通过对骨骼发育特征进行识别以获得对人体发育程度的定量性评价,利用X光摄片技术对青少年儿童的手腕骨骼进行分析研究,从而判定其骨骼的成熟度(骨龄)。骨龄的评价已广泛应用于青少年发育状况评估和预测,疾病的早期发现与预防,体育界选才等领域。
传统的骨龄计算是根据手腕骨的X光片的图像特征,由骨龄计算的专业人员依据中国人手腕骨骨发育标准人工计算出骨龄,在骨龄的鉴别当中由于工作量很大,步骤较繁琐,并且造成时间的浪费和容易引起视觉疲劳,而且还会使计算结果因人而异.这样就不可避免地会产生人为误差,直接影响着计算结果的有效性。
现有的骨龄自动识别方法主要基于传统的机器学习框架。首先从大量骨龄图像提取特征,然后对特征降维,以得到紧凑的特征,最后使用分类会回归模型预测骨龄属性。近来也出现以深度学习来识别骨龄的技术。
现有的骨龄自动识别方法存在以下几个问题:1)需要大量清晰的手骨图片作为训练集,难以获得。2)不同机器、不同扫描参数、不同定位位置等因素都会导致骨龄图像存在多样性高的特性,从而影响识别成功率。
针对以上问题,需要一种手部X光图像数据的生成方法,来替代大量骨龄真实图像,作为骨龄自动识别方法的数据集。
发明内容
为了解决现有骨龄自动识别方法需要大量图像作为训练集,且识别率受骨龄图像多样性影响的问题,本发明提出了一种基于手部X射线特点以及手部活动规律的先验知识,随机构造出具有随机多样性的模拟手部X射线图像的不同骨龄数据的方法。该方法的步骤如下:
S1:依据不同骨龄的真实手部X射线图像的手骨结构特点,将指骨、尺骨、桡骨以及腕骨均抽象为椭圆单元,将五指的骨架轴线分别定义为L1-L5,将尺骨和桡骨的骨架轴线分别定义为L6和L7;且每个指骨对应的椭圆单元的中心按生理解剖顺序位于各自的骨架轴线上,得到各个骨龄对应的手骨X射线的模拟标准骨架单元图F0;
S2:针对F0,设计高阶非线性骨再造速率方程,通过随机调整其再造率系数和非线性再造方程的阶数,将F0的椭圆单元进行形状随机多样演化,生成手骨模拟图F1。
S3:针对F1,将指骨、尺骨、桡骨的大小随机多样化,具体步骤为:将F1中的每块指骨、尺骨、桡骨对应的单元在L1-L7方向上进行相同倍数的缩放;而且缩放时,指骨以整根手指对应单元的下端点为不动点,尺骨、桡骨以其各自单元的上端点为不动点,缩放范围是0.7-1.3倍;生成手骨模拟图F2
S4:针对F2,将其中的腕骨单元的位置随机多样化,具体步骤为:每块模拟腕骨向任意方向进行平移,平移距离的范围为与该模拟腕骨面积相同的圆形的直径的1/3;进而进行腕骨大小随机多样化,具体步骤为:每块腕骨单元按中心向外进行缩放,缩放范围为0.7-1.3倍;生成手骨模拟图F3;
S5:针对F3,进行指骨轴线方向随机多样化,具体步骤为:将每块指骨对应的单元以整根手指对应单元的下端点为旋转中心进行面内随机旋转,手指转动角度范围为-15度—15度,生成手骨模拟图F4;
S6:针对F4,生成模拟手部软组织轮廓,具体步骤为:采用主动轮廓模型,获取F4中整体手骨的外轮廓图,再进行形态学膨胀操作,作为模拟手部组织轮廓E。
S7:针对F4和E,对手骨和组织对比度进行随机多样化,具体步骤为:随机调整管电流和管电压大小,随机调整范围为10%,并根据人体手部组织和手骨的穿透率典型值,随机调整范围为10%,利用X 光穿透效应公式计算各自区域的信号强度,将得到的手骨信号强度填充至E内部的手骨单元区域内,将得到的组织信号强度填充至E内部的非手骨单元区域内,得到模拟手部X射线图P1;
S8:针对P1,对手骨进行灰度分布多样化,具体步骤为:设计扩散方程,来设置手骨内部各点的灰度值,同时对整张图像加上高斯分布的随机噪声,得到模拟手部X射线图P2;
本发明的有益效果在于:
1、本发明利用基本的拓扑结构单元,结合手指活动规则先验知识,能够生成骨龄高多样性图像数据,且无需真实骨龄 X光片,能够解决骨龄自动识别方法需要大量数据训练集的问题,实现节约医疗资源、人力资源和经济成本的效果;泛化能力强,容易迭代更新;
2、利用手指活动演化的先验知识确定手指活动范围,并将生成骨架拓扑图的过程随机化,生成骨龄高多样性图像数据,在推广普及骨龄自动识别系统中有重要的意义;每张真实图像都可以成为典型图像;
3、采用拓扑结构单元生成骨龄高多样性图像数据的方法,适用于通用的医学影像,即除了本发明所述骨龄X光片外,还适用于生成其他图像,如脊柱的磁共振图像,甲状腺的超声图像等。
附图说明
图1是本发明一种手部X光图像数据的生成方法的流程图;
图2是通过S1得到的模拟标准骨架单元图F0示例;
图3是通过S2得到的手骨模拟图F1示例;
图4是通过S3得到的手骨模拟图F2示例;
图5是通过S4得到的手骨模拟图F3示例;
图6是通过S5得到的手骨模拟图F4示例;
图7是通过S6得到的模拟手部组织轮廓E示例;
图8是通过S7得到的模拟手部X射线图P1示例;
图9是通过S8得到的模拟手部X射线图P2示例;
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,手部X光图像数据的生成方法,具体包括以下步骤:
S1:依据不同骨龄的真实手部X射线图像的手骨结构特点,将指骨、尺骨、桡骨以及腕骨均抽象为椭圆单元,将五指的骨架轴线分别定义为L1-L5,将尺骨和桡骨的骨架轴线分别定义为L6和L7;且每个指骨对应的椭圆单元的中心按生理解剖顺序位于各自的骨架轴线上,得到各个骨龄对应的手骨X射线的模拟标准骨架单元图F0,如图2;
本实施例中以不同骨龄的标准图谱为依据,按照图谱中每块手骨的结构和位置,抽象出对应的模拟标准骨架单元图F0,对于不同骨龄的模拟标准骨架单元图F0,其区别在于手骨的个数和位置。
S2:针对F0,设计高阶非线性骨再造速率方程,通过随机调整其再造率系数和非线性再造方程的阶数,将F0的椭圆单元进行形状随机多样演化,生成手骨模拟图F1。
作为优选,所采用的非线性骨再造速率方程为:
其中N为传感器的数量,fi(x)为空间影响函数,β成为比较因子,用以比较力学激励值Ua/ρ与参考值k。B(t)是再造率系数,它随时间逐渐减小。是非线性再造方程的阶数,在迭代过程中取为常数。不同部位,不同时期的骨结构对应不同的表达式和值,通过随机设置再造率系数和非线性再造方程的阶数,来生成形状随机多样化的手骨模拟图F1;
本实施例中以以下参数为例,α=2,ρcB=0.56g/cm3,k= 0.1J/g,B(t)=B0-BT/e0.02t+BT,B0=1.0(g/cm3)2(MPa×时间单位)-1,BT=0.05(g/cm3)2(MPa×时间单位)-1, dX(x)为第i个传感器到位置x的距离,D=0.025。
S3:针对F1,将指骨、尺骨、桡骨的大小随机多样化,具体步骤为:将F1中的每块指骨、尺骨、桡骨对应的单元在L1-L7方向上进行相同倍数的缩放;而且缩放时,指骨以整根手指对应单元的下端点为不动点,尺骨、桡骨以其各自单元的上端点为不动点,缩放范围是0.7-1.3倍,生成手骨模拟图F2;
本实施例中以以下参数为例,缩放倍数取1.2。
S4:针对F2,将其中的腕骨单元的位置随机多样化,具体步骤为:每块模拟腕骨向任意方向进行平移,平移距离的范围为与该模拟腕骨面积相同的圆形的直径的1/3;进而进行腕骨大小随机多样化,具体步骤为:每块腕骨单元按中心向外进行缩放,缩放范围为0.7-1.3倍;生成手骨模拟图F3;
本实施例中以以下参数为例,对7块腕骨,其缩放倍数分别取 1.2、1.1、1.2、1.0、0.9、1.2、1.2,平移方向与水平向右方向的角度分别取30、45、-30、-45、0、0、0,平移距离都取与该模拟腕骨面积相同的圆形的直径的1/3。
S5:针对F3,进行指骨轴线方向随机多样化,具体步骤为:将每块指骨对应的单元以整根手指对应单元的下端点为旋转中心进行面内随机旋转,手指转动角度范围为-15度—15度,生成手骨模拟图F4;
本实施例中以以下参数为例,对五根指骨,以顺时针方向为正方向,其转动角度分别取15,15,-5,-5,0。
S6:针对F4,生成模拟手部软组织轮廓,具体步骤为:采用主动轮廓模型,获取F4中整体手骨的外轮廓图,再进行形态学膨胀操作,作为模拟手部组织轮廓E。
作为优选,所采用的主动轮廓模型为Snake模型:
在Snakes的控制点上定义能量函数,来反应能量与轮廓之间的关系:
其中,第一项表征弹性能量,第二项表征弯曲能量,第三项表征外部能量。
本实施例中,α取110,β取80,初始轮廓线为手工勾选,能够包括所有手骨;
外部能量采用图像的梯度特征:
所采用膨胀操作的结构元素为3*3大小,每个元素值都为1的矩阵。
S7:针对F4和E,对手骨和组织对比度进行随机多样化,具体步骤为:随机调整管电流和管电压大小,随机调整范围为10%,并根据人体手部组织和手骨的穿透率典型值,随机调整范围为10%,利用X 光穿透效应公式计算各自区域的信号强度,将得到的手骨信号强度填充至E内部的手骨单元区域内,将得到的组织信号强度填充至E内部的非手骨单元区域内,得到模拟手部X射线图P1;
作为优选,在管电流大小为1mA时,入射前X光强度I0与管电压 U的关系为:
I0=0.02966(U-Vs)1.26
其中,Vs为钼靶X光管的阈值电压,取15KV,管电压取30KV。
根据Lambert-Beer原理,X光穿透效应公式为:
I=I0e(-μx)
I0是入射前X光的强度,I是入射后X光的强度,μ是均匀介质的线性衰减系数;
本实施例中,手部组织的线性衰减系数取0.8,手骨的线性衰减系数取1.2。
S8:针对P1,对手骨进行灰度分布多样化,具体步骤为:设计扩散方程,来设置手骨内部各点的灰度值,同时对整张图像加上高斯分布的随机噪声,得到模拟手部X射线图P2;
作为优选,扩散方程设计为:int=(1-exp(-DT/DTmax*k)),
其中,int为某点的灰度值大小,DT为该点到其所属连通域中心的距离,DTmax为连通域中心在与该点连线的方向上,向外到连通域边缘的距离,k为导热系数,用来控制平滑;
本实施例中,导热系数k取1.4。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (2)
1.一种手部X光图像数据的生成方法,其特征在于,基于手部X射线特点以及手部活动规律的先验知识,随机构造出具有随机多样性的模拟手部X射线图像的不同骨龄数据;
S1:依据不同骨龄的真实手部X射线图像的手骨结构特点,将指骨、尺骨、桡骨以及腕骨均抽象为椭圆单元,将五指的骨架轴线分别定义为L1-L5,将尺骨和桡骨的骨架轴线分别定义为L6和L7;且每个指骨对应的椭圆单元的中心按生理解剖顺序位于各自的骨架轴线上,得到各个骨龄对应的手骨X射线的模拟标准骨架单元图F0;
S2:针对F0,设计高阶非线性骨再造速率方程,通过随机调整其再造率系数和非线性再造方程的阶数,将F0的椭圆单元进行形状随机多样演化,生成手骨模拟图F1;
S3:针对F1,将指骨、尺骨、桡骨的大小随机多样化,具体步骤为:将F1中的每块指骨、尺骨、桡骨对应的单元在L1-L7方向上进行相同倍数的缩放;而且缩放时,指骨以整根手指对应单元的下端点为不动点,尺骨、桡骨以其各自单元的上端点为不动点,缩放范围是0.7-1.3倍;生成手骨模拟图F2;
S4:针对F2,将其中的腕骨单元的位置随机多样化,具体步骤为:每块模拟腕骨向任意方向进行平移,平移距离的范围为与该模拟腕骨面积相同的圆形的直径的1/3;进而进行腕骨大小随机多样化,具体步骤为:每块腕骨单元按中心向外进行缩放,缩放范围为0.7-1.3倍;生成手骨模拟图F3;
S5:针对F3,进行指骨轴线方向随机多样化,具体步骤为:将每块指骨对应的单元以整根手指对应单元的下端点为旋转中心进行面内随机旋转,手指转动角度范围为-15度—15度,生成手骨模拟图F4;
S6:针对F4,生成模拟手部软组织轮廓,具体步骤为:采用主动轮廓模型,获取F4中整体手骨的外轮廓图,再进行形态学膨胀操作,作为模拟手部组织轮廓E;
S7:针对F4和E,对手骨和组织对比度进行随机多样化,具体步骤为:随机调整管电流和管电压大小,随机调整范围为10%,并根据人体手部组织和手骨的穿透率典型值,随机调整范围为10%,利用X光穿透效应公式计算各自区域的信号强度,将得到的手骨信号强度填充至E内部的手骨单元区域内,将得到的组织信号强度填充至E内部的非手骨单元区域内,得到模拟手部X射线图P1;
S8:针对P1,对手骨进行灰度分布多样化,具体步骤为:设计扩散方程,来设置手骨内部各点的灰度值,同时对整张图像加上高斯分布的随机噪声,得到模拟手部X射线图P2。
2.根据权利要求1所述的一种手部X光图像数据的生成方法,其特征在于:所有的随机多样化均按照均匀分布或高斯分布进行随机化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143950.2A CN109961424B (zh) | 2019-02-27 | 2019-02-27 | 一种手部x光图像数据的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143950.2A CN109961424B (zh) | 2019-02-27 | 2019-02-27 | 一种手部x光图像数据的生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961424A true CN109961424A (zh) | 2019-07-02 |
CN109961424B CN109961424B (zh) | 2021-04-13 |
Family
ID=67023981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143950.2A Expired - Fee Related CN109961424B (zh) | 2019-02-27 | 2019-02-27 | 一种手部x光图像数据的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113384297A (zh) * | 2020-03-13 | 2021-09-14 | 上海市第六人民医院 | 基于人工智能的超声骨龄诊断装置及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366389A (zh) * | 2013-04-27 | 2013-10-23 | 中国人民解放军北京军区总医院 | Ct图像重建方法 |
CN103413332A (zh) * | 2013-08-23 | 2013-11-27 | 华北电力大学 | 基于两通道纹理分割主动轮廓模型的图像分割方法 |
CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN103954594A (zh) * | 2013-12-11 | 2014-07-30 | 上海大学 | 不同光电倍增管电压下三维光谱数据的峰值换算方法 |
CN106039398A (zh) * | 2016-06-06 | 2016-10-26 | 西安博恩生物科技有限公司 | 一种具有微结构仿生人工骨支架的制备方法 |
CN106346485A (zh) * | 2016-09-21 | 2017-01-25 | 大连理工大学 | 基于人手运动姿态学习的仿生机械手的非接触式控制方法 |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
CN108056786A (zh) * | 2017-12-08 | 2018-05-22 | 浙江大学医学院附属儿童医院 | 一种基于深度学习的骨龄检测方法和装置 |
CN108321070A (zh) * | 2011-10-28 | 2018-07-24 | 和鑫生技开发股份有限公司 | 穿透式x光管及反射式x光管 |
CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
CN109389603A (zh) * | 2018-09-10 | 2019-02-26 | 北京大学 | 一种基于预加重策略的全自动腰椎图像分割方法 |
-
2019
- 2019-02-27 CN CN201910143950.2A patent/CN109961424B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108321070A (zh) * | 2011-10-28 | 2018-07-24 | 和鑫生技开发股份有限公司 | 穿透式x光管及反射式x光管 |
CN103366389A (zh) * | 2013-04-27 | 2013-10-23 | 中国人民解放军北京军区总医院 | Ct图像重建方法 |
CN103413332A (zh) * | 2013-08-23 | 2013-11-27 | 华北电力大学 | 基于两通道纹理分割主动轮廓模型的图像分割方法 |
CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN103954594A (zh) * | 2013-12-11 | 2014-07-30 | 上海大学 | 不同光电倍增管电压下三维光谱数据的峰值换算方法 |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN106039398A (zh) * | 2016-06-06 | 2016-10-26 | 西安博恩生物科技有限公司 | 一种具有微结构仿生人工骨支架的制备方法 |
CN106346485A (zh) * | 2016-09-21 | 2017-01-25 | 大连理工大学 | 基于人手运动姿态学习的仿生机械手的非接触式控制方法 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
CN108056786A (zh) * | 2017-12-08 | 2018-05-22 | 浙江大学医学院附属儿童医院 | 一种基于深度学习的骨龄检测方法和装置 |
CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
CN109389603A (zh) * | 2018-09-10 | 2019-02-26 | 北京大学 | 一种基于预加重策略的全自动腰椎图像分割方法 |
Non-Patent Citations (4)
Title |
---|
SHUQIANG WANG ET AL.: "Bone Age Assessment Using Convolutional Neural Networks", 《2018 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND BIG DATA》 * |
宫赫 等: "骨自优化方程获得稳定解的条件的非线性分析方法", 《中国生物医学工程学报》 * |
朱翔宇: "基于中华 05 骨龄计分法的6~19岁男性骨龄图谱标准片的研制", 《山东体育学院学报》 * |
胡婷鸿 等: "基于深度学习实现维吾尔族青少年左手腕关节骨龄自动化评估", 《法医学杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113384297A (zh) * | 2020-03-13 | 2021-09-14 | 上海市第六人民医院 | 基于人工智能的超声骨龄诊断装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109961424B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Crossformer++: A versatile vision transformer hinging on cross-scale attention | |
CN111881705A (zh) | 数据处理、训练、识别方法、装置和存储介质 | |
US7787678B2 (en) | Devices, systems, and methods for processing images | |
CN110414498A (zh) | 一种基于交叉注意力机制的自然场景文本识别方法 | |
Yeh et al. | Synthesis of tiled patterns using factor graphs | |
CN109272107A (zh) | 一种改进深层卷积神经网络的参数个数的方法 | |
CN111861924B (zh) | 一种基于进化gan的心脏磁共振图像数据增强方法 | |
CN108198147A (zh) | 一种基于判别字典学习的多源图像融合去噪的方法 | |
Miao et al. | A General-Thresholding Solution for l p (0<; p<; 1) Regularized CT Reconstruction | |
CN113723530B (zh) | 基于视频分析和电子心理沙盘的智能心理评估系统 | |
CN109635850A (zh) | 一种基于生成对抗网络优化医学图像分类性能的方法 | |
CN110188668A (zh) | 一种面向小样本视频动作分类的方法 | |
CN110414616A (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
Chen et al. | Adversarial robustness study of convolutional neural network for lumbar disk shape reconstruction from MR images | |
CN106383586A (zh) | 一种孤独症谱系障碍儿童训练系统 | |
Shi et al. | A semi‐supervised learning method of latent features based on convolutional neural networks for CT metal artifact reduction | |
CN109961424A (zh) | 一种手部x光图像数据的生成方法 | |
Nibauer et al. | Charting Galactic Accelerations with Stellar Streams and Machine Learning | |
Wei et al. | Semi-supervised object detection based on single-stage detector for thighbone fracture localization | |
Thwal et al. | OnDev-LCT: On-Device Lightweight Convolutional Transformers towards federated learning | |
Yu et al. | Quantification of the bone lacunocanalicular network from 3D X‐ray phase nanotomography images | |
CN113160392A (zh) | 基于深度神经网络的光学建筑目标三维重建方法 | |
CN105069767A (zh) | 基于表征学习与邻域约束嵌入的图像超分辨重构方法 | |
Adams et al. | Dynamic trees for image modelling | |
CN110363792A (zh) | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210413 |