CN110689551A - 四肢骨分割方法、装置、电子设备及可读存储介质 - Google Patents
四肢骨分割方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110689551A CN110689551A CN201910972356.4A CN201910972356A CN110689551A CN 110689551 A CN110689551 A CN 110689551A CN 201910972356 A CN201910972356 A CN 201910972356A CN 110689551 A CN110689551 A CN 110689551A
- Authority
- CN
- China
- Prior art keywords
- image
- bone
- limb
- segmentation
- 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.)
- Granted
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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Abstract
本申请提供一种四肢骨分割方法、装置、电子设备及可读存储介质,涉及医学图像处理领域。本申请在获取到待分割肢体DR图像时,通过对待分割肢体DR图像进行图像预处理,得到目标肢体DR图像,并采用第一骨骼分割模型对该目标肢体DR图像进行骨骼区域识别及图像分割,得到目标肢体DR图像的骨骼分布区域,而后根据该骨骼分布区域对目标肢体DR图像进行图像裁剪,得到与骨骼分布区域对应的肢体前景图像,最后采用第二骨骼分割模型对肢体前景图像中的各骨骼部位进行四肢骨类别识别及图像分割,得到包括各骨骼部位的四肢骨类别分布区域的分割图像,从而完成高精度的图像分割操作,得到分割精度高的四肢骨分割结果。
Description
技术领域
本申请涉及医学图像处理领域,具体而言,涉及一种四肢骨分割方法、装置、电子设备及可读存储介质。
背景技术
随着科学技术的不断发展,图像分割算法因其可对图像中特定对象进行特征提取并进行对象分类,被逐步应用于各个行业领域。在医疗技术领域中,图像分割算法主要用于对医学图像进行器官分割,以确定该医学图像中各医疗器官的分布状况。而在医疗技术领域中,目前对肢体DR(Digital Radiography,直接数字平板X线成像系统)图像进行四肢骨分割的方案是直接对该肢体DR图像进行处理的,导致最终得到的分割结果存在分割精度不高的问题。
发明内容
有鉴于此,本申请的目的在于提供一种四肢骨分割方法、装置、电子设备及可读存储介质,其能够对肢体DR图像进行高精度的图像分割处理,得到与该肢体DR图像对应的分割精度高的四肢骨分割结果。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种四肢骨分割方法,所述方法包括:
获取待分割肢体DR图像,并对所述待分割肢体DR图像进行图像预处理,得到目标肢体DR图像;
采用第一骨骼分割模型对所述目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对所述目标肢体DR图像进行图像分割,得到所述目标肢体DR图像的骨骼分布区域;
根据所述骨骼分布区域对所述目标肢体DR图像进行图像裁剪,得到与所述骨骼分布区域对应的肢体前景图像;
采用第二骨骼分割模型对所述肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对所述肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
第二方面,本申请实施例提供一种四肢骨分割装置,所述装置包括:
肢体图像获取模块,用于获取待分割肢体DR图像,并对所述待分割肢体DR图像进行图像预处理,得到目标肢体DR图像;
骨骼区域分割模块,用于采用第一骨骼分割模型对所述目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对所述目标肢体DR图像进行图像分割,得到所述目标肢体DR图像的骨骼分布区域;
肢体图像剪切模块,用于根据所述骨骼分布区域对所述目标肢体DR图像进行图像裁剪,得到与所述骨骼分布区域对应的肢体前景图像;
分割图像生成模块,用于采用第二骨骼分割模型对所述肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对所述肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令,以实现前述实施方式的四肢骨分割方法。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现前述实施方式的四肢骨分割方法。
相对于背景技术而言,本申请具有以下有益效果:
本申请在获取到待分割肢体DR图像时,通过对待分割肢体DR图像进行图像预处理,得到目标肢体DR图像,并采用第一骨骼分割模型对该目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对该目标肢体DR图像进行图像分割,得到目标肢体DR图像的骨骼分布区域,而后根据该骨骼分布区域对目标肢体DR图像进行图像裁剪,得到与骨骼分布区域对应的肢体前景图像,最后采用第二骨骼分割模型对肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像,从而完成对肢体DR图像进行高精度的图像分割处理,得到分割精度高的四肢骨分割结果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构方框示意图;
图2为本申请实施例提供的四肢骨分割方法的流程示意图之一;
图3为本申请实施例提供的四肢骨分割方法的流程示意图之二;
图4为本申请实施例提供的四肢骨分割装置的功能模块示意图之一;
图5为本申请实施例提供的四肢骨分割装置的功能模块示意图之二。
图标:10-电子设备;11-存储器;12-处理器;13-通信单元;100-四肢骨分割装置;110-肢体图像获取模块;120-骨骼区域分割模块;130-肢体图像剪切模块;140-分割图像生成模块;150-第一模型训练模块;160-第二模型训练模块。
具体实施方式
下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“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。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1是本申请实施例提供的电子设备10的结构方框示意图。在本申请实施例中,所述电子设备10可在获取到肢体DR图像后,通过对该肢体DR图像进行图像预处理,并对图像预处理后的肢体DR图像进行高精度的图像分割处理,得到分割精度高的四肢骨分割结果。其中,所述肢体DR图像可以是人体上肢DR图像,也可以是人体下肢DR图像,所述人体上肢DR图像可以是涵盖整个上肢部位的DR图像,也可以是涵盖部分上肢部位(例如,手掌或手臂)的DR图像,所述人体下肢DR图像可以是涵盖整个下肢部位的DR图像,也可以是涵盖部分下肢部位(例如,脚掌或大腿)的DR图像。在本实施例中,所述电子设备10可以是,但不限于,个人电脑、平板电脑及服务器等。
在本实施例中,所述电子设备10包括四肢骨分割装置100、存储器11、处理器12及通信单元13。所述存储器11、所述处理器12及所述通信单元13各个元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,所述存储器11、所述处理器12及所述通信单元13这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
在本实施例中,所述存储器11可用于存储程序,所述处理器12在接收到执行指令后,可相应地执行所述程序。其中,所述存储器11可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。其中,所述存储器11还可用于存储用于对DR图像进行骨骼区域识别并进行图像分割的第一骨骼分割模型,以及用于对DR图像中各骨骼部位进行四肢骨类别识别并进行图像分割的第二骨骼分割模型,所述四肢骨类别用于表示对应骨骼部位的医学名称,所述四肢骨类别包括肱骨、尺骨、桡骨、腕骨、掌骨、指骨、股骨、髌骨、胫骨、腓骨、跗骨、跖骨及趾骨,其中肱骨、尺骨、桡骨、腕骨、掌骨及指骨属于上肢骨骼,股骨、髌骨、胫骨、腓骨、跗骨、跖骨及趾骨属于下肢骨骼。
在本实施例中,所述处理器12可以是一种具有信号的处理能力的集成电路芯片。所述处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)及网络处理器(Network Processor,NP)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
在本实施例中,所述通信单元13用于通过网络建立所述电子设备10与其他设备之间的通信连接,并通过网络收发数据。例如,所述电子设备10通过所述通信单元13与DR设备通信连接,以从所述DR设备处获取被检查人员的肢体DR图像。
在本实施例中,所述四肢骨分割装置100包括至少一个能够以软件或固件的形式存储于所述存储器11或固化在所述电子设备10的操作系统中的软件功能模块。所述处理器12可用于执行所述存储器11存储的可执行模块,例如所述四肢骨分割装置100所包括软件功能模块及计算机程序等。所述电子设备10通过所述四肢骨分割装置100对获取到的肢体DR图像进行图像预处理,并对图像预处理后的肢体DR图像进行高精度的图像分割处理,得到分割精度高的四肢骨分割结果。
可以理解的是,图1所示的方框示意图仅为电子设备10的一种结构组成示意图,所述电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在本申请中,为确保上述电子设备10能够对获取到的肢体DR图像进行图像预处理,并对图像预处理后的肢体DR图像进行高精度的图像分割处理,得到分割精度高的四肢骨分割结果,本申请通过提供应用于上述电子设备10的四肢骨分割方法实现上述功能。下面对本申请提供的四肢骨分割方法进行相应描述。
可选地,请参照图2,图2是本申请实施例提供的四肢骨分割方法的流程示意图之一。在本申请实施例中,图2所示的四肢骨分割方法的具体流程和步骤如下文所示。
步骤S210,获取待分割肢体DR图像,并对所述待分割肢体DR图像进行图像预处理,得到目标肢体DR图像。
在本实施例中,所述电子设备10可通过所述通信单元13从DR设备处获取待分割肢体DR图像,也可由操作人员手动输入所述待分割肢体DR图像到所述电子设备10中。当所述电子设备10获取到待分割肢体DR图像时,所述电子设备10可通过对该待分割肢体DR图像进行图像增强及数据增广,实现对所述待分割肢体DR图像的图像预处理操作,得到所述目标肢体DR图像。
在本实施例的一种实施方式中,所述电子设备10可通过采用限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)算法对所述待分割肢体DR图像进行图像增强,以在增强所述待分割肢体DR图像的图像对比度的同时,有效地限制噪声放大的情形产生,并通过对完成图像增强的所述待分割肢体DR图像采用随机crop算法、padding算法、随机旋转算法、水平/垂直翻转算法及随机gamma变换算法中的任意一种算法进行数据增广,得到对应的目标肢体DR图像,达到减少所述目标肢体DR图像在具体的四肢骨分割过程中的过拟合现象,提高四肢骨分割操作的精准度。
步骤S220,采用第一骨骼分割模型对目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对目标肢体DR图像进行图像分割,得到目标肢体DR图像的骨骼分布区域。
在本实施例中,所述骨骼分布区域用于表示对应图像中的骨骼分布位置,所述电子设备10可通过所述第一骨骼分割模型确定所述目标肢体DR图像中的非骨骼区域及骨骼区域,并相应地基于图像分割的方式对该目标肢体DR图像中的骨骼区域进行标注,从而得到所述骨骼分布区域。
在本实施例中,所述第一骨骼分割模型可以是基于改进后的U-Net神经网络训练得到的,其中所述改进后的U-Net神经网络相较于传统的U-Net神经网络多出了一条上采样数据通路,以确保改进后的U-Net神经网络能够改善传统U-Net神经网络存在的不同层级特征融合时的语义鸿沟问题,使所述第一骨骼分割模型能够在对目标肢体DR图像进行骨骼区域分割操作时具有更高的分割精度。
可选地,在本实施例中,所述第一骨骼分割模型可以包括第一下采样网络、第一上采样网络及第二上采样网络,所述第一下采样网络、所述第一上采样网络及所述第二上采样网络均包括有多个层级。所述采用第一骨骼分割模型对目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对目标肢体DR图像进行图像分割,得到目标肢体DR图像的骨骼分布区域的步骤包括:
将目标肢体DR图像输入到第一下采样网络中,并由第一下采样网络根据目标肢体DR图像针对第一下采样网络包括的每个层级,计算该层级的与骨骼区域及非骨骼区域的分布状况相关的骨骼区域特征图像;
将第一下采样网络中的倒数第二个层级的骨骼区域特征图像输入到第一上采样网络中,由第一上采样网络根据输入的骨骼区域特征图像针对第一上采样网络包括的每个层级,计算该层级对应的与骨骼区域及非骨骼区域的分布状况相关的第一特征图像;
针对第一上采样网络包括的每个层级,采用与该层级对应的第一下采样网络中的目标层级的骨骼区域特征图像合并第一特征图像,得到第一上采样网络中每个层级的骨骼区域特征图像;
将第一下采样网络中的倒数第一个层级的骨骼区域特征图像输入到第二上采样网络中,由第二上采样网络根据输入的骨骼区域特征图像针对第二上采样网络包括的每个层级,计算该层级对应的与骨骼区域及非骨骼区域的分布状况相关的第二特征图像;
针对第二上采样网络包括的每个层级,采用与该层级对应的第一上采样网络中的目标层级的骨骼区域特征图像合并第二特征图像,得到第二上采样网络中每个层级的骨骼区域特征图像;
采用第二上采样网络中的倒数第一个层级的骨骼区域特征图像中确定的骨骼区域,作为该目标肢体DR图像的骨骼分布区域。
其中,所述骨骼区域特征图像、所述第一特征图像及所述第二特征图像均用于表示所述目标肢体DR图像中的骨骼区域在各采样网络中的对应层级的位置分布特征。
当所述第一下采样网络接收到所述目标肢体DR图像时,所述第一下采样网络中的第一个下采样层级通过采用所述目标肢体DR图像作为输入,依次对所述目标肢体DR图像进行两次用于识别骨骼区域及非骨骼区域的第一图像卷积操作,从而输出与所述第一个下采样层级对应的骨骼区域特征图像。而所述第一下采样网络中的除第一个下采样层级外的每个下采样层级通过采用前一个下采样层级所输出的骨骼区域特征图像作为输入,依次对输入的骨骼区域特征图像进行池化操作及两次第一图像卷积操作,从而输出与该下采样层级对应的骨骼区域特征图像。
当所述第一上采样网络接收到来自所述第一下采样网络的与倒数第二个下采样层级对应的骨骼区域特征图像时,所述第一上采样网络中的第一个上采样层级通过采用来自所述第一下采样网络的骨骼区域特征图像作为输入,依次对输入的骨骼区域特征图像进行一次第一图像卷积操作及上采样操作,得到所述第一个上采样层级的第一特征图像,并采用与该上采样层级对应的所述第一下采样网络中的目标下采样层级的骨骼区域特征图像合并所述第一特征图像,从而输出所述第一个上采样层级的骨骼区域特征图像。
而所述第一上采样网络中的除第一个上采样层级外的每个上采样层级通过采用前一个上采样层级所输出的骨骼区域特征图像作为输入,依次对输入的骨骼区域特征图像进行一次第一图像卷积操作及上采样操作,得到该上采样层级的第一特征图像,并采用与该上采样层级对应的所述第一下采样网络中的目标下采样层级的骨骼区域特征图像合并所述第一特征图像,从而输出该上采样层级的骨骼区域特征图像。
当所述第二上采样网络接收到来自所述第一下采样网络的与倒数第一个下采样层级对应的骨骼区域特征图像时,所述第二上采样网络中的第一个上采样层级通过采用来自所述第一下采样网络的骨骼区域特征图像作为输入,依次对输入的骨骼区域特征图像进行两次第一图像卷积操作及上采样操作,得到该第一个上采样层级的第二特征图像,并采用与该上采样层级对应的所述第一上采样网络中的目标上采样层级的骨骼区域特征图像合并所述第二特征图像,从而输出所述第二上采样网络中的第一个上采样层级的骨骼区域特征图像。
而所述第二上采样网络中的除第一个上采样层级外的每个上采样层级通过采用前一个上采样层级所输出的骨骼区域特征图像作为输入,依次对输入的骨骼区域特征图像进行两次第一图像卷积操作及上采样操作,得到该上采样层级的第二特征图像,并采用与该上采样层级对应的所述第一上采样网络中的目标上采样层级的骨骼区域特征图像合并所述第二特征图像,从而输出所述第二上采样网络中的该上采样层级的骨骼区域特征图像。
步骤S230,根据骨骼分布区域对目标肢体DR图像进行图像裁剪,得到与骨骼分布区域对应的肢体前景图像。
在本实施例中,所述电子设备10在得到目标肢体DR图像的骨骼分布区域后,通过对该目标肢体DR图像进行图像裁剪,使剪切得到的肢体前景图像的尺寸恰好可以容纳所述骨骼分布区域,从而确保参与到具体四肢骨类别分割过程中的肢体前景图像相较于所述待分割肢体DR图像而言,能够表现出更多的图像特征,以提高四肢骨分割的精准度及精度。
步骤S240,采用第二骨骼分割模型对肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
在本实施例中,所述四肢骨类别分布区域用于表示对应分割图像中各四肢骨类别所对应的骨骼部位分布位置。所述电子设备10可通过所述第二骨骼分割模型确定所述肢体前景图像中的非骨骼区域及各骨骼部位所对应的四肢骨类别,并相应地基于图像分割的方式对该肢体前景图像中各骨骼部位所对应的四肢骨类别进行标注,从而得到所述包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
在本实施例中,所述第二骨骼分割模型也可以是基于改进后的U-Net神经网络训练得到的,用以提高对肢体前景图像进行四肢骨分割操作时具有更高的分割精度。
可选地,在本实施例中,所述第二骨骼分割模型可以包括第二下采样网络、第三上采样网络及第四上采样网络,所述第二下采样网络、所述第三上采样网络及所述第四上采样网络均包括有多个层级。所述采用第二骨骼分割模型对肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像的步骤,包括:
将肢体前景图像输入到第二下采样网络中,并由第二下采样网络根据肢体前景图像针对第二下采样网络包括的每个层级,计算该层级的与非骨骼区域及各四肢骨类别所对应的骨骼部位区域的分布状况相关的四肢骨区域特征图像;
将第二下采样网络中的倒数第二个层级的四肢骨区域特征图像输入到第三上采样网络中,由第三上采样网络根据输入的四肢骨区域特征图像针对第三上采样网络包括的每个层级,计算该层级对应的与非骨骼区域及各四肢骨类别所对应的骨骼部位区域的分布状况相关的第三特征图像;
针对第三上采样网络包括的每个层级,采用与该层级对应的第二下采样网络中的目标层级的四肢骨区域特征图像合并第三特征图像,得到第三上采样网络中每个层级的四肢骨区域特征图像;
将第二下采样网络中的倒数第一个层级的四肢骨区域特征图像输入到第四上采样网络中,由第四上采样网络根据输入的四肢骨区域特征图像针对第四上采样网络包括的每个层级,计算该层级对应的与非骨骼区域及各四肢骨类别所对应的骨骼部位区域的分布状况相关的第四特征图像;
针对第四上采样网络包括的每个层级,采用与该层级对应的第三上采样网络中的目标层级的四肢骨区域特征图像合并第四特征图像,得到第四上采样网络中每个层级的四肢骨区域特征图像;
采用第四上采样网络中的倒数第一个层级的四肢骨区域特征图像,作为包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
其中,所述四肢骨区域特征图像、所述第三特征图像及所述第四特征图像均用于表示所述肢体前景图像中的各四肢骨类别所对应的骨骼部位区域在各采样网络中的对应层级的位置分布特征。
当所述第二下采样网络接收到所述肢体前景图像时,所述第二下采样网络中的第一个下采样层级通过采用所述肢体前景图像作为输入,依次对所述肢体前景图像进行两次用于识别各四肢骨类别所对应的骨骼部位区域及非骨骼区域的第二图像卷积操作,从而输出与所述第一个下采样层级对应的四肢骨区域特征图像。而所述第二下采样网络中的除第一个下采样层级外的每个下采样层级通过采用前一个下采样层级所输出的四肢骨区域特征图像作为输入,依次对输入的四肢骨区域特征图像进行池化操作及两次第二图像卷积操作,从而输出与该下采样层级对应的四肢骨区域特征图像。
当所述第三上采样网络接收到来自所述第二下采样网络的与倒数第二个下采样层级对应的四肢骨区域特征图像时,所述第三上采样网络中的第一个上采样层级通过采用来自所述第二下采样网络的四肢骨区域特征图像作为输入,依次对输入的四肢骨区域特征图像进行一次第二图像卷积操作及上采样操作,得到所述第一个上采样层级的第三特征图像,并采用与该上采样层级对应的所述第二下采样网络中的目标下采样层级的四肢骨区域特征图像合并所述第三特征图像,从而输出所述第一个上采样层级的四肢骨区域特征图像。
而所述第三上采样网络中的除第一个上采样层级外的每个上采样层级通过采用前一个上采样层级所输出的四肢骨区域特征图像作为输入,依次对输入的四肢骨区域特征图像进行一次第二图像卷积操作及上采样操作,得到该上采样层级的第三特征图像,并采用与该上采样层级对应的所述第二下采样网络中的目标下采样层级的四肢骨区域特征图像合并所述第三特征图像,从而输出该上采样层级的四肢骨区域特征图像。
当所述第四上采样网络接收到来自所述第二下采样网络的与倒数第一个下采样层级对应的四肢骨区域特征图像时,所述第四上采样网络中的第一个上采样层级通过采用来自所述第二下采样网络的四肢骨区域特征图像作为输入,依次对输入的四肢骨区域特征图像进行两次第二图像卷积操作及上采样操作,得到该第一个上采样层级的第四特征图像,并采用与该上采样层级对应的所述第三上采样网络中的目标上采样层级的四肢骨区域特征图像合并所述第四特征图像,从而输出所述第四上采样网络中的第一个上采样层级的四肢骨区域特征图像。
而所述第四上采样网络中的除第一个上采样层级外的每个上采样层级通过采用前一个上采样层级所输出的四肢骨区域特征图像作为输入,依次对输入的四肢骨区域特征图像进行两次第二图像卷积操作及上采样操作,得到该上采样层级的第四特征图像,并采用与该上采样层级对应的所述第三上采样网络中的目标上采样层级的四肢骨区域特征图像合并所述第四特征图像,从而输出所述第四上采样网络中的该上采样层级的四肢骨区域特征图像。
可选地,请参照图3,图3是本申请实施例提供的四肢骨分割方法的流程示意图之二。在本申请实施例中,为提供应用于所述电子设备10的第一骨骼分割模型及第二骨骼分割模型,本申请通过图3所示的四肢骨分割方法所包括的步骤S208及步骤S209训练得到所述第一骨骼分割模型及所述第二骨骼分割模型。
步骤S208,基于标注有非骨骼区域及骨骼区域的肢体DR图像训练集进行模型训练,得到第一骨骼分割模型。
在本实施例中,所述电子设备10可通过包括多个标注有非骨骼区域及骨骼区域的肢体DR图像的训练集对上述改进的U-Net神经网络进行训练,使训练后的改进的U-Net神经网络的损失函数最小化,从而得到所述第一骨骼分割模型。其中,训练完成的第一骨骼分割模型所表现出的损失函数可用如下式子进行表示:
其中,L1表示第一骨骼分割模型的损失函数,n表示对应图像中的像素点数目,k表示对应图像中的第k个像素点,yk表示第k个像素点被标注为骨骼区域的事件概率,pk表示第k个像素点被预测为骨骼区域的概率,wk表示第k个像素点处的骨骼区域类别与非骨骼区域类别之间的相对权重,其中wk可用1进行表示。
步骤S209,基于标注有非骨骼区域及各骨骼部位的四肢骨类别的肢体DR图像训练集进行模型训练,得到第二骨骼分割模型。
在本实施例中,所述电子设备10可通过包括多个标注有非骨骼区域及各骨骼部位的四肢骨类别的肢体DR图像的训练集对上述改进的U-Net神经网络进行训练,使训练后的改进的U-Net神经网络的损失函数最小化,从而得到所述第二骨骼分割模型。其中,训练完成的第二骨骼分割模型所表现出的损失函数可用如下式子进行表示:
其中,L2表示第二骨骼分割模型的损失函数,n表示对应图像中的像素点数目,m表示分割对象类别的数目,i表示第i个分割对象类别,k表示对应图像中的第k个像素点,yki表示第k个像素点被标注为第i个分割对象类别的事件概率,pki表示第k个像素点被预测为第i个分割对象类别的概率,wk表示第k个像素点处的各分割对象类别之间的相对权重,其中所述分割对象类别包括各四肢骨类别及非骨骼区域类别,wk的数值可用式子进行计算,可通过调节常数β的数值调节不同分割对象类别之间的相对权重。
在本申请中,为确保所述电子设备10所包括的四肢骨分割装置100能够正常实施,本申请通过对四肢骨分割装置100进行功能模块划分的方式实现其功能。下面对本申请提供的四肢骨分割装置100的具体组成进行相应描述。
可选地,请参照图4,图4是本申请实施例提供的四肢骨分割装置100的功能模块示意图之一。在本申请实施例中,所述四肢骨分割装置100包括肢体图像获取模块110、骨骼区域分割模块120、肢体图像剪切模块130及分割图像生成模块140。
所述肢体图像获取模块110,用于获取待分割肢体DR图像,并对待分割肢体DR图像进行图像预处理,得到目标肢体DR图像。
所述骨骼区域分割模块120,用于采用第一骨骼分割模型对目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对目标肢体DR图像进行图像分割,得到目标肢体DR图像的骨骼分布区域。
所述肢体图像剪切模块130,用于根据骨骼分布区域对目标肢体DR图像进行图像裁剪,得到与骨骼分布区域对应的肢体前景图像。
所述分割图像生成模块140,用于采用第二骨骼分割模型对肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
可选地,请参照图5,图5是本申请实施例提供的四肢骨分割装置100的功能模块示意图之二。在本申请实施例中,所述四肢骨分割装置100还可以包括第一模型训练模块150及第二模型训练模块160。
所述第一模型训练模块150,用于基于标注有非骨骼区域及骨骼区域的肢体DR图像训练集进行模型训练,得到第一骨骼分割模型,其中所述第一骨骼分割模型的损失函数为:
其中,L1表示第一骨骼分割模型的损失函数,n表示对应图像中的像素点数目,k表示对应图像中的第k个像素点,yk表示第k个像素点被标注为骨骼区域的事件概率,pk表示第k个像素点被预测为骨骼区域的概率,wk表示第k个像素点处的骨骼区域类别与非骨骼区域类别之间的相对权重。
所述第二模型训练模块160,用于基于标注有非骨骼区域及各骨骼部位的四肢骨类别的肢体DR图像训练集进行模型训练,得到第二骨骼分割模型,其中所述第二骨骼分割模型的损失函数为:
其中,L2表示第二骨骼分割模型的损失函数,n表示对应图像中的像素点数目,m表示分割对象类别的数目,i表示第i个分割对象类别,k表示对应图像中的第k个像素点,yki表示第k个像素点被标注为第i个分割对象类别的事件概率,pki表示第k个像素点被预测为第i个分割对象类别的概率,wk表示第k个像素点处的各分割对象类别之间的相对权重,其中所述分割对象类别包括各四肢骨类别及非骨骼区域类别。
需要说明的是,本申请实施例所提供的四肢骨分割装置100,其基本原理及产生的技术效果与前述的四肢骨分割方法相同,为简要描述,本实施例部分未提及之处,可参考上述的针对四肢骨分割方法的相应描述内容。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,在本申请提供的一种四肢骨分割方法、装置、电子设备及可读存储介质中,本申请在获取到待分割肢体DR图像时,通过对待分割肢体DR图像进行图像预处理,得到目标肢体DR图像,并采用第一骨骼分割模型对该目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对该目标肢体DR图像进行图像分割,得到目标肢体DR图像的骨骼分布区域,而后根据该骨骼分布区域对目标肢体DR图像进行图像裁剪,得到与骨骼分布区域对应的肢体前景图像,最后采用第二骨骼分割模型对肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像,从而完成对肢体DR图像进行高精度的图像分割处理,得到分割精度高的四肢骨分割结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。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,均应包含在本申请的保护范围之内。
Claims (10)
1.一种四肢骨分割方法,其特征在于,所述方法包括:
获取待分割肢体DR图像,并对所述待分割肢体DR图像进行图像预处理,得到目标肢体DR图像;
采用第一骨骼分割模型对所述目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对所述目标肢体DR图像进行图像分割,得到所述目标肢体DR图像的骨骼分布区域;
根据所述骨骼分布区域对所述目标肢体DR图像进行图像裁剪,得到与所述骨骼分布区域对应的肢体前景图像;
采用第二骨骼分割模型对所述肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对所述肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
2.根据权利要求1所述的方法,其特征在于,所述第一骨骼分割模型包括第一下采样网络、第一上采样网络及第二上采样网络,所述采用第一骨骼分割模型对所述目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对所述目标肢体DR图像进行图像分割,得到所述目标肢体DR图像的骨骼分布区域的步骤,包括:
将所述目标肢体DR图像输入到所述第一下采样网络中,并由所述第一下采样网络根据所述目标肢体DR图像针对所述第一下采样网络包括的每个层级,计算该层级的与骨骼区域及非骨骼区域的分布状况相关的骨骼区域特征图像;
将所述第一下采样网络中的倒数第二个层级的骨骼区域特征图像输入到所述第一上采样网络中,由所述第一上采样网络根据输入的骨骼区域特征图像针对所述第一上采样网络包括的每个层级,计算该层级对应的与骨骼区域及非骨骼区域的分布状况相关的第一特征图像;
针对所述第一上采样网络包括的每个层级,采用与该层级对应的所述第一下采样网络中的目标层级的骨骼区域特征图像合并所述第一特征图像,得到所述第一上采样网络中每个层级的骨骼区域特征图像;
将所述第一下采样网络中的倒数第一个层级的骨骼区域特征图像输入到所述第二上采样网络中,由所述第二上采样网络根据输入的骨骼区域特征图像针对所述第二上采样网络包括的每个层级,计算该层级对应的与骨骼区域及非骨骼区域的分布状况相关的第二特征图像;
针对所述第二上采样网络包括的每个层级,采用与该层级对应的所述第一上采样网络中的目标层级的骨骼区域特征图像合并所述第二特征图像,得到所述第二上采样网络中每个层级的骨骼区域特征图像;
采用所述第二上采样网络中的倒数第一个层级的骨骼区域特征图像中确定的骨骼区域,作为所述骨骼分布区域。
3.根据权利要求1所述的方法,其特征在于,所述第二骨骼分割模型包括第二下采样网络、第三上采样网络及第四上采样网络,所述采用第二骨骼分割模型对所述肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对所述肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像的步骤,包括:
将所述肢体前景图像输入到所述第二下采样网络中,并由所述第二下采样网络根据所述肢体前景图像针对所述第二下采样网络包括的每个层级,计算该层级的与非骨骼区域及各四肢骨类别所对应的骨骼部位区域的分布状况相关的四肢骨区域特征图像;
将所述第二下采样网络中的倒数第二个层级的四肢骨区域特征图像输入到所述第三上采样网络中,由所述第三上采样网络根据输入的四肢骨区域特征图像针对所述第三上采样网络包括的每个层级,计算该层级对应的与非骨骼区域及各四肢骨类别所对应的骨骼部位区域的分布状况相关的第三特征图像;
针对所述第三上采样网络包括的每个层级,采用与该层级对应的所述第二下采样网络中的目标层级的四肢骨区域特征图像合并所述第三特征图像,得到所述第三上采样网络中每个层级的四肢骨区域特征图像;
将所述第二下采样网络中的倒数第一个层级的四肢骨区域特征图像输入到所述第四上采样网络中,由所述第四上采样网络根据输入的四肢骨区域特征图像针对所述第四上采样网络包括的每个层级,计算该层级对应的与非骨骼区域及各四肢骨类别所对应的骨骼部位区域的分布状况相关的第四特征图像;
针对所述第四上采样网络包括的每个层级,采用与该层级对应的所述第三上采样网络中的目标层级的四肢骨区域特征图像合并所述第四特征图像,得到所述第四上采样网络中每个层级的四肢骨区域特征图像;
采用所述第四上采样网络中的倒数第一个层级的四肢骨区域特征图像,作为所述包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
6.一种四肢骨分割装置,其特征在于,所述装置包括:
肢体图像获取模块,用于获取待分割肢体DR图像,并对所述待分割肢体DR图像进行图像预处理,得到目标肢体DR图像;
骨骼区域分割模块,用于采用第一骨骼分割模型对所述目标肢体DR图像进行骨骼区域识别,并按照骨骼区域识别结果对所述目标肢体DR图像进行图像分割,得到所述目标肢体DR图像的骨骼分布区域;
肢体图像剪切模块,用于根据所述骨骼分布区域对所述目标肢体DR图像进行图像裁剪,得到与所述骨骼分布区域对应的肢体前景图像;
分割图像生成模块,用于采用第二骨骼分割模型对所述肢体前景图像中的各骨骼部位进行四肢骨类别识别,并按照四肢骨类别识别结果对所述肢体前景图像进行图像分割,得到包括各骨骼部位所对应的四肢骨类别分布区域的分割图像。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二模型训练模块,用于基于标注有非骨骼区域及各骨骼部位的四肢骨类别的肢体DR图像训练集进行模型训练,得到第二骨骼分割模型,其中所述第二骨骼分割模型的损失函数为:
其中,L2表示第二骨骼分割模型的损失函数,n表示对应图像中的像素点数目,m表示分割对象类别的数目,i表示第i个分割对象类别,k表示对应图像中的第k个像素点,yki表示第k个像素点被标注为第i个分割对象类别的事件概率,pki表示第k个像素点被预测为第i个分割对象类别的概率,wk表示第k个像素点处的各分割对象类别之间的相对权重,其中所述分割对象类别包括各四肢骨类别及非骨骼区域类别。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令,以实现权利要求1-5中任意一项所述的四肢骨分割方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-5中任意一项所述的四肢骨分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972356.4A CN110689551B (zh) | 2019-10-14 | 2019-10-14 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972356.4A CN110689551B (zh) | 2019-10-14 | 2019-10-14 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689551A true CN110689551A (zh) | 2020-01-14 |
CN110689551B CN110689551B (zh) | 2020-07-17 |
Family
ID=69112373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910972356.4A Active CN110689551B (zh) | 2019-10-14 | 2019-10-14 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689551B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111405314A (zh) * | 2020-03-09 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN113076987A (zh) * | 2021-03-29 | 2021-07-06 | 北京长木谷医疗科技有限公司 | 骨赘识别方法、装置、电子设备及存储介质 |
CN113436143A (zh) * | 2021-05-24 | 2021-09-24 | 北京医准智能科技有限公司 | 基于人工智能的关节检测方法、装置及电子设备 |
CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
CN107871133A (zh) * | 2017-12-27 | 2018-04-03 | 中公高科养护科技股份有限公司 | 边缘检测网络的优化方法、路面病害的识别方法及系统 |
CN108921225A (zh) * | 2018-07-10 | 2018-11-30 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、计算机设备和存储介质 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN110148136A (zh) * | 2019-04-10 | 2019-08-20 | 南方电网科学研究院有限责任公司 | 一种绝缘子图像分割方法、装置与计算机可读存储介质 |
CN110189340A (zh) * | 2019-06-03 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 图像分割方法、装置、电子设备及存储介质 |
-
2019
- 2019-10-14 CN CN201910972356.4A patent/CN110689551B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
CN107871133A (zh) * | 2017-12-27 | 2018-04-03 | 中公高科养护科技股份有限公司 | 边缘检测网络的优化方法、路面病害的识别方法及系统 |
CN108921225A (zh) * | 2018-07-10 | 2018-11-30 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、计算机设备和存储介质 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN110148136A (zh) * | 2019-04-10 | 2019-08-20 | 南方电网科学研究院有限责任公司 | 一种绝缘子图像分割方法、装置与计算机可读存储介质 |
CN110189340A (zh) * | 2019-06-03 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
OLAF RONNEBERGER 等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《SPRING》 * |
苏健民 等: "基于U-Net 的高分辨率遥感图像语义分割方法", 《计算机工程与应用》 * |
韩冬: "人工智能在医学影像中的研究与应用", 《大数据》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111405314A (zh) * | 2020-03-09 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN111405314B (zh) * | 2020-03-09 | 2021-06-15 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN113076987A (zh) * | 2021-03-29 | 2021-07-06 | 北京长木谷医疗科技有限公司 | 骨赘识别方法、装置、电子设备及存储介质 |
WO2022205928A1 (zh) * | 2021-03-29 | 2022-10-06 | 北京长木谷医疗科技有限公司 | 骨赘识别方法、装置、电子设备及存储介质 |
CN113436143A (zh) * | 2021-05-24 | 2021-09-24 | 北京医准智能科技有限公司 | 基于人工智能的关节检测方法、装置及电子设备 |
CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110689551B (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689551B (zh) | 四肢骨分割方法、装置、电子设备及可读存储介质 | |
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
CN109741309B (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
Wu et al. | Residual attention based network for hand bone age assessment | |
CN110197491B (zh) | 图像分割方法、装置、设备和存储介质 | |
CN109146879B (zh) | 一种检测骨龄的方法及装置 | |
CN109376756B (zh) | 基于深度学习的上腹部转移淋巴结节自动识别系统、计算机设备、存储介质 | |
WO2020062839A1 (zh) | 一种检测骨龄的方法及装置 | |
Wang | Segmentation of multiple structures in chest radiographs using multi-task fully convolutional networks | |
CN113076987B (zh) | 骨赘识别方法、装置、电子设备及存储介质 | |
US10726948B2 (en) | Medical imaging device- and display-invariant segmentation and measurement | |
CN110443254B (zh) | 图像中金属区域的检测方法、装置、设备和存储介质 | |
Seo et al. | A deep learning algorithm for automated measurement of vertebral body compression from X-ray images | |
CN111968130B (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
CN112308853A (zh) | 电子设备、医学图像指标生成方法、装置及存储介质 | |
CN113706463A (zh) | 基于深度学习的关节影像关键点自动检测方法、装置、设备及存储介质 | |
CN111080569B (zh) | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 | |
Hegadi et al. | Osteoarthritis detection and classification from knee X-ray images based on artificial neural network | |
Ruikar et al. | Contrast stretching-based unwanted artifacts removal from CT images | |
CN110766682A (zh) | 肺结核定位筛查装置及计算机设备 | |
CN109377477B (zh) | 一种图像分类的方法、装置及计算机可读存储介质 | |
CN113837192B (zh) | 图像分割方法及装置,神经网络的训练方法及装置 | |
Zhang et al. | A novel tool to provide predictable alignment data irrespective of source and image quality acquired on mobile phones: what engineers can offer clinicians | |
CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 | |
CN113327221A (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing Patentee after: Huiying medical technology (Beijing) Co.,Ltd. Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd. |