CN110706203A - 基于深度学习的头颅侧位片关键点自动侦测方法及系统 - Google Patents
基于深度学习的头颅侧位片关键点自动侦测方法及系统 Download PDFInfo
- Publication number
- CN110706203A CN110706203A CN201910843438.9A CN201910843438A CN110706203A CN 110706203 A CN110706203 A CN 110706203A CN 201910843438 A CN201910843438 A CN 201910843438A CN 110706203 A CN110706203 A CN 110706203A
- Authority
- CN
- China
- Prior art keywords
- graph
- key point
- prediction frame
- neural network
- slice
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 210000003625 skull Anatomy 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 16
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000006748 scratching Methods 0.000 claims abstract description 6
- 230000002393 scratching effect Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000002372 labelling Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于深度学习的头颅侧位片关键点自动侦测方法，包括如下步骤：a、准备数量为L的侧位片作为样本；b、在步骤a中的每个样本中标注出预测框和关键点；c、搭建两个层数为M的深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型；d、用步骤b中标注好的样本分别对步骤c中的两个模型进行监督训练N次；e、将新的侧位片输入至预测框模型，得到预测框，将预测框区域的图片抠出，并将抠出的图片输入关键点模型，得到关键点坐标。本发明可快速标注出侧位片关键点，并且将精度控制在临床要求范围内。本发明还公开了一种基于深度学习的头颅侧位片关键点自动侦测系统。
Description
技术领域
本发明涉及头颅侧位片关键点标注技术领域，特别是一种基于深度学习的头颅侧位片关键点自动侦测方法及系统。
背景技术
目前在头颅侧位片标注关键点时，传统的做法是医生操控鼠标直接在侧位片上进行手工描点，该方法耗时长，有经验的医生手工描点一个侧位片至少需要15分钟，并且医生经验对关键点准确性有很大影响。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于深度学习的头颅侧位片关键点自动侦测方法及系统，可快速标注出侧位片关键点，并且将精度控制在临床要求范围内。
本发明采用的技术方案是：
一种基于深度学习的头颅侧位片关键点自动侦测方法，包括如下步骤：
a、准备数量为L的侧位片作为样本；
b、在步骤a中的每个样本中标注出预测框和关键点；
c、搭建两个层数为M的深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型；
d、用步骤b中标注好的样本分别对步骤c中的两个模型进行监督训练N次；
e、将新的侧位片输入至预测框模型，得到预测框，将预测框区域的图片抠出，并将抠出的图片输入关键点模型，得到关键点坐标。
优选地，在步骤a中，L大于50000。
为保证样本的多样性，准备数量大于50000的样本，使训练得到的网络模型具有优秀的泛化能力。
优选地，在步骤c中，M大于50。
为保证网络模型的容量和复杂度，搭建两个深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型，且层数均大于50层，使训练得到的网络模型拥有足够的能力来侦测各种复杂情况下的关键点。
优选地，在步骤d中，N为6。
训练次数以6次为宜，6次训练轮数使得训练得到的模型不至于过拟合，也不会欠拟合。
一种基于深度学习的头颅侧位片关键点自动侦测系统，包括图形储存模块、样本标注模块、预测框深度神经网络模块、关键点深度神经网络模块；
图形储存模块：用于接收并储存侧位片样本图形和新的侧位片图形；
样本标注模块：用于读取图形储存模块中的侧位片样本图形，接收标注信息并更新至侧位片样本图形后重新储存入图形储存模块；
预测框深度神经网络模块：用于读取图形储存模块中储存的标注后的侧位片样本图形进行训练生成标注有预测框的侧位片样本图形输出至关键点深度神经网络模块，以及用于读取图形储存模块中新的侧位片图形生成标注有预测框的新的侧位片图形输出至关键点深度神经网络模块；
关键点深度神经网络模块：用于接收预测框深度神经网络模块传输的标注有预测框的侧位片样本图形进行关键点标注训练并输出标注有预测框及关键点的侧位片样本图形，以及用于接收预测框深度神经网络模块传输的标注有预测框的新的侧位片图形进行关键点标注并输出标注有预测框及关键点的新的侧位片图形。
优选地，所述图形储存模块的样本储存量大于50000张。
优选地，所述预测框深度神经网络模块和关键点深度神经网络模块的层数大于50层。
优选地，所述关键点为为颅部正中矢状面上蝶鞍影响中心点，所述预测框为囊括完整的蝶鞍影像的最小矩形框。
本发明的有益效果是：采用成熟的深度学习神经网络，通过大量样本的学习，提升模型对关键点的自动侦测能力，可快速标注出侧位片关键点，并且将精度控制在临床要求范围内。
附图说明
图1为本发明实施例中基于深度学习的头颅侧位片关键点自动侦测方法的流程示意图；
图2为本发明实施例中头颅侧位片标注出预测框和关键点的示意图；
图3为本发明实施例中基于深度学习的头颅侧位片关键点自动侦测系统的示意框图；
附图标记说明：1、图形储存模块，2、样本标注模块，3、预测框深度神经网络模块，4、关键点深度神经网络模块。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1
一种基于深度学习的头颅侧位片关键点自动侦测方法，如图1所示，包括如下步骤：
S1、准备数量为5000的侧位片作为样本；
S2、在步骤S1中的每个样本中标注出预测框和关键点；如图2所示，图中黑色方框为预测框，黑色圆点为关键点；
S3、搭建两个层数为50的深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型；
S4、用步骤S2中标注好的样本分别对步骤S3中的两个模型进行监督训练6次；
S5、将新的侧位片输入至预测框模型，得到预测框，将预测框区域的图片抠出，并将抠出的图片输入关键点模型，得到关键点坐标。
具体地，预测框为人工标注产生的，黑色框在标注时需要囊括该关键点相关的医学解剖结构，如图2中的关键点称为蝶鞍点，医学上定义为颅部正中矢状面上蝶鞍影响中心点，那么该预测框就需要囊括完整的蝶鞍影像。各关键点拥有各自不同大小的预测框，需要根据医学定义及医生经验来标注，允许有一定误差，因为预测框仅需要预测大致范围，精确的关键点位置由关键点模型来完成判断。
实施例2
一种基于深度学习的头颅侧位片关键点自动侦测方法，包括如下步骤：
S1、准备数量为6000的侧位片作为样本；
S2、在步骤S1中的每个样本中标注出预测框和关键点；
S3、搭建两个层数为60的深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型；
S4、用步骤S2中标注好的样本分别对步骤S3中的两个模型进行监督训练6次；
S5、将新的侧位片输入至预测框模型，得到预测框，将预测框区域的图片抠出，并将抠出的图片输入关键点模型，得到关键点坐标。
实施例3
一种基于深度学习的头颅侧位片关键点自动侦测方法，包括如下步骤：
S1、准备数量为7000的侧位片作为样本；
S2、在步骤S1中的每个样本中标注出预测框和关键点；
S3、搭建两个层数为70的深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型；
S4、用步骤S2中标注好的样本分别对步骤S3中的两个模型进行监督训练6次；
e、将新的侧位片输入至预测框模型，得到预测框，将预测框区域的图片抠出，并将抠出的图片输入关键点模型，得到关键点坐标。
实施例4
一种基于深度学习的头颅侧位片关键点自动侦测系统，该系统用于实现实施例1-3任一实施例中所述的方法，如图3所示，包括图形储存模块1、样本标注模块2、预测框深度神经网络模块3、关键点深度神经网络模块4；
图形储存模块：用于接收并储存侧位片样本图形和新的侧位片图形；
样本标注模块：用于读取图形储存模块中的侧位片样本图形，接收标注信息并更新至侧位片样本图形后重新储存入图形储存模块；
预测框深度神经网络模块：用于读取图形储存模块中储存的标注后的侧位片样本图形进行训练生成标注有预测框的侧位片样本图形输出至关键点深度神经网络模块，以及用于读取图形储存模块中新的侧位片图形生成标注有预测框的新的侧位片图形输出至关键点深度神经网络模块；
关键点深度神经网络模块：用于接收预测框深度神经网络模块传输的标注有预测框的侧位片样本图形进行关键点标注训练并输出标注有预测框及关键点的侧位片样本图形，以及用于接收预测框深度神经网络模块传输的标注有预测框的新的侧位片图形进行关键点标注并输出标注有预测框及关键点的新的侧位片图形。
其中，所述图形储存模块的样本储存量大于50000张；所述预测框深度神经网络模块和关键点深度神经网络模块的层数大于50层；所述关键点为为颅部正中矢状面上蝶鞍影响中心点，所述预测框为囊括完整的蝶鞍影像的最小矩形框。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的头颅侧位片关键点自动侦测方法，其特征在于，包括如下步骤：
a、准备数量为L的侧位片作为样本；
b、在步骤a中的每个样本中标注出预测框和关键点；
c、搭建两个层数为M的深度神经网络模型，其中一个为预测框模型，另外一个为关键点模型；
d、用步骤b中标注好的样本分别对步骤c中的两个模型进行监督训练N次；
e、将新的侧位片输入至预测框模型，得到预测框，将预测框区域的图片抠出，并将抠出的图片输入关键点模型，得到关键点坐标。
2.根据权利要求1所述的基于深度学习的头颅侧位片关键点自动侦测方法，其特征在于，在步骤a中，L大于50000。
3.根据权利要求1所述的基于深度学习的头颅侧位片关键点自动侦测方法，其特征在于，在步骤c中，M大于50。
4.根据权利要求1所述的基于深度学习的头颅侧位片关键点自动侦测方法，其特征在于，在步骤d中，N为6。
5.根据权利要求1所述的基于深度学习的头颅侧位片关键点自动侦测方法，其特征在于，所述关键点为为颅部正中矢状面上蝶鞍影响中心点，所述预测框为囊括完整的蝶鞍影像的最小矩形框。
6.一种基于深度学习的头颅侧位片关键点自动侦测系统，其特征在于，包括图形储存模块、样本标注模块、预测框深度神经网络模块、关键点深度神经网络模块；
图形储存模块：用于接收并储存侧位片样本图形和新的侧位片图形；
样本标注模块：用于读取图形储存模块中的侧位片样本图形，接收标注信息并更新至侧位片样本图形后重新储存入图形储存模块；
预测框深度神经网络模块：用于读取图形储存模块中储存的标注后的侧位片样本图形进行训练生成标注有预测框的侧位片样本图形输出至关键点深度神经网络模块，以及用于读取图形储存模块中新的侧位片图形生成标注有预测框的新的侧位片图形输出至关键点深度神经网络模块；
关键点深度神经网络模块：用于接收预测框深度神经网络模块传输的标注有预测框的侧位片样本图形进行关键点标注训练并输出标注有预测框及关键点的侧位片样本图形，以及用于接收预测框深度神经网络模块传输的标注有预测框的新的侧位片图形进行关键点标注并输出标注有预测框及关键点的新的侧位片图形。
7.根据权利要求6所述的基于深度学习的头颅侧位片关键点自动侦测系统，其特征在于，所述图形储存模块的样本储存量大于50000张。
8.根据权利要求6所述的基于深度学习的头颅侧位片关键点自动侦测系统，其特征在于，所述预测框深度神经网络模块和关键点深度神经网络模块的层数大于50层。
9.根据权利要求6所述的基于深度学习的头颅侧位片关键点自动侦测系统，其特征在于，所述关键点为为颅部正中矢状面上蝶鞍影响中心点，所述预测框为囊括完整的蝶鞍影像的最小矩形框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910843438.9A CN110706203A (zh) | 2019-09-06 | 2019-09-06 | 基于深度学习的头颅侧位片关键点自动侦测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910843438.9A CN110706203A (zh) | 2019-09-06 | 2019-09-06 | 基于深度学习的头颅侧位片关键点自动侦测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110706203A true CN110706203A (zh) | 2020-01-17 |
Family
ID=69194667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910843438.9A Pending CN110706203A (zh) | 2019-09-06 | 2019-09-06 | 基于深度学习的头颅侧位片关键点自动侦测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110706203A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065552A (zh) * | 2021-03-29 | 2021-07-02 | 天津大学 | 自动定位头影测量标志点的方法 |
| CN115797341A (zh) * | 2023-01-16 | 2023-03-14 | 四川大学 | 一种自动即时判定头颅侧位x光片自然头位的方法 |
| CN117372425A (zh) * | 2023-12-05 | 2024-01-09 | 山东省工业技术研究院 | 一种头颅侧位片的关键点检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
| CN108229293A (zh) * | 2017-08-09 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸图像处理方法、装置和电子设备 |
| WO2018121567A1 (zh) * | 2016-12-27 | 2018-07-05 | 北京市商汤科技开发有限公司 | 用于检测物体关键点的方法、装置及电子设备 |
| US20180268256A1 (en) * | 2017-03-16 | 2018-09-20 | Aquifi, Inc. | Systems and methods for keypoint detection with convolutional neural networks |
| CN109544536A (zh) * | 2018-11-26 | 2019-03-29 | 中国科学技术大学 | 髋关节x光图像快速自动分析方法 |
-
2019
- 2019-09-06 CN CN201910843438.9A patent/CN110706203A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018121567A1 (zh) * | 2016-12-27 | 2018-07-05 | 北京市商汤科技开发有限公司 | 用于检测物体关键点的方法、装置及电子设备 |
| US20180268256A1 (en) * | 2017-03-16 | 2018-09-20 | Aquifi, Inc. | Systems and methods for keypoint detection with convolutional neural networks |
| CN108229293A (zh) * | 2017-08-09 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸图像处理方法、装置和电子设备 |
| CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
| CN109544536A (zh) * | 2018-11-26 | 2019-03-29 | 中国科学技术大学 | 髋关节x光图像快速自动分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHUSI ZHONG，ET AL: "An Attention-Guided Deep Regression Model for Landmark Detection in Cephalograms", 《ARXIV》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065552A (zh) * | 2021-03-29 | 2021-07-02 | 天津大学 | 自动定位头影测量标志点的方法 |
| CN115797341A (zh) * | 2023-01-16 | 2023-03-14 | 四川大学 | 一种自动即时判定头颅侧位x光片自然头位的方法 |
| CN117372425A (zh) * | 2023-12-05 | 2024-01-09 | 山东省工业技术研究院 | 一种头颅侧位片的关键点检测方法 |
| CN117372425B (zh) * | 2023-12-05 | 2024-03-19 | 山东省工业技术研究院 | 一种头颅侧位片的关键点检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110706203A (zh) | 基于深度学习的头颅侧位片关键点自动侦测方法及系统 | |
| CN107591200B (zh) | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 | |
| CN108229509A (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| CN111540006B (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及系统 | |
| CN109685811A (zh) | 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法 | |
| CN109858476B (zh) | 标签的扩充方法和电子设备 | |
| CN107818343A (zh) | 计数方法及装置 | |
| CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN108039193A (zh) | 一种自动生成体检报告的方法及装置 | |
| CN109740668A (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
| CN107657008A (zh) | 基于深度判别排序学习的跨媒体训练及检索方法 | |
| CN112184714A (zh) | 图像分割方法、装置、电子设备及介质 | |
| CN113241155B (zh) | 一种头颅侧位片中标志点的获取方法及系统 | |
| CN110751138A (zh) | 一种基于yolov3和CNN的盘头标识识别方法 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| Borianne et al. | GT-RootS: an integrated software for automated root system measurement from high-throughput phenotyping platform images | |
| CN111126243B (zh) | 一种图像数据检测方法、装置以及计算机可读存储介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN110188662A (zh) | 一种水表数字的ai智能识别方法 | |
| CN114419087A (zh) | 病灶图像生成方法、装置、电子设备及存储介质 | |
| CN110378353A (zh) | 一种舌象特征提取方法、系统和计算机可读存储介质 | |
| CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
| CN104090932B (zh) | 一种内容推荐方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |