CN110738654B - 髋关节影像中的关键点提取及骨龄预测方法 - Google Patents
髋关节影像中的关键点提取及骨龄预测方法 Download PDFInfo
- Publication number
- CN110738654B CN110738654B CN201910994501.9A CN201910994501A CN110738654B CN 110738654 B CN110738654 B CN 110738654B CN 201910994501 A CN201910994501 A CN 201910994501A CN 110738654 B CN110738654 B CN 110738654B
- Authority
- CN
- China
- Prior art keywords
- key point
- key points
- key
- nth
- channel
- 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
- G06T7/0002—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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种髋关节影像中的关键点提取及骨龄预测方法,相关的关键点提取包括:利用特征提取网络对髋关节影像进行特征提取,再通过下采样获得C通道的热力图;所述特征提取网络预先利用包含专家标注的各个关键点位置的髋关节影像进行了训练;根据热力值大小,从C通道的热力图中检测出N个热力值最高的位置作为关键点;其中,C与N均为自然数,且C大于N;通过预测关键点偏差损失,对下采样阶段造成的N个关键点的位置偏差进行补偿,获得最终N个关键点的位置。该方法可以准确、快捷的提取关键点,极大的降低工作强度,并且能够实现骨龄预测。
Description
技术领域
本发明涉及医学影像分析技术领域,尤其涉及一种髋关节影像中的关键点提取及骨龄预测方法。
背景技术
目前,对于医学影像的分析与处理大多依靠人工方式来进行。
一方面,分析结果的准确性完全依赖于工作人员的技术水平,不同工作人员对于相同医学影像可能产生不同的分析结果,对于某些科研机构而言,不同的分析结果或者准确性难以衡量的分析结果将影响后续科研工作的开展;同时,对于某些基层医院或者相关的培训结构而言,不同的分析结果或者准确性难以衡量的分析结果,也对新上岗工作人员的培训目标产生不利影响。
另一方面,由于完全依赖人工方式,分析效率较低,而且工作强度较大。
发明内容
本发明的目的是提供一种髋关节影像中的关键点提取及骨龄预测方法,可以准确、快捷的提取关键点,极大的降低工作强度,并且能够实现骨龄预测。
本发明的目的是通过以下技术方案实现的:
一种髋关节影像中的关键点提取方法,包括:
利用特征提取网络对髋关节影像进行特征提取,再通过下采样获得C通道的热力图;所述特征提取网络预先利用包含专家标注的各个关键点位置的髋关节影像进行了训练;
根据热力值大小,从C通道的热力图中检测出N个热力值最高的位置作为关键点;其中,C与N均为自然数,且C大于N;
通过预测关键点偏差损失,对下采样阶段造成的N个关键点的位置偏差进行补偿,获得最终N个关键点的位置。
由上述本发明提供的技术方案可以看出,基于深度学习框架,可以直接从医学影像中提取出具有较高准确度的关键点,极大的提高了工作效率,并降低工作强度;此外,还可以实现骨龄预测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的一种髋关节影像中的关键点提取方法的流程图;
图2为本发明实施例提供的关键点示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种髋关节影像中的关键点提取方法,如图1所示,其主要包括:
1、利用特征提取网络对髋关节影像进行特征提取,再通过下采样获得C通道的热力图;所述特征提取网络预先利用包含专家标注的各个关键点位置的髋关节影像进行了训练。
本发明实施例方案基于深度学习框架实现,其包含训练与测试两个阶段;在训练阶段需要利用专家标注的髋关节影像进行迭代学习,使得C通道的热力图中热力值最高的区域不断逼近专家标注关键点的位置。专家标注的髋关节影像中包含了各个关键点的位置信息,通过迭代学习,从而在测试阶段能够直接提取出髋关节影像各个关键点的位置。
在训练阶段,输入至特征提取网络的髋关节影像中含有专家标注的各个关键点的位置;对于每一个关键点位置p,采用高斯核函数在关键点位置p处生成训练所用的圆形标签;上式中,x,y为圆形标签中任一位置的坐标;为圆形标签中的圆心坐标;圆形标签的中心即关键点的热力值最高的位置,其中,σp为预先设定的一个自适应的数值;当圆形标签存在重合时,重合区域内每个点对于不同圆形标签而言具有不同的标签值,取最大者作为相应点的标签值,最终得到一个包含各个关键位置的标签图。例如,两个圆形标签重合区域内,点A在第一个圆形标签内的标签值为0.5,在第一个圆形标签内的标签值为0.3,则取0.5作为点A的标签值。
本发明实施例的目的是为了预测N个关键点,训练阶段输入的髋关节影像都由专家对N个关键点的位置进行了标注;每一个通道中热力点最高的位置即为一个关键点位置,从前N-2个通道中检测出前N-2个关键点。为了确保关键点提取精度,对于第N-1与第N个关键点各自细分为n个子类别,一个子类别也对应一个通道,定义:C=N-2+2n;第N-1与第N个关键点它们各自的n个子类别中只有一个子类别是真实类别,可以通过比较各个子类别对应通道中热力值的最高值确定。在实际操作中,将非真实类别所对应通道设为黑色,或者设置非真实类别中最高热力值较低;这样在训练阶段,能够有效识别出真实类别,并且对真实类别中关键点位置进行训练。
在训练阶段,将检测到的N个关键点与标签图中相应关键点进行比较,计算出相应的误差(即损失),从而通过反向传播来优化特征提取网络的参数,使得二者误差逐渐减小,最终使得预测到的C通道的热力图中热力值最高的区域不断逼近专家标注关键点的位置。
关键点检测的损失函数为Focalloss,其表示为:
当Yxyc等于1时,即参与计算的热力值等同于热力图中的热力值,x,y表示坐标位置,c为通道序号,c=1,...,C,ψxyc=1;否则即参与计算的热力值为1减去热力图中的热力值,ψxyc=(1-Yxyc)β;α与β均为设定的超参数,示例性的,可以设置α=2和β=4。
本领域技术人员可以理解,Focal loss是深度学习很经典很传统的算法,目的是解决训练正负样本不均衡的问题。
为了在弥补图像下采样造成的关键点误差,会预测关键点的同时会预测一个关键点偏差损失,采用L1 Loss,表示为:
最终,训练阶段,总的损失函数为:
L=Ll+λoffLoff
其中,λoff为设定的损失比例参数。在实验阶段,损失比例参数λoff=1获得了最好结果,当然,具体数值也仅为举例,并非构成限制,在实际应用中用户可根据情况自行设定。
在测试阶段,通过训练好的特征提取网络能够获得输入髋关节影像的C通道的热力图。
本发明实施例中,可以使用Hourglass网络作为特征提取的主干网络,通过Hourglass网络及反卷积操作(DeConv)经过不断的迭代和参数优化,最终会输出C通道的热力图。
需要说明的是,Hourglass网络是现有的卷积神经网络,其结构及工作过程可参见现有技术,不再赘述。当然,用户也可以根据实际情况采用其他形式网络作为特征提取的主干网络。
2、根据热力值大小,从C通道的热力图中检测出N个热力值最高的位置作为关键点;其中,C与N均为自然数,且C大于N。
C通道的热力图表示为:
也即,预先将热力图的值全部归一化到0-1,热力值最大值为1;当然,在实际操作中,通道中热力值的最大值不一定能够达到1,有可能是0.9之类,但是,其表示相应点有90%的概率为关键点,因而,可以将其视为关键点。
本发明实施例中,需要从C通道的热力图中,检测出N个关键点,N<C。每一个通道中热力点最高的位置即为一个关键点位置,从前N-2个通道中检测出前N-2个关键点;第N-1与第N个关键点自分为了n个子类别,每一个子类别对应一个通道,n个通道中具有最高热力值的通道为相应关键点真实类别对应的通道,则第N-1与第N个关键点即为各自真实类别对应通道中热力值最高的位置点。
示例性的,可以设置C=14,N=6,n=5。则第1~第4通道各自检测出的关键点也即前4个关键点。对于第N-1与第N个关键点,则从剩余的10个通道(第5~第14通道)中检测,对于第N-1个关键点,其划分的5个子类别的关键点分别由第5~第9通道检测出来,假设5个子类别关键点在相应通道的热力值分别为0.8、0.1、0.2、0.1、0.2,即,真实类别对应的通道为第5通道,则选出第5通道(即真实类别对应的通道)检测的关键点作为第N-1个关键点;第N个关键点的检测原理也是如此;这种操作方式,也可以确保检测出的关键点足够准确。
在理想情况下,每张髋关节影像应当预测出6个关键点。图2示例性的给出了6个关键点的提取结果,其中:1-盆骨右中心点,2-盆骨左中心点,3-髋臼右前缘,3-髋臼左前缘,5-右股骨头中心,6-左股骨头中心。
3、通过预测关键点偏差损失,对下采样阶段造成的N个关键点的位置偏差进行补偿,获得最终N个关键点的位置。
通过上述步骤能够获得N个关键点的位置,为了确保精度,测试阶段,本发明实施例中会对步骤2输出的N个关键点的位置进行位置偏差的补偿。
需要说明的是,图1给出的热力图以及偏差所对应的具体参数数值仅为举例,并非构成限制。
本发明另一实施例还提供一种骨龄的预测的方法,该方法基于前述关键点提取方式来实现,即利用第N-1与第N个关键点用于骨龄预测;第N-1与第N个关键点都各自被划分为n个子类别,第N-1与第N个关键点各自的n个子类别中只有一个子类别是真实类别,每一个子类别对应一个通道,每一个子类别都对应一个年龄段,N-2+2n=C;
在训练阶段所使用的髋关节影像所对应的股骨头年龄都是已知的,即专家标注的第N-1与第N个关键点都对应于一个具体的子类别(也就是前文提到的真实类别);在测试阶段,获得的第N-1与第N个关键点所属的子类别,也即真实类别,从而实现股骨头年龄的预测。
图2所示,第N-1与第N个关键点也即,左侧股骨头中心点5与右侧股骨头中心点6。
示例性的,可以设置n=5。也即,左侧股骨头中心点与右侧股骨头中心点都细分为5个子类别,每个子类别所在的位置是不同的,因此,在根据前述方案得到各个关键点位置后,即可确定左侧股骨头中心点或者右侧股骨头中心点位置对应的真实类别,进而确定股骨头所对应的年龄段。
示例性的,可以根据已知股骨头年龄的髋关节影像建立两个关键点的位置与5个股骨头年龄段的对应关系,5个股骨头年龄段分别为0.1-6月、6月至2岁、2-6岁、6-12岁以及大于12岁,也即划分为5个子类别,每一子类别对应一个年龄段;当确定真实类别后也就能够确定相应的年龄段。
基于上述方案可见,由于热力图是C个通道,其不仅包含了N-2个关键点的类别,还包含了用于股骨头年龄的预测的第N-1与第N个关键点各自划分的n个子类别,因此,通过前述实施例得到的关键点,就可以直接得到用于股骨头年龄的预测的两类关键点的子类别,从而完成股骨头年龄的预测。在实际的应用中,可以通过一个统一的网络模型实现关键点提取与骨龄的预测。
如之前所述,本发明实施例上述方案基于深度学习框架实现,其需要预先进行训练,以便深度学习如何寻找关键点位置。示例性的,收集医院影像科已有的X光图像数据,共9499幅,确定一幅图像上所需要寻找的全部关键点位置,让专业的医生对关键点位置进行标注,以便深度学习如何寻找关键点位置。而这9499幅图像数据包括7352幅图像用于训练模型,另外2147幅图像用于测试。
本发明实施例上述方案针对工作效率、关键点提取精度与可靠性进行了改进,从而可以快速、准确的从髋关节影像中提取关键点。所要提取的关键点的具体类型,可以根据实际情况来提取,图2给出的关键点类型仅为举例,并非构成限制。
在数据集上对上述方案进行测试,6个关键点平均预测误差为4.95像素,可见其准确度极高;此外,左侧股骨头年龄预测精度为81.9%,右侧股骨头年龄预测精度为82.7%,也即股骨头年龄的预测也能够获得较高精度。
另外,本发明上述方案可以应用到多个具体的工作中,但本发明对提取到关键点后具体的应用不做限制,下面仅示例性的给出一些具体应用方向。
1)基层医院或者培训机构,通过本发明提供的方案来对新上岗工作人员进行培训,使得他们能够在后续工作中准确分辨、提取相关类型的关键点;还可以在对他们培训一段时间后,根据他们提取的关键点与本发明提取的关键点进行技术水平的考核等。
2)某些科研机构,例如,科研机构也在研发关键点自动提取的设备(系统),但可能精度不够高,这些科研机构可以结合本发明所提取关键点来进行相关设备(系统)的改进等。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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)执行本发明各个实施例所述的方法。
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披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种髋关节影像中的关键点提取方法,其特征在于,包括:
利用特征提取网络对髋关节影像进行特征提取,再通过下采样获得C通道的热力图;所述特征提取网络预先利用包含专家标注的各个关键点位置的髋关节影像进行了训练;
根据热力值大小,从C通道的热力图中检测出N个热力值最高的位置作为关键点;其中,C与N均为自然数,且C大于N;
通过预测关键点偏差损失,对下采样阶段造成的N个关键点的位置偏差进行补偿,获得最终N个关键点的位置;
其中,关键点偏差损失的损失函数表示为:
所述根据热力值大小,从C通道的热力图中检测出N个热力值最高的位置作为关键点包括:每一个通道中热力值 最高的位置即为一个关键点位置,从前N-2个通道中检测出前N-2个关键点;第N-1与第N个关键点自分为了n个子类别,每一个子类别对应一个通道,n个通道中具有最高热力值的通道为相应关键点真实类别对应的通道,则第N-1与第N个关键点即为各自真实类别对应通道中热力值最高的位置点;C=N-2+2n。
2.根据权利要求1所述的一种髋关节影像中的关键点提取方法,其特征在于,
在训练阶段,输入至特征提取网络的髋关节影像中含有专家标注的各个关键点的位置;对于每一个关键点位置p,采用高斯核函数在关键点位置p处生成训练所用的圆形标签,上式中,x,y为圆形标签中任一位置的坐标;为圆形标签中的圆心坐标;圆形标签的中心即关键点的热力值最高的位置,其中,σp为预先设定的一个自适应的数值;当圆形标签存在重合时,重合区域内每个点对于不同圆形标签而言具有不同的标签值,取最大者作为相应点的标签值,最终得到一个包含各个关键位置的标签图;
训练阶段输入的髋关节影像都由专家对N个关键点的位置进行了标注;每一个通道中热力值 最高的位置即为一个关键点位置,从前N-2个通道中检测出前N-2个关键点;对于第N-1与第N个关键点各自细分为n个子类别,定义:C=N-2+2n;第N-1与第N个关键点它们各自的n个子类别中只有一个子类别是真实类别;
将检测到的N个关键点与标签图中相应关键点进行比较,计算出相应的误差,从而通过反向传播来优化特征提取网络的参数。
4.根据权利要求1所述的一种髋关节影像中的关键点提取方法,其特征在于,训练阶段,总的损失函数为:
L=Ll+λoffLoff
其中,λoff为设定的损失比例参数。
5.一种骨龄的预测的方法,其特征在于,该方法基于权利要求1-4任一项所述的髋关节影像中的关键点提取方法实现,包括:
将关键点提取方法中获得的第N-1与第N个关键点用于骨龄预测;第N-1与第N个关键点都各自被划分为n个子类别,第N-1与第N个关键点各自的n个子类别中只有一个子类别是真实类别,每一个子类别对应一个通道,每一个子类别都对应一个年龄段,N-2+2n=C;
在训练阶段所使用的髋关节影像所对应的股骨头年龄都是已知的,即专家标注的第N-1与第N个关键点都对应于一个真实类别;在测试阶段,获得的第N-1与第N个关键点所属的子类别,也即真实类别,从而实现股骨头年龄的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994501.9A CN110738654B (zh) | 2019-10-18 | 2019-10-18 | 髋关节影像中的关键点提取及骨龄预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994501.9A CN110738654B (zh) | 2019-10-18 | 2019-10-18 | 髋关节影像中的关键点提取及骨龄预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738654A CN110738654A (zh) | 2020-01-31 |
CN110738654B true CN110738654B (zh) | 2022-07-15 |
Family
ID=69270143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910994501.9A Active CN110738654B (zh) | 2019-10-18 | 2019-10-18 | 髋关节影像中的关键点提取及骨龄预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738654B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798976A (zh) * | 2020-06-23 | 2020-10-20 | 杭州深睿博联科技有限公司 | 一种ddh人工智能辅助诊断方法及装置 |
CN111882532B (zh) * | 2020-07-15 | 2021-10-01 | 中国科学技术大学 | 下肢x光影像中关键点提取方法 |
CN111882531B (zh) * | 2020-07-15 | 2021-08-17 | 中国科学技术大学 | 髋关节超声图像自动分析方法 |
CN113408568B (zh) * | 2021-04-16 | 2024-04-16 | 科大讯飞股份有限公司 | 对象关键点的检测模型训练的相关方法、装置、设备 |
CN113362282B (zh) * | 2021-05-18 | 2023-04-18 | 汕头大学 | 基于多任务学习的髋关节关键点位置检测方法及系统 |
CN113706463B (zh) * | 2021-07-22 | 2024-04-26 | 杭州键嘉医疗科技股份有限公司 | 基于深度学习的关节影像关键点自动检测方法、装置 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015011256A1 (en) * | 2013-07-25 | 2015-01-29 | Smith & Nephew, Inc. | Method for creating a surgical resection plan for treating a pathological deformity of a bone |
CN104899575A (zh) * | 2015-06-19 | 2015-09-09 | 南京大学 | 一种基于人脸检测和关键点定位的人体组件划分方法 |
CN108960081A (zh) * | 2018-06-15 | 2018-12-07 | 中控智慧科技股份有限公司 | 一种手掌图像识别方法、装置及计算机可读存储介质 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
CN109285154A (zh) * | 2018-09-30 | 2019-01-29 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
CN109508681A (zh) * | 2018-11-20 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 生成人体关键点检测模型的方法和装置 |
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 |
CN109544537A (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 |
CN109567839A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | 髋关节x光图像自动分析方法 |
CN109670397A (zh) * | 2018-11-07 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 人体骨骼关键点的检测方法、装置、电子设备及存储介质 |
CN109685023A (zh) * | 2018-12-27 | 2019-04-26 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像的面部关键点检测方法及相关装置 |
CN109726659A (zh) * | 2018-12-21 | 2019-05-07 | 北京达佳互联信息技术有限公司 | 人体骨骼关键点的检测方法、装置、电子设备和可读介质 |
CN109741309A (zh) * | 2018-12-27 | 2019-05-10 | 北京深睿博联科技有限责任公司 | 一种基于深度回归网络的骨龄预测方法及装置 |
CN109784149A (zh) * | 2018-12-06 | 2019-05-21 | 北京飞搜科技有限公司 | 一种人体骨骼关键点的检测方法及系统 |
CN109858445A (zh) * | 2019-01-31 | 2019-06-07 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109858435A (zh) * | 2019-01-29 | 2019-06-07 | 四川大学 | 一种基于脸部图像的小熊猫个体识别方法 |
CN110046551A (zh) * | 2019-03-18 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 一种人脸识别模型的生成方法及设备 |
CN110070066A (zh) * | 2019-04-30 | 2019-07-30 | 福州大学 | 一种基于姿态关键帧的视频行人重识别方法及系统 |
CN110148138A (zh) * | 2019-05-23 | 2019-08-20 | 南京信息工程大学 | 一种基于双重调制的视频目标分割方法 |
CN110288583A (zh) * | 2019-06-27 | 2019-09-27 | 中国科学技术大学 | 髋关节影像中的关键点自动提取方法 |
CN110287846A (zh) * | 2019-06-19 | 2019-09-27 | 南京云智控产业技术研究院有限公司 | 一种基于注意力机制的人脸关键点检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201931179A (zh) * | 2017-07-13 | 2019-08-01 | 美商美國資生堂公司 | 用於虛擬面部化妝之移除與模擬、快速面部偵測及標記追蹤、降低輸入視訊之延遲及振動的系統與方法,以及用於建議化妝之方法 |
-
2019
- 2019-10-18 CN CN201910994501.9A patent/CN110738654B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015011256A1 (en) * | 2013-07-25 | 2015-01-29 | Smith & Nephew, Inc. | Method for creating a surgical resection plan for treating a pathological deformity of a bone |
CN104899575A (zh) * | 2015-06-19 | 2015-09-09 | 南京大学 | 一种基于人脸检测和关键点定位的人体组件划分方法 |
CN108960081A (zh) * | 2018-06-15 | 2018-12-07 | 中控智慧科技股份有限公司 | 一种手掌图像识别方法、装置及计算机可读存储介质 |
CN108985259A (zh) * | 2018-08-03 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 人体动作识别方法和装置 |
CN109285154A (zh) * | 2018-09-30 | 2019-01-29 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
CN109670397A (zh) * | 2018-11-07 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 人体骨骼关键点的检测方法、装置、电子设备及存储介质 |
CN109508681A (zh) * | 2018-11-20 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 生成人体关键点检测模型的方法和装置 |
CN109567839A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | 髋关节x光图像自动分析方法 |
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 |
CN109544537A (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 |
CN109784149A (zh) * | 2018-12-06 | 2019-05-21 | 北京飞搜科技有限公司 | 一种人体骨骼关键点的检测方法及系统 |
CN109726659A (zh) * | 2018-12-21 | 2019-05-07 | 北京达佳互联信息技术有限公司 | 人体骨骼关键点的检测方法、装置、电子设备和可读介质 |
CN109685023A (zh) * | 2018-12-27 | 2019-04-26 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像的面部关键点检测方法及相关装置 |
CN109741309A (zh) * | 2018-12-27 | 2019-05-10 | 北京深睿博联科技有限责任公司 | 一种基于深度回归网络的骨龄预测方法及装置 |
CN109858435A (zh) * | 2019-01-29 | 2019-06-07 | 四川大学 | 一种基于脸部图像的小熊猫个体识别方法 |
CN109858445A (zh) * | 2019-01-31 | 2019-06-07 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN110046551A (zh) * | 2019-03-18 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 一种人脸识别模型的生成方法及设备 |
CN110070066A (zh) * | 2019-04-30 | 2019-07-30 | 福州大学 | 一种基于姿态关键帧的视频行人重识别方法及系统 |
CN110148138A (zh) * | 2019-05-23 | 2019-08-20 | 南京信息工程大学 | 一种基于双重调制的视频目标分割方法 |
CN110287846A (zh) * | 2019-06-19 | 2019-09-27 | 南京云智控产业技术研究院有限公司 | 一种基于注意力机制的人脸关键点检测方法 |
CN110288583A (zh) * | 2019-06-27 | 2019-09-27 | 中国科学技术大学 | 髋关节影像中的关键点自动提取方法 |
Non-Patent Citations (6)
Title |
---|
CornerNet: Detecting Objects as Paired Keypoints;Hei Law 等;《ECCV 2018》;20181231;1-17 * |
CornerNet-Lite: Efficient Keypoint Based Object Detection;Hei Law 等;《arXiv:1904.08900v1》;20190418;1-11 * |
Regressing Heatmaps for Multiple Landmark Localization Using CNNs;Christian Payer 等;《Computer Science》;20161031;1-9 * |
一种基于角点检测方法的骨龄图像关键点定位;冉隆科 等;《电子设计工程》;20110731;第19卷(第14期);175-177 * |
一种室内空间结构约束的热力图生成方法;张蓝天 等;《测绘科学技术学报》;20181231;第35卷(第5期);533-539 * |
基于人体关键点的分心驾驶行为识别;夏瀚笙 等;《计算机技术与发展》;20190731;第29卷(第7期);1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN110738654A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738654B (zh) | 髋关节影像中的关键点提取及骨龄预测方法 | |
CN110895809B (zh) | 准确提取髋关节影像中关键点的方法 | |
Eaton-Rosen et al. | Towards safe deep learning: accurately quantifying biomarker uncertainty in neural network predictions | |
CN109948522B (zh) | 一种基于深度神经网络的x光片手骨成熟度判读方法 | |
Zhang et al. | A quantitative approach to design alternative evaluation based on data-driven performance prediction | |
Dantas et al. | Effort estimation in agile software development: An updated review | |
US20220122739A1 (en) | Ai-based condition classification system for patients with novel coronavirus | |
RU2689818C1 (ru) | Способ интерпретации искусственных нейронных сетей | |
JP2005531853A (ja) | Snp遺伝子型クラスタリングのためのシステムおよび方法 | |
Thian et al. | Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study | |
CN113763340A (zh) | 基于多任务深度学习强直性脊柱炎的自动分级方法 | |
Chhabra et al. | An advanced VGG16 architecture-based deep learning model to detect pneumonia from medical images | |
Zhu et al. | A bug or a suggestion? an automatic way to label issues | |
Wang et al. | Medical matting: a new perspective on medical segmentation with uncertainty | |
CN110288583B (zh) | 髋关节影像中的关键点自动提取方法 | |
Walker et al. | Evaluation of a semi-automated data extraction tool for public health literature-based reviews: Dextr | |
Buddenkotte et al. | Calibrating ensembles for scalable uncertainty quantification in deep learning-based medical image segmentation | |
Denzinger et al. | Automatic CAD-RADS scoring using deep learning | |
Li et al. | Automatic bone age assessment of adolescents based on weakly-supervised deep convolutional neural networks | |
Peng et al. | CLGT: A graph transformer for student performance prediction in collaborative learning | |
Raihan et al. | Classification of covid-19 patients using deep learning architecture of inceptionv3 and resnet50 | |
Agarwal et al. | Application of a deep learning semantic segmentation model to helium bubbles and voids in nuclear materials | |
Pavlekovic et al. | Modeling children’s mathematical gift by neural networks and logistic regression | |
de Santi et al. | Field-level simulation-based inference with galaxy catalogs: the impact of systematic effects | |
Bhardwaj et al. | Improved healthcare monitoring of coronary heart disease patients in time-series fashion using deep learning model |
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 |