CN110895809B - 准确提取髋关节影像中关键点的方法 - Google Patents

准确提取髋关节影像中关键点的方法 Download PDF

Info

Publication number
CN110895809B
CN110895809B CN201910993780.7A CN201910993780A CN110895809B CN 110895809 B CN110895809 B CN 110895809B CN 201910993780 A CN201910993780 A CN 201910993780A CN 110895809 B CN110895809 B CN 110895809B
Authority
CN
China
Prior art keywords
key points
key
channel
point
thermodynamic
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
Application number
CN201910993780.7A
Other languages
English (en)
Other versions
CN110895809A (zh
Inventor
张勇东
武海
谢洪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201910993780.7A priority Critical patent/CN110895809B/zh
Publication of CN110895809A publication Critical patent/CN110895809A/zh
Application granted granted Critical
Publication of CN110895809B publication Critical patent/CN110895809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种准确提取髋关节影像中关键点的方法，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，并且，训练阶段还以相关关键点位置之间关系作为约束条件；根据热力值大小，从C通道的热力图中检测出C个热力值最高的位置作为关键点；其中，C为自然数；通过预测关键点偏差损失，对下采样阶段造成的C个关键点的位置偏差进行补偿，获得最终C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。

Description

准确提取髋关节影像中关键点的方法
技术领域
本发明涉及医学影像分析技术领域，尤其涉及一种准确提取髋关节影像中关键点的方法。
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准确提取髋关节影像中关键点的方法，可以准确、快捷的提取关键点，极大的降低工作强度。
本发明的目的是通过以下技术方案实现的：
一种准确提取髋关节影像中关键点的方法，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，并且，训练阶段还以相关关键点位置之间关系作为约束条件；
根据热力值大小，从C通道的热力图中检测出C个热力值最高的位置作为关键点；其中，C为自然数；
通过预测关键点偏差损失，对下采样阶段造成的C个关键点的位置偏差进行补偿，获得最终C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。
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准确提取髋关节影像中关键点的方法的流程图；
图2为本发明实施例提供的关键点及相关半径示意图；
图3为本发明实施例提供的中央区域选取的示意图；
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准确提取髋关节影像中关键点的方法，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，并且，训练阶段还以相关关键点位置之间关系作为约束条件。
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。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，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，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
Figure GDA0003638964160000021
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；
Figure GDA0003638964160000031
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。
对于C通道的热力图中的每一个通道，都将热力值最高的位置点作为相应的关键点，每一通道都能够检测出一个关键点，最终检测出C个关键点。将检测出的C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：
Figure GDA0003638964160000032
当Yxyc等于1时，
Figure GDA0003638964160000033
即参与计算的热力值
Figure GDA0003638964160000034
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
Figure GDA0003638964160000035
即参与计算的热力值
Figure GDA0003638964160000036
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。
为了得到股骨头区域的大小同时提高C个关键点检测的精度，设置了约束条件，即引入了一部分新的损失函数，这部分损失函数会给每个关键点配备一个半径，通过配备的半径来约束各关键点的位置关系；
如图2所示，关键点包括如下六个：盆骨右中心点、盆骨左中心点、髋臼右前缘，髋臼左前缘，右股骨头中心、以及左股骨头中心；其中，右股骨头中心与左股骨头中心的半径为髋关节影像中相应骨头外接圆的半径；盆骨右中心点与髋臼右前缘的半径为二者之间的距离，盆骨左中心点与髋臼左前缘的半径为二者之间的距离。加上这部分损失函数能够整合关键点预测和区域检测，从而形成一个可以端到端训练的网络，同时又能够约束关键点之间的关系，而不是每个关键点去独立的预测，事实证明这样的约束可以提高关键点检测的精度。
预测半径的损失函数采用L1 Loss，表示为：
Figure GDA0003638964160000041
其中，
Figure GDA0003638964160000042
表示真实的半径(可以根据专家标注的关键点位置来确定)，rl表示预测的半径。
本发明实施例中，通过引入半径的约束，使得网络检测关键点时不仅利用图像的局部特征，还会利用关键点之间的约束关系。以关键点1和3举例来说，这两个点需要预测的半径都是这两个点之间的距离。通过这样的约束，能够同时提高这两个点的预测精度。对于关键点5和6来说，所要预测的半径就是其对应股骨头的大小，半径的约束同样能提高关键点的检测精度。
为了在弥补图像下采样造成的关键点误差，在预测关键点的同时会预测每一个关键点偏差损失，采用L1 Loss，表示为：
Figure GDA0003638964160000043
其中，
Figure GDA0003638964160000044
表示
Figure GDA0003638964160000045
向下取整，
Figure GDA0003638964160000046
表示偏差，p表示关键点位置，S是下采样的倍数。
最终，训练阶段，总的损失函数为：
Lcircle＝Ll+λrLr+λoffLoff
其中，λr与λoff均为设定的损失比例参数。在实验阶段，损失比例参数λr＝0.1以及λoff＝1获得了最好结果，当然，这两个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ResNet-50网络作为特征提取的主干网络，通过ResNet-50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，ResNet-50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C个热力值最高的位置作为关键点；其中，C为自然数。
C通道的热力图表示为：
Figure GDA0003638964160000051
其中，H、W分别为髋关节影像的高、宽；S是下采样的倍数；
Figure GDA0003638964160000052
表示C通道的热力图为3维的矩阵。
热力值最高的位置表示为：
Figure GDA0003638964160000053
其中，x,y表示坐标位置，c为通道序号，c＝1,...,C。
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C个关键点。每一个通道中热力点最高的位置即为一个关键点位置，C个通道则能够检测出C个关键点。
示例性的，可以设置C＝6。
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C个关键点的位置偏差进行补偿，获得最终C个关键点的位置。
通过上述步骤能够获得C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C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。
另一方面，为了更加精确地定位关键点，同时更好地利用图像中的有效信息，需要建模图像有效信息的长程依赖关系。
如图3所示，为中央区域选取的示意图。结合图3的(a)部分我们可以看出关键点及其相关联的骨架主要位于图像的中央区域，图3的(b)部分是在训练集7706张图像采用OpenCV中的轮廓函数findCountours来统计的中央区域左上和右下两个角点在图像中的大致分布比例。根据观察，中央区域大概占图像长度的3/4。根据这个观察的结果，认为在图像边缘部分进行长程依赖建模意义不大，因为骨架大致会落在我们统计的中央区域内，因此设计了Local non-local(LNL)模块，LNL模块的结构如图1中所示，这个模块是嵌入在主干网络(例如ResNet-50网络)的Stage 4之后的。ResNet-50输出的多通道特征图输入至LNL模块，通过LNL模块对每个通道特征图的中央区域进行长程依赖关系的建模，然后进行多通道特征图的融合。整个模块的输入通道和输出通道相同。整个模块不改变通道数和特征图的大小。示例性的，假设在主干网络的Stage 4之后输出的特征图宽与高都是32像素，则从其中央裁剪宽高都为24像素的区域进行像素对的依赖关系建模。
LNL模块的结构如图1中的下部分所示，所设计的LNL模块包括依次设置的卷积操作CNN、Softmax层、归一化操作层以及补零操作Padding层，这个模块的功能是在ResNet-50的结构当中，进行特征图通道间的融合，在输入的特征图上的每一个像素都融入该特征图其他像素的信息，从而建立特征图像素之间的长程依赖关系。由于我们所要处理的髋关节影像通常为DDH X光图像，它存在一个很强的先验知识，那就是骨盆大致会位于图像的中央区域，我们为了减小特征图建立长程依赖关系的计算资源的消耗，同时又能很好地建立像素的长程依赖关系，我们只去计算图像中央指定区域(具体的区域大小可以根据实际情况自行设定)内像素(有效信息)的依赖关系，图像边缘对于检测关键点提供的有用的信息较少，就不再进行长程依赖关系的建模。通过设计的LNL模块，网络能很好地捕捉像素之间的依赖关系，提高关键点检测的精度，又能避免不必要的计算开销。
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9532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9532幅图像数据包括7706幅图像用于训练模型，另外1826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4.79像素，这其中LNL模块贡献的精度提升为0.2像素。
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)

1.一种准确提取髋关节影像中关键点的方法，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，并且，训练阶段还以相关关键点位置之间关系作为约束条件；
根据热力值大小，从C通道的热力图中检测出C个热力值最高的位置作为关键点；其中，C为自然数；
通过预测关键点偏差损失，对下采样阶段造成的C个关键点的位置偏差进行补偿，获得最终C个关键点的位置；
其中，以相关关键点位置之间关系作为约束条件包括：
为每一个关键点配备一个半径，通过配备的半径来约束各关键点的位置关系；
关键点包括如下六个：盆骨右中心点、盆骨左中心点、髋臼右前缘，髋臼左前缘，右股骨头中心、以及左股骨头中心；其中，右股骨头中心与左股骨头中心的半径为髋关节影像中相应骨头外接圆的半径；盆骨右中心点与髋臼右前缘的半径为二者之间的距离，盆骨左中心点与髋臼左前缘的半径为二者之间的距离；
预测半径的损失函数为：
Figure FDA0003638964150000011
其中，
Figure FDA0003638964150000012
表示真实的半径，rl表示预测的半径；
在训练阶段，还预测每一个关键点偏差损失，表示为：
Figure FDA0003638964150000013
其中，
Figure FDA0003638964150000014
表示
Figure FDA0003638964150000015
向下取整，
Figure FDA0003638964150000016
表示偏差，p表示关键点位置，S是下采样的倍数。
2.根据权利要求1所述的一种准确提取髋关节影像中关键点的方法，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
Figure FDA0003638964150000017
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；
Figure FDA0003638964150000018
Figure FDA0003638964150000019
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；
对于C通道的热力图中的每一个通道，都将热力值最高的位置点作为相应的关键点，每一通道都能够检测出一个关键点，最终检测出C个关键点。
3.根据权利要求2所述的一种准确提取髋关节影像中关键点的方法，其特征在于，
关键点检测的损失函数为Focalloss，其表示为：
Figure FDA0003638964150000021
当Yxyc等于1时，
Figure FDA0003638964150000022
即参与计算的热力值
Figure FDA0003638964150000023
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
Figure FDA0003638964150000024
即参与计算的热力值
Figure FDA0003638964150000025
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。
4.根据权利要求1所述的一种准确提取髋关节影像中关键点的方法，训练阶段，总的损失函数为：
Lcircle＝Ll+λrLr+λoffLoff
其中，λr与λoff均为设定的损失比例参数；Ll表示关键点检测的损失。
5.根据权利要求1所述的一种准确提取髋关节影像中关键点的方法，其特征在于，该方法还包括：在特征提取网络中加入LNL模块，所述LNL模块包括依次设置的卷积操作CNN、Softmax层、归一化操作层以及补零操作Padding层；
所述LNL模块设置在特征提取网络的主干网络内，用于对主干网络提取到的多通道特征图进行操作：先提取每一通道特征图中央指定区域，然后将中央指定区域内的每一个像素都融入其它像素的信息，从而建立特征图像素之间的长程依赖关系，然后进行多通道特征图的融合；LNL模块的输入通道和输出通道相同，不改变通道数和特征图的大小。
CN201910993780.7A 2019-10-18 2019-10-18 准确提取髋关节影像中关键点的方法 Active CN110895809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910993780.7A CN110895809B (zh) 2019-10-18 2019-10-18 准确提取髋关节影像中关键点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910993780.7A CN110895809B (zh) 2019-10-18 2019-10-18 准确提取髋关节影像中关键点的方法

Publications (2)

Publication Number Publication Date
CN110895809A CN110895809A (zh) 2020-03-20
CN110895809B true CN110895809B (zh) 2022-07-15

Family

ID=69785667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910993780.7A Active CN110895809B (zh) 2019-10-18 2019-10-18 准确提取髋关节影像中关键点的方法

Country Status (1)

Country Link
CN (1) CN110895809B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724389B (zh) * 2020-04-30 2023-12-12 北京天智航医疗科技股份有限公司 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN111798976B (zh) * 2020-06-23 2024-08-13 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
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
CN112617870B (zh) * 2020-12-16 2024-05-03 哈尔滨文缔拓明科技有限公司 一种基于dr图像的成人髋关节角度获取方法
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
CN113592820A (zh) * 2021-07-30 2021-11-02 瓴域影诺(北京)科技有限公司 一种股骨区域及关键点检测方法和系统
CN113870229B (zh) * 2021-09-29 2022-03-11 北京长木谷医疗科技有限公司 股骨近端髓腔图像数据处理方法、装置、设备和存储介质
CN114663509B (zh) * 2022-03-23 2022-09-27 北京科技大学 一种关键点热力图引导的自监督单目视觉里程计方法
CN115036005B (zh) * 2022-06-01 2024-10-01 西安电子科技大学 Ddh辅助诊断方法及装置
CN114782449B (zh) * 2022-06-23 2022-11-22 中国科学技术大学 下肢x光影像中关键点提取方法、系统、设备及存储介质
CN115063410B (zh) * 2022-08-04 2023-01-10 中建电子商务有限责任公司 一种基于无锚点目标检测的钢管计数方法
CN115239720A (zh) * 2022-09-22 2022-10-25 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院) 基于经典Graf的DDH超声影像人工智能诊断系统及方法
CN116630551B (zh) * 2023-07-25 2023-11-07 凝动万生医疗科技(武汉)有限公司 运动捕捉和评估装置及其方法
CN117422721B (zh) * 2023-12-19 2024-03-08 天河超级计算淮海分中心 一种基于下肢ct影像的智能标注方法

Citations (19)

* Cited by examiner, † Cited by third party
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
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
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
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
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
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7200139B2 (ja) * 2017-07-13 2023-01-06 株式会社 資生堂 仮想顔化粧の除去、高速顔検出およびランドマーク追跡

Patent Citations (19)

* Cited by examiner, † Cited by third party
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
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
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 (5)

* Cited by examiner, † Cited by third party
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》;20161231;1-9 *
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
CN110895809A (zh) 2020-03-20

Similar Documents

Publication Publication Date Title
CN110895809B (zh) 准确提取髋关节影像中关键点的方法
CN112288706B (zh) 一种自动化的染色体核型分析以及异常检测方法
CN110738654B (zh) 髋关节影像中的关键点提取及骨龄预测方法
JP7489732B2 (ja) 深層学習に基づく脊椎ｍｒｉ映像キーポイント検出方法
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
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
CN112862824A (zh) 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质
CN113763340B (zh) 基于多任务深度学习强直性脊柱炎的自动分级方法
Nateghi et al. A deep learning approach for mitosis detection: application in tumor proliferation prediction from whole slide images
EP4181059A1 (en) Medical image processing method, apparatus, device, storage medium, and product
US12026889B2 (en) Characterization platform for scalable, spatially-resolved multispectral analysis of tissue
Wang et al. Medical matting: a new perspective on medical segmentation with uncertainty
CN109567839A (zh) 髋关节x光图像自动分析方法
CN110288583B (zh) 髋关节影像中的关键点自动提取方法
CN113762251B (zh) 一种基于注意力机制的目标分类方法及系统
Zhang Computer-aided diagnosis for pneumoconiosis staging based on multi-scale feature mapping
Pham et al. Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks
Ishkov et al. Processing and visualization of tomography signal with AI: Decision making on COVID-19
CN108898601A (zh) 基于随机森林的股骨头图像分割装置及分割方法
CN110120266B (zh) 骨骼年龄评估方法
CN112582064A (zh) 一种动作评估方法、装置、设备及存储介质
CN116933135A (zh) 基于跨模态融合级联的癌症分期预测模型建模系统及方法
Wu et al. SVTNet: Automatic bone age assessment network based on TW3 method and vision transformer
CN116309388A (zh) 一种基于多区域结合的骨龄智能评估方法
CN116703837A (zh) 一种基于mri图像的肩袖损伤智能识别方法及装置

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
GR01 Patent grant
GR01 Patent grant