CN111046901A - 一种骨龄图像数字化处理后自动识别方法 - Google Patents
一种骨龄图像数字化处理后自动识别方法 Download PDFInfo
- Publication number
- CN111046901A CN111046901A CN201911043892.2A CN201911043892A CN111046901A CN 111046901 A CN111046901 A CN 111046901A CN 201911043892 A CN201911043892 A CN 201911043892A CN 111046901 A CN111046901 A CN 111046901A
- Authority
- CN
- China
- Prior art keywords
- bone
- image
- model
- bone age
- target
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 title claims abstract description 12
- 210000002411 hand bone Anatomy 0.000 claims description 16
- 230000014461 bone development Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 239000010408 film Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000012010 growth Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 239000012788 optical film Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000037396 body weight Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000037182 bone density Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000017701 Endocrine disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008468 bone growth Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000003010 carpal bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000000236 metacarpal bone Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000012488 skeletal system development Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000623 ulna Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Abstract
本发明提供一种骨龄图像数字化处理后自动识别方法。本发明通过骨龄片数字化生成，图片位置数字化坐标系定位，生成线性图像的数字转化，在对比样板图的基础上，使用VGG对比要测试的图和样板图得出骨龄的结果。本发明解决了读片困难耗时的难题，为骨龄评定提供了有利的支撑。
Description
技术领域
本发明属于医学图像处理，涉及一种X线手掌片的骨龄数字化测算和自动化识别的方法。尤其涉及一种骨龄图像数字化处理后自动识别方法和装置。
背景技术
骨龄是骨骼生长程度的一种状态，也是一种生物学年龄，人类骨骼发育的变化基本相似，每一根骨头的发育过程都具有连续性和阶段性。将儿童青少年骨骼发育水平同骨发育标准对比而求得的发育年龄，就是骨龄，因此，骨龄评估能较准确地反映个体的生长发育水平和成熟程度。它不仅可以确定儿童的生物学年龄，而且还可以通过骨龄及早了解儿童的生长发育潜力以及性成熟的趋势是运动员选才、儿科内分泌疾病的诊断、儿童生长发育评估的主要依据。
发明内容
本发明的一个目的是提供一种骨龄图像数字化处理后自动识别方法，通过以下步骤实现：
1.骨龄x线图像量化为数字图像：
收集到的手骨X光片有不同的设备拍摄，光片格式有DICOM格式和胶片的x线片两种，需要统一转化为JPG格式。
本发明的骨龄图片由各个医院提供和特有的手骨拍摄机器拍摄的X线的左手骨骼片组成。目前有两种格式，一是DICOM格式转换后生产JPG格式的数字化图片，二是胶片的x线片。所有骨骼片获得后经过处理统一转化为JPG格式，以供后续建立手骨图像样本库。
2.图像预处理：
将步骤(1)中收集的数据利用双边滤波进行去噪，然后利用数据标签工具labelme工具对图像进行标注，最后对图像进行空间变换，从而将JPG图像数据转换为适合模型输入的数据集格式，并划分为训练集、验证集和测试集三部分。
本发明采用以下三个方法对图像进行预处理，以建立手骨图像样本库：
(1)图像去噪
本发明采用的双边滤波算法(Bilateral Filters)来对图像进行去噪处理。双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。双边滤波采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。它的权重不仅考虑了像素的欧氏距离，还考虑了像素范围域中的辐射差异(例如卷积核中像素与中心像素之间相似程度、颜色强度，深度距离等)，在计算中心像素的时候同时考虑这两个权重。双边滤波器中，输出像素的值依赖于g(i,j)依赖于邻域像素的值的加权组合：
上式中权重系数ω(i,j)取决于空域核和值域核的乘积。其中空域滤波器对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少。值域滤波器则是对像素值相近的点进行加权平均，加权系数随着值差的增大而减少。
(2)样本标记
本发明利用图像打标签的工具—labelme对样本的13个目标骨骼区域进行标记。根据RUS-CHN法骨发育等级标准，13个目标区域分别为桡骨，尺骨，第1、3、5掌骨，第1、3、5近节指骨，第3、5中节指骨，第1、3、5远节指骨(不包含腕骨)。标记方法：在图像数字化数据，在图片上建立横纵坐标轴，在坐标轴上标记出目标区域。标记完成后保存为单张图片的json格式，然后利用脚本将json文件批量转换为符合模型输入要求的COCO数据集的格式。
经过该过程的图片将凸显目标区域，排除无效区域，排除方法为通过形态学滤波灰度投影，再通过局部位置的旋转，进行特征骨的分离。进一步利用区域分析的方法，通过高速滤波平滑轮廓。
(3)对图片进行空间变换
本发明的空间变换包括并仅止于变换(缩放，平移、旋转)、增强、复原、编码，由彩色转换为黑白灰度，自动调整位置角度。该步骤目的是尽可能在图片数字化基础上，到达一致的标准，建立出手骨图像的样本数据集。
图像预处理的方法和步骤应用于预处理模块，并实现后部署到本发明的装置中，使用户能够将不符合模型输入标准的数据转换为相适应的标准。
3.目标提取：
将步骤2中处理的数据输入骨发育等级分类模型的目标提取部分，利用VGG模型提取手骨的13个目标区域，准确定位出目标区域的位置。
本发明中，目标提取和分类使用yolo v3的框架。图像分割和目标提取采用VGG模型，按照以下步骤进行：将待预测图像用于本发明进行预测骨龄等级时，需要用到之前训练好的模型，提取目标区域的形状特征和局部特征，对13个目标区域进行定位。然后利用目标区域的特征将13个目标区域依次分割出来。
4.目标分类和骨龄计算
将步骤3中确定的目标区域输入骨发育等级分类模型的目标分级部分，利用深度学习模型对其分级，其分级标准为RUS-CHN分级标准，然后按照RUS-CHN法利用分级的结果计算骨龄。
将步骤3中分割出来的图像输入骨龄等级分类模型，用于骨发育等级的分类，准确识别出各个目标区域的等级。然后利用等级计算出当前的骨龄。
本发明方法中使用主要包含三个功能模块，各模块的具体功能如下：
S-1图像收集。将X线拍摄的左手骨图像及孩子信息(孩子身高、父母身高、性别等)导入本装置中，并存入指定位置。导入时可以一张张逐一导入，也可以批量导入。同时，图像也可以有骨龄测定仪上传至本装置中。
S-2图像预处理模块。对于导入系统的图像或者上传到系统的图像，系统将自动对图像进行去噪处理和空间变换。处理完成的数据存储到指定的已处理的图像存储位置，以便用户在预测时选择正确的待预测图像。
S-3预测模块。此模块包含骨龄自动识别子模块和骨龄计算子模块,两个模块均由系统完成，用户仅需选择需要进行预测的骨龄图像。子模块主要有骨龄自动识别模型组成，包含目标提取和目标分类两部分，目标提取部分准确定位左手骨的13个目标区域的位置，以便骨龄自动识别子模块进行目标分类；目标分类部分则利用目标提取部分的结果对各个目标区域分级。
为每个目标区域分好级别后，系统的骨龄计算模块自动利用分级结果计算骨龄。计算步骤如下：系统自动对照与性别相应的法骨发育等级分值表，将骨龄等级转化为不同的分值，并对13个目标区域的分指进行累加，然后自动对照相应性别的骨成熟度百分位数标准曲线，计算出相应的骨龄，最后利用当前年龄的骨龄对照相应性别的0～18岁儿童青少年身高、体重百分位数值表，计算出未来成年身高，并将计算结果反馈到系统中。系统自动生成身高生长报告。
本发明解决了当前手骨X线光片的识别效率过于低下，无法批量处理大量的手骨图像，缓解了医生读片的困难。本发明提供一种图像数字化处理后自动识别方法，能够对左手的手骨图像进行有效的识别，对后续的骨骼发育成熟度评估提供有利的支持。
附图说明
图1是本发明结构示意图。
图2是骨龄图像自动识别的整体流程图。
图3是骨龄自动识别模型的目标提取流程图。
图4是骨龄自动识别模型的目标分类流程图。
具体实施方式
本发明结合附图和实施例作进一步的说明。
实施例1
本发明的方法针对目前骨龄识别方法中存在的缺点，采用了深度学习模型实现了手骨的骨龄自动识别。下面结合附图2、3、4详细阐述方法的实施细节，具体的实现步骤如下：
1.骨龄x线图像量化为数字图像
从各个医院收集各个年龄段的左手的X线手骨图像，同时利用双能X射线骨密度骨龄测定仪SGY-Ⅱ拍摄手骨图像。除此之外，还不断将后期的已经预测过的待预测的图像增加进入骨龄样本数据集中。
2.预处理
将步骤1中收集的骨龄图片进行去噪处理，然后将左手骨的13个目标区域编号，利用工具labelme对样本的目标区域和等级进行标记，最后对图像进行一系列的空间变换。上述处理结束后，将所有图片按照7:2:1的比例划分为训练集、验证集和测试集3个部分。
3.目标提取
3.1将经过步骤2处理的训练集中的图像输入yolo v3框架中，利用VGG模型自动学习13个目标区域的形状、位置、大小等信息，使模型能够准确识别出13个目标区域的位置。在这个过程中需要不断的调整模型的参数，优化模型的结构，训练模型使模型能够尽可能多的学习到样本的特征。
3.2当训练出多个模型之后，将验证集数据输入各个模型，利用模型对验证集中的数据进行预测，并记录下各个模型的准确率，选出效果最佳的模型所对应的参数，将此模型最为最终的模型。
3.3将测试集数据输入模型中，用来评估模型的性能的目标区域的识别能力。当待预测图像进行预测后，将这些图像加入数据集中，重复上述的工作，对模型进行微调，不断优化模型的结构，提高模型的泛化能力，最终生成目标提取的标准模型。
4.目标分类和骨龄计算
将步骤3中的图像数据输入骨发育等级分类模型中，按照目标提取方法中的步骤训练骨龄自动识别模型的目标分类部分，使模型学习目标区域的等级特征，然后不断的调整参数，优化模型的结构，从而提高模型的泛化能力。最终和骨龄自动识别模型的目标提取部分结合，形成骨龄自动识别模型。最后，将模型部署到本发明的系统中，形成骨龄预测模块。系统利用模型的分级结果，按照样本的性别对照相应的法骨发育等级分值表，计算出各个目标区域的骨发育分值，然后将各个分值进行累加，计算出骨发育总分数，最后利用总分数计算出骨龄。
实施例2
参见图1，本发明中装置的具体使用步骤如下：
S-1图像收集。用户首先使用X射线骨密度骨龄测定仪拍摄孩子的左手骨图像，所有的图像在在骨龄测定仪上均已转化为JPG格式，然后将手骨图像及孩子信息(孩子身高、父母身高、性别等)导入本装置中，并存入指定位置。导入时可以一张张逐一导入，也可以批量导入。
S-2图像预处理模块。图像上传后，系统自动对图像进行去噪处理和空间变换。处理完成的数据存储到指定的已处理的图像存储位置，以便用户在预测时选择正确的待预测图像。
S-3预测模块。此模块包含骨龄自动识别模块S-3-1和骨龄计算模块S-3-2,两部分均由系统完成，用户仅需选择需要进行预测的骨龄图像，进入已经过预处理的图像所在的位置，选择将要进行评估的图像或者图像集合。选中后，目标提取S-3-1-1部分自动定位左手骨的13个目标区域的位置，以便目标分类部分S-3-1-2进行目标分类；然后目标分类S-3-1-2部分自动利用S-3-1-1部分的结果对各个目标区域分级。
分级结果出来后，系统自动将分级结果反馈给S-3-2模块。接下来系统自动利用分级结果计算骨龄。计算步骤如下：系统自动对照与性别相应的法骨发育等级分值表，将骨龄等级转化为不同的分值，并对13个目标区域的分指进行累加，然后自动对照相应性别的骨成熟度百分位数标准曲线，计算出相应的骨龄，最后利用当前年龄的骨龄对照相应性别的0～18岁儿童青少年身高、体重百分位数值表，计算出未来成年身高，并将计算结果反馈到系统中。系统自动生成包含测试骨龄、未来成年身高等信息在内的身高生长报告。用户通过点击查看报告按钮查看骨龄预测结果，从中可以看出孩子的当前身高、骨龄、未来成年身高等信息。
实施例3
导入骨龄图像1，同时录入孩子的基本信息，姓名：小翼，性别：男，手机号：135xxxxxxxx，身高：168cm，体重：34kg，年龄：9岁，点击预测按钮，系统自动生成报告。报告内容如下：小翼，性别：男，手机号：135xxxxxxxx，身高：168cm，体重：34kg，年龄：9岁，测试骨龄：9.1，未来成年身高：180cm，同百分位的孩子成年身高：176.7cm。
实施例4
导入骨龄图像2，同时录入孩子的基本信息，姓名：紫依，性别：女，手机号：139xxxxxxxx，身高：144cm，体重：30kg，年龄：11.6岁，点击预测按钮，系统自动生成报告。报告内容如下：姓名：紫依，性别：女，手机号：139xxxxxxxx，身高：144cm，体重：30kg，年龄：11.6岁，测试骨龄：10.5，未来成年身高：159.9cm，同百分位的孩子成年身高：160.6cm。
Claims (2)
1.一种骨龄图像数字化处理后自动识别方法，其特征在于，通过以下方案实现：
(1)骨龄x线图像量化为数字图像：收集到的手骨X光片有不同的设备拍摄，光片格式有DICOM格式和胶片的x线片两种，需要统一转化为JPG格式；
(2)图像预处理：将步骤(1)中收集的数据利用双边滤波进行去噪，然后利用数据标签工具labelme工具对图像进行标注，最后对图像进行空间变换，从而将JPG图像数据转换为适合模型输入的数据集格式，并划分为训练集、验证集和测试集三部分；
(3)目标提取：将步骤(2)中处理的数据输入骨发育等级分类模型的目标提取部分，利用VGG模型提取手骨的13个目标区域，准确定位出目标区域的位置；
(4)目标分类和骨龄计算：将步骤(3)中确定的目标区域输入骨发育等级分类模型的目标分级部分，利用深度学习模型对其分级，其分级标准为RUS-CHN分级标准，然后按照RUS-CHN法利用分级的结果计算骨龄；
(5)将上述的模型部署到本系统中，然后系统自动生成身高生长报告。
2.根据权利要求1所述的一种骨龄图像数字化处理后自动识别方法，其特征在于，所述的骨龄自动识别模型采用yolo v3框架。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043892.2A CN111046901A (zh) | 2019-10-30 | 2019-10-30 | 一种骨龄图像数字化处理后自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043892.2A CN111046901A (zh) | 2019-10-30 | 2019-10-30 | 一种骨龄图像数字化处理后自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046901A true CN111046901A (zh) | 2020-04-21 |
Family
ID=70232206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911043892.2A Pending CN111046901A (zh) | 2019-10-30 | 2019-10-30 | 一种骨龄图像数字化处理后自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046901A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862749A (zh) * | 2020-12-29 | 2021-05-28 | 浙江康体汇科技有限公司 | 一种骨龄图像数字化处理后自动识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895367A (zh) * | 2017-11-14 | 2018-04-10 | 中国科学院深圳先进技术研究院 | 一种骨龄识别方法、系统及电子设备 |
| CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
| 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 |
| CN109948522A (zh) * | 2019-03-18 | 2019-06-28 | 浙江工业大学 | 一种基于深度神经网络的x光片手骨成熟度判读方法 |
| CN110009605A (zh) * | 2019-03-21 | 2019-07-12 | 浙江工业大学 | 一种基于深度学习的骨龄预测方法及系统 |
-
2019
- 2019-10-30 CN CN201911043892.2A patent/CN111046901A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895367A (zh) * | 2017-11-14 | 2018-04-10 | 中国科学院深圳先进技术研究院 | 一种骨龄识别方法、系统及电子设备 |
| CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
| 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 |
| CN109948522A (zh) * | 2019-03-18 | 2019-06-28 | 浙江工业大学 | 一种基于深度神经网络的x光片手骨成熟度判读方法 |
| CN110009605A (zh) * | 2019-03-21 | 2019-07-12 | 浙江工业大学 | 一种基于深度学习的骨龄预测方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862749A (zh) * | 2020-12-29 | 2021-05-28 | 浙江康体汇科技有限公司 | 一种骨龄图像数字化处理后自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| CN108416360B (zh) | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| CN108334899A (zh) | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 | |
| CN112258516B (zh) | 一种脊柱侧弯图像检测模型的生成方法 | |
| CN103699904B (zh) | 多序列核磁共振影像的图像计算机辅助判断方法 | |
| CN104794708A (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
| CN106340000A (zh) | 骨龄评估方法 | |
| CN111325745A (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
| CN113298780B (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
| CN112862749A (zh) | 一种骨龄图像数字化处理后自动识别方法 | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN110211116A (zh) | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 | |
| CN114663426A (zh) | 一种基于关键骨区定位的骨龄评估方法 | |
| Han et al. | Automatic bone age assessment combined with transfer learning and support vector regression | |
| CN111046901A (zh) | 一种骨龄图像数字化处理后自动识别方法 | |
| CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
| CN111144331B (zh) | 手肘静脉图像肘正中静脉的识别方法及手肘图像采集装置 | |
| CN113870194A (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
| Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging | |
| CN115147378B (zh) | 一种ct图像分析提取方法 | |
| CN117745722B (zh) | 一种医疗健康体检大数据优化增强方法 | |
| Wirtti et al. | Segmentation of masses in digital mammograms | |
| CN117476219B (zh) | 基于大数据分析的定位ct断层图像的辅助方法和辅助系统 | |
| CN111428778B (zh) | 一种胎儿颜面部标准切面自动分类法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201221 Address after: Room 3a01, building 3, No. 371, Mingxing Road, economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG KANGTIHUI TECHNOLOGY Co.,Ltd. Address before: 310000 room 2309, building 1, Euro American Financial City, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Jinhe Biotechnology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |