CN111242929A - 一种胎儿头骨形状参数测量方法、系统、设备和介质 - Google Patents

一种胎儿头骨形状参数测量方法、系统、设备和介质 Download PDF

Info

Publication number
CN111242929A
CN111242929A CN202010040882.XA CN202010040882A CN111242929A CN 111242929 A CN111242929 A CN 111242929A CN 202010040882 A CN202010040882 A CN 202010040882A CN 111242929 A CN111242929 A CN 111242929A
Authority
CN
China
Prior art keywords
network
fetal
segmentation
fetal head
head 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.)
Pending
Application number
CN202010040882.XA
Other languages
English (en)
Inventor
张勇东
马凌峰
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.)
Beijing Zhongke Research Institute
University of Science and Technology of China USTC
Original Assignee
Beijing Zhongke Research Institute
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 Beijing Zhongke Research Institute, University of Science and Technology of China USTC filed Critical Beijing Zhongke Research Institute
Priority to CN202010040882.XA priority Critical patent/CN111242929A/zh
Publication of CN111242929A publication Critical patent/CN111242929A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Abstract

本发明提供了一种胎儿头骨形状参数测量方法、系统、设备和介质。所述方法包括：对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集；利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图；通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图；获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。本发明实现了在分割时对分割边界更加敏感，提高了分割的精度。

Description

一种胎儿头骨形状参数测量方法、系统、设备和介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种胎儿头骨形状参数测量方法、系统、设备和介质。
背景技术
在医学上，胎儿的头围指的是环绕胎儿头部一周的最大长度。头围值是一个重要的头骨形状参数，也是超声影像中常用的解剖学参数之一。在大多数国家，通常把在18-22周妊娠期间进行的超声扫描作为标准产前护理的一部分。测量胎儿头围的临床意义在于胎儿头围可以直观地评估胎儿头部的大小，从而来检测胎儿的发育状况，判断胎儿是否发育正常。然而，由于超声影像本身所具有的对比度低、噪声大、存在运动模糊等缺点，医生进行人工测量不仅增大了医生的负担并且结果也可能存在良莠不齐的问题。因此，利用计算机进行自动测量的方法应运而生。随着人工智能深度学习技术的不断发展，其相比传统方法在很多方面都有着优势，目前还不存在将人工智能技术用于胎儿头骨形状参数自动测量上。
发明内容
(一)要解决的技术问题
目前还不存在将人工智能技术用于胎儿头骨形状参数自动测量上。
(二)技术方案
为了解决上述问题，本发明一方面提供了一种胎儿头骨形状参数测量方法，所述方法包括：对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集；利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图；通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图；获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。
可选地，所述对图像中胎儿头部区域制作分割标签；包括：获取与胎儿头部区域大小相同的椭圆参数，所述椭圆参数包括椭圆中心点横坐标、椭圆中心点纵坐标、椭圆长轴、椭圆短轴和椭圆倾斜角；根据所述椭圆参数制作椭圆分割标签。
可选地，所述分割头部区域网络的主体网络为U-Net网络，利用所述U-Net网络对待分割图像中胎儿头部区域进行预测，得到预测概率图。
可选地，所述通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图，包括：在预设阈值下对所述预测概率图进行二值化处理，得到二值图；对所述二值图进行取轮廓操作，将包含面积最大的轮廓作为胎儿头部区域轮廓图。
可选地，所述获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值，包括：利用最小二乘法对所述胎儿头部区域进行椭圆拟合，得到椭圆参数；根据所述椭圆参数得到椭圆周长，将所述椭圆周长作为胎儿头围值。
可选地，在利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测之前，还包括：利用去噪网络对所述分割头部区域网络进行预训练，用于提高图像质量，所述去噪网络采用最小化的平方误差损失函数。
可选地，在利用去噪网络对所述分割头部区域网络进行预训练之后，还包括：对分割头部区域网络中的主体网络和对抗网络进行交替训练，用于提高分割精度；所述主体网络利用边界敏感损失函数进行训练，所述边界敏感损失函数L为：
Figure BDA0002364846730000021
其中，i为图像中的像素点，yi为每个像素点对应的分割标签值，
Figure BDA0002364846730000022
为每个像素点对应预测值，N为像素点的总数，ω(di)为距离权重函数；所述对抗网络为分类网络，用于区别像素点属于分割标签还是属于预测结果。
本发明另一方面提供了一种胎儿头骨形状参数测量系统，所述系统包括：分割标签获取模块，用于对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集；预测模块，用于利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图；轮廓图获取模块，用于通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图；头围值获取模块，用于获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。
本发明再一方面提供了一种电子设备，所述设备包括：处理器；存储器，其存储有计算机可执行程序，该程序包含如上文所述的方法。
本发明再一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序包含如上文所述的方法。
(三)有益效果
本发明至少具有以下有益效果：
(1)实现了将人工智能技术用于胎儿头骨形状参数自动测量上。
(2)本发明提供的胎儿头骨形状参数测量方法通过边界敏感损失函数，使分割时对分割边界更加敏感。
(3)采用去噪网络预训练，并采用对抗学习策略(即采用分割头部区域网络中的主体网络和对抗网络进行交替训练)提高了分割的精度。形状参数头围值的误差仅有2.014％。
附图说明
图1是本发明实施例提供的胎儿头骨形状参数测量方法流程图；
图2是本发明一个实施例提供的胎儿头骨形状参数测量方法中胎儿头部超声图；
图3是本发明一个实施例提供的胎儿头骨形状参数测量方法中椭圆分割标签制作图；
图4是本发明一个实施例提供的胎儿头骨形状参数测量方法中分割头部区域网络框架图；
图5是本发明实施例提供的胎儿头骨形状参数测量系统框图；
图6是本发明实施例提供的电子设备框图。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本发明的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本发明的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
本发明的一个实施例提供了一种胎儿头骨形状参数测量方法，参见图1，所述方法包括下列步骤101-104的内容：
步骤101：对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集。
具体地，首先，如图2所示，图2为胎儿头部超声图，该超声图中椭圆形区域为胎儿头部区域，获取与胎儿头部区域大小相同的椭圆参数，所述椭圆参数包括椭圆中心点横坐标、椭圆中心点纵坐标、椭圆长轴、椭圆短轴和椭圆倾斜角。
然后根据所述椭圆参数制作椭圆分割标签。如图3所示，制作得到和原图大小相同的椭圆，该椭圆内部为白外部为黑，将其作为分割标签。
通过对多张胎儿头部超声图进行椭圆分割标签制作，可以得到分割标签数据集。
步骤102：利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图。
其中，所述分割头部区域网络的主体网络为U-Net网络，利用所述U-Net网络对待分割图像中胎儿头部区域进行预测，得到预测概率图。
U-Net网络为图像分割网络，其由下采样部分和上采样部分组成，每一部分都分为五个阶段，下采样部分每阶段由上一阶段结果下采样长宽变为一半而得到，上采样部分则由上一阶段结果上采样使长宽变为2倍得到，每个阶段都包含两次核大小为3x3的卷积，下采样部分特征图和上采样部分对应阶段大小相同，并且下采样部分前四阶段的结果会和上采样部分对应阶段的输入拼接起来作为该阶段输入；U-Net网络最终会得到和输入大小相同通道为1的预测结果图，该预测结果图即为所述预测概率图，该预测概率图中每个像素点均有一个预测值，该预测值在0和1之间。
步骤103：通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图。
具体地，首先，在预设阈值下对所述预测概率图进行二值化处理，得到二值图；该预设阈值例如0.5。
对所述二值图进行取轮廓操作，将包含面积最大的轮廓作为胎儿头部区域轮廓图。
步骤104：获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。
具体地，利用最小二乘法对所述胎儿头部区域进行椭圆拟合，得到椭圆参数；即得到上文所述的5个椭圆参数，椭圆中心点横坐标、椭圆中心点纵坐标、椭圆长轴、椭圆短轴和椭圆倾斜角。根据这5个椭圆参数，即可计算得到椭圆的周长，将所述椭圆周长作为胎儿头围值。
需要说明的是，参见图4，本发明实施例中的分割头部区域网络由去噪网络、主体网络和对抗网络构成。
在本发明实施例中，在利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测之前，还包括：利用去噪网络对所述分割头部区域网络进行预训练，用于提高图像质量，所述去噪网络采用最小化的平方误差损失函数。该去噪网络实际为一个简化版的U-Net结构。
另外，在利用去噪网络对所述分割头部区域网络进行预训练之后，还包括：对分割头部区域网络中的主体网络和对抗网络进行交替训练，用于提高分割精度；此时，保持去噪网络的参数不变，对分割头部区域网络中的主体网络和对抗网络进行交替训练，交替更新模型参数，以达到二者相互对抗相互促进的结果。
其中，所述主体网络利用边界敏感损失函数进行训练，所述边界敏感损失函数L为：
Figure BDA0002364846730000061
其中，i为图像中的像素点，yi为每个像素点对应的分割标签值，
Figure BDA0002364846730000062
为每个像素点对应预测值，N为像素点的总数，ω(di)为距离权重函数。
其中，所述对抗网络为分类网络，用于区别像素点属于分割标签还是属于预测结果。该对抗网络，是一个简单的分类网络，仅包含2次步长为2的卷积操作以及全连接操作，得到一个结果判断输入来自分割结果还是分割标签。
采用本发明实施例提供的胎儿头骨形状参数测量方法，提高了分割的精度。形状参数头围值的误差仅有2.014％。
本发明另一个实施例还提供了一种胎儿头骨形状参数测量系统，参见图5，所述系统500包括：分割标签获取模块501，用于对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集；预测模块502，用于利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图；轮廓图获取模块503，用于通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图；头围值获取模块504，用于获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。
图6示意性示出了根据本发明实施例的电子设备框图。
如图6所示，电子设备600包括处理器610和存储器620。该电子设备600可以执行根据本发明实施例的方法。
具体地，处理器610例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器610还可以包括用于缓存用途的板载存储器。处理器610可以是用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
存储器620，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。其存储有计算机可执行程序，该程序在被处理器执行时，使得处理器执行如上文所述的基于Radius服务器的流量调度方法。
本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、射频信号等等，或者上述的任意合适的组合。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
尽管已经参照本发明的特定示例性实施例示出并描述了本发明，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本发明的精神和范围的情况下，可以对本发明进行形式和细节上的多种改变。因此，本发明的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种胎儿头骨形状参数测量方法，其特征在于，所述方法包括：
对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集；
利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图；
通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图；
获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。
2.根据权利要求1所述的方法，其特征在于，所述对图像中胎儿头部区域制作分割标签；包括：
获取与胎儿头部区域大小相同的椭圆参数，所述椭圆参数包括椭圆中心点横坐标、椭圆中心点纵坐标、椭圆长轴、椭圆短轴和椭圆倾斜角；
根据所述椭圆参数制作椭圆分割标签。
3.根据权利要求1所述的方法，其特征在于，所述分割头部区域网络的主体网络为U-Net网络，利用所述U-Net网络对待分割图像中胎儿头部区域进行预测，得到预测概率图。
4.根据权利要求1所述的方法，其特征在于，所述通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图，包括：
在预设阈值下对所述预测概率图进行二值化处理，得到二值图；
对所述二值图进行取轮廓操作，将包含面积最大的轮廓作为胎儿头部区域轮廓图。
5.根据权利要求1所述的方法，其特征在于，所述获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值，包括：
利用最小二乘法对所述胎儿头部区域进行椭圆拟合，得到椭圆参数；
根据所述椭圆参数得到椭圆周长，将所述椭圆周长作为胎儿头围值。
6.根据权利要求3所述的方法，其特征在于，在利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测之前，还包括：
利用去噪网络对所述分割头部区域网络进行预训练，用于提高图像质量，所述去噪网络采用最小化的平方误差损失函数。
7.根据权利要求6所述的方法，其特征在于，在利用去噪网络对所述分割头部区域网络进行预训练之后，还包括：
对分割头部区域网络中的主体网络和对抗网络进行交替训练，用于提高分割精度；
所述主体网络利用边界敏感损失函数进行训练，所述边界敏感损失函数L为：
Figure FDA0002364846720000021
其中，i为图像中的像素点，yi为每个像素点对应的分割标签值，
Figure FDA0002364846720000022
为每个像素点对应预测值，N为像素点的总数，ω(di)为距离权重函数；
所述对抗网络为分类网络，用于区别像素点属于分割标签还是属于预测结果。
8.一种胎儿头骨形状参数测量系统，其特征在于，所述系统包括：
分割标签获取模块，用于对至少两张图像中胎儿头部区域制作分割标签，得到分割标签数据集；
预测模块，用于利用所述分割标签数据集，通过分割头部区域网络对待分割图像中胎儿头部区域进行预测，得到预测概率图；
轮廓图获取模块，用于通过所述预测概率图进行取轮廓操作，得到胎儿头部区域轮廓图；
头围值获取模块，用于获取所述胎儿头部区域轮廓图中胎儿头部区域的周长，得到胎儿头围值。
9.一种电子设备，其特征在于，所述设备包括：
处理器；
存储器，其存储有计算机可执行程序，该程序包含如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序包含如权利要求1-7中任一项所述的方法。
CN202010040882.XA 2020-01-13 2020-01-13 一种胎儿头骨形状参数测量方法、系统、设备和介质 Pending CN111242929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010040882.XA CN111242929A (zh) 2020-01-13 2020-01-13 一种胎儿头骨形状参数测量方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010040882.XA CN111242929A (zh) 2020-01-13 2020-01-13 一种胎儿头骨形状参数测量方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN111242929A true CN111242929A (zh) 2020-06-05

Family

ID=70863976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010040882.XA Pending CN111242929A (zh) 2020-01-13 2020-01-13 一种胎儿头骨形状参数测量方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN111242929A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899253A (zh) * 2020-08-07 2020-11-06 长沙大端信息科技有限公司 胎儿颅脑切面图像的异常判断分析方法及装置
CN113487581A (zh) * 2021-07-16 2021-10-08 武汉中旗生物医疗电子有限公司 胎儿头臀径自动测量方法、系统、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105657402A (zh) * 2016-01-18 2016-06-08 深圳市未来媒体技术研究院 一种深度图恢复方法
CN107248144A (zh) * 2017-04-27 2017-10-13 东南大学 一种基于压缩型卷积神经网络的图像去噪方法
CN108229525A (zh) * 2017-05-31 2018-06-29 商汤集团有限公司 神经网络训练及图像处理方法、装置、电子设备和存储介质
CN109063543A (zh) * 2018-06-11 2018-12-21 中山大学 一种考虑局部形变的视频车辆重识别方法、系统及装置
CN109949222A (zh) * 2019-01-30 2019-06-28 北京交通大学 基于语义图的图像超分辨率重建方法
CN110097545A (zh) * 2019-04-29 2019-08-06 南京星程智能科技有限公司 基于深度学习的眼底图像生成方法
CN110265117A (zh) * 2019-06-05 2019-09-20 深圳大学 医学图像生成方法及装置
CN110279433A (zh) * 2018-09-21 2019-09-27 四川大学华西第二医院 一种基于卷积神经网络的胎儿头围自动精确测量方法
CN110287777A (zh) * 2019-05-16 2019-09-27 西北大学 一种自然场景下的金丝猴躯体分割算法
CN110448335A (zh) * 2019-07-11 2019-11-15 暨南大学 一种基于超声图像的胎儿头围全自动测量方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105657402A (zh) * 2016-01-18 2016-06-08 深圳市未来媒体技术研究院 一种深度图恢复方法
CN107248144A (zh) * 2017-04-27 2017-10-13 东南大学 一种基于压缩型卷积神经网络的图像去噪方法
CN108229525A (zh) * 2017-05-31 2018-06-29 商汤集团有限公司 神经网络训练及图像处理方法、装置、电子设备和存储介质
CN109063543A (zh) * 2018-06-11 2018-12-21 中山大学 一种考虑局部形变的视频车辆重识别方法、系统及装置
CN110279433A (zh) * 2018-09-21 2019-09-27 四川大学华西第二医院 一种基于卷积神经网络的胎儿头围自动精确测量方法
CN109949222A (zh) * 2019-01-30 2019-06-28 北京交通大学 基于语义图的图像超分辨率重建方法
CN110097545A (zh) * 2019-04-29 2019-08-06 南京星程智能科技有限公司 基于深度学习的眼底图像生成方法
CN110287777A (zh) * 2019-05-16 2019-09-27 西北大学 一种自然场景下的金丝猴躯体分割算法
CN110265117A (zh) * 2019-06-05 2019-09-20 深圳大学 医学图像生成方法及装置
CN110448335A (zh) * 2019-07-11 2019-11-15 暨南大学 一种基于超声图像的胎儿头围全自动测量方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HWA PYUNG KIM: "Automatic evaluation of fetal head biometry from ultrasound images using machine learning", 《PHYSIOLOGICAL MEASUREMENT》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899253A (zh) * 2020-08-07 2020-11-06 长沙大端信息科技有限公司 胎儿颅脑切面图像的异常判断分析方法及装置
CN113487581A (zh) * 2021-07-16 2021-10-08 武汉中旗生物医疗电子有限公司 胎儿头臀径自动测量方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
EP3553742A1 (en) Method and device for identifying pathological picture
US20200320704A1 (en) Method and device of processing plaques in magnetic resonance imaging of vessel wall, and computer device
US10748281B2 (en) Negative sample enhanced object detection machine
CN107622240B (zh) 人脸检测方法和装置
US20200211187A1 (en) Systems and methods for ossification center detection and bone age assessment
CN114945951A (zh) 用于图像分类的不确定性引导的半监督神经网络训练
CN113256592B (zh) 图像特征提取模型的训练方法、系统及装置
CN111652250B (zh) 基于多边形的遥感影像建筑物提取方法、装置及存储介质
CN111242929A (zh) 一种胎儿头骨形状参数测量方法、系统、设备和介质
WO2022105197A1 (en) Systems and methods for image detection
CN110348467B (zh) 用于识别图像中的对象的方法、装置以及计算机可读介质
CN114581628B (zh) 大脑皮层表面重建方法和可读存储介质
CN111899244A (zh) 图像分割、网络模型的训练方法及装置，及电子设备
WO2018176189A1 (zh) 图像分割的方法及系统
CN110472673B (zh) 参数调整方法、眼底图像处理方法、装置、介质及设备
CN114882324A (zh) 目标检测模型训练方法、设备及计算机可读存储介质
CN115546231A (zh) 一种基于半监督深度学习的自适应脑胶质瘤分割方法
CN114581668A (zh) 一种分割模型构建和轮廓识别方法、装置及计算机设备
CN111325709A (zh) 无线胶囊内窥镜图像检测系统及检测方法
US20170300617A1 (en) Automatic nuclear segmentation
CN111428567B (zh) 一种基于仿射多任务回归的行人跟踪系统及方法
CN111291761B (zh) 用于识别文字的方法和装置
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
CN110222652B (zh) 行人检测方法、装置及电子设备
CN110555833B (zh) 图像处理方法、装置、电子设备以及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605

RJ01 Rejection of invention patent application after publication