CN111311571A - 一种目标信息获取方法、系统、装置及可读存储介质 - Google Patents
一种目标信息获取方法、系统、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111311571A CN111311571A CN202010090758.4A CN202010090758A CN111311571A CN 111311571 A CN111311571 A CN 111311571A CN 202010090758 A CN202010090758 A CN 202010090758A CN 111311571 A CN111311571 A CN 111311571A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- target information
- training data
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000003550 marker Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 208000012659 Joint disease Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000426 patellar ligament Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标信息获取方法,包括:利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集;利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用标记神经网络对获取到的X光片图像进行标记处理,得到标记图像;获取标记图像的标记信息,利用标记信息计算得到目标信息;该方法具有较高的标记准确率,无需人员手动标记,避免了因操作失误或手动标记不准确造成的目标信息准确率低的问题,也避免了目标信息获取过程操作繁琐的问题,解决了现有目标信息获取方法获取过程操作繁琐,且目标信息的准确率较低的问题;此外,本发明还提供了一种目标信息获取装置、设备及计算机可读存储介质,同样具有上述有益效果。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种目标信息获取方法、目标信息获取装置、目标信息获取设备及计算机可读存储介质。
背景技术
在某些疾病的诊断过程中,需要拍摄X光片,用于测量一些关键性的目标信息,进而为医生的诊断提供依据。例如在膝关节疾病的诊断过程中,股骨角、胫骨角、股胫关节内外侧间隙值、髌韧带长度与髌骨最大对角线长度比值等目标信息对于医生对病症的诊断具有重要作用。现有的诊断过程中,医生在计算机系统中能得到患者的数字化的X光片。为了得到以上指标,需要医生利用鼠标手动标记用于计算信息的点、线,然后计算机跟据标记的点、线计算相应的指标。由于医生只能手动进行标记,操作繁琐;且标记过程中容易出现因操作失误,或标记不够准确导致目标信息计算误差较大或错误的现象。因此获取目标信息的过程操作繁琐,且准确率较低。
因此,如何解决现有目标信息获取方法获取过程操作繁琐,且目标信息的准确率较低的问题,是本领域技术人员需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种目标信息获取方法、目标信息获取设备、目标信息获取装置及计算机可读存储介质,解决了现有目标信息获取方法获取过程操作繁琐,且目标信息的准确率较低的问题。
为解决上述技术问题,本发明提供了一种目标信息获取方法,包括:
利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集;
利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用所述标记神经网络对获取到的X光片图像进行标记处理,得到标记图像;
获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息。
可选地,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定目标点对应的第一点集;
计算所述第一点集的质心点,将所述质心点对应的质心点坐标确定为所述目标点对应的目标信息。
可选地,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定目标线对应的第二点集;
对所述第二点集进行线性回归处理,得到所述目标线对应的目标方程,并将所述目标方程确定为所述目标线对应的目标信息。
可选地,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定第一目标点对应的第一目标信息和第二目标点对应的第二目标信息;
利用所述第一目标信息、所述第二目标信息和缩放系数,计算所述第一目标点和所述第二目标点之间的第一距离,将所述第一距离确定为第三目标信息;
利用所述标记信息确定第一目标线对应的第四目标信息和第三目标点对应的第五目标信息;
利用所述第四目标信息、所述第五目标信息和所述缩放系数,计算所述第一目标线和所述第三目标点之间的第二距离,将所述第二距离确定为第六目标信息。
可选地,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定第二目标线对应的第七目标信息和第三目标线对应的第八目标信息;
利用所述第七目标信息和所述第八信息,计算所述第二目标线和所述第三目标线之间的直线夹角,将所述直线夹角确定为第九目标信息。
可选地,所述利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集,包括:
在第一扰动区间内选择多个第一扰动参数,利用各个所述第一扰动参数对所述初始训练数据进行平移旋转扰动处理,得到多个第一训练数据;
在第二扰动区间内选择多个第二扰动参数,利用各个所述第二扰动参数分别对各个所述第一训练数据进行视角扰动处理,得到多个第二训练数据;
在第三扰动区间内选择多个第三扰动参数,利用各个所述第三扰动参数分别对各个所述第二训练数据进行点云稠密扰动处理,得到多个第三训练数据;
获取各个所述第三训练数据的标记数据,利用所述标记数据和所述第三训练数据组成所述训练数据集。
可选地,所述获取各个所述第三训练数据的标记数据,包括:
确定目标第三训练数据,获取所述目标第三训练数据对应的多个预标记数据;
计算各个所述预标记数据的平均值数据,将所述平均值数据确定为所述目标第三训练数据的所述标记数据。
本发明还提供了一种目标信息获取装置,包括:
训练集获取模块,用于利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集;
标记模块,用于利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用所述标记神经网络对获取到的X光片图像进行标记处理,得到标记图像;
计算模块,用于获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息。
本发明还提供了一种目标信息获取设备,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现上述的目标信息获取方法。
本发明还提供了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现上述的目标信息获取方法。
本发明提供的目标信息获取方法,利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集。利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用标记神经网络对获取到的X光片图像进行标记处理,得到标记图像。获取标记图像的标记信息,利用标记信息计算得到目标信息。
可见,本方法利用标记神经网络对获取到的X光片进行标记,并根据得到的标记信息计算得到目标信息,无需人员手动标记,避免了因操作失误或手动标记不准确造成的目标信息准确率低的问题,避免了目标信息获取过程操作繁琐的问题。由于标记神经网络利用初始训练数据和扰动参数构成的训练数据集训练得到,因此具有较高的标记准确率,进一步提高了目标信息的准确率,解决了现有目标信息获取方法获取过程操作繁琐,且目标信息的准确率较低的问题。
此外,本发明还提供了一种目标信息获取装置、目标信息获取设备及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种目标信息获取方法流程图;
图2为本发明实施例提供的一种具体的训练数据集获取方法流程图;
图3为本发明实施例提供的一种目标信息获取装置的结构示意图;
图4为本发明实施例提供的一种目标信息获取设备的结构示意图;
图5为本发明实施例提供的一种X光片图像;
图6为本发明实施例提供的一种标记图像。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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。基于本发明中的实施例,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,都属于本发明保护的范围。
请参考图1,图1为本发明实施例提供的一种目标信息获取方法流程图。该方法包括:
S101:利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集。
本发明提供的目标信息获取方法的部分或全部步骤可以由执行的设备或终端完成,例如可以为Windows系统计算机、服务器或其他计算设备,在本实施例中,利用本设备代表执行目标信息获取方法步骤的设备。
初始训练数据用于进行训练集扩充处理,以便得到多张训练数据,进而组成训练集对神经网络进行训练。初始训练数据可以为初始训练图像,或者可以为其他格式的数据,例如可以为3D点云数据,利用3D点云数据生成对应的训练图像。扰动参数用于对初始训练数据进行扰动扩充,即对初始训练数据进行不同程度的扰动,得到多个训练数据。扰动参数可以为具体的数值,也可以为扰动区间,在进行扰动扩充时,可以按照预设规则或随机从扰动区间内选择扰动值。
在利用扰动参数对初始训练数据进行训练集扩充处理时,可以进行一个或多个方面的扩充。例如可以包括平移扰动、旋转扰动、视角扰动、点云密度扰动等多个方面。具体的扰动种类和个数可以根据实际需要进行设置,本实施例在此不做限定。在对初始训练数据进行训练集扩充处理后,得到对应的训练数据集。
S102:利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用标记神经网络对获取到的X光片图像进行标记处理,得到标记图像。
初始神经网络为未经过训练的神经网络,其具体类型本实施例不做限定。为了提高标记准确率,进而保证计算准确率,本实施例优选的,采用具有Encoder-Decoder网络结构的初始神经网络。Encoder可以分别产生图像尺寸的1/4、1/8、1/16、和1/32的featuremap,Decoder可将featuremap上采样到相对应的尺寸,且对应尺寸的Encoder和Decoder间采用跳链接相连。
在获取训练数据集后,利用训练数据集对初始神经网络进行训练,得到标记神经网络。具体的,可以设定准确率阈值,当初始神经网络的标记准确率大于准确率阈值时,训练即可结束,得到标记神经网络。
在本发明实施例中,X光片可以为身体任意部位的图像,例如为膝关节图像,用于被进行标记处理,进而根据标记处理后得到的标记图像计算得到目标信息。请参考图5,图5为本发明实施例提供的一种X光片图像。X光片与标记神经网络相对应,且与初始训练数据以及扩充得到的训练数据集相对应。本实施例并不限定获取X光片的具体方法,例如可以从预设文件夹或预设存储路径处获取X光片;或者可以通过预设接口接受其他设备或终端发送至本设备的X光片;或者可以在检测到标记指令时,根据标记指令获取对应的X光片。在获取X光片后,利用标记神经网络对其进行标记处理,得到标记图像。请参考图6,图6为本发明实施例提供的一种标记图像。具体的标记过程本实施例不做限定,其可以与标记神经网络的结构和种类相关。
S103:获取标记图像的标记信息,利用标记信息计算得到目标信息。
在得到标记图像后,获取标记图像对应的标记信息。标记信息可以包括标记图像上有效像素的坐标信息,或者可以包括标记图像上各个有效像素对应于目标点或目标线的概率值,本实施例对标记信息的具体内容不做限定。在获取标记信息后,利用标记信息计算得到目标信息。目标信息的数量和具体内容可以提前设置好,在得到标记信息后即可计算目标信息;或者可以获取计算指令,根据计算指令确定目标信息,进而计算得到目标信息。
在得到目标信息后,还可以执行后续操作,后续操作的具体内容可以根据实际情况进行设置,例如可以输出标记图像和对应的目标信息;或者可以将目标信息发送至指定的终端或设备;或者可以判断目标信息是否处于预设正常区间内,若不处于预设正常区间内,则发出报警提示。
应用本发明实施例提供的目标信息获取方法,利用标记神经网络对获取到的X光片进行标记,并根据得到的标记信息计算得到目标信息,无需人员手动标记,避免了因操作失误或手动标记不准确造成的目标信息准确率低的问题,避免了目标信息获取过程操作繁琐的问题。由于标记神经网络利用初始训练数据和扰动参数构成的训练数据集训练得到,因此具有较高的标记准确率,进一步提高了目标信息的准确率,解决了现有目标信息获取方法获取过程操作繁琐,且目标信息的准确率较低的问题。
基于上述发明实施例,在一种可能的实施方式中,为了提高标记准确率,可以在训练集扩充处理时进行多种类型的扰动,以便更好地训练初始神经网络。本发明实施例将对S101步骤做具体说明,请参考图2,图2为本发明实施例提供的一种具体的训练数据集获取方法流程图,包括:
S201:在第一扰动区间内选择多个第一扰动参数,利用各个第一扰动参数对初始训练数据进行平移旋转扰动处理,得到多个第一训练数据。
在本发明实施例中,设置有第一扰动区间、第二扰动区间和第三扰动区间,分别用于选择多个第一扰动参数、第二扰动参数和第三扰动参数。具体的,初始训练数据可以为3D点云数据。在获取初始训练数据后,在第一扰动区间内随机选择多个第一扰动参数,或按照预设规则选择多个第一扰动参数,利用各个第一扰动参数对处理训练数据进行平移旋转扰动处理,以便模拟骨骼不同程度的病变情况,得到多个第一训练数据,各个第一训练数据分别对应于各个第一扰动参数。
S202:在第二扰动区间内选择多个第二扰动参数,利用各个第二扰动参数分别对各个第一训练数据进行视角扰动处理,得到多个第二训练数据。
在得到多个第一扰动参数后,在第二扰动区间内选择多个第二扰动参数,利用各个第二扰动参数分别对各个第一训练数据进行视角扰动处理,以便模拟X光片拍摄时因操作失误等原因造成的拍摄角度不处于肢体正上方的情况,得到多个第二训练数据。
S203:在第三扰动区间内选择多个第三扰动参数,利用各个第三扰动参数分别对各个第二训练数据进行点云稠密扰动处理,得到多个第三训练数据。
在得到多个第二训练参数后,在第三扰动区间内选择多个第三扰动参数,利用各个第三扰动参数分别对各个第二训练数据进行视角扰动处理,以便模拟不同人的骨密度不同的情况,得到多个第三训练数据。
S204:获取各个第三训练数据的标记数据,利用标记数据和第三训练数据组成训练数据集。
在获取多个第三训练数据后,可以输出各个第三训练数据,或者可以展示各个第三训练数据。具体的,当第三训练数据为3D点云数据时,可以将其转换为对应的训练图像,将各个训练图像进行输出,以便获取对应的标记数据。每个第三训练数据可以对应于一个或多个标记数据,当获取到各个第三训练图像对应的标记数据时,利用标记数据与第三训练数据组成训练数据集,以便对初始神经网络进行训练,得到标记神经网络。
进一步,为了保证标记数据的准确性,进而保证标记神经网络的标记准确性,本实施例优选的,采用分别与每个第三训练图像对应的多个预标记数据得到该点训练图像对应的标记数据,具体的,S204步骤,包括:
S2041:确定目标第三训练数据,获取目标第三训练数据对应的多个预标记数据。
具体的,确定目标第三训练数据,目标第三训练数据可以为任意一个第三训练数据。在确定目标第三训练数据后,获取其对应的多个预标记数据。预标记数据可以由多个操作人员分别对目标第三训练数据生成的目标第三训练图像进行标记得到,或者可以由一个操作人员对该图像进行多次标记得到。
S2042:计算各个预标记数据的平均值数据,将平均值数据确定为目标第三训练数据的标记数据。
在得到多个与标记数据后,计算所有预标记数据的平均值数据,具体计算方法与标记数据的内容相关,例如标记数据包括坐标数据时,可以按照平均值计算公式计算多个预标记数据的坐标数据的横坐标和纵坐标,利用横坐标和纵坐标组成平均坐标;或者当标记数据包括概率值时,可以计算各个预标记数据的平均概率值。在得到平均值数据后,将其确定为目标第三训练数据的标记数据。利用该方法即可得到所有第三训练图像对应的标记数据。
基于上述发明实施例,本实施例将说明一种目标信息的具体计算过程,在本发明实施例中,目标信息包括目标点、目标线、目标距离和目标夹角四种信息。具体的:
步骤1:获取标记信息,利用标记信息确定目标点对应的第一点集。
在本实施例中,步骤1和步骤2用于确定目标点对应的目标信息,即目标点信息。具体的,标记信息包括各个点与目标点对应的概率值以及各个点的坐标值,在获取标记信息后,利用标记信息确定目标点对应的第一点集,例如可以预设有第一阈值,将各个点与目标点对应的第一概率值与第一阈值进行比较,当第一概率值大于第一阈值时,则将该点纳入第一点集。第一阈值的具体大小可以根据实际情况进行设置,例如为了提高准确性,可以将第一阈值设置的较大。
步骤2:计算第一点集的质心点,将质心点对应的质心点坐标确定为目标点对应的目标信息。
在确定第一点集后,计算第一点集的质心点,并将质心点对应的质心点坐标确定为目标点对应的目标信息。质心点坐标可以采用加权计算方法,将概率值作为权重系数;或者可以采用平均计算方法。
步骤3:获取标记信息,利用标记信息确定目标线对应的第二点集。
步骤3和步骤4用于确定目标线对应的目标信息,即目标线信息。在获取标记信息后,利用标记信息确定目标线对应的第二点集,具体的,可以预设有第二阈值,将各个点与目标线对应的第二概率值与第二阈值进行比较,当第二概率值大于第二阈值时,则将该点纳入第二点集。
步骤4:对第二点集进行线性回归处理,得到目标线对应的目标方程,并将目标方程确定为目标线对应的目标信息。
在确定第二点集后,对第二点集进行线性回归处理,确定组成目标线的点坐标,并利用点坐标得到目标线对应的目标方程,将该目标方程确定为目标线对应的目标信息。
步骤5:获取标记信息,利用标记信息确定第一目标点对应的第一目标信息和第二目标点对应的第二目标信息。
步骤5、步骤6、步骤7和步骤8用于确定距离对应的目标信息,即目标距离信息。其中,步骤5和步骤6用于确定第一目标点和第二目标点之间的距离对应的目标信息,即第一目标点与第二目标点对应的目标距离信息;步骤7和步骤8用于确定第一目标线和第三目标点之间的距离对应的目标信息。
在获取标记信息后,利用标记信息确定第一目标点对应的第一目标信息,以及第二目标点对应的第二目标信息,具体确定方法可以参考上述内容,在此不再赘述。
步骤6:利用第一目标信息、第二目标信息和缩放系数,计算第一目标点和第二目标点之间的第一距离,将第一距离确定为第三目标信息。
在确定第一目标信息和第二目标信息后,利用第一目标信息和第二目标信息,即第一目标点的点坐标和第二目标点的点坐标,以及预设的缩放系数,计算第一目标点与第二目标点之间的第一距离。缩放系数被提前设置好,用于表示X光片与实际大小之间的比例系数。在计算得到第一目标点与第二目标点之间的距离后,将其与缩放系数相乘,即可得到第一目标点与第二目标点之间的第一距离,并将第一距离确定为第三目标信息。
步骤7:利用标记信息确定第一目标线对应的第四目标信息和第三目标点对应的第五目标信息。
步骤7和步骤8用于确定第一目标线和第三目标点之间的距离对应的目标信息。在获取标记信息后,利用标记信息确定第一目标线对应的第四目标信息,以及第三目标点对应的第五目标信息,具体确定方法可以参考上述内容,在此不再赘述。
步骤8:利用第四目标信息、第五目标信息和缩放系数,计算第一目标线和第三目标点之间的第二距离,将第二距离确定为第六目标信息。
在确定第四目标信息和第五目标信息后,利用第四目标信息和第五目标信息,即第一目标线的目标方程和第三目标点的点坐标,以及预设的缩放系数,计算第一目标线与第三目标点之间的第二距离。在计算得到第一目标线与第三目标点之间的距离后,将其与缩放系数相乘,即可得到第一目标线与第三目标点之间的第二距离,并将第二距离确定为第六目标信息。
步骤9:获取标记信息,利用标记信息确定第二目标线对应的第七目标信息和第三目标线对应的第八目标信息。
步骤9和步骤10用于确定第二目标线和第三目标线之间的夹角对应的目标信息,即第二目标线与第三目标线之间的目标夹角信息。在获取标记信息后,利用标记信息确定第二目标线对应的第七目标信息,以及第三目标线对应的第八目标信息,具体确定方法可以参考上述内容,在此不再赘述。
步骤10:利用第七目标信息和第八信息,计算第二目标线和第三目标线之间的直线夹角,将直线夹角确定为第九目标信息。
在确定第七目标信息和第八目标信息后,利用第七目标信息和第八目标信息,即第二目标线的目标方程和第三目标线的目标方程计算第二目标线与第三目标线之间的直线夹角,并将直线夹角确定为第九目标信息。
下面对本发明实施例提供的目标信息获取装置进行介绍,下文描述的目标信息获取装置与上文描述的目标信息获取方法可相互对应参照。
请参考图3,图3为本发明实施例提供的一种目标信息获取装置的结构示意图,包括:
训练集获取模块310,用于利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集;
标记模块320,用于利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用标记神经网络对获取到的X光片图像进行标记处理,得到标记图像;
计算模块330,用于获取标记图像的标记信息,利用标记信息计算得到目标信息。
可选地,计算模块330,包括:
第一点集确定单元,用于获取标记信息,利用标记信息确定目标点对应的第一点集;
第一计算单元,用于计算第一点集的质心点,将质心点对应的质心点坐标确定为目标点对应的目标信息。
可选地,计算模块330,包括:
第二点集确定单元,用于获取标记信息,利用标记信息确定目标线对应的第二点集;
第二计算单元,用于对第二点集进行线性回归处理,得到目标线对应的目标方程,并将目标方程确定为目标线对应的目标信息。
可选地,计算模块330,包括:
第一获取单元,用于获取标记信息,利用标记信息确定第一目标点对应的第一目标信息和第二目标点对应的第二目标信息;
第三计算单元,用于利用第一目标信息、第二目标信息和缩放系数,计算第一目标点和第二目标点之间的第一距离,将第一距离确定为第三目标信息;
第二获取单元,用于利用标记信息确定第一目标线对应的第四目标信息和第三目标点对应的第五目标信息;
第四计算单元,用于利用第四目标信息、第五目标信息和缩放系数,计算第一目标线和第三目标点之间的第二距离,将第二距离确定为第六目标信息。
可选地,计算模块330,包括:
第三获取单元,用于获取标记信息,利用标记信息确定第二目标线对应的第七目标信息和第三目标线对应的第八目标信息;
第五计算单元,用于利用第七目标信息和第八信息,计算第二目标线和第三目标线之间的直线夹角,将直线夹角确定为第九目标信息。
可选地,训练集获取模块310,包括:
第一扰动单元,用于在第一扰动区间内选择多个第一扰动参数,利用各个第一扰动参数对初始训练数据进行平移旋转扰动处理,得到多个第一训练数据;
第二扰动单元,用于在第二扰动区间内选择多个第二扰动参数,利用各个第二扰动参数分别对各个第一训练数据进行视角扰动处理,得到多个第二训练数据;
第三扰动单元,用于在第三扰动区间内选择多个第三扰动参数,利用各个第三扰动参数分别对各个第二训练数据进行点云稠密扰动处理,得到多个第三训练数据;
构建单元,用于获取各个第三训练数据的标记数据,利用标记数据和第三训练数据组成训练数据集。
可选地,构建单元,包括:
预标记数据获取子单元,用于确定目标第三训练数据,获取目标第三训练数据对应的多个预标记数据;
标记数据计算子单元,用于计算各个预标记数据的平均值数据,将平均值数据确定为目标第三训练数据的标记数据。
下面对本发明实施例提供的目标信息获取设备进行介绍,下文描述的目标信息获取设备与上文描述的目标信息获取方法可相互对应参照。
请参考图4,图4为本发明实施例提供的一种目标信息获取设备的结构示意图,该目标信息获取设备包括存储器、处理器,其中:
存储器410,用于保存计算机程序;
处理器420,用于执行计算机程序,以实现上述的目标信息获取方法。
下面对本发明实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的目标信息获取方法可相互对应参照。
本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的目标信息获取方法的步骤。该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种目标信息获取方法、目标信息获取装置、目标信息获取设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种目标信息获取方法,其特征在于,包括:
利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集;
利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用所述标记神经网络对获取到的X光片图像进行标记处理,得到标记图像;
获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息。
2.根据权利要求1所述的目标信息获取方法,其特征在于,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定目标点对应的第一点集;
计算所述第一点集的质心点,将所述质心点对应的质心点坐标确定为所述目标点对应的目标信息。
3.根据权利要求1所述的目标信息获取方法,其特征在于,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定目标线对应的第二点集;
对所述第二点集进行线性回归处理,得到所述目标线对应的目标方程,并将所述目标方程确定为所述目标线对应的目标信息。
4.根据权利要求1所述的目标信息获取方法,其特征在于,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定第一目标点对应的第一目标信息和第二目标点对应的第二目标信息;
利用所述第一目标信息、所述第二目标信息和缩放系数,计算所述第一目标点和所述第二目标点之间的第一距离,将所述第一距离确定为第三目标信息;
利用所述标记信息确定第一目标线对应的第四目标信息和第三目标点对应的第五目标信息;
利用所述第四目标信息、所述第五目标信息和所述缩放系数,计算所述第一目标线和所述第三目标点之间的第二距离,将所述第二距离确定为第六目标信息。
5.根据权利要求1所述的目标信息获取方法,其特征在于,所述获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息,包括:
获取所述标记信息,利用所述标记信息确定第二目标线对应的第七目标信息和第三目标线对应的第八目标信息;
利用所述第七目标信息和所述第八信息,计算所述第二目标线和所述第三目标线之间的直线夹角,将所述直线夹角确定为第九目标信息。
6.根据权利要求1至5任一项所述的目标信息获取方法,其特征在于,所述利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集,包括:
在第一扰动区间内选择多个第一扰动参数,利用各个所述第一扰动参数对所述初始训练数据进行平移旋转扰动处理,得到多个第一训练数据;
在第二扰动区间内选择多个第二扰动参数,利用各个所述第二扰动参数分别对各个所述第一训练数据进行视角扰动处理,得到多个第二训练数据;
在第三扰动区间内选择多个第三扰动参数,利用各个所述第三扰动参数分别对各个所述第二训练数据进行点云稠密扰动处理,得到多个第三训练数据;
获取各个所述第三训练数据的标记数据,利用所述标记数据和所述第三训练数据组成所述训练数据集。
7.根据权利要求6所述的目标信息获取方法,其特征在于,所述获取各个所述第三训练数据的标记数据,包括:
确定目标第三训练数据,获取所述目标第三训练数据对应的多个预标记数据;
计算各个所述预标记数据的平均值数据,将所述平均值数据确定为所述目标第三训练数据的所述标记数据。
8.一种目标信息获取装置,其特征在于,包括:
训练集获取模块,用于利用扰动参数对获取的初始训练数据进行训练集扩充处理,得到训练数据集;
标记模块,用于利用训练数据集对初始神经网络进行训练,得到标记神经网络,利用所述标记神经网络对获取到的X光片图像进行标记处理,得到标记图像;
计算模块,用于获取所述标记图像的标记信息,利用所述标记信息计算得到目标信息。
9.一种目标信息获取设备,其特征在于,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的目标信息获取方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的目标信息获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090758.4A CN111311571A (zh) | 2020-02-13 | 2020-02-13 | 一种目标信息获取方法、系统、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090758.4A CN111311571A (zh) | 2020-02-13 | 2020-02-13 | 一种目标信息获取方法、系统、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311571A true CN111311571A (zh) | 2020-06-19 |
Family
ID=71159480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090758.4A Pending CN111311571A (zh) | 2020-02-13 | 2020-02-13 | 一种目标信息获取方法、系统、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311571A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1469721A (zh) * | 2000-10-11 | 2004-01-21 | �����ɷ� | X射线图像的分析方法和装置 |
CN104424629A (zh) * | 2013-08-19 | 2015-03-18 | 深圳先进技术研究院 | 一种x光胸片肺部分割方法和装置 |
CN105354565A (zh) * | 2015-12-23 | 2016-02-24 | 北京市商汤科技开发有限公司 | 基于全卷积网络人脸五官定位与判别的方法及系统 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109816019A (zh) * | 2019-01-25 | 2019-05-28 | 上海小萌科技有限公司 | 一种图像数据自动化辅助标注方法 |
CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维(杭州)科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
CN110020681A (zh) * | 2019-03-27 | 2019-07-16 | 南开大学 | 基于空间注意力机制的点云特征提取方法 |
CN110348572A (zh) * | 2019-07-09 | 2019-10-18 | 上海商汤智能科技有限公司 | 神经网络模型的处理方法及装置、电子设备、存储介质 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
-
2020
- 2020-02-13 CN CN202010090758.4A patent/CN111311571A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1469721A (zh) * | 2000-10-11 | 2004-01-21 | �����ɷ� | X射线图像的分析方法和装置 |
CN104424629A (zh) * | 2013-08-19 | 2015-03-18 | 深圳先进技术研究院 | 一种x光胸片肺部分割方法和装置 |
CN105354565A (zh) * | 2015-12-23 | 2016-02-24 | 北京市商汤科技开发有限公司 | 基于全卷积网络人脸五官定位与判别的方法及系统 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109816019A (zh) * | 2019-01-25 | 2019-05-28 | 上海小萌科技有限公司 | 一种图像数据自动化辅助标注方法 |
CN109900706A (zh) * | 2019-03-20 | 2019-06-18 | 易思维(杭州)科技有限公司 | 一种基于深度学习的焊缝及焊缝缺陷检测方法 |
CN110020681A (zh) * | 2019-03-27 | 2019-07-16 | 南开大学 | 基于空间注意力机制的点云特征提取方法 |
CN110348572A (zh) * | 2019-07-09 | 2019-10-18 | 上海商汤智能科技有限公司 | 神经网络模型的处理方法及装置、电子设备、存储介质 |
CN110415291A (zh) * | 2019-08-07 | 2019-11-05 | 清华大学 | 图像处理方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112842529B (zh) | 全膝关节图像处理方法及装置 | |
Steinberg et al. | Determining lesion size in osteonecrosis of the femoral head | |
CN111640093A (zh) | 医学图像的质控方法和计算机可读存储介质 | |
Pakdel et al. | High resolution bone material property assignment yields robust subject specific finite element models of complex thin bone structures | |
Chen et al. | Precise measurement of coronary stenosis diameter with CCTA using CT number calibration | |
CN112037170A (zh) | 一种血管狭窄的检出方法、装置以及计算机存储介质 | |
EP3089107A1 (en) | Apparatus and method for determining lesion similarity of medical image | |
Desponds et al. | Image quality index (IQI) for screen-film mammography | |
CN116158774B (zh) | 用于测量胫骨平台后倾角的方法、设备和计算机存储介质 | |
CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
Brown et al. | Detection and characterisation of bone destruction in murine rheumatoid arthritis using statistical shape models | |
CN111311571A (zh) | 一种目标信息获取方法、系统、装置及可读存储介质 | |
CN114711794A (zh) | 基于深度学习的膝关节胫骨置换术后评估系统 | |
Seehaus et al. | Experimental analysis of Model-Based Roentgen Stereophotogrammetric Analysis (MBRSA) on four typical prosthesis components | |
EP4027887B1 (en) | Inhalation metric for chest x-ray images | |
Bonanni | Contour and angle-function based scoliosis monitoring: relaxing the requirement on image quality in the measurement of spinal curvature | |
Lau et al. | Volumetric breast density measurement: sensitivity analysis of a relative physics approach | |
CN116109570B (zh) | 骨密度测量方法、装置、设备及存储介质 | |
Niesen et al. | Error in maximum total point motion of a tibial baseplate is lower with a reverse-engineered model versus a CAD model using model-based radiostereometric analysis | |
Willing et al. | Evaluation of a computational model to predict elbow range of motion | |
Welte et al. | Biplanar videoradiography dataset for model-based pose estimation development and new user training | |
Diedrich et al. | Comparing performance of centerline algorithms for quantitative assessment of brain vascular anatomy | |
Polster et al. | Three-dimensional volume-rendering computed tomography for measuring humeral version | |
CN112365959B (zh) | 修改三维图像的标注的方法及装置 | |
US20180247411A1 (en) | Mapping image generation device, method, and program |
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: 20200619 |