CN111340775A - 超声标准切面获取的并行方法、装置和计算机设备 - Google Patents
超声标准切面获取的并行方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111340775A CN111340775A CN202010115397.4A CN202010115397A CN111340775A CN 111340775 A CN111340775 A CN 111340775A CN 202010115397 A CN202010115397 A CN 202010115397A CN 111340775 A CN111340775 A CN 111340775A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- ultrasonic image
- image
- confidence
- local
- 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.)
- Granted
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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10132—Ultrasound 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种超声标准切面的并行方法、装置、计算机设备和存储介质。所述方法包括:获取扫描部位的超声视频;提取超声视频中各超声图像的特征,得到各超声图像的特征图像;根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度;根据全局置信度和局部置信度对各超声图像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。采用本方法能够平衡准确度和速度。
Description
技术领域
本申请涉及图像技术领域,特别是涉及一种超声标准面获取的并行方法、装置、计算机设备和存储介质。
背景技术
超声波检测是辅助诊断最常用的方法,例如通常用于辅助筛查胎儿发育状态的胎儿超声筛查。其中,二维超声(B超)由于其成本低、实时性强,是现有首选的超声波检查方法。超声波在检测过程中需要使用多个解剖标准切面,标准切面通常有丘脑切面、头围切面、腹围切面、小脑平面以及心脏各标准切面等等。因此,现有超声波检测中通常都需要获取到标准切面。
标准切面的获取实质是在视频流中的每一帧中分类识别出满足指定标准面特点的特定帧,本质是一个分类问题。但是由于B超影响范围大,存在大量非关键部位,导致直接对B超图像进行分类比较困难。因此,现有采用多任务思想,将分类和定位同时进行,通过添加定位任务增强分类的效果。
然而,由于医学图像的特殊性,同时进行多任务使得误检增多,降低误检率又无法保证检测速度,导致准确率和检测速度不平衡。
发明内容
基于此,有必要针对上述技术问题,提供一种能够平衡速度和准确率的超声标准切面获取的并行方法、装置、计算机设备和存储介质。
一种超声标准切面获取的并行方法,所述方法包括:
获取扫描部位的超声视频;
提取所述超声视频中各超声图像的特征,得到各所述超声图像的特征图像;
根据各所述超声图像的特征图像,对各所述超声图像分别进行多尺度的目标并行检测,得到各所述超声图像的全局置信度和局部置信度;
根据所述全局置信度和所述局部置信度对各所述超声图像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面。
在其中一个实施例中,所述根据各所述超声图像的特征图像,对各所述超声图像分别进行多尺度的目标并行检测,得到各所述超声图像的全局置信度和局部置信度,包括:
调用预先训练好的第一神经网络;
将所述超声图像的特征图像分别输入所述第一神经网络的多个并行分支网络,各所述并行分支网络分别提取所述特征图像中不同尺度目标的特征,得到各所述不同尺度目标的尺度特征;
将各所述不同尺度目标的尺度特征分别输入所述第一神经网络中对应的区域生成网络,通过所述区域生成网络得到第一感兴趣区域;
对各所述第一感兴趣区域进行特征统一和分类与回归,得到所述超声图像的全局置信度和局部置信度。
在其中一个实施例中,所述对各所述感兴趣区域进行特征统一和分类与回归,得到所述超声图像的全局置信度和局部置信度,包括:
将各所述感兴趣区域进行池化处理或对齐处理;
将池化处理或对齐处理后的感兴趣区域进行分类与回归,得到所述超声图像的全局置信度和局部置信度。
在其中一个实施例中,所述根据所述全局置信度和所述局部置信度对各所述超声图像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面,还包括:
将各所述超声图像的所述全局置信度和所述局部置信度分别进行加权求和,得到各所述超声图像的第一评分值;
调用预先训练好的第二神经网络;
将各所述超声图像分别输入所述第二神经网络,通过所述第二神经网络对各所述超声图像进行目标检测,根据目标检测结果确定各所述超声图像的第二评分值;
根据所述的第一评分值和所述第二评分值对各所述超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面。
在其中一个实施例中,所述
根据所述的第一评分值和所述第二评分值对各所述超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面,包括:
分别将各所述超声图像对应的第一评分值与第二评分值相加,得到所述超声图像的综合评分值;
比较各所述超声图像的综合评分值,选取综合评分值最高的超声图像作为最佳标准切面。
在其中一个实施例中,所述根据所述全局置信度和所述局部置信度对各所述超声图像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面,包括:
将各所述超声图像的所述全局置信度和所述局部置信度分别进行加权求和,得到各所述超声图像的第一评分值;
比较各所述第一评分值的大小,确定第一评分值最大的超声图像为最佳标准切面。
在其中一个实施例中,所述将各所述超声图像的所述全局置信度和所述局部置信度分别进行加权求和,得到各所述超声图像的评分值,包括:
将各所述局部置信度进行求和,得到局部求和置信度;
获取预设的全局权重和局部权重,基于所述全局权重和局部权重将所述全局置信度和所述局部求和置信度进行加权求和,得到第一评分值。
一种超声标准切面获取的并行装置,所述装置包括:
获取模块,用于获取扫描部位的超声视频;
提取模块,用于提取所述超声视频中各超声图像的特征,得到各所述超声图像的特征图像;
检测模块,用于根据各所述超声图像的特征图像,对各所述超声图像分别进行多尺度的目标并行检测,得到各所述超声图像的全局置信度和局部置信度;
选取模块,用于根据所述全局置信度和所述局部置信度对各所述超声图像像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的超声标准切面获取的并行方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的超声标准切面获取的并行方法的步骤:
上述超声标准切面获取的并行方法、装置、计算机设备和存储介质,获取扫描部位的超声视频之后,提取超声视频中各超声图像的特征得到各超声图像的特征图像,进而根据各超声图像的特征图像对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度,最后根据全局置信度和局部置信度对各超声图像进行评价,选取评价最高的超声图像作为扫描部位的最佳超声图像。该方法在利用特征图像进行目标检测时采用数据并行处理的方式加快实时处理能力,从而提高了处理速度。同时,通过考虑全局和局部的评分机制选取最佳的标准切面,保证选取的准确率,由此平衡准确率和处理速度。
附图说明
图1为一个实施例中超声标准切面获取的并行方法的应用环境图;
图2为一个实施例中超声标准切面获取的并行方法的流程示意图;
图3为一个实施例中四腔心切面的详细局部关键部位的示意图;
图4为一个实施例中根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度步骤的流程示意图;
图5为一个实施例中第一神经网络的结构示意图;
图6为一个实施例中超声标准切面获取的并行装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的超声标准切面获取的并行方法,可以应用于如图1所示的应用环境中。其中,超声设备102通过网络与计算机设备104进行通信。计算机设备104获取超声设备102对扫描部位进行扫描采集的超声视频;计算机设备104提取超声视频中各超声图像的特征,得到各超声图像的特征图像;计算机设备104根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度;计算机设备104根据全局置信度和局部置信度对各超声图像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。其中,超声设备102可以是B超设备或便携式B超设备。计算机设备104可以是终端或服务器,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种超声标准切面获取的并行方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤2S02,获取扫描部位的超声视频。
其中,超声视频是指超声设备对于扫描部位进行扫描采集到的视频,扫描部位可以是头部、腹部、心脏等。
具体地,通过超声设备中的探头,例如B超机的探头对人体的某个部位进行扫描得到该扫描部位的超声视频。超声设备将采集的超声视频发送给与其通信的计算机设备。应当理解的是,计算机设备接收超声视频时,可以是超声设备在采集过程中实时发送的,也可以是采集完成之后发送的。
步骤S204,提取超声视频中各超声图像的特征,得到各超声图像的特征图像。
其中,超声图像就是超声视频中的图像,针对不同的扫描部位有不同的超声图像,例如在胎儿超声筛查中通常包括丘脑切面、头围切面、腹围切面、小脑平面以及心脏各切面图像等等。心脏部位的各切面图像包括有四腔心切面、左室流出道切面、右室流出道切面、三血管切面、腔静脉长轴切面等关键切面。
具体地,当计算机设备获取到超声视频之后,将超声视频中的各帧图像,即超声图像提取出来。然后,分别对各超声图像进行特征提取,得到各超声图像的特征图像。在本实施例中,特征提取可以通过训练对应的特征提取网络对超声图像进行图像特征提取,例如采用训练好的DPN(Dual Path Network,双路网络)进行图像特征提取。也可以采用现有任意一种图像特征提取算法对各超声图像进行图像特征提取,图像特征提取算法包括但不限于是HOG(histogram of Oriented Gradient,方向梯度直方图)算法、SIFT(Scale-invariant features transform,尺度不变特征变换)算法、SURF(Speeded Up RobustFeatures,加速稳健特征,对sift的改进)算法、DOG(Difference of Gaussian,高斯函数差分)、LBP(Local Binary Pattern,局部二值模式)算法等。
步骤S206,根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度。
其中,多尺度的目标并行检测是指同时对超声图像中不同尺度的目标进行目标检测。置信度通常用于描述被测目标的可信程度,可以理解为概率值。全局置信度是指超声图像对应的扫描部位的整体置信度,局部置信度是指超声图像对应的扫描部位的各局部关键部位的置信度。例如,以胎儿心脏超声的四腔心切面为例,全局置信度是心脏整体的置信度,局部置信度则是心脏中详细局部关键部位的置信度。参考图3,四腔心切面中心脏的详细局部关键部位包括右肺静脉(Right Pulmonary Vein,RPV)、左肺静脉(Left PulmonaryVein,LPV)、降主动脉(Descending Aorta,DAO)、调节束、原发隔(Septum Primum,SP)、二尖瓣(Mitral Valve,MV)、三尖瓣(Tricuspid Valve,TV)、Sternum胸骨。
具体地,计算机设备调用预先训练好可以用于同时对多尺度目标进行目标检测的神经网络,将各超声图像分别输入该神经网络中,通过神经网络对超声图像进行处理,得到全局置信度和局部置信度。或者,预先训练多个神经网络部署至计算机设备中,其中每个神经网络用于对固定尺度的目标进行目标检测,并且各神经网络对应的固定尺度不一样。然后,计算机设备通过将超声图像分别输入多个神经网络进行处理,由多个神经网络同时对超声图像进行目标检测,从而得到全局置信度和局部置信度。
在本实施例中,神经网络可以是现有任意一种用于进行目标检测的目标检测网络结构,例如Faster R-CNN(Faster Region-Convolutional Neural Networks,快速目标检测网络)、Yolo(You Only Look Once,一次检测多个目标的目标检测网络)系列的网络结构,即Yolov1、Yolov2和Yolov3等。
步骤S208,根据全局置信度和局部置信度对各超声图像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。
其中,由于超声标准切面的实质是选择出满足标准切面特点的特定帧,因此本实施例的评价可以理解为是对各超声图像是否满足标准切面特点以及满足的程度进行评价,从而选择满足程度最高的超声图像作为最佳标准切面。
在一个实施例中,步骤S208,包括:将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;比较各第一评分值的大小,确定第一评分值最大的超声图像为最佳标准切面。
具体地,计算机设备获取预先配置的全局权重和局部权重。然后,根据全局权重和局部权重进行加权求和,即全局权重与全局置信度的乘积加上局部权重与局部置信度的乘积,得到的值作为超声图像的评分值,即超声图像的第一评分值。最后选择第一评分值最大的超声图像作为最佳的标准切面。
在一个实施例中,当包括多个局部置信度时,将所有的局部置信度求和得到局部置求和信度。然后,全局权重与全局置信度的乘积加上局部权重与局部求和置信度的乘积得到第一评分值。第一评分值C计算公式如下:
其中,Ce为全局置信度、Cei为第i个局部关键部位的局部置信度、α为全局权重、β为局部权重,本实施例优选全局权重为0.8,局部权重为0.2。应当理解的是,全局权重和局部权重可以根据实际情况进行设定,不限定本实施例设定的0.8和0.2。但是,设定的全局权重和局部权重的和必须为1。
上述超声标准切面获取的并行方法,获取扫描部位的超声视频之后,提取超声视频中各超声图像的特征得到各超声图像的特征图像,进而根据各超声图像的特征图像对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度,最后根据全局置信度和局部置信度对各超声图像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。该方法在利用特征图像进行目标检测时采用数据并行处理的方式加快实时处理能力,从而提高了处理速度。同时,通过考虑全局和局部的评分机制选取最佳的标准切面,保证选取的准确率,由此平衡准确率和处理速度。在一个实施例中,如图4所示,步骤S206,包括:
步骤S402,调用预先训练好的第一神经网络。
步骤S404,将超声图像的特征图像分别输入第一神经网络的多个并行分支网络,各并行分支网络分别提取特征图像中不同尺度目标的特征,得到各所不同尺度目标的尺度特征。
步骤S406,将各不同尺度目标的尺度特征分别输入第一神经网络中对应的区域生成网络,通过区域生成网络得到第一感兴趣区域。
步骤S408,对各第一感兴趣区域进行特征统一和分类与回归,得到超声图像的全局置信度和局部置信度。
其中,第一神经网络是本实施例中训练好的目标检测网络,第一神经网络中的并行分支网络是由多个并行的网络组成的网络层,用于并行提取不同尺度目标对应的尺度特征。区域生成网络(Region Proposal Network,RPN)是用于生成感兴趣区域(ROI)的网络层。特征统一是指将大小不等的感兴趣区域进行统一表示,分类与回归用于得到检测目标的边界框的概率值,即置信度。在本实施例中,并行分支网络采用三叉戟网络结构。三叉戟网络结构中的三个分支网络构架类似且共享参数,以不同的空洞参数(Dilation)处理不同尺度的目标。
具体地,如图5所示,提供一种第一神经网络的结构示意图,参考图5,第一神经网络包括特征提取网络层(DPN)、三叉戟网络层、区域生成网络层、感兴趣区域池化层以及分类与回归层。
首先,将超声图像输入第一神经网络中的特征提取网络层以提取输入图像的特征,得到超声图像的特征图像。然后将提取的特征图像分别输入三叉戟网络层中左中右三个不同尺度的并行分支中得到不同尺度的尺度特征。最左边分支用以处理小尺度目标,中间分支用以处理中等适度尺度目标,右面分支处理大尺度目标。随后将不同尺度的尺度特征输入与三叉戟网络中三个分支网络对应的RPN网络,通过RPN网络获取可能含有检测目标的感兴趣区域。RPN同时也会在尺度特征对应特征图上框定感兴趣区域的大致位置,从而得到数据较大的候选框。由于这些候选框大小不等,所以将感兴趣区域统一输入至感兴趣区域池化层中,将这些候选框的特征进行统一表示,得到最终的边界框Bounding-box。最后将统一表示的边界框Bounding-box输入分类与回归网络完成最终的检测,得到的是检测目标的边界框与类别的置信度。其中,感兴趣区域池化层可以是对感兴趣区域进行池化(ROIpooling)处理、也可以是对感兴趣区域进行对齐(ROI align)处理。区域生成网络层、感兴趣区域池化层以及最后的分类与回归网络都优先采用Faster R-CNN结构进行。
在本实施例中,利用包括三叉戟网络的第一神经网络实现多尺度的目标并行检测,加快了处理速度。
在一个实施例中,步骤S208,包括:将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;调用预先训练好的第二神经网络;将各超声图像分别输入第二神经网络,通过第二神经网络对各超声图像进行目标检测,根据目标检测结果确定各超声图像的第二评分值;根据的第一评分值和第二评分值对各超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面。
其中,第二神经网络是与第一神经网络结构不同的目标检测网络,第二神经网络包括但不限于是Yolo系列网络、Faster R-CNN等。第一评分值是基于第一神经网络输出的置信度得到的评分值,第二评分值是基于第二神经网络输出的置信度得到的。综合评价就是结合两个神经网络的置信度综合评价各超声图像是否满足标准切面特点,从而确定最佳标准切面。
具体地,当对超声图像进行多尺度的目标并行检测时,除了调用第一神经网络之外,还可以调用预先训练好的第二神经网络。通过第二神经网络对超声图像进行目标检测,得到第二神经网络对应的感兴趣区域。第二神经网络的分类与回归层对得到的感兴趣区域进行分类和回归处理,得到各超声图像的作为最佳标准切面的置信度,该置信度即为超声图像的第二评分值。当第二神经网络输出多个置信度时,通过对多个置信度进行加权求和得到最终的置信度,那么最终的置信度即为第二评分值。然后,基于得到的第一评分值和第二评分值评价超声图像确定最佳标准切面。
在一个实施例中,根据的第一评分值和第二评分值对各超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面,包括:分别将各超声图像对应的第一评分值与第二评分值相加,得到超声图像的综合评分值;比较各超声图像的综合评分值,选取综合评分值最高的超声图像作为最佳标准切面。
具体地,每张超声图像都有对应的第一评分值和第二评分值,将各超声图像的第一评分值与第二评分值相加得到综合评分值。综合评分值最高的超声图像表示是第一神经网络和第二神经网络这两类神经网络均确定的满足标准切面特点以及满足程度最高的超声图像。因此,选取综合评分制最高的超声图像作为最佳标准切面。应当理解的是,本实施例中的第二神经网络不限定是只有一个神经网络,可以是包括多个神经网络。当第二神经网络包括两个或两个以上的神经网络时,将第一神经网络的第一评分值与所有的第二神经网络的评分值进行相加得到用于选取最佳标准切面的综合评分值。
在本实施例中,通过将第一神经网络的评分值与其他多个神经网络的结果相结合,能够综合其他网络的检测结果,保证最佳标准切面选取的精确性。
在一个实施例中,步骤S408,对各第一感兴趣区域进行特征统一和分类与回归之前,还可以包括:
S1,调用预先训练好的第二神经网络。
S2,将各超声图像分别输入第二神经网络,通过第二神经网络对各超声图像进行目标检测,确定第二感兴趣区域。
S3,将第一感兴趣区域与所述第二感兴趣区域进行结果融合,得到最终的第一感兴趣区域。
其中,同样的,第二神经网络是与第一神经网络结构不同的目标检测网络,第二神经网络包括但不限于是Yolo系列网络、Faster R-CNN等。第一感兴趣区域是指第一神经网络得到的感兴趣区域,第二感兴趣区域是指第二神经网络得到的感兴趣区域。结果融合就是将两个神经网络检测的感兴趣区域结果进行结合,对第一感兴趣区域进行筛选或补充得到最终的第一感兴趣区域。
具体地,当对超声图像进行多尺度的目标并行检测时,除了调用第一神经网络之外,还可以调用预先训练好的第二神经网络。通过第二神经网络对超声图像进行目标检测,得到第二神经网络对应的第二感兴趣区域。然后,将第一神经网络的第一感兴趣区域与第二感兴趣区域进行结果融合,得到最终的第一感兴趣区域。结果融合可以是对第一感兴趣区域与第二感兴趣区域取交集或者并集处理。
在一个实施例中,将第一感兴趣区域与所述第二感兴趣区域进行结果融合,得到最终的第一感兴趣区域具体包括:确定第一感兴趣区域与第二感兴趣区域的交集感兴趣区域,将交集感兴趣区域作为最终的第一感兴趣区域。
其中,交集感兴趣区域是指同时作为第一感兴趣区域和第二感兴趣区域的区域,也就是第一神经网络和第二神经网络均检测出来的区域。
具体的,将各个第一感兴趣区域分别与各个第二感兴趣区域进行匹配,当确定存在与第一感兴趣区域对应的第二感兴趣区域时,确定该第一感兴趣区域为两个神经网络均检测出来的区域,选取其作为交集感兴趣区域。
在本实施例中,通过结果融合将多个神经网络的感兴趣区域进行融合,即取交集可以减少第一神经网络检测感兴趣区域时的误检率,取并集可以减少第一神经网络检测感兴趣区域时的漏检率,从而提高第一神经网络的准确率。
在一个实施例中,第一神经网络的训练过程为:首先训练第一神经网络中的特征提取网络层,然后在对剩余层,即三叉戟网络层、区域生成网络层、感兴趣区域池化层以及分类与回归层进行训练。
具体地,对特征提取网络层的训练过程为:从官方网站获取ImageNet数据集,ImageNet是世界上最大图像识别的数据库。使用分类任务对DPN双路网络进行预训练,使DPN双路网络具备强大的特征提取能力,训练完成后对DPN双路网络参数进行冻结,保证DPN双路网络的参数以后不再改变。
对剩余层的训练过程为:获取超声医师专业标注的超声图像数据集,将超声图像数据集分为训练数据集和测试数据集。例如,以胎儿心脏超声为例,超声医师专业标注的超声图像数据集可以是妇幼保健院中的专业医师进行标注获取。本实施例中超声图像数据集中包括18000张图像,共分为6大类,具体包括(a)四腔心切面;(b)左室流出道切面;(c)右室流出道切面(d)主动脉弓和动脉导管弓切面;(e)三血管-气管切面;(f)腔静脉长轴切面,以及6类切面下对应的标注图像。其中每种类别有3000张图像,每个类别随机选取2500张,也即总共15000张图像用于训练组成训练数据集,剩余的3000张图像用于测试组成测试数据集。
对训练数据集和测试数据集中的所有胎儿心脏超声图像进行预处理操作,以得到预处理后的训练与测试数据集。预处理操作首先是对所有的胎儿心脏超声图像进行诸如随机旋转、翻转、明暗度调节等的数据扩充,然后对数据扩充操作后的每副胎儿心脏超声图像进行归一化(即将超声图像中的每个像素点值映射到[-1,1])和灰度化处理,以得到预处理后的训练数据集。通过预处理实现对训练数据集进行在线扩充以及归一化处理,使训练模型更鲁棒。然后,将各预处理后的训练数据集输入训练好的DPN双路网络,得到各训练数据集中图像对应的图像特征。利用训练数据集中图像对应的图像特征对剩余层继进行训练,直至模型收敛为止。
当训练完成之后,利用测试数据集对第一神经网络进行测试,测试结果如下表1所示,表1是以四腔心切面为例测试得到的误检率、召回率以及检测帧速率的结果:
误检率 | 召回率 | 检测帧速率 |
2.77% | 95.38% | 65 |
表1
通过上表1可以看出基于三叉戟架构的faster R-cnn模型由于加入了对多尺度目标的检测,所以对于超声图像的识别与定位都很准确,关键是误检率也非常低。
在一个实施例中,当计算机设备获取到超声视频,从超声视频中得到各帧超声图像之后,可以将各超声图像平均分配给多个GPU(Graphics Processing Unit,图形处理器),每个GPU上都部署对应的第一神经网络和第二神经网络。通过多个GPU同时对分配到的超声图像进行目标检测,大大加速模型的运行。
应该理解的是,虽然图2、5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种超声标准切面获取的并行装置,包括:获取模块602、提取模块604、检测模块606和选取模块608,其中:
获取模块602,用于获取扫描部位的超声视频。
提取模块604,用于提取超声视频中各超声图像的特征,得到各超声图像的特征图像。
检测模块606,用于根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度。
选取模块608,用于根据全局置信度和局部置信度对各超声图像像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。
在一个实施例中,检测模块606还用于调用预先训练好的第一神经网络;将超声图像的特征图像分别输入第一神经网络的多个并行分支网络,各并行分支网络分别提取特征图像中不同尺度目标的特征,得到各所不同尺度目标的尺度特征;将各不同尺度目标的尺度特征分别输入第一神经网络中对应的区域生成网络,通过区域生成网络得到第一感兴趣区域;对各第一感兴趣区域进行特征统一和分类与回归,得到超声图像的全局置信度和局部置信度。
在一个实施例中,检测模块606还用于将各感兴趣区域进行池化处理或对齐处理;将池化处理或对齐处理后的感兴趣区域进行分类与回归,得到超声图像的全局置信度和局部置信度。
在一个实施例中,选取模块608还用于将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;调用预先训练好的第二神经网络;将各超声图像分别输入第二神经网络,通过第二神经网络对各超声图像进行目标检测,根据目标检测结果确定各超声图像的第二评分值;根据的第一评分值和第二评分值对各超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面。
在一个实施例中,选取模块608还用于分别将各超声图像对应的第一评分值与第二评分值相加,得到超声图像的综合评分值;比较各超声图像的综合评分值,选取综合评分值最高的超声图像作为最佳标准切面。
在一个实施例中,选取模块608还用于将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;比较各第一评分值的大小,确定第一评分值最大的超声图像为最佳标准切面。
在一个实施例中,选取模块608还用于将各局部置信度进行求和,得到局部求和置信度;获取预设的全局权重和局部权重,基于全局权重和局部权重将全局置信度和局部求和置信度进行加权求和,得到第一评分值。
关于超声标准切面获取的并行装置的具体限定可以参见上文中对于超声标准切面获取的并行方法的限定,在此不再赘述。上述超声标准切面获取的并行装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种超声标准切面获取的并行方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取扫描部位的超声视频;
提取超声视频中各超声图像的特征,得到各超声图像的特征图像;
根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度;
根据全局置信度和局部置信度对各超声图像像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:调用预先训练好的第一神经网络;将超声图像的特征图像分别输入第一神经网络的多个并行分支网络,各并行分支网络分别提取特征图像中不同尺度目标的特征,得到各所不同尺度目标的尺度特征;将各不同尺度目标的尺度特征分别输入第一神经网络中对应的区域生成网络,通过区域生成网络得到第一感兴趣区域;对各第一感兴趣区域进行特征统一和分类与回归,得到超声图像的全局置信度和局部置信度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将各感兴趣区域进行池化处理或对齐处理;将池化处理或对齐处理后的感兴趣区域进行分类与回归,得到超声图像的全局置信度和局部置信度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;调用预先训练好的第二神经网络;将各超声图像分别输入第二神经网络,通过第二神经网络对各超声图像进行目标检测,根据目标检测结果确定各超声图像的第二评分值;根据的第一评分值和第二评分值对各超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别将各超声图像对应的第一评分值与第二评分值相加,得到超声图像的综合评分值;比较各超声图像的综合评分值,选取综合评分值最高的超声图像作为最佳标准切面。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;比较各第一评分值的大小,确定第一评分值最大的超声图像为最佳标准切面。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将各局部置信度进行求和,得到局部求和置信度;获取预设的全局权重和局部权重,基于全局权重和局部权重将全局置信度和局部求和置信度进行加权求和,得到第一评分值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取扫描部位的超声视频;
提取超声视频中各超声图像的特征,得到各超声图像的特征图像;
根据各超声图像的特征图像,对各超声图像分别进行多尺度的目标并行检测,得到各超声图像的全局置信度和局部置信度;
根据全局置信度和局部置信度对各超声图像像进行评价,选取评价最高的超声图像作为扫描部位的最佳标准切面。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:调用预先训练好的第一神经网络;将超声图像的特征图像分别输入第一神经网络的多个并行分支网络,各并行分支网络分别提取特征图像中不同尺度目标的特征,得到各所不同尺度目标的尺度特征;将各不同尺度目标的尺度特征分别输入第一神经网络中对应的区域生成网络,通过区域生成网络得到第一感兴趣区域;对各第一感兴趣区域进行特征统一和分类与回归,得到超声图像的全局置信度和局部置信度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各感兴趣区域进行池化处理或对齐处理;将池化处理或对齐处理后的感兴趣区域进行分类与回归,得到超声图像的全局置信度和局部置信度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;调用预先训练好的第二神经网络;将各超声图像分别输入第二神经网络,通过第二神经网络对各超声图像进行目标检测,根据目标检测结果确定各超声图像的第二评分值;根据的第一评分值和第二评分值对各超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别将各超声图像对应的第一评分值与第二评分值相加,得到超声图像的综合评分值;比较各超声图像的综合评分值,选取综合评分值最高的超声图像作为最佳标准切面。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各超声图像的全局置信度和局部置信度分别进行加权求和,得到各超声图像的第一评分值;比较各第一评分值的大小,确定第一评分值最大的超声图像为最佳标准切面。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各局部置信度进行求和,得到局部求和置信度;获取预设的全局权重和局部权重,基于全局权重和局部权重将全局置信度和局部求和置信度进行加权求和,得到第一评分值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种超声标准切面获取的并行方法,所述方法包括:
获取扫描部位的超声视频;
提取所述超声视频中各帧超声图像的特征,得到各所述超声图像的特征图像;
根据各所述超声图像的特征图像,对各所述超声图像分别进行多尺度的目标并行检测,得到各所述超声图像的全局置信度和局部置信度;
根据所述全局置信度和所述局部置信度对各所述超声图像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述超声图像的特征图像,对各所述超声图像分别进行多尺度的目标并行检测,得到各所述超声图像的全局置信度和局部置信度,包括:
调用预先训练好的第一神经网络;
将所述超声图像的特征图像分别输入所述第一神经网络的多个并行分支网络,各所述并行分支网络分别提取所述特征图像中不同尺度目标的特征,得到各所述不同尺度目标的尺度特征;
将各所述不同尺度目标的尺度特征分别输入所述第一神经网络中对应的区域生成网络,通过所述区域生成网络得到第一感兴趣区域;
对各所述第一感兴趣区域进行特征统一和分类与回归,得到所述超声图像的全局置信度和局部置信度。
3.根据权利要求2所述的方法,其特征在于,所述对各所述感兴趣区域进行特征统一和分类与回归,得到所述超声图像的全局置信度和局部置信度,包括:
将各所述感兴趣区域进行池化处理或对齐处理;
将池化处理或对齐处理后的感兴趣区域进行分类与回归,得到所述超声图像的全局置信度和局部置信度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述全局置信度和所述局部置信度对各所述超声图像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面,包括:
将各所述超声图像的所述全局置信度和所述局部置信度分别进行加权求和,得到各所述超声图像的第一评分值;
调用预先训练好的第二神经网络;
将各所述超声图像分别输入所述第二神经网络,通过所述第二神经网络对各所述超声图像进行目标检测,根据目标检测结果确定各所述超声图像的第二评分值;
根据所述的第一评分值和所述第二评分值对各所述超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面。
5.根据权利要求4所述的方法,其特征在于,所述根据所述的第一评分值和所述第二评分值对各所述超声图像进行综合评价,确定综合评价最高的超声图像为最佳标准切面,包括:
分别将各所述超声图像对应的第一评分值与第二评分值相加,得到所述超声图像的综合评分值;
比较各所述超声图像的综合评分值,选取综合评分值最高的超声图像作为最佳标准切面。
6.根据权利要求1所述的方法,其特征在于,所述根据所述全局置信度和所述局部置信度对各所述超声图像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面,包括:
将各所述超声图像的所述全局置信度和所述局部置信度分别进行加权求和,得到各所述超声图像的第一评分值;
比较各所述第一评分值的大小,确定第一评分值最大的超声图像为最佳标准切面。
7.根据权利要求4或6所述的方法,其特征在于,所述将各所述超声图像的所述全局置信度和所述局部置信度分别进行加权求和,得到各所述超声图像的第一评分值,包括:
将各所述局部置信度进行求和,得到局部求和置信度;
获取预设的全局权重和局部权重,基于所述全局权重和局部权重将所述全局置信度和所述局部求和置信度进行加权求和,得到第一评分值。
8.一种超声标准切面获取的并行装置,其特征在于,所述装置包括:
获取模块,用于获取扫描部位的超声视频;
提取模块,用于提取所述超声视频中各超声图像的特征,得到各所述超声图像的特征图像;
检测模块,用于根据各所述超声图像的特征图像,对各所述超声图像分别进行多尺度的目标并行检测,得到各所述超声图像的全局置信度和局部置信度;
选取模块,用于根据所述全局置信度和所述局部置信度对各所述超声图像像进行评价,选取评价最高的超声图像作为所述扫描部位的最佳标准切面。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115397.4A CN111340775B (zh) | 2020-02-25 | 2020-02-25 | 超声标准切面获取的并行方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115397.4A CN111340775B (zh) | 2020-02-25 | 2020-02-25 | 超声标准切面获取的并行方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340775A true CN111340775A (zh) | 2020-06-26 |
CN111340775B CN111340775B (zh) | 2023-09-29 |
Family
ID=71183674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115397.4A Active CN111340775B (zh) | 2020-02-25 | 2020-02-25 | 超声标准切面获取的并行方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340775B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111904469A (zh) * | 2020-08-07 | 2020-11-10 | 长沙大端信息科技有限公司 | 可并行处理的心脏切面检测方法及系统 |
CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
CN112215806A (zh) * | 2020-09-24 | 2021-01-12 | 广州爱孕记信息科技有限公司 | 胎儿超声影像的检测结果的输出控制方法、装置及系统 |
CN112215829A (zh) * | 2020-10-21 | 2021-01-12 | 深圳度影医疗科技有限公司 | 一种髋关节标准切面的定位方法和计算机设备 |
CN113409272A (zh) * | 2021-06-21 | 2021-09-17 | 上海联影医疗科技股份有限公司 | 数据分析方法、装置、计算机设备以及可读存储介质 |
US20220058437A1 (en) * | 2020-08-21 | 2022-02-24 | GE Precision Healthcare LLC | Synthetic training data generation for improved machine learning model generalizability |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090161937A1 (en) * | 2007-12-21 | 2009-06-25 | Siemens Medical Solutions Usa, Inc. | Robust Anatomy Detection Through Local Voting And Prediction |
CN106485268A (zh) * | 2016-09-27 | 2017-03-08 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
US20190019311A1 (en) * | 2017-07-14 | 2019-01-17 | Microsoft Technology Licensing, Llc | Fully convolutional color constancy with confidence weighted pooling |
CN109658401A (zh) * | 2018-12-14 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
-
2020
- 2020-02-25 CN CN202010115397.4A patent/CN111340775B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090161937A1 (en) * | 2007-12-21 | 2009-06-25 | Siemens Medical Solutions Usa, Inc. | Robust Anatomy Detection Through Local Voting And Prediction |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN106485268A (zh) * | 2016-09-27 | 2017-03-08 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
US20190019311A1 (en) * | 2017-07-14 | 2019-01-17 | Microsoft Technology Licensing, Llc | Fully convolutional color constancy with confidence weighted pooling |
CN109658401A (zh) * | 2018-12-14 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
Non-Patent Citations (2)
Title |
---|
吴晶晶;程武山;: "融合全局和局部特征并基于神经网络的表情识别", 计算机测量与控制, no. 06 * |
郑彤;刘亚美;张骏;: "一种基于局部置信度网络的光照估计算法", 智能计算机与应用, no. 06 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111904469A (zh) * | 2020-08-07 | 2020-11-10 | 长沙大端信息科技有限公司 | 可并行处理的心脏切面检测方法及系统 |
CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
CN112070119B (zh) * | 2020-08-11 | 2024-06-14 | 深圳蓝湘智影科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
US20220058437A1 (en) * | 2020-08-21 | 2022-02-24 | GE Precision Healthcare LLC | Synthetic training data generation for improved machine learning model generalizability |
US11720647B2 (en) * | 2020-08-21 | 2023-08-08 | GE Precision Healthcare LLC | Synthetic training data generation for improved machine learning model generalizability |
CN112215806A (zh) * | 2020-09-24 | 2021-01-12 | 广州爱孕记信息科技有限公司 | 胎儿超声影像的检测结果的输出控制方法、装置及系统 |
CN112215829A (zh) * | 2020-10-21 | 2021-01-12 | 深圳度影医疗科技有限公司 | 一种髋关节标准切面的定位方法和计算机设备 |
CN112215829B (zh) * | 2020-10-21 | 2021-12-14 | 深圳度影医疗科技有限公司 | 一种髋关节标准切面的定位方法和计算机设备 |
CN113409272A (zh) * | 2021-06-21 | 2021-09-17 | 上海联影医疗科技股份有限公司 | 数据分析方法、装置、计算机设备以及可读存储介质 |
CN113409272B (zh) * | 2021-06-21 | 2023-04-28 | 上海联影医疗科技股份有限公司 | 数据分析方法、装置、计算机设备以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340775B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340775B (zh) | 超声标准切面获取的并行方法、装置和计算机设备 | |
Sevastopolsky | Optic disc and cup segmentation methods for glaucoma detection with modification of U-Net convolutional neural network | |
CN110008971B (zh) | 图像处理方法、装置、计算机可读存储介质及计算机设备 | |
CN110930367B (zh) | 多模态超声影像分类方法以及乳腺癌诊断装置 | |
Dharmawan et al. | A new hybrid algorithm for retinal vessels segmentation on fundus images | |
Lather et al. | Investigating brain tumor segmentation and detection techniques | |
Sori et al. | Multi-path convolutional neural network for lung cancer detection | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN109584209B (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
CN109345508A (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN107451615A (zh) | 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统 | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
Qin et al. | Extended-maxima transform watershed segmentation algorithm for touching corn kernels | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
Khumancha et al. | Lung cancer detection from computed tomography (CT) scans using convolutional neural network | |
CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
CN112102230A (zh) | 超声切面识别方法、系统、计算机设备和存储介质 | |
CN112669319A (zh) | 一种多视角多尺度淋巴结假阳性抑制建模方法 | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
CN116416221A (zh) | 一种超声图像分析方法 | |
Gomez et al. | Feature selection and classifier performance in computer-aided diagnosis for breast ultrasound |
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 |