CN111428778B - 一种胎儿颜面部标准切面自动分类法 - Google Patents
一种胎儿颜面部标准切面自动分类法 Download PDFInfo
- Publication number
- CN111428778B CN111428778B CN202010199544.0A CN202010199544A CN111428778B CN 111428778 B CN111428778 B CN 111428778B CN 202010199544 A CN202010199544 A CN 202010199544A CN 111428778 B CN111428778 B CN 111428778B
- Authority
- CN
- China
- Prior art keywords
- value
- standard
- gradient
- face
- tangent plane
- 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
Links
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了超声图像分类领域的一种胎儿颜面部标准切面自动分类法,包括如下步骤:步骤S10、获取复数张胎儿颜面部的超声图像,对各所述超声图像进行预处理并分别生成标准切面;步骤S20、提取所述标准切面中包括局部二值模式以及方向梯度直方图的纹理特征;步骤S30、对所述纹理特征进行欧式距离归一化,得到特征向量;步骤S40、基于所述特征向量,利用支持向量机对所述标准切面进行学习和分类。本发明的优点在于:极大的提升了胎儿颜面部标准切面分类的精度以及效率,进而极大的提升了提升临床诊断效率,降低了临床诊断成本。
Description
技术领域
本发明涉及超声图像分类领域,特别指一种胎儿颜面部标准切面自动分类法。
背景技术
医学超声图像的表现对象主要是人的不同层次的生理组织和结构,微观至分子、原子,宏观至人体器官。相对于普通图像,医学超声图像的胎儿颜面部标准切面是观察胎儿面部轮廓和筛查各种胎儿唇裂的良好切面,很多唇部、面部异常在胎儿颜面部标准切面上都有明显的显示,如前额后缩、前额突出、前额扁平、无鼻、裂鼻、长鼻和面斜裂畸形等。
近年来,随着产前诊断的普及,超声成像由于其低消耗、实时性且无辐射等优点得到了广泛应用。在对胎儿进行系统的超声检查过程中,最基础的环节是胎儿各部位标准切面的识别获取。然而,针对胎儿颜面部标准切面的识别获取,传统上依靠医生的专业知识和临床经验进行主观的评估,传统的方法存在如下缺点:1、由于不同医生具备的专业知识和临床经验各不相同,导致不同医生识别获取的标准切面存在较大误差;2、采用人工判断的方式需要耗费大量的时间,使得临床诊断效率不高;3、由于超声图像存在一定的噪声干扰,且不同人次的扫描方向存在一定差异,给医生的人工判断带来困难。
因此,如何提供一种胎儿颜面部标准切面自动分类法,实现提升胎儿颜面部标准切面分类的精度以及效率,进而提升临床诊断效率,降低临床诊断成本,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种胎儿颜面部标准切面自动分类法,实现提升胎儿颜面部标准切面分类的精度以及效率,进而提升临床诊断效率,降低临床诊断成本。
本发明是这样实现的:一种胎儿颜面部标准切面自动分类法,包括如下步骤:
步骤S10、获取复数张胎儿颜面部的超声图像,对各所述超声图像进行预处理并分别生成标准切面;
步骤S20、提取所述标准切面中包括局部二值模式以及方向梯度直方图的纹理特征;
步骤S30、对所述纹理特征进行欧式距离归一化,得到特征向量;
步骤S40、基于所述特征向量,利用支持向量机对所述标准切面进行学习和分类。
进一步地,所述步骤S10具体包括:
步骤S11、获取胎儿颜面部的超声图像;
步骤S12、利用矩形框选取出所述超声图像的感兴趣区域;
步骤S13、将所述感兴趣区域的大小缩放至预设的大小,进而生成标准切面。
进一步地,所述步骤S20中,所述提取所述标准切面中局部二值模式的纹理特征具体包括:
步骤S211、将所述标准切面划分为a*a个不重叠的细胞单元,a为正整数;
步骤S212、对各所述细胞单元的每个像素进行遍历,逐一定义为中心点;
步骤S213、设置所述中心点周围的采样点的区域半径R以及采样点数量d,计算各所述采样点的坐标值(xe,ye); 其中xe表示采样点的横坐标,ye表示采样点的纵坐标,xc表示中心点的横坐标,yc表示中心点的纵坐标,R为正数,d为正整数;
步骤S215、基于差值化后的所述采样点的坐标值(xe',ye')确定采样点的灰度值ie,基于中心点的坐标值(xc,yc)确定中心点的灰度值ic;计算灰度值ie和灰度值ic的灰度差值,并对所述灰度差值进行二值化:
x=ie-ic;
其中x表示灰度差值;s(x)表示给点中心点的符号,即灰度差值大于等于0时取值为1,否则取值为0;
步骤S216、计算各所述中心点的局部二值模式的取值:
进一步地,所述步骤S20中,所述提取所述标准切面中方向梯度直方图的纹理特征具体包括:
步骤S221、将所述标准切面划分为b1*b1个不重叠的块,将所述块划分为b2*b2个不重叠的子块,b1和b2均为正整数;
步骤S222、利用Gamma校正法对各所述子块进行颜色空间的标准化,进而转换为灰度图:
I'(x1,y1)=I(x1,y1)gamma;其中I(x1,y1)表示所述子块各像素点的原始RGB值,I'(x1,y1)表示所述子块各像素点进行颜色标准化后的RGB值;
步骤S223、计算转换为灰度图的各所述子块的每个像素的水平方向梯度值和垂直方向梯度值:
步骤S224、基于所述水平方向梯度值和垂直方向梯度值计算梯度幅值以及梯度方向:
其中M(x2,y2)表示梯度幅值;θ(x2,y2)表示梯度方向;
步骤S225、基于所述梯度幅值以及梯度方向得到方向梯度直方图。
进一步地,所述步骤S30具体包括:
步骤S31、对各所述细胞单元的局部二值模式进行串联,得到所述标准切面的局部二值模式,并进行欧式距离归一化,得到LBP特征;
步骤S32、对各所述子块的方向梯度直方图进行串联,得到块的方向梯度直方图,对各所述块的方向梯度直方图进行串联,得到所述标准切面的方向梯度直方图,并进行欧式距离归一化,得到HOG特征;
步骤S33、将所述LBP特征以及HOG特征进行串联,得到胎儿颜面部标准切面的特征向量;
所述步骤S31与步骤S32不分先后顺序。
进一步地,所述步骤S40具体为:
将各所述标准切面的特征向量输入支持向量机进行学习和训练,生成分类模型,进而利用所述分类模型对标准切面进行自动分类。
本发明的优点在于:
通过对所述超声图像进行预处理生成标准切面,提取所述标准切面中的纹理特征后进行归一化处理,得到特征向量,进而基于所述特征向量,利用支持向量机对所述标准切面进行学习和分类,相对于传统上依靠医生的专业知识和临床经验进行主观的评估,极大的提升了胎儿颜面部标准切面分类的精度以及效率,进而极大的提升了临床诊断效率,降低了临床诊断成本。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种胎儿颜面部标准切面自动分类法的流程图。
图2是本发明胎儿颜面部标准切面三类示意图。
具体实施方式
请参照图1至图2所示,本发明一种胎儿颜面部标准切面自动分类法的较佳实施例,包括如下步骤:
步骤S10、获取复数张胎儿颜面部的超声图像,对各所述超声图像进行预处理并分别生成标准切面;胎儿颜面部的标准切面包括双眼球横切面、颜面正中失状切面以及鼻唇冠状切面;对各所述超声图像进行预处理即去除超声图像四周信息,有效提取感兴趣区域;
步骤S20、提取所述标准切面中包括局部二值模式(LBP)以及方向梯度直方图(HOG)的纹理特征;
步骤S30、对所述纹理特征进行欧式距离归一化,得到特征向量;通过欧式距离归一化,能够提升模型精度,提升收敛速度;
步骤S40、基于所述特征向量,利用支持向量机(SVM)对所述标准切面进行学习和分类。
所述步骤S10具体包括:
步骤S11、通过B型超声诊断系统获取胎儿颜面部的超声图像;
步骤S12、利用矩形框选取出所述超声图像的感兴趣区域;
步骤S13、将所述感兴趣区域的大小缩放至预设的大小,进而生成标准切面。
所述步骤S20中,所述提取所述标准切面中局部二值模式的纹理特征具体包括:
步骤S211、将所述标准切面划分为a*a个不重叠的细胞单元,a为正整数;以所述细胞单元为单位进行局部二值模式的特征提取;所述细胞单元指LBP单元格的大小,是以像素为单位指定的二元素向量,要捕获大规模空间信息,可以适当增加所述细胞单元的大小,但在增加所述细胞单元大小的同时,可能会丢失小规模的细节,因此所述a的取值优选为32;
步骤S212、对各所述细胞单元的每个像素进行遍历,逐一定义为中心点;
步骤S213、设置所述中心点周围的采样点的区域半径R以及采样点数量d,计算各所述采样点的坐标值(xe,ye); 其中xe表示采样点的横坐标,ye表示采样点的纵坐标,xc表示中心点的横坐标,yc表示中心点的纵坐标,R为正数,d为正整数;
由于原始的LBP特征采用固定邻域内的灰度值,当图像的尺度发生变化时,LBP特征的编码会发生错误,LBP特征将不能正确反映像素点周围的纹理信息。本发明对超声图像预处理阶段会改变图像的尺度,为了适应不同尺度的纹理特征,采用可变区域的圆形LBP特征(Extended LBP),即所述区域半径R以及采样点数量d可按需设置。
由于步骤S213中计算各所述采样点的坐标值可能不是整数,即计算出来的点不在图像上,因此需要进行插值化。
步骤S215、基于差值化后的所述采样点的坐标值(xe',ye')确定采样点的灰度值ie,基于中心点的坐标值(xc,yc)确定中心点的灰度值ic;计算灰度值ie和灰度值ic的灰度差值,并对所述灰度差值进行二值化:
x=ie-ic;
其中x表示灰度差值;s(x)表示给点中心点的符号,即灰度差值大于等于0时取值为1,否则取值为0;
步骤S216、计算各所述中心点的局部二值模式的取值:
所述步骤S20中,所述提取所述标准切面中方向梯度直方图的纹理特征具体包括:
步骤S221、将所述标准切面划分为b1*b1个不重叠的块,将所述块划分为b2*b2个不重叠的子块,b1和b2均为正整数;以所述子块为单位进行方向梯度直方图的特征提取;将所述标准切面划分为块,有助于捕获局部像素的重要性,抑制HOG特征的光照变化,所述b1的取值优选为3;所述子块指HOG单元格的大小,是以像素为单位指定的二元素向量,要捕获大规模空间信息,可以适当增加所述子块的大小,但在增加所述子块大小的同时,可能会丢失小规模的细节,因此所述b2的取值优选为32;
步骤S222、利用Gamma校正法对各所述子块进行颜色空间的标准化,进而转换为灰度图:
I'(x1,y1)=I(x1,y1)gamma;其中I(x1,y1)表示所述子块各像素点的原始RGB值,I'(x1,y1)表示所述子块各像素点进行颜色标准化后的RGB值;
转换为灰度图的目的是调节图像的对比度,抑制噪声干扰;
步骤S223、计算转换为灰度图的各所述子块的每个像素的水平方向梯度值和垂直方向梯度值:
计算所述水平方向梯度值和垂直方向梯度值的目的是捕获轮廓信息,同时进一步弱化光照的干扰;
步骤S224、基于所述水平方向梯度值和垂直方向梯度值计算梯度幅值以及梯度方向:
其中M(x2,y2)表示梯度幅值;θ(x2,y2)表示梯度方向;
步骤S225、基于所述梯度幅值以及梯度方向对所述子块内的像素进行统计,得到方向梯度直方图。
所述步骤S225具体为:将0°至180°平均分为k个通道,k为正整数,所述子块内每一个像素点都对基于方向的通道进行加权投票,权值为所述梯度幅值,各所述子块将输出k维的向量,即所述子块的方向梯度直方图。
将各所述块内所有的子块里的向量排列起来得到该块对应的特征向量,将整张所述标准切面内所有块的特征向量排列起来得到整张所述标准切面的方向梯度直方图,即HOG特征向量。
所述步骤S30具体包括:
步骤S31、对各所述细胞单元的局部二值模式进行串联,得到所述标准切面的局部二值模式,并进行欧式距离归一化,得到LBP特征;
步骤S32、对各所述子块的方向梯度直方图进行串联,得到块的方向梯度直方图,对各所述块的方向梯度直方图进行串联,得到所述标准切面的方向梯度直方图,并进行欧式距离归一化,得到HOG特征;
步骤S33、将所述LBP特征以及HOG特征进行串联,得到胎儿颜面部标准切面的特征向量;
所述步骤S31与步骤S32不分先后顺序。
即先分别串联出整张标准切面的所述LBP特征以及HOG特征,再将整张标准切面的所述LBP特征以及HOG特征进行串联,进而得到胎儿颜面部标准切面的特征向量。
由于各所述标准切面(训练数据集)具有多样性的特点,对特征向量(局部二值模式和方向梯度直方图)进行归一化能够提高识别率。同时,归一化是让不同维度之间的特征向量在数值上有一定比较性,极大的提高了支持向量机分类的准确性。本发明采取特征串联的线性模型,数据归一化后,最优解的寻优过程明显会变得平缓,更容易正确的收敛到最优解。
归一化就是将训练数据集中某一列特征向量的取值缩放到0至1之间:
选择合适的LP归一化特征向量有助于提高分类精度,可以有效去除背景信息。每个矩阵除以相应的归一化值,LP归一化后特征矩阵分布在半径为L的球面上,LP幅值用实数表示,当p≥1时定义如下:
其中p=1为L1归一化,p=2是L2归一化,又称欧式距离归一化。
将得到的LBP特征进行欧式距离归一化,欧式距离定义为:
其中,a与b分别为两个向量(x11,x12,…,x1n)与(x21,x22,…,x2n),ρ为向量a与b之间的欧式距离。
所述步骤S40具体为:
将类型分别为双眼球横切面、颜面正中失状切面以及鼻唇冠状切面的各所述标准切面的特征向量输入多分类支持向量机进行学习和训练,生成分类模型,进而利用所述分类模型对标准切面进行自动分类。
支持向量机的主要任务是正确的将数据集分开,在二维平面内,只需要曲线就能将正负样本分开,而在n维立体空间,需要找到一个超级平面来代替二维空间中的曲线,用SVM分类器计算的过程就是找到超级平面的过程,这个超级平面就是支持向量机(SVM分类器)。
超级平面的数学表达式为:D=ω1x1+ω2x2+…+ωnxn+b;其中x1到xn表示n微坐标系,ω1到ωn表示各个维度的系数;
SVW找到超级平面后,进一步求解最大分类问题:
由于SVM本身是一个二值分类器,最初是为二分类问题设计的,而本发明要解决的是三分类问题,因此需要将多个二分类器组合起来形成一个多分类器,本发明采用“一对多法”支持向量机,针对三个分类,需要训练三个分类器,分类速度较快。若双眼球横切面记为A,颜面正中矢状切面记为B,鼻唇冠状切面记为C,先把其中一类作为分类1,其他类统一归为分类2,逐一将每个类归为分类1,构造出本发明的三个分类器,分类器1:A作为正集,B、C作为负集;分类器2:B作为正集,A、C作为负集;分类器3:C作为正集,A、B作为负集。
当对一个未知样本进行分类时,将此样本带入每一个分类器1,如果分类器判定该样本为正集,则输出该样本为A,若判定该样本为负集,则继续将该样本带入分类器2,以此类推,直至分类器N给出该样本的分类标签,输出最终分类结果。
综上所述,本发明的优点在于:
通过对所述超声图像进行预处理生成标准切面,提取所述标准切面中的纹理特征后进行归一化处理,得到特征向量,进而基于所述特征向量,利用支持向量机对所述标准切面进行学习和分类,相对于传统上依靠医生的专业知识和临床经验进行主观的评估,极大的提升了胎儿颜面部标准切面分类的精度以及效率,进而极大的提升了临床诊断效率,降低了临床诊断成本。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (4)
1.一种胎儿颜面部标准切面自动分类法,其特征在于:包括如下步骤:
步骤S10、获取复数张胎儿颜面部的超声图像,对各所述超声图像进行预处理并分别生成标准切面;
步骤S20、提取所述标准切面中包括局部二值模式以及方向梯度直方图的纹理特征;
步骤S30、对所述纹理特征进行欧式距离归一化,得到特征向量;
步骤S40、基于所述特征向量,利用支持向量机对所述标准切面进行学习和分类;
所述步骤S20中,所述提取所述标准切面中局部二值模式的纹理特征具体包括:
步骤S211、将所述标准切面划分为a*a个不重叠的细胞单元,a为正整数;
步骤S212、对各所述细胞单元的每个像素进行遍历,逐一定义为中心点;
步骤S213、设置所述中心点周围的采样点的区域半径R以及采样点数量d,计算各所述采样点的坐标值(xe,ye); 其中xe表示采样点的横坐标,ye表示采样点的纵坐标,xc表示中心点的横坐标,yc表示中心点的纵坐标,R为正数,d为正整数;
步骤S215、基于差值化后的所述采样点的坐标值(xe',ye')确定采样点的灰度值ie,基于中心点的坐标值(xc,yc)确定中心点的灰度值ic;计算灰度值ie和灰度值ic的灰度差值,并对所述灰度差值进行二值化:
x=ie-ic;
其中x表示灰度差值;s(x)表示给点中心点的符号,即灰度差值大于等于0时取值为1,否则取值为0;
步骤S216、计算各所述中心点的局部二值模式的取值:
所述步骤S20中,所述提取所述标准切面中方向梯度直方图的纹理特征具体包括:
步骤S221、将所述标准切面划分为b1*b1个不重叠的块,将所述块划分为b2*b2个不重叠的子块,b1和b2均为正整数;
步骤S222、利用Gamma校正法对各所述子块进行颜色空间的标准化,进而转换为灰度图:
I'(x1,y1)=I(x1,y1)gamma;其中I(x1,y1)表示所述子块各像素点的原始RGB值,I'(x1,y1)表示所述子块各像素点进行颜色标准化后的RGB值;
步骤S223、计算转换为灰度图的各所述子块的每个像素的水平方向梯度值和垂直方向梯度值:
步骤S224、基于所述水平方向梯度值和垂直方向梯度值计算梯度幅值以及梯度方向:
其中M(x2,y2)表示梯度幅值;θ(x2,y2)表示梯度方向;
步骤S225、基于所述梯度幅值以及梯度方向得到方向梯度直方图。
2.如权利要求1所述的一种胎儿颜面部标准切面自动分类法,其特征在于:所述步骤S10具体包括:
步骤S11、获取胎儿颜面部的超声图像;
步骤S12、利用矩形框选取出所述超声图像的感兴趣区域;
步骤S13、将所述感兴趣区域的大小缩放至预设的大小,进而生成标准切面。
3.如权利要求1所述的一种胎儿颜面部标准切面自动分类法,其特征在于:所述步骤S30具体包括:
步骤S31、对各所述细胞单元的局部二值模式进行串联,得到所述标准切面的局部二值模式,并进行欧式距离归一化,得到LBP特征;
步骤S32、对各所述子块的方向梯度直方图进行串联,得到块的方向梯度直方图,对各所述块的方向梯度直方图进行串联,得到所述标准切面的方向梯度直方图,并进行欧式距离归一化,得到HOG特征;
步骤S33、将所述LBP特征以及HOG特征进行串联,得到胎儿颜面部标准切面的特征向量;
所述步骤S31与步骤S32不分先后顺序。
4.如权利要求1所述的一种胎儿颜面部标准切面自动分类法,其特征在于:所述步骤S40具体为:
将各所述标准切面的特征向量输入支持向量机进行学习和训练,生成分类模型,进而利用所述分类模型对标准切面进行自动分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199544.0A CN111428778B (zh) | 2020-03-20 | 2020-03-20 | 一种胎儿颜面部标准切面自动分类法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199544.0A CN111428778B (zh) | 2020-03-20 | 2020-03-20 | 一种胎儿颜面部标准切面自动分类法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428778A CN111428778A (zh) | 2020-07-17 |
CN111428778B true CN111428778B (zh) | 2023-04-07 |
Family
ID=71548292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199544.0A Active CN111428778B (zh) | 2020-03-20 | 2020-03-20 | 一种胎儿颜面部标准切面自动分类法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428778B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114073549A (zh) * | 2021-11-23 | 2022-02-22 | 南方科技大学医院 | 一种智能获取胎儿颜面部骨性结构参数的方法及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927559A (zh) * | 2014-04-17 | 2014-07-16 | 深圳大学 | 超声图像胎儿颜面部标准切面自动识别方法及系统 |
WO2014194620A1 (zh) * | 2013-06-04 | 2014-12-11 | 北京大学深圳研究生院 | 图像特征提取、训练、检测方法及模块、装置、系统 |
CN109214420A (zh) * | 2018-07-27 | 2019-01-15 | 北京工商大学 | 基于视觉显著性检测的高纹理图像分类方法及系统 |
-
2020
- 2020-03-20 CN CN202010199544.0A patent/CN111428778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014194620A1 (zh) * | 2013-06-04 | 2014-12-11 | 北京大学深圳研究生院 | 图像特征提取、训练、检测方法及模块、装置、系统 |
CN103927559A (zh) * | 2014-04-17 | 2014-07-16 | 深圳大学 | 超声图像胎儿颜面部标准切面自动识别方法及系统 |
CN109214420A (zh) * | 2018-07-27 | 2019-01-15 | 北京工商大学 | 基于视觉显著性检测的高纹理图像分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
胎儿颜面部三维超声基准标准切面自动校对系统的研究;刘盛锋等;《生物医学工程研究》(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428778A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
CN109409416B (zh) | 特征向量降维方法和医学图像识别方法、装置及存储介质 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
WO2022001571A1 (zh) | 一种基于超像素图像相似度的计算方法 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN112750531A (zh) | 一种中医自动化望诊系统、方法、设备和介质 | |
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 | |
CN112651955A (zh) | 一种肠道图像的识别方法及终端设备 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN111428778B (zh) | 一种胎儿颜面部标准切面自动分类法 | |
CN111383222A (zh) | 一种基于深度学习的椎间盘mri图像智能诊断系统 | |
CN110570430A (zh) | 基于体配准的眼眶骨组织分割方法 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和系统 | |
CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
CN117495851A (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
CN113610746A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN111784676A (zh) | 一种用于肝脏ct影像的特征提取与分割新方法 | |
CN109886320B (zh) | 一种人体股骨x光片智能识读方法及系统 | |
CN110051384B (zh) | 结合医学统计信息的胎儿颈背透明物位置检测方法及系统 | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
CN113205484B (zh) | 一种基于迁移学习的乳腺组织分类识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |