CN111462059B - 胎儿超声图像智能目标检测的并行处理方法和装置 - Google Patents
胎儿超声图像智能目标检测的并行处理方法和装置 Download PDFInfo
- Publication number
- CN111462059B CN111462059B CN202010211676.0A CN202010211676A CN111462059B CN 111462059 B CN111462059 B CN 111462059B CN 202010211676 A CN202010211676 A CN 202010211676A CN 111462059 B CN111462059 B CN 111462059B
- Authority
- CN
- China
- Prior art keywords
- frame data
- detection frame
- similarity
- detection
- data
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请涉及一种胎儿超声图像智能目标检测的并行处理方法、装置、计算机设备和存储介质。本申请的方法包括:获取胎儿超声扫描过程中得到的检测帧数据;检测帧数据为获取的胎儿超声切面图像;对检测帧数据进行预处理操作,得到预处理检测帧数据;将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;若相似度结果大于预设阈值,则将已存储的基准帧数据的识别结果作为检测帧数据的识别结果,得到检测帧数据中所包含目标的类别和位置。采用本方法能够降低深度卷积神经网络模型的检测工作量,提高识别效率。
Description
技术领域
本申请涉及产前超声检查技术领域,特别是涉及一种胎儿超声图像智能目标检测的并行处理方法、装置、计算机设备和存储介质。
背景技术
目前人工智能已经广泛应用于超声图像中胎儿标准切面的自动识别,能够准确的帮助医生对胎儿生长情况做出分析和诊断。在目前的智能超声诊断过程中,首先对采集获取到的超声图像数据进行预处理,如灰度化处理、直方图均衡化处理,然后输入已训练好的深度卷积神经网络模型对经过预处理的数据集进行特征提取与目标检测,从而得到每幅胎儿超声切面图像中所包含的目标的类别和位置。
然而,现有技术的方法需要将超声扫描过程中获得的所有超声切面图像输入训练好的深度卷积神经网络模型,从而得到相应的超声切面图像的目标识别结果,由于深度卷积神经网络模型需要对所有的检测帧图像进行检测,模型的卷积计算量大,检测速度较慢,因此,上述方法存在识别效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高识别效率的胎儿超声图像智能目标检测的并行处理方法、装置、计算机设备和存储介质。
一种胎儿超声图像智能目标检测的并行处理方法,所述方法包括:
获取胎儿超声扫描过程中得到的检测帧数据;所述检测帧数据为获取的胎儿超声切面图像;
对所述检测帧数据进行预处理操作,得到预处理检测帧数据;
将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;
若所述相似度结果大于所述预设阈值,则将已存储的所述基准帧数据的识别结果作为所述检测帧数据的识别结果,得到所述检测帧数据中所包含目标的类别和位置。
在其中一个实施例中,所述将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,包括:对所述预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵;将所述检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵;根据所述相似度矩阵,确定相似度结果。
在其中一个实施例中,还包括:若所述相似度结果小于所述预设阈值,基于训练好的深度卷积神经网络模型,根据所述预处理检测帧数据和所述基准帧数据,对所述深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到所述检测帧数据的识别结果。
在其中一个实施例中,所述若所述相似度结果小于所述预设阈值,基于训练好的深度卷积神经网络模型,根据所述预处理检测帧数据和所述基准帧数据,对所述深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到所述检测帧数据的识别结果,包括:将所述预处理检测帧数据输入训练好的深度卷积神经网络模型后,将所述预处理检测帧数据在当前卷积层的输入数据与所述基准帧数据在所述当前卷积层的输入数据进行矩阵相减处理,得到当前卷积层的最终输入数据;将所述最终输入数据输入所述当前卷积层后,得到所述当前卷积层的初步输出数据,将所述初步输出数据与所述基准帧数据在所述当前卷积层的输出数据进行矩阵相加处理,作为所述预处理检测帧数据在所述当前卷积层的最终输出数据。
在其中一个实施例中,所述对所述检测帧数据进行预处理操作,得到预处理检测帧数据,包括:对所述检测帧数据进行归一化处理,得到归一化后的图像;对所述归一化后的图像进行灰度化处理,得到预处理检测帧数据。
在其中一个实施例中,还包括:将所述检测帧数据作为更新的基准帧数据,存储更新的所述基准帧数据的识别结果。
在其中一个实施例中,所述将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,包括:同时将多帧预处理检测帧数据与所述已识别的基准帧数据进行相似度比较,并行处理后得到所述多帧预处理检测帧数据对应的相似度结果。
一种胎儿超声图像智能目标检测的并行处理装置,所述装置包括:
检测帧数据获取模块,用于获取胎儿超声扫描过程中得到的检测帧数据;所述检测帧数据为获取的连续胎儿超声切面图像;
预处理模块,用于对所述检测帧数据进行预处理操作,得到预处理检测帧数据;
相似度检测模块,用于将所述预处理检测帧数据与基准帧数据进行相似度比较,得到相似度结果;
识别结果输出模块,用于比较所述相似度结果和预设阈值,若所述相似度结果值大于所述预设阈值,则将预存储的所述基准帧数据的识别结果作为所述检测帧数据的识别结果,得到所述检测帧数据中所包含目标的类别和位置。
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以下步骤:
获取胎儿超声扫描过程中得到的检测帧数据;所述检测帧数据为获取的胎儿超声切面图像;
对所述检测帧数据进行预处理操作,得到预处理检测帧数据;
将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;
若所述相似度结果大于所述预设阈值,则将已存储的所述基准帧数据的识别结果作为所述检测帧数据的识别结果,得到所述检测帧数据中所包含目标的类别和位置。
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以下步骤:
获取胎儿超声扫描过程中得到的检测帧数据;所述检测帧数据为获取的胎儿超声切面图像;
对所述检测帧数据进行预处理操作,得到预处理检测帧数据;
将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;
若所述相似度结果大于所述预设阈值,则将已存储的所述基准帧数据的识别结果作为所述检测帧数据的识别结果,得到所述检测帧数据中所包含目标的类别和位置。
上述胎儿超声图像智能目标检测的并行处理方法、装置、计算机设备和存储介质,通过获取检测帧数据,将检测帧数据与基准帧数据进行相似度比较,若相似度高于设定阈值,则将预存储的基准帧数据的识别结果直接作为该检测帧数据的识别结果。本申请的方法在检测帧数据与基准帧数据相似程度较高时,将已识别的基准帧数据的识别结果作为该检测帧数据的识别结果,从而不需要对该帧图像再次进行检测,降低了检测工作量,提高了目标识别的效率。
附图说明
图1为一个实施例中胎儿超声图像智能目标检测的并行处理方法的应用设备图;
图2为一个实施例中胎儿超声图像智能目标检测的并行处理方法的流程示意图;
图3为一个实施例中得到相似度结果步骤的流程示意图;
图4为另一个实施例中胎儿超声图像智能目标检测的并行处理方法的流程示意图;
图5为另一个实施例中胎儿超声图像智能目标检测的并行处理方法的架构示意图;
图6为一个实施例中深度卷积神经网络模型的数据处理的流程示意图;
图7为一个实施例中双层深度卷积神经网络模型的计算的示意图;
图8为一个实施例中胎儿超声图像智能目标检测的并行处理装置的结构框图;
图9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。
本申请提供的胎儿超声图像智能目标检测的并行处理方法,可以应用于如图1所示的超声设备,该超声设备包括超声波探头102、与超声波探头102连接的处理终端104,处理终端104具有显示屏以及鼠标、键盘等操作外设。其中,处理终端104获取超声波探头102在胎儿超声扫描过程中采集得到的检测帧数据,对检测帧数据进行预处理操作,得到预处理检测帧数据,将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,若相似度结果大于预设阈值,则将已存储的基准帧数据的识别结果作为该检测帧数据的识别结果,得到该检测帧数据中所包含目标的类别和位置。其中,处理终端104可以但不限于是各种个人计算机。
在一个实施例中,如图2所示,提供了一种胎儿超声图像智能目标检测的并行处理方法,以该方法应用于图1中的处理终端为例进行说明,包括以下步骤:
步骤S202,获取胎儿超声扫描过程中得到的检测帧数据。
其中,检测帧数据为通过超声设备获取的连续多帧胎儿超声切面图像。具体地,超声设备获取胎儿超声扫描过程中得到的连续多帧检测帧图像数据。
步骤S204,对检测帧数据进行预处理操作,得到预处理检测帧数据。
其中,预处理操作用于对胎儿超声切面图像进行初步处理,可以为归一化处理,也可以是灰度化处理,还可以是增强处理。预处理检测帧数据为预处理后满足预设图像处理要求的图像数据。
具体地,超声设备对检测帧数据进行预处理操作,得到预处理检测帧数据。
在一个实施例中,对检测帧数据进行预处理操作,得到预处理检测帧数据,包括:对检测帧数据进行归一化处理,得到归一化后的图像;对归一化后的图像进行灰度化处理,得到预处理检测帧数据。
具体地,针对获取的数据集中的每一幅图像而言,删除该图像中与超声设备参数相关的冗余信息,将图像缩放为800x600像素大小,处理终端基于线性函数对缩放后的图像进行归一化处理,以得到归一化后的图像;处理终端对归一化后图像进行灰度化处理,以得到灰度图片,从而构成预处理检测帧数据。
步骤S206,将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果。
其中,已识别的基准帧数据可以为第一帧已识别过的检测帧数据,也可以是预先存储的已识别过的检测帧数据,具体设置根据相似度检测的情况而定,例如,可以是胎儿超声扫描过程之前预先存储的胎儿各身体结构的超声切面图像。进一步的,已识别的基准帧数据可以用于相似度检测以及参与模型卷积层的输入输出计算。相似度结果为预处理检测帧数据与已识别的基准帧数据通过相似度比较得到的结果,例如相似度值。
具体地,处理终端将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果。
在一个实施例中,如图3所示,将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,包括以下步骤S302至步骤S306:
步骤S302,对预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵。
其中,预设大小为检测帧数据矩阵的行列数值,例如800x600,可以根据实际情况,采用处理终端自动设置或者人工设置的方式。
具体地,处理终端针对获取的预处理检测帧数据,将其构成800x600的矩阵T。
步骤S304,将检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵。
其中,相似度矩阵S为将检测帧数据矩阵T和已存储的基准帧数据矩阵N相减后得到的矩阵。
具体地,处理终端将检测帧数据矩阵T与已存储的基准帧数据矩阵N进行相减运算,得到相似度矩阵S。
步骤S306,根据相似度矩阵,确定相似度结果。
其中,相似度结果为检测帧数据与基准帧数据,即当前检测帧数据与已存储的基准帧数据的相似程度比较的结果。
具体地,处理终端将相似度矩阵S的每个元素的绝对值进行累加处理,得到相似矩阵累加值sum(s),具体的公式如下:
其中,i为行数,j为列数,si,j为矩阵中具体行数和列数对应的数值,sum(s)为相似矩阵累加值。
通过相似度矩阵累加值sum(s),得到相似度结果d,具体的公式如下:
本实施例中,通过设置相似度阈值,将检测帧数据与基准帧数据进行相似度比较,从而根据相似度比较的结果决定是否需要深度卷积神经网络模型进行检测计算,根据不同的相似度结果,采取不同的方式实现提高识别效率的目的,以加快整个胎儿超声检测过程。
步骤S206后还有步骤S208,若相似度结果大于预设阈值,则将已存储的基准帧数据的识别结果作为检测帧数据的识别结果,得到检测帧数据中所包含目标的类别和位置。
其中,预设阈值v为检测帧数据与已识别的基准帧数据的相似程度阈值,例如80%,可以根据实际情况用户设置或者处理终端自动设置。目标为胎儿的各个身体结构部位,可以是胎儿的脑室、大脑半球、胸腔、心脏、脊柱以及胃等身体部位。
具体地,处理终端将相似度结果d与预设阈值v进行比较,若相似度结果d大于预设阈值v,则将已存储的基准帧数据的识别结果作为该检测帧数据的识别结果,从而得到该检测帧数据中所包含目标的类别和位置。由于该检测帧数据与已存储的基准帧数据的相似程度超过预设阈值,即相似程度较大,即可判定该检测帧数据与基准帧数据属于同一目标的切面图像,如都属于胎儿心脏部位的切面图像,则可将已存储的基准帧数据的识别结果作为该检测帧数据的识别结果,从而降低了网络模型的检测工作量,加速了整个检测过程,达到加速识别的目的。
本实施例中,通过获取检测帧数据,将检测帧数据与基准帧数据进行相似度比较,在检测帧数据与基准帧数据相似程度较高时,将已识别的基准帧数据的识别结果作为该检测帧数据的识别结果,从而不需要对该帧图像再次进行检测,降低了检测工作量,加速了检测过程,提高了目标识别的效率。
在一个具体的实施例中,如图4和图5所示,提供了一种胎儿超声图像智能目标检测的并行处理方法,包括以下步骤:
步骤S402,获取胎儿超声扫描过程中得到的检测帧数据。
步骤S404,对检测帧数据进行预处理操作,得到预处理检测帧数据。
步骤S406,将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果。若相似度结果小于预设阈值,则进入步骤S407;若相似度结果大于预设阈值,则进入步骤S408。
步骤S407,基于训练好的深度卷积神经网络模型,根据预处理检测帧数据和基准帧数据,对深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到检测帧数据的识别结果。
其中,深度卷积神经网络模型用于识别胎儿超声切面图像的目标的类别信息和位置信息。
具体地,在一个实施例中,如图6所示,步骤S407包括步骤S6071和步骤S6072:
步骤S6071,将预处理检测帧数据输入训练好的深度卷积神经网络模型后,将预处理检测帧数据在当前卷积层的输入数据与基准帧数据在当前卷积层的输入数据进行矩阵相减处理,得到当前卷积层的最终输入数据。
具体地,处理终端将预处理检测帧数据输入训练好的深度卷积神经网络模型后,将预处理检测帧数据在当前卷积层的输入数据与基准帧数据在当前卷积层的输入数据进行矩阵相减处理,其中,基准帧数据在当前卷积层的输入数据已存储,矩阵相减的结果即当前卷积层的最终输入数据。
胎儿超声扫描过程中所获取的检测帧数据是连续的,且扫描部位是稳定的区域,因此与基准帧数据在该卷积层的输入数据做矩阵相减后,所得到的结果存在很多为0的元素值,在卷积操作中可以跳过这些0元素,使得卷积层实际只对检测帧数据与基准帧数据不相同的部位进行特征提取,提升了卷积层处理速度。
步骤S6072,将最终输入数据输入当前卷积层后,得到当前卷积层的初步输出数据,将初步输出数据与基准帧数据在当前卷积层的输出数据进行矩阵相加处理,作为预处理检测帧数据在当前卷积层的最终输出数据。
具体地,处理终端将最终输入数据输入当前卷积层后,得到当前卷积层的初步输出数据,将初步输出数据与基准帧数据在当前卷积层的输出数据进行矩阵相加处理,即对当前卷积层的输出数据进行补全处理,其中,基准帧数据在当前卷积层的输出数据已存储,矩阵相加的结果作为预处理检测帧数据在当前卷积层的最终输出数据。
具体而言,参照以下公式:
0=ΣF*T=ΣF*(T-N+N)=ΣF*(T-N)+ΣF*N
上述公式中,T为预处理检测帧数据,F为卷积层,N为基准帧数据在该卷积层的输入数据。
预处理检测帧数据T输入深度卷积神经网络,当需要与卷积层F进行卷积操作时,因为胎儿超声扫描过程中所获取的检测帧数据是连续的,且扫描部位是稳定的区域,因此与基准帧数据在该卷积层的输入数据N做矩阵相减后所得到的结果,即(T-N)中存在很多为0的元素值,从而在卷积操作中可以跳过这些0元素,使得卷积层实际只对检测帧数据与基准帧数据不相同的部位进行特征提取,即∑F*(T-N),从而提升了卷积层处理速度;同时,通过上述步骤S6072,对卷积层输出数据进行补全处理,即加上∑F*N。
本实施例中,对于相似度低于设定阈值的检测帧数据,通过预处理检测帧数据在当前卷积层的输入数据与基准帧数据在当前卷积层的输入数据在输入该卷积层前进行相减处理,使得该卷积层实际只对检测帧数据与基准帧数据不相同的部位进行特征提取,提升了卷积层处理速度,在该卷积层实际输出数据的基础上加上基准帧数据在该卷积层的输出数据,通过补全处理补上基准帧数据在该卷积层的输出数据,保证了检测帧数据的在该卷积层的输出特征的完整性。
步骤S408,将已存储的基准帧数据的识别结果作为检测帧数据的识别结果,得到检测帧数据中所包含目标的类别和位置。
步骤S407后为步骤S409,将检测帧数据作为更新的基准帧数据,存储更新的基准帧数据的识别结果。
具体地,将当前相似度检测结果低于预设阈值的检测帧数据替换原保存的基准帧数据,作为新的基准帧数据用于下一帧数据的相似度检测。
本实施例中,首先通过相似度检测对采集到的检测帧数据集进行筛选,略过相似度高的检测帧数据,从而降低检测量;其次对需要输入深度卷积神经网络模型进行检测的检测帧数据,对卷积层的输入输出分别进行对应的矩阵相减处理和矩阵相加处理,以提升卷积层处理速度。采用本申请的方法,能够有效的提升胎儿超声图像自动识别的速度。
进一步地,相似度检测值大于预设阈值时,则不经过已训练好的深度卷积神经网络,将已保存的基准帧结果作为检测帧的结果输出,从而降低网络的检测量,加速了整个检测过程;相似度检测值小于预设阈值时,则需要将检测帧数据输入已训练好的深度卷积神经网络进行检测识别,并对网络中所有卷积层的输入数据与输出数据都进行对应的处理,以提升卷积层处理速度,从而提高了整个模型的检测速度,同时将检测帧数据替换原保存的基准帧数据,作为新的基准帧数据。
在一个实施例中,将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,包括:同时将多帧预处理检测帧数据与已识别的基准帧数据进行相似度比较,并行处理后得到多帧预处理检测帧数据对应的相似度结果。
具体的,处理终端内设置有多个相同基准帧的相似度检测模块,以便处理终端将多帧预处理后的检测帧数据并行输入各相似度检测模块内进行并行检测处理,实现同时将多帧预处理检测帧数据与已识别的基准帧数据进行相似度比较,并行处理后,得到多帧预处理检测帧数据相对应的相似度检测结果。
进一步地,当出现相似度检测结果小于预设阈值的预处理检测帧数据时,更新所有相似度检测模块的基准帧数据。
本实施例中,由于单帧进行相似度检测的速度较慢,检测的速度赶不上出帧的速度,因此通过设置多个相似度检测模块,进行多帧检测帧与基准帧的相似度比较并行处理,以加快相似度检测的速度,同时充分利用检测帧数据,保证检测帧数据不丢失。
对于双层深度卷积神经网络构成的胎儿超声图像自动识别系统,其对胎儿超声图像的目标检测与识别往往存在层次关系,如胎儿丘脑中大部分的结构位于颅脑光环内,需利用第一层深度卷积神经网络先检测或分割出颅脑光环,然后将第一层网络的输出结果作为第二层深度卷积神经网络的输入,再次进行目标检测或分割,这样可以提高最终的检测精度。虽然这种多层次的深度卷积神经网络架构能够准确的协助医生对超声图像中胎儿的特征进行检测与识别,但在检测速度方面还存在缺陷:即第一层网络需对初始的图像进行检测与分割,其计算量远大于第二层网,导致第一层网络的处理速度成为限制整个系统检测效率的瓶颈。
在一个实施例中,如图7所示,基于相似度检测,当检测帧图像与基准帧图像相似度大于设定阈值时,则跳过第一层深度卷积神经网络的计算,直接将基准帧结果输入第二层深度卷积神经网络进行检测,从而降低了第一层网络模型的检测量,提升了检测效率;当相似度小于设定阈值时,则利用胎儿超声图像采集的连续性与稳定性特点,将检测帧在卷积层的输入数据与基准帧数据相减,通过增加sparsity(即增加0元素),从而在卷积操作时可以跳过这些无效用的计算,从而加速了第一层深度卷积神经网络的计算速度,提升了检测效率。
应该理解的是,虽然图2-7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2-7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8所示,提供了一种胎儿超声图像智能目标检测的并行处理装置800,包括:检测帧数据获取模块802、预处理模块804、相似度检测模块806和识别结果输出模块808,其中:
检测帧数据获取模块802,用于获取胎儿超声扫描过程中得到的检测帧数据;检测帧数据为获取的胎儿超声切面图像。
预处理模块804,用于对检测帧数据进行预处理操作,得到预处理检测帧数据。
相似度检测模块806,用于将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果。
识别结果输出模块808,用于若相似度结果大于预设阈值,则将已存储的基准帧数据的识别结果作为检测帧数据的识别结果,得到检测帧数据中所包含目标的类别和位置。
在一个实施例中,相似度检测模块806用于对预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵;将检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵;根据相似度矩阵,确定相似度结果。
在一个实施例中,识别结果输出模块808还用于若相似度结果小于预设阈值,基于训练好的深度卷积神经网络模型,根据预处理检测帧数据和基准帧数据,对深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到检测帧数据的识别结果。
在一个实施例中,识别结果输出模块808还用于将预处理检测帧数据输入训练好的深度卷积神经网络模型后,将预处理检测帧数据在当前卷积层的输入数据与基准帧数据在当前卷积层的输入数据进行矩阵相减处理,得到当前卷积层的最终输入数据;将最终输入数据输入当前卷积层后,得到当前卷积层的初步输出数据,将初步输出数据与基准帧数据在当前卷积层的输出数据进行矩阵相加处理,作为预处理检测帧数据在当前卷积层的最终输出数据。
在一个实施例中,预处理模块804用于对检测帧数据进行归一化处理,得到归一化后的图像;对归一化后的图像进行灰度化处理,得到预处理检测帧数据。
在一个实施例中,识别结果输出模块808还用于将检测帧数据作为更新的基准帧数据,存储更新的基准帧数据的识别结果。
在一个实施例中,相似度检测模块806用于同时将多帧预处理检测帧数据与已识别的基准帧数据进行相似度比较,并行处理后得到多帧预处理检测帧数据对应的相似度结果。
关于胎儿超声图像智能目标检测的并行处理装置的具体限定可以参见上文中对于胎儿超声图像智能目标检测的并行处理方法的限定,在此不再赘述。上述胎儿超声图像智能目标检测的并行处理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9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胎儿超声图像智能目标检测的并行处理方法。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9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:
获取胎儿超声扫描过程中得到的检测帧数据;检测帧数据为获取的胎儿超声切面图像;
对检测帧数据进行预处理操作,得到预处理检测帧数据;
将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;
若相似度结果大于预设阈值,则将已存储的基准帧数据的识别结果作为检测帧数据的识别结果,得到检测帧数据中所包含目标的类别和位置。
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:对预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵;将检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵;根据相似度矩阵,确定相似度结果。
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:若相似度结果小于预设阈值,基于训练好的深度卷积神经网络模型,根据预处理检测帧数据和基准帧数据,对深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到检测帧数据的识别结果。
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:将预处理检测帧数据输入训练好的深度卷积神经网络模型后,将预处理检测帧数据在当前卷积层的输入数据与基准帧数据在当前卷积层的输入数据进行矩阵相减处理,得到当前卷积层的最终输入数据;将最终输入数据输入当前卷积层后,得到当前卷积层的初步输出数据,将初步输出数据与基准帧数据在当前卷积层的输出数据进行矩阵相加处理,作为预处理检测帧数据在当前卷积层的最终输出数据。
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:对检测帧数据进行归一化处理,得到归一化后的图像;对归一化后的图像进行灰度化处理,得到预处理检测帧数据。
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:将检测帧数据作为更新的基准帧数据,存储更新的基准帧数据的识别结果。
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:同时将多帧预处理检测帧数据与已识别的基准帧数据进行相似度比较,并行处理后得到多帧预处理检测帧数据对应的相似度结果。
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:
获取胎儿超声扫描过程中得到的检测帧数据;检测帧数据为获取的胎儿超声切面图像;
对检测帧数据进行预处理操作,得到预处理检测帧数据;
将预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;
若相似度结果大于预设阈值,则将已存储的基准帧数据的识别结果作为检测帧数据的识别结果,得到检测帧数据中所包含目标的类别和位置。
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:对预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵;将检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵;根据相似度矩阵,确定相似度结果。
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:若相似度结果小于预设阈值,基于训练好的深度卷积神经网络模型,根据预处理检测帧数据和基准帧数据,对深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到检测帧数据的识别结果。
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:将预处理检测帧数据输入训练好的深度卷积神经网络模型后,将预处理检测帧数据在当前卷积层的输入数据与基准帧数据在当前卷积层的输入数据进行矩阵相减处理,得到当前卷积层的最终输入数据;将最终输入数据输入当前卷积层后,得到当前卷积层的初步输出数据,将初步输出数据与基准帧数据在当前卷积层的输出数据进行矩阵相加处理,作为预处理检测帧数据在当前卷积层的最终输出数据。
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:对检测帧数据进行归一化处理,得到归一化后的图像;对归一化后的图像进行灰度化处理,得到预处理检测帧数据。
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:将检测帧数据作为更新的基准帧数据,存储更新的基准帧数据的识别结果。
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:同时将多帧预处理检测帧数据与已识别的基准帧数据进行相似度比较,并行处理后得到多帧预处理检测帧数据对应的相似度结果。
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,上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 (9)
1.一种胎儿超声图像智能目标检测的并行处理方法,其特征在于,所述方法包括:
获取胎儿超声扫描过程中得到的检测帧数据;所述检测帧数据为获取的连续胎儿超声切面图像;
对所述检测帧数据进行预处理操作,得到预处理检测帧数据;
将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果;所述基准帧数据为已识别的检测帧数据;
若所述相似度结果大于预设阈值,则将已存储的所述基准帧数据的识别结果作为所述检测帧数据的识别结果,得到所述检测帧数据中所包含目标的类别和位置;
若所述相似度结果小于所述预设阈值,基于训练好的深度卷积神经网络模型,根据所述预处理检测帧数据和所述基准帧数据,对所述深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到所述检测帧数据的识别结果;
所述方法还包括:
将所述检测帧数据作为更新的基准帧数据,存储更新的所述基准帧数据的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,包括:
对所述预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵;
将所述检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵;
根据所述相似度矩阵,确定相似度结果。
3.根据权利要求1所述的方法,其特征在于,所述若所述相似度结果小于所述预设阈值,基于训练好的深度卷积神经网络模型,根据所述预处理检测帧数据和所述基准帧数据,对所述深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到所述检测帧数据的识别结果,包括:
将所述预处理检测帧数据输入训练好的深度卷积神经网络模型后,将所述预处理检测帧数据在当前卷积层的输入数据与所述基准帧数据在所述当前卷积层的输入数据进行矩阵相减处理,得到当前卷积层的最终输入数据;
将所述最终输入数据输入所述当前卷积层后,得到所述当前卷积层的初步输出数据,将所述初步输出数据与所述基准帧数据在所述当前卷积层的输出数据进行矩阵相加处理,作为所述预处理检测帧数据在所述当前卷积层的最终输出数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述检测帧数据进行预处理操作,得到预处理检测帧数据,包括:
对所述检测帧数据进行归一化处理,得到归一化后的图像;
对所述归一化后的图像进行灰度化处理,得到预处理检测帧数据。
5.根据权利要求1所述的方法,其特征在于,所述将所述预处理检测帧数据与已识别的基准帧数据进行相似度比较,得到相似度结果,包括:
同时将多帧预处理检测帧数据与所述已识别的基准帧数据进行相似度比较,并行处理后得到所述多帧预处理检测帧数据对应的相似度结果。
6.一种胎儿超声图像智能目标检测的并行处理装置,其特征在于,所述装置包括:
检测帧数据获取模块,用于获取胎儿超声扫描过程中得到的检测帧数据;所述检测帧数据为获取的连续胎儿超声切面图像;
预处理模块,用于对所述检测帧数据进行预处理操作,得到预处理检测帧数据;
相似度检测模块,用于将所述预处理检测帧数据与基准帧数据进行相似度比较,得到相似度结果;所述基准帧数据为已识别的检测帧数据;
识别结果输出模块,用于比较所述相似度结果和预设阈值,若所述相似度结果值大于所述预设阈值,则将预存储的所述基准帧数据的识别结果作为所述检测帧数据的识别结果,得到所述检测帧数据中所包含目标的类别和位置;若所述相似度结果小于所述预设阈值,基于训练好的深度卷积神经网络模型,根据所述预处理检测帧数据和所述基准帧数据,对所述深度卷积神经网络模型中所有卷积层的输入数据和输出数据进行相应处理,以得到所述检测帧数据的识别结果;
所述识别结果输出模块,还用于将所述检测帧数据作为更新的基准帧数据,存储更新的所述基准帧数据的识别结果。
7.根据权利要求6所述的装置,其特征在于,所述相似度检测模块还用于对所述预处理检测帧数据进行处理,得到预设大小的检测帧数据矩阵;将所述检测帧数据矩阵和已存储的基准帧数据矩阵进行相减处理,得到相似度矩阵;根据所述相似度矩阵,确定相似度结果。
8.一种计算机设备,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5中任一项所述的方法的步骤。
9.一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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211676.0A CN111462059B (zh) | 2020-03-24 | 2020-03-24 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211676.0A CN111462059B (zh) | 2020-03-24 | 2020-03-24 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462059A CN111462059A (zh) | 2020-07-28 |
CN111462059B true CN111462059B (zh) | 2023-09-29 |
Family
ID=71685665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010211676.0A Active CN111462059B (zh) | 2020-03-24 | 2020-03-24 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB202207373D0 (en) * | 2022-05-19 | 2022-07-06 | Samsung Electronics Co Ltd | Method and apparatus for on-device user personalisation |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013198635A (ja) * | 2012-03-26 | 2013-10-03 | Masahiko Nakada | 超音波診断装置 |
CN107569257A (zh) * | 2017-09-29 | 2018-01-12 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统、超声诊断设备 |
CN108804547A (zh) * | 2018-05-18 | 2018-11-13 | 深圳华声医疗技术股份有限公司 | 超声图像教学方法、装置及计算机可读存储介质 |
CN109241868A (zh) * | 2018-08-16 | 2019-01-18 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
WO2019168372A1 (ko) * | 2018-02-28 | 2019-09-06 | 삼성메디슨 주식회사 | 의료 영상 처리 장치 및 그 동작 방법 |
CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 |
CN110555836A (zh) * | 2019-09-05 | 2019-12-10 | 李肯立 | 一种超声图像中胎儿标准切面的自动识别方法和系统 |
WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
WO2019237516A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN110613480A (zh) * | 2019-01-14 | 2019-12-27 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
CN110613486A (zh) * | 2019-09-30 | 2019-12-27 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110688926A (zh) * | 2019-09-19 | 2020-01-14 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN110889377A (zh) * | 2019-11-28 | 2020-03-17 | 深圳市丰巢科技有限公司 | 广告物异常识别方法、装置、服务器设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044398B (zh) * | 2018-06-07 | 2021-10-19 | 深圳华声医疗技术股份有限公司 | 超声系统成像方法、装置及计算机可读存储介质 |
CN108830211A (zh) * | 2018-06-11 | 2018-11-16 | 厦门中控智慧信息技术有限公司 | 基于深度学习的人脸识别方法及相关产品 |
-
2020
- 2020-03-24 CN CN202010211676.0A patent/CN111462059B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013198635A (ja) * | 2012-03-26 | 2013-10-03 | Masahiko Nakada | 超音波診断装置 |
CN107569257A (zh) * | 2017-09-29 | 2018-01-12 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统、超声诊断设备 |
WO2019168372A1 (ko) * | 2018-02-28 | 2019-09-06 | 삼성메디슨 주식회사 | 의료 영상 처리 장치 및 그 동작 방법 |
CN108804547A (zh) * | 2018-05-18 | 2018-11-13 | 深圳华声医疗技术股份有限公司 | 超声图像教学方法、装置及计算机可读存储介质 |
WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
WO2019237516A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN109241868A (zh) * | 2018-08-16 | 2019-01-18 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN110613480A (zh) * | 2019-01-14 | 2019-12-27 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
CN110555836A (zh) * | 2019-09-05 | 2019-12-10 | 李肯立 | 一种超声图像中胎儿标准切面的自动识别方法和系统 |
CN110464380A (zh) * | 2019-09-12 | 2019-11-19 | 李肯立 | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 |
CN110688926A (zh) * | 2019-09-19 | 2020-01-14 | Oppo广东移动通信有限公司 | 主体检测方法和装置、电子设备、计算机可读存储介质 |
CN110613486A (zh) * | 2019-09-30 | 2019-12-27 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110889377A (zh) * | 2019-11-28 | 2020-03-17 | 深圳市丰巢科技有限公司 | 广告物异常识别方法、装置、服务器设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
Deep Convolutional Neural Network-Based Framework for Automatic Fetal Facial Standard Plane Recognition;shengli li等;IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS;全文 * |
基于深度卷积网络的视觉目标半监督识别算法;张兆丰;吴泽民;刘涛;杜麟;姜青竹;;军事通信技术(04);全文 * |
基于深度学习的胎儿颜面部超声标准切面自动识别;余镇;吴凌云;倪东;陈思平;李胜利;汪天富;雷柏英;;中国生物医学工程学报(03);全文 * |
钟天浪.基于深度学习的监控场景目标检测算法研究与应用.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,正文第3.3.2节. * |
面向人工智能和大数据的高效能计算;李肯立等;数据与计算发展前沿;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111462059A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN109241903B (zh) | 样本数据清洗方法、装置、计算机设备及存储介质 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN109308488B (zh) | 乳腺超声图像处理装置、方法、计算机设备及存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN110473172B (zh) | 医学图像解剖中线确定方法、计算机设备和存储介质 | |
CN111192678B (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
CN111368638A (zh) | 电子表格的创建方法、装置、计算机设备和存储介质 | |
CN109410189B (zh) | 图像分割方法以及图像的相似度计算方法、装置 | |
CN111144285B (zh) | 胖瘦程度识别方法、装置、设备及介质 | |
CN110335248B (zh) | 医学图像病灶检测方法、装置、计算机设备和存储介质 | |
CN112132265A (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN115496892A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN116071309A (zh) | 元器件的声扫缺陷检测方法、装置、设备和存储介质 | |
CN110807463B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111462059B (zh) | 胎儿超声图像智能目标检测的并行处理方法和装置 | |
CN110929730A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN109102549B (zh) | 图像光源颜色的检测方法、装置、计算机设备及存储介质 | |
CN113537020A (zh) | 基于改进神经网络的复数sar图像目标识别方法 | |
CN115908363B (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN112509052B (zh) | 黄斑中心凹的检测方法、装置、计算机设备和存储介质 | |
CN115205680A (zh) | 基于显著性迁移的雷达目标sar图像联合检测识别方法 |
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 |