CN111476773A - 一种耳廓畸形分析识别方法、系统、介质和电子终端 - Google Patents
一种耳廓畸形分析识别方法、系统、介质和电子终端 Download PDFInfo
- Publication number
- CN111476773A CN111476773A CN202010263761.1A CN202010263761A CN111476773A CN 111476773 A CN111476773 A CN 111476773A CN 202010263761 A CN202010263761 A CN 202010263761A CN 111476773 A CN111476773 A CN 111476773A
- Authority
- CN
- China
- Prior art keywords
- ear
- image
- additional information
- identification
- standard sample
- 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 36
- 230000036244 malformation Effects 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000018999 crinkle Diseases 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 33
- 206010061619 Deformity Diseases 0.000 description 29
- 238000000605 extraction Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010002945 Aphakia Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 240000009132 Sagittaria sagittifolia Species 0.000 description 1
- 208000002495 Uterine Neoplasms Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000001699 lower leg Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 206010046766 uterine cancer Diseases 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
- 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
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10004—Still image; Photographic 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种耳廓畸形分析识别方法、系统、介质和电子终端，包括：获取耳部样本图像及对应样本对象的附加信息，并创建标准样本库；通过所述标准样本库中图像训练深度神经网络，获取多种耳廓畸形的识别模型；输入待查询图像及对应目标对象的附加信息，通过所述识别模型获取识别结果，并根据所述识别结果及目标对象的附加信息反馈导引信息；同时将所述待查询图像用于扩充所述标准样本库；本发明操作便捷，不依赖于医学专用设备，可在线为非专业人员提供医疗咨询。
Description
技术领域
本发明涉及智能医疗领域，尤其涉及一种耳廓畸形分析识别方法、系统、机制和电子终端。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。
图像识别的传统流程分为四个步骤：图像采集→图像预处理→特征提取→分类和匹配。其中关键点在于特征提取，一般包括局部二值模式(LBP)算法,方向梯度直方图(HOG)算法，Haar特征算法，二阶拉普拉斯-高斯边缘提取(LoG)算法，Harris角点特征提取算法，SIFT/SURF特征算子。以此来提取图像中的颜色、纹理和形状等三类特征等。
以上传统的图像识别技术是以浅层次结构模型为主，在特定环境下有效率高，但它无法从原图像中获取更高层级的语义特征和深度特征，因为人工对图像进行预处理，受主观干扰大，识别率较低。有鉴于此，学者开始研究更深层次的网络结构模型，用模型自身提取图像特征来避免人为干预，一系列深度学习模型被提出，其中具有代表性的包括深度信念网络(DBN)、卷积神经网络(CNN)、循环神经网络(RNN)、生成式对抗网络(GAN)以及胶囊网络(GapsNet)。这些相对传统图像识别的深度学习模型，一般能够获取更深层级的图像特征，并且无人为和外界环境干扰，特征提取更准确，识别率更高。
医学图像具有种类多、分辨率低、严重依赖成像设备和成像环境等缺点，它限制了医生对患者症状做出有效诊断，需要对医生进行长期训练才可以提高医学诊断的准确率。目前医学图像识别已成为人工智能领域的前沿研究，研究内容主要集中在脑部、胸部、腹部、眼部等方面用于诊断阿尔兹海默症、乳腺癌、肺癌、子宫癌等。当图像样本积累到一定程度时，其它部位的诊断也可通过图像识别来定性或者定量诊断。
小儿先天性耳廓畸形是一种较为常见的头面部畸形，美国新生儿为25％，日本新生儿为55.2％。中国新生儿为43.46％。根据Byrd分型将其分为8类：隐耳畸形、招风耳畸形、Stahl’s(贝壳耳)畸形、Conchal Crus(横突)耳畸形、耳轮畸形、杯状耳畸形、垂耳畸形、环缩耳畸形，可单独或混合发生。该疾病早期可通过耳模型等非手术矫正且成功率高，以后只能通过手术有创矫正且成功率下降。及早发现耳廓畸形是关键。
目前针对耳廓畸形的识别主要由医生根据长期的临床经验来识别，没有其它途径。这样婴儿家属很难第一时间内能够得知婴儿是否存在耳廓畸形，并给予针对性治疗。因此整个社会需要一个非专业人士就可以随时参与的，并且能够及时快速识别耳廓畸形的方法或者系统。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种耳廓畸形分析识别方法、系统、介质和电子终端，主要解决非专业人员辨识耳部畸形困难，影响治疗的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种耳廓畸形分析识别方法，包括：
获取耳部样本图像及对应样本对象的附加信息，并创建标准样本库；
通过所述标准样本库中图像训练深度神经网络，获取多种耳廓畸形的识别模型；
输入待查询图像及对应目标对象的附加信息，通过所述识别模型获取识别结果，并根据所述识别结果及目标对象的附加信息反馈导引信息；同时将所述待查询图像用于扩充所述标准样本库。
可选地，对所述耳部样本图像进行预处理，并根据所述样本对象的附加信息和/或耳廓畸形类别，将预处理后的图像进行分类处理，并将分类结果用于创建所述标准样本库；其中所述预处理包括通过根据耳朵边缘形态特征对所述耳部样本图像进行去背景和/或角度调整；
可选地，还包括定期通过所述标准样本库中的图像对所述识别模型进行校正。
可选地，根据所述目标对象的附加信息与标准样本库中的附加信息进行比对，获取所述导引信息。
可选地，所述附加信息至少包括身高、体重、年龄、性别。
可选地，所述导引信息包括治疗建议，病情概况。
可选地，所述耳廓畸形至少包括：隐耳畸形、招风耳畸形、贝壳耳畸形、横突耳畸形、耳轮畸形、杯状耳畸形、垂耳畸形、环缩耳畸形。
一种耳廓畸形分析识别系统，包括：
样本库创建模块，用于获取耳部样本图像及对应样本对象的附加信息，并创建标准样本库；
模型构建模块，用于通过所述标准样本库中图像训练深度神经网络，获取多种耳廓畸形的识别模型；
查询及信息获取模块，用于输入待查询图像及对应目标对象的附加信息，通过所述识别模型获取识别结果，并根据所述识别结果及目标对象的附加信息反馈导引信息；同时将所述待查询图像用于扩充所述标准样本库。
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所述的耳廓畸形分析识别方法。
一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述耳廓畸形分析识别方法。
如上所述，本发明一种耳廓畸形分析识别方法、系统、介质和电子终端，具有以下有益效果。
通过预训练识别模型对儿童耳部畸形进行识别，非专业人员只需要输入耳部图像及基本资料便可获取专业识别结果及指导意见，操作便捷；扩充的标准样本库可用于更新校准模型，提高识别的准确率。
附图说明
图1为本发明一实施例中一种耳廓畸形分析识别方法的流程图。
图2为本发明一实施例中一种耳廓畸形分析识别系统的模块图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种耳廓畸形分析识别方法，包括步骤S01-S03。
在步骤S01中，获取耳部样本图像及对应样本对象的附加信息，并创建标准样本库。
在一实施例中，附加信息包括身高、体重、年龄、性别等。可预先收集包含正常外形和各类缺陷外形的耳部样本图像，组成图像集合，图像集合中图像数量可根据实际应用进行灵活调整，本实施例中，可设图像集合中包含2000张图像，并将该2000张图像以及每张图像中样本对象的附加信息进行关联存储。
在一实施例中，对耳部样本图像进行预处理，并根据样本对象的附加信息和/或耳廓畸形类别，将预处理后的图像进行分类处理，并将分类结果用于创建所述标准样本库。具体地，可对图像集合中的图像进行预处理。可根据每张图像中的耳朵边缘特征对图像进行去背景和角度调整等操作，获取标准化图像，以便于提高后续图像识别的准确率。
在一实施例中，可对经过预处理的图像进行标注，可采用人工标注的方式，如通过耳科领域专家对图像中不同耳朵缺陷类别的图像进行与标注，区分出正常耳朵和耳廓畸形的耳朵。将经过标注的图像输入卷积神经网络中，获取多个耳廓畸形类别的样本图像。并根据图像对应的年龄、性别、身高等附加信息，对样本图像进行进一步分类后存储到数据库中，创建标准样本库。
在一实施例中，耳廓畸形至少包括隐耳畸形、招风耳畸形、贝壳耳畸形、横突耳畸形、耳轮畸形、杯状耳畸形、垂耳畸形、环缩耳畸形。
在步骤S02中，通过标准样本库中图像训练深度神经网络，获取多种耳廓畸形的识别模型；
在一实施例中，深度神经网络可采用卷积神经网络、循环神经网络、递归神经网络等常规的网络架构进行模型训练，也可采用图像不变量特征匹配的判别算法、基于Haar特征提取算子等方法获取多种耳廓畸形的识别模型。为了保障获取的识别模型具有足够的精度，可在充标准样本库中针对每个畸形类别的图像分别提取100张以上的样本图像用于训练识别模型。再训练完成后，可进一步从标准样本库中获取一定数量的样本图像构成测试样本集，并通过测试样本集对识别模型进行微调，保障识别准确率的同时，简化识别模型，提高模型识别的效率。
在一实施例中，可将获取的识别模型集成在服务器端或其他终端设备上，以便于用户访问该识别模型，进行耳廓畸形识别。
在步骤S03中，输入待查询图像及对应目标对象的附加信息，通过识别模型获取识别结果，并根据识别结果及目标对象的附加信息反馈导引信息；同时将待查询图像用于扩充所述标准样本库。
在一实施例中，用户可通过客户端(如手机、PAD等)访问服务器端的识别模型，将客户端的摄像头等图像采集设备采集的耳部图像作为待查询图像发送给识别模型。客户端可通过无线的方式连接服务器端，用户可通过客户端的APP或浏览器远程访问服务器，不再依赖于专用的医疗设备，操作更为便捷。
在一实施例中，服务器端的识别模型对待查询图像识别后将识别结果反馈给客户端。同时服务器端针对每一种耳部畸形类别分别关联设置有相应的专家治疗意见等信息。用户可通过客户端录入身高、年龄、性别等附加信息，服务器端将用户录入的附加信息与标准样本库中保存的附加信息进行匹配，根据识别结果以及附加信息匹配结果输出相应的导引信息。如识别出待查询图像属于耳轮畸形，对应儿童(2岁，女)则根据识别结果再进一步匹配符合2岁女童的相关医疗建议，通过客户端显示如什么时间段治疗最佳，有无后遗症以及必要的注意事项等。
在一实施例中，服务器端在完成识别任务后，可将待查询图像用于扩充标准样本库。具体地，可对待查询图像进行去背景、角度调整等预处理操作，再根据识别结果，将经过预处理的待查询图像及对应的附加信息关联存储的标准样本库的对应类别中。可定期从标准样本库中抽取一定数量的样本对服务器端的识别模型进行微调，以保障识别模型的识别精度。
请参阅图2，本实施例提供了一种耳廓畸形分析识别系统，用于执行前述方法实施例中所述的耳廓畸形分析识别方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，耳廓畸形分析识别系统包括样本库创建模块10、模型构建模块11和查询及信息获取模块12，样本库创建模块10用于辅助执行前述方法实施例介绍的步骤S01；模型构建模块11用于执行前述方法实施例介绍的步骤S02；查询及信息获取模块12用于执行前述方法实施例介绍的步骤S03。
11.本申请实施例还提供了一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行图1所述的方法。在实际应用中，该电子终端可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio LayerIV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例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，所述计算机程序被处理器执行时，可以使得该设备执行本申请实施例的图1中耳廓畸形分析识别方法所包含步骤的指令(instructions)。
综上所述，本发明一种耳廓畸形分析识别方法、系统、介质和电子终端，首先根据领域专家将所采集的耳朵图像分为正常耳朵和其他八种畸形类别的耳朵，保证了原始输入的正确性，而后通过图像模式分类和识别算法(包括传统的基于领域不变量特征和最新的深度学习网络)有监督地完成了模型训练，使用者只需要通过常用的手机终端就可以完成图像采集和传送，通过服务器的识别算法得到较为准确的结果，非常方便实用，不需要另外的硬件平台。另外针对识别算法本身，可以通过逐步采集的并且已分类的耳朵图像进行自学习和系统优化，可确保识别算法的运行精度；非专业的使用者不用另外的采集硬件平台，就可以方便快捷地完成耳廓畸形的检测；随着图像的日积月累，通过标准样本库定期校正，识别算法将更加高效准确；可以及早地检测出耳廓畸形并及时给与干预性治疗，避免延误病情。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种耳廓畸形分析识别方法，其特征在于，包括：
获取耳部样本图像及对应样本对象的附加信息，并创建标准样本库；
通过所述标准样本库中图像训练深度神经网络，获取多种耳廓畸形的识别模型；
输入待查询图像及对应目标对象的附加信息，通过所述识别模型获取识别结果，并根据所述识别结果及目标对象的附加信息反馈导引信息；同时将所述待查询图像用于扩充所述标准样本库。
2.根据权利要求1所述的耳廓畸形分析识别方法，其特征在于，对所述耳部样本图像进行预处理，并根据所述样本对象的附加信息和/或耳廓畸形类别，将预处理后的图像进行分类处理，并将分类结果用于创建所述标准样本库；其中所述预处理包括通过根据耳朵边缘形态特征对所述耳部样本图像进行去背景和/或角度调整。
3.根据权利要求1所述的耳廓畸形分析识别方法，其特征在于，还包括定期通过所述标准样本库中的图像对所述识别模型进行校正。
4.根据权利要求2所述的耳廓畸形分析识别方法，其特征在于，根据所述目标对象的附加信息与标准样本库中的附加信息进行比对，获取所述导引信息。
5.根据权利要求1所述的耳廓畸形分析识别方法，其特征在于，所述附加信息至少包括身高、体重、年龄、性别。
6.根据权利要求1所述的耳廓畸形分析识别方法，其特征在于，所述导引信息包括治疗建议，病情概况。
7.根据权利要求1所述的耳廓畸形分析识别方法，其特征在于，所述耳廓畸形至少包括：隐耳畸形、招风耳畸形、贝壳耳畸形、横突耳畸形、耳轮畸形、杯状耳畸形、垂耳畸形、环缩耳畸形。
8.一种耳廓畸形分析识别系统，其特征在于，包括：
样本库创建模块，用于获取耳部样本图像及对应样本对象的附加信息，并创建标准样本库；
模型构建模块，用于通过所述标准样本库中图像训练深度神经网络，获取多种耳廓畸形的识别模型；
查询及信息获取模块，用于输入待查询图像及对应目标对象的附加信息，通过所述识别模型获取识别结果，并根据所述识别结果及目标对象的附加信息反馈导引信息；同时将所述待查询图像用于扩充所述标准样本库。
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7中任一项所述的耳廓畸形分析识别方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述耳廓畸形分析识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010263761.1A CN111476773A (zh) | 2020-04-07 | 2020-04-07 | 一种耳廓畸形分析识别方法、系统、介质和电子终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010263761.1A CN111476773A (zh) | 2020-04-07 | 2020-04-07 | 一种耳廓畸形分析识别方法、系统、介质和电子终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476773A true CN111476773A (zh) | 2020-07-31 |
Family
ID=71749895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010263761.1A Pending CN111476773A (zh) | 2020-04-07 | 2020-04-07 | 一种耳廓畸形分析识别方法、系统、介质和电子终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476773A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030229278A1 (en) * | 2002-06-06 | 2003-12-11 | Usha Sinha | Method and system for knowledge extraction from image data |
| WO2015069824A2 (en) * | 2013-11-06 | 2015-05-14 | Lehigh University | Diagnostic system and method for biological tissue analysis |
| CN105354467A (zh) * | 2015-10-26 | 2016-02-24 | 惠州Tcl移动通信有限公司 | 基于耳廓识别的移动终端用户模式启动方法及移动终端 |
| WO2017158232A1 (en) * | 2016-03-15 | 2017-09-21 | Ownsurround Oy | An arrangement for producing head related transfer function filters |
| US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| WO2019171118A1 (en) * | 2018-03-05 | 2019-09-12 | Omron Corporation | Method, apparatus, system and program for determining feature data of image data, and storage medium |
| WO2019218826A1 (zh) * | 2018-05-17 | 2019-11-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN110610488A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 分类训练和检测的方法与装置 |
-
2020
- 2020-04-07 CN CN202010263761.1A patent/CN111476773A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030229278A1 (en) * | 2002-06-06 | 2003-12-11 | Usha Sinha | Method and system for knowledge extraction from image data |
| WO2015069824A2 (en) * | 2013-11-06 | 2015-05-14 | Lehigh University | Diagnostic system and method for biological tissue analysis |
| CN105354467A (zh) * | 2015-10-26 | 2016-02-24 | 惠州Tcl移动通信有限公司 | 基于耳廓识别的移动终端用户模式启动方法及移动终端 |
| WO2017158232A1 (en) * | 2016-03-15 | 2017-09-21 | Ownsurround Oy | An arrangement for producing head related transfer function filters |
| US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| WO2019171118A1 (en) * | 2018-03-05 | 2019-09-12 | Omron Corporation | Method, apparatus, system and program for determining feature data of image data, and storage medium |
| WO2019218826A1 (zh) * | 2018-05-17 | 2019-11-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN110610488A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 分类训练和检测的方法与装置 |
Non-Patent Citations (3)
| Title |
|---|
| 李焕章等: "《实用门诊医师手册 第2版》", 31 July 2006, 北京：人民军医出版社 * |
| 林海燕: "《耳鼻咽喉 头颈外科临床护理路径》", 31 October 2015, 中国医药科技出版社 * |
| 谭惠风等: "《耳鼻咽喉诊断学》", 30 June 1980, 科学技术文献出版社重庆分社 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
| US20240062369A1 (en) | Detection model training method and apparatus, computer device and storage medium | |
| CN105144239B (zh) | 图像处理装置、图像处理方法 | |
| CN109741309B (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
| CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
| CN110309853B (zh) | 基于变分自编码器的医学图像聚类方法 | |
| US9750450B2 (en) | Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection | |
| CN111223085A (zh) | 一种基于神经网络的头部医疗影像辅助判读报告生成方法 | |
| WO2023137914A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN110296660B (zh) | 牲畜体尺检测方法与装置 | |
| CN112233128B (zh) | 图像分割方法及模型的训练方法、装置、介质、电子设备 | |
| WO2024087359A1 (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
| WO2019204700A1 (en) | Neonatal pain identification from neonatal facial expressions | |
| WO2021243561A1 (zh) | 行为识别装置及方法 | |
| CN111276159A (zh) | 一种婴儿发音分析方法及服务器 | |
| CN111681247A (zh) | 肺叶肺段分割模型训练方法和装置 | |
| CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
| US20230022206A1 (en) | Infrared image sequence-based sleep quality evaluation system and method | |
| CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
| CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
| CN114519401A (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
| CN110750673B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN117079339A (zh) | 动物虹膜识别方法、预测模型训练方法、电子设备及介质 | |
| CN115661142B (zh) | 一种基于关键点检测的舌诊图像处理方法、设备及介质 | |
| WO2023108418A1 (zh) | 脑图谱构建及神经环路检测的方法和相关产品 |
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: 20200731 |
|
| RJ01 | Rejection of invention patent application after publication |