CN111507948A - 基于机器视觉的超声视频流关键图像自动截取系统和方法 - Google Patents
基于机器视觉的超声视频流关键图像自动截取系统和方法 Download PDFInfo
- Publication number
- CN111507948A CN111507948A CN202010267779.9A CN202010267779A CN111507948A CN 111507948 A CN111507948 A CN 111507948A CN 202010267779 A CN202010267779 A CN 202010267779A CN 111507948 A CN111507948 A CN 111507948A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- definition
- video stream
- confidence
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于机器视觉的超声视频流关键图像自动截取系统和方法,特别涉及视频基本流的处理领域。包括图像识别模块、图像质量评价模块、高分图像显示模块和图像存储显示模块;所述图像识别模块用于获取输入的视屏流,并截取所述视频流得到视频图像,所述图像质量评价模块用于对每个所述视频图像进行识别评价并得到每个所述视频图像的清晰度或置信度,将所述视频图像根据所述清晰度或所述置信度截图为高分图像并保存到所述图像存储显示模块,所述高分图像显示模块用于读取所述高分图像并显示。本方案解决了如何在连续视频流图像中筛选并识别出最清晰稳定的图像的技术问题,适用于胎儿超声解剖学断面截图分析。
Description
技术领域
本发明涉及视频基本流的处理领域,特别涉及一种基于机器视觉的超声视频流关键图像自动截取系统和方法。
背景技术
在胎儿超声的临床实践过程中,国际上的同行通常采用对胎儿特定的解剖学断面进行截图分析的手段,这些截图平面包括但不限于横切面、冠状面、矢状面和斜切面,通过对这些平面进行观察,可以对胎儿诸如大脑半球、胸腔、心脏、脊柱、四肢等结构及其参数进行定性和定量的观察。
现有技术中,要对胎儿图像进行定性或者定量观察,需要快速识别胎儿图形的标准切面。由于胎儿在母亲体内,无法固定对其姿态,因此需要医生对于连续运动中的胎儿进行特定标准切面图像来进行判断。这对医生的操作水平造成了极大挑战。
另一方面,随着机器视觉技术的进步,各种能够通过深度学习来对特定平面进行自动识别的判别系统已经被开发出来。这些判别系统都是针对图像进行识别。而视频则相当于连续的图像序列。在对连续图像序列进行识别的过程中,构建特定的图像检测器并且对图像序列进行判定至关重要。
鉴于此,有必要提供一种基于深度学习的胎儿超声识别图像标准切面图像识别方法和系统,以克服现有技术中人工检测效率低及错误率高的缺陷。
发明内容
本发明所要解决的技术问题是如何在连续视频流图像中筛选并识别出最清晰稳定的图像。
本发明解决上述技术问题的技术方案如下:一种基于机器视觉的超声视频流关键图像自动截取系统,包括:
图像识别模块、图像质量评价模块、高分图像显示模块和图像存储显示模块;
所述图像识别模块用于获取输入的视屏流,并截取所述视频流得到视频图像,所述图像质量评价模块用于对每个所述视频图像进行识别评价并得到每个所述视频图像的清晰度或置信度,将所述视频图像根据所述清晰度或所述置信度截图为高分图像并保存到所述图像存储显示模块,所述高分图像显示模块用于读取所述高分图像并显示。
本发明的有益效果是:由于胎儿在母体内处于无法固定的悬浮状态,因此需要在连续视频流图像中筛选并识别出最清晰稳定的图像,本方案图像识别模块识别标准胎儿超声切面图像及基本标准胎儿超声切面图像,并由显示模组对识别筛选出的图像进行输出,解决了如何在连续视频流图像中筛选并识别出最清晰稳定的图像的技术问题。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述图像识别模块用于获取每个所述视频图像的每个像素点(x,y)对应的灰度值f(x,y),根据下列公式得到所述清晰度D(f),并将所述清晰度达到第一预设值的所述视频图像进行截图保存:
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2。
进一步,所述图像识别模块用于获取每个所述视频图像的每个像素点(x,y)对应的灰度值f(x,y),根据下列公式得到所述清晰度D(f),并将所述清晰度达到第预设值的所述视频图像进行截图保存:
进一步,所述图像识别模块用于建立深度学习模型,并选取所述深度学习模型的softmax层进行替换训练,得到自动神经识别网络,所述图像识别模块还用于根据所述自动神经识别网络和所述视频图像得到图像置信度,并比较每个所述图像置信度,得到置信度极值,将所述图像置信度达到极值的所述视频图像进行截图保存。
本发明解决上述技术问题的另一技术方案如下:
一种基于机器视觉的超声视频流关键图像自动截取方法,包括以下步骤:
S1:获取输入的视屏流,并截取所述视频流得到视频图像;
S2:对每个所述视频图像进行识别评价并得到每个所述视频图像的清晰度或置信度;
S3:将所述视频图像根据所述清晰度或所述置信度截图为高分图像并保存;
S4:读取所述高分图像并显示。
进一步,步骤S2具体为:
S21:获取每个所述视频图像的每个像素点(x,y)对应的灰度值f(x,y);
S22:根据下列公式得到所述清晰度D(f):
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2;
S23:将所述清晰度达到第一预设值的所述视频图像进行截图保存。
进一步,步骤S2具体为:
S21:获取每个所述视频图像的每个像素点(x,y)对应的灰度值f(x,y);
S22:根据下列公式得到所述清晰度D(f):
S23:将所述清晰度达到第一预设值的所述视频图像进行截图保存。
进一步,步骤S2具体为:
S21:建立深度学习模型,并选取所述深度学习模型的softmax层进行替换训练,得到自动神经识别网络;
S22:根据所述自动神经识别网络和所述视频图像得到图像置信度;
S23:比较每个所述图像置信度,得到置信度极值;
S24:将所述图像置信度达到极值的所述视频图像进行截图保存。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明基于机器视觉的超声视频流关键图像自动截取系统的实施例的系统结构示意图;
图2为本发明基于机器视觉的超声视频流关键图像自动截取方法的实施例的方法流程图;
图3为本发明基于机器视觉的超声视频流关键图像自动截取方法的其它实施例的工作流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例基本如附图1所示:
本实施例中基于机器视觉的超声视频流关键图像自动截取系统,包括:图像识别模块1、图像质量评价模块2、高分图像显示模块3和图像存储显示模块4;
图像识别模块1用于获取输入的视屏流,并截取视频流得到视频图像,图像质量评价模块2用于对每个视频图像进行识别评价并得到每个视频图像的清晰度或置信度,将视频图像根据清晰度或置信度截图为高分图像并保存到图像存储显示模块4,高分图像显示模块3用于读取高分图像并显示。
本发明的有益效果是:由于胎儿在母体内处于无法固定的悬浮状态,因此需要在连续视频流图像中筛选并识别出最清晰稳定的图像,本方案图像识别模块1识别标准胎儿超声切面图像及基本标准胎儿超声切面图像,并由显示模组对识别筛选出的图像进行输出,解决了如何在连续视频流图像中筛选并识别出最清晰稳定的图像的技术问题。
在上述技术方案的基础上,本发明还可以做如下改进。
可选的,在一些其它实施例中,图像识别模块1用于获取每个视频图像的每个像素点(x,y)对应的灰度值f(x,y),根据下列公式得到清晰度D(f),并将清晰度达到第一预设值的视频图像进行截图保存:
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2。
可选的,在一些其它实施例中,图像识别模块1用于获取每个视频图像的每个像素点(x,y)对应的灰度值f(x,y),根据下列公式得到清晰度D(f),并将清晰度达到第预设值的视频图像进行截图保存:
可选的,在一些其它实施例中,图像识别模块1用于建立深度学习模型,并选取深度学习模型的softmax层进行替换训练,得到自动神经识别网络,图像识别模块1还用于根据自动神经识别网络和视频图像得到图像置信度,并比较每个图像置信度,得到置信度极值,将图像置信度达到极值的视频图像进行截图保存。
在上述技术方案的基础上,本发明还可以做如下改进。
如附图2所示,一种基于机器视觉的超声视频流关键图像自动截取方法,包括以下步骤:
S1:获取输入的视屏流,并截取视频流得到视频图像;
S2:对每个视频图像进行识别评价并得到每个视频图像的清晰度或置信度;
S3:将视频图像根据清晰度或置信度截图为高分图像并保存;
S4:读取高分图像并显示。
可选的,如附图3所示,在一些其它实施例中,步骤S2具体为:
S21:获取每个视频图像的每个像素点(x,y)对应的灰度值f(x,y);
S22:根据下列公式得到清晰度D(f):
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2;
S23:将清晰度达到第一预设值的视频图像进行截图保存。
可选的,在一些其它实施例中,步骤S2具体为:
S21:获取每个视频图像的每个像素点(x,y)对应的灰度值f(x,y);
S22:根据下列公式得到清晰度D(f):
S23:将清晰度达到第一预设值的视频图像进行截图保存。
可选的,在一些其它实施例中,步骤S2具体为:
S21:建立深度学习模型,并选取深度学习模型的softmax层进行替换训练,得到自动神经识别网络;
S22:根据自动神经识别网络和视频图像得到图像置信度;
S23:比较每个图像置信度,得到置信度极值;
S24:将图像置信度达到极值的视频图像进行截图保存。
需要说明的是,上述各实施例是与上述各方法实施例对应的产品实施例,对于本实施例中各结构装置及可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于机器视觉的超声视频流关键图像自动截取系统,其特征在于,包括:
图像识别模块、图像质量评价模块、高分图像显示模块和图像存储显示模块;
所述图像识别模块用于获取输入的视屏流,并截取所述视频流得到视频图像,所述图像质量评价模块用于对每个所述视频图像进行识别评价并得到每个所述视频图像的清晰度或置信度,将所述视频图像根据所述清晰度或所述置信度截图为高分图像并保存到所述图像存储显示模块,所述高分图像显示模块用于读取所述高分图像并显示。
2.根据权利要求1所述的基于机器视觉的超声视频流关键图像自动截取系统,其特征在于:所述图像识别模块用于获取每个所述视频图像的每个像素点(x,y)对应的灰度值f(x,y),根据下列公式得到所述清晰度D(f),并将所述清晰度达到第一预设值的所述视频图像进行截图保存:
D(f)=∑y∑x|f(x+2,y)-f(x,y)|2。
4.根据权利要求1所述的基于机器视觉的超声视频流关键图像自动截取系统,其特征在于:所述图像识别模块用于建立深度学习模型,并选取所述深度学习模型的softmax层进行替换训练,得到自动神经识别网络,所述图像识别模块还用于根据所述自动神经识别网络和所述视频图像得到图像置信度,并比较每个所述图像置信度,得到置信度极值,将所述图像置信度达到极值的所述视频图像进行截图保存。
5.一种基于机器视觉的超声视频流关键图像自动截取方法,其特征在于包括以下步骤:
S1:获取输入的视屏流,并截取所述视频流得到视频图像;
S2:对每个所述视频图像进行识别评价并得到每个所述视频图像的清晰度或置信度;
S3:将所述视频图像根据所述清晰度或所述置信度截图为高分图像并保存;
S4:读取所述高分图像并显示。
6.根据权利要求5所述的基于机器视觉的超声视频流关键图像自动截取方法,其特征在于:
步骤S2具体为:
S21:获取每个所述视频图像的每个像素点(x,y)对应的灰度值f(x,y);
S22:根据下列公式得到所述清晰度D(f):
D(f)=∑y∑x|f(x+2,y)-f(x,y)]2;
S23:将所述清晰度达到第一预设值的所述视频图像进行截图保存。
8.根据权利要求5所述的基于机器视觉的超声视频流关键图像自动截取方法,其特征在于:
步骤S2具体为:
S21:建立深度学习模型,并选取所述深度学习模型的softmax层进行替换训练,得到自动神经识别网络;
S22:根据所述自动神经识别网络和所述视频图像得到图像置信度;
S23:比较每个所述图像置信度,得到置信度极值;
S24:将所述图像置信度达到极值的所述视频图像进行截图保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267779.9A CN111507948A (zh) | 2020-04-08 | 2020-04-08 | 基于机器视觉的超声视频流关键图像自动截取系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267779.9A CN111507948A (zh) | 2020-04-08 | 2020-04-08 | 基于机器视觉的超声视频流关键图像自动截取系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507948A true CN111507948A (zh) | 2020-08-07 |
Family
ID=71870915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010267779.9A Pending CN111507948A (zh) | 2020-04-08 | 2020-04-08 | 基于机器视觉的超声视频流关键图像自动截取系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507948A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786163A (zh) * | 2020-12-31 | 2021-05-11 | 北京小白世纪网络科技有限公司 | 一种超声图像处理显示方法、系统及存储介质 |
CN112862752A (zh) * | 2020-12-31 | 2021-05-28 | 北京小白世纪网络科技有限公司 | 一种图像处理显示方法、系统电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046227A (zh) * | 2015-07-24 | 2015-11-11 | 上海依图网络科技有限公司 | 一种针对人像视频系统的关键帧获取方法 |
CN106792150A (zh) * | 2016-12-20 | 2017-05-31 | 深圳市茁壮网络股份有限公司 | 一种海报生成方法及装置 |
CN107635110A (zh) * | 2017-09-30 | 2018-01-26 | 维沃移动通信有限公司 | 一种视频截图方法及终端 |
CN108388885A (zh) * | 2018-03-16 | 2018-08-10 | 南京邮电大学 | 面向大型直播场景的多人特写实时识别与自动截图方法 |
CN108882057A (zh) * | 2017-05-09 | 2018-11-23 | 北京小度互娱科技有限公司 | 视频摘要生成方法及装置 |
CN109145784A (zh) * | 2018-08-03 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 用于处理视频的方法和装置 |
CN109558811A (zh) * | 2018-11-12 | 2019-04-02 | 中山大学 | 一种基于运动前景关注及非监督的关键帧提取的动作识别方法 |
-
2020
- 2020-04-08 CN CN202010267779.9A patent/CN111507948A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046227A (zh) * | 2015-07-24 | 2015-11-11 | 上海依图网络科技有限公司 | 一种针对人像视频系统的关键帧获取方法 |
WO2017016515A1 (zh) * | 2015-07-24 | 2017-02-02 | 上海依图网络科技有限公司 | 一种针对人像视频系统的关键帧获取方法 |
CN106792150A (zh) * | 2016-12-20 | 2017-05-31 | 深圳市茁壮网络股份有限公司 | 一种海报生成方法及装置 |
CN108882057A (zh) * | 2017-05-09 | 2018-11-23 | 北京小度互娱科技有限公司 | 视频摘要生成方法及装置 |
CN107635110A (zh) * | 2017-09-30 | 2018-01-26 | 维沃移动通信有限公司 | 一种视频截图方法及终端 |
CN108388885A (zh) * | 2018-03-16 | 2018-08-10 | 南京邮电大学 | 面向大型直播场景的多人特写实时识别与自动截图方法 |
CN109145784A (zh) * | 2018-08-03 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 用于处理视频的方法和装置 |
CN109558811A (zh) * | 2018-11-12 | 2019-04-02 | 中山大学 | 一种基于运动前景关注及非监督的关键帧提取的动作识别方法 |
Non-Patent Citations (2)
Title |
---|
SANJAY K.KUANAR 等: "Video key frame extraction through dynamic Delaunay clustering with a structural constraint", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》, vol. 24, no. 7, 20 August 2013 (2013-08-20), pages 1212 - 1227, XP028713346, DOI: 10.1016/j.jvcir.2013.08.003 * |
王竑舒 等: "广角相机图像的调焦评价函数研究", 《长春理工大学学报(自然科学版)》, vol. 42, no. 3, 30 June 2019 (2019-06-30), pages 38 - 41 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786163A (zh) * | 2020-12-31 | 2021-05-11 | 北京小白世纪网络科技有限公司 | 一种超声图像处理显示方法、系统及存储介质 |
CN112862752A (zh) * | 2020-12-31 | 2021-05-28 | 北京小白世纪网络科技有限公司 | 一种图像处理显示方法、系统电子设备及存储介质 |
CN112786163B (zh) * | 2020-12-31 | 2023-10-24 | 北京小白世纪网络科技有限公司 | 一种超声图像处理显示方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10860930B2 (en) | Learning method, image recognition device, and computer-readable storage medium | |
CN110232719B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
JP6900581B1 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
CN111493935B (zh) | 基于人工智能的超声心动图自动预测识别方法及系统 | |
CN112639865B (zh) | 图像处理系统、学习完毕模型和图像处理方法 | |
CN110599421B (zh) | 模型训练方法、视频模糊帧转换方法、设备及存储介质 | |
KR100805486B1 (ko) | 디스플레이의 다각도 계측 시스템 및 방법 | |
CN111507948A (zh) | 基于机器视觉的超声视频流关键图像自动截取系统和方法 | |
Alharbi et al. | Deep learning based algorithm for automatic scoliosis angle measurement | |
CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
CN110742631A (zh) | 一种医学图像的成像方法和装置 | |
JP4832794B2 (ja) | 画像処理装置及び画像処理プログラム | |
Ahmedt-Aristizabal et al. | Vision-based mouth motion analysis in epilepsy: A 3d perspective | |
CN114842000A (zh) | 一种内窥镜图像质量评估方法和系统 | |
KR102602392B1 (ko) | 딥러닝 모델을 이용한 내시경 영상으로부터의 병변 검출 방법, 장치 및 프로그램 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
KR101464862B1 (ko) | 카메라를 이용한 척추 측만증 판단 방법 및 장치 | |
CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
CN113837184B (zh) | 一种蚊虫检测方法、设备及存储介质 | |
CN113222985B (zh) | 一种图像处理方法、装置、计算机设备和介质 | |
CN114693912A (zh) | 具有眼球追功能的内镜检查系统、存储介质及设备 | |
CN111767829B (zh) | 一种活体检测方法、装置、系统及存储介质 | |
CN111626974B (zh) | 冠状动脉造影图像序列的质量评分方法和装置 | |
CN117437392B (zh) | 交叉韧带止点标记及其模型训练的方法和关节镜系统 | |
CN114565538B (zh) | 一种内镜图像处理方法、系统、存储介质及设备 |
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: 20200807 |