CN111882531A - 髋关节超声图像自动分析方法 - Google Patents

髋关节超声图像自动分析方法 Download PDF

Info

Publication number
CN111882531A
CN111882531A CN202010680820.5A CN202010680820A CN111882531A CN 111882531 A CN111882531 A CN 111882531A CN 202010680820 A CN202010680820 A CN 202010680820A CN 111882531 A CN111882531 A CN 111882531A
Authority
CN
China
Prior art keywords
hip joint
map
thermodynamic diagram
ultrasonic image
line segment
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
Application number
CN202010680820.5A
Other languages
English (en)
Other versions
CN111882531B (zh
Inventor
谢洪涛
张勇东
孙军
徐静远
毛震东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Provincial Children's Hospital (anhui Xinhua Hospital Anhui Institute Of Pediatric Medicine)
University of Science and Technology of China USTC
Original Assignee
Anhui Provincial Children's Hospital (anhui Xinhua Hospital Anhui Institute Of Pediatric Medicine)
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Provincial Children's Hospital (anhui Xinhua Hospital Anhui Institute Of Pediatric Medicine), University of Science and Technology of China USTC filed Critical Anhui Provincial Children's Hospital (anhui Xinhua Hospital Anhui Institute Of Pediatric Medicine)
Priority to CN202010680820.5A priority Critical patent/CN111882531B/zh
Publication of CN111882531A publication Critical patent/CN111882531A/zh
Application granted granted Critical
Publication of CN111882531B publication Critical patent/CN111882531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种髋关节超声图像自动分析方法，包括：获取多个预先进行了若干关键线段位置标注的髋关节超声图像，并对每一髋关节超声图像中的每一关键线段分别生成热力图；以获取的髋关节超声图像为训练数据，以生成的热力图做训练目标，训练一个用于回归热力图的沙漏形神经网络；测试阶段，对于待分析的髋关节超声图像，通过训练好的沙漏形神经网络输出对应的热力图，再利用加权票选的方式从热力图中定位出每一关键线段位置，从而获得关键线段之间的夹角。上述方法基于神经网络生成热力图票选的方式自动的对髋关节超声图像进行分析，不仅加快了分析速度、提高了分析效率，还可以确保分析结果的准确性。

Description

髋关节超声图像自动分析方法
技术领域
本发明涉及机器学习、智能医学影像分析技术领域，尤其涉及一种髋关节超声图像自动分析方法。
背景技术
髋关节超声图像是常规医学影像中的一种，目前对于髋关节超声图像的分析大多由人工方式实现，还没有较为有效的自动分析方案。
但是，人工方式的缺陷在于：一方面，分析耗时较长，效率较低；另一方面，分析结果的准确性依赖于分析者的专业水平，因此，也难以保证分析结果的准确性。
发明内容
本发明的目的是提供一种髋关节超声图像自动分析方法，可以自动的、准确的实现髋关节超声图像分析。
本发明的目的是通过以下技术方案实现的：
一种髋关节超声图像自动分析方法，包括：
获取多个预先进行了若干关键线段位置标注的髋关节超声图像，并对每一髋关节超声图像中的每一关键线段分别生成热力图；
以获取的髋关节超声图像为训练数据，以生成的热力图做训练目标，训练一个用于回归热力图的沙漏形神经网络；
测试阶段，对于待分析的髋关节超声图像，通过训练好的沙漏形神经网络输出对应的热力图，再利用加权票选的方式从热力图中定位出每一关键线段位置，从而获得关键线段之间的夹角。
由上述本发明提供的技术方案可以看出，基于神经网络生成热力图票选的方式自动的对髋关节超声图像进行分析，不仅加快了分析速度、提高了分析效率，还可以确保分析结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种髋关节超声图像自动分析方法的流程图；
图2为本发明实施例提供的进行了关键线段位置标注的髋关节超声图像示意图；
图3为本发明实施例提供的基于关键线段位置标注的髋关节超声图像生成的热力图；
图4为本发明实施例提供的髋关节超声图像自动分析过程的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例提供一种髋关节超声图像自动分析方法，如图1所示，其主要包括：
步骤1、获取多个预先进行了若干关键线段位置标注的髋关节超声图像，并对每一髋关节超声图像中的每一关键线段分别生成热力图。
如图2所示，所述髋关节超声图像至少标注了三处关键线段位置，即基线、骨顶线和软骨顶线。这些关键线段位置都是预先由相关专家进行人工标注并校对。
本发明实施例中，每一关键线段生成的热力图包括：权重图与票选图。热力图的边长是髋关节超声图像的四分之一。如图3所示，从左到右分别表示标注的关键线段位置图、权重图、票选图。
图3中间图像为权重图，权重图内的点从亮到暗表示权重值从1到0，高斯衰减表达式为：
Figure BDA0002585769180000021
其中，Hw(l)表示第l个关键线段对应的权重图，d(i,j)表示权重图上坐标(i,j)的点到第l个关键线段的距离，上角标2表示距离的平方，σ是衰减方差(例如，设为4)。
票选图包括：x方向票选图与y方向票选图。图上的点向关键线段作垂线，该垂线分别在x和y方向上的值的大小，从而生成x方向票选图与y方向票选图。图3右侧图像为票选图，其包含了x方向票选图与y方向票选图，票选图中的从亮到暗表示像素值的从1到-1，表达式为：
Figure BDA0002585769180000031
其中，Hvx(l)和Hvy(l)表示第l个关键线段对应的x方向票选图与y方向票选图，Vx和Vy分别表示票选图上的点到第l个关键线段的垂线在x和y方向的分量，sgn是符号函数，M是归一化参数(例如，设为15)。
步骤2、以获取的髋关节超声图像为训练数据，以生成的热力图做训练目标，训练一个用于回归热力图的沙漏形神经网络。
示例性的，可以收集已有的超声图像数据，例如，共收集1170幅，将其中的791幅图像用于训练模型，另外349幅图像用于测试。
训练沙漏形神经网络之前，需要对髋关节超声图像进行预处理：按照设定的像素距离(例如，0.16mm)对图像进行缩放处理，并按照设定的尺寸大小(例如384×256)裁剪掉周边与超声无关的图像边缘。
依据标注的关键线段位置，生成的权重图。也就是对于每张超声图像，依据三个关键线段的位置，一共生成九幅热力图，一共在791幅这样的图像上进行了这样生成热力图操作，于是在训练阶段每一幅原图都对应了9幅热力图，作为神经网络的训练目标(目标热力图)。
如图4所示，示出了沙漏形神经网络的结构；所述沙漏形神经网络主要包括：卷积、池化、正则化、激活函数、最近邻采样和相加操作；
输入的髋关节超声图像经过残差模块进行特征提取，再经过正则化与激活函数后得到特征图。所述残差模块中需要提取输入的超声图像的底层特征，这些特征被用于后续的回归热力图任务。由于在卷积的过程中的直接结果是特征与原图的残差，因此被称为残差模块。示例性的，残差模块分别使用步长为2，大小为7×7的卷积核和步长为1，大小为3×3的卷积核相继在原图上初步的进行特征提取，经过正则化和激活函数后得到了特征图。本发明使用的激活函数是relu函数：
Figure BDA0002585769180000032
对于特征图进行多次下采样，每一次下采样将输入特征图的尺寸缩小一半，下采样包括卷积、正则化、激活函数与池化操作。示例性的，下采样包括步长为1，大小为3×3的卷积核的特征处理以及正则化、激活、池化的过程，其中池化的尺寸为2×2，将特征图的尺寸缩小了一半。经过了4次池化后，特征图的尺寸变成了通道数为256、尺寸为12×8的特征图。
对下采样结果进行一个卷积操作后开始进行上采样，经过多次上采样将输入特征图扩大到输入的髋关节超声图像的四分之一，也即热力图的尺寸；每一次上采样包括卷积、正则化、激活函数及最近邻采样操作。如图4所示，每一次上采样结束后，输出特征图会和下采样阶段产生的相同尺寸的特征图进行相加操作，以达到不同层次的特征融合。示例性的，尺寸为12×8的特征图经过一次卷积操作后，开始进行上采样；上采样包括步长为1，大小为3×3的卷积核特征处理以及正则化、激活、最近邻采样的过程，经过3次上采样，特征图的边长扩大到原图边长的四分之一。
如图4所示，第一次上采样获得的特征图与第三次下采样获得的特征图尺寸相同，将二者相加；然后对拼接得到的特征图进行第二次上采样，第二次上采样的特征图与第二次下采样获得的特征图尺寸相同，将二者将相加；最后，对拼接得到的特征图进行第三次上采样，第三次上采样的特征图与第一次下采样获得的特征图尺寸相同，将二者相加。
最终得到的特征图再经过卷积操作(例如，1×1的卷积)，获得相应的热力图，通道数和目标热力图的数量相同。
对于该沙漏形神经网络的训练，首先随机初始化神经网络中的参数，计算出神经网络输出的热力图和目标热力图之间的损失函数，利用损失函数对神经网络中参数进行求导，利用梯度下降的方法对参数进行一次更新，损失函数为：
Figure BDA0002585769180000041
其中，Hw、Hvx、Hvy分别代表目标热力图中的权重图、x方向票选图、y方向票选图，所述目标热力图，也即训练目标；
Figure BDA0002585769180000042
代表神经网络输出的权重图、x方向票选图、y方向票选图，λ是平衡权重图和票选图损失的参数(例如，可设为50)。
在每次训练集完成一批次对网络参数更新后，神经网络会对测试集的超声图像进行检测，输出的热力图进行图像分析，分析的结果如果优于前一批次训练，那么就保存新的网络参数。在训练大约200批次后，测试的分析效果达到稳定，就可以得到需要的神经网络参数进行超声图像的分析。
另外训练过程中会对图像数据进行一定程度的数据增强，包括图像旋转变换(-8°～+8°)、图像尺度变换(0.85～1.15)。
步骤3、测试阶段，对于待分析的髋关节超声图像，通过训练好的沙漏形神经网络输出对应的热力图，再利用加权票选的方式从热力图中定位出每一关键线段位置，从而获得关键线段之间的夹角。
测试阶段生成热力图的过程与训练阶段相同，可参照图4所示流程；参照前述方式生成的热力图包含了三幅图，一幅是权重图(目标是高斯函数生成的，离线段越近值越大，也意味着权重越高)，另外两幅票选图表示距离线段的距离(x方向y方向)，每个像素点计算与线段距离，离线段越远越大，这样每个像素位置利用这三幅图可以生成一个带权重的向量，每个像素都独立判断线段的位置。基于上述原理利用加权票选的方式从热力图中定位出每一关键线段位置，主要过程如下：
热力图尺寸上的每个像素，根据权重图和票选图的值，带权重的指向另一个像素位置，经过每个像素的加权票选后，得到了一幅投票图V(x,y)，投票图V(x,y)中当前像素的值由指向当前像素的热力图加权累计而来，对于加权累计大于权重阈值Thre的像素，令像素值为255，其他的位置为0：
Figure BDA0002585769180000051
其中，(i,j)表示参与投票的像素位置，MHv为相应像素点投票的向量；(x,y)表示(i,j)位置加上向量MHv所选中的位置；示例性的，可设置Thre＝0.4。上述过程是叠加聚合每个像素位置的投票权重，可以理解为一幅图所有的像素点要参与投票，(i,j)按照票选方向MHv移动到了(x,y)位置处，像素值就是权重，累计的权重大于Thre确定为255，小于的投票就会被筛除。
投票图V(x,y)经过直线拟合后定位出每一目标关键线段的位置，示例性的，直线拟合采用阶段函数进行拟合，可以通过Opencv库的fitLine函数实现。
本发明实施例中，直线拟合是优化如下损失函数：
Figure BDA0002585769180000052
其中，r表示待拟合点到目标关键线段的距离，ρ(r)表示待优化函数，C是opencv的fitLine函数中内置的超参数，表示直线拟合中的拟合半径，示例性的，C＝1.345。
最终，根据定位出的目标关键线段的位置，推断关键线段之间的夹角。如图3与图4所示，关键线段之间的夹角至少包括：基线与骨顶线的夹角α，以及基线与软骨顶线的夹角β。
通过本发明实施例提供的上述方案获得相关分析结果后，可以做一些科研分析、实验分析、或者相关操作人员培训等工作，但是后续具体应用方式本发明不做限定。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，可轻易想到的变化或替换，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该以权利要求书的保护范围为准。

Claims (8)

1.一种髋关节超声图像自动分析方法，其特征在于，包括：
获取多个预先进行了若干关键线段位置标注的髋关节超声图像，并对每一髋关节超声图像中的每一关键线段分别生成热力图；
以获取的髋关节超声图像为训练数据，以生成的热力图做训练目标，训练一个用于回归热力图的沙漏形神经网络；
测试阶段，对于待分析的髋关节超声图像，通过训练好的沙漏形神经网络输出对应的热力图，再利用加权票选的方式从热力图中定位出每一关键线段位置，从而获得关键线段之间的夹角。
2.根据权利要求1所述的一种髋关节超声图像自动分析方法，其特征在于，训练沙漏形神经网络之前，对髋关节超声图像进行预处理：按照设定的像素距离对图像进行缩放处理，并按照设定的尺寸大小裁剪掉周边与超声无关的图像边缘。
3.根据权利要求1所述的一种髋关节超声图像自动分析方法，其特征在于，每一关键线段生成的热力图包括：权重图与票选图；其中：
权重图内的点从亮到暗表示权重值从1到0，高斯衰减表达式为：
Figure FDA0002585769170000011
其中，Hw(l)表示第l个关键线段对应的权重图，d(i,j)表示权重图上坐标(i,j)的点到第l个关键线段的距离，σ是衰减方差；
票选图包括：x方向票选图与y方向票选图，票选图中的从亮到暗表示像素值的从1到-1，表达式为：
Figure FDA0002585769170000012
其中，Hvx(l)和Hvy(l)表示第l个关键线段对应的x方向票选图与y方向票选图，Vx和Vy分别表示票选图上的点到第l个关键线段的垂线在x和y方向的分量，sgn是符号函数，M是归一化参数。
4.根据权利要求1所述的一种髋关节超声图像自动分析方法，其特征在于，所述沙漏形神经网络包括：卷积、池化、正则化、激活函数、最近邻采样和相加操作；
输入的髋关节超声图像经过残差模块进行特征提取，再经过正则化与激活函数后得到特征图；
对于特征图进行多次下采样，每一次下采样将输入特征图的尺寸缩小一半，下采样包括卷积、正则化、激活函数与池化操作；
对下采样结果进行一个卷积操作后开始进行上采样，经过多次上采样将输入特征图扩大到输入的髋关节超声图像的四分之一，也即热力图的尺寸；每一次上采样包括卷积、正则化、激活函数及最近邻采样操作；每一次上采样结束后，输出特征图会和下采样阶段产生的相同尺寸的特征图进行相加操作；
最终得到的特征图再经过卷积操作，获得相应的热力图。
5.根据权利要求1或3或4所述的一种髋关节超声图像自动分析方法，其特征在于，对于该沙漏形神经网络的训练，首先随机初始化神经网络中的参数，计算出神经网络输出的热力图和目标热力图之间的损失函数，利用损失函数对神经网络中参数进行求导，利用梯度下降的方法对参数进行一次更新，损失函数为：
Figure FDA0002585769170000021
其中，Hw、Hvx、Hvy分别代表目标热力图中的权重图、x方向票选图、y方向票选图，所述目标热力图，也即训练目标；
Figure FDA0002585769170000022
代表神经网络输出的权重图、x方向票选图、y方向票选图，λ是平衡权重图和票选图损失的参数。
6.根据权利要求1所述的一种髋关节超声图像自动分析方法，其特征在于，所述利用加权票选的方式从热力图中定位出每一关键线段位置包括：
所述热力图包括：权重图与票选图；热力图尺寸上的每个像素，根据权重图Hw和票选图的值，带权重的指向另一个像素位置，经过每个像素的加权票选后，得到了一幅投票图V(x,y)，投票图V(x,y)中当前像素的值由指向当前像素的热力图加权累计而来，对于加权累计大于权重阈值Thre的像素，令像素值为255，其他的位置为0：
Figure FDA0002585769170000023
其中，(i,j)表示参与投票的像素位置，MHv为相应像素点投票的向量；(x,y)表示(i,j)位置加上向量MHv所选中的位置；
投票图V(x,y)经过直线拟合后定位出每一目标关键线段的位置。
7.根据权利要求6所述的一种髋关节超声图像自动分析方法，其特征在于，直线拟合是优化如下损失函数：
Figure FDA0002585769170000031
其中，r表示待拟合点到目标关键线段的距离，ρ(r)表示待优化函数，C表示直线拟合中的拟合半径。
8.根据权利要求1或6所述的一种髋关节超声图像自动分析方法，其特征在于，所述髋关节超声图像至少标注了三处关键线段位置，即基线、骨顶线和软骨顶线；关键线段之间的夹角包括：基线与骨顶线的夹角，以及基线与软骨顶线的夹角。
CN202010680820.5A 2020-07-15 2020-07-15 髋关节超声图像自动分析方法 Active CN111882531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680820.5A CN111882531B (zh) 2020-07-15 2020-07-15 髋关节超声图像自动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680820.5A CN111882531B (zh) 2020-07-15 2020-07-15 髋关节超声图像自动分析方法

Publications (2)

Publication Number Publication Date
CN111882531A true CN111882531A (zh) 2020-11-03
CN111882531B CN111882531B (zh) 2021-08-17

Family

ID=73150792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680820.5A Active CN111882531B (zh) 2020-07-15 2020-07-15 髋关节超声图像自动分析方法

Country Status (1)

Country Link
CN (1) CN111882531B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348883A (zh) * 2020-11-24 2021-02-09 中国科学院自动化研究所 血管介入手术中介入器械端点实时定位系统、方法、装置
CN112790790A (zh) * 2020-12-23 2021-05-14 居天医疗科技(深圳)有限公司 基于ai识别的运动关节损伤检测设备
CN115239720A (zh) * 2022-09-22 2022-10-25 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院) 基于经典Graf的DDH超声影像人工智能诊断系统及方法
WO2023029896A1 (zh) * 2021-09-01 2023-03-09 北京长木谷医疗科技有限公司 基于强化学习的髋臼杯位置调整方法、装置及存储介质
CN117576375A (zh) * 2023-11-27 2024-02-20 北京长木谷医疗科技股份有限公司 基于深度学习算法的髋关节病变识别方法、装置及设备

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537838A (zh) * 2018-03-13 2018-09-14 北京理工大学 一种髋关节骨性髋臼角度的检测方法
CN109409994A (zh) * 2018-10-15 2019-03-01 北京京东金融科技控股有限公司 模拟用户穿戴服装饰品的方法、装置和系统
CN109492580A (zh) * 2018-11-08 2019-03-19 北方工业大学 一种基于全卷积网络的领域显著性参照的多尺寸航拍图像定位方法
CN109544537A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN109544536A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN109978753A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 绘制全景热力图的方法和装置
CN110287970A (zh) * 2019-06-25 2019-09-27 电子科技大学 一种基于cam与掩盖的弱监督物体定位方法
CN110738654A (zh) * 2019-10-18 2020-01-31 中国科学技术大学 髋关节影像中的关键点提取及骨龄预测方法
CN110796472A (zh) * 2019-09-02 2020-02-14 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
CN110796620A (zh) * 2019-10-29 2020-02-14 广州华端科技有限公司 乳腺断层重建图像的层间伪影抑制方法和装置
CN110895809A (zh) * 2019-10-18 2020-03-20 中国科学技术大学 准确提取髋关节影像中关键点的方法
CN110991319A (zh) * 2019-11-29 2020-04-10 广州市百果园信息技术有限公司 手部关键点检测方法、手势识别方法及相关装置
CN111126416A (zh) * 2019-12-12 2020-05-08 创新奇智(重庆)科技有限公司 基于关键点检测的发动机链轮识别系统及识别方法
CN111178298A (zh) * 2019-12-31 2020-05-19 北京达佳互联信息技术有限公司 人体关键点检测方法、装置、电子设备及存储介质
CN111274943A (zh) * 2020-01-19 2020-06-12 深圳市商汤科技有限公司 一种检测方法、装置、电子设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978753A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 绘制全景热力图的方法和装置
CN108537838A (zh) * 2018-03-13 2018-09-14 北京理工大学 一种髋关节骨性髋臼角度的检测方法
CN109409994A (zh) * 2018-10-15 2019-03-01 北京京东金融科技控股有限公司 模拟用户穿戴服装饰品的方法、装置和系统
CN109492580A (zh) * 2018-11-08 2019-03-19 北方工业大学 一种基于全卷积网络的领域显著性参照的多尺寸航拍图像定位方法
CN109544537A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN109544536A (zh) * 2018-11-26 2019-03-29 中国科学技术大学 髋关节x光图像快速自动分析方法
CN110287970A (zh) * 2019-06-25 2019-09-27 电子科技大学 一种基于cam与掩盖的弱监督物体定位方法
CN110796472A (zh) * 2019-09-02 2020-02-14 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
CN110738654A (zh) * 2019-10-18 2020-01-31 中国科学技术大学 髋关节影像中的关键点提取及骨龄预测方法
CN110895809A (zh) * 2019-10-18 2020-03-20 中国科学技术大学 准确提取髋关节影像中关键点的方法
CN110796620A (zh) * 2019-10-29 2020-02-14 广州华端科技有限公司 乳腺断层重建图像的层间伪影抑制方法和装置
CN110991319A (zh) * 2019-11-29 2020-04-10 广州市百果园信息技术有限公司 手部关键点检测方法、手势识别方法及相关装置
CN111126416A (zh) * 2019-12-12 2020-05-08 创新奇智(重庆)科技有限公司 基于关键点检测的发动机链轮识别系统及识别方法
CN111178298A (zh) * 2019-12-31 2020-05-19 北京达佳互联信息技术有限公司 人体关键点检测方法、装置、电子设备及存储介质
CN111274943A (zh) * 2020-01-19 2020-06-12 深圳市商汤科技有限公司 一种检测方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHUANBIN LIU等: "Misshapen Pelvis Landmark Detection With Local-Global Feature Learning for Diagnosing Developmental Dysplasia of the Hip", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
夏瀚笙: "基于Stacked Hourglass网络的二维人体骨骼关键点检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王京: "基于深度学习的康复病人步态分析方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王梓任: "人体关节点多视角融合和人体姿态估计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348883A (zh) * 2020-11-24 2021-02-09 中国科学院自动化研究所 血管介入手术中介入器械端点实时定位系统、方法、装置
CN112790790A (zh) * 2020-12-23 2021-05-14 居天医疗科技(深圳)有限公司 基于ai识别的运动关节损伤检测设备
WO2023029896A1 (zh) * 2021-09-01 2023-03-09 北京长木谷医疗科技有限公司 基于强化学习的髋臼杯位置调整方法、装置及存储介质
CN115239720A (zh) * 2022-09-22 2022-10-25 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院) 基于经典Graf的DDH超声影像人工智能诊断系统及方法
CN117576375A (zh) * 2023-11-27 2024-02-20 北京长木谷医疗科技股份有限公司 基于深度学习算法的髋关节病变识别方法、装置及设备

Also Published As

Publication number Publication date
CN111882531B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN111882531B (zh) 髋关节超声图像自动分析方法
CN110335290B (zh) 基于注意力机制的孪生候选区域生成网络目标跟踪方法
US20210027532A1 (en) Primitive-based 3d building modeling, sensor simulation, and estimation
CN111160269A (zh) 一种人脸关键点检测方法及装置
CN111612008B (zh) 基于卷积网络的图像分割方法
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN108830170B (zh) 一种基于分层特征表示的端到端目标跟踪方法
CN112365511B (zh) 基于重叠区域检索与对齐的点云分割方法
US20220415007A1 (en) Image normalization processing
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN111429481B (zh) 一种基于自适应表达的目标追踪方法、装置及终端
Huang et al. Sparse self-attention transformer for image inpainting
Li et al. A single view leaf reconstruction method based on the fusion of ResNet and differentiable render in plant growth digital twin system
CN115439694A (zh) 一种基于深度学习的高精度点云补全方法及装置
CN112966553A (zh) 基于孪生网络的强耦合目标跟踪方法、装置、介质及设备
CN112215217A (zh) 模拟医师阅片的数字图像识别方法及装置
Pugliatti et al. On-board Small-Body Semantic Segmentation Based on Morphological Features with U-Net
CN110334584B (zh) 一种基于区域全卷积网络的手势识别方法
CN113496148A (zh) 一种多源数据融合方法及系统
CN114596503A (zh) 一种基于遥感卫星影像的道路提取方法
Murugan et al. A novel CNN method for the accurate spatial data recovery from digital images
Tao Erasing-inpainting-based data augmentation using denoising diffusion probabilistic models with limited samples for generalized surface defect inspection
CN113343900A (zh) 基于cnn与超像素结合的组合核遥感影像目标检测方法
CN113128446A (zh) 一种基于信念图增强网络的人体姿态估计方法
CN112800851A (zh) 基于全卷积神经元网络的水体轮廓自动提取方法及系统

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