CN112102305A - 多骨骼发育等级检测方法及终端设备 - Google Patents
多骨骼发育等级检测方法及终端设备 Download PDFInfo
- Publication number
- CN112102305A CN112102305A CN202011019032.8A CN202011019032A CN112102305A CN 112102305 A CN112102305 A CN 112102305A CN 202011019032 A CN202011019032 A CN 202011019032A CN 112102305 A CN112102305 A CN 112102305A
- Authority
- CN
- China
- Prior art keywords
- skeleton
- detection model
- development
- trained
- level detection
- 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
- 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
- G06T2207/20—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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于骨龄技术领域,公开了一种多骨骼发育等级检测方法及终端设备,上述方法包括:获取多骨骼图像;多骨骼图像为包含至少两个待检测骨骼的图像;获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级;将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。本发明通过一个具有多个输出分支的多骨骼发育等级检测模型就可以同时检测多个骨骼的发育等级,无需同时运行多个检测模型,可以节约资源,提高检测效率。
Description
技术领域
本发明属于骨龄技术领域,尤其涉及一种多骨骼发育等级检测方法及终端设备。
背景技术
在骨龄领域,在对骨骼的发育等级进行检测时,通常是一个骨骼对应一个检测模型。在骨骼集中的部分,例如,腕骨部分有7块骨骼,首先需要运行一个骨骼检测模型区分出待检测图像中的各个骨骼的区域,然后将待检测图像切割成多个图像,每个切割后的图像需要运行一个等级检测模型进行等级检测,需要同时运行多个模型才能检测得到多个骨骼的发育等级。但是,同时运行多个模型资源消耗大,且检测效率低。
发明内容
有鉴于此,本发明实施例提供了一种多骨骼发育等级检测方法及终端设备,以解决现有技术资源消耗大且检测效率低的问题。
本发明实施例的第一方面提供了一种多骨骼发育等级检测方法,包括:
获取多骨骼图像;多骨骼图像为包含至少两个待检测骨骼的图像;
获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级;
将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。
本发明实施例的第二方面提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面所述多骨骼发育等级检测方法的步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被一个或多个处理器执行时实现如第一方面所述多骨骼发育等级检测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例首先获取多骨骼图像,多骨骼图像为包含至少两个待检测骨骼的图像;获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级,然后将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。通过一个具有多个输出分支的多骨骼发育等级检测模型就可以同时检测多个骨骼的发育等级,无需同时运行多个检测模型,可以节约资源,提高检测效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的多骨骼发育等级检测方法的实现流程示意图;
图2是本发明一实施例提供的多骨骼发育等级检测系统的示意框图;
图3是本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是本发明一实施例提供的多骨骼发育等级检测方法的实现流程示意图,为了便于说明,仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是终端设备。如图1所示,该方法可以包括以下步骤:
S101:获取多骨骼图像;多骨骼图像为包含至少两个待检测骨骼的图像;。
其中,多骨骼图像为待检测发育等级的骨骼的图像,可以包括两个或两个以上待检测发育等级的骨骼。
S102:获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级。
具体地,在多骨骼发育等级检测模型中,至少两个输出分支共用特征提取层,只是在中间层分出至少两个分支,用于根据不同的底层特征输出不同的待检测骨骼的发育等级。
在本发明的一个实施例中,多骨骼图像为腕骨图像,多骨骼发育等级检测模型包括七个输出分支。
在一个具体的应用场景中,多骨骼发育等级检测模型可以用于检测腕骨部分的各个骨骼的发育等级。腕骨部分包括7个骨骼,对应的多骨骼发育等级检测模型可以包括七个输出分支,一一对应输出每个骨骼的发育等级。当然,多骨骼发育等级检测模型也可以包括多于七个的输出分支,其中七个输出分支一一对应输出每个骨骼的发育等级,剩余的输出分支闲置。
多骨骼图像也可以是其它部分的骨骼图像,在此不做具体限制。
在本发明的一个实施例中,在上述S102之前,上述多骨骼发育等级检测方法还可以包括以下步骤:
构建单骨骼发育等级检测模型,单骨骼发育等级检测模型包括一个输出分支;
对单骨骼发育等级检测模型进行训练,得到训练后的单骨骼发育等级检测模型,并冻结训练后的单骨骼发育等级检测模型中的参数;
在训练后的单骨骼发育等级检测模型的中间层新增输出分支,并对新增的输出分支进行训练,得到训练后的多骨骼发育等级检测模型。
在本发明的一个实施例中,上述在训练后的单骨骼发育等级检测模型的中间层新增输出分支,并对新增的输出分支进行训练,得到训练后的多骨骼发育等级检测模型,可以包括:
在训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型;
对第一骨骼发育等级检测模型中的新增的输出分支进行训练,得到训练后的第一骨骼发育等级检测模型;
将训练后的第一骨骼发育等级检测模型作为新的训练后的单骨骼发育等级检测模型,并跳转至在训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型的步骤循环执行,直至训练后的第一骨骼发育等级检测模型的输出分支的数量达到预设数量;
将输出分支的数量达到预设数量的训练后的第一骨骼发育等级检测模型记为训练后的多骨骼发育等级检测模型。
其中,单骨骼发育等级检测模型可以是任意一个可以实现骨骼的发育等级检测的卷积神经网络模型,在此不做具体限制。
具体地,采用现有方法对单骨骼发育等级检测模型进行训练,使得训练后的单骨骼发育等级检测模型达到理想效果。冻结训练后的单骨骼发育等级检测模型的所有参数,即在后续训练过程中,单骨骼发育等级检测模型的所有参数不再发生变化。
在训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型,此时,第一骨骼发育等级检测模型包括两个输出分支。采用现有方法对第一骨骼发育等级检测模型中的新增的输出分支进行训练,得到训练后的第一骨骼发育等级检测模型,冻结训练后的第一骨骼发育等级检测模型的参数,即在后续训练过程中,其参数不会发生变化。循环执行上述新增输出分支,训练输出分支的过程,直至训练后的第一骨骼发育等级检测模型的输出分支的数量达到预设数量,此时的训练后的第一骨骼发育等级检测模型即为训练后的多骨骼发育等级检测模型。
其中,预设数量可以根据实际需求进行设置。例如,可以为7个。
示例性地,单骨骼发育等级检测模型可以是EfficientNetB3模型,该模型总共有238层,分支节点(即新增输出分支的节点)可以选取在block5c_add层的后面,即第160层。
每个输出分支均包含卷积层、池化层、激活层等直到最后的输出层,类似一颗树从树干长出的分支。
在本发明的一个实施例中,在对每个新增的输出分支进行训练时,均采用交叉熵作为损失函数。
在本发明实施例中,在每次训练时,输出分支均单独采用交叉熵(cross-entropy)作为损失函数。
上述多骨骼发育等级检测模型的构建过程,可以保证后续新增输出分支不会影响已有输出分支,该模型既可以复用底层的特征,又能够将应该关注不同区域的高层特征区分开,适用于多个骨骼的发育等级检测。
S103:将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。
在本发明实施例中,多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。将多骨骼图像输入训练后的多骨骼发育等级检测模型中,可以得到多骨骼图像中的每个待检测骨骼的发育等级。
由上述描述可知,本发明实施例首先获取多骨骼图像,多骨骼图像为包含至少两个待检测骨骼的图像;获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级,然后将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。通过一个具有多个输出分支的多骨骼发育等级检测模型就可以同时检测多个骨骼的发育等级,无需同时运行多个检测模型,可以节约资源,提高检测效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上述多骨骼发育等级检测方法,本发明一实施例还提供了一种多骨骼发育等级检测系统,具有与上述多骨骼发育等级检测方法同样的有益效果。图2是本发明一实施例提供的多骨骼发育等级检测系统的示意框图,为了便于说明,仅示出与本发明实施例相关的部分。
在本发明实施例中,多骨骼发育等级检测系统30可以包括图像获取模块301、模型获取模块302和检测模块303。
其中,图像获取模块301,用于获取多骨骼图像;多骨骼图像为包含至少两个待检测骨骼的图像;
模型获取模块302,用于获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级;
检测模块303,用于将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。
可选地,多骨骼发育等级检测系统30还可以包括模型构建模块。
模型构建模块用于:
构建单骨骼发育等级检测模型,单骨骼发育等级检测模型包括一个输出分支;
对单骨骼发育等级检测模型进行训练,得到训练后的单骨骼发育等级检测模型,并冻结训练后的单骨骼发育等级检测模型中的参数;
在训练后的单骨骼发育等级检测模型的中间层新增输出分支,并对新增的输出分支进行训练,得到训练后的多骨骼发育等级检测模型。
可选地,模型构建模块还用于:
在训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型;
对第一骨骼发育等级检测模型中的新增的输出分支进行训练,得到训练后的第一骨骼发育等级检测模型;
将训练后的第一骨骼发育等级检测模型作为新的训练后的单骨骼发育等级检测模型,并跳转至在训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型的步骤循环执行,直至训练后的第一骨骼发育等级检测模型的输出分支的数量达到预设数量;
将输出分支的数量达到预设数量的训练后的第一骨骼发育等级检测模型记为训练后的多骨骼发育等级检测模型。
可选地,在模型构建模块中,在对每个新增的输出分支进行训练时,均采用交叉熵作为损失函数。
可选地,多骨骼图像为腕骨图像,多骨骼发育等级检测模型包括七个输出分支。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述多骨骼发育等级检测系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3是本发明一实施例提供的终端设备的示意框图。如图3所示,该实施例的终端设备40包括:一个或多个处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各个多骨骼发育等级检测方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器401执行所述计算机程序403时实现上述多骨骼发育等级检测系统实施例中各模块/单元的功能,例如图2所示模块301至303的功能。
示例性地,所述计算机程序403可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器402中,并由所述处理器401执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序403在所述终端设备40中的执行过程。例如,所述计算机程序403可以被分割成图像获取模块、模型获取模块和检测模块,各模块具体功能如下:
图像获取模块,用于获取多骨骼图像;多骨骼图像为包含至少两个待检测骨骼的图像;
模型获取模块,用于获取训练后的多骨骼发育等级检测模型;其中,多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级;
检测模块,用于将多骨骼图像输入训练后的多骨骼发育等级检测模型中,得到多骨骼图像中的每个待检测骨骼的发育等级;多骨骼发育等级检测模型的输出分支的数量大于或等于多骨骼图像中的待检测骨骼的数量。
其它模块或者单元可参照图2所示的实施例中的描述,在此不再赘述。
所述终端设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备40包括但不仅限于处理器401、存储器402。本领域技术人员可以理解,图3仅仅是终端设备40的一个示例,并不构成对终端设备40的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备40还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器401可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备40的内部存储单元,例如终端设备40的硬盘或内存。所述存储器402也可以是所述终端设备40的外部存储设备,例如所述终端设备40上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器402还可以既包括终端设备40的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序403以及所述终端设备40所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的多骨骼发育等级检测系统和方法,可以通过其它的方式实现。例如,以上所描述的多骨骼发育等级检测系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种多骨骼发育等级检测方法,其特征在于,包括:
获取多骨骼图像;所述多骨骼图像为包含至少两个待检测骨骼的图像;
获取训练后的多骨骼发育等级检测模型;其中,所述多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级;
将所述多骨骼图像输入所述训练后的多骨骼发育等级检测模型中,得到所述多骨骼图像中的每个待检测骨骼的发育等级;所述多骨骼发育等级检测模型的输出分支的数量大于或等于所述多骨骼图像中的待检测骨骼的数量。
2.根据权利要求1所述的多骨骼发育等级检测方法,其特征在于,在所述获取训练后的多骨骼发育等级检测模型之前,所述多骨骼发育等级检测方法还包括:
构建单骨骼发育等级检测模型,所述单骨骼发育等级检测模型包括一个输出分支;
对所述单骨骼发育等级检测模型进行训练,得到训练后的单骨骼发育等级检测模型,并冻结所述训练后的单骨骼发育等级检测模型中的参数;
在所述训练后的单骨骼发育等级检测模型的中间层新增输出分支,并对新增的输出分支进行训练,得到所述训练后的多骨骼发育等级检测模型。
3.根据权利要求2所述的多骨骼发育等级检测方法,其特征在于,所述在所述训练后的单骨骼发育等级检测模型的中间层新增输出分支,并对新增的输出分支进行训练,得到所述训练后的多骨骼发育等级检测模型,包括:
在所述训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型;
对所述第一骨骼发育等级检测模型中的新增的输出分支进行训练,得到训练后的第一骨骼发育等级检测模型;
将所述训练后的第一骨骼发育等级检测模型作为新的训练后的单骨骼发育等级检测模型,并跳转至所述在所述训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型的步骤循环执行,直至训练后的第一骨骼发育等级检测模型的输出分支的数量达到预设数量;
将输出分支的数量达到预设数量的训练后的第一骨骼发育等级检测模型记为训练后的多骨骼发育等级检测模型。
4.根据权利要求2所述的多骨骼发育等级检测方法,其特征在于,在对每个新增的输出分支进行训练时,均采用交叉熵作为损失函数。
5.根据权利要求1至4任一项所述的多骨骼发育等级检测方法,其特征在于,所述多骨骼图像为腕骨图像,所述多骨骼发育等级检测模型包括七个输出分支。
6.一种多骨骼发育等级检测系统,其特征在于,包括:
图像获取模块,用于获取多骨骼图像;所述多骨骼图像为包含至少两个待检测骨骼的图像;
模型获取模块,用于获取训练后的多骨骼发育等级检测模型;其中,所述多骨骼发育等级检测模型包括至少两个输出分支,每个输出分支输出一个待检测骨骼的发育等级;
检测模块,用于将所述多骨骼图像输入所述训练后的多骨骼发育等级检测模型中,得到所述多骨骼图像中的每个待检测骨骼的发育等级;所述多骨骼发育等级检测模型的输出分支的数量大于或等于所述多骨骼图像中的待检测骨骼的数量。
7.根据权利要求6所述的多骨骼发育等级检测系统,其特征在于,还包括:模型构建模块;
所述模型构建模块用于:
构建单骨骼发育等级检测模型,所述单骨骼发育等级检测模型包括一个输出分支;
对所述单骨骼发育等级检测模型进行训练,得到训练后的单骨骼发育等级检测模型,并冻结所述训练后的单骨骼发育等级检测模型中的参数;
在所述训练后的单骨骼发育等级检测模型的中间层新增输出分支,并对新增的输出分支进行训练,得到所述训练后的多骨骼发育等级检测模型。
8.根据权利要求7所述的多骨骼发育等级检测系统,其特征在于,所述模型构建模块还用于:
在所述训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型;
对所述第一骨骼发育等级检测模型中的新增的输出分支进行训练,得到训练后的第一骨骼发育等级检测模型;
将所述训练后的第一骨骼发育等级检测模型作为新的训练后的单骨骼发育等级检测模型,并跳转至所述在所述训练后的单骨骼发育等级检测模型的中间层新增一个输出分支,得到第一骨骼发育等级检测模型的步骤循环执行,直至训练后的第一骨骼发育等级检测模型的输出分支的数量达到预设数量;
将输出分支的数量达到预设数量的训练后的第一骨骼发育等级检测模型记为训练后的多骨骼发育等级检测模型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述多骨骼发育等级检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如权利要求1至5任一项所述多骨骼发育等级检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019032.8A CN112102305A (zh) | 2020-09-24 | 2020-09-24 | 多骨骼发育等级检测方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019032.8A CN112102305A (zh) | 2020-09-24 | 2020-09-24 | 多骨骼发育等级检测方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102305A true CN112102305A (zh) | 2020-12-18 |
Family
ID=73755534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011019032.8A Pending CN112102305A (zh) | 2020-09-24 | 2020-09-24 | 多骨骼发育等级检测方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102305A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378831A (zh) * | 2021-05-07 | 2021-09-10 | 太原理工大学 | 一种小鼠胚胎器官识别与评分方法与系统 |
-
2020
- 2020-09-24 CN CN202011019032.8A patent/CN112102305A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378831A (zh) * | 2021-05-07 | 2021-09-10 | 太原理工大学 | 一种小鼠胚胎器官识别与评分方法与系统 |
CN113378831B (zh) * | 2021-05-07 | 2022-05-10 | 太原理工大学 | 一种小鼠胚胎器官识别与评分方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102019106669A1 (de) | Verfahren und anordnungen zum verwalten von speicher in kaskadierten neuronalen netzen | |
CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
CN109858613B (zh) | 一种深度神经网络的压缩方法、系统及终端设备 | |
CN115880132B (zh) | 图形处理器、矩阵乘法任务处理方法、装置及存储介质 | |
CN108121688A (zh) | 一种计算方法及相关产品 | |
CN111353591A (zh) | 一种计算装置及相关产品 | |
CN114626503A (zh) | 模型的训练方法、目标检测方法、装置、电子设备及介质 | |
CN109697083B (zh) | 数据的定点化加速方法、装置、电子设备及存储介质 | |
CN111210004B (zh) | 卷积计算方法、卷积计算装置及终端设备 | |
CN112102305A (zh) | 多骨骼发育等级检测方法及终端设备 | |
CN110059809B (zh) | 一种计算装置及相关产品 | |
CN109711540B (zh) | 一种计算装置及板卡 | |
CN110738317A (zh) | 基于fpga的可变形卷积网络运算方法、装置和系统 | |
CN114154392A (zh) | 基于区块链和联邦学习的模型共建方法、装置及设备 | |
CN111178513B (zh) | 神经网络的卷积实现方法、卷积实现装置及终端设备 | |
CN111027669A (zh) | 在现场可编程门阵列上实现深度神经网络的方法及装置 | |
CN110677671A (zh) | 一种图像压缩方法、装置及终端设备 | |
CN107861990B (zh) | 一种视频搜索方法及系统、终端设备 | |
US20210224632A1 (en) | Methods, devices, chips, electronic apparatuses, and storage media for processing data | |
CN111078821B (zh) | 字典设置方法、装置、介质及电子设备 | |
CN111381875B (zh) | 数据比较器、数据处理方法、芯片及电子设备 | |
CN112712015A (zh) | 一种人体关键点识别方法、装置、智能终端及存储介质 | |
CN111047024A (zh) | 一种计算装置及相关产品 | |
CN116805155B (zh) | 一种lstm网络处理方法、装置、设备及可读存储介质 | |
CN109308327A (zh) | 基于子图模型兼容点中心模型的图计算方法装置介质设备 |
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 |