CN112150463A - 用于确定黄斑中心凹位置的方法及装置 - Google Patents
用于确定黄斑中心凹位置的方法及装置 Download PDFInfo
- Publication number
- CN112150463A CN112150463A CN202011145115.1A CN202011145115A CN112150463A CN 112150463 A CN112150463 A CN 112150463A CN 202011145115 A CN202011145115 A CN 202011145115A CN 112150463 A CN112150463 A CN 112150463A
- Authority
- CN
- China
- Prior art keywords
- point
- characteristic
- mapping
- image
- feature
- 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 54
- 210000002189 macula lutea Anatomy 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 125
- 238000006073 displacement reaction Methods 0.000 claims abstract description 65
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 27
- 206010025421 Macule Diseases 0.000 claims abstract description 18
- 210000000873 fovea centralis Anatomy 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000003902 lesion Effects 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请公开了一种用于确定黄斑中心凹位置的方法和装置，涉及智慧医疗、计算机视觉等人工智能技术领域。具体实现方案为：从待处理的眼底图像中确定出特征区域，特征区域包括眼底图像中的视盘区域和血管区域；采用预先训练的位置预测模型，估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移；基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，得到映射点集合；基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置。提高了黄斑中心凹的定位准确度，并可以避免病变遮挡对于定位准确度的影响。
Description
技术领域
本申请公开了一种用于确定黄斑中心凹位置的方法及装置，涉及人工智能技术领域，具体涉及智慧医疗、计算机视觉领域。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
黄斑中心凹定位技术在眼底筛查项目、多种病变分类等项目发挥着十分重要的作用，相关技术中确定眼底图像中黄斑中心凹的方法，通常包括如下三种：1)通过检测像素明暗变化来定位黄斑中心凹的位置；2)利用视盘亮度较高的特点通过阈值法定位视盘，然后搜索视盘周边区域，利用形态学和特征提取技术定位黄斑中心，最后提取黄斑区感兴趣区域；3)神经网络检测黄斑中心凹，在原图基础上生成以标记的中心凹为中心的高斯heatmap(热图)，然后采用分割网络去学习原图的高斯heatmap，并从眼底图像中寻找heatmap置信度最高的点，从而推导出黄斑中心凹的位置。以上三种方法对于黄斑中心凹的定位准确度较低。
发明内容
提供了一种用于确定黄斑中心凹位置的方法、装置、设备以及存储介质。
根据第一方面，提供了一种用于确定黄斑中心凹位置的方法，该方法包括：从待处理的眼底图像中确定出特征区域，特征区域包括眼底图像中的视盘区域和血管区域；采用预先训练的位置预测模型，估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移；基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，得到映射点集合；基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置。
在一些实施例中，基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置，包括：采用预设的滑窗遍历眼底图像，将框选映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。
在一些实施例中，基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置之前，方法还包括：响应于映射点对应的特征点的数量小于预设阈值，将该映射点从映射点集合中删除。
在一些实施例中，基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置之前，方法还包括：响应于映射点的位置处于预设区域之外，将该映射点从映射点集合中删除。
在一些实施例中，该方法还包括：基于特征区域以及特征点的相对于黄斑中心凹预测位置的相对位移，生成特征图像，特征图像的尺寸与眼底图像一致，特征图像为三通道图像，其中，第一通道中各像素点的第一特征值用于表征该像素点为特征点的置信度；第二通道中各特征点的第二特征值用于表征该特征点相对于黄斑中心凹预测位置的横向相对位移；第三通道中各特征点的第三特征值用于表征该特征点相对于黄斑中心凹预测位置的纵向相对位移；以及，输出特征图像。
在一些实施例中，基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，包括：在特征图像中，将每个特征点映射至该特征点的相对位移指向的像素点，将该像素点确定为该特征点对应的映射点；将映射点在特征图像中的位置确定为映射点在眼底图像中的位置。
根据第二方面，提供了一种用于确定黄斑中心凹位置的装置，该装置包括：特征提取单元，被配置成从待处理的眼底图像中确定出特征区域，特征区域包括眼底图像中的视盘区域和血管区域；位置预测单元，被配置成采用预先训练的位置预测模型，估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移；位移映射单元，被配置成基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，得到映射点集合；位置确定单元，被配置成基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置。
在一些实施例中，位置确定单元被进一步配置成：采用预设的滑窗遍历眼底图像，将框选映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。
在一些实施例中，该装置还包括质量评估单元，被配置成：响应于映射点对应的特征点的数量小于预设阈值，将该映射点从映射点集合中删除。
在一些实施例中，该装置还包括区域限定单元，被配置成：响应于映射点的位置处于预设区域之外，将该映射点从映射点集合中删除。
在一些实施例中，该装置还包括图像生成单元和图像输出单元，图像生成单元被配置成：基于特征区域以及特征点的相对于黄斑中心凹预测位置的相对位移，生成特征图像，特征图像的尺寸与眼底图像一致，特征图像为三通道图像，其中，第一通道中各像素点的第一特征值用于表征该像素点为特征点的置信度；第二通道中各特征点的第二特征值用于表征该特征点相对于黄斑中心凹预测位置的横向相对位移；第三通道中各特征点的第三特征值用于表征该特征点相对于黄斑中心凹预测位置的纵向相对位移；图像输出单元，被配置成输出特征图像。
在一些实施例中，位移映射单元被进一步配置成：在特征图像中，将每个特征点映射至该特征点的相对位移指向的像素点，将该像素点确定为该特征点对应的映射点；将映射点在特征图像中的位置确定为映射点在眼底图像中的位置。
根据本申请的技术解决了相关技术中对于黄斑中心凹定位准确度较低的问题，将眼底图像中的视盘区域和血管区域确定为特征区域，估计出特征区域中每个特征点相对于黄斑中心凹的相对位移，基于每个特征点的位置和相对位移确定出与之对应的映射点，然后基于映射点的位置确定出黄斑中心凹的位置，可以充分利用视盘和血管与黄斑中心凹的位置关系，从而提高了黄斑中心凹的定位准确度，并可以避免病变遮挡对于定位准确度的影响。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本公开的一些实施例可以应用于其中的是理性系统架构图；
图2是根据本申请提供的用于确定黄斑中心凹位置的方法的第一实施例的示意图；
图3是根据本申请提供的用于确定黄斑中心凹位置的方法的一个应用场景的示意图；
图4是根据本申请提供的用于确定黄斑中心凹位置的方法的第二实施例的示意图；
图5是用来实现本申请实施例的用于确定黄斑中心凹位置的方法的电子设备的框图；
图6是可以实现本申请实施例的计算机可读存储介质的场景图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本公开的申请实施例的用于确定黄斑中心凹位置的方法或用于确定黄斑中心凹位置的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息。终端设备101、102、103上可以安装有各种通讯客户端应用，例如用于将待处理的眼底图像发送至服务器，或从服务器接收确定出黄斑中心凹的位置等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像处理的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的待处理的眼底图像提供支持的后台图像处理服务器。后台图像处理服务器可以对接收到的待处理的眼底图像进行处理，从中确定出黄斑中心凹的位置，并将处理结果(例如标记处黄斑中心凹的眼底图像)反馈给终端设备。
需要说明的是，本公开的实施例所提供的用于确定黄斑中心凹位置的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于推送信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。在此不做具体限定。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，图2示出了本申请提供的用于确定黄斑中心凹未知的方法的第一实施例的示意图，图2所示的流程200包括如下步骤：
步骤S201，从待处理的眼底图像中确定出特征区域，特征区域包括眼底图像中的视盘区域和血管区域。
研究表明，黄斑中心凹的位置与视盘和血管存在关联，因此，在本实施例中，将视盘区域和血管区域作为特征区域，用于表征与黄斑中心凹的位置存在关联的有效区域。执行主体(例如图1中所示的终端设备)可以通过网络从用户的终端(例如图1中所示的智能手机)获取待处理的眼底图像；还可以与眼底图像采集设备通信连接，从眼底图像采集设备处获取待处理的眼底图像。然后执行主体将待处理的眼底图像输入预先训练的特征提取模型中，例如可以是图像生成模型，从待处理的眼底图像中确定出视盘区域和血管区域，即可得到该眼底图像的特征区域；再例如，执行主体还可以采用语义分割模型，如resnet，基于预先设计的视盘区域的掩模和血管区域的掩模，从待处理的眼底图像中确定出特征区域。
在一个具体的示例中，执行主体可以预先构建初始特征提取模型(如efficientnet)，然后基于标记出视盘区域和血管区域的样本眼底图像，采用机器学习方法训练该初始特征提取模型，以使训练后的特征提取模型可以对眼底图像进行语义分割，得到其中的视盘区域和血管区域，然后将位于特征区域内的像素点的值标记为1，位于特征区域之外的像素点的值标记为0。
在本实施例的一些可选的实现方式中，执行主体可以将待处理的眼底图像中的血管弓(血管直径大于预设直径阈值、呈抛物线状且顶点位于视盘区域内的血管)所形成的图像区域确定为血管区域，将不满足上述条件的血管忽略，如此可以在不影响准确度的情况下，降低运算量。例如，可以将血管弓的先验引入语义分割模型中掩模的设计。
步骤S202，采用预先训练的位置预测模型，估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移。
执行主体可以将视盘和血管与黄斑中心凹的位置之间的关系作为先验，构建初始位置预测模型(例如可以是回归预测模型)，然后将标记了特征区域以及黄斑中心凹位置的眼底图像作为样本，采用机器学习方法训练该初始位置预测模型，使得训练后的位置预测模型可以估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移。作为示例，可以采用像素坐标的差值来表征相对位移。
步骤S203，基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，得到映射点集合。
本实施例中，执行主体采用前向推理的方法，基于步骤S202中得到的特征点的相对位移以及特征点自身的位置，确定与特征点对应的映射点。每个特征点均可以映射至图像中的另一个像素点，该像素点即为该特征点的映射点，所有特征点对应的映射点的集合即为映射点集合。
例如，特征点A的像素坐标为(10,10)，经由步骤S202预测得到的A的相对位移为(-100,200)，则与特征点A对应的映射点B的像素坐标为(-90,210)。
可以理解的是，每个映射点可以对应于多个特征点。
步骤S204，基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置。
作为示例，执行主体可以统计映射点集合中每个映射点对应的特征点的数量，然后将特征点数量最多的映射点的位置确定为黄斑中心凹的位置。
再例如，执行主体还可以针对映射点或与之对应的特征点所在区域，为其赋予不同的权重参数，然后采用投票机制，将得票最高的映射点的位置确定为黄斑中心凹的位置。
在本实施例的一些可选的实现方式中，还可以采用如下方法确定黄斑中心凹的位置：采用预设的滑窗遍历眼底图像，将框选映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。作为示例，执行主体可以根据经验采用预设大小的圆形滑窗，然后将该滑窗遍历眼底图像，同时统计各个时刻中滑窗中框选的映射点的数量，并将框选映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。如此，可以进一步提高准确度。
接下来参考图3，图3是根据本申请提供的用于确定黄斑中心凹位置的方法的一个应用场景的示意图，在图3所示的场景300中，眼底图像采集设备301获取用户的眼底图像，然后将该眼底图像发送至执行主体302，由执行主体302从眼底图像中提取出视盘区域和血管区域，作为该眼底图像的特征区域。然后采用预先训练的位置预测模型，预测出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移。之后再采用前向推理的方法，基于特征点的位置和相对位移，确定出映射点集合(如图3中所示的点A、B和C)，最终基于映射点集合中各映射点的位置，确定黄斑中心凹的位置。
根据本申请的技术解决了相关技术中对于黄斑中心凹定位准确度较低的问题，将眼底图像中的视盘区域和血管区域确定为特征区域，估计出特征区域中每个特征点相对于黄斑中心凹的相对位移，基于每个特征点的位置和相对位移确定出与之对应的映射点，然后基于映射点的位置确定出黄斑中心凹的位置，可以充分利用视盘和血管与黄斑中心凹的位置关系，从而提高了黄斑中心凹的定位准确度，并可以避免病变遮挡对于定位准确度的影响。
此外，在上述本实施例的一些可选的实现方式中，还可以进一步包括如下步骤：
基于步骤S201中确定出的特征区域和步骤S202中得到的各特征点的相对位移，执行主体可以基于特征区域以及特征点的相对于黄斑中心凹预测位置的相对位移，生成特征图像，特征图像的尺寸与眼底图像一致，特征图像为三通道图像，其中，第一通道中各像素点的第一特征值用于表征该像素点为特征点的置信度；第二通道中各特征点的第二特征值用于表征该特征点相对于黄斑中心凹预测位置的横向相对位移；第三通道中各特征点的第三特征值用于表征该特征点相对于黄斑中心凹预测位置的纵向相对位移；以及，输出特征图像。
作为示例，执行主体可以efficientnet或resnet从眼底图像中分割出特征区域，得到三通道的初始特征图像，并在第一通道中，将特征区域中特征点的置信度标记为1，特征区域之外的像素点的置信度标记为0；再采用u-net模块对初始特征图像上采样，使得初始特征图像的像素与眼底图像一致；然后再将上采样后的初始特征图像输入位置预测模型，估计出每个特征点(即第一通道中标记为1的像素点)相对于黄斑中心凹预测位置的横向位移和纵向位移，并分别在第二通道和第三通道中进行标记，得到三通道的特征图像。
如此，执行主体可以在输出黄斑中心凹的位置的同时，还可以以heatmap的形式输出特征图像，可以更直观地呈现出特征区域中各特征点相对于黄斑中心凹预测位置的相对位移。并且，由于特征图像中仅包括特征点的相对位移，而特征区域之外的像素点不参与位置预测，因而可以避免heatmap中黄斑中心凹预测位置与邻近像素点的区分度较低。
进一步地，执行主体还可以采用如下步骤在眼底图像中确定出该特征点对应的映射点：在特征图像中，将每个特征点映射至该特征点的相对位移指向的像素点，将该像素点确定为该特征点对应的映射点；将映射点在特征图像中的位置确定为映射点在眼底图像中的位置。
由于特征图像的像素与眼底图像一致，因而特征图像中每个像素点的像素坐标与眼底图像中的像素坐标是一一对应的。本实现方式中确定映射点的方法，可以直接在特征图像中标记处映射点，从而可以更直观的呈现出映射点集合，并保证映射点的定位精度。
接下来参考图4，图4是根据本申请提供的用于确定黄斑中心凹位置的方法的第二实施例的示意图，在图4所示的流程400中，包括如下步骤：
步骤S401，从待处理的眼底图像中确定出特征区域，特征区域包括眼底图像中的视盘区域和血管区域。此步骤与前述步骤S201相对应，此处不再赘述。
步骤S402，采用预先训练的位置预测模型，估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移。此步骤与前述步骤S202相对应，此处不再赘述。
步骤S403，基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，得到映射点集合。此步骤与前述步骤S203相对应，此处不再赘述。
步骤S404，响应于映射点对应的特征点的数量小于预设阈值，将该映射点从映射点集合中删除。
在本实施例中，执行主体在确定黄斑中心凹之前，可以对映射点进行质量评估，可以避免噪音点的干扰。
步骤S405，响应于映射点的位置处于预设区域之外，将该映射点从映射点集合中删除。
研究表明，黄斑中心凹的位于不同区域的概率不同，眼底图像的中心且与视盘中心相距两个视盘直径左右的区域中存在黄斑中心凹的概率最大。因此，本实施例的执行主体可以将该区域设定与预设区域，请将该区域之外的映射点从映射点集合中删除，如此，可以通过区域限制缩减映射点的数量，在不影响定位准确度的同时，降低运算量。
需要说明的是，步骤S404与步骤S405互不影响，因而本流程中两者的次序仅为示例性的，本申请对此并不限定。
步骤S406，基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置。此步骤与前述步骤S204相对应，此处不再赘述。
从图4中可以看出，第二实施例与图2示出的第一实施例相比，突出了对映射点集合进行质量评估和区域限定的步骤，可以避免噪音点的干扰，并在保证定位精度的前提下，缩减运算量。
下面参考图5，图5是本申请提供的用于确定黄斑中心凹位置的装置的一个实施例的结构示意图。该电子设备500包括：特征提取单元501，被配置成从待处理的眼底图像中确定出特征区域，特征区域包括眼底图像中的视盘区域和血管区域；位置预测单元502，被配置成采用预先训练的位置预测模型，估计出特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移；位移映射单元503，被配置成基于每个特征点的位置信息以及该特征点的相对位移，在眼底图像中确定出该特征点对应的映射点，得到映射点集合；位置确定单元504，被配置成基于映射点集合中每个映射点的位置信息，确定黄斑中心凹的位置。
在本实施例中，位置确定单元504被进一步配置成：采用预设的滑窗遍历眼底图像，将框选映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。
在本实施例中，该装置还包括质量评估单元，被配置成：响应于映射点对应的特征点的数量小于预设阈值，将该映射点从映射点集合中删除。
在本实施例中，该装置还包括区域限定单元，被配置成：响应于映射点的位置处于预设区域之外，将该映射点从映射点集合中删除。
在本实施例中，该装置还包括图像生成单元和图像输出单元，图像生成单元被配置成：基于特征区域以及特征点的相对于黄斑中心凹预测位置的相对位移，生成特征图像，特征图像的尺寸与眼底图像一致，特征图像为三通道图像，其中，第一通道中各像素点的第一特征值用于表征该像素点为特征点的置信度；第二通道中各特征点的第二特征值用于表征该特征点相对于黄斑中心凹预测位置的横向相对位移；第三通道中各特征点的第三特征值用于表征该特征点相对于黄斑中心凹预测位置的纵向相对位移；图像输出单元，被配置成输出特征图像。
在本实施例中，位移映射单元503被进一步配置成：在特征图像中，将每个特征点映射至该特征点的相对位移指向的像素点，将该像素点确定为该特征点对应的映射点；将映射点在特征图像中的位置确定为映射点在眼底图像中的位置。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，图6是根据本申请实施例的用于确定黄斑中心凹位置的方法的电子设备的框图，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的用于确定黄斑中心凹位置的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于确定黄斑中心凹位置的方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的计算机可存储介质的方法对应的程序指令/模块(例如，附图5所示的特征提取单元501和位置预测单元502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中用于确定黄斑中心凹位置的方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于确定黄斑中心凹位置的方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于确定黄斑中心凹位置的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于获取点胶机输出结果的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与用于确定黄斑中心凹位置的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，解决了相关技术中对于黄斑中心凹定位准确度较低的问题，将眼底图像中的视盘区域和血管区域确定为特征区域，估计出特征区域中每个特征点相对于黄斑中心凹的相对位移，基于每个特征点的位置和相对位移确定出与之对应的映射点，然后基于映射点的位置确定出黄斑中心凹的位置，可以充分利用视盘和血管与黄斑中心凹的位置关系，从而提高了黄斑中心凹的定位准确度，并可以避免病变遮挡对于定位准确度的影响。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种确定黄斑中心凹位置的方法，包括：
从待处理的眼底图像中确定出特征区域，所述特征区域包括所述眼底图像中的视盘区域和血管区域；
采用预先训练的位置预测模型，估计出所述特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移；
基于每个特征点的位置信息以及该特征点的相对位移，在所述眼底图像中确定出该特征点对应的映射点，得到映射点集合；
基于所述映射点集合中每个映射点的位置信息，确定所述黄斑中心凹的位置。
2.根据权利要求1所述的方法，其中，基于所述映射点集合中每个映射点的位置信息，确定所述黄斑中心凹的位置，包括：
采用预设的滑窗遍历所述眼底图像，将框选所述映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。
3.根据权利要求1所述的方法，其中，基于所述映射点集合中每个映射点的位置信息，确定所述黄斑中心凹的位置之前，所述方法还包括：
响应于所述映射点对应的特征点的数量小于预设阈值，将该映射点从所述映射点集合中删除。
4.根据权利要求1所述的方法，其中，基于所述映射点集合中每个映射点的位置信息，确定所述黄斑中心凹的位置之前，所述方法还包括：
响应于所述映射点的位置处于预设区域之外，将该映射点从所述映射点集合中删除。
5.根据权利要求1至4之一所述的方法，所述方法还包括：
基于所述特征区域以及所述特征点的相对于所述黄斑中心凹预测位置的相对位移，生成特征图像，所述特征图像的尺寸与所述眼底图像一致，所述特征图像为三通道图像，其中，第一通道中各像素点的第一特征值用于表征该像素点为特征点的置信度；第二通道中各特征点的第二特征值用于表征该特征点相对于所述黄斑中心凹预测位置的横向相对位移；第三通道中各特征点的第三特征值用于表征该特征点相对于所述黄斑中心凹预测位置的纵向相对位移；以及，
输出所述特征图像。
6.根据权利5所述的方法，其中，基于每个特征点的位置信息以及该特征点的相对位移，在所述眼底图像中确定出该特征点对应的映射点，包括：
在所述特征图像中，将每个特征点映射至所述该特征点的相对位移指向的像素点，将该像素点确定为该特征点对应的映射点；
将所述映射点在所述特征图像中的位置确定为所述映射点在所述眼底图像中的位置。
7.一种用于确定黄斑中心凹位置的装置，包括：
特征提取单元，被配置成从待处理的眼底图像中确定出特征区域，所述特征区域包括所述眼底图像中的视盘区域和血管区域；
位置预测单元，被配置成采用预先训练的位置预测模型，估计出所述特征区域中每个特征点相对于黄斑中心凹预测位置的相对位移；
位移映射单元，被配置成基于每个特征点的位置信息以及该特征点的相对位移，在所述眼底图像中确定出该特征点对应的映射点，得到映射点集合；
位置确定单元，被配置成基于所述映射点集合中每个映射点的位置信息，确定所述黄斑中心凹的位置。
8.根据权利要求7所述的装置，其中，所述位置确定单元被进一步配置成：
采用预设的滑窗遍历所述眼底图像，将框选所述映射点数量最多的滑窗的中心点的位置确定为黄斑中心凹的位置。
9.根据权利要求7所述的装置，所述装置还包括质量评估单元，被配置成：
响应于所述映射点对应的特征点的数量小于预设阈值，将该映射点从所述映射点集合中删除。
10.根据权利要求7所述的装置，其中，所述装置还包括区域限定单元，被配置成：
响应于所述映射点的位置处于预设区域之外，将该映射点从所述映射点集合中删除。
11.根据权利要求7至10之一所述的装置，所述装置还包括图像生成单元和图像输出单元，所述图像生成单元被配置成：
基于所述特征区域以及所述特征点的相对于所述黄斑中心凹预测位置的相对位移，生成特征图像，所述特征图像的尺寸与所述眼底图像一致，所述特征图像为三通道图像，其中，第一通道中各像素点的第一特征值用于表征该像素点为特征点的置信度；第二通道中各特征点的第二特征值用于表征该特征点相对于所述黄斑中心凹预测位置的横向相对位移；第三通道中各特征点的第三特征值用于表征该特征点相对于所述黄斑中心凹预测位置的纵向相对位移；
所述图像输出单元，被配置成输出所述特征图像。
12.根据权利要求11所述的装置，所述位移映射单元被进一步配置成：
在所述特征图像中，将每个特征点映射至该特征点的相对位移指向的像素点，将该像素点确定为该特征点对应的映射点；
将所述映射点在所述特征图像中的位置确定为所述映射点在所述眼底图像中的位置。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011145115.1A CN112150463A (zh) | 2020-10-23 | 2020-10-23 | 用于确定黄斑中心凹位置的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011145115.1A CN112150463A (zh) | 2020-10-23 | 2020-10-23 | 用于确定黄斑中心凹位置的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112150463A true CN112150463A (zh) | 2020-12-29 |
Family
ID=73954749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011145115.1A Pending CN112150463A (zh) | 2020-10-23 | 2020-10-23 | 用于确定黄斑中心凹位置的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112150463A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022160676A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
| CN114998353A (zh) * | 2022-08-05 | 2022-09-02 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种自动检测玻璃体混浊斑飘动范围的系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364254A (zh) * | 2018-03-20 | 2018-08-03 | 北京奇虎科技有限公司 | 图像处理方法、装置及电子设备 |
| CN108717696A (zh) * | 2018-05-16 | 2018-10-30 | 上海鹰瞳医疗科技有限公司 | 黄斑影像检测方法和设备 |
| CN109166117A (zh) * | 2018-08-31 | 2019-01-08 | 福州依影健康科技有限公司 | 一种眼底图像自动分析比对方法及一种存储设备 |
| CN109199322A (zh) * | 2018-08-31 | 2019-01-15 | 福州依影健康科技有限公司 | 一种黄斑检测方法及一种存储设备 |
| CN109480765A (zh) * | 2018-10-31 | 2019-03-19 | 福州大学 | 基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法 |
| CN109662686A (zh) * | 2019-02-01 | 2019-04-23 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
| CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于处理眼底图像的方法和装置 |
| CN111046717A (zh) * | 2019-10-11 | 2020-04-21 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
| GB202005040D0 (en) * | 2020-04-06 | 2020-05-20 | Novasight Ltd | Method and Device for Treating Vision Impairment |
| CN111402243A (zh) * | 2020-03-20 | 2020-07-10 | 林晨 | 黄斑中心凹识别方法及终端 |
-
2020
- 2020-10-23 CN CN202011145115.1A patent/CN112150463A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364254A (zh) * | 2018-03-20 | 2018-08-03 | 北京奇虎科技有限公司 | 图像处理方法、装置及电子设备 |
| CN108717696A (zh) * | 2018-05-16 | 2018-10-30 | 上海鹰瞳医疗科技有限公司 | 黄斑影像检测方法和设备 |
| CN109166117A (zh) * | 2018-08-31 | 2019-01-08 | 福州依影健康科技有限公司 | 一种眼底图像自动分析比对方法及一种存储设备 |
| CN109199322A (zh) * | 2018-08-31 | 2019-01-15 | 福州依影健康科技有限公司 | 一种黄斑检测方法及一种存储设备 |
| CN109480765A (zh) * | 2018-10-31 | 2019-03-19 | 福州大学 | 基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法 |
| CN109662686A (zh) * | 2019-02-01 | 2019-04-23 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
| US20200260944A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for recognizing macular region, and computer-readable storage medium |
| CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于处理眼底图像的方法和装置 |
| CN111046717A (zh) * | 2019-10-11 | 2020-04-21 | 平安科技（深圳）有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
| CN111402243A (zh) * | 2020-03-20 | 2020-07-10 | 林晨 | 黄斑中心凹识别方法及终端 |
| GB202005040D0 (en) * | 2020-04-06 | 2020-05-20 | Novasight Ltd | Method and Device for Treating Vision Impairment |
Non-Patent Citations (1)
| Title |
|---|
| 孟凡奎;银温社;贺建峰;: "基于深度学习的眼底图像出血点检测方法", 山东大学学报(理学版), no. 09 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022160676A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
| CN114998353A (zh) * | 2022-08-05 | 2022-09-02 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种自动检测玻璃体混浊斑飘动范围的系统 |
| CN114998353B (zh) * | 2022-08-05 | 2022-10-25 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种自动检测玻璃体混浊斑飘动范围的系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3926526A2 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
| KR102482850B1 (ko) | 전자 장치 및 전자 장치의 필체 교정 기능 제공 방법 | |
| US20210312172A1 (en) | Human body identification method, electronic device and storage medium | |
| JP2018536920A (ja) | テキスト情報処理方法およびデバイス | |
| CN111767846A (zh) | 图像识别方法、装置、设备和计算机存储介质 | |
| CN112150463A (zh) | 用于确定黄斑中心凹位置的方法及装置 | |
| US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
| CN111783606A (zh) | 一种人脸识别网络的训练方法、装置、设备及存储介质 | |
| US20220044076A1 (en) | Method and apparatus for updating user image recognition model | |
| EP4123594A2 (en) | Object detection method and apparatus, computer-readable storage medium, and computer program product | |
| CN112561963A (zh) | 目标跟踪的方法、装置、路侧设备以及存储介质 | |
| CN111916203A (zh) | 健康检测方法、装置、电子设备及存储介质 | |
| CN111708477B (zh) | 按键识别方法、装置、设备以及存储介质 | |
| CN112561059A (zh) | 用于模型蒸馏的方法和装置 | |
| CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
| CN111709480A (zh) | 用于识别图像类别的方法及装置 | |
| CN111767990A (zh) | 神经网络的处理方法和装置 | |
| CN112000828B (zh) | 搜索表情图片的方法、装置、电子设备和可读存储介质 | |
| CN111507944B (zh) | 皮肤光滑度的确定方法、装置和电子设备 | |
| CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 | |
| CN111767988A (zh) | 神经网络的融合方法和装置 | |
| CN111582480A (zh) | 用于对模型剪枝的方法和装置 | |
| CN115857678B (zh) | 眼动测试方法、装置、设备及存储介质 | |
| CN113096799B (zh) | 质控方法和装置 | |
| CN112287757B (zh) | 水体识别方法、装置、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210420 Address after: 100000 Room 220, 2nd Floor, Building 4, No. 1, Shangdi East Road, Haidian District, Beijing Applicant after: Beijing Confucius Health Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer 2 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right |