CN112541900B - 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 - Google Patents
基于卷积神经网络的检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112541900B CN112541900B CN202011476582.2A CN202011476582A CN112541900B CN 112541900 B CN112541900 B CN 112541900B CN 202011476582 A CN202011476582 A CN 202011476582A CN 112541900 B CN112541900 B CN 112541900B
- Authority
- CN
- China
- Prior art keywords
- target
- feature map
- oct image
- feature
- neural network
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000004044 response Effects 0.000 claims abstract description 49
- 230000003902 lesion Effects 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000005070 sampling Methods 0.000 abstract 1
- 238000012014 optical coherence tomography Methods 0.000 description 115
- 238000010586 diagram Methods 0.000 description 14
- 241000700605 Viruses Species 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 1
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30041—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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质。该方法属于计算机技术领域，其包括：对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图；根据预设方法对多个不同尺度的特征图进行调整以获得第一特征图；通过预设算法计算每个第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得第二特征图；通过上采样方法将每个第二特征图进行分辨率还原以获得目标特征图；根据区域生成网络以及响应值识别目标特征图中的目标区域以获得待检测OCT图像；将待检测OCT图像输入至多层全连接网络以分别确定病灶存在的位置和类别。本申请实施例可以提高检测OCT图像中病灶的效率和准确率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质。
背景技术
光学相干断层扫描技术(OCT)是用于视网膜病变检测的一项重要技术，通过OCT图像可以观测到多种视网膜病灶，例如，视网膜内积液、色素上皮脱离、脉络膜新生血管等。而通过图像处理技术以及深度学习技术对眼科OCT图像进行自动病灶检测，可以为医生对眼科疾病进行初始诊断、治疗反应的评估以及随访检查提供有效的影响学诊断指标。
目前常用的检测模型有Mask-RCNN模型和YOLO模型，这些检测模型在很多自然图像的物体检测定位任务中取得了良好的效果，而这些模型通常是通过构建图像金字塔或者特征金字塔等方法来提取图像各个层次的特征。但是，与自然图像中的目标物体相比，眼科OCT图像中的病灶有很大的区别，其一是OCT图像中存在玻璃膜疣等面积较小的病灶，该类病灶远远小于常规自然图像中的目标物体的面积，其二是OCT图像中的视网膜病变相比自然图像中的目标具有更多的类别和更复杂的形态。这些特点使得OCT图像病灶检测任务更加困难，目前并没有一种适合于检测OCT图像的检测模型。
发明内容
本发明实施例提供了一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质，旨在提高快速而又准确的实现检测OCT图像中的病灶。
第一方面，本发明实施例提供了一种基于卷积神经网络的检测方法，其包括：
对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；
根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；
通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大；
通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；
根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；
将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。
第二方面，本发明实施例还提供了一种基于卷积神经网络的检测装置，其包括：
预处理单元，用于对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；
第一处理单元，用于根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；
第一计算单元，用于通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图；
还原单元，用于通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；
生成单元，用于根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；
检测单元，用于将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质。其中，所述方法包括：对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大；通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。本发明实施例的技术方案，针对眼科OCT图像中存在小病灶以及病灶类别较多，形态复杂导致的病灶检测准确率降低的问题，通过对OCT图像进行预处理以得到目标特征图从而提高对于不同形态大小的病灶的特征图能力，减少小病灶的漏检，同时，通过将目标特征图统一到相同分辨率获得第一特征图以及通过预设算法计算第一特征图获得第二特征图以强化特征图，进一步提高了病灶检测的准确率，最后通过预设方法进行检测，从而实现了快速准确的检测出病灶存在的区域以及类别。
附图说明
为了更清楚地说明本发明实施例技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卷积神经网络的检测方法的流程示意图；
图2为本发明实施例提供的一种基于卷积神经网络的检测方法的子流程示意图；
图3为本发明实施例提供的一种基于卷积神经网络的检测方法的子流程示意图；
图4为本发明实施例提供的一种基于卷积神经网络的检测方法的子流程示意图；
图5为本发明实施例提供的一种基于卷积神经网络的检测方法的子流程示意图；
图6为本发明实施例提供的一种基于卷积神经网络的检测方法的子流程示意图；
图7为本发明实施例提供的一种基于卷积神经网络的检测装置的示意性框图；
图8为本发明实施例提供的基于卷积神经网络的检测装置的预处理单元的示意性框图；
图9为本发明实施例提供的基于卷积神经网络的检测的第一输入单元的示意性框图
图10为本发明实施例提供的基于卷积神经网络的检测的第一处理单元的示意性框图；
图11为本发明实施例提供的基于卷积神经网络的检测装置的第一计算单元的示意性框；
图12为本发明实施例提供的基于卷积神经网络的检测装置的检测单元的示意性框
图13为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1，图1是本发明实施例提供的基于卷积神经网络的检测方法的流程示意图。本发明实施例的基于卷积神经网络的检测方法可应用于智能手机(如Android手机、IOS手机等)、平板电脑、笔记本电脑以及智能设备等设备中。本发明的方法可以快速而又准确的检测OCT图像中病灶存在的区域以及类别。如图1所示，该方法包括步骤S110a～S150。
S110a，获取预设的OCT图像集。
本发明实施例中，预设的OCT图像集中包含了多个OCT图像，这些OCT图像经过专业医生筛选处理后用于训练残差卷积神经网络。
S110b，基于所述预设的OCT图像集，对残差卷积神经网络进行训练以获得目标残差卷积神经网络。
本发明实施例中，可通过将不同的OCT图像输入至残差卷积神经网络进行训练，对残差卷积神经网络每一次训练均可以提高残差卷积神经网络识别图像的精度，最终获得目标残差卷积神经网络以用于提取OCT图像的特征表达。
S110，对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶。
本发明实施例中，目标OCT图像包含有多个病灶，这些病灶由多个大小不一种类不同的病灶构成，且多数病灶的形状也不相同，因此，需要通过预设方法对目标OCT图像进行特征提取以获得多个不同尺度的特征图，例如，在对目标OCT图像进行预处理后获得4个不同尺度上的特征图，其分别是C1、C2、C3以及C4，即C1、C2、C3以及C4为目标OCT图像的特征图，且其分辨率均不相同，而C1、C2、C3以及C4共同组成目标特征图。
在某些实施例，例如本实施例中，如图2所示，所述步骤S110可包括步骤S210-S220。
S210、获取所述目标OCT图像。
本发明实施例中，目标OCT图像可以是由专业医生进行处理后的图像，该目标OCT图像包括多个不同类型的病灶，且病灶所处的位置也并不相同。
S220，调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图。
本发明实施例中，获取目标OCT图像后，需要对其进行一定的处理。具体可以是将目标OCT图像多次通过由多个卷积层、池化层等组成的残差卷积网络在不同尺度上分别获取目标OCT图像的多个特征图，上述多个特征图组合成目标特征图。通过卷积网络提取的高级特征图具有丰富的语义信息，而低级特征图则具有更加准确的位置信息，高级特征图和低级特征图即为不同尺度的特征图，因此，对这些不同特征图进行信息交互有助于提高特征图能力，使得目标特征图具有更丰富的信息。
在某些实施例，例如本实施例中，如图3所示，所述步骤S220可包括步骤S310-S340
S310，确定所述目标OCT图像待调整的目标尺寸。
在本发明实施例中，目标尺寸可由用户人为进行设定，例如可以是1024*1024，且目标尺寸并不唯一，可根据实际情况设置多个目标尺寸。
S320，将所述目标OCT图像调整至所述目标尺寸。
在本发明实施例中，在确认目标尺寸之后，可以将目标OCT图像放大或者缩小至目标尺寸，例如原目标OCT图像为512*512，目标尺寸为1024*1024，则可以将目标OCT图像放大至1024*1024。
S330，将调整完成的所述目标OCT图像输入至所述目标残差卷积神经网络以获得相对应的一个特征图。
在本发明实施例中，将调整完成后的目标OCT图像输出至目标残差卷积神经网络以获得相对应的特征图。
S340，重新确定所述目标OCT图像待调整的目标尺寸并返回所述将所述目标OCT图像调整至所述目标尺寸的步骤，直到获得多个不同尺度的特征图。
在本发明实施例中，当获得一个目标尺寸的特征图之后，重新确定下一个目标尺寸，例如可以是2048*2048，然后重复进行步骤S320至S340,直到获得所有的目标尺寸的特征图，从而获得多个不同尺度上的特征图。
S120、根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图。
在本发明实施例中，将目标特征图，即多个不同尺度的特征图统一到相同的分辨率以便于不同尺度上的所有特征图能够从其它的特征中充分获取图像信息，从而增强目标特征图，其中每个尺度的特征图均有与其相对应的第一特征图。例如，C1的分辨率是2048*2048，C2的分辨率是1024*1024，C3的分辨率是512*512，C4的分辨率是256*256，则可以将C1的分辨率统一到512*512以获得C1的第一特征图，将C2的分别率统一到512*512以获得C2的第一特征图，其中，C1、C2、C3以及C4的分辨率大小并不做具体限定。
在某些实施例，例如本实施例中，如图4所示，所述步骤S120可包括步骤S410-S430。
S410、将所述目标特征图中小于预设分辨率的特征图通过插值法调整到所述预设分辨率的大小。
在本发明实施例中，由于目标特征图包含多个不同尺度的特征图，具体来说，高层特征图的分辨率小于低层特征图的分辨率，为了便于将不同尺度的特征图融合在一起，可以先将所有不同尺度的特征图的分辨率均统一到一个相同的分辨率，例如预设分辨率是1024*1024，而C1的分辨率是2048*2048，C2的分辨率是1024*1024，C3的分辨率是512*512，C4的分辨率是256*256，可以通过插值法将C4的分辨率256*256和C3的分辨率512*512统一到1024*1024，即插值法用于将低分辨率统一到高分辨率。
S420，将所述目标特征图中大于所述预设分辨率的特征图通过合并法调整到所述预设分辨率的大小。
在本发明实施例中，将目标特征图中大于预设分辨率的特征图通过合并法调整到预设分辨率的大小，例如，C1的分辨率是2048*2048，则通过合并法将C1的分辨率2048*2048统一到1024*1024。即合并法用于将高分辨率统一到低分辨率。
S430，将所述调整到预设分辨率大小的特征图设为所述第一特征图。
在本发明实施例中，通过步骤S410和步骤S420，可以使得获得的不同尺度的第一特征图具有相同的分辨率大小。
S130、通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大。
本发明实施例中，为了进一步增强第一特征图的特征，可以通过预设方法计算不同尺度的第一特征图的每个点的响应值，具体来说，可以是通过空间注意力网络来计算第一特征图的每个点的响应值。空间注意力网络即利用空间注意力机制来计算第一特征图的每个点的响应值，而空间注意力机制可以聚焦局部信息，比如OCT图像中某个小的病灶所在的区域。响应值为空间注意力网络所计算出来的结果，其可以理解为每个点存在病灶的概率值，即响应值越大，该点存在病灶的概率越大。
在某些实施例，例如本实施例中，如图5所示，所述步骤S130可包括步骤S510-S520。
S510，对所述第一特征图中的每个特征图进行1*1的卷积运算以得到相对应的中间特征图。
在本发明实施例中，通过对每个特征图进行1*1的卷积运算可以进一步地提高卷积网络的表达能力。
S520，通过空间注意力网络计算每个所述中间特征图的每个点的响应值并将计算结果标识在相对应的中间特征图上以获得所述第二特征图。
在本发明实施例中，OCT图像中的病变往往会引起视网膜的整体结构变化，因此，OCT图像中的空间关系有助于提升病灶的检测准确度。通过利用空间注意力网络计算第一特征图的每个点的响应值，响应值越大的点说明该点是OCT图像中病灶的概率越大。而第一特征图包含多个相同分辨率的特征图，因此，在利用空间注意力子网络计算时，需要计算每个特征图的每个点的响应值。同时，还可以通过采用嵌入高斯公式对响应值进行相似度计算以进一步提高检测准确率，其中，运算过程如下：
其中Cx是正则系数，Wg表示xj的权重矩阵，为嵌入高斯公式。
S140、通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图。
在本发明实施例中，上采样通常用于将特征图的大小还原到原始大小，以便于后续检测使用。常见的上采样方法包括双线性插值、转置卷积、上采样和上池化，在本发明实施例中，并不限于使用哪一种上采样方法。
S150，根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像。
在本发明实施例中，在经过前面的步骤完成对不同尺度的特征图的信息的整合之后，可以通过区域生成网络(RPN)以及特征图上的响应值标识出目标区域，该目标区域为病毒感兴趣的区域，即病毒有较大概率会存在的区域。
S160，将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。
在本发明实施例中，将待检测OCT图输入至多层全连接网络可以确定病灶存在的位置以及病灶的类别，并且将检测结果输出成图像，以便于用户查阅。
在某些实施例，例如本实施例中，如图6所示，所述步骤S160可包括步骤S610-S630。
S610，将所述待检测OCT图像输入至所述多层全连接网络以标识所述病灶存在的位置。
在本发明实施例中，区域检测网络，或者区域生成网络(RPN)用于标识待检测OCT图像中病毒可能存在的区域，也即可能存在病灶的感兴趣区域。其是根据前面步骤中计算所获得的响应值来进行判断和提取。
S620，根据所述病灶的形状以标识所述病灶的类别。
在本发明实施例中，首先通过多层全连接网络检测出病灶存在的位置，再通过多层全连接网络检测出病灶的类别，并将两个结果合并则得到了病灶在目标OCT图像中的位置以及类别。
S630，根据所述病灶存在的位置以及病灶的类别输出检测结果。
在本发明实施例中，确定了病灶所处的位置以及病灶的类别后，将检测结果输出以便于用户查阅。
图7是本发明实施例提供的一种基于卷积神经网络的检测装置100的示意性框图。如图7所示，对应于以上基于卷积神经网络的检测方法，本发明还提供一种基于卷积神经网络的检测装置100。该基于卷积神经网络的检测装置100包括用于执行上述基于卷积神经网络的检测方法的单元。具体地，请参阅图7，该基于卷积神经网络的检测装置100包括第一获取单元110a、训练单元110b、预处理单元110、第一处理单元120、第一计算单元130、还原单元140、生成单元150以及检测单元160。
其中，第一获取单元110a用于获取预设的OCT图像集；训练单元110b用于预处理单元用于对获取的目标OCT图像进行预处理以获得目标特征图；第一处理单元用于根据预设方法将所述目标特征图统一到相同分辨率以得到第一特征图；第一计算单元用于通过预设算法计算所述第一特征图的每个点的响应值以获得第二特征图；还原单元用于将所述第二特征图通过上采样进行还原以获得第三特征图；检测单元用于通过预设方法检测所述第三特征图中病灶存在的区域以及类别。
在某些实施例，例如本实施例中，参见图8，所述预处理单元110包括获取单元210和第一输入单元220。
其中，获取单元210用于获取所述目标OCT图像；第一输入单元220用于调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图。
在某些实施例，例如本实施例中，参见图9，所述第一输入单元220包括第一确认单元310、第一调整单元320、第二输入单元330以及返回单元340。
其中，第一确认单元310用于确定所述目标OCT图像待调整的目标尺寸；第一调整单元320用于将所述目标OCT图像调整至所述目标尺寸；第二输入单元330用于将调整完成的所述目标OCT图像输入至所述目标残差卷积神经网络以获得相对应的一个特征图；返回单元340用于重新确定所述目标OCT图像待调整的目标尺寸并返回所述将所述目标OCT图像调整至所述目标尺寸的步骤，直到获得多个不同尺度的特征图。
在某些实施例，例如本实施例中，参见图10，所述第一处理单元120包括第二调整单元410、第三调整单元420以及第二确认单元430。
其中，第二调整单元410用于将所述目标特征图中小于预设分辨率的特征图通过插值法调整到所述预设分辨率的大小；第三调整单元420用于将所述目标特征图中大于所述预设分辨率的特征图通过合并法调整到所述预设分辨率的大小；第二确认单元430用于将所述调整到预设分辨率大小的特征图设为所述第一特征图。
在某些实施例，例如本实施例中，参见图11，所述第一计算单元130包括第二计算单元510和第三计算单元520。
其中，第二计算单元510用于对所述第一特征图中的每个特征图进行1*1的卷积运算以得到相对应的中间特征图；第三计算单元520用于通过空间注意力网络计算每个所述中间特征图的每个点的响应值并将计算结果标识在相对应的中间特征图上以获得所述第二特征图。
在某些实施例，例如本实施例中，参见图12，所述检测单元160包括第一标识单元610、第二标识单元620以及输出单元630。
其中，第一标识单元610用于将所述待检测OCT图像输入至所述多层全连接网络以标识所述病灶存在的位置；第二标识单元620用于根据所述病灶的形状以标识所述病灶的类别；输出单元630用于根据所述病灶存在的位置以及病灶的类别输出检测结果。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于卷积神经网络的检测装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述基于卷积神经网络的检测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图13所示的计算机设备上运行。
请参阅图13，图13是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备1300为服务器端。
参阅图13，该计算机设备1300包括通过系统总线1301连接的处理器1302、存储器和接口1107，其中，存储器可以包括非易失性存储介质1303和内存储器1304。
该非易失性存储介质1303可存储操作系统13031和计算机程序13032。该计算机程序13032被执行时，可使得处理器1302执行一种基于卷积神经网络的检测方法。
该处理器1302用于提供计算和控制能力，以支撑整个计算机设备1300的运行。
该内存储器1304为非易失性存储介质1303中的计算机程序13032的运行提供环境，该计算机程序13032被处理器1302执行时，可使得处理器1302执行一种基于卷积神经网络的检测方法。
该接口1305用于与其它设备进行通信。本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备1300的限定，具体的计算机设备1300可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器1302用于运行存储在存储器中的计算机程序13032，以实现如下步骤：
对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；
根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；
通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大；
通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；
根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；
将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。
在某些实施例，例如本实施例中，处理器1302在实现所述对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图的步骤之前，还包括如下步骤：
获取预设的OCT图像集；
基于所述预设的OCT图像集，对残差卷积神经网络进行训练以获得目标残差卷积神经网络。
在某些实施例，例如本实施例中，处理器1302在实现所述对获取的目标OCT图像进行预处理以获得目标特征图的步骤时，具体实现如下步骤：
获取所述目标OCT图像；
调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图。
在某些实施例，例如本实施例中，处理器1302在实现所述调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图的步骤时，具体实现如下步骤：
确定所述目标OCT图像待调整的目标尺寸；
将所述目标OCT图像调整至所述目标尺寸；
将调整完成的所述目标OCT图像输入至所述目标残差卷积神经网络以获得相对应的一个特征图；
重新确定所述目标OCT图像待调整的目标尺寸并返回所述将所述目标OCT图像调整至所述目标尺寸的步骤，直到获得多个不同尺度的特征图。
在某些实施例，例如本实施例中，处理器1302在实现所述根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图的步骤时，具体实现如下步骤：
将所述目标特征图中小于预设分辨率的特征图通过插值法调整到所述预设分辨率的大小；
将所述目标特征图中大于所述预设分辨率的特征图通过合并法调整到所述预设分辨率的大小；
将所述调整到预设分辨率大小的特征图设为所述第一特征图。
在某些实施例，例如本实施例中，处理器1302在实现所述通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图的步骤时，具体实现如下步骤：
对所述第一特征图中的每个特征图进行1*1的卷积运算以得到相对应的中间特征图；
通过空间注意力网络计算每个所述中间特征图的每个点的响应值并将计算结果标识在相对应的中间特征图上以获得所述第二特征图。
在某些实施例，例如本实施例中，处理器1302在实现所述将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果的步骤时，具体实现如下步骤：
将所述待检测OCT图像输入至所述多层全连接网络以标识所述病灶存在的位置；
根据所述病灶的形状以标识所述病灶的类别；
根据所述病灶存在的位置以及病灶的类别输出检测结果。
应当理解，在本申请实施例中，处理器1302可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器1302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 IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤：
对获取的目标OCT图像进行预处理以获得目标特征图，其中，所述目标特征图包括多个不同尺度的特征图，所述OCT图像包括多个病灶；
对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；
根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；
通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大；
通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；
根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；
将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。
在某些实施例，例如本实施例中，所述处理器在执行所述计算机程序而实现所述对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图的步骤之前，还包括如下步骤：
获取预设的OCT图像集；
基于所述预设的OCT图像集，对残差卷积神经网络进行训练以获得目标残差卷积神经网络。
在某些实施例，例如本实施例中，所述处理器在执行所述计算机程序而实现所述对获取的目标OCT图像进行预处理以获得目标特征图的步骤时，具体实现如下步骤：
获取所述目标OCT图像；
调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图。
在某些实施例，例如本实施例中，所述处理器在执行所述计算机程序而实现所述调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图的步骤时，具体实现如下步骤：
确定所述目标OCT图像待调整的目标尺寸；
将所述目标OCT图像调整至所述目标尺寸；
将调整完成的所述目标OCT图像输入至所述目标残差卷积神经网络以获得相对应的一个特征图；
重新确定所述目标OCT图像待调整的目标尺寸并返回所述将所述目标OCT图像调整至所述目标尺寸的步骤，直到获得多个不同尺度的特征图。
在某些实施例，例如本实施例中，所述处理器在执行所述计算机程序而实现所述根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图的步骤时，具体实现如下步骤：
将所述目标特征图中小于预设分辨率的特征图通过插值法调整到所述预设分辨率的大小；
将所述目标特征图中大于所述预设分辨率的特征图通过合并法调整到所述预设分辨率的大小；
将所述调整到预设分辨率大小的特征图设为所述第一特征图。
在某些实施例，例如本实施例中，所述处理器在执行所述计算机程序而实现所述通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图的步骤时，具体实现如下步骤：
对所述第一特征图中的每个特征图进行1*1的卷积运算以得到相对应的中间特征图；
通过空间注意力网络计算每个所述中间特征图的每个点的响应值并将计算结果标识在相对应的中间特征图上以获得所述第二特征图。
在某些实施例，例如本实施例中，所述处理器在执行所述计算机程序而实现所述将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果的步骤时，具体实现如下步骤：
将所述待检测OCT图像输入至所述多层全连接网络以标识所述病灶存在的位置；
根据所述病灶的形状以标识所述病灶的类别；
根据所述病灶存在的位置以及病灶的类别输出检测结果。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。
该集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分步骤。
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细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，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)
1.一种基于卷积神经网络的检测方法，应用于OCT图像的病灶检测，其特征在于，所述方法包括：
对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；
根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；
对所述第一特征图中的每个特征图进行1*1的卷积运算以得到相对应的中间特征图；
通过空间注意力网络计算每个所述中间特征图的每个点的响应值并通过嵌入高斯公式对所述响应值进行相似度计算，再将计算结果标识在相对应的中间特征图上以获得第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大；
通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；
根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；
将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果；
其中，所述将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果的步骤，包括：
将所述待检测OCT图像输入至所述多层全连接网络以标识所述病灶存在的位置；
根据所述病灶的形状以标识所述病灶的类别；
根据所述病灶存在的位置以及病灶的类别输出检测结果。
2.如权利要求1所述的基于卷积神经网络的检测方法，其特征在于，所述对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图的步骤之前，还包括：
获取预设的OCT图像集；
基于所述预设的OCT图像集，对残差卷积神经网络进行训练以获得目标残差卷积神经网络。
3.如权利要求2所述的基于卷积神经网络的检测方法，其特征在于，所述对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图的步骤，包括：
获取所述目标OCT图像；
调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图。
4.如权利要求3所述的基于卷积神经网络的检测方法，其特征在于，所述调整所述目标OCT图像的尺寸并输入至所述目标残差卷积神经网络以获得多个不同尺度的特征图的步骤包括：
确定所述目标OCT图像待调整的目标尺寸；
将所述目标OCT图像调整至所述目标尺寸；
将调整完成的所述目标OCT图像输入至所述目标残差卷积神经网络以获得相对应的一个特征图；
重新确定所述目标OCT图像待调整的目标尺寸并返回所述将所述目标OCT图像调整至所述目标尺寸的步骤，直到获得多个不同尺度的特征图。
5.如权利要求1所述的基于卷积神经网络的检测方法，其特征在于，所述根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图的步骤，包括：
将所述目标特征图中小于预设分辨率的特征图通过插值法调整到所述预设分辨率的大小；
将所述目标特征图中大于所述预设分辨率的特征图通过合并法调整到所述预设分辨率的大小；
将所述调整到预设分辨率大小的特征图设为所述第一特征图。
6.一种基于卷积神经网络的检测装置，其特征在于，包括：
预处理单元，用于对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；
第一处理单元，用于根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；
第二计算单元，用于对所述第一特征图中的每个特征图进行1*1的卷积运算以得到相对应的中间特征图；
第三计算单元，用于通过空间注意力网络计算每个所述中间特征图的每个点的响应值并通过嵌入高斯公式对所述响应值进行相似度计算，再将计算结果标识在相对应的中间特征图上以获得第二特征图；
还原单元，用于通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；
生成单元，用于根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；
检测单元，用于将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果；
其中，所述检测单元包括：
第一标识单元，用于将所述待检测OCT图像输入至所述多层全连接网络以标识所述病灶存在的位置；
第二标识单元，用于根据所述病灶的形状以标识所述病灶的类别；
输出单元，用于根据所述病灶存在的位置以及病灶的类别输出检测结果。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-5中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011476582.2A CN112541900B (zh) | 2020-12-15 | 2020-12-15 | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 |
| PCT/CN2021/097190 WO2022127043A1 (zh) | 2020-12-15 | 2021-05-31 | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011476582.2A CN112541900B (zh) | 2020-12-15 | 2020-12-15 | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112541900A CN112541900A (zh) | 2021-03-23 |
| CN112541900B true CN112541900B (zh) | 2024-01-02 |
Family
ID=75020129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011476582.2A Active CN112541900B (zh) | 2020-12-15 | 2020-12-15 | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112541900B (zh) |
| WO (1) | WO2022127043A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541900B (zh) * | 2020-12-15 | 2024-01-02 | 平安科技（深圳）有限公司 | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 |
| WO2023010248A1 (zh) * | 2021-08-02 | 2023-02-09 | 香港中文大学 | 利用胸腹部正位x线片检测脊柱骨质疏松性压缩性骨折的装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN111667468A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技（深圳）有限公司 | 基于神经网络的oct图像病灶检测方法、装置及介质 |
| CN111860155A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230294B (zh) * | 2017-06-14 | 2020-09-29 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备和存储介质 |
| CN107369160B (zh) * | 2017-06-28 | 2020-04-03 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
| WO2019099899A1 (en) * | 2017-11-17 | 2019-05-23 | Facebook, Inc. | Analyzing spatially-sparse data based on submanifold sparse convolutional neural networks |
| CN112541900B (zh) * | 2020-12-15 | 2024-01-02 | 平安科技（深圳）有限公司 | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 |
| US20230200930A1 (en) * | 2021-06-29 | 2023-06-29 | New Jersey Institute Of Technology | Intelligent Surgical Marker |
-
2020
- 2020-12-15 CN CN202011476582.2A patent/CN112541900B/zh active Active
-
2021
- 2021-05-31 WO PCT/CN2021/097190 patent/WO2022127043A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
| CN111667468A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技（深圳）有限公司 | 基于神经网络的oct图像病灶检测方法、装置及介质 |
| CN111860155A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| Unsupervised Domain Adaptation for Cross-Device OCT Lesion Detection via Learning Adaptive Features;Suhui Yang等;《2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI)》;第1570-1573页 * |
| 基于改进边缘检测的视觉注意计算模型;许永恩等;《计算机系统应用》;20191231;第28卷(第12期);第134-139页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112541900A (zh) | 2021-03-23 |
| WO2022127043A1 (zh) | 2022-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046717B (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
| CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| TWI715117B (zh) | 醫療影像處理方法及裝置、電子設備及儲存介質 | |
| WO2020215672A1 (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
| CN109376631B (zh) | 一种基于神经网络的回环检测方法及装置 | |
| Panda et al. | New binary Hausdorff symmetry measure based seeded region growing for retinal vessel segmentation | |
| CN112541900B (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
| WO2022088665A1 (zh) | 病灶分割方法、装置及存储介质 | |
| CN109712128B (zh) | 特征点检测方法、装置、计算机设备和存储介质 | |
| CN111626379B (zh) | 肺炎x光图像检测方法 | |
| CN113870215A (zh) | 中线提取方法及装置 | |
| CN113658165B (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
| JP2020098588A (ja) | ノイズ先行物を用いる曲線オブジェクトセグメンテーション | |
| CN109002758B (zh) | 人脸特征点定位方法、装置、设备及存储介质 | |
| CN113140291B (zh) | 图像分割方法、装置、模型训练方法及电子设备 | |
| EP3671634B1 (en) | Curvilinear object segmentation with geometric priors | |
| CN110598652B (zh) | 眼底数据预测方法和设备 | |
| CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN112232361B (zh) | 图像处理的方法及装置、电子设备及计算机可读存储介质 | |
| CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
| CN113140290A (zh) | 模型训练方法、装置、病灶识别方法及电子设备 | |
| JP7262203B2 (ja) | 画像処理装置および画像処理装置の制御方法ならびにプログラム | |
| CN112862804B (zh) | 一种眼底视网膜血管图像处理系统及方法 | |
| JP2023027687A (ja) | 情報処理装置、情報処理方法、及びプログラム |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40040404 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |