CN112560602A - 一种白内障手术步骤的识别方法及装置 - Google Patents
一种白内障手术步骤的识别方法及装置 Download PDFInfo
- Publication number
- CN112560602A CN112560602A CN202011397156.XA CN202011397156A CN112560602A CN 112560602 A CN112560602 A CN 112560602A CN 202011397156 A CN202011397156 A CN 202011397156A CN 112560602 A CN112560602 A CN 112560602A
- Authority
- CN
- China
- Prior art keywords
- cataract surgery
- video
- deep learning
- learning model
- classification
- 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
- 208000002177 Cataract Diseases 0.000 title claims abstract description 77
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013136 deep learning model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 33
- 238000009499 grossing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 238000004945 emulsification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明公开了一种白内障手术步骤的识别方法及装置,该方法包括:获取待识别白内障手术的视频数据;将视频数据转换为连续帧;根据预设的视频流深度学习模型,对连续帧进行特征提取,获取单帧的特征以及连续帧的时序特征;其中,视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的;根据视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果;将分类概率结果与预设标签进行匹配,输出各标签对应的手术步骤;其中,手术步骤包括撕囊、超声乳化和打粘弹剂。采用本发明方案,能实现准确识别白内障手术视频的各手术步骤,并提高分类的准确率。
Description
技术领域
本发明涉及医疗辅助领域,尤其涉及一种白内障手术步骤的识别方法及装置。
背景技术
随着老龄化加剧、环境变化和遗传因素的影响下,白内障患者群体的比例逐渐增大,这使得白内障手术的需求量亦逐渐增大,急需培养大量的白内障手术医师以满足需求。在白内障手术医师的培养过程中,手术的完成度评估通常是通过人的肉眼观察来评估是否已完成固定的手术步骤,如切开角膜、撕囊和超声乳化。这使得传统的识别白内障手术步骤方法具有主观性和低效性,因此,急需自动化的白内障手术步骤识别方法。而现有技术上,基于图像的单帧或二维特征的白内障手术步骤识别方法,其忽略了连续帧在时间上的关联信息,没有考虑时序信息,造成识别正确率低下;而基于不同手术工具的识别,虽然每一步使用的工具有严格要求,但实际上白内障手术中存在着同一步骤使用不同工具或不同步骤使用相同工具的情况,这使得白内障手术步骤的识别效果不佳。
发明内容
本发明实施例提出一种白内障手术步骤的识别方法及装置,能准确的对白内障手术步骤进行识别,提高识别准确率。
本发明实施例提供了一种白内障手术步骤的识别方法,包括:
获取待识别白内障手术的视频数据;
将所述视频数据转换为连续帧;
根据预设的视频流深度学习模型,对所述连续帧进行特征提取,获取单帧的特征以及所述连续帧的时序特征;其中,所述视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的;
根据所述视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果;
将所述分类概率结果与所述预设标签进行匹配,输出各标签对应的手术步骤;其中,所述手术步骤包括撕囊、超声乳化和打粘弹剂。
进一步的,在将所述分类概率结果与所述预设标签进行匹配之前,还包括:对所述分类概率结果进行概率平滑处理。
进一步的,所述对所述分类概率结果进行概率平滑处理,具体为:
将所述分类概率结果乘以窗函数进行概率平滑处理。
进一步的,所述视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成,具体为:
所述视频流深度学习模型是将具有预设标签的白内障手术视频作为训练集,并通过深度卷积神经网络训练而成。
相应地,本发明实施例还提供一种白内障手术步骤的识别装置,包括:数据获取单元、数据预处理单元、模型处理单元、分类处理单元和匹配单元;
其中,所述数据获取单元用于获取待识别白内障手术的视频数据;
所述数据预处理单元用于将所述视频数据转换为连续帧;
所述模型处理单元用于根据预设的视频流深度学习模型,对所述连续帧进行特征提取,获取单帧的特征以及所述连续帧的时序特征;其中,所述视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的;
所述分类处理单元用于根据所述视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果;
所述匹配单元用于将所述分类概率结果与所述预设标签进行匹配,输出各标签对应的手术步骤;其中,所述手术步骤包括撕囊、超声乳化和打粘弹剂。
进一步的,在将所述分类概率结果与所述预设标签进行匹配之前,还包括:对所述分类概率结果进行概率平滑处理。
进一步的,所述分类处理单元还包括数据平滑单元;
所述数据平滑单元用于将所述分类概率结果乘以窗函数进行概率平滑处理。
进一步的,所述模型处理单元还包括预训练模型单元;
所述预训练模型单元用于将具有预设标签的白内障手术视频作为训练集,并通过深度卷积神经网络训练,生成所述视频流深度学习模型。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的白内障手术步骤的识别方法及装置,通过获取未识别的白内障手术的视频数据,将视频数据转换为连续帧。同时,根据预设的视频流深度学习模型,对连续帧进行特征提取,获取单帧的特征以及连续帧的时序特征,再将获取的时序特征进行分类处理,输出分类概率结果,最后将分类概率结果与预设标签进行匹配,输出各标签对应的手术步骤,从而实现对白内障手术视频中出现的各手术步骤的精准识别。相比于现有技术通过肉眼观察方法或对图像的局部信息进行特征提取的方法,本发明技术方案通过将白内障手术的视频数据转换为连续帧,并使用经过大量预设白内障手术标签和视频数据训练而成的预训练模型,对视频数据进行时序上的特征提取,充分考虑了白内障手术视频的每一帧之间的时序信息和白内障手术的不同步骤之间存在相似行为的特点,从而实现了白内障手术步骤的识别且提高分类准确率,具有高准确率、快速识别的优点。
进一步的,本发明技术方案通过对分类概率结果进行概率平滑处理,把分类概率结果乘以窗函数,使得分类概率结果的值的分布更合理,从而提高分类的准确率。
附图说明
图1是本发明提供的白内障手术步骤的识别方法的一种实施例的流程示意图;
图2是本发明提供的白内障手术步骤的识别装置的一种实施例的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作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。
参见图1,是本发明提供的白内障手术步骤的识别方法的一种实施例的流程示意图,该方法包括以下步骤101至步骤105,各步骤具体如下:
步骤101:获取待识别白内障手术的视频数据。
在本实施例中,待识别的白内障手术的视频是通过高清摄像头拍摄的专业的白内障手术视频,其通常是在真实的临床手术室当中采集拍摄,也可在医院资料库中采集。采集的手术视频包含了白内障的各手术步骤过程。
步骤102:将视频数据转换为连续帧。
在本实施例中,数据转换为连续帧,可通过python模块包的API函数将视频转换为以帧组成的连续帧数据集。连续帧作为数据集可以让模型更好的提取视频每帧画面之间的关系,获取时序信息比静态图片的信息更能针对白内障手术视频的不同步骤当中存在相似行为的画面的特点,从而提高模型识别率。
步骤103:根据预设的视频流深度学习模型,对连续帧进行特征提取,获取单帧的特征以及连续帧的时序特征;其中,视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的。
在本实施例中,该视频流深度学习模型是预先通过大量专业的白内障手术视频数据训练得到的,是属于有监督的训练过程,其模型采用三维神经网络模型。其中,这些训练数据均通过人为添加准确的标签,通过专业人员对视频的帧中各个手术步骤进行标注,把手术步骤被细分为17个步骤,包括:主切口、染色、打粘弹剂、侧切口、撕囊、水密封和超声乳化等步骤,使得信息更加明确,从而确定了视频流深度学习模型的训练学习标签。标签对应着手术的每个步骤,如:标签1对应着主切口步骤、标签2对应着染色步骤、标签3对应着打粘弹剂步骤、标签5对应着撕囊步骤和标签7对应着超声乳化步骤等,且视频帧中出现的每个手术步骤只拥有唯一的标签进行标注。同时,对于训练数据,还进行了数据扩充,将视频数据的连续帧进行归一化,并将归一化后的数据进行随机翻转,获得扩充数据。采用这种数据处理方式增加了训练数据量,从而提高该视频流深度学习模型的识别准确率。该视频流深度学习模型的学习方式是通过多分类算法和梯度下降优化算法经过多轮学习,对模型的参数进行不断修正。其中,对于该视频流深度学习模型的优化方法与目前主流的深度学习模型优化方法相同,其包括随机梯度下降SGD、批量梯度下降BGD等优化方法。
步骤104:根据视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果。
在本实施例中,分类处理是指对输入的特征进行分类,输出该特征在各种情况下的概率结果,同时,各情况对应的分类概率越大,符合度越高。选择生成分类概率结果的函数可以选择softmax以及softmax的变种,如基于角度分类 L-softmax与A-softmax。
步骤105:将分类概率结果与预设标签进行匹配,输出各标签对应的手术步骤;其中,手术步骤包括撕囊、超声乳化和打粘弹剂。
在本实施例中,分类概率结果由104步骤中的分类处理步骤输出,分类概率结果包含多个值,因此,选取最大的值对应的索引,作为对应的识别结果标签值。由于事先已经确定标签所对应的手术步骤,因此,索引值对应标签,即可输出对应的手术步骤名称。同时,在分类概率结果与预设标签进行匹配之前,还使用数据平滑对分类概率结果进行处理,通过把分类概率结果乘以窗函数的方式,使得分类概率结果的数据值分布在一个合理的范围内。
相应的,图2是本发明提供的白内障手术步骤的识别装置的一种实施例的结构示意图。如图2所示,该装置包括:数据获取单元201、数据预处理单元 202、模型处理单元203、分类处理单元204和匹配单元205。
其中,数据获取单元201用于获取待识别白内障手术的视频数据;
数据预处理单元202用于将视频数据转换为连续帧。
模型处理单元203用于根据预设的视频流深度学习模型,对连续帧进行特征提取,获取单帧的特征以及连续帧的时序特征;其中,视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的;
分类处理单元204用于根据视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果;
匹配单元205用于将分类概率结果与预设标签进行匹配,输出各标签对应的手术步骤;其中,手术步骤包括撕囊、超声乳化和打粘弹剂。
分类处理单元204还包括数据平滑单元;数据平滑单元用于将分类概率结果乘以窗函数进行概率平滑处理。
模型处理单元203还包括预训练模型单元;预训练模型单元用于将具有预设标签的白内障手术视频作为训练集,并通过深度卷积神经网络训练,生成视频流深度学习模型。
由上可见,本发明实施例提供的白内障手术步骤的识别方法及装置,通过获取未识别的白内障手术的视频数据,将视频数据转换为连续帧。同时,根据预设的视频流深度学习模型,对连续帧进行特征提取,获取单帧的特征以及连续帧的时序特征,再将获取的时序特征进行分类处理,输出分类概率结果,最后将分类概率结果与预设标签进行匹配,输出各标签对应的手术步骤,从而实现对白内障手术视频中出现的各手术步骤的精准识别。相比于现有技术通过肉眼观察方法或对图像的局部信息进行特征提取的方法,本发明技术方案通过将白内障手术的视频数据转换为连续帧,并使用经过大量预设白内障手术标签和视频数据训练而成的预训练模型,对视频数据进行时序上的特征提取,充分考虑了白内障手术视频的每一帧之间的时序信息和白内障手术的不同步骤之间存在相似行为的特点,从而实现了白内障手术步骤的识别且提高分类准确率,具有高准确率、快速识别的优点。
进一步的,本发明技术方案通过对分类概率结果进行概率平滑处理,把分类概率结果乘以窗函数,使得分类概率结果的值的分布更合理,从而提高分类的准确率。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种白内障手术步骤的识别方法,其特征在于,包括:
获取待识别白内障手术的视频数据;
将所述视频数据转换为连续帧;
根据预设的视频流深度学习模型,对所述连续帧进行特征提取,获取单帧的特征以及所述连续帧的时序特征;其中,所述视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的;
根据所述视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果;
将所述分类概率结果与所述预设标签进行匹配,输出各标签对应的手术步骤;其中,所述手术步骤包括撕囊、超声乳化和打粘弹剂。
2.根据权利要求1所述的白内障手术步骤的识别方法,其特征在于,在将所述分类概率结果与所述预设标签进行匹配之前,还包括:对所述分类概率结果进行概率平滑处理。
3.根据权利要求2所述的白内障手术步骤的识别方法,其特征在于,所述对所述分类概率结果进行概率平滑处理,具体为:
将所述分类概率结果乘以窗函数进行概率平滑处理。
4.根据权利要求1所述的白内障手术步骤的识别方法,其特征在于,所述视频流深度学习模型是根据具有预设标签的白内障手术视频而训练生成,具体为:
所述视频流深度学习模型通过将具有预设标签的白内障手术视频作为训练集,并通过深度卷积神经网络训练而成。
5.一种白内障手术步骤的识别装置,其特征在于,包括:数据获取单元、数据预处理单元、模型处理单元、分类处理单元和匹配单元;
其中,所述数据获取单元用于获取待识别白内障手术的视频数据;
所述数据预处理单元用于将所述视频数据转换为连续帧;
所述模型处理单元用于根据预设的视频流深度学习模型,对所述连续帧进行特征提取,获取单帧的特征以及所述连续帧的时序特征;其中,所述视频流深度学习模型是根据具有预设标签的白内障手术视频训练而生成的;
所述分类处理单元用于根据所述视频流深度学习模型,将获取的时序特征进行分类处理,输出分类概率结果;
所述匹配单元用于将所述分类概率结果与所述预设标签进行匹配,输出各标签对应的手术步骤;其中,所述手术步骤包括撕囊、超声乳化和打粘弹剂。
6.根据权利要求5所述的白内障手术步骤的识别装置,其特征在于,在将所述分类概率结果与所述预设标签进行匹配之前,还包括:对所述分类概率结果进行概率平滑处理。
7.根据权利要求5所述的白内障手术步骤的识别装置,其特征在于,所述分类处理单元还包括数据平滑单元;
所述数据平滑单元用于将所述分类概率结果乘以窗函数进行概率平滑处理。
8.根据权利要求5所述的白内障手术步骤的识别装置,其特征在于,所述模型处理单元还包括预训练模型单元;
所述预训练模型单元用于将具有预设标签的白内障手术视频作为训练集,并通过深度卷积神经网络训练,生成所述视频流深度学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397156.XA CN112560602A (zh) | 2020-12-02 | 2020-12-02 | 一种白内障手术步骤的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397156.XA CN112560602A (zh) | 2020-12-02 | 2020-12-02 | 一种白内障手术步骤的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560602A true CN112560602A (zh) | 2021-03-26 |
Family
ID=75047797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011397156.XA Pending CN112560602A (zh) | 2020-12-02 | 2020-12-02 | 一种白内障手术步骤的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560602A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140286533A1 (en) * | 2013-03-25 | 2014-09-25 | University Of Rochester | Method And System For Recognizing And Assessing Surgical Procedures From Video |
CN109919031A (zh) * | 2019-01-31 | 2019-06-21 | 厦门大学 | 一种基于深度神经网络的人体行为识别方法 |
CN109934125A (zh) * | 2019-02-26 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种半监督手术视频流程识别方法 |
CN110765835A (zh) * | 2019-08-19 | 2020-02-07 | 中科院成都信息技术股份有限公司 | 一种基于边缘信息的手术视频流程识别方法 |
WO2020159276A1 (ko) * | 2019-02-01 | 2020-08-06 | 주식회사 아이버티 | 수술 분석 장치, 수술영상 분석 및 인식 시스템, 방법 및 프로그램 |
CN111783520A (zh) * | 2020-05-18 | 2020-10-16 | 北京理工大学 | 基于双流网络的腹腔镜手术阶段自动识别方法及装置 |
-
2020
- 2020-12-02 CN CN202011397156.XA patent/CN112560602A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140286533A1 (en) * | 2013-03-25 | 2014-09-25 | University Of Rochester | Method And System For Recognizing And Assessing Surgical Procedures From Video |
CN109919031A (zh) * | 2019-01-31 | 2019-06-21 | 厦门大学 | 一种基于深度神经网络的人体行为识别方法 |
WO2020159276A1 (ko) * | 2019-02-01 | 2020-08-06 | 주식회사 아이버티 | 수술 분석 장치, 수술영상 분석 및 인식 시스템, 방법 및 프로그램 |
CN109934125A (zh) * | 2019-02-26 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种半监督手术视频流程识别方法 |
CN110765835A (zh) * | 2019-08-19 | 2020-02-07 | 中科院成都信息技术股份有限公司 | 一种基于边缘信息的手术视频流程识别方法 |
CN111783520A (zh) * | 2020-05-18 | 2020-10-16 | 北京理工大学 | 基于双流网络的腹腔镜手术阶段自动识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
潘海侠等: "《深度学习工程师认证初级教程》", 北京航空航天大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
Rathod et al. | Diagnosis of skin diseases using Convolutional Neural Networks | |
US9514356B2 (en) | Method and apparatus for generating facial feature verification model | |
US9171477B2 (en) | Method and system for recognizing and assessing surgical procedures from video | |
CN112102237A (zh) | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 | |
CN110059656B (zh) | 基于卷积对抗生成神经网络的白细胞分类方法及系统 | |
CN114549470B (zh) | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 | |
CN110765835A (zh) | 一种基于边缘信息的手术视频流程识别方法 | |
CN113657168A (zh) | 基于卷积神经网络的学生学习情绪的识别方法 | |
Muhammed | Localizing optic disc in retinal image automatically with entropy based algorithm | |
CN115393351A (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
CN113192028B (zh) | 人脸图像的质量评价方法、装置、电子设备及存储介质 | |
CN110021019B (zh) | 一种aga临床图像的ai辅助毛发的粗细分布分析方法 | |
CN108898601B (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
CN107895154B (zh) | 面部表情强度计算模型的形成方法及系统 | |
CN111968087B (zh) | 一种植物病害区域检测方法 | |
CN112560602A (zh) | 一种白内障手术步骤的识别方法及装置 | |
KR20210086374A (ko) | 인공지능 기반의 피부질환 분류 방법 | |
CN111368663A (zh) | 自然场景中静态面部表情识别方法、装置、介质及设备 | |
Gonzalez-Soler et al. | Semi-synthetic data generation for tattoo segmentation | |
CN112801994B (zh) | 骨龄评估方法和系统 | |
Wang et al. | Artificial aging of faces by support vector machines | |
CN112183213A (zh) | 一种基于Intral-Class Gap GAN的面部表情识别方法 | |
CN112861849B (zh) | 一种脊柱畸形矫正手术术中组织识别方法 | |
CN106296704B (zh) | 通用型图像分割方法 |
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: 20220513 Address after: 510000 803, floor 8, building 8 (Building 9), No. 6, Nanjiang Second Road, Zhujiang street, Nansha District, Guangzhou, Guangdong Province Applicant after: Guangzhou Weimou Medical Instrument Co.,Ltd. Address before: No.54, Xianlie South Road, Yuexiu District, Guangzhou, Guangdong 510000 Applicant before: ZHONGSHAN OPHTHALMIC CENTER, SUN YAT-SEN University Applicant before: Sun Yat-sen University |
|
TA01 | Transfer of patent application right |