CN112700427A - 髋关节x光自动评估方法 - Google Patents

髋关节x光自动评估方法 Download PDF

Info

Publication number
CN112700427A
CN112700427A CN202110018948.XA CN202110018948A CN112700427A CN 112700427 A CN112700427 A CN 112700427A CN 202110018948 A CN202110018948 A CN 202110018948A CN 112700427 A CN112700427 A CN 112700427A
Authority
CN
China
Prior art keywords
hip joint
model
ray
angles
gaussian
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
CN202110018948.XA
Other languages
English (en)
Other versions
CN112700427B (zh
Inventor
赵旭东
刘松波
刘通
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.)
Harbin Xiaoxin Technology Co ltd
Original Assignee
Harbin Xiaoxin Technology Co ltd
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 Harbin Xiaoxin Technology Co ltd filed Critical Harbin Xiaoxin Technology Co ltd
Priority to CN202110018948.XA priority Critical patent/CN112700427B/zh
Publication of CN112700427A publication Critical patent/CN112700427A/zh
Application granted granted Critical
Publication of CN112700427B publication Critical patent/CN112700427B/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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本发明公开了一种髋关节X光自动评估方法，包括：利用HOG‑SVM模型检测髋关节发育正常X光图像中的髋关节位置图像；利用主动外观AMM模型对髋关节位置图像进行识别，得到髋关节外轮廓特征点，根据髋关节外轮廓特征点计算CE、Sharp、Tonnis角度；分别对CE、Sharp、Tonnis角度进行三维投影，通过密度降序聚类算法对三维投影后的角度进行训练，得到髋关节发育评估模型；将待评估角度输入髋关节发育评估模型中，判断待评估角度的髋关节发育是否正常。该方法无需人工手动标注，可自动标注特征点，同时可实现对髋关节发育情况的全自动分析判断。

Description

髋关节X光自动评估方法
技术领域
本发明涉及图像处理、医学影像技术领域，特别涉及一种髋关节X光自动评估方法。
背景技术
目前对于判断患者髋关节发育是否正常，是由专业医师对其髋关节X光图像人为的进行分析，依赖于专业人员自身的专业素质能力，还没有更为行之有效的解决方案。
现有的大部分技术方案均存在髋关节技术分析大多需要人工的手动标注，耗时耗力，进而稳定性准确性波动较大的技术问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种髋关节X光自动评估方法。
为达到上述目的，本发明实施例提出了髋关节X光自动评估方法，包括以下步骤：步骤S1，利用HOG-SVM模型检测髋关节发育正常X光图像中的髋关节位置图像；步骤S2，利用主动外观AMM模型对所述髋关节位置图像进行识别，得到髋关节外轮廓特征点，根据所述髋关节外轮廓特征点计算CE、Sharp、Tonnis角度；步骤S3，分别对所述CE、Sharp、Tonnis角度进行三维投影，通过密度降序聚类算法对三维投影后的角度进行训练，得到髋关节发育评估模型；步骤S4，将待评估角度输入所述髋关节发育评估模型中，判断所述待评估角度的髋关节发育是否正常。
本发明实施例的髋关节X光自动评估方法，通过HOG-SVM模型自动标注出髋关节发育正常X光图像的特征点，再根据特征点计算相应CE、Sharp、Tonnis角度，根据该角度训练出髋关节发育评估模型，最后通过该评估模型分析髋关节发育是否正常，该方法无需人为手动标注，可自动标注，效率高，且稳定性和准确性波动小，另外，也可实现对髋关节发育情况的全自动分析判断。
另外，根据本发明上述实施例的髋关节X光自动评估方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述步骤S1具体包括：步骤S101,利用HOG模型将所述髋关节发育正常X光图像归一化处理，得到多个相同小方块的方向梯度直方图；步骤S102，利用SVM算法对所述多个相同小方块的方向梯度直方图进行分类，得到所述髋关节位置图像。
进一步地，在本发明的一个实施例中，所述步骤S2具体包括：步骤S201，基于主动外观AMM模型，使用普式分析对所述髋关节位置图像中所有形状进行对齐，得到平均形状；步骤S202，对所述平均形状进行分割，得到所述髋关节位置图像对应的髋关节外轮廓特征点，其中，所述髋关节外轮廓特征点包括左右髋臼外沿，泪滴下沿，股骨头外转子中心；步骤S203，根据所述髋关节外轮廓特征点计算得到髋关节正常发育时CE、Sharp、Tonnis角度。
进一步地，在本发明的一个实施例中，所述步骤S201中普式分析的过程为：
将所有形状的纹理分别进行主成分分析，得到
Figure BDA0002887712530000021
Figure BDA0002887712530000022
其中，s为目标形状，
Figure BDA0002887712530000023
为平均形状，Qs为形状模型中的特征向量，bs为形状模型特征向量对应的参数，g为目标纹理，
Figure BDA0002887712530000024
为平均纹理，Qg为纹理模型中的特征向量，bg为纹理模型特征向量对应的参数；
根据主成分分析结果得到损失函数Δ＝||gs-gm||2，修改bs和bg得到目标形状和纹理，即得到所述平均形状。
进一步地，在本发明的一个实施例中，所述步骤S3中利用密度降序聚类算法具体步骤为：计算三维投影后的每个数据点的密度；通过高斯拟合将所述密度分成至少一个高斯；对所述至少一个高斯进行密度降序，根据所述密度降序判断当前点与密度更大的点之间是否连通，若连通，则将当前点给到上述密度更大点所在的簇，否则作为新的一个簇；将最后一个高斯作为噪声的阈值，将所述CE、Sharp、Tonnis角度进行聚类，对所述预设簇进行高斯拟合，将噪声视为发育不良点，训练完成确定所述髋关节发育评估模型。
其中，当只有一个高斯时，将μ-2*δ作为噪声，μ为该高斯分布的均值，δ为该高斯分布的标准差。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的髋关节X光自动评估方法的流程图；
图2是本发明一个实施例的识别出别股骨头髋臼位置的髋关节X光图像；
图3是本发明一个实施例的自动标注出轮廓中的特定点后，计算得到的相应夹角示意图；
图4是本发明一个实施例的利用密度降序聚类算法的训练流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的髋关节X光自动评估方法。
图1是本发明一个实施例的髋关节X光自动评估方法的流程图。
如图1所示，该髋关节X光自动评估方法包括以下步骤：
在步骤S1中，利用HOG-SVM模型检测髋关节发育正常X光图像中的髋关节位置图像。
具体地，步骤S1包括以下步骤：
步骤S101,利用HOG模型将髋关节发育正常X光图像归一化处理，得到多个相同小方块的方向梯度直方图；
步骤S102，利用SVM算法对多个相同小方块的方向梯度直方图进行分类，得到髋关节位置图像。
举例而言，基于HOG的对象检测将髋关节发育正常X光图像归一化将图像划分相同的小块(例如9*9)统计每个直方图中的方向梯度直方图，形成每个小块的descriptor将几个小块组合到一起形成一个大块(例如3*3小块组成一个大块)，每个小块的descriptor串联得到大块的descriptor，将所有的大块的方向梯度直方图串联起来作为该图像的descriptor，再使用svm算法分类，找出目标物体的具体位置，即髋关节位置图像。
在步骤S2中，利用主动外观AMM模型对髋关节位置图像进行识别，得到髋关节外轮廓特征点，根据髋关节外轮廓特征点计算CE、Sharp、Tonnis角度。
具体地，步骤S2包括以下步骤：
步骤S201，基于主动外观AMM模型，使用普式分析对髋关节位置图像中所有形状进行对齐，得到平均形状，该过程如下：
将所有形状的纹理分别进行主成分分析，得到
Figure BDA0002887712530000031
Figure BDA0002887712530000032
其中，s为目标形状，
Figure BDA0002887712530000033
为平均形状，Qs为形状模型中的特征向量，bs为形状模型特征向量对应的参数，g为目标纹理，
Figure BDA0002887712530000034
为平均纹理，Qg为纹理模型中的特征向量，bg为纹理模型特征向量对应的参数；
根据主成分分析结果得到损失函数Δ＝||gs-gm||2，修改bs和bg向着目标形状扭曲纹理得到一个新的纹理，即得到平均形状。
步骤S202，如图2所示，对平均形状进行分割，得到髋关节位置图像对应的髋关节外轮廓特征点，其中，髋关节外轮廓特征点包括左右髋臼外沿，泪滴下沿，股骨头外转子中心。
也就是说，自动标注出轮廓中的特定点：左右髋臼外沿，泪滴下沿和股骨头外转子中心，之后利用该髋臼负重区对应训练出髋关节发育评估模型以评估髋关节发育是否正常，其中，左右髋臼外沿，泪滴下沿和股骨头外转子中心构成的区域为髋臼负重区。
步骤S203，如图3所示，根据髋关节外轮廓特征点计算得到髋关节正常发育时CE、Sharp、Tonnis角度。
在步骤S3中，分别对CE、Sharp、Tonnis角度进行三维投影，通过密度降序聚类算法对三维投影后的角度进行训练，得到髋关节发育评估模型。
进一步，如图4所示，步骤S3中利用密度降序聚类算法具体步骤为：
计算三维投影后的每个数据点的密度；
通过高斯拟合将密度分成一个或多个高斯；
对多高斯进行密度降序，根据密度降序判断当前点与密度更大的点之间是否连通，若连通，则将当前点给到上述密度更大点所在的簇，否则作为新的一个簇；
将最后一个高斯作为噪声的阈值(当只有一个高斯时，将μ-2*δ作为噪声，μ为该高斯分布的均值，δ为该高斯分布的标准差)，将CE、Sharp、Tonnis角度进行聚类，若大于阈值，则对预设簇进行高斯拟合，若小于阈值，则将噪声视为发育不良点，进而训练完成，得到髋关节发育评估模型。
在步骤S4中，将待评估角度输入髋关节发育评估模型中，判断待评估角度的髋关节发育是否正常。
根据本发明实施例提出的髋关节X光自动评估方法，通过HOG-SVM模型自动标注出髋关节发育正常X光图像的特征点，再根据特征点计算相应CE、Sharp、Tonnis角度，根据该角度训练出髋关节发育评估模型，最后通过该评估模型分析髋关节发育是否正常，该方法无需人为手动标注，可自动标注，效率高，且稳定性和准确性波动小，另外，也可实现对髋关节发育情况的全自动分析判断。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种髋关节X光自动评估方法，其特征在于，包括以下步骤：
步骤S1，利用HOG-SVM模型检测髋关节发育正常X光图像中的髋关节位置图像；
步骤S2，利用主动外观AMM模型对所述髋关节位置图像进行识别，得到髋关节外轮廓特征点，根据所述髋关节外轮廓特征点计算CE、Sharp、Tonnis角度；
步骤S3，分别对所述CE、Sharp、Tonnis角度进行三维投影，通过密度降序聚类算法对三维投影后的角度进行训练，得到髋关节发育评估模型；
步骤S4，将待评估角度输入所述髋关节发育评估模型中，判断所述待评估角度的髋关节发育是否正常。
2.根据权利要求1所述的髋关节X光自动评估方法，其特征在于，所述步骤S1具体包括：
步骤S101,利用HOG模型将所述髋关节发育正常X光图像归一化处理，得到多个相同小方块的方向梯度直方图；
步骤S102，利用SVM算法对所述多个相同小方块的方向梯度直方图进行分类，得到所述髋关节位置图像。
3.根据权利要求1所述的髋关节X光自动评估方法，其特征在于，所述步骤S2具体包括：
步骤S201，基于主动外观AMM模型，使用普式分析对所述髋关节位置图像中所有形状进行对齐，得到平均形状；
步骤S202，对所述平均形状进行分割，得到所述髋关节位置图像对应的髋关节外轮廓特征点，其中，所述髋关节外轮廓特征点包括左右髋臼外沿，泪滴下沿，股骨头外转子中心；
步骤S203，根据所述髋关节外轮廓特征点计算得到髋关节正常发育时CE、Sharp、Tonnis角度。
4.根据权利要求3所述的髋关节X光自动评估方法，其特征在于，所述步骤S201中普式分析的过程为：
将所有形状的纹理分别进行主成分分析，得到
Figure FDA0002887712520000011
Figure FDA0002887712520000012
其中，s为目标形状，
Figure FDA0002887712520000013
为平均形状，Qs为形状模型中的特征向量，bs为形状模型特征向量对应的参数，g为目标纹理，
Figure FDA0002887712520000014
为平均纹理，Qg为纹理模型中的特征向量，bg为纹理模型特征向量对应的参数；
根据主成分分析结果得到损失函数Δ＝||gs-gm||2，修改bs和bg得到目标形状和纹理，即得到所述平均形状。
5.根据权利要求1所述的髋关节X光自动评估方法，其特征在于，所述步骤S3中利用密度降序聚类算法具体步骤为：
计算三维投影后的每个数据点的密度；
通过高斯拟合将所述密度分成至少一个高斯；
对所述至少一个高斯进行密度降序，根据所述密度降序判断当前点与密度更大的点之间是否连通，若连通，则将当前点给到上述密度更大点所在的簇，否则作为新的一个簇；
将最后一个高斯作为噪声的阈值，将所述CE、Sharp、Tonnis角度进行聚类，对所述预设簇进行高斯拟合，将噪声视为发育不良点，训练完成确定所述髋关节发育评估模型。
6.根据权利要求5所述的髋关节X光自动评估方法，其特征在于，当只有一个高斯时，将μ-2*δ作为噪声，其中，μ为该高斯分布的均值，δ为该高斯分布的标准差。
CN202110018948.XA 2021-01-07 2021-01-07 髋关节x光自动评估方法 Active CN112700427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110018948.XA CN112700427B (zh) 2021-01-07 2021-01-07 髋关节x光自动评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110018948.XA CN112700427B (zh) 2021-01-07 2021-01-07 髋关节x光自动评估方法

Publications (2)

Publication Number Publication Date
CN112700427A true CN112700427A (zh) 2021-04-23
CN112700427B CN112700427B (zh) 2024-04-16

Family

ID=75515052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110018948.XA Active CN112700427B (zh) 2021-01-07 2021-01-07 髋关节x光自动评估方法

Country Status (1)

Country Link
CN (1) CN112700427B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090296999A1 (en) * 2006-02-10 2009-12-03 Nordic Bioscience Imaging A/S Breast Tissue Density Measure
CN106682575A (zh) * 2016-11-21 2017-05-17 广东工业大学 Elm算法的人眼点云特征定位
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN108520214A (zh) * 2018-03-28 2018-09-11 五邑大学 一种基于多尺度hog和svm的手指静脉识别方法
CN109086711A (zh) * 2018-07-27 2018-12-25 华南理工大学 人脸特征分析方法、装置、计算机设备和存储介质
CN109242837A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中颈干角的方法、系统、设备及存储介质
CN111798976A (zh) * 2020-06-23 2020-10-20 杭州深睿博联科技有限公司 一种ddh人工智能辅助诊断方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090296999A1 (en) * 2006-02-10 2009-12-03 Nordic Bioscience Imaging A/S Breast Tissue Density Measure
CN107146214A (zh) * 2016-03-01 2017-09-08 厦门大学 儿童髋关节发育状况计算机自动诊断的方法
CN106682575A (zh) * 2016-11-21 2017-05-17 广东工业大学 Elm算法的人眼点云特征定位
CN108520214A (zh) * 2018-03-28 2018-09-11 五邑大学 一种基于多尺度hog和svm的手指静脉识别方法
CN109086711A (zh) * 2018-07-27 2018-12-25 华南理工大学 人脸特征分析方法、装置、计算机设备和存储介质
CN109242837A (zh) * 2018-08-29 2019-01-18 上海市第六人民医院 测量骨盆x光片中颈干角的方法、系统、设备及存储介质
CN111798976A (zh) * 2020-06-23 2020-10-20 杭州深睿博联科技有限公司 一种ddh人工智能辅助诊断方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孟杰, 赵黎, 颉强, 宦怡, 张劲松, 王金峰: "发育性髋关节脱位术后髋臼稳定性及矫形效果评估指标:三维CT对中心边缘角的量化测量", 中国临床康复, no. 14 *
孟杰, 赵黎, 颉强, 宦怡, 张劲松, 王金峰: "发育性髋关节脱位术后髋臼稳定性及矫形效果评估指标:三维CT对中心边缘角的量化测量", 中国临床康复, no. 14, 5 February 2006 (2006-02-05) *
颜俏燕;丁士申;刘铁军;: "X线正位片及多层螺旋CT三维成像检查在成人发育性髋关节发育不良中的诊断价值", 广西医学, no. 04 *
黄奇瑞;: "基于FCM和SVM的TM遥感影像自动分类算法", 华北水利水电大学学报(自然科学版), no. 04 *

Also Published As

Publication number Publication date
CN112700427B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN107239780A (zh) 一种多特征融合的图像匹配方法
US5638458A (en) Automated method and system for the detection of gross abnormalities and asymmetries in chest images
EP2888718B1 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
JP6061713B2 (ja) 検査装置、検査方法及びプログラム
US20030053674A1 (en) Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs
US8594409B2 (en) Automation method for computerized tomography image analysis using automated calculation of evaluation index of degree of thoracic deformation based on automatic initialization, and record medium and apparatus
JP2007327843A (ja) 画像処理装置および画像処理プログラム
JP4946878B2 (ja) 画像識別装置及びプログラム
CN110610472A (zh) 实现肺结节图像分类检测的计算机装置及方法
CN110188694B (zh) 一种基于压力特征的穿鞋足迹序列识别方法
Galsgaard et al. Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement
CN108052886A (zh) 一种小麦条锈病菌夏孢子自动统计计数方法
CA2493123A1 (en) Method, code, and system for assaying joint deformity
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN110765992A (zh) 印章鉴别方法、介质、设备及装置
EP3214604B1 (en) Orientation estimation method and orientation estimation device
He et al. Mammographic image segmentation and risk classification based on mammographic parenchymal patterns and geometric moments
CN112561878A (zh) 基于加权融合的手指静脉图像质量评价方法
Yekutieli et al. Expert assisting computerized system for evaluating the degree of certainty in 2d shoeprints
CN109117837B (zh) 感兴趣区域确定方法和设备
CN112617870B (zh) 一种基于dr图像的成人髋关节角度获取方法
CN112700427B (zh) 髋关节x光自动评估方法
KR101801266B1 (ko) 이미지 분류 방법 및 장치
Gunawan et al. Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation
CN112330706A (zh) 矿井人员安全帽分割方法和装置

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