CN112907537A - 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 - Google Patents

基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 Download PDF

Info

Publication number
CN112907537A
CN112907537A CN202110193016.9A CN202110193016A CN112907537A CN 112907537 A CN112907537 A CN 112907537A CN 202110193016 A CN202110193016 A CN 202110193016A CN 112907537 A CN112907537 A CN 112907537A
Authority
CN
China
Prior art keywords
deep learning
bone
gender
picture
sample
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
Application number
CN202110193016.9A
Other languages
English (en)
Inventor
张吉
黄平
邓恺飞
陈忆九
张建华
秦志强
曹永杰
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.)
Academy Of Forensic Science
Original Assignee
Academy Of Forensic Science
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 Academy Of Forensic Science filed Critical Academy Of Forensic Science
Priority to CN202110193016.9A priority Critical patent/CN112907537A/zh
Publication of CN112907537A publication Critical patent/CN112907537A/zh
Pending legal-status Critical Current

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，包括以下步骤：基于人体影像学训练数据样本，进行三维重建，获得训练骨骼虚拟仿真模型，截取对应的目标骨骼部位图片，进行性别标注并进行扩充处理，构建训练骨骼样本数据集合；基于待测人体真实骨骼样本，进行三维表面扫描重建，获得待测骨骼虚拟仿真模型，截取对应的目标骨骼部位图片，构建待测骨骼样本数据集合；构建深度学习模型，基于训练骨骼样本数据集合，进行迭代训练，获得骨骼性别推断深度学习模型；基于骨骼性别推断深度学习模型，通过待测骨骼样本数据集合，判断待测人体真实骨骼样本的性别及概率，本发明避免了人为主观误差，提高了法医人类学性别推断的准确性。

Description

基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法
技术领域
本发明属于法医人类学检验技术领域，涉及基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法。
背景技术
在对骨骼遗骸的法医学鉴定中，性别推断对于正确建立个体生物特征起着至关重要的作用。人体骨骼含有的性别二态性是法医人类学家进行性别推断的重要依据。从20世纪50年代以后，关于法医人类学研究逐年增加，更多先进的技术手段被应用于骨骼残骸的性别推断之中。其中，深度学习技术因其在诸多领域比人类专家具有更强的分类能力而引起法医人类学专家的极大关注。通过与影像学技术的联用，深度学习模型在骨骼性别推断方面取得了巨大的成就。例如，有学者将CT三维重建技术与深度学习进行联用，训练出可用于颅骨性别推断的预测模型，其外部预测准确率高达95％。然而，作为一种购买及维护成本极高的设施，专用的影像学设备难以在所有法医部门或司法鉴定机构中进行普及，更不可能用于常规法医人类学骨骼性别分析。此外，多数影像学仪器体积庞大且不可移动，因此难以适用于犯罪现场中对骨骼遗骸进行实时性检验。因此，研发高效、准确且可便携的骨骼性别推断设备一直是法医人类学领域的重要研究热点之一。
发明内容
为了解决上述问题，本发明提供基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，包括以下步骤：
S1.基于人体影像学训练数据样本，依据人体CT扫描数据系统进行三维重建，获得训练骨骼样本虚拟仿真模型，通过训练骨骼样本虚拟仿真模型获得目标骨骼部位的目标骨骼部位图片，依据人体影像学训练数据样本的性别特征，对目标骨骼部位图片进行性别标注，对性别标注后的目标骨骼部位图片进行扩充处理，构建训练骨骼样本数据集合；
S2.基于待测人体真实骨骼样本，通过三维表面扫描仪获得待测人体真实骨骼样本的三维位置数据和光学数据，基于三维位置数据和光学数据，构建待测骨骼样本虚拟仿真模型，基于目标骨骼部位，截取对应目标骨骼部位的待测骨骼部位图片，构建待测骨骼样本数据集合；
S3.构建深度学习模型，将训练骨骼样本数据集合，作为深度学习模型的输入数据，对深度学习模型进行迭代训练，获得骨骼性别推断深度学习模型；
S4.基于骨骼性别推断深度学习模型，通过待测骨骼样本数据集合，判断待测人体真实骨骼样本的性别以及性别的概率。
优选地，人体CT扫描数据系统为人体CT扫描数据导入三维重建软件Mimics。
优选地，目标骨骼部位图片和待测骨骼部位图片为虚拟骨骼的特定区域二维图片。
优选地，特定区域二维图片的处理方式包括，对特定区域二维图片进行集中剪裁，获得若干子图片，调整子图片的尺寸为255×255像素。
优选地，通过扩充方法对虚拟骨骼二维图片进行扩充，对子图片进行随机旋转和翻转，获得第一图片数据集；
对子图片进行随机对比度、亮度、色差平衡、强度变换，获得第二图片数据集；
基于第一图片数据集和第二图片数据集，构建训练样本数据集。
优选地，随机旋转和翻转的角度包括90°、180°及270°。
优选地，通过使用迁移学习技术，依据海量数据集ImageNet，基于GoogLeNetInception V4架构导，通过导入TensorFlow进行微调，构建深度学习模型；
基于Adadelta优化器，对深度学习模型的参数进行优化，用于提高深度学习模型的准确率。
优选地，通过Adadelta优化器优化后的参数包括，深度学习模型的单次训练数量为64，深度学习模型的学习率为0.01，深度学习模型的学习率衰减指数为0.8，深度学习模型的学习率衰减步数为10。
优选地，三维表面扫描仪的参数为：
扫描速度为55万次/秒，扫描面积为380×380毫米，分辨率为1毫米，点精度为1毫米。
优选地，骨骼性别推断深度学习模型可移植于便携式笔记本电脑或云端服务器中，用于实现现场对待测骨骼样本进行性别推断。
本发明的积极进步效果在于：
本发明的待测真实骨骼数据保存形式涉及一种1:1高清三维虚拟仿真技术，有效地保留了证据的内在复杂性信息和深度信息，且不受外界因素影响(如噪声，相机位置和光线条件)，其骨骼精细程度也远高于传统数码照片。此外，骨骼信息以虚拟数据形式进行保留，避免了复杂的实体样本处理且节省了特定保存空间。基于该技术的性别推断方法全过程由计算机单独完成，避免了人为主观误差，综合多区域骨骼分析，可进一步提高性别推断的准确性。更为重要的是，所建立的骨骼性别推断模型可移植于笔记本电脑或云端服务器中，实现了对现场骨骼样本进行性别推断的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明所述的技术流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明的目的是建立一个基于虚拟仿真技术的深度学习模型，该模型具有在犯罪现场对真实骨骼遗骸进行性别推断的能力。
如图1所示，本发明提供基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，包括以下步骤：
S1.基于人体影像学训练数据样本，依据人体CT扫描数据系统进行三维重建，获得训练骨骼样本虚拟仿真模型，通过训练骨骼样本虚拟仿真模型获得目标骨骼部位的目标骨骼部位图片，依据人体影像学训练数据样本的性别特征，对目标骨骼部位图片进行性别标注，对性别标注后的目标骨骼部位图片进行扩充处理，构建训练骨骼样本数据集合；
S2.基于待测人体真实骨骼样本，通过三维表面扫描仪获得待测人体真实骨骼样本的三维位置数据和光学数据，基于三维位置数据和光学数据，构建待测骨骼样本虚拟仿真模型，基于目标骨骼部位，截取对应目标骨骼部位的待测骨骼部位图片，构建待测骨骼样本数据集合；
S3.构建深度学习模型，将训练骨骼样本数据集合，作为深度学习模型的输入数据，对深度学习模型进行迭代训练，获得骨骼性别推断深度学习模型；
S4.基于骨骼性别推断深度学习模型，通过待测骨骼样本数据集合，判断待测人体真实骨骼样本的性别以及性别的概率。
人体CT扫描数据系统为人体CT扫描数据导入三维重建软件Mimics。
目标骨骼部位图片和待测骨骼部位图片为虚拟骨骼的特定区域二维图片。
特定区域二维图片的处理方式包括，对特定区域二维图片进行集中剪裁，获得若干子图片，调整子图片的尺寸为255×255像素。
通过扩充方法对虚拟骨骼二维图片进行扩充，对子图片进行随机旋转和翻转，获得第一图片数据集；
对子图片进行随机对比度、亮度、色差平衡、强度变换，获得第二图片数据集；
基于第一图片数据集和第二图片数据集，构建训练样本数据集。
随机旋转和翻转的角度包括90°、180°及270°。
通过使用迁移学习技术，依据海量数据集ImageNet，基于GoogLeNet InceptionV4架构导，通过导入TensorFlow进行微调，构建深度学习模型；
基于Adadelta优化器，对深度学习模型的参数进行优化，用于提高深度学习模型的准确率。
通过Adadelta优化器优化后的参数包括，深度学习模型的单次训练数量为64，深度学习模型的学习率为0.01，深度学习模型的学习率衰减指数为0.8，深度学习模型的学习率衰减步数为10。
三维表面扫描仪的参数为：
扫描速度为55万次/秒，扫描面积为380×380毫米，分辨率为1毫米，点精度为1毫米。
骨骼性别推断深度学习模型可移植于便携式笔记本电脑或云端服务器中，可用于对现场待测骨骼样本进行性别推断。
以下具体陈述本申请的技术思路：
本发明提供的法医学现场骨骼即时性别推断方法包括以下步骤：
(1)训练数据处理：对人体CT扫描数据进行三维重建以构建骨骼虚拟仿真模型，确定有价值的骨骼部位并进行截图，对所得到的特定区域骨骼图片数据进行预处理并扩充构建训练样本数据集合以训练深度学习模型；
(2)深度学习模型训练：将所构建的训练样本数据集合导入骨骼特定区域深度学习模型中进行迭代训练，并最终训练形成用于推断骨骼性别的深度学习模型；
(3)实体骨骼处理：使用三维表面扫描仪获取实际检案中提取的实体骨骼样本的三维位置数据以及光学数据，并在配套数据处理软件中进行虚拟仿真，重建为1：1骨骼虚拟仿真模型，并采用步骤(1)中的方法获取骨骼特定区域图片数据；
(4)性别推断：采用步骤(3)中的方法在犯罪现场获取骨骼虚拟仿真模型以及特定区域骨骼图片，并将待检验的骨骼图片数据导入存储有已训练深度学习模型的笔记本电脑或者云服务器中，最终由模型输出骨骼对应性别及相应概率。
步骤(1)训练数据处理包括以下步骤：①关于骨骼虚拟仿真三维重建方面，将人体CT扫描数据导入三维重建软件Mimics，使用软件的相关工具将骨骼与骨骼临近软组织分离，构建骨骼虚拟仿真模型；②关于虚拟骨骼图片截取方面，在骨骼虚拟仿真模型中确定对性别推断有价值的特定区域并进行截图，从而获取虚拟骨骼特定区域的二维图片，而后人工标注图片的性别信息。③关于虚拟骨骼图片的预处理方面，对虚拟骨骼二维图片进行集中剪裁，调整图片尺寸为255×255像素；采用预设的扩充方法对虚拟骨骼二维图片进行扩充得到训练样本集合，采用的预设扩充方法包括：对图片进行随机90°、180°及270°旋转、翻转；对图片进行随机对比度、亮度、色差平衡、强度变换；完成训练样本集合构建。
步骤(2)深度学习模型训练包括以下步骤：①关于模型构建方面，使用迁移学习技术将曾在海量数据集ImageNet上进行预训练的GoogLeNet Inception V4架构导入TensorFlow并进行微调，完成模型搭建；迁移学习技术可以直接使用预训练模型的相关参数，提高模型在新训练集合上的训练效率；②关于模型训练方面，将上述构建的特定区域骨骼图片的训练样本集合导入深度学习模型中开始迭代训练；③关于模型优化方面，加入Adadelta优化器并预设相关参数，在不断调整相关参数的情况下提高模型的准确率，所采用的训练参数包括：单次训练数量：64，学习率：0.01，学习率衰减指数：0.8，学习率衰减步数：10；并以深度学习模型对特定区域骨骼图片的准确率、敏感度、特异性、感受性曲线下方面积(AUC值)等指标对模型的性别推断效能、泛化能力进行评估，最终得到预测效能最好的深度学习模型。
步骤(3)实体骨骼处理包括以下步骤：①关于实体骨骼虚拟仿真模型构建：将三维表面扫描仪配套标记点以非共线形式放置在待检测的实体骨骼上，为扫描仪提供初始坐标；将三维扫描仪连接至笔记本电脑以通过三维扫描仪的配套软件监测扫描过程中实时构建的虚拟仿真模型是否完整；预先在软件上设置扫描仪的最佳扫描参数，所采用的最佳扫描参数包括：扫描速度：55万次/秒，扫描面积：380×380毫米，分辨率：1毫米，点精度：1毫米；打开三维表面扫描仪并将其在实体骨骼上方移动，同时通过距离引导系统控制扫描仪与实体骨骼保持适当扫描距离；三维扫描仪发射结构光至实体骨骼，并接收反射光从而获取骨骼三维信息数据，形成点云；使用扫描仪配套软件清除周围环境的多余点云，构建实体骨骼三维扫描1：1虚拟仿真模型；此后研究人员可以针对该1：1仿真模型对骨骼进行深层次分析以及后续调取和复检；②关于特定区域骨骼图片截取方面，在三维扫描虚拟仿真骨骼模型中确定感兴趣的特定区域并进行截图，获取骨骼特定区域的二维图片并调整图片尺寸为255×255像素，此处不用进行图片扩充。
步骤(4)性别推断包括以下步骤：通过三维表面扫描设备获取现场骨骼遗骸的虚拟数据，采用所述步骤(3)方法对数据进行处理获取特定骨骼区域的图片，并输出给已植入笔记本电脑或者云服务器的深度学习预测模型中，模型将输出该骨骼图片所属的性别和相应概率。
本发明的骨骼数据保存形式涉及一种1:1高清三维虚拟仿真技术，有效地保留了证据的内在复杂性信息和深度信息，且不受外界因素影响(如噪声，相机位置和光线条件)，其骨骼精细程度也远高于传统数码照片。此外，骨骼信息以虚拟数据形式进行保留，避免了复杂的实体样本处理且节省了特定保存空间。基于该技术的性别推断方法全过程由计算机单独完成，可避免人为主观误差，综合多区域骨骼分析，可进一步提高性别推断的准确性。更为重要的是，所建立的骨骼性别推断模型可移植于笔记本电脑或云端服务器中，实现了对现场骨骼样本进行性别推断的目的。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。

Claims (10)

1.基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，包括以下步骤：
S1.基于人体影像学训练数据样本，依据人体CT扫描数据系统进行三维重建，获得训练骨骼样本虚拟仿真模型，通过所述训练骨骼样本虚拟仿真模型获得目标骨骼部位的目标骨骼部位图片，依据所述人体影像学训练数据样本的性别特征，对所述目标骨骼部位图片进行性别标注，对性别标注后的目标骨骼部位图片进行扩充处理，构建训练骨骼样本数据集合；
S2.基于待测人体真实骨骼样本，通过三维表面扫描仪获得所述待测人体真实骨骼样本的三维位置数据和光学数据，基于所述三维位置数据和光学数据，构建待测骨骼样本虚拟仿真模型，基于所述目标骨骼部位，截取对应所述目标骨骼部位的待测骨骼部位图片，构建待测骨骼样本数据集合；
S3.构建深度学习模型，将所述训练骨骼样本数据集合，作为所述深度学习模型的输入数据，对所述深度学习模型进行迭代训练，获得骨骼性别推断深度学习模型；
S4.基于所述骨骼性别推断深度学习模型，通过所述待测骨骼样本数据集合，判断所述待测人体真实骨骼样本的性别以及所述性别的概率。
2.如权利要求1所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
所述人体CT扫描数据系统为人体CT扫描数据导入三维重建软件Mimics。
3.如权利要求1所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
所述目标骨骼部位图片和待测骨骼部位图片为虚拟骨骼的特定区域二维图片。
4.如权利要求3所述的基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
所述特定区域二维图片的处理方式包括，对所述特定区域二维图片进行集中剪裁，获得若干子图片，调整所述子图片的尺寸为255×255像素。
5.如权利要求4所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
通过扩充方法对虚拟骨骼二维图片进行扩充，对所述子图片进行随机旋转和翻转，获得第一图片数据集；
对所述子图片进行随机对比度、亮度、色差平衡、强度变换，获得第二图片数据集；
基于所述第一图片数据集和所述第二图片数据集，构建所述训练样本数据集。
6.如权利要求5所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
所述随机旋转和翻转的角度包括90°、180°及270°。
7.如权利要求1所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
通过使用迁移学习技术，依据海量数据集ImageNet，基于GoogLeNet Inception V4架构导，通过导入TensorFlow进行微调，构建所述深度学习模型；
基于Adadelta优化器，对所述深度学习模型的参数进行优化，用于提高所述深度学习模型的准确率。
8.如权利要求7所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
通过所述Adadelta优化器优化后的所述参数包括，所述深度学习模型的单次训练数量为64，所述深度学习模型的学习率为0.01，所述深度学习模型的学习率衰减指数为0.8，所述深度学习模型的学习率衰减步数为10。
9.如权利要求1所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
所述三维表面扫描仪的参数为：
扫描速度为55万次/秒，扫描面积为380×380毫米，分辨率为1毫米，点精度为1毫米。
10.如权利要求1所述基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法，其特征在于，
所述骨骼性别推断深度学习模型可移植于便携式笔记本电脑或云端服务器中，用于实现现场对所述待测骨骼样本进行性别推断。
CN202110193016.9A 2021-02-20 2021-02-20 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 Pending CN112907537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110193016.9A CN112907537A (zh) 2021-02-20 2021-02-20 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110193016.9A CN112907537A (zh) 2021-02-20 2021-02-20 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法

Publications (1)

Publication Number Publication Date
CN112907537A true CN112907537A (zh) 2021-06-04

Family

ID=76124058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110193016.9A Pending CN112907537A (zh) 2021-02-20 2021-02-20 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法

Country Status (1)

Country Link
CN (1) CN112907537A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519757A (zh) * 2022-02-17 2022-05-20 巨人移动技术有限公司 一种捏脸处理方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040101184A1 (en) * 2002-11-26 2004-05-27 Radhika Sivaramakrishna Automatic contouring of tissues in CT images
US20040122287A1 (en) * 2002-12-23 2004-06-24 Minigh Phillip V. Human female facsimile
CN1801213A (zh) * 2005-09-30 2006-07-12 铁岭市公安局213研究所 三维颅骨身源鉴定方法及设备
CN102831443A (zh) * 2012-07-27 2012-12-19 北京师范大学 基于子空间分析的颅骨性别鉴定方法
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN107895367A (zh) * 2017-11-14 2018-04-10 中国科学院深圳先进技术研究院 一种骨龄识别方法、系统及电子设备
CN108171714A (zh) * 2017-11-13 2018-06-15 合肥阿巴赛信息科技有限公司 一种基于成对比较的骨折区域识别方法和系统
CN108197539A (zh) * 2017-12-21 2018-06-22 西北大学 一种颅骨性别鉴定方法
CN109903268A (zh) * 2019-01-24 2019-06-18 刘星宇 确定脊柱图像集的异常类型的方法及计算设备
CN110265119A (zh) * 2018-05-29 2019-09-20 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
CN110363140A (zh) * 2019-07-15 2019-10-22 成都理工大学 一种基于红外图像的人体动作实时识别方法
CN110544264A (zh) * 2019-08-28 2019-12-06 北京工业大学 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法
CN110874834A (zh) * 2019-10-22 2020-03-10 清华大学 骨龄预测方法、装置、电子设备及可读存储介质
CN111161254A (zh) * 2019-12-31 2020-05-15 上海体育科学研究所 一种骨龄预测方法
CN111986177A (zh) * 2020-08-20 2020-11-24 太原科技大学 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040101184A1 (en) * 2002-11-26 2004-05-27 Radhika Sivaramakrishna Automatic contouring of tissues in CT images
US20040122287A1 (en) * 2002-12-23 2004-06-24 Minigh Phillip V. Human female facsimile
CN1801213A (zh) * 2005-09-30 2006-07-12 铁岭市公安局213研究所 三维颅骨身源鉴定方法及设备
CN102831443A (zh) * 2012-07-27 2012-12-19 北京师范大学 基于子空间分析的颅骨性别鉴定方法
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN108171714A (zh) * 2017-11-13 2018-06-15 合肥阿巴赛信息科技有限公司 一种基于成对比较的骨折区域识别方法和系统
CN107895367A (zh) * 2017-11-14 2018-04-10 中国科学院深圳先进技术研究院 一种骨龄识别方法、系统及电子设备
CN108197539A (zh) * 2017-12-21 2018-06-22 西北大学 一种颅骨性别鉴定方法
CN110265119A (zh) * 2018-05-29 2019-09-20 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
CN109903268A (zh) * 2019-01-24 2019-06-18 刘星宇 确定脊柱图像集的异常类型的方法及计算设备
CN110363140A (zh) * 2019-07-15 2019-10-22 成都理工大学 一种基于红外图像的人体动作实时识别方法
CN110544264A (zh) * 2019-08-28 2019-12-06 北京工业大学 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法
CN110874834A (zh) * 2019-10-22 2020-03-10 清华大学 骨龄预测方法、装置、电子设备及可读存储介质
CN111161254A (zh) * 2019-12-31 2020-05-15 上海体育科学研究所 一种骨龄预测方法
CN111986177A (zh) * 2020-08-20 2020-11-24 太原科技大学 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JAMES BEWES ET AL.: "Artificial intelligence for sex determination of skeletal remains: Application of a deep learning artificial neural network to human skulls", 《JOURNAL OF FORENSIC AND LEGAL MEDICINE》 *
刘吉 等: "深度学习在医学图像识别中的应用研究", 《青岛大学学报(自然科学版)》 *
吉安卡洛•扎克尼 等: "《TensorFlow深度学习：数学理论与Python实战进阶》", 30 April 2020, 机械工业出版社 *
杨稳: "计算机辅助颅骨性别自动识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 *
王世雄: "基于深度学习的颅骨性别和种族鉴定方法研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *
王嘉庆 等: "基于深度学习的手骨X射线图像骨龄评估", 《计算机工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519757A (zh) * 2022-02-17 2022-05-20 巨人移动技术有限公司 一种捏脸处理方法

Similar Documents

Publication Publication Date Title
Carew et al. Imaging in forensic science: five years on
CN109523535B (zh) 一种病变图像的预处理方法
CN109493308A (zh) 基于条件多判别生成对抗网络的医疗图像合成与分类方法
Mira et al. Early Diagnosis of Oral Cancer Using Image Processing and Artificial Intelligence
CN109063643B (zh) 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法
CN111161272A (zh) 一种基于生成对抗网络的胚胎组织分割方法
CN111462082A (zh) 一种病灶图片识别装置、方法、设备及可读存储介质
CN115345858A (zh) 一种超声心动图质量评价方法、系统及终端设备
Mamdouh et al. A New Model for Image Segmentation Based on Deep Learning.
CN112907537A (zh) 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法
CN113706562A (zh) 图像分割方法、装置、系统及细胞分割方法
Miles et al. Photogrammetry and RTI Survey of Hoa Hakananai’a Easter Island Statue
CN115439650A (zh) 基于ct图像跨模态迁移学习的肾脏超声图像分割方法
CN114677476A (zh) 一种脸部处理方法、装置、计算机设备及存储介质
CN112288861B (zh) 一种基于单张照片的人脸三维模型自动构建方法及系统
CN112734707A (zh) 一种3d内窥镜辅助检测方法、系统、装置及存储介质
US20070020599A1 (en) Bio-expression system and the method of the same
CN111951241A (zh) 一种水生动物运动过程中肌肉形变的测定与显示方法
Wiet et al. Integration of high-resolution data for temporal bone surgical simulations
CN114582201B (zh) 基于高光谱成像和ar技术的中药可视化鉴别系统
Lussu Ultra close-range digital photogrammetry as a tool to preserve, study, and share skeletal remains
MacLeod Imaging and analysis of skeletal morphology: New tools and techniques
CN112967375A (zh) 基于深度学习和虚拟影像技术的法医学骨盆性别鉴别方法
Ghazouali et al. Class-Conditional self-reward mechanism for improved Text-to-Image models
Delrieux et al. Imaging sciences R&D laboratories in Argentina

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604