CN113077419A - 用于髋关节ct影像识别的信息处理方法及装置 - Google Patents
用于髋关节ct影像识别的信息处理方法及装置 Download PDFInfo
- Publication number
- CN113077419A CN113077419A CN202110295503.6A CN202110295503A CN113077419A CN 113077419 A CN113077419 A CN 113077419A CN 202110295503 A CN202110295503 A CN 202110295503A CN 113077419 A CN113077419 A CN 113077419A
- Authority
- CN
- China
- Prior art keywords
- image
- hip joint
- fracture
- network model
- 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.)
- Pending
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种用于髋关节CT影像识别的信息处理方法及装置,首先对原始髋关节CT影像进行预处理,而后将预处理后的图像输入至2D DenseUnet神经网络模型中,对骨折区域进行识别,而后将识别的骨折区域的影像数据输入至MaskRCNN网络模型,由该MaskRCNN对骨折区域进行分割,生成骨折块区域的影像数据;最后将骨折区域的影像映射到CT影像的原始影像尺度。通过2D DenseUnet神经网络模型、MaskRCNN网络模型的方式对原始髋关节CT影像进行识别和分割,实现了对骨折块的精准识别。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及到一种用于髋关节CT影像识别的信息处理方法及装置。
背景技术
在髋关节CT影像中,骨折受损程度是很难评估的,在一些骨折较为复杂,如发生外侧壁骨块游离、内侧壁骨块游离的情况下,医生很难评估缺失的骨块体积是否大到需要采取额外的手术措施来进行补救,而医生无法从CT影像中测算其体积,传统图像处理方法很难通过阈值、滤波等方法将这些密度相仿的骨折块加以区分,进而更无法计算每个骨块的体积。
随着神经网络技术的发展,可以通过神经网络实现图像的识别,但在采用一神经网络训练后进行骨折块时,经常出现的问题是,会将一些将未骨折区域的骨块识别进来,原因是这些骨块其组织密度形状相仿,区分难度大。
发明内容
本公开的主要目的在于提供一种用于髋关节CT影像识别的信息处理方法及装置,以解决骨折区域识别不准确的问题。
为了实现上述目的,根据本公开的第一方面,提供了一种用于髋关节CT影像识别的信息处理方法,包括:对原始髋关节CT影像进行预处理,得到待识别髋关节CT影像;将所述待识别髋关节CT影像输入至预先训练的2D DenseUnet神经网络模型中,以使所述2DDenseUnet神经网络模型对所述待识别髋关节CT影像进行识别,得到待识别髋关节CT影像中的骨折区域影像数据;将所述骨折区域影像数据输入至预先训练的MaskRCNN神经网络模型中,以使所述MaskRCNN神经网络模型对所述骨折区域影像进行分割,得到至少一个骨折块区域的影像数据;将所述至少一个骨折块区域的影像数据映射至所述原始髋关节CT影像中,得到原始髋关节CT影像中髋关节的全部骨折块区域。
根据本公开的第二方面,提供了一种用于髋关节CT影像识别的信息处理装置,包括:预处理单元,被配置成对原始髋关节CT影像进行预处理,得到待识别髋关节CT影像;影像识别单元,被配置成将所述待识别髋关节CT影像输入至预先训练的2D DenseUnet神经网络模型中,以使所述2DDenseUnet神经网络模型对所述待识别髋关节CT影像进行识别,得到待识别髋关节CT影像中的骨折区域影像数据;影像分割单元,被配置成将所述骨折区域影像数据输入至预先训练的MaskRCNN神经网络模型中,以使所述MaskRCNN神经网络模型对所述骨折区域影像进行分割,得到至少一个骨折块区域的影像数据;映射单元,被配置成将所述至少一个骨折块区域的影像数据映射至所述原始髋关节CT影像中,得到原始髋关节CT影像中髋关节的全部。
根据本公开的第三方面,提供了一种用于髋关节CT影像分割模型的训练方法,包括:获取样本集,其中,所述样本集包括髋关节粗隆间骨折的CT影像;对所述CT影像中的骨折区域的轮廓进行标注,得到数据标签;对所述髋关节粗隆间骨折的CT影像进行预处理,得到2D DenseUnet神经网络模型的输入样本,包括:对所述髋关节粗隆间骨折的CT影像的灰度归一化;基于所述输入样本、所述数据标签对2D DenseUnet神经网络模型进行训练;将所述2D DenseUnet神经网络模型输出的轮廓特征图作为MaskRCNN网络模型的输入;将检出框坐标、骨折类型的分类结果及置信度值、和图像分割结果作为MaskRCNN网络模型输出,对所述MaskRCNN网络模型进行训练。
根据本公开的第四方面,提供了一种计算机可读存储介质,包括根据本公开的第五方面,提供了一种电子设备,包括:
在本公开实施例用于髋关节CT影像识别的信息处理方法及装置,首先对原始髋关节CT影像进行预处理,而后将预处理后的图像输入至2DDenseUnet神经网络模型中,对骨折区进行识别,而后将识别的骨折区域的影像数据输入至MaskRCNN网络模型,由该MaskRCNN对骨折区域进行分割,生成骨折块区域的影像数据;最后将骨折区域的影像映射到CT影像的原始影像尺度。通过2D DenseUnet神经网络模型、MaskRCNN网络模型的方式对原始髋关节CT影像进行识别和分割,实现了对骨折块的精准识别,克服了相关技术中,在骨折块识别时,将其它未骨折的骨块识别为骨折块,识别精度低。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术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公开的一些实施方式,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是根据本公开实施例用于髋关节CT影像识别的信息处理方法的流程图;
图2是根据本公开实施例用于髋关节CT影像识别的信息处理方法的一个应用场景图;
图3是根据本公开实施例用于髋关节CT影像识别的信息处理方法的一个应用场景图;
图4是根据本公开实施例用于髋关节CT影像识别的信息处理方法的一个应用场景图;
图5是根据本公开实施例用于髋关节CT影像识别的信息处理方法的另一个应用场景图;
图6是根据本公开实施例用于髋关节CT影像识别的信息处理方法的又一个应用场景图;
图7是根据本公开实施例用于髋关节CT影像识别的信息处理装置的结构示意图;
图8是根据本公开实施例用于髋关节CT影像分割模型的训练方法的流程图。
图9是根据本公开实施例的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开方案,下面将结合本公开实施例中的附图,对本公开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公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,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,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
根据本公开实施例,提供了一种用于髋关节CT影像识别的信息处理方法,如图1所示,该方法包括如下的步骤101至步骤104:
步骤101:对原始髋关节CT影像进行预处理,得到待识别髋关节CT影像。
在本实施例中,可以获取一个或者多个髋关节CT影像数据,而后对该影像数据进行预处理,预处理可以包括灰度归一化、分辨率(大小)调整、空间配准(包括图像的位移、比例缩放与旋转)等处理步骤。具体可以包括采取的窗宽为1250,窗位为300,对CT影像数据再重采样到固定的尺度512x512像素,同时将CT值归一化到灰度范围(0~255),通过调整其灰度范围以削弱影像中一些其它组织带来的影像,同时使得骨头组织和其他组织有一定的对比度,本方法中采取的窗宽为1250,窗位为300,再重采样到固定的尺度512x512,同时将CT值归一化到灰度范围(0~255),减少由于数据多尺度带来的影响,同时满足网络对于输入的需求。
作为本实施例一种可选的实现方式,对原始髋关节CT影像进行预处理之前,所述方法还包括构建2D DenseUnet神经网络模型的下采样网络,以对待识别髋关节CT影像进行下采样,得到待识别髋关节CT影像中骨折区域的轮廓特征;构建所述2D DenseUnet神经网络模型的上采样网络,以将所述轮廓特征还原至原始髋关节CT影像的尺度。
在本可选的实现方式中,实现了对2D DenseUnet神经网络模型的构建,参考图2示出的2D DenseUnet网络架构结构示意图,2D DenseUnet,由DenseNet网络(参考图3)和上采样网络构成的UNet构成。通过DenseNet网络进行CT影像的下采样以实现轮廓特征提取,通过上采样网络以实现将轮廓还原至原影像尺度水平。密集连接的DenseNet网络结构能够将特征直接通过网络通路传递到它的子连接层进行拼接使用,这种传递对于特征复用是没有损失,能够保留完整的特征信息,能实现更加精确的轮廓分割信息,并且由于这种连接的结构,使网络误差反向传播能够更加快速,同时能够更加快速使网络收敛。
DenseNet(Dense Convolutional Network),密集卷积网络,参见图3,DenseNet是用于针对图像生成特征图(Feature Map)的一种神经网络。UNet,U形网络,通常包括下采样部分和上采样部分,由于下采样与上采样网络结构整体类似U形状,故称为U网络。
如图3示出的DenseNet网络结构,依次为卷积层(Convolution)、池化层(Pooling)、以及各DenseBlock层,各DenseBlock之间具有转换层(Transition)。通过DenseNet将输入的CT影像进行特征提取,生成骨折区域的轮廓特征图(feature map)输出。
如图4示出了DenseNet的DenseBlock结构示意图。DenseBlock是包含很多层的模块,每个层的特征图大小相同,层与层之间采用密集连接方式,互相连接所有的层,具体来说就是每个层都会接受其前面所有层的特征图(feature map)作为其额外的输入,通过该设计,将特征在多个不同的层加以复用,提高特征维度及其丰富度,同时提供给后续层更加精确的轮廓和位置特征,以公式来描述为如下:
xl=Hl=[x0,x1,...xl-1]),xl表示l层的输出;Hl表示以非线性变换函数(non-linear transformation),它是一个组合操作,图4中包括BN(Batch Normalization),ReLU,和3*3的卷积(Conv)操作;[x0,x1,...xl-1]表示将0到l-1层的输出feature map做通道的合并(concatenation)。其中,图4中的DenseBlock深度L为5生长系数为4是示例性的。
基于DenseNet这种密集连接的设计,需要各连接层之间的特征尺度(即特征图大小)必须保持一致,为避免导致整个DenseNet网络较大,如图3所示,DenseNet网络中使用Transition模块连接两个相邻的DenseBlock,由Transition层可以包括Pooling层,通过池化操作使特征图大小降低。由于Transition层相当于特征图的压缩,因此也可称为压缩层。
如图2示出的Unet结构中,为了将分割信息还原至原始CT影像尺度,需要在后端部分将特征进行上采样(Upsample)操作,还原分割信息,同时为了得到更加精确的轮廓分割信息,采用该Unet网络结构,将上采样后的特征与前端部分(下采样部分)不同尺度的特征进行结合使用(即图中Summation所示的箭头),该结合可以采用级联的方式,以充分利用网络前端部分的高精度信息,得到更加精确的轮廓。
2D DenseUnet的搭建过程可以包括:网络搭建即确定网络输入尺度,确定网络密集连接的层数、激活函数、特征压缩因子、上采样方式,确定网络监督方式、确定网络的输出。参见图2中的参数,具体搭建如下:
确定网络输入尺度:其中,输入维度为[batch,depth,height,width],其中各个维度分别代表网络输入影像数据的批量大小,输入影像数据的通道数,输入影像数据的高度,输入影像数据的宽度,本实施例采用的输入维度是[4,1,512,512]。
确定网络密集连接的层数,在网络前端特征提取部分,密集连接的层数也随网络深度发生变化,在用于特征提取的DenseBlock设计原则上,越深的网络上其内部密集连接的层数也越多,因为这时的特征层次较之低层特征更为抽象,故需增加其密集连接网络层数,增强其表达能力。本方法中采取了4个深度分别为6、12、36、24的生长系数为48的DenseBlock的结构搭建网络结构,网络总层数为167层。网络总层数包括除了输入层的其他各层,除了上述之外还包括卷积层、池化层、全连接层等。
确定网络中的激活函数,在神经网络中有许多激活函数,如Sigmoid,Tanh等均可以采用,其中,本方法中采用最广泛使用的ReLU激活函数,该激活函数可有效解决传统激活函数有效区过窄,反向传播中梯度消失和梯度爆炸等问题,使用范围较广泛。
确定特征压缩因子,如前所述,在DenseBlock中由于密集连接的结构,特征维度只会越来越深,为了避免内存消耗过大同时减少冗余的特征,通常会在最后一层DenseBlock的输出时加入一层特征压缩层,即Transition层,压缩因子为大于0小于1的小数,本方法通常设置为0.5,即将输出特征压缩至一半,即使用个数为最后一层输出维度一半的1x1的卷积核对其进行卷积运算从而完成特征压缩。
确定上采样方式,在完成网络前半部分特征提取后,影像的尺度已降至较低水平,为了将轮廓分割信息还原至原影像尺度水平,需要对特征进行上采样。上采样的方法包括两种:一种为双线性差值,另一种为转置卷积,本实施例优选是转置卷积的方式,即反卷积的方式,并且如图2所示,将上采样后的特征与前端部分(下采样部分)不同尺度的特征进行结合使用(即图中Summation所示的箭头),该结合可以采用级联的方式。
确定网络的输出,2D DenseUnet主要完成的功能是识别分割出骨折区域,在设计上将它的输出定义为对每个像素完成二分类的语义分割任务,即区分背景和骨折区域,所以若输入的影像是[1,1,512,512],则网络输出的结果是[1,2,512,512],其中输出的第一个channel为背景概率值,第二个channel为骨折区域概率值,每个像素取其中概率值高的作为该像素的分类结果。
步骤102:将所述待识别髋关节CT影像输入至预先训练的2DDenseUnet神经网络模型中,以使所述2D DenseUnet神经网络模型对所述待识别髋关节CT影像进行识别,得到待识别髋关节CT影像中的骨折区域影像数据。
在本实施例中,将步骤101得到的影像,输入经过训练的2D DenseUnet神经网络模型中,由该2D DenseUnet神经网络生成区分了骨折区域与背景区域(即对两个区域进行了二值化处理)的影像数据,得到骨折区域的影像数据,而后可以对预测结果进行保留三维最大连通域的后处理操作,得到最终的骨折区域影像。使用训练后的2D DenseUnet可以生成具有识别骨折区域的CT影像数据。骨折区域的影像数据可以是,使用骨折区域最大截面外围边界框内的影像。
作为本实施例一种可选的实现方式,对原始髋关节CT影像进行预处理之前,所述方法还包括:将髋关节CT影像作为样本集,输入至所述2DDenseUnet神经网络模型中;将髋关节CT影像中标注的骨折区域轮廓信息作为输出,对所述2D DenseUnet神经网络模型进行训练;其中,采用交叉熵损失函数作为监督方式对所述2D DenseUnet神经网络模型进行训练,为前景的损失、为背景的损失、为前景的权重值,为背景的权重值。
在本可选的实现方式中,2D DenseUnet的训练过程可以包括:采用有监督训练模式,目标输出为真实标注的骨折区域轮廓信息,监督方式为交叉熵损失函数,然后将这种监督方式得到的损失通过网络反向传播的方式传递至整个网络进行参数更新,不断训练优化,直到网络收敛。
确定网络监督的方式,在2D DenseUnet分割任务中,主要考察的是网络对每个像素的分类能力,本实施例可以采用的交叉熵函数来评价网络这一性能,同时为了平衡背景和前景的像素数量分布,对其在损失函数中进行了加权,Lseg=w1Lforeground+w2Lbackground,Lforeground为前景的损失、Lbackground为背景的损失、w1为前景的权重值,w2为背景的权重值,具体视前景和背景所占的比例而定,优选设置为5:1即可获得较好效果,该处损失函数计算方式为交叉熵函数。
网络训练所使用的数据:使用2D DenseUnet进行端到端的训练,输入为待识别髋关节CT影像,网络训练标签为只标注了骨折区域轮廓的Mask。
经过上述2D DenseUnet的网络框架训练后,对预测结果进行保留三维最大连通域的后处理即可识别出骨折区域,本方法在有限的测试集上识别骨折区域准确率高达100%。
步骤103:将所述骨折区域影像数据输入至预先训练的MaskRCNN神经网络模型中,以使所述MaskRCNN神经网络模型对所述骨折区域影像进行分割,得到至少一个骨折块区域的影像数据。
在本实施例中,将步骤102得到数据输入至预先训练的MaskRCNN神经网络模型中,可以对骨折区域的影像进行分割,生成疑似骨折块图像的分割数据,分割数据可以包括一检出框(Coordinates)坐标、一骨折类型的分类结果(Category)和对应的分类结果的置信度的值、分割结果(Mask)
作为本实施例一种可选的实现方式,在对原始髋关节CT影像进行预处理之前,还建立MaskRCNN神经网络模型包括:建立提取疑似骨折区域特征图的网络,以对所述2DDenseUnet神经网络模型输出的轮廓特征图进行特征提取;建立对疑似骨折区域特征图进行候选框标记的网络,以对疑似骨折区域特征图进行候选框标记;将候选框区域的图像池化为固定尺寸的图像;建立图像分割网络,对所述固定尺寸的图像中疑似骨折区域图像进行轮廓分割,得到疑似骨折块图像;对疑似骨折块图像进行识别,输出疑似骨折块图像的分割数据。
在本可选的实现方式中,在可以准确识别骨折区域影像的基础上,使用骨折区域最大截面外围边界框内的影像进行MaskRCNN网络框架的训练,为了平衡正负样本的比例,本实施例可以将边界框往四周各扩充50个像素,增大了影像的内容,平衡了正负样本,同时对网络训练的标签进行了同样的处理,最终训练按上述方式搭建的MaskRCNN网络至收敛,即可完成骨块区域分割的任务。
具体地,参考图5示出的MaskRCNN网络架构,以Faster RCNN原型可以包括FPN(Feature Pyramid Network),特征金字塔网络,用于骨折区域影像生成特征图(FeatureMap);RPN网络根据该特征图生成可能是目标区域的候选框;通过RoI Align对齐方式根据候选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图,然后增加一个head分支来扩大RoI Align输出的维度,随后一方面,输入至FCN网络中进行分割,输出每个类的Mask预测结果;另一方面,通过RoI Align对齐方式根据候选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图还输入以FC Layer(全链接层),分别输出一个检出框(Coordinates)、分类结果(Category)。其中,输出检出框(Coordinates)是以输出坐标的方式进行输出,分类结果是所预测的Mask所属的种类,置信度值即计算所属分类结果时softmax计算出的具体的百分比值。
具体地,MaskRCNN是一个结构非常复杂的网络,为了完成精确识别分割骨块的任务,可以在原有目标检测框架中增加mask分支,用于完成目标轮廓的精准分割。网络的搭建依次为确定提取特征的网络、确定RPN的输出、确定RoI对齐的方式、确定分割轮廓的网络、确定网络的监督方式、确定网络的输出。
确定提取特征的网络,MaskRCNN的前端网络框架继续沿用Faster RCNN的设计,直接使用网络提取整张图的特征,可以采用的网络可以是任意的,如AlexNet、ResNet、GoogleNet等,本方法中采用的是在ImageNet上预训练后的ResNet101网络。
确定RPN的输出,使用RPN网络在网络提取后的特征上生成疑似目标区域的候选框,正样本为和标签IOU大于0.7的样本,负样本为和标签IOU小于0.3的样本,为了平衡正样本和负样本的数量,采取RPN中正负样本中按IOU值从高到低的前1000个样本,共组成2000个候选区域的样本量用于下一阶段的训练。
确定ROI对齐的方式,不同于Faster RCNN中使用的ROI Pooling边缘像素四舍五入取整对齐,网络中使用ROI Align的双线性插值方式来精确的找到每个块对应的特征,再通过一个head网络将对齐后的特征维度进行放大,保持和标注数据同等尺度,以便得到更精确的分割精度。
确定分割轮廓的网络,为了得到精确的轮廓分割,没有采用类似全连接网络的方式,采用了和类似上述2D DenseUnet的全卷积神经网络(FCN)进行分割,预测每个类的MASK结果。
确定网络的输出,MaskRCNN网络的主要功能为对骨折区域的骨块进行识别分割,为了得到更精确的识别分割结果,网络最终会为每一个疑似骨折块的区域输出一个检出框(Coordinates)、分类结果(Category)和置信度值、分割结果(Mask)。
可以理解的是,RPN(Region Proposal Network),区域选取网络/提取候选框网络,用于针对图像生成选取框(候选框)的神经网络;Rol Align(Region of interestAlign),感兴趣区域校准层,作用是根据候选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图。FCN(Fully Convolution Nets),全卷积网络,用于对图像进行像素级的分类的一种神经网络。FC(Fully Connections),全连接层。ROI(region of interest),感兴趣区域。IOU(intersect over union),交并比,指目标预测框和真实框的交集和并集的比例。
作为本实施例一种可选的实现方式,在对原始髋关节CT影像进行预处理之前,所述方法还包括:将所述2D DenseUnet神经网络模型输出的轮廓特征图作为MaskRCNN网络模型的输入;将检出框坐标、骨折类型的分类结果及置信度值、和图像分割结果作为MaskRCNN网络模型输出,对所述MaskRCNN网络模型进行训练;其中,采用损失函数作为监督方式,对所述图像分割网络进行训练,所述为候选框标记网络的损失、为图像分割的损失、为骨折类型分类损失、为检出框回归的损失。
在本实施例中,神经网络的训练方式:采用平均二分类交叉熵的方式进行监督训练,直至收敛。确定网络的监督方式,为了达到识别分割的任务,MaskRCNN前端有一个用于产生候选框的RPN网络,后端有三个任务分支,分别是分割、分类、检出框回归,所以是一个综合的多任务模型,采取的网络监督方式为:Lfinal=LRPN+Lmask+Lcls+Lbbox作为监督方式,对所述图像分割网络进行训练,所述LRPN为候选框标记网络的损失、Lmask为图像分割的损失、Lcls为骨折类型分类损失、Lbbox为检出框回归的损失。
作为本实施例一种可选的实现方式,在得到至少一个骨折块区域的影像数据之后,所述方法还包括:识别所述骨折块区域中,与骨折骨头图像无关的影像;去除所述与骨折骨头图像无关的影像数据。
在本实施例中,需要对分割结果(Mask)进行修正处理,以去除分割结果中的微小噪声和重合等情况。例如,对于分割结果中的噪声包括预测结果中可能会错误的检出的一些与髋关节无关的髂骨或者其它骨头,由于其它骨头与髋关节分离较远,因此可通过保留三维最大连通域的方式去除与预测的无关的髂骨等骨头。
例如,对于分割结果中重合情况的识别和去除,可以采用NMS(非极大值抑制)方法去掉预测的重复的检测框,不同于一般采用检出框的IOU,本实施例使用了检出框内的Mask的IOU来评判,IOU高于0.5的Mask被认为是重复轮廓。之后,再进一步按照检出的置信度的排序,去除置信度值较低的重复轮廓,其中,IOU的计算方式如下:y为预测结果预测结果(通过神经网络计算的Mask);为真实标签(真实标签指训练集数据的轮廓数据标签)。
通过上述步骤,则可以实现对髋关节CT影像的骨折识别分割,进而识别出骨折块。如图6示出了对髋关节CT影像的识别结果场景图。图6a是原始标注的影像,图6b是本实施例分割后的影像,其中的A、B、C对应的每一个轮廓表示一个骨折块区域,且A、B、C可以表示不同的骨折块类型。
步骤104:将所述至少一个骨折块区域的影像数据映射至所述原始髋关节CT影像中,得到原始髋关节CT影像中髋关节的全部骨折块区域。
在本实施例中,根据步骤103所生成的结果,将骨折块区域的影像映射到原始影像尺度。根据截取的骨折块区域影像坐标点即可还原至原始影像大小,从而可获得该CT影像序列的全部分割结果(Mask)。
从以上的描述中,可以看出,本公开实现了如下技术效果:通过2DDenseUnet神经网络模型、MaskRCNN网络模型的方式对原始髋关节CT影像进行识别和分割,如果将这两个任务视作一个任务,通常会出现在分割骨折块的时候,会将未骨折区域的骨块识别进来,原因是其组织密度形状相仿,难以区分。因此基于识别和分割这两个任务本身存在一定的关联,本公开实施例将该两个任务设计级联式的解决方案,即先进行骨折区域识别任务,然后专注在骨折区域完成骨块的分割任务,从而能减少将其它未骨折的骨块识别为骨折块。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本公开实施例,还提供了一种用于实施上述用于髋关节CT影像识别的信息处理方法的装置,如图7所示,该装置包括:预处理单元701,被配置成对原始髋关节CT影像进行预处理,得到待识别髋关节CT影像;影像识别单元702,被配置成将所述待识别髋关节CT影像输入至预先训练的2D DenseUnet神经网络模型中,以使所述2D DenseUnet神经网络模型对所述待识别髋关节CT影像进行识别,得到待识别髋关节CT影像中的骨折区域影像数据;影像分割单元703,被配置成将所述骨折区域影像数据输入至预先训练的MaskRCNN神经网络模型中,以使所述MaskRCNN神经网络模型对所述骨折区域影像进行分割,得到至少一个骨折块区域的影像数据;映射单元704,被配置成将所述至少一个骨折块区域的影像数据映射至所述原始髋关节CT影像中,得到原始髋关节CT影像中髋关节的全部。
根据本公开实施例,还提供了一种用于髋关节CT影像分割模型的训练方法,如图8所示,包括
步骤801:获取样本集,其中,所述样本集包括髋关节粗隆间骨折的CT影像;
步骤802:对所述CT影像中的骨折区域的轮廓进行标注,得到数据标签;
步骤803:对所述髋关节粗隆间骨折的CT影像进行预处理,得到2DDenseUnet神经网络模型的输入样本,包括:对所述髋关节粗隆间骨折的CT影像的灰度归一化;
步骤804:基于所述输入样本、所述数据标签对2D DenseUnet神经网络模型进行训练;
步骤805:将所述2D DenseUnet神经网络模型输出的轮廓特征图作为MaskRCNN网络模型的输入;
步骤806:将检出框坐标、骨折类型的分类结果及置信度值、和图像分割结果作为MaskRCNN网络模型输出,对所述MaskRCNN网络模型进行训练。
本实施例的具体实现方式与用于髋关节CT影像识别的信息处理方法的实施例相同,在此不再赘述。
本公开实施例提供了一种电子设备,如图9所示,该电子设备包括一个或多个处理器91以及存储器92,图9中以一个处理器91为例。
该控制器还可以包括:输入装置93和输出装置94。
处理器91、存储器92、输入装置93和输出装置94可以通过总线或者其他方式连接,图9中以通过总线连接为例。
处理器91可以为中央处理器(CentralProcessingUnit,CPU)。处理器91还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。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。
存储器92作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本公开实施例中的控制方法对应的程序指令/模块。处理器91通过运行存储在存储器92中的非暂态软件程序、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的用于髋关节CT影像识别的信息处理方法。
存储器92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服务器操作的处理装置的使用所创建的数据等。此外,存储器92可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器92可选包括相对于处理器91远程设置的存储器,这些远程存储器可以通过网络连接至网络连接装置。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。
输入装置93可接收输入的数字或字符信息,以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置94可包括显示屏等显示设备。
一个或者多个模块存储在存储器92中,当被一个或者多个处理器91执行时,执行如图1所示的方法。
本领域技术人员可以理解,实现上述实施例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,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各电机控制方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本公开的实施方式,但是本领域技术人员可以在不脱离本公开的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种用于髋关节CT影像识别的信息处理方法,其特征在于,包括:
对原始髋关节CT影像进行预处理,得到待识别髋关节CT影像;
将所述待识别髋关节CT影像输入至预先训练的2D DenseUnet神经网络模型中,以使所述2D DenseUnet神经网络模型对所述待识别髋关节CT影像进行识别,得到待识别髋关节CT影像中的骨折区域影像数据;
将所述骨折区域影像数据输入至预先训练的MaskRCNN神经网络模型中,以使所述MaskRCNN神经网络模型对所述骨折区域影像进行分割,得到至少一个骨折块区域的影像数据;
将所述至少一个骨折块区域的影像数据映射至所述原始髋关节CT影像中,得到原始髋关节CT影像中髋关节的全部骨折块区域。
2.根据权利要求1所述的用于髋关节CT影像识别的信息处理方法,其特征在于,在得到至少一个骨折块区域的影像数据之后,所述方法还包括:
识别所述骨折块区域中,与骨折骨头图像无关的影像;
去除所述与骨折骨头图像无关的影像数据。
3.根据权利要求1所述的用于髋关节CT影像识别的信息处理方法,其特征在于,对原始髋关节CT影像进行预处理之前,所述方法还包括:
构建2D DenseUnet神经网络模型的下采样网络,以对待识别髋关节CT影像进行下采样,得到待识别髋关节CT影像中骨折区域的轮廓特征;
构建所述2D DenseUnet神经网络模型的上采样网络,以将所述轮廓特征还原至原始髋关节CT影像的尺度。
4.根据权利要求1或3所述的用于髋关节CT影像识别的信息处理方法,其特征在于,在对原始髋关节CT影像进行预处理之前,所述方法还包括:
将髋关节CT影像作为样本集,输入至所述2D DenseUnet神经网络模型中;
将髋关节CT影像中标注的骨折区域轮廓信息作为输出,对所述2DDenseUnet神经网络模型进行训练;
其中,采用交叉熵损失函数Lseg=w1Lforeground+w2Lbackground作为监督方式对所述2DDenseUnet神经网络模型进行训练,Lforeground为前景的损失、Lbackground为背景的损失、w1为前景的权重值,w2为背景的权重值。
5.根据权利要求1所述的用于髋关节CT影像识别的信息处理方法,其特征在于,在对原始髋关节CT影像进行预处理之前,还建立MaskRCNN神经网络模型包括:
建立提取疑似骨折区域特征图的网络,以对所述2D DenseUnet神经网络模型输出的轮廓特征图进行特征提取;
建立对疑似骨折区域特征图进行候选框标记的网络,以对疑似骨折区域特征图进行候选框标记;
将候选框区域的图像池化为固定尺寸的图像;
建立图像分割网络,对所述固定尺寸的图像中疑似骨折区域图像进行轮廓分割,得到疑似骨折块图像;
对疑似骨折块图像进行识别,输出疑似骨折块图像的分割数据。
6.根据权利要求5所述的用于髋关节CT影像识别的信息处理方法,其特征在于,在对原始髋关节CT影像进行预处理之前,所述方法还包括:
将所述2D DenseUnet神经网络模型输出的轮廓特征图作为MaskRCNN网络模型的输入;
将检出框坐标、骨折类型的分类结果及置信度值、和图像分割结果作为MaskRCNN网络模型输出,对所述MaskRCNN网络模型进行训练;
其中,采用损失函数Lfinal=LRPN+Lmask+Lcls+Lbbox作为监督方式,对所述图像分割网络进行训练,所述LRPN为候选框标记网络的损失、Lmask为图像分割的损失、Lcls为骨折类型分类损失、Lbbox为检出框回归的损失。
7.一种用于髋关节CT影像识别的信息处理装置,其特征在于,包括:
预处理单元,被配置成对原始髋关节CT影像进行预处理,得到待识别髋关节CT影像;
影像识别单元,被配置成将所述待识别髋关节CT影像输入至预先训练的2D DenseUnet神经网络模型中,以使所述2D DenseUnet神经网络模型对所述待识别髋关节CT影像进行识别,得到待识别髋关节CT影像中的骨折区域影像数据;
影像分割单元,被配置成将所述骨折区域影像数据输入至预先训练的MaskRCNN神经网络模型中,以使所述MaskRCNN神经网络模型对所述骨折区域影像进行分割,得到至少一个骨折块区域的影像数据;
映射单元,被配置成将所述至少一个骨折块区域的影像数据映射至所述原始髋关节CT影像中,得到原始髋关节CT影像中髋关节的全部。
8.一种用于髋关节CT影像分割模型的训练方法,其特征在于,包括:
获取样本集,其中,所述样本集包括髋关节粗隆间骨折的CT影像;
对所述CT影像中的骨折区域的轮廓进行标注,得到数据标签;
对所述髋关节粗隆间骨折的CT影像进行预处理,得到2D DenseUnet神经网络模型的输入样本,包括:对所述髋关节粗隆间骨折的CT影像的灰度归一化;
基于所述输入样本、所述数据标签对2D DenseUnet神经网络模型进行训练;
将所述2D DenseUnet神经网络模型输出的轮廓特征图作为MaskRCNN网络模型的输入;
将检出框坐标、骨折类型的分类结果及置信度值、和图像分割结果作为MaskRCNN网络模型输出,对所述MaskRCNN网络模型进行训练。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的用于髋关节CT影像识别的信息处理方法。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6任意一项所述的用于髋关节CT影像识别的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295503.6A CN113077419A (zh) | 2021-03-19 | 2021-03-19 | 用于髋关节ct影像识别的信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295503.6A CN113077419A (zh) | 2021-03-19 | 2021-03-19 | 用于髋关节ct影像识别的信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077419A true CN113077419A (zh) | 2021-07-06 |
Family
ID=76613479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295503.6A Pending CN113077419A (zh) | 2021-03-19 | 2021-03-19 | 用于髋关节ct影像识别的信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077419A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808179A (zh) * | 2021-08-31 | 2021-12-17 | 数坤(北京)网络科技有限公司 | 一种图像的配准方法、装置及可读存储介质 |
CN114049315A (zh) * | 2021-10-29 | 2022-02-15 | 北京长木谷医疗科技有限公司 | 关节识别方法、电子设备、存储介质及计算机程序产品 |
CN114494183A (zh) * | 2022-01-25 | 2022-05-13 | 哈尔滨医科大学附属第一医院 | 一种基于人工智能的髋臼半径自动测量方法及系统 |
CN114742763A (zh) * | 2022-03-14 | 2022-07-12 | 慧影医疗科技(北京)股份有限公司 | 骨骼图像的识别优化方法、系统、存储介质及电子设备 |
CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
CN117671262A (zh) * | 2023-12-08 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 骨科创伤骨折面分割与检测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242869A (zh) * | 2018-09-21 | 2019-01-18 | 科大讯飞股份有限公司 | 一种图像实例分割方法、装置、设备及存储介质 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN111738989A (zh) * | 2020-06-02 | 2020-10-02 | 北京全域医疗技术集团有限公司 | 一种器官勾画方法及装置 |
-
2021
- 2021-03-19 CN CN202110295503.6A patent/CN113077419A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN109242869A (zh) * | 2018-09-21 | 2019-01-18 | 科大讯飞股份有限公司 | 一种图像实例分割方法、装置、设备及存储介质 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
CN111738989A (zh) * | 2020-06-02 | 2020-10-02 | 北京全域医疗技术集团有限公司 | 一种器官勾画方法及装置 |
Non-Patent Citations (6)
Title |
---|
AAKASH KAKU ET AL.: "DARTS:DenseUnet-based Automatic Rapid Tool for Brain Segmentation", 《ARXIV:1911.05567V2》 * |
HRAIN: "《DenseNet:密集连接卷积网络》", 16 March 2019 * |
KAIMING HE ET AL.: "Mask R-CNN", 《ARXIV:1703.06870V3》 * |
OSC_R33MP6VV: "《mask-rcnn代码解读(五):mask_iou的计算》", 15 December 2019 * |
残剑天下论: "《MaskRCNN和RoIAlign》", 15 May 2020 * |
马慧彬: "《基于机器学习的乳腺图像辅助诊断算法研究》", 31 August 2016, 湖南师范大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808179A (zh) * | 2021-08-31 | 2021-12-17 | 数坤(北京)网络科技有限公司 | 一种图像的配准方法、装置及可读存储介质 |
CN114049315A (zh) * | 2021-10-29 | 2022-02-15 | 北京长木谷医疗科技有限公司 | 关节识别方法、电子设备、存储介质及计算机程序产品 |
CN114049315B (zh) * | 2021-10-29 | 2023-04-18 | 北京长木谷医疗科技有限公司 | 关节识别方法、电子设备、存储介质及计算机程序产品 |
CN114494183A (zh) * | 2022-01-25 | 2022-05-13 | 哈尔滨医科大学附属第一医院 | 一种基于人工智能的髋臼半径自动测量方法及系统 |
CN114494183B (zh) * | 2022-01-25 | 2024-04-02 | 哈尔滨医科大学附属第一医院 | 一种基于人工智能的髋臼半径自动测量方法及系统 |
CN114742763A (zh) * | 2022-03-14 | 2022-07-12 | 慧影医疗科技(北京)股份有限公司 | 骨骼图像的识别优化方法、系统、存储介质及电子设备 |
CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
CN116309636B (zh) * | 2023-02-21 | 2024-07-23 | 北京长木谷医疗科技股份有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
CN117671262A (zh) * | 2023-12-08 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 骨科创伤骨折面分割与检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077419A (zh) | 用于髋关节ct影像识别的信息处理方法及装置 | |
CN110490212B (zh) | 钼靶影像处理设备、方法和装置 | |
CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111369565B (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割系统 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN113221925A (zh) | 一种基于多尺度图像的目标检测方法及装置 | |
CN111667459A (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN115797929A (zh) | 基于双注意力机制的小型农田图像分割方法、装置 | |
CN113782181A (zh) | 一种基于ct图像的肺结节良恶性诊断方法及装置 | |
Liu et al. | Improved road centerlines extraction in high-resolution remote sensing images using shear transform, directional morphological filtering and enhanced broken lines connection | |
CN117095180A (zh) | 基于分期识别的胚胎发育阶段预测与质量评估方法 | |
CN116844143B (zh) | 基于边缘增强的胚胎发育阶段预测与质量评估系统 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112990207A (zh) | 车牌图像提取方法、装置、系统、存储介质和计算机设备 | |
Mahmoud et al. | Novel feature extraction methodology based on histopathalogical images and subsequent classification by Support Vector Machine |
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 |