CN113129278A - 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 - Google Patents
基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 Download PDFInfo
- Publication number
- CN113129278A CN113129278A CN202110365601.2A CN202110365601A CN113129278A CN 113129278 A CN113129278 A CN 113129278A CN 202110365601 A CN202110365601 A CN 202110365601A CN 113129278 A CN113129278 A CN 113129278A
- Authority
- CN
- China
- Prior art keywords
- femoral shaft
- unary
- shaft fracture
- fracture
- attention
- 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
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于非局部分离注意力机制的X‑Ray图片股骨干骨折检测方法,其特点是采用Faster RCNN网络结构,在FPN上添加非局部分离注意力机制,将sobel算子得到的边缘信息对注意力机制中的unary分支进行约束,训练一个神经网络,实现对X‑Ray图片骨折区域的提取和分类。本发明与现有技术相比具有对X‑Ray图像中的骨折区域和类型进行检测,方法简便,精度高,有效解决了复杂骨折类型检测精度低的问题。
Description
技术领域
本发明涉及计算机视觉与数字图像处理技术领域,尤其是一种基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法。
背景技术
目前,卷积神经网络在计算机视觉领域取得了良好的效果,计算机视觉在医学领域的应用越来越多。对于股骨干骨折病人的治疗和恢复情况,很大程度取决于医生根据骨折类型制定的手术方案。因此,一种有效、准确的骨折诊断与分类辅助技术在临床工作中十分有必要。然而,目前没有使用计算机视觉任务来进行股骨干骨折的检测与类别诊断。
发明内容
本发明的目的是针对现有技术的不足而提供的一种X-Ray图片股骨干骨折检测方法,采用非局部分离注意力机制提炼关键特征,将该关键特征传递至后面的层;对非局部分离注意力模块的unary输出,用原图经过sobel算子的边缘信息进行约束,提升检测准确率。建立基于ResNet和FPN的Faster RCNN网络,采用多尺度特征融合技术提取丰富的细节信息,增强网络对不同大小目标特征的表达能力;构建非局部分离注意力模块并嵌入FPN的最小分辨率,并使用原图经过sobel算子的边缘信息对注意力模块输出的unary进行约束,以提升网络对复杂骨折的特征表达能力,将提取的特征传递至后面的网络,有效提取X-Ray图像中的股骨干骨折区域,判定骨折类别,提高复杂股骨干骨折检测的精度,方法简便,精度高,解决了复杂骨折类型检测精度低的问题。
本发明的目的是这样实现的:一种基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法,其特点是基于Faster RCNN网络结构,在FPN上添加非局部分离注意力机制,将sobel算子得到的边缘信息对注意力机制中的unary分支进行约束,训练一个神经网络,实现对X-Ray图片骨折区域的提取和分类,具体包括以下步骤:
步骤1:收集股骨干骨折X-Ray图片,根据AO分型法对数据进行标注,制作股骨干骨折数据集;
步骤2:使用收集的股骨干骨折数据集的训练集和验证集训练卷积神经网络;
步骤3:使用步骤2训练好的卷积神经网络对股骨干骨折数据集的测试集中的骨折区域进行检测。
所述步骤2具体包括以下步骤:
步骤21:搭建backbone为ResNet50和FPN的Faster RCNN网络结构;构建非局部分离注意力模块,并嵌入到FPN最小分辨率上;
步骤22:使用sobel算子对原图计算一阶导数,对图像的边缘进行检测;
步骤23:采用股骨干骨折数据集进行卷积神经网络的训练和参数优化,损失函数为RPN和RCNN阶段的分类损失和回归损失以及unary损失;使用步骤22得到的图像边缘对步骤21中的非局部注意力模块中的unary分支进行约束,得到unary损失。
步骤24:使整个网络的参数更新,最终得到训练模型。
所述步骤1具体为:收集X-Ray股骨干骨折图片,使用LabelImg软件人工标记训练集X-Ray图像中股骨干骨折区域,得到各个人工标注框,根据AO分型法对标注框标注类别信息;所述类别分别为A1、A2、A3、B1、B2、B3、C1、C2和C3。
所述步骤21具体为:ResNet-50由3、4、6和3个残差映射结构组成的四个卷积组,其分辨率逐组减小;FPN结构将ResNet的网络自上而下融合,将上采样的高层语义与浅层的定位细节进行融合,然后利用卷积对各层分别融合,以消除上采样带来的重叠效应;构建非局部分离注意力模块,嵌入FPN的最小分辨率中,提升网络对复杂骨折类型特征的表达能力,所述非局部分离注意力模块的构建方法包括:
步骤211:设计pairwise注意力结构,提取到内部特征;
步骤212:设计unary注意力结构,提取到特征的边缘特征;
步骤213:将pairwise和unary结构的输出与原特征融合。
所述步骤22具体为:使用sobel算子对原图像的每一个像素点分别计算水平方向和竖直方向的一阶梯度,将两个方向的梯度平方相加并开根号得到该像素的梯度大小;计算完所有的像素,在边缘处梯度达到极值,获取到图像的边缘。
所述步骤23具体为:RPN和RCNN的分类损失为Cross Entropy Loss,回归损失为SmoothL1 Loss;将unary注意力结构的输出插值到原图大小,使用步骤22得到的边缘作为标签进行约束,采用BCE Loss。
所属步骤24具体为:计算所有损失函数对网络所有参数的偏导数并更新,直至最大迭代次数,得到最终训练模型。
所述步骤211具体为:对输入特征分别接卷积层,得到query和key;对query和key分别减去均值后矩阵相乘,经过softmax得到相似度矩阵。
所述步骤212具体为:对输入特征接卷积层,得到unary map扩展到与步骤211输出的相似度矩阵相同维度大小,经过softmax得到unary注意力矩阵。
所述步骤213具体为:对输入特征接卷积层,得到value;将步骤211所得的相似度矩阵和步骤212所得的unary注意力矩阵相加,与value矩阵相乘得到注意力模块的输出,该输出与输入特征的维度大小相同;将注意力模块的输出与输入特征相加,送入后续网络中。
本发明与现有技术相比具有对X-Ray图像中的骨折区域和类型进行检测,方法简便,精度高,该方法用于检测股骨干X-Ray图像中的股骨干骨折区域的定位框和类别,可有效地对X-Ray图像中的骨折区域和类型进行检测。特别的,通过在FPN最小分辨率上引入非局部分离注意力机制,并使用sobel算子对原图计算得到的一阶导数对非局部注意力模块中的unary分支进行约束,有效解决了复杂骨折类型检测精度低的问题。
附图说明
图1为本发明的流程示意图;
图2为本发明的网络结构图;
图3 为本发明步骤2流程示意图;
图4 非局部可分离注意力模块示意图。
具体实施方式
为了更加清楚明白地说明本发明所述的技术手段、技术改进及有益效果,以下结合附图对本发明进行详细的说明。
实施例1
参阅附图1,本发明为基于Faster RCNN网络结构,并在FPN上添加非局部分离注意力机制,同时使用sobel算计得到的边缘信息对注意力机制中的unary分支进行约束,训练一个神经网络,实现对X-Ray图片骨折区域的提取和分类,具体包括以下步骤:
S1:收集股骨干骨折X-Ray图片,请专业医生根据AO分型法对图片进行标注;
该步骤具体为:四名十年工作经验以上的医生使用LabelImg软件人工标记训练集X-Ray图像中股骨干骨折区域,得到各个人工标注框,根据AO分型法对标注框标注类别信息:
Step 0.收集股骨干骨折X-Ray图片,排除过度曝光、模糊、有肿瘤或其他病变、有手术史的病例图片;
Step 1.分别由3位从事创伤治疗超过10年的骨科医师,1名从事肌肉骨骼专业超过10年的放射科医生进行骨折区域目标狂和类别的标注。如果有不能确定图像,则复查CT或术后影像资料,重新评估分类。如果各位医生不能达成一致,该案将被排除在外。
S2:搭建卷积神经网络
参阅附图2,卷积神经网络结构是backbone为ResNet50和FPN的Faster RCNN网络结构;构建非局部分离注意力模块,并嵌入到FPN最小分辨率上;网络输出骨折区域的定位框和类别。
参阅附图3,搭建卷积神经网络的具体步骤如下:
Step 0.搭建backbone为ResNet-50和FPN的Faster RCNN网络结构;构建非局部分离注意力模块,并嵌入到FPN最小分辨率上。
所述ResNet-50由4个卷积组组成,分别有3、4、6和3个残差映射结构,分辨率逐组减小;FPN结构将ResNet的网络自上而下融合,将上采样的高层语义与浅层的定位细节进行融合,然后利用卷积对各层分别融合,以消除上采样带来的重叠效应。
参阅附图4,所述非局部分离注意力模块包括:提取内部特征的pairwise注意力结构和提取边缘特征的unary注意力结构,将pairwise和unary结构的输出与原特征融合,该步骤具体为:
Step 00.对输入特征分别接卷积层,得到query和key;对query和key分别减去均值后矩阵相乘,经过softmax得到相似度矩阵。
Step 01.对输入特征接卷积层,得到unary map扩展到与Step 00.输出的相似度矩阵相同维度大小,经过softmax得到unary注意力矩阵。
Step 02. 对输入特征接卷积层,得到value;将Step 00.所得的相似度矩阵和Step 01.所得的unary注意力矩阵相加,与value矩阵相乘得到注意力模块的输出,该输出与输入特征的维度大小相同;将注意力模块的输出与输入特征相加,送入后续网络中。
Step 1. 使用sobel算子对原图计算一阶导数,对图像的边缘进行检测;该步骤具体为:使用sobel算子对原图像的每一个像素点分别计算水平方向和竖直方向的一阶梯度,将两个方向的梯度平方相加并开根号得到该像素的梯度大小;计算完所有的像素,在边缘处梯度达到极值,获取到图像的边缘。
Step 2. 采用股骨干骨折数据集进行卷积神经网络的训练和参数优化,其中RPN和RCNN的分类损失为Cross Entropy Loss,回归损失为SmoothL1 Loss;unary损失使用Step 1.得到的图像边缘作为标签来约束步骤Step 01.得到的非局部注意力模块中的unary分支,采用BCE Loss。
Step 3. 使整个网络的参数更新,直至最大迭代次数,得到训练模型。
S3:将测试集图像送入步骤2训练好的神经网络模型中,得到目标的定位框和类别,用NMS算法删除重叠检测框,输出骨折区域定位框和类别。对于每张X-Ray图像,将其输入神经网络可得到其预测骨折区域位置和类别以及相应类别的置信度,取值范围为0-1。
本发明将X-Ray图片作为输入送至卷积神经网络检测,其网络结构为基于FasterRCNN网络结构,并在FPN上添加非局部分离注意力机制,同时使用sobel算计得到的边缘信息对注意力机制中的unary分支进行约束,提升网络对复杂骨折类型的检测能力,训练一个神经网络实现对骨折区域的提取和分类。以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法,其特征在于采用Faster RCNN网络结构,在FPN上添加非局部分离注意力机制,将sobel算子得到的边缘信息对注意力机制中的unary分支进行约束,训练一个神经网络,实现对X-Ray图片骨折区域的提取和分类,具体包括以下步骤:
步骤1:收集股骨干骨折X-Ray图片,根据AO分型法对数据进行标注,制作股骨干骨折数据集;
步骤2:使用收集的股骨干骨折数据集的训练集和验证集训练卷积神经网络;
步骤3:使用步骤2训练好的卷积神经网络对股骨干骨折数据集的测试集中的骨折区域进行检测。
2.根据权利要求1所述基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法,其特征在于所述步骤1为使用LabelImg软件人工标记X-Ray图像中股骨干骨折区域,得到各个人工标注框,并根据AO分型法对标注框进行类别信息标注。
3.根据权利要求1所述基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法,其特征在于所述步骤2具体包括以下步骤:
步骤21:非局部分离注意力模块,并嵌入backbone为ResNet50和FPN的Faster RCNN网络结构的FPN中,在FPN的各分辨率上生成anchor,进行目标候选框的预测,得到proposal;将proposal送入RCNN网络得到检测框,使用Cross Entropy Loss和Smooth L1 Loss对proposal和检测框进行损失函数的计算;
步骤22:使用sobel算子对原图计算一阶导数,对图像的边缘进行检测;
步骤23:使用步骤22得到的图像边缘对步骤21中的非局部注意力模块中的unary分支进行约束,所述unary的输出特征是用BCE Loss进行损失函数的计算;
步骤24:采用股骨干骨折数据集进行卷积神经网络的训练和参数优化,使整个网络的参数更新,最终得到训练模型;
所述步骤21中在FPN的各分辨率上生成anchor,进行目标候选框的预测得到proposal,将proposal送入RCNN网络得到检测框,并对proposal和检测框各自使用Cross EntropyLoss和Smooth L1 Loss进行损失函数的计算;对步骤23所述的unary的输出特征是用BCELoss进行损失函数的计算;使整个网络的参数更新,最终得到训练模型。
4.根据权利要求3所述的股骨干骨折检测方法,其特征在于所述步骤21中的ResNet-50由3、4、6和3个残差映射结构组成的四个卷积组,其分辨率逐组减小;所述FPN结构将ResNet的网络自上而下融合,将上采样的高层语义与浅层的定位细节进行融合,然后利用卷积对各层分别融合,以消除上采样带来的重叠效应;所述构建非局部分离注意力模块,嵌入FPN的最小分辨率中,提升网络对复杂骨折类型特征的表达能力,非局部分离注意力模块的构建具体包括下述步骤:
步骤211:设计pairwise注意力结构,提取到内部特征;
步骤212:设计unary注意力结构,提取到特征的边缘特征;
步骤213:将pairwise和unary结构的输出与原特征融合。
5.根据权利要求3所述的股骨干骨折检测方法,其特征在于所述步骤22使用sobel算子对原图像的每一个像素点分别计算水平方向和竖直方向的一阶梯度,将两个方向的梯度平方相加并开根号,得到该像素的梯度大小后计算所有的像素,在边缘处梯度达到极值,获取图像的边缘。
6.根据权利要求3所述的股骨干骨折检测方法,其特征在于所述步骤23将unary注意力结构的输出插值到原图大小,采用BCE Loss对步骤22得到的边缘作为标签进行约束。
7.根据权利要求4所述的股骨干骨折检测方法,其特征在于所述步骤211对输入特征分别接卷积层,将得到query和key分别减去均值后矩阵相乘,然后经softmax得到相似度矩阵。
8.根据权利要求4所述的股骨干骨折检测方法,其特征在于,所述步骤212
对输入特征接卷积层,将得到的unary map扩展到与步骤211输出的相似度矩阵相同的维度大小,然后经softmax得到unary注意力矩阵。
9.根据权利要求4所述的股骨干骨折检测方法,其特征在于,所述步骤213
对输入特征接卷积层,得到value,然后将步骤211所得的相似度矩阵与步骤212所得的unary注意力矩阵相加,并与value矩阵相乘,得到与输入特征的相同维度的注意力模块的输出,将其与输入特征相加送入后续网络中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365601.2A CN113129278B (zh) | 2021-04-06 | 2021-04-06 | 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365601.2A CN113129278B (zh) | 2021-04-06 | 2021-04-06 | 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129278A true CN113129278A (zh) | 2021-07-16 |
CN113129278B CN113129278B (zh) | 2022-11-01 |
Family
ID=76774826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365601.2A Active CN113129278B (zh) | 2021-04-06 | 2021-04-06 | 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129278B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612378A (zh) * | 2022-01-21 | 2022-06-10 | 华东师范大学 | 一种目标检测中使用IoU加强自注意力机制的方法 |
CN114820585A (zh) * | 2022-05-30 | 2022-07-29 | 福州大学 | 钢线圈头部检测识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN111524106A (zh) * | 2020-04-13 | 2020-08-11 | 北京推想科技有限公司 | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 |
CN111626927A (zh) * | 2020-04-09 | 2020-09-04 | 上海交通大学 | 采用视差约束的双目图像超分辨率方法、系统及装置 |
CN111860693A (zh) * | 2020-07-31 | 2020-10-30 | 元神科技(杭州)有限公司 | 一种轻量级视觉目标检测方法及系统 |
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 |
CN112435269A (zh) * | 2020-12-02 | 2021-03-02 | 山东中医药大学 | 一种基于Faster-RCNN的桡骨远端骨折图像处理方法 |
CN112465827A (zh) * | 2020-12-09 | 2021-03-09 | 北京航空航天大学 | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 |
-
2021
- 2021-04-06 CN CN202110365601.2A patent/CN113129278B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN111626927A (zh) * | 2020-04-09 | 2020-09-04 | 上海交通大学 | 采用视差约束的双目图像超分辨率方法、系统及装置 |
CN111524106A (zh) * | 2020-04-13 | 2020-08-11 | 北京推想科技有限公司 | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 |
CN111860693A (zh) * | 2020-07-31 | 2020-10-30 | 元神科技(杭州)有限公司 | 一种轻量级视觉目标检测方法及系统 |
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 |
CN112435269A (zh) * | 2020-12-02 | 2021-03-02 | 山东中医药大学 | 一种基于Faster-RCNN的桡骨远端骨折图像处理方法 |
CN112465827A (zh) * | 2020-12-09 | 2021-03-09 | 北京航空航天大学 | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 |
Non-Patent Citations (2)
Title |
---|
MINGHAO YIN ET AL.: ""Disentangled Non-Local Neural Networks"", 《ARXIV》 * |
景年昭 等: ""基于RCF的精细边缘检测模型"", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612378A (zh) * | 2022-01-21 | 2022-06-10 | 华东师范大学 | 一种目标检测中使用IoU加强自注意力机制的方法 |
CN114612378B (zh) * | 2022-01-21 | 2024-04-26 | 华东师范大学 | 一种目标检测中使用IoU加强自注意力机制的方法 |
CN114820585A (zh) * | 2022-05-30 | 2022-07-29 | 福州大学 | 钢线圈头部检测识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113129278B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN113129278B (zh) | 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 | |
CN106682435A (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
CN113076987B (zh) | 骨赘识别方法、装置、电子设备及存储介质 | |
US11847188B2 (en) | Image recognition method and device based on deep convolutional neural network | |
CN112102266A (zh) | 基于注意力机制的脑梗死医学影像分类模型的训练方法 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
Lang et al. | Automatic localization of landmarks in craniomaxillofacial CBCT images using a local attention-based graph convolution network | |
CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
CN111584066A (zh) | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
CN112241961A (zh) | 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统 | |
Zhao et al. | Deep learning solution for medical image localization and orientation detection | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
CN111341438B (zh) | 图像处理方法、装置、电子设备及介质 | |
Fonseca et al. | Automatic orientation identification of pediatric chest x-rays | |
CN116433654A (zh) | 一种改进的U-Net网络实现脊柱整体分割方法 | |
CN116797521A (zh) | 肺炎重症化预测方法、装置、电子设备及介质 | |
CN114974522A (zh) | 医学影像处理方法、装置、电子设备及存储介质 | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
CN109919935B (zh) | 一种头颈体血管分割方法及设备 | |
CN113052799A (zh) | 一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法 | |
CN111080588A (zh) | 基于多尺度神经网络的快速胎儿mr图像大脑提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |