CN113192067A - 基于图像检测的智能预测方法、装置、设备及介质 - Google Patents

基于图像检测的智能预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN113192067A
CN113192067A CN202110600178.XA CN202110600178A CN113192067A CN 113192067 A CN113192067 A CN 113192067A CN 202110600178 A CN202110600178 A CN 202110600178A CN 113192067 A CN113192067 A CN 113192067A
Authority
CN
China
Prior art keywords
image
pixel
prediction
target area
point
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
CN202110600178.XA
Other languages
English (en)
Other versions
CN113192067B (zh
Inventor
王关政
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110600178.XA priority Critical patent/CN113192067B/zh
Publication of CN113192067A publication Critical patent/CN113192067A/zh
Application granted granted Critical
Publication of CN113192067B publication Critical patent/CN113192067B/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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于图像检测的智能预测方法、装置、设备及介质，方法包括：对用户输入的第一图像进行像素分割得到图像像素分割结果并进一步获取对应的目标区域图像，对目标区域图像进行除噪处理得到去除噪点的目标区域图像并计算得到对应的中心凹点，根据中心凹点进一步获取去除噪点的目标区域图像的基础参数信息，将基础参数信息输入预测模型以得到对应的预测结果。本发明属于图像处理技术领域，可对第一图像进行智能化处理以获取基础参数信息，并基于基础参数信息获取对应的预测结果，可提高对图像进行分析的效率，且大幅提高了所得到的预测结果的准确性。

Description

基于图像检测的智能预测方法、装置、设备及介质
技术领域
本发明涉及图像处理技术领域，属于智慧城市中基于图像检测技术进行智能预测的应用场景，尤其涉及一种基于图像检测的智能预测方法、装置、设备及介质。
背景技术
慢性疾病一直困扰着人类健康，在慢性疾病早期对慢性疾病进行准确诊断可大幅提高慢性疾病的康复概率，同时也能够减轻慢性疾病检查者的痛苦。而部分疾病可通过无创方式拍摄病灶局部图像，通过分析病灶局部图像来获取分析结果以供医生在诊断疾病时作为参考。然而发明人发现，现有技术方法均是采用观测和手动测量的方式对病灶局部图像进行分析；例如，在基于视网膜图像分析检查者的视觉功能是否出现异常时，传统技术方法仅是采用观测和手动测量视网膜图像的变化以获取分析结果，影响了对图像进行分析的效率及准确率，因此采用人工分析的方式难以获取准确的分析结果。因此，现有的技术方法中存在对图像进行分析的准确率较低的问题。
发明内容
本发明实施例提供了一种基于图像检测的智能预测方法、装置、设备及介质，旨在解决现有技术方法中所存在的对图像进行分析的准确率较低的问题。
第一方面，本发明实施例提供了一种基于图像检测的智能预测方法，其包括：
若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果；
根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像；
对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像；
根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点；
根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息；
将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。
第二方面，本发明实施例提供了一种基于图像检测的智能预测装置，其包括：
像素分割处理单元，用于若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果；
目标区域图像获取单元，用于根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像；
除噪处理单元，用于对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像；
中心凹点获取单元，用于根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点；
基础参数信息获取单元，用于根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息；
预测结果获取单元，用于将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于图像检测的智能预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于图像检测的智能预测方法。
本发明实施例提供了一种基于图像检测的智能预测方法、装置、计算机可读存储介质。对用户输入的第一图像进行像素分割得到图像像素分割结果并进一步获取对应的目标区域图像，对目标区域图像进行除噪处理得到去除噪点的目标区域图像并计算得到对应的中心凹点，根据中心凹点进一步获取去除噪点的目标区域图像的基础参数信息，将基础参数信息输入预测模型以得到对应的预测结果。通过上述方法，可对第一图像进行智能化处理以获取基础参数信息，并基于基础参数信息获取对应的预测结果，可提高对图像进行分析的效率，且大幅提高了所得到的预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的基于图像检测的智能预测方法的流程示意图；
图2为本发明实施例提供的基于图像检测的智能预测方法的子流程示意图；
图3为本发明实施例提供的基于图像检测的智能预测方法的另一子流程示意图；
图4为本发明实施例提供的基于图像检测的智能预测方法的另一子流程示意图；
图5为本发明实施例提供的基于图像检测的智能预测方法的另一子流程示意图；
图6为本发明实施例提供的基于图像检测的智能预测方法的另一子流程示意图；
图7为本发明实施例提供的基于图像检测的智能预测方法的另一子流程示意图；
图8为本发明实施例提供的基于图像检测的智能预测方法的效果示意图；
图9为本发明实施例提供的基于图像检测的智能预测装置的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明实施例提供的基于图像检测的智能预测方法的流程示意图；该基于图像检测的智能预测方法应用于用户终端或管理服务器中，该基于图像检测的智能预测方法通过安装于用户终端或管理服务器中的应用软件进行执行，用户终端即是可接收用户输入的第一图像并基于图像检测进行智能预测的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等，管理服务器即是可接收用户通过用终端发送的第一图像并基于图像检测进行智能预测的服务器端，如企业、医疗机构或政府部门所构建的服务器。如图1所示，该方法包括步骤S110～S160。
S110、若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果。
若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果。其中，所述图像分割模型包括卷积处理规则及像素分类神经网络。用户可输入第一图像，第一图像即为需要进行智能预测的图像，例如，第一图像可以是通过眼底OCT扫描设备获得检查者的眼底视网膜黄斑区的扫描图像，第一图像可以是彩色图像，也可以是灰度图像。图像分割模型即为对第一图像进行像素分割的处理模型，可通过图像分割模型对第一图像进行像素分割处理得到图像像素分割结果，可首先通过图像分割模型的卷积处理规则对第一图像进行卷积处理，得到每一像素对应的像素卷积特征，根据像素分类神经网络对像素卷积特征进行分类以得到每一像素的分类信息。
在一实施例中，如图2所示，步骤S110包括子步骤S111和S112。
S111、根据所述卷积处理规则对所述第一图像进行卷积处理以得到所述第一图像中每一像素对应的像素卷积特征。
可采用卷积处理规则对第一图像进行卷积处理，得到每一像素对应的像素卷积特征，具体的，可采用3×3卷积核对第一图像进行步长为1的连续卷积操作，每一次连续卷积操作均由三层卷积构成，两次连续卷积操作之间采用池化或上采样的方法实现特征的提取和整合，池化可以采用2×2的最大值池化(max pooling)操作来实现，上采样可以采用2×2的反卷积操作来实现，最终得到第一图像中每一像素对应的像素卷积特征。每一像素卷积特征即与第一图像中的一个像素相对应，像素卷积特征可以是一个多维特征向量，每一个维度包含一个特征值，每一特征值的取值范围均为[0,1]，所有维度的特征值即组合为一个像素卷积特征，如每一像素卷积特征均为一个1×128维的特征向量。
S112、根据所述像素分类神经网络对每一所述像素卷积特征进行分类，将分类得到的每一所述像素卷积特征的分类信息作为所述图像像素分割结果。
具体的，像素分类神经网络可以由一个输入层、多个中间层及一个输出层组成，输入层与中间层之间、中间层与其他相邻的中间层之间、中间层与输出节点之间均通过关联公式进行关联，每一关联公式均可表示为一个一次函数，一次函数中包含相应参数值，输入层中每一输入节点对应像素卷积特征中一个维度的特征值，则输入层中包含输入节点的数量与像素卷积特征中特征向量的维度值相等，例如，输入层中可包含128个输入节点，128个输入节点对应像素卷积特征中的1×128维的特征向量；每一输出节点对应一个像素分类，在本实施例中可设置两个输出节点，第一个输出节点的像素分类为有效像素，第二个输出节点的像素分类为无效像素。将一个像素卷积特征由输入层输入像素分类神经网络，即可由输出层获取相应输出结果，输出结果即为该像素卷积特征与每一像素分类之间的匹配度，匹配度的取值范围为[0,1]，可获取匹配度最高的一个像素分类作为该像素卷积特征对应的分类信息。
在使用像素分类神经网络之前，还可通过预存的训练图像集及测试图像集对该像素分类神经网络进行训练以得到训练后的像素分类神经网络。例如，可获取2000张眼底OCT图像作为标注图像构建训练图像集及测试图像集，手动对视网膜区域进行标注勾勒(如将视网膜区域进行mask标注，mask的像素值＝100)，获得2000张OCT图像对应的视网膜mask标注作为标注图像，并按比例对标注图像进行随机分组得到训练图像集及测试图像集，如可按4:1或7:1对标注图像进行随机分组，采用卷积处理规则对训练图像集中的一张标注图像进行处理得到对应的像素卷积特征，通过初始的像素分类神经网络对该标注图像的像素卷积特征进行分类得到分类信息作为标注图像像素分割结果，根据标注图像像素分割结果计算其中像素分类为有效像素的像素与该标注图像的mask标注之间的像素重合度，将该像素重合度作为损失函数并基于梯度下降规则对像素分类神经网络进行一次训练，训练过程也即是对像素分类神经网络中一次函数的参数值进行优化调整，则一个训练图像集包含的多张标注图像可对像素分类神经网络进行多次迭代训练，多个训练图像集对初始像素分类神经网络分别进行迭代训练可对应得到多个训练后的备选像素分类神经网络，测试图像集可对多个备选像素分类神经网络分别进行测试得到每一备选像素分类神经网络对应的测试准确率，根据测试准确率选取其中测试准确率最高的一个备选像素分类神经网络作为训练后的像素分类神经网络进行使用。
在一实施例中，所述图像分割模型还包括尺寸变换规则，如图3所示，步骤S111之前还包括步骤S1101。
S1101、根据所述尺寸变换规则对所述第一图像进行尺寸变换，得到进行尺寸变换后的第一图像。
为提高第一图像的处理效率，在对第一图像进行具体的处理之前，还可对第一图像进行尺寸变换，尺寸变换规则即为对第一图像进行尺寸变换的具体规则，进行尺寸变换后的第一图像即满足尺寸变换规则中相应尺寸要求。例如，用户输入的第一图像的尺寸为1024×640，可对该第一图像的上部区域及下部区域进行填充得到宽度与高度相同、分辨率为1024×1024的图像，通过尺寸变换规则中的双线性插值缩放对该图像进行处理，得到分辨率为512×512的图像，最终得到的512×512的图像即为进行尺寸变换后的第一图像。进行尺寸变换后的第一图像的尺寸统一且包含的像素点更少，因此在后续处理过程中能够提高处理效率。
S120、根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像。
根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像。具体的，图像像素分割结果中包含每一像素卷积特征对应的分类信息，可根据该分类信息获取第一图像对应的目标区域图像。
在一实施例中，如图4所示，步骤S120包括子步骤S121和S122。
S121、根据所述图像像素分割结果中每一像素的分类信息对所述第一图像进行分割处理得到有效像素区域。
若用户输入的第一图像未进行尺寸变换处理，则每一像素卷积特征对应的分类信息即为原始第一图像中每一像素对应的分类信息，每一分类信息均为有效像素或无效像素，则根据分类信息即可对原始第一图像进行分割处理，分割出原始第一图像中仅包含有效像素的区域作为有效像素区域。若用户输入的第一图像进行尺寸变换处理，则每一像素卷积特征对应的分类信息即为尺寸变换后的第一图像中每一像素对应的分类信息，根据尺寸变换后的第一图像中每一像素的分类信息对尺寸变换后的第一图像进行分割处理，同样可分割出尺寸变换后的第一图像中仅包含有效像素的区域作为有效像素区域。
S122、对所述有效像素区域进行像素值填充得到目标区域图像。
对所得到的有效像素区域进行像素值填充，得到对应的目标区域图像，具体的，可将有效像素区域内包含的每一像素点的像素值填充为一具体的灰度值，则所得到的目标区域图像即为一个灰度图像，例如，可有效像素区域内像素点的像素值填充为灰度值235，其他像素点的像素值默认为0，即可得到对应的目标区域图像。
S130、对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像。
对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像。为进一步增强对基于图像进行智能预测的准确性，获取到目标区域图像后，可对目标区域图像进行除噪处理，得到去除噪点的目标区域图像。
在一实施例中，如图5所示，步骤S130包括子步骤S131、S132和S133。
S131、获取所述目标区域图像中的无效像素连通域；S132、根据预置的面积阈值对所述目标区域图像中面积小于所述面积阈值的无效像素连通域进行过滤得到过滤图像。
具体的，可获取目标区域图像中的无效像素连通域，无效像素连通域仅由目标区域图像中的无效像素点组成，可获取目标区域图像中的无效像素点，相连通的多个无效像素点即组合成为一个无效像素连通域，也即是任意两个无效像素连通域之间均不相连通，无效像素连通域中至少包含一个无效像素点。可判断每一无效像素连通域的面积是否小于预置的面积阈值，并对面积小于面积阈值的无效像素连通域进行过滤。例如，可设置面积阈值为2000，则若无效像素连通域包含的无效像素点少于2000，则判断得到该无效像素连通域的面积小于面积阈值并进行过滤，判断得到面积不小于该面积阈值的无效像素连通域被保留。
S133、对所述过滤图像中的有效像素连通域进行像素闭操作，得到去除噪点的目标区域图像。
对所得到的过滤图像中的有效像素连通域进行像素闭操作，过滤图像中剩余的无效像素连通域之外的区域即为有效像素连通域，对其中有效像素连通域进行像素闭操作，像素闭操作是先膨胀后腐蚀的像素操作，像素闭操作具有填充区域内细小空洞，连接邻近图像区域和平滑图像区域边界的作用。可对目标区域图像中的有效像素连通域进行像素闭操作得到去燥像素连通域，则所得到的去除噪点的目标区域图像中包含去燥像素连通域，去燥像素连通域中不包含噪点且具有平滑边界。
S140、根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点。
根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点。其中，所述中心凹点计算模型包括凸包计算规则及距离值获取规则。去除噪点的目标区域图像中包含去燥有效像素连通域，可通过凸包计算规则计算得到去燥后的有效像素连通域对应的凸包轮廓线，根据凸包轮廓线及距离值获取规则获取对应的多个法线距离值并进一步确定中心凹点。
在一实施例中，如图6所示，步骤S140包括子步骤S141、S142、S143和S144。
S141、根据所述凸包计算规则计算所述去除噪点的目标区域图像中去燥像素连通域的凸包轮廓线。
顺序获取去燥像素连通域的多个外部轮廓点，通过凸包计算规则对多个外部轮廓点进行计算得到去燥像素连通域的凸包轮廓线。具体的，凸包(Convex Hull)是一个计算几何(图形学)中的概念，在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点(X1，...Xn)的线性组合来构造，在二维欧几里得空间中，凸包可想象为一条刚好包着所有点(X内所有点)的橡皮圈。凸包计算规则可以是基于Graham扫描法的计算规则，Graham扫描的思想是先找到凸包上的一个点，然后从那个点开始按逆时针方向逐个找凸包上的点，实际上就是进行极角排序，然后对其查询使用从而构建得到凸包轮廓线。图8为本发明实施例提供的基于图像检测的智能预测方法的效果示意图，图8中白色区域即为去除噪点的目标区域图像中的去燥像素连通域，图8中白色区域外围的浅灰色线条即为通过去燥像素连通域的多个外部轮廓点计算得到的凸包轮廓线。
S142、根据所述去燥像素连通域的边缘像素坐标值确定对应的外部轮廓线。
去燥像素连通域的边缘即为目标区域图像中去燥像素连通域与目标区域图像中无效像素连通域的交界处，目标区域图像中包含每一像素的像素坐标值，可获取去燥像素连通域的边缘像素坐标值，并根据边缘像素坐标值确定去燥像素连通域的外部轮廓线。
S143、根据所述距离值获取规则计算所述凸包轮廓线中每一点在法线方向与所述外部轮廓线的交点之间的法线距离值。
凸包轮廓线由多个点组合而成，可获取凸包轮廓线中每一点在法线方向与所述外部轮廓线的交点，并获取与该交点对应的法线距离值。如图8所示，凸包轮廓线中的一个点记为a点，a点的法线即为以a为基点沿凸包轮廓线作一条垂线，所得到的a点的法线即为图8中穿过a点的白色直线，该白色直线与凸包轮廓线的交点也即为a点，该白色直线与外部轮廓线的交点即可记为b点，则a点与b点之间的线段距离即为与交点b对应的法线距离值，根据上述方法可对应获取凸包轮廓线中每一点在法线方向与所述外部轮廓线的交点之间的法线距离值。
S144、将数值最大的所述法线距离值在所述外部轮廓线中对应的一个交点确定为所述中心凹点。
获取数值最大的法线距离值在外部轮廓线中对应的一个交点，并将该交点作为与目标区域图像对应的中心凹点。多个法线距离值中有且仅有一个数值最大的法线距离值，则最终确定得到的目标区域图像中有且仅有一个中心凹点。
如图8所示，a点与b点之间的线段距离即为所有法线距离值中数值最大的法线距离值，该法线距离值在外部轮廓线中的交点为b，则可确定b点即为与目标区域图像对应的中心凹点。
S150、根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息。
根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息。具体的，可根据中心凹点及预置的区域范围阈值确定与中心凹点对应的中心凹点区域，例如，预置的区域范围阈值为50，则获取去燥像素连通域的中心凹点左右各50像素的区域作为中心凹点区域，获取中心凹点区域的厚度平均值、最大厚度值及最小厚度值，其中，中心凹点区域的厚度即为中心凹点区域每一像素点在垂直方向所包含的像素数量。计算最大厚度值与最小厚度值之间的差值得到中心凹深度值，厚度平均值及中心凹深度值即可作为与中心凹点区域对应的基础参数信息，也即是获取到去除噪点的目标区域图像的基础参数信息。
S160、将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。
将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。其中，所述预测模型包括预测计算公式及预测规则。预测模型即为对基础参数信息进行分析以得到预测结果的具体模型，将基础参数信息输入预测计算公式可计算得到预测分数值，基于预测分数值及预测规则可对应确定预测等级，预测等级即可作为与第一图像对应的预测结果。
在一实施例中，如图7所示，步骤S160包括子步骤S161和S162。
S161、将所述基础参数信息输入所述预测计算公式得到对应的预测分数值。
将所述基础参数信息输入所述预测计算公式得到对应的预测分数值，预测计算公式中包含多个参数值，可通过海量训练数据对预测计算公式进行训练，以对预测计算公式中包含参数值进行优化调整，得到训练后的预测计算公式进行使用。具体的，预测计算公式可采用公式(1)进行表示：
Figure BDA0003092650770000101
其中，Risk(p)即为计算得到的预测分数值，R_Tavg即为基础参数信息中的厚度平均值，R_dph即为基础参数信息中的中心凹深度值，v_age即为预先输入该预测计算公式中的检查者年龄值，β0、β1、β2及β3均为该预测计算公式的参数值。在一具体的实施例中，经海量海量训练数据训练得到β0＝20、β1＝-0.0275、β2＝-0.0124、β3＝0.081。
S162、根据所述预测规则获取与所述预测分数值对应的预测等级作为与所述第一图像对应的预测结果。
预测规则中包含多个得分区间及与每一得分区间对应的等级，可获取预测规则中与预测分数值对应的一个得分区间，并将该得分区间对应的等级确定为与预测分数值对应的预测等级，预测等级即可作为第一图像的预测结果。例如，预测规则中得分区间与等级的对应关系可以是：[0，0.12]-一级，(0.12，0.3]-二级、(0.3，0.5]-三级、(0.5,+∞)-四级。
本申请中的技术方法可应用于智慧社区/智慧医疗等包含基于图像检测进行智能预测的应用场景中，从而推动智慧城市的建设。
在本发明实施例所提供的基于图像检测的智能预测方法中，对用户输入的第一图像进行像素分割得到图像像素分割结果并进一步获取对应的目标区域图像，对目标区域图像进行除噪处理得到去除噪点的目标区域图像并计算得到对应的中心凹点，根据中心凹点进一步获取去除噪点的目标区域图像的基础参数信息，将基础参数信息输入预测模型以得到对应的预测结果。通过上述方法，可对第一图像进行智能化处理以获取基础参数信息，并基于基础参数信息获取对应的预测结果，可提高对图像进行分析的效率，且大幅提高了所得到的预测结果的准确性。
本发明实施例还提供一种基于图像检测的智能预测装置，该基于图像检测的智能预测装置可配置于用户终端或管理服务器中，该基于图像检测的智能预测装置用于执行前述的基于图像检测的智能预测方法的任一实施例。具体地，请参阅图9，图9为本发明实施例提供的基于图像检测的智能预测装置的示意性框图。
如图9所示，基于图像检测的智能预测装置100包括像素分割处理单元110、目标区域图像获取单元120、除噪处理单元130、中心凹点获取单元140、基础参数信息获取单元150和预测结果获取单元160。
像素分割处理单元110，用于若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果。
在一具体实施例中，所述像素分割处理单元110包括子单元：像素卷积特征获取单元，用于根据所述卷积处理规则对所述第一图像进行卷积处理以得到所述第一图像中每一像素对应的像素卷积特征；像素卷积特征分类单元，用于根据所述像素分类神经网络对每一所述像素卷积特征进行分类，将分类得到的每一所述像素卷积特征的分类信息作为所述图像像素分割结果。
在一具体实施例中，所述像素分割处理单元110还包括子单元：尺寸变换单元，用于根据所述尺寸变换规则对所述第一图像进行尺寸变换，得到进行尺寸变换后的第一图像。
目标区域图像获取单元120，用于根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像。
在一具体实施例中，所述目标区域图像获取单元120包括子单元：有效像素区域获取单元，用于根据所述图像像素分割结果中每一像素的分类信息对所述第一图像进行分割处理得到有效像素区域；像素值填充单元，用于对所述有效像素区域进行像素值填充得到目标区域图像。
除噪处理单元130，用于对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像。
在一具体实施例中，所述除噪处理单元130包括子单元：无效像素连通域获取单元，用于获取所述目标区域图像中的无效像素连通域；过滤图像获取单元，用于根据预置的面积阈值对所述目标区域图像中面积小于所述面积阈值的无效像素连通域进行过滤得到过滤图像；像素闭操作处理单元，用于对所述过滤图像中的有效像素连通域进行像素闭操作，得到去除噪点的目标区域图像。
中心凹点获取单元140，用于根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点。
在一具体实施例中，所述中心凹点获取单元140包括子单元：凸包轮廓线获取单元，用于根据所述凸包计算规则计算所述去除噪点的目标区域图像中去燥像素连通域的凸包轮廓线；外部轮廓线确定单元，用于根据所述去燥像素连通域的边缘像素坐标值确定对应的外部轮廓线；法线距离值获取单元，用于根据所述距离值获取规则计算所述凸包轮廓线中每一点在法线方向与所述外部轮廓线的交点之间的法线距离值；中心凹点确定单元，用于将数值最大的所述法线距离值在所述外部轮廓线中对应的一个交点确定为所述中心凹点。
基础参数信息获取单元150，用于根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息。
预测结果获取单元160，用于将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。
在一具体实施例中，所述预测结果获取单元160包括子单元：预测分数值获取单元，用于将所述基础参数信息输入所述预测计算公式得到对应的预测分数值；预测等级获取单元用于根据所述预测规则获取与所述预测分数值对应的预测等级作为与所述第一图像对应的预测结果。
在本发明实施例所提供的基于图像检测的智能预测装置应用上述基于图像检测的智能预测方法，对用户输入的第一图像进行像素分割得到图像像素分割结果并进一步获取对应的目标区域图像，对目标区域图像进行除噪处理得到去除噪点的目标区域图像并计算得到对应的中心凹点，根据中心凹点进一步获取去除噪点的目标区域图像的基础参数信息，将基础参数信息输入预测模型以得到对应的预测结果。通过上述方法，可对第一图像进行智能化处理以获取基础参数信息，并基于基础参数信息获取对应的预测结果，可提高对图像进行分析的效率，且大幅提高了所得到的预测结果的准确性。
上述基于图像检测的智能预测装置可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于图像检测的智能预测方法基于图像检测进行智能预测的用户终端或管理服务器。
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于图像检测的智能预测方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于图像检测的智能预测方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于图像检测的智能预测方法中对应的功能。
本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。其中，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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于图像检测的智能预测方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到各种等效的修改或替换，这些修改或替换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以权利要求的保护范围为准。

Claims (10)

1.一种基于图像检测的智能预测方法，其特征在于，所述方法包括：
若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果；
根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像；
对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像；
根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点；
根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息；
将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。
2.根据权利要求1所述的基于图像检测的智能预测方法，其特征在于，所述图像分割模型包括卷积处理规则及像素分类神经网络，所述根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果，包括：
根据所述卷积处理规则对所述第一图像进行卷积处理以得到所述第一图像中每一像素对应的像素卷积特征；
根据所述像素分类神经网络对每一所述像素卷积特征进行分类，将分类得到的每一所述像素卷积特征的分类信息作为所述图像像素分割结果。
3.根据权利要求2所述的基于图像检测的智能预测方法，其特征在于，所述图像分割模型还包括尺寸变换规则，所述根据所述卷积处理规则对所述第一图像进行卷积处理以得到所述第一图像中每一像素对应的像素卷积特征之前，还包括：
根据所述尺寸变换规则对所述第一图像进行尺寸变换，得到进行尺寸变换后的第一图像。
4.根据权利要求1所述的基于图像检测的智能预测方法，其特征在于，所述根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像，包括：
根据所述图像像素分割结果中每一像素的分类信息对所述第一图像进行分割处理得到有效像素区域；
对所述有效像素区域进行像素值填充得到目标区域图像。
5.根据权利要求1所述的基于图像检测的智能预测方法，其特征在于，所述对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像，包括：
获取所述目标区域图像中的无效像素连通域；
根据预置的面积阈值对所述目标区域图像中面积小于所述面积阈值的无效像素连通域进行过滤得到过滤图像；
对所述过滤图像中的有效像素连通域进行像素闭操作，得到去除噪点的目标区域图像。
6.根据权利要求1所述的基于图像检测的智能预测方法，其特征在于，所述中心凹点计算模型包括凸包计算规则及距离值获取规则，所述根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点，包括：
根据所述凸包计算规则计算所述去除噪点的目标区域图像中去燥像素连通域的凸包轮廓线；
根据所述去燥像素连通域的边缘像素坐标值确定对应的外部轮廓线；
根据所述距离值获取规则计算所述凸包轮廓线中每一点在法线方向与所述外部轮廓线的交点之间的法线距离值；
将数值最大的所述法线距离值在所述外部轮廓线中对应的一个交点确定为所述中心凹点。
7.根据权利要求1所述的基于图像检测的智能预测方法，其特征在于，所述预测模型包括预测计算公式及预测规则，所述将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果，包括：
将所述基础参数信息输入所述预测计算公式得到对应的预测分数值；
根据所述预测规则获取与所述预测分数值对应的预测等级作为与所述第一图像对应的预测结果。
8.一种基于图像检测的智能预测装置，其特征在于，所述装置包括：
像素分割处理单元，用于若接收到用户输入的第一图像，根据预置的图像分割模型对所述第一图像进行像素分割得到图像像素分割结果；
目标区域图像获取单元，用于根据所述图像像素分割结果获取所述第一图像中与所述图像像素分割结果对应的目标区域图像；
除噪处理单元，用于对所述目标区域图像进行除噪处理得到去除噪点的目标区域图像；
中心凹点获取单元，用于根据预置的中心凹点计算模型获取与所述去除噪点的目标区域图像对应的中心凹点；
基础参数信息获取单元，用于根据所述中心凹点获取所述去除噪点的目标区域图像的基础参数信息；
预测结果获取单元，用于将所述基础参数信息输入预置的预测模型进行预测，得到与所述第一图像对应的预测结果。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于图像检测的智能预测方法。
10.一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程序，当所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于图像检测的智能预测方法。
CN202110600178.XA 2021-05-31 2021-05-31 基于图像检测的智能预测方法、装置、设备及介质 Active CN113192067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110600178.XA CN113192067B (zh) 2021-05-31 2021-05-31 基于图像检测的智能预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110600178.XA CN113192067B (zh) 2021-05-31 2021-05-31 基于图像检测的智能预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113192067A true CN113192067A (zh) 2021-07-30
CN113192067B CN113192067B (zh) 2024-03-26

Family

ID=76985847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110600178.XA Active CN113192067B (zh) 2021-05-31 2021-05-31 基于图像检测的智能预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113192067B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744200A (zh) * 2021-08-11 2021-12-03 深圳市鑫信腾科技股份有限公司 一种摄像头脏污检测方法、装置及设备
CN116433761A (zh) * 2023-03-09 2023-07-14 北京瓦特曼智能科技有限公司 垛式工件坐标定位方法、装置及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705576A (zh) * 2019-09-29 2020-01-17 慧影医疗科技（北京）有限公司 区域轮廓确定方法、装置及图像显示设备
CN110782421A (zh) * 2019-09-19 2020-02-11 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN111429451A (zh) * 2020-04-15 2020-07-17 深圳市嘉骏实业有限公司 医学超声图像分割方法及装置
CN112365434A (zh) * 2020-11-10 2021-02-12 大连理工大学 一种基于双掩膜图像分割的无人机狭窄通道检测方法
CN112529004A (zh) * 2020-12-08 2021-03-19 平安科技（深圳）有限公司 智能图像识别方法、装置、计算机设备及存储介质
SG10202007348TA (en) * 2020-08-01 2021-03-30 Sensetime Int Pte Ltd Target object identification method and apparatus
CN112740269A (zh) * 2020-05-13 2021-04-30 华为技术有限公司 一种目标检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782421A (zh) * 2019-09-19 2020-02-11 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110705576A (zh) * 2019-09-29 2020-01-17 慧影医疗科技（北京）有限公司 区域轮廓确定方法、装置及图像显示设备
CN111429451A (zh) * 2020-04-15 2020-07-17 深圳市嘉骏实业有限公司 医学超声图像分割方法及装置
CN112740269A (zh) * 2020-05-13 2021-04-30 华为技术有限公司 一种目标检测方法及装置
SG10202007348TA (en) * 2020-08-01 2021-03-30 Sensetime Int Pte Ltd Target object identification method and apparatus
CN112365434A (zh) * 2020-11-10 2021-02-12 大连理工大学 一种基于双掩膜图像分割的无人机狭窄通道检测方法
CN112529004A (zh) * 2020-12-08 2021-03-19 平安科技（深圳）有限公司 智能图像识别方法、装置、计算机设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744200A (zh) * 2021-08-11 2021-12-03 深圳市鑫信腾科技股份有限公司 一种摄像头脏污检测方法、装置及设备
CN113744200B (zh) * 2021-08-11 2024-04-05 深圳市鑫信腾科技股份有限公司 一种摄像头脏污检测方法、装置及设备
CN116433761A (zh) * 2023-03-09 2023-07-14 北京瓦特曼智能科技有限公司 垛式工件坐标定位方法、装置及介质
CN116433761B (zh) * 2023-03-09 2024-03-12 北京瓦特曼智能科技有限公司 垛式工件坐标定位方法、装置及介质

Also Published As

Publication number Publication date
CN113192067B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN105957063B (zh) 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统
Flores et al. Improving classification performance of breast lesions on ultrasonography
CN110706246A (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN114758137B (zh) 超声图像分割方法、装置及计算机可读存储介质
CN109767448B (zh) 分割模型训练方法及装置
CN111127387B (zh) 无参考图像的质量的评价方法
CN113192067B (zh) 基于图像检测的智能预测方法、装置、设备及介质
Pan et al. Prostate segmentation from 3d mri using a two-stage model and variable-input based uncertainty measure
CN113223015A (zh) 血管壁图像分割方法、装置、计算机设备和存储介质
Koprowski et al. Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease
Sindhwani et al. Semi‐automatic outlining of levator hiatus
CN115018863A (zh) 基于深度学习的图像分割方法及装置
CN115601299A (zh) 基于图像的肝硬化状态智能评估系统及其方法
Kanca et al. Learning hand-crafted features for k-NN based skin disease classification
CN115100494A (zh) 一种病灶图像的识别方法、装置、设备及可读存储介质
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
Queiroz et al. Endoscopy image restoration: A study of the kernel estimation from specular highlights
CN116524315A (zh) 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法
CN117274603A (zh) 基于语义分割网络的肝脏病灶图像描述方法
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
Tamilmani et al. Early detection of brain cancer using association allotment hierarchical clustering
WO2008094446A2 (en) Circular intensity distribution analysis for the detection of convex, concave and flat surfaces
CN116563647A (zh) 年龄相关性黄斑病变图像分类方法及装置
CN115881304A (zh) 基于智能检测的风险评估方法、装置、设备及介质
CN115423779A (zh) 一种用于小儿骨龄预测的方法

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