CN113379697B - 基于深度学习的彩色图像龋病识别方法 - Google Patents

基于深度学习的彩色图像龋病识别方法 Download PDF

Info

Publication number
CN113379697B
CN113379697B CN202110635383.XA CN202110635383A CN113379697B CN 113379697 B CN113379697 B CN 113379697B CN 202110635383 A CN202110635383 A CN 202110635383A CN 113379697 B CN113379697 B CN 113379697B
Authority
CN
China
Prior art keywords
caries
training
image
model
deep learning
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.)
Active
Application number
CN202110635383.XA
Other languages
English (en)
Other versions
CN113379697A (zh
Inventor
彭绍亮
崔勇辉
许钰涵
刘浩
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202110635383.XA priority Critical patent/CN113379697B/zh
Publication of CN113379697A publication Critical patent/CN113379697A/zh
Application granted granted Critical
Publication of CN113379697B publication Critical patent/CN113379697B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06T2207/10024—Color 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
    • G06T2207/30036—Dental; Teeth

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的彩色图像龋病识别方法，该方法将龋齿的识别分为两个阶段，第一个阶段是目标的检测，利用yolov3目标检测框架的darknet深度神经网络对标注好的真实彩色图像进行训练，得到的模型能够识别出龋病病灶。第二个阶段通过抠图方式将前一阶段识别出的病灶保存为新的图像，作为新的深度学习训练数据，利用具有注意力机制的残差卷积神经网络se_resnet101对抠出的矩形病灶区域图像进行学习训练，得到的模型能够识别出龋病的类型。两个阶段将检测和分类独立出来，提高了分类的准确率。

Description

基于深度学习的彩色图像龋病识别方法
技术领域
本发明涉及到计算机科学和医学领域，具体涉及到一种基于深度学习的彩色图像龋病识别方法。
背景技术
龋病是口腔三大疾病之一，人们对于牙齿的健康越来越重视，但是缺乏专业的龋病诊断知识，而且由于医疗资源分布不均匀、人为诊断效率较低等原因，许多患者没有得到相应的诊断和治疗。因此需要一种易用的有效的龋病识别诊断技术，来进行龋病的预防和快速筛查。
口腔科医生可通过肉眼观察根据国际龋病检测与评估系统(icdas)进行龋病的识别和初步诊断，在目标检测领域，这种所见即所得的特性很适合给深度学习模型训练学习。当今智能手机的普及，使得普通彩色图像的获取非常容易。采集口腔内彩色图像，通过深度学习技术对大量图像数据进行训练建模，使得计算机能够自动识别诊断龋齿病灶以及龋病类型，可达到龋病预防和筛查的目的。
发明内容
本发明所要解决的技术问题是，由于口腔科就诊人次的快速增长和医疗资源分布不均匀、人为诊断效率较低造成的诊断速度慢，针对传统方法的不足，提供了一种基于深度学习的彩色图像龋病识别方法。
本发明的技术方案为：
基于深度学习的彩色图像龋病识别方法，将龋齿的识别分为两个阶段，第一个阶段将口腔彩色图像输入基于目标检测技术的龋齿识别模型中，以得到矩形龋病病灶图像；第二个阶段将上一阶段得到得矩形病灶图像输入基于深度学习的龋病分类模型中，以得到最终的诊断结果。具体包括如下步骤：
步骤S1、数据样本采集：通过拍照形式收集医院口腔科就诊患者的真实口腔彩色图像，得到样本照片数据集；
步骤S2、数据标注：通过专业医生进行对数据集诊断标记出具体的龋病发病位置以及类型，按照龋病的严重程度分为五类，分别为釉质轻微视觉改变、釉质明显视觉改变、无牙本质暴露的局限性釉质破坏、深部的牙本质黑影、暴露牙本质的明显龋洞；用Colabeler进行龋坏区域的框选标注，每张样本照片可能包含多个龋齿，按照五种分类分别用标注软件进行矩形框标记，赋予矩形框对应的类别标签。步骤S2中进行龋坏区域的框选，在同一张图片中可以有一个或者多个任意或者相同种类的标识框，按照龋坏严重程度分为五类标签；
步骤S3、数据预处理：在图像标注时可能会丢失图像的宽高信息，所以要检查标记的xml文件，如果信息丢失，进行修改并保存；根据S2步骤的标记信息，利用python图像库(PIL)对龋病病灶抠图，标签不变，保存为新的图像数据集；通过批量修改xml标记文件将旧的数据集的所有标签统一修改为“tooth”，并将该数据集制作成yolo格式，以供第一阶段的目标检测框架训练；
步骤S4、目标检测训练：修改yolov3训练的配置文件，设置好训练步数、学习率、anchors大小、类别数目信息，配置好数据路径、模型保存路径后将S3步骤生成yolo格式数据放入darknet训练，具体用到darknet53.conv.74深度神经网络，加入spp空间金字塔池化结构实现局部特征和全局特征的融合；在训练前，通过设置saturation，exposure，hue参数，达到数据增强的目的；darknet53.conv.74共有53层，前52层用于特征提取，最后一层进行最终输出，网络中saturation，exposure，hue三个训练增强的参数分别为1.5，1.5，0.1；yolov3训练策略设置的训练batch大小为64，学习率为0.001，最大训练batch为10000；Anchors大小设置为：47,76,65,97,73,125,92,143,94,107,101,175,121,144,126,197,159,219；
步骤S5、训练结果的分析和模型迭代：通过分析训练log得到模型的损失函数曲线和PR曲线，对网络进行微调并修改训练策略参数，如学习率和训练batch大小，确保训练充分而且不过拟合；本步骤训练得到的模型能够在一张彩色口腔图像中识别出龋病位置，并用矩形框标记出来，不过不能具体识别出龋病类型；
步骤S6、分类训练：S4、S5两个步骤是第一阶段的检测训练，得到的检测模型仅能够识别出龋病病灶；步骤S6需要将S3步骤生成的新的数据集进行数据预处理、数据增强后，利用pytorch深度学习框架进行训练建模，具体用到带有注意力机制的se_resnet101深度神经网络，这种网络适合细粒度的龋病图像分类；se_resnet101深度神经网络由一个卷积层，33个building block，和最后的fc层(用于分类)组成，building block单元中嵌入SE模块进行特征压缩，显式地建模特征通道之间的相互依赖关系；
步骤S7、训练结果的分析和模型迭代：本步骤是针对分类模型进行调整，具体用到了五折交叉验证技术来提高模型的准确性；分析损失函数，利用F1 score进行网络参数调优，模型最优时，训练batch大小为32，学习率为0.001，动量moment为0.9；
步骤S8、模型的结合预测：利用opencv和pytorch将S5、S6得到的模型融合在一起，图像输入S5得到的检测模型后，深度学习模型会推测出图像中龋病的发病位置，通过矩形框标记出来，利用python图像库(PIL)将矩形框所在区域抠图，输入S6步骤得到的分类模型进行分类预测，给出五种龋病严重程度的某一种，最终在原始图像上用矩形框标记出龋病位置矩形框左上角用文本标记出龋病类别。
相比于现有技术，本发明具有以下优势：
本发明中的彩色图像龋病识别方法使用龋病病例大数据，使用两阶段预测进行模型的训练学习，龋齿识别准确率高，速度快。本发明方法使用简便，成本较低，能够有效帮助龋病患者及早发现龋齿，及时就诊。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例的基于深度学习的全景片龋病识别的方法的流程示意图；
图2(A)是本发明实施例的龋病病灶识别结果的示意图；
图2(B)是本发明实施例的龋病分类识别结果的示意图；
图3是本发明实施例的图像检测分类的全流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细说明。
参照附图1，本发明提出的一种基于深度学习的彩色图像龋病识别方法，具体通过以下步骤实现：
步骤S1、数据样本采集：通过拍照形式收集医院口腔科就诊患者的真实口腔彩色图像，得到样本照片数据集；
步骤S2、数据标注：通过专业医生进行对数据集诊断标记出具体的龋病发病位置以及类型，按照龋病的严重程度分为五类，分别为釉质轻微视觉改变、釉质明显视觉改变、无牙本质暴露的局限性釉质破坏、深部的牙本质黑影、暴露牙本质的明显龋洞。用Colabeler进行龋坏区域的框选标注，每张样本照片可能包含多个龋齿，按照上述分类分别用标注软件进行矩形框标记，赋予矩形框对应的类别标签；
步骤S3、数据预处理：在图像标注时可能会丢失图像的宽高信息，所以要检查标记的xml文件，如果信息丢失，进行修改并保存。根据S2步骤的标记信息，利用python图像库(PIL)对龋病病灶抠图，标签不变，保存为新的图像数据集。通过批量修改xml标记文件将旧的数据集的所有标签统一修改为“tooth”,并将该数据集制作成yolo格式，以供第一阶段的目标检测框架训练；
步骤S4、目标检测训练：修改yolov3训练的配置文件，设置好训练步数、学习率、anchors大小、类别数目等信息，配置好数据路径、模型保存路径后将S3步骤生成yolo格式数据放入darknet训练，具体用到darknet53.conv.74深度神经网络。在训练前，通过设置saturation，exposure，hue参数，达到数据增强的目的；darknet53.conv.74共有53层，前52层用于特征提取，最后一层进行最终输出，网络中saturation，exposure，hue三个训练增强的参数分别为1.5，1.5，0.1；yolov3训练策略设置的训练batch大小为64，学习率为0.001，最大训练batch为10000；Anchors大小设置为：47,76,65,97,73,125,92,143,94,107,101,175,121,144,126,197,159,219；
步骤S5、训练结果的分析和模型迭代：通过分析训练log得到模型的损失函数曲线和PR曲线，对网络进行微调并修改训练策略参数，如学习率和训练batch大小，确保训练充分而且不过拟合。如图2A，本步骤训练得到的模型能够在一张彩色口腔图像中识别出龋病位置，并用矩形框标记出来，不过不能具体识别出龋病类型；
步骤S6、分类训练：S4、S5两个步骤是第一阶段的检测训练，得到的检测模型仅能够识别出龋病病灶。这一步骤需要将S3步骤生成的新的数据集进行数据预处理、数据增强后，利用pytorch深度学习框架进行训练建模，具体用到带有注意力机制的se_resnet101深度神经网络，这种网络适合细粒度的龋病图像分类。如图2B，本步骤训练得到的模型能够推测出龋齿的类别；
步骤S7、训练结果的分析和模型迭代：同S5步骤一样，不同的是本步骤是针对分类模型进行调整，具体用到了五折交叉验证技术来提高模型的准确性。分析损失函数，利用F1score进行网络参数调优，模型最优时，训练batch大小为32，学习率为0.001，动量moment为0.9；
步骤S8、模型的结合预测：利用opencv和pytorch等工具将S5、S6得到的模型融合在一起，图像输入S5得到的检测模型后，深度学习模型会推测出图像中龋病的发病位置，通过矩形框标记出来，利用python图像库(PIL)将矩形框所在区域抠图，输入S6步骤得到的分类模型进行分类预测，给出五种龋病严重程度的某一种，最终在原始图像上用矩形框标记出龋病位置矩形框左上角用文本标记出龋病类别。

Claims (7)

1.基于深度学习的彩色图像龋病识别方法，其特征在于，包括如下步骤：
步骤S1、数据样本采集：通过拍照形式收集医院口腔科就诊患者的真实口腔彩色图像，得到样本照片数据集；
步骤S2、数据标注：通过专业医生进行对数据集诊断标记出具体的龋病发病位置以及类型，按照龋病的严重程度分为五类，分别为釉质轻微视觉改变、釉质明显视觉改变、无牙本质暴露的局限性釉质破坏、深部的牙本质黑影、暴露牙本质的明显龋洞；每张样本照片可能包含多个龋齿，按照上述分类分别用标注软件进行矩形框标记，赋予矩形框对应的类别标签；
步骤S3、数据预处理：在图像标注时可能会丢失图像的宽高信息，所以要检查标记的xml文件，如果信息丢失，进行修改并保存；根据S2步骤的标记信息，利用python图像库对龋病病灶抠图，标签不变，保存为新的图像数据集；通过批量修改xml标记文件将旧的数据集的所有标签统一修改为“tooth”，并将该数据集制作成yolo格式，以供第一阶段的目标检测框架训练；
步骤S4、目标检测训练：修改yolov3训练的配置文件，设置好训练步数、学习率、anchors大小、类别数目信息，配置好数据路径、模型保存路径后将S3步骤生成yolo格式数据放入darknet训练，具体用到darknet53.conv.74深度神经网络，加入spp空间金字塔池化结构实现局部特征和全局特征的融合；在训练前，通过设置saturation，exposure，hue参数，达到数据增强的目的；
步骤S5、训练结果的分析和模型迭代：通过分析训练log得到模型的损失函数曲线和PR曲线，对网络进行微调并修改训练策略参数，如学习率和训练batch大小，确保训练充分而且不过拟合；本步骤训练得到的模型能够在一张彩色口腔图像中识别出龋病位置，并用矩形框标记出来，不过不能具体识别出龋病类型；
步骤S6、分类训练：S4、S5两个步骤是第一阶段的检测训练，得到的检测模型仅能够识别出龋病病灶；S6步骤需要将S3步骤生成的新的数据集进行数据预处理、数据增强后，利用pytorch深度学习框架进行训练建模，具体用到带有注意力机制的se_resnet101深度神经网络，这种网络适合细粒度的龋病图像分类；
步骤S7、训练结果的分析和模型迭代：本步骤是针对分类模型进行调整，具体用到了五折交叉验证技术来提高模型的准确性；
步骤S8、模型的结合预测：利用opencv和pytorch工具将S5、S6得到的模型融合在一起，图像输入S5得到的检测模型后，深度学习模型会推测出图像中龋病的发病位置，通过矩形框标记出来，利用python图像库将矩形框所在区域抠图，输入S6步骤得到的分类模型进行分类预测，给出五种龋病严重程度的某一种，最终在原始图像上用矩形框标记出龋病位置矩形框左上角用文本标记出龋病类别。
2.根据权利要求1所述的一种基于深度学习的彩色图像龋病识别方法，其特征在于，将龋齿的识别分为两个阶段，第一个阶段将口腔彩色图像输入基于目标检测技术的龋齿识别模型中，以得到矩形龋病病灶图像；第二个阶段将上一阶段得到得矩形病灶图像输入基于深度学习的龋病分类模型中，以得到最终的诊断结果。
3.根据权利要求1所述的一种基于深度学习的彩色图像龋病识别方法，其特征在于，步骤S2中进行龋坏区域的框选，在同一张图片中可以有一个或者多个任意或者相同种类的标识框，按照龋坏严重程度分为五类标签。
4.根据权利要求1所述的一种基于深度学习的彩色图像龋病识别方法，其特征在于，步骤S4中，darknet53.conv.74共有53层，前52层用于特征提取，最后一层进行最终输出，加入spp空间金字塔池化结构实现局部特征和全局特征的融合，网络中saturation，exposure，hue三个训练增强的参数分别为1.5，1.5，0.1。
5.根据权利要求1所述的一种基于深度学习的彩色图像龋病识别方法，其特征在于，步骤S4中，yolov3训练策略设置的训练batch大小为64，学习率为0.001，最大训练batch为10000；Anchors大小设置为：47,76,65,97,73,125,92,143,94,107,101,175,121,144,126,197,159,219。
6.根据权利要求1所述的一种基于深度学习的彩色图像龋病识别方法，其特征在于，步骤S6中，se_resnet101深度神经网络由一个卷积层，33个building block，和最后的fc层组成，building block单元中嵌入SE模块进行特征压缩，显式地建模特征通道之间的相互依赖关系。
7.根据权利要求1所述的一种基于深度学习的彩色图像龋病识别方法，其特征在于，步骤S7中，分类模型训练策略设置的训练batch大小为32，学习率为0.001，动量moment为0.9。
CN202110635383.XA 2021-06-06 2021-06-06 基于深度学习的彩色图像龋病识别方法 Active CN113379697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110635383.XA CN113379697B (zh) 2021-06-06 2021-06-06 基于深度学习的彩色图像龋病识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110635383.XA CN113379697B (zh) 2021-06-06 2021-06-06 基于深度学习的彩色图像龋病识别方法

Publications (2)

Publication Number Publication Date
CN113379697A CN113379697A (zh) 2021-09-10
CN113379697B true CN113379697B (zh) 2022-03-25

Family

ID=77576337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110635383.XA Active CN113379697B (zh) 2021-06-06 2021-06-06 基于深度学习的彩色图像龋病识别方法

Country Status (1)

Country Link
CN (1) CN113379697B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643297B (zh) * 2021-10-18 2021-12-21 四川大学 一种基于神经网络的计算机辅助牙龄分析方法
CN114332465A (zh) * 2022-01-05 2022-04-12 上海秦润数据科技有限公司 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091127A (zh) * 2019-12-16 2020-05-01 腾讯科技（深圳）有限公司 一种图像检测方法、网络模型训练方法以及相关装置
CN111353544A (zh) * 2020-03-05 2020-06-30 天津城建大学 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111798445A (zh) * 2020-07-17 2020-10-20 北京大学口腔医院 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10909424B2 (en) * 2018-10-13 2021-02-02 Applied Research, LLC Method and system for object tracking and recognition using low power compressive sensing camera in real-time applications

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091127A (zh) * 2019-12-16 2020-05-01 腾讯科技（深圳）有限公司 一种图像检测方法、网络模型训练方法以及相关装置
CN111353544A (zh) * 2020-03-05 2020-06-30 天津城建大学 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111798445A (zh) * 2020-07-17 2020-10-20 北京大学口腔医院 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Analysis on Two-stage Object Detection based on Convolutional Neural Networkorks";Tongyu Bai;《IEEE》;20210423;全文 *
"国家超级计算长沙中心助力新冠肺炎疫情防控";彭绍亮等;《国防科技》;20200630;第41卷(第3期);全文 *
"基于Pytorch和Opencv的人脸关键点检测";孟令军等;《电视技术》;20190725;第43卷(第14期);全文 *

Also Published As

Publication number Publication date
CN113379697A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN111563887B (zh) 一种口腔图像的智能分析方法与装置
CN110211087B (zh) 可分享的半自动糖尿病眼底病变标注方法
CN113379697B (zh) 基于深度学习的彩色图像龋病识别方法
CN108596046A (zh) 一种基于深度学习的细胞检测计数方法及系统
CN110335665A (zh) 一种应用于医学图像辅助诊断分析的以图搜图方法及系统
CN112967285B (zh) 一种基于深度学习的黄褐斑图像识别方法、系统和装置
CN109003269A (zh) 一种能提高医生效率的医学影像病灶的标注提取方法
WO2023155488A1 (zh) 基于多源多尺度特征融合的眼底图像质量评价方法和装置
CN112669320B (zh) 一种基于深度神经网络的spect甲状腺显像智能识别方法
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
CN111798445B (zh) 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统
CN113221945A (zh) 基于口腔全景片和双重注意力模块的龋齿识别方法
CN115526834A (zh) 免疫荧光图像检测方法及装置、设备、存储介质
Goswami et al. Automated detection of oral cancer and dental caries using convolutional neural network
CN113643297B (zh) 一种基于神经网络的计算机辅助牙龄分析方法
CN113516639B (zh) 基于全景x光片的口腔异常检测模型的训练方法及装置
CN117237351B (zh) 一种超声图像分析方法以及相关装置
CN117152507B (zh) 一种牙齿健康状态检测方法、装置、设备及存储介质
George et al. Dental radiography analysis and diagnosis using YOLOv8
CN109711306B (zh) 一种基于深度卷积神经网络获取面部特征的方法及设备
Tobias et al. Android Application for Chest X-ray Health Classification From a CNN Deep Learning TensorFlow Model
CN112598603A (zh) 一种基于卷积神经网络的口腔龋病图像智能识别方法
CN116188879B (zh) 图像分类、图像分类模型训练方法、装置、设备及介质
CN112613459B (zh) 一种人脸敏感区域检测方法
CN115578370B (zh) 一种基于脑影像的代谢区域异常检测方法及装置

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