CN113920068B - 一种基于人工智能的身体部位检测方法、装置及电子设备 - Google Patents
一种基于人工智能的身体部位检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113920068B CN113920068B CN202111125524.XA CN202111125524A CN113920068B CN 113920068 B CN113920068 B CN 113920068B CN 202111125524 A CN202111125524 A CN 202111125524A CN 113920068 B CN113920068 B CN 113920068B
- Authority
- CN
- China
- Prior art keywords
- body part
- sample
- image
- mask
- target image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 210000000062 pectoralis major Anatomy 0.000 claims description 76
- 210000002445 nipple Anatomy 0.000 claims description 49
- 210000000481 breast Anatomy 0.000 claims description 31
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 210000003205 muscle Anatomy 0.000 description 40
- 238000010586 diagram Methods 0.000 description 23
- 238000012549 training Methods 0.000 description 18
- 210000005075 mammary gland Anatomy 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013434 data augmentation Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/20—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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开一种基于人工智能的身体部位检测方法、装置及电子设备,身体部位检测方法包括:对初始图像进行图像分割,得到目标图像;对目标图像进行处理,得到用于指示身体部位的掩膜;利用掩膜确定目标图像中的第一身体部位;对第一身体部位的图像进行处理,得到目标图像中的第二身体部位。其中,第一身体部位和第二身体部位基于身体检测模型确定。本申请通过标记有身体部位标签的样本训练身体检测模型,最终利用训练完成的身体检测模型检测医学影像中的身体部位。
Description
技术领域
本申请涉及计算机视觉和人工智能技术领域,尤其涉及一种基于人工智能的身体部位检测方法、装置及电子设备。
背景技术
目前主要通过传统计算机视觉和机器学习的方法检测影像中身体某一部位的位置,但这两种方法存在以下缺陷:
(1)泛化主要描述模型对于未知数据的预测能力,即对具有同一规律数据以外的数据也能给出合适的输出;鲁棒性是指控制系统在一定(结构、大小)的参数摄动下,维持其它某些性能的特性。同一个物体用不同机型拍出的图像,图像数据不同,传统计算机视觉检测方法在检测时,需要针对不同的数据人为设定具体的参数,泛化性和鲁棒性都较差。
(2)采用机器学习的方法检测之前,需要人为预先标注大量的训练标签,费时费力,成本较高。
发明内容
本申请提供一种基于人工智能的身体部位检测方法、装置及电子设备,以至少解决现有技术中存在的以上技术问题。
本申请一方面提供一种基于人工智能的身体部位检测方法,包括:对初始图像进行图像分割,得到目标图像;对所述目标图像进行处理,得到用于指示身体部位的掩膜;利用所述掩膜确定所述目标图像中的第一身体部位;对所述第一身体部位的图像进行处理,得到所述目标图像中的第二身体部位。
本申请另一方面提供一种基于人工智能的身体部位检测装置,包括:图像分割模块,用于对初始图像进行图像分割,得到目标图像;图像处理模块,用于对所述目标图像进行处理,得到用于指示身体部位的掩膜;第一身体部位确定模块,用于利用所述掩膜确定所述目标图像中的第一身体部位;第二身体部位确定模块,用于对所述第一身体部位的图像进行处理,得到所述目标图像中的第二身体部位。
本申请再一方面提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本申请所述的基于人工智能的身体部位检测方法。
本申请还一方面提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本申请所述的基于人工智能的身体部位检测方法。
本申请提供的一种基于人工智能的身体部位检测方法、装置及电子设备,具有以下有益效果:
可以在拍摄的乳腺X线影像上自动寻找某一身体部位,有助于进行若干下游任务,如:在拍摄的乳腺X线影像上自动寻找胸大肌与乳头,得到胸大肌与乳头的具体位置后进行病灶深度判断、病灶象限判断、病灶匹配等。其中,通过神经网络模型自动检测影像上的某一身体部位,检测结果准确;优选的实施例中,能够准确检测到胸大肌与乳头的具体位置。
在训练神经网络模型时,通过数据增广生成大量训练数据,保证了神经网络模型具有较好的鲁棒性,适用于不同设备拍摄的影像。同时,采用计算机视觉方法得到训练标签,不需要人为标注标签,节省了大量人力成本。
附图说明
图1示出了本申请实施例提供的基于人工智能的身体部位检测方法的步骤流程图;
图2示出了本申请实施例提供的获取掩膜的步骤流程图;
图3示出了本申请实施例提供的第二掩膜的示例图;
图4示出了本申请实施例提供的确定目标图像中的第一身体部位的步骤流程图;
图5示出了本申请实施例提供的确定目标图像中的第二身体部位的步骤流程图;
图6示出了本申请实施例提供的训练身体检测模型的步骤流程图;
图7示出了本申请优选实施例提供的预处理后的初始乳腺影像样本示例图;
图8示出了本申请优选实施例提供的第一掩膜样本的示例图;
图9示出了本申请优选实施例提供的第二掩膜样本的示例图;
图10示出了本申请优选实施例提供的掩膜样本的示例图;
图11示出了本申请优选实施例提供的对掩膜样本进行边缘检测后的示例图;
图12示出了本申请优选实施例提供的胸大肌边缘的示例图;
图13示出了本申请优选实施例提供的胸大肌边缘竖直设置的示例图;
图14示出了本申请优选实施例提供的确定乳头的示例图;
图15示出了本申请优选实施例提供的胸大肌和乳头的示例图;
图16-图18示出了本申请优选实施例提供的传统计算机视觉方法和本申请的检测方法获取的胸大肌边缘和乳头的对比示例图;
图19示出了本申请实施例提供的基于人工智能的身体部位检测装置的结构框图;
图20示出了本申请实施例提供的身体检测模型训练模块的结构框图。
附图标记:
1-第一点;2-第二点;3-第三点;4-第四点;5-错误胸大肌边缘;6-准确胸大肌边缘;7-错误乳头;8-准确乳头;11-第一边缘;22-第二边缘;a-第一预设边缘;b-第二预设边缘;
100-图像分割模块;200-图像处理模块;300-第一身体部位确定模块;400-第二身体部位确定模块;500-图像预处理模块;600-身体检测模型训练模块;
201-第一处理单元;202-第二处理单元;203-合并单元;
301-边缘检测单元;302-第一身体部位确定单元;
401-调整单元;402-第二身体部位确定单元;
501-像素值处理单元;502-尺寸处理单元;
601-初始样本及标签获取单元;602-目标样本获取单元;603-目标样本处理单元;604-第一身体部位样本获取单元;605-第二身体部位样本获取单元;606-身体部位样本处理单元;607-参数调整单元。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,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,而非全部实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请实施例的身体部位检测方法是利用计算机视觉方法获取目标图像样本中的第一身体部位样本和第二身体部位样本,将该目标图像样本作为训练标签训练身体检测模型,最终利用训练完成的身体检测模型检测目标图像中的第一身体部位和第二身体部位。
以下通过附图对本申请实施例提供的基于人工智能的身体部位检测方法进行说明,如图1所示,基于人工智能的身体部位检测方法包括以下步骤:
步骤S1:对初始图像进行图像分割,得到目标图像。
步骤S2:对目标图像进行处理,得到用于指示身体部位的掩膜。
步骤S3:利用掩膜确定目标图像中的第一身体部位。
步骤S4:对第一身体部位的图像进行处理,得到目标图像中的第二身体部位。
其中,步骤S1中的初始图像包括拍摄到的医学影像:X线影像、CT影像等,图像分割是将初始图像中的背景图像删除,保留包含有身体部位信息的前景图像,以此作为目标图像。
具体的,获取前景图像的最小包围框,对包围框进行裁剪和提取,删除包围框以外的背景图像,得到目标图像。
在一实施例中,步骤S1之前,还包括:对初始图像进行预处理。
对初始图像进行预处理包括:将初始图像的像素值处理至预设范围内。
对初始图像进行预处理还包括:缩小初始图像的尺寸至预设值。
对初始图像进行预处理还包括:将初始图像的像素值处理至预设范围内,再缩小初始图像的尺寸至预设值。
具体的,不同机型拍摄得到的初始图像的像素值不同,因此在进行图像分割之前,需要对初始图像进行归一化处理,将初始图像的像素值均归一至一个预设范围内。
在一实施例中,像素值的预设范围包括:0-255,根据以下公式将初始图像的像素值处理至0-255内:
Pn=(Po-WindowCenter)/WindowWidth*255+128
其中,po为旧像素值;pn为新像素值;WindowCenter(窗位)表示初始图像的像素值的中心点;WindowWidth(窗宽)表示初始图像的像素值范围。
针对不同像素值的组织结构或病变,选择合适的WindowCenter(窗位)和WindowWidth(窗宽),能够获得最佳的显示效果。本申请实施例通过以下方式获取WindowCenter(窗位)和WindowWidth(窗宽):
dicom(Digital Imaging and Communications in Medicine,医学数字成像和通信)定义了质量能满足临床需要的可用于数据交换的医学图像格式,从dicom文件中能够获取WindowCenter(窗位)和WindowWidth(窗宽)。
若dicom文件中不包含WindowCenter(窗位)和WindowWidth(窗宽)的信息,则根据以下公式计算获得:
windowCenter(窗位)=(Vmax–Vmin)/2
windowwidth(窗宽)=(Vmax–Vmin)
其中,Vmax表示初始图像的像素值中的最大像素值,Vmin表示初始图像的像素值中的最小像素值。
同时,医学影像的尺寸较大是为了方便医生查看身体部位中组织或结构的细节,但检测医学影像中某一身体部位的具体位置与形状时,这些较小的细节是无用的,医学影像的尺寸较大会增加运算数据,浪费运算资源,因此需要将医学影像的尺寸缩小。
在一实施例中,将初始图像的尺寸(宽和高)都缩小到原来尺寸的十六分之一,该预设值仅适用于本实施例中使用的数据集,保证图像尺寸缩小到十六分之一后还能满足身体检测模型对图像要求的最小输入尺寸。如果大于十六分之一,运算数据仍旧过多,如果小于十六分之一,就会使得初始图像尺寸过小,会影响检测结果的准确性。
步骤S2中的掩膜是从目标图像中获取的一个目标区域,该目标区域内同时包含有两个以上的不同身体部位的信息,且其中两个身体部位是相邻接的。
具体的,掩膜内包括:相邻接的第一身体部位和第三身体部位,即第一身体部位和第三身体部位的边缘相接触,第三身体部位中还包括有第二身体部位。作为示例,第一身体部位可以是胸大肌,第三身体部位可以是乳腺区域,第二身体部位可以是乳头;胸大肌的边缘与乳腺区域相接触,乳腺区域包括有乳头,乳头位于乳腺区域上远离胸大肌的位置;此时的掩膜内包括:胸大肌、乳腺区域以及胸大肌与乳腺区域相接触的边缘。
图2示出了本申请实施例提供的获取掩膜的步骤流程图,如图2所示,步骤S2包括:
步骤S21:对目标图像进行第一处理,得到用于指示第三身体部位的第一掩膜,第三身体部位包括第二身体部位。
具体的,第一处理包括:对目标图像进行二值化处理,二值化处理后的目标图像只包括有像素值为1和像素值为0的图像,其中像素值为1的图像表示仅包含有第一身体部位和第二身体部位的区域,像素值为0的图像表示步骤S1中得到的前景图像的包围框,将包围框删除,得到仅包含有第一身体部位和第二身体部位的区域为第一掩膜。
第一掩膜是指:用选定的区域对待处理图像的全部或局部进行遮挡,从而确定后续图像处理的区域。且第一掩膜所指示的区域就是具体的身体部位的影像,作为示例,第一掩膜所指示的是:乳腺区域的影像。
其中,第一掩膜可以是二值图像。
步骤S22:对目标图像进行第二处理,得到用于指示第一身体部位的第二掩膜。
具体的,第二处理包括:选择初始图像中相互垂直连接的第一边缘11和第二边缘22,在第一边缘11上获取第一点1和第二点2,在第二边缘22上获取第三点3和第四点4;第一点1靠近第二边缘22,第二点2远离第一边缘11;第三点3靠近第一边缘11,第四点4远离第二边缘22。
连接第一点1和第三点3,得到第一预设边缘a;连接第二点2和第四点4,得到第二预设边缘b;第一预设边缘a、第二预设边缘b、第一边缘1和第二边缘2共同围成预设区域。该预设区域内仅包含有第一身体部位和第三身体部位,对预设区域进行剪裁,得到第二掩膜。
第二掩膜是指:用选定的区域对待处理图像的全部或局部进行遮挡,从而确定后续图像处理的区域。且第二掩膜所指示的区域是某一身体部位的影像可能存在的区域,作为示例,第二掩膜所指示的是:在医学影像中胸大肌可能存在的区域。
其中,第二掩膜可以是二值图像。
图3示出了本申请实施例提供的第二掩膜的示例图,如图3所示,本申请实施例中的初始图像可以包括矩形图像,得到的第二掩膜可以为梯形。
具体的,第一点1靠近第二边缘22,且第一点1位于第一边缘11的八分之一处;第二点2远离第一边缘11,且第二点2位于第一边缘11的四分之一处;第三点3靠近第一边缘11,且第三点3位于第二边缘22的八分之一处;第四点4远离第二边缘22,且第四点4位于第二边缘22的四分之一处。
步骤S23:对第一掩膜和第二掩膜进行合并,得到掩膜。
具体的,对第一掩膜和第二掩膜进行合并包括:取第一掩膜和第二掩膜的交集区域,该交集区域为掩膜,掩膜所指示的区域是某一身体部位的影像可能存在的区域。
作为示例,掩膜所指示的是:在医学影像中胸大肌和乳腺区域相接触的边缘可能存在的区域。
步骤S3是基于掩膜确定第一身体部位,由于第一身体部位和第二身体部位的位置存在相互对应的关系,因此,步骤S4是在已经确定了第一身体部位的基础上,根据第一身体部位的具体位置确定第二身体部位。
作为示例,根据掩膜中胸大肌和乳腺区域相接触的边缘,先确定胸大肌的边缘;由于乳头位于乳腺区域上远离胸大肌边缘的位置,且乳头和胸大肌边缘存在相互对应的位置关系,因此,在确定了胸大肌边缘的基础上,根据胸大肌边缘的具体位置确定乳头位置。
图4示出了本申请实施例提供的确定目标图像中的第一身体部位的步骤流程图,如图4所示,步骤S3包括:
步骤S31:对目标图像进行边缘检测,获取位于掩膜内的像素点,像素点在水平方向的梯度值满足第一条件。
其中,第一条件包括:在水平方向上梯度值较大的像素点。
具体的,梯度值较大,说明灰度变化率较大,灰度变化率较大是指像素点的灰度由暗突变为亮,或者由亮突变为暗。而当两个物体的轮廓边界相邻接时,相邻接的轮廓边缘的灰度较暗,从物体过渡到轮廓边缘时,将会出现灰度由亮突变为暗(或者由暗突变为亮)的过程,说明该位置的灰度变化率较大,梯度值较大。以此获取位于掩膜内的表示第一身体部位的边缘轮廓信息的像素点。
对目标图像进行边缘检测的方法包括:索贝尔算子(Sobel),主要用作边缘检测,是一离散性差分算子,用于运算图像亮度函数的灰度的近似值。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量。因此,利用索贝尔算子获取目标图像中位于掩膜内的像素点在水平方向的梯度值,根据梯度值衡量图像灰度的变化率。
作为示例,胸大肌的边缘与乳腺区域相接触,当用索贝尔算子对目标图像进行边缘检测时,获取到的掩膜内的梯度值较大的像素点表示了胸大肌的边缘轮廓信息。
步骤S32:基于像素点获取第一身体部位的边缘轮廓信息,以确定第一身体部位。
霍夫变换方法能够从图像中识别几何形状,从图像中分离出具有某种相同特征的几何形状(直线、圆等)),例如:从黑白图像中检测出直线(线段)。因此,本实施例基于像素点利用霍夫变换方法确定第一身体部位的边缘轮廓信息,从而确定第一身体部位。
作为示例,根据以上获得的用于表示胸大肌的边缘轮廓信息的像素点,利用霍夫变换方法确定胸大肌的边缘轮廓,从而确定胸大肌。
图5示出了本申请实施例提供的确定目标图像中的第二身体部位的步骤流程图,如图5所示,步骤S4包括:
步骤S41:在第一身体部位以竖直方向呈现于目标图像的情况下,确定目标图像的前景区域。
具体的,该步骤是在得到第一身体部位的基础上进行的,首先要确保第一身体部位以竖直方向呈现于目标图像样本中,若不是,则需要对目标图像进行旋转,保证第一身体部位以竖直方向呈现于目标图像中,再确定目标图像的前景区域。
在一实施例中,第一身体部位的形状较复杂,不是单纯的正圆或正边型图像,对于第一身体部位来说,很难具体去确定哪个方向才是竖直的,而第一身体部位的边缘近似为一条直线,因此确保第一身体部位的边缘以竖直方向呈现于目标图像样本中,就能够表示第一身体部位是竖直呈现于目标图像样本中的。
作为示例,通常拍摄到的医学影像中,胸大肌的边缘与竖直方向存在一定的夹角,且胸大肌的边缘与乳头有相互对应的位置关系,因此,为了更快速清楚地确定乳头的位置,在确定乳头位置之前,保证胸大肌的边缘是竖直的。
步骤S42:确定所述前景区域中位于第一边缘或第二边缘的区域为第二身体部位。
其中,第一身体部位的边缘与第三身体部位相邻接,当第一身体部位的边缘以竖直方向呈现于目标图像中时,第一身体部位的边缘是一条竖直的直线,前景区域中距离该直线最远的区域为第三身体部位中的第二身体部位。
在一实施例中,当第一身体部位的边缘以竖直方向呈现于目标图像中时,第三身体部位位于第一身体部位的右侧,此时前景区域的第一边缘包括:前景区域的最右边。当第一身体部位的边缘以竖直方向呈现于目标图像中时,第三身体部位位于第一身体部位的左侧,此时前景区域的第二边缘包括:前景区域的最左边。
作为示例,胸大肌的边缘与乳腺区域相邻接,当胸大肌的边缘竖直呈现在目标图像中时,乳头位于目标图像中远离胸大肌的最边缘处。当胸大肌处于目标图像的左边缘时,乳头将位于目标图像中的最右边缘;当胸大肌处于目标图像的右边缘时,乳头将位于目标图像中的最左边缘。
在一优选实施例中,在步骤S3和步骤S4中,利用掩膜确定目标图像中的第一身体部位和第二身体部位包括:基于身体检测模型确定第一身体部位和第二身体部位。
具体的,将目标图像输入身体检测模型中,身体检测模型能够根据预设阈值对掩膜中的所有像素点进行分类,大于该预设阈值的像素点表示第一身体部位信息和第二身体部位信息,小于该预设阈值的像素点表示其他信息。
因此,通过身体检测模型获取掩膜中用于表示第一身体部位和第二身体部位的信息的像素点,基于像素点确定第一身体部位和第二身体部位。
同时,由于第一身体部位的边缘与第三身体部位相邻接,当第一身体部位的边缘以竖直方向呈现于目标图像中时,第一身体部位的边缘是一条竖直的直线,前景区域中距离该直线最远的区域为第三身体部位中的第二身体部位。因此,在获取掩膜中用于表示第一身体部位和第二身体部位的信息的像素点的基础上,根据第二身体部位与第一身体部位的位置关系,进一步确定第二身体部位的位置和形状。
作为示例,身体检测模型根据预设阈值对掩膜中的所有像素点进行分类,大于预设阈值的像素点表示胸大肌和乳头,小于预设阈值的像素点表示其他信息。
同时,胸大肌的边缘与乳腺区域相邻接,胸大肌的边缘近似为一条直线,当胸大肌的边缘以竖直方向呈现于目标图像中时,目标图像的前景区域中距离该直线最远的区域为乳腺区域中的乳头。因此,在获取掩膜中表示胸大肌和乳头的像素点的基础上,根据乳头与胸大肌边缘的位置关系,进一步确定乳头的位置和形状。
在一实施例中,在使用身体检测模型确定目标图像中的第一身体部位和第二身体部位之前,还包括:对身体检测模型进行训练,基于训练后的身体检测模型确定目标图像中的第一身体部位和第二身体部位。
图6示出了本申请实施例提供的训练身体检测模型的步骤流程图,如图6所示,训练身体检测模型的步骤包括:
步骤S61:获取初始图像样本及初始图像样本包括的第一身体部位标签和第二身体部位标签。
其中,初始图像样本包括多张使用不同机型拍摄的医学影像,第一身体部位标签是指该医学影像上第一身体部位的真实位置和形状,第二身体部位标签是指该医学影像上第二身体部位的真实位置和形状。
步骤S62:对初始图像样本进行图像分割,得到目标图像样本。
其中,图像分割是将初始图像样本中的背景图像删除,保留包含有身体部位信息的前景图像,以此作为目标图像样本。
步骤S63:对目标图像样本进行处理,得到用于指示身体部位的掩膜样本,包括:
对目标图像样本进行第一处理,得到用于指示第一身体部位的第一掩膜样本。对目标图像样本进行第二处理,得到用于指示第三身体部位的第二掩膜样本;其中,第三身体部位包括第二身体部位。对第一掩膜和第二掩膜进行合并,得到掩膜。
具体的,第一处理包括:对目标图像样本进行二值化处理,二值化处理后的目标图像样本只包括有像素值为1和像素值为0的图像,其中像素值为1的图像表示仅包含有第一身体部位和第二身体部位的区域,像素值为0的图像表示步骤S1中得到的前景图像的包围框,将包围框删除,得到仅包含有第一身体部位和第二身体部位的区域为第一掩膜样本。
第二处理包括:选择初始图像样本中相互垂直连接的第一边缘11和第二边缘22,在第一边缘11上获取第一点1和第二点2,在第二边缘22上获取第三点3和第四点4;第一点1靠近第二边缘22,第二点2远离第一边缘11;第三点3靠近第一边缘11,第四点4远离第二边缘22。
连接第一点1和第三点3,得到第一预设边缘a;连接第二点2和第四点4,得到第二预设边缘b;第一预设边缘a、第二预设边缘b、第一边缘1和第二边缘2共同围成预设区域。该预设区域内仅包含有第一身体部位和第三身体部位,对预设区域进行剪裁,得到第二掩膜样本。
本申请实施例中的初始图像样本可以包括矩形图像样本,得到的第二掩膜样本为梯形。
在一实施例中,第一点1靠近第二边缘22,且第一点1位于第一边缘11的八分之一处;第二点2远离第一边缘11,且第二点2位于第一边缘11的四分之一处;第三点3靠近第一边缘11,且第三点3位于第二边缘22的八分之一处;第四点4远离第二边缘22,且第四点4位于第二边缘22的四分之一处。
对第一掩膜样本和第二掩膜样本进行合并包括:取第一掩膜样本和第二掩膜样本的交集区域,该交集区域为掩膜样本。
步骤S64:利用掩膜样本确定目标图像样本中的第一身体部位样本。
具体的,在该步骤中,先对目标图像样本进行边缘检测,获取位于掩膜内的像素点,像素点在水平方向的梯度值满足第一条件。基于像素点获取第一身体部位样本的边缘轮廓信息,以确定第一身体部位样本。
其中,利用索贝尔算子获取目标图像样本中位于掩膜内的像素点在水平方向的梯度值,根据梯度值衡量图像灰度的变化率。第一条件包括:在水平方向上梯度值较大的像素点。
以此确定表示第一身体部位样本的边缘轮廓信息的像素点,接着利用霍夫变换方法从黑白图像中检测直线(线段),得到第一身体部位样本的边缘轮廓,从而确定第一身体部位样本。
步骤S65:对第一身体部位样本的图像进行处理,得到目标图像样本中的第二身体部位样本。
包括:在第一身体部位样本以竖直方向呈现于目标图像样本的情况下,确定目标图像样本的前景区域;确定前景区域中位于第一边缘或第二边缘的区域为第二身体部位样本。
具体的,该步骤是在得到第一身体部位样本的基础上进行的,首先要确保第一身体部位样本以竖直方向呈现于目标图像样本中,若不是,则需要对目标图像样本进行旋转,保证第一身体部位样本以竖直方向呈现于目标图像样本中,再确定目标图像样本的前景区域。
其中,第一身体部位样本与第三身体部位样本相邻接,当第一身体部位样本以竖直方向呈现于目标图像样本中时,第一身体部位样本与第三身体部位样本相邻接的边缘轮廓是一条竖直的直线,前景区域中距离该直线最远的区域为第三身体部位样本中的第二身体部位样本。
在一实施例中,当第一身体部位样本以竖直方向呈现于目标图像样本中时,第三身体部位样本位于第一身体部位样本的右侧,此时前景区域的第一边缘包括:前景区域的最右边。当第一身体部位样本以竖直方向呈现于目标图像样本中时,第三身体部位样本位于第一身体部位的左侧,此时前景区域的第二边缘包括:前景区域的最左边。
在一实施例中,得到第一身体部位样本和第二身体部位样本之后,还包括:对第一身体部位样本和第二身体部位样本进行以下一种或多种的数据增广处理:按照预设尺寸放缩、按照预设方向翻转、按照预设角度旋转、按照预设区域裁剪和按照预设值调整灰度。数据增广能够增加样本的多样性,从而提高身体检测模型检测结果的泛化性。
具体的,按照预设尺寸对第一身体部位样本的图像和第二身体部位样本的图像进行放缩;按照预设方向翻转第一身体部位样本的图像和第二身体部位样本的图像,例如对第一身体部位样本的图像和第二身体部位样本的图像进行水平翻转,或者对第一身体部位样本的图像和第二身体部位样本的图像进行垂直翻转;按照预设角度对第一身体部位样本的图像和第二身体部位样本的图像进行旋转,例如将第一身体部位样本的图像和第二身体部位样本的图像顺时针旋转九十度,或者将第一身体部位样本的图像和第二身体部位样本的图像逆时针旋转四十五度;按照预设区域对第一身体部位样本的图像和第二身体部位样本的图像进行裁剪;按照预设值调整第一身体部位样本的图像和第二身体部位样本的图像的灰度。
当医学影像的性质出现变化时容易发生错检,出现错误数据,如果通过错误数据训练身体检测模型,将降低身体检测模型的准确性。对于这些错误数据,可以进行人工修正或直接剔除。为了节省人工成本,本实施例将这些错误数据直接剔除。
因此,在一实施例中,得到目标图像样本中的第一身体部位样本和第二身体部位样本之后,还包括:确定第二身体部位样本在初始图像样本中的位置;若位置满足错误样本预设条件,则删除初始图像样本。
其中,错误样本预设条件包括:第二身体部位样本的所在位置位于目标图像样本中的错误区域,错误区域位于目标图像样本的上边界或目标图像样本的下边界,且错误区域的图像高度值占目标图像样本图像高度值的5%。若初始图像样本满足错误样本预设条件,则删除,以增加样本准确性;若初始图像样本不满足错误样本预设条件,则进行下一步骤的差异比对。
上述错误区域的出现是因为有些医学影像拍到了过多的其他身体部位或医学影像质量不佳,使得检出的身体部位十分靠近医学影像上边缘或医学影像下边缘,以此定义错误区域,将检测到位于错误区域中的第二身体部位样本剔除,不再放入身体检测模型进行训练,以规避掉大部分错误的训练标签。
步骤S66:确定第一身体部位样本与第一身体部位标签的第一差异,以及第二身体部位样本与第二身体部位标签的第二差异;基于第一差异和第二差异调整身体检测模型的参数。
具体的,将目标图像样本输入身体检测模型中,将身体检测模型输出的第一身体部位样本与第一身体部位标签进行对比,以及将身体检测模型输出的第二身体部位样本与第二身体部位标签进行对比,根据二者的差异调整身体检测模型的参数,得到最优身体检测模型。
本申请的实施例中,身体检测模型可以包括神经网络模型。
优选实施例:
本申请的优选实施例以检测乳腺影像中胸大肌和乳头为例,对本申请提供的身体部位检测方法进行详细说明。
图7示出了本申请优选实施例提供的预处理后的初始乳腺影像样本示例图,如图7所示,将初始乳腺影像样本的像素值处理至预设范围0-255内,再缩小初始乳腺影像样本的尺寸至初始乳腺影像样本的十六分之一。
图8示出了本申请优选实施例提供的第一掩膜样本的示例图,如图8所示,对初始乳腺影像样本进行二值化处理,二值化处理后的初始乳腺影像样本只包括有像素值为1和像素值为0的图像,其中像素值为1的图像表示仅包含有胸大肌、乳腺区域和乳头的区域,像素值为0的图像表示背景区域,将背景区域删除,得到第一掩膜样本,第一掩膜样本中包含有胸大肌、乳腺区域和乳头。
图9示出了本申请优选实施例提供的第二掩膜样本的示例图,如图9所示,以初始乳腺影像上边缘靠左的1/8处和左边缘靠上的1/8处进行连线,再以上边缘靠右的1/4处和左边缘靠下的1/4处进行连线,以两个连线和初始乳腺影像上边缘和左边缘围成的梯形作为第二掩膜样本,第二掩膜样本内包含有胸大肌和乳腺区域。
图10示出了本申请优选实施例提供的掩膜的示例图,如图10所示,取第一掩膜样本和第二掩膜样本的交集区域,得到掩膜样本。
图11示出了本申请优选实施例提供的对掩膜样本进行边缘检测后的示例图,如图11所示,利用索贝尔算子获取掩膜样本内在水平方向的梯度值较大的像素点。
图12示出了本申请优选实施例提供的胸大肌边缘的示例图,如图12所示,利用霍夫变换方法从图9中所示的像素点中检测出直线(线段),得到胸大肌的边缘轮廓信息,从而确定胸大肌的边缘。
图13示出了本申请优选实施例提供的胸大肌边缘竖直设置的示例图,如图13所示,通常拍摄到的医学影像中,胸大肌的边缘与竖直方向存在一定的夹角,且胸大肌与乳头有相互对应的位置关系,因此,为了更快速清楚地确定乳头的位置,在确定乳头位置之前,对图像进行旋转,保证胸大肌的边缘是竖直的。
图14示出了本申请优选实施例提供的确定乳头的示例图,如图14所示,由于胸大肌的边缘与乳腺区域相邻接,当胸大肌的边缘以竖直方向呈现于乳腺影像样本中时,胸大肌的边缘是一条竖直的直线,前景区域中距离该直线最远的区域为乳腺区域中的乳头。
在图14中,当胸大肌的边缘以竖直方向呈现于乳腺影像样本中时,乳腺区域位于胸大肌的右侧,此时将位于前景区域最右边的区域确定为乳头。
图15示出了本申请优选实施例提供的标记了胸大肌和乳头的示例图,如图15所示,将乳腺影像样本旋转回去,得到真实的胸大肌和乳头,作为训练标签。
将目标图像样本输入身体检测模型中,得到身体检测模型输出的目标图像中胸大肌的边缘和乳头的形状和位置,将身体检测模型输出的目标图像中胸大肌的边缘和乳头的形状和位置与训练标签进行对比,根据二者的差异调整身体检测模型的参数,得到最优身体检测模型。
最后通过最优身体检测模型检测初始图像中的胸大肌的边缘和乳头。
具体的,将该初始乳腺影像的像素值处理至预设范围0-255内,并缩小初始乳腺影像的尺寸至初始图像的十六分之一,获取初始乳腺影像中前景图像的最小包围框,对包围框进行裁剪和提取,得到目标图像。
对目标图像进行二值化处理,得到仅包含有胸大肌、乳腺区域和乳头的第一掩膜。选择目标图像中上边缘靠左的1/8处和左边缘靠上的1/8处进行连线,再以上边缘靠右的1/4处和左边缘靠下的1/4处进行连线,以两个连线和初始乳腺影像上边缘和左边缘围成的梯形作为第二掩膜,第二掩膜内仅包含有胸大肌和乳腺区域。
取第一掩膜和第二掩膜的交集区域,得到掩膜。
将目标图像输入身体检测模型中,身体检测模型能够根据预设阈值对掩膜中的所有像素点进行分类,大于该预设阈值的像素点表示胸大肌和乳头信息,小于该预设阈值的像素点表示其他信息。
同时,由于胸大肌的边缘与乳腺区域相邻接,保证胸大肌的边缘以竖直方向呈现于目标图像中时,前景区域中距离胸大肌边缘最远的区域为乳腺区域中的乳头,因此,在获取掩膜中用于表示胸大肌的边缘和乳头的信息的像素点的基础上,根据胸大肌的边缘和乳头的位置关系,进一步确定乳头的位置和形状。
图16-图18示出了本申请优选实施例提供的传统计算机视觉方法和本申请的检测方法获取的胸大肌边缘和乳头的对比示例图,如图16-图18所示,图中虚线表示胸大肌边缘位置,灰色原点表示乳头位置,可以看出,传统计算机视觉算法检测到错误胸大肌边缘5与错误乳头7,其检测胸大肌边缘与乳头位置均失败。本申请的检测方法能够获取到准确胸大肌边缘6和准确乳头8。
在一实施例中,本申请还提供了一种基于人工智能的身体部位检测装置,图19示出了本申请实施例提供的基于人工智能的身体部位检测装置的结构框图,如图19所示,身体部位检测装置包括:
图像分割模块100,用于对初始图像进行图像分割,得到目标图像。
图像处理模块200,用于对目标图像进行处理,得到用于指示身体部位的掩膜。
第一身体部位确定模块300,用于利用掩膜确定目标图像中的第一身体部位。
第二身体部位确定模块400,用于对第一身体部位的图像进行处理,得到目标图像中的第二身体部位。
其中,图像处理模块200包括:第一处理单元201,用于对目标图像进行第一处理,得到用于指示第三身体部位的第一掩膜;第二处理单元202,用于对目标图像进行第二处理,得到用于指示第一身体部位的第二掩膜,第三身体部位包括第二身体部位;合并单元203,用于对第一掩膜和第二掩膜进行合并,得到掩膜。
身体部位检测装置还包括:图像预处理模块500,用于对初始图像进行预处理。
图像预处理模块500包括:像素值处理单元501,用于将初始图像的像素值处理至预设范围内;尺寸处理单元502,用于缩小初始图像的尺寸至预设值。
基于人工智能的身体部位检测装置还包括:身体检测模型训练模块600,用于在基于身体检测模型确定第一身体部位和第二身体部位之前对身体检测模型进行训练。图20示出了本申请实施例提供的基于人工智能的身体部位检测装置中身体检测模型训练模块的结构框图,如图20所示,身体检测模型训练模块600包括:
初始样本及标签获取单元601,用于获取初始图像样本及初始图像样本包括的第一身体部位标签和第二身体部位标签。目标样本获取单元602,用于对初始图像样本进行图像分割,得到目标图像样本。目标样本处理单元603,用于对目标图像样本进行处理,得到用于指示身体部位的掩膜样本。第一身体部位样本获取单元604,用于利用掩膜样本确定目标图像样本中的第一身体部位样本。第二身体部位样本获取单元605,用于对第一身体部位样本的图像进行处理,得到目标图像样本中的第二身体部位样本。身体部位样本处理单元606,包括样本增广子单元,用于对第一身体部位样本和第二身体部位样本进行以下一种或多种的数据增广处理:按照预设尺寸对第一身体部位样本的图像和第二身体部位样本的图像进行放缩、按照预设方向翻转第一身体部位样本的图像和第二身体部位样本的图像、按照预设角度对第一身体部位样本的图像和第二身体部位样本的图像进行旋转、按照预设区域对第一身体部位样本的图像和第二身体部位样本的图像进行裁剪;按照预设值调整第一身体部位样本的图像和第二身体部位样本的图像的灰度。身体部位样本处理单元606,还包括错误样本剔除子单元,用于识别并删除位于目标图像样本的错误区域中的第二身体部位样本。参数调整单元607,用于确定第一身体部位样本与第一身体部位标签的第一差异,以及第二身体部位样本与第二身体部位标签的第二差异;基于第一差异和第二差异调整身体检测模型的参数。
除了上述方法和装置以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“基于人工智能的身体部位检测方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Python、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“基于人工智能的身体部位检测方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于人工智能的身体部位检测方法,其特征在于,包括:
对初始图像进行图像分割,得到目标图像;
对所述目标图像进行处理,得到用于指示身体部位的掩膜;
基于所述掩膜确定所述目标图像中的第一身体部位;所述第一身体部位为胸大肌;
对所述第一身体部位的图像进行处理,得到所述目标图像中的第二身体部位;所述第二身体部位为乳头;
其中,所述对所述目标图像进行处理,得到用于指示身体部位的掩膜包括:
对所述目标图像进行第一处理,得到用于指示第三身体部位的第一掩膜;所述第三身体部位为乳腺区域;
对所述目标图像进行第二处理,得到用于指示所述第一身体部位的第二掩膜;
对所述第一掩膜和所述第二掩膜进行合并,获取所述第一掩膜和所述第二掩膜的交集区域,得到所述掩膜;
所述第三身体部位包括所述第二身体部位;
所述基于所述掩膜确定所述目标图像中的第一身体部位包括:
对所述目标图像进行边缘检测,获取位于所述掩膜内的像素点,所述像素点在水平方向的梯度值满足第一条件;
基于所述像素点获取所述第一身体部位的边缘轮廓信息,以确定所述第一身体部位。
2.根据权利要求1所述的基于人工智能的身体部位检测方法,其特征在于,所述对所述第一身体部位的图像进行处理,得到所述目标图像中的第二身体部位包括:
在所述第一身体部位以竖直方向呈现于所述目标图像的情况下,确定所述目标图像的前景区域;
确定所述前景区域中位于第一边缘或第二边缘的区域为所述第二身体部位。
3.根据权利要求1-2任一项所述的基于人工智能的身体部位检测方法,其特征在于,所述第一身体部位和所述第二身体部位基于身体检测模型确定;所述方法还包括:
获取初始图像样本及所述初始图像样本包括的第一身体部位标签和第二身体部位标签;
对所述初始图像样本进行图像分割,得到目标图像样本;
对所述目标图像样本进行处理,得到用于指示身体部位的掩膜样本;
基于所述掩膜样本确定所述目标图像样本中的第一身体部位样本;
对所述第一身体部位样本的图像进行处理,得到所述目标图像样本中的第二身体部位样本;
确定所述第一身体部位样本与所述第一身体部位标签的第一差异,以及所述第二身体部位样本与所述第二身体部位标签的第二差异;
基于所述第一差异和所述第二差异调整所述身体检测模型的参数。
4.根据权利要求3所述的基于人工智能的身体部位检测方法,其特征在于,所述得到所述目标图像样本中的第二身体部位样本之后,还包括:
确定所述第二身体部位样本在所述初始图像样本中的位置;
若所述位置满足错误样本预设条件,则删除所述初始图像样本。
5.根据权利要求3所述的基于人工智能的身体部位检测方法,其特征在于,所述得到所述目标图像样本中的第二身体部位样本之后,还包括:
对所述第一身体部位样本和所述第二身体部位样本进行以下一种或多种的处理:
按照预设尺寸放缩、按照预设方向翻转、按照预设角度旋转、按照预设区域裁剪和按照预设值调整灰度。
6.一种基于人工智能的身体部位检测装置,其特征在于,包括:
图像分割模块,用于对初始图像进行图像分割,得到目标图像;
图像处理模块,用于对所述目标图像进行处理,得到用于指示身体部位的掩膜;
第一身体部位确定模块,用于基于所述掩膜确定所述目标图像中的第一身体部位;所述第一身体部位为胸大肌;
第二身体部位确定模块,用于对所述第一身体部位的图像进行处理,得到所述目标图像中的第二身体部位;所述第二身体部位为乳头;
其中,所述图像处理模块,具体用于对所述目标图像进行第一处理,得到用于指示第三身体部位的第一掩膜;所述第三身体部位为乳腺区域;对所述目标图像进行第二处理,得到用于指示所述第一身体部位的第二掩膜;对所述第一掩膜和所述第二掩膜进行合并,获取所述第一掩膜和所述第二掩膜的交集区域,得到所述掩膜;所述第三身体部位包括所述第二身体部位;
所述第一身体部位确定模块,具体用于对所述目标图像进行边缘检测,获取位于所述掩膜内的像素点,所述像素点在水平方向的梯度值满足第一条件;基于所述像素点获取所述第一身体部位的边缘轮廓信息,以确定所述第一身体部位。
7.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-5任一项所述的基于人工智能的身体部位检测方法。
8.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-5任一项所述的基于人工智能的身体部位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125524.XA CN113920068B (zh) | 2021-09-23 | 2021-09-23 | 一种基于人工智能的身体部位检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111125524.XA CN113920068B (zh) | 2021-09-23 | 2021-09-23 | 一种基于人工智能的身体部位检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920068A CN113920068A (zh) | 2022-01-11 |
CN113920068B true CN113920068B (zh) | 2022-12-30 |
Family
ID=79235940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111125524.XA Active CN113920068B (zh) | 2021-09-23 | 2021-09-23 | 一种基于人工智能的身体部位检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920068B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272896A (zh) * | 2022-08-04 | 2022-11-01 | 上海扩博智能技术有限公司 | 识别模型的自动迭代训练方法、系统、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819850A (zh) * | 2012-08-16 | 2012-12-12 | 李勃 | 基于局部自适应色差阈值的彩色图像边缘检测的方法 |
CN108073930A (zh) * | 2017-11-17 | 2018-05-25 | 维库(厦门)信息技术有限公司 | 一种基于多个不规则roi的目标检测和跟踪方法 |
CN110517262A (zh) * | 2019-09-02 | 2019-11-29 | 上海联影医疗科技有限公司 | 目标检测方法、装置、设备及存储介质 |
CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
CN112258504A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、设备及计算机可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373098B (zh) * | 2016-08-30 | 2019-04-23 | 天津大学 | 基于非相似像素统计的随机脉冲噪声去除方法 |
CN108596088B (zh) * | 2018-04-23 | 2021-04-20 | 福建师范大学 | 一种用于全色遥感影像的建筑物检测方法 |
CN110298851B (zh) * | 2019-07-04 | 2022-04-22 | 北京字节跳动网络技术有限公司 | 人体分割神经网络的训练方法及设备 |
CN111241947B (zh) * | 2019-12-31 | 2023-07-18 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111754528A (zh) * | 2020-06-24 | 2020-10-09 | Oppo广东移动通信有限公司 | 人像分割方法、装置、电子设备和计算机可读存储介质 |
CN111882544B (zh) * | 2020-07-30 | 2024-05-14 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
-
2021
- 2021-09-23 CN CN202111125524.XA patent/CN113920068B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819850A (zh) * | 2012-08-16 | 2012-12-12 | 李勃 | 基于局部自适应色差阈值的彩色图像边缘检测的方法 |
CN108073930A (zh) * | 2017-11-17 | 2018-05-25 | 维库(厦门)信息技术有限公司 | 一种基于多个不规则roi的目标检测和跟踪方法 |
CN110517262A (zh) * | 2019-09-02 | 2019-11-29 | 上海联影医疗科技有限公司 | 目标检测方法、装置、设备及存储介质 |
CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
CN112258504A (zh) * | 2020-11-13 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113920068A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019153739A1 (zh) | 基于人脸识别的身份认证方法、装置、设备和存储介质 | |
US20080193020A1 (en) | Method for Facial Features Detection | |
CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN111986183B (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN106611416B (zh) | 一种医学图像中肺分割的方法及装置 | |
CN110634116B (zh) | 一种面部图像评分方法及摄像机 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN113962306A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN113780201B (zh) | 手部图像的处理方法及装置、设备和介质 | |
US20220245803A1 (en) | Image enhancement processing method, device, equipment, and medium based on artificial intelligence | |
WO2023185234A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113920068B (zh) | 一种基于人工智能的身体部位检测方法、装置及电子设备 | |
CN111898610A (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
CN115423870A (zh) | 一种瞳孔中心定位方法和装置 | |
JP7355434B2 (ja) | 眼底画像認識方法及び装置並びに設備 | |
JP2006130212A (ja) | 異常陰影候補検出方法、および装置、ならびにプログラム | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN114360039A (zh) | 一种智能眼睑检测方法及系统 | |
WO2022121021A1 (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN111274851A (zh) | 一种活体检测方法及装置 | |
WO2021195873A1 (zh) | 识别sfr测试卡图像中感兴趣区域的方法及装置、介质 | |
CN115937114A (zh) | 一种风机图片的预处理方法及设备 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 | |
CN116703803A (zh) | 用于检测电池极片边缘的毛刺的方法、设备和系统 |
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 | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1106 and 1107, 11th floor, Weishi building, No. 39 Xueyuan Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |