CN114241232A - 基于多任务学习的摄影体位识别和体表解剖标志检测方法 - Google Patents

基于多任务学习的摄影体位识别和体表解剖标志检测方法 Download PDF

Info

Publication number
CN114241232A
CN114241232A CN202111392668.1A CN202111392668A CN114241232A CN 114241232 A CN114241232 A CN 114241232A CN 202111392668 A CN202111392668 A CN 202111392668A CN 114241232 A CN114241232 A CN 114241232A
Authority
CN
China
Prior art keywords
body surface
layer
anatomical landmark
heat map
surface anatomical
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
CN202111392668.1A
Other languages
English (en)
Other versions
CN114241232B (zh
Inventor
骆春波
张赟疆
罗杨
杨洁
孙文健
韦仕才
濮希同
徐加朗
许燕
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111392668.1A priority Critical patent/CN114241232B/zh
Publication of CN114241232A publication Critical patent/CN114241232A/zh
Application granted granted Critical
Publication of CN114241232B publication Critical patent/CN114241232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多任务学习的摄影体位识别和体表解剖标志检测方法，其包括将摄影图不同局部体位图整合于一个整体摄影体位中，并进行体表解剖标志点标记；采集初始数据集，并结合通过ImageNet数据集预训练后的网络模型作为初始权重训练网络；将待测数据输入训练好的网络；通过后处理模块对网络输出数据进行处理，得到处理后的热图，并计算体表解剖标志点的坐标，输出摄影体位结果和坐标结果。本发明弥补了X线摄影非接触式患者定位研究的空缺；简化分步进行摄影体位识别和体表解剖标志检测的网络复杂度；提高自动化处理水平，为X线摄影非接触式患者定位研究提供了核心的图像处理方法，能够降低放射科技术人员的工作量和感染风险。

Description

基于多任务学习的摄影体位识别和体表解剖标志检测方法
技术领域
本发明涉及数字图像处理领域，具体涉及一种基于多任务学习的摄影体位识别和体表解剖标志检测方法。
背景技术
放射科技术人员在进行X线摄影时，在确认拍摄位置后，需指导受检者做出正确的摄影体位，并将X线的探测器对准拍摄部位的体表解剖标志。为减少技术人员的工作负担和感染风险，需实现自动化识别摄影体位和检测体表解剖标志。
目前有两种可用的工业产品和一种基于实验室的算法开发用于CT检查的操作简化和非接触式患者定位研究。Siemens Healthineers和GE Healthcar为CT提供了基于3D摄像头的等中心化和自动精确患者定位解决方案，但它们仍然需要技术人员进入扫描室来选择和确认扫描参数。S.Karanam等设计并开发了一个系统，该系统包括自动校准、3D患者身体建模和多视图合成组件，使技术人员能够以完全远程和非接触的方式对患者进行CT扫描。这些产品是对用于CT检查的自动患者定位方法的良好探索，但是它们不能用于X线摄影，因为X线摄影需要同时识别众多摄影位置和检测精确解剖体标志。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多任务学习的摄影体位识别和体表解剖标志检测方法解决了现有技术缺少X线摄影非接触式患者定位研究、摄影体位识别和体表解剖标志检测两个任务耦合和分步进行识别与检测需要训练多个网格络的高复杂度的问题，准确地实现了摄影体位识别和体表解剖标志检测。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于多任务学习的摄影体位识别和体表解剖标志检测方法，其包括以下步骤：
S1、获取摄影图，基于放射科扫描室的实际采集场景，将摄影图的不同体位图整合于一个整体摄影体位中，得到整体摄影体位图；
S2、对整体摄影体位图进行摄影体位和体表解剖标志点标记，得到用于X线摄影体位识别与体表解剖标志检测的初始数据集；
S3、将基于ImageNet数据集预训练后的网络模型作为初始化权重，通过初始数据集对初始化的权重进行训练优化，得到优化后的网络模型；
S4、将待测数据输入优化后的网络模型，得到并输出体表解剖标志热图和分类结果；
S5、对体表解剖标志热图进行平滑处理，得到平滑后的热图；
S6、通过分类结果对平滑后的热图进行过滤，寻找摄像体位分类下的体表解剖标志在通道热图中对应的通道，并保持对应通道值不变，将其它类别的体表解剖标志点的通道值转换为0，得到处理后的热图；
S7、计算处理后的热图体表解剖标志点的坐标，并输出摄影体位结果和坐标结果。
进一步地：步骤S1中的摄影图的X线摄影体位包括正位、侧位、斜位和轴向位。
进一步地：步骤S2中的初始数据集包括23种X线整体摄影体位和80种体表解剖标志。
进一步地：步骤S2收集了16921张整体摄影体位图，标注了59510个X线体表解剖标志点。
进一步地：
步骤S3中的优化后的网络模型包括主干网络、体表解剖标志检测分支和摄影体位分类分支；
主干网络包括HRNet-w48的四个顺序连接的若干分辨率卷积子网络；
体表解剖标志检测分支包括一个1×1的卷积层；
摄影体位分类分支包括四个瓶颈层、三个下采样结构、一个卷积层和一个平均池化层加全连接层；第一瓶颈层的输出端与第一下采样层的输入端相连；第二瓶颈层的输出端分别与第一下采样层的输出端和第二下采样层的输入端相连；第三瓶颈层的输出端分别与第二下采样层的输出端和第三下采样层的输入端相连；第四瓶颈层的输出端分别与第三下采样层的输出端和第一卷积层的输入端相连；第一卷积层的输出端与平均池化层加全连接层的输入端相连；
其中第一卷积层的卷积核为1×1，输出通道数为2048；第一瓶颈层的输出通道数为128，第二瓶颈层的输出通道数为256，第三瓶颈层的输出通道数为512，第四瓶颈层的输出通道数为1024；
主干网络的第一输出端分别与体表解剖标志检测分支的输入端和第一瓶颈层的输入端相连；主干网络的第二输出端与第二瓶颈层的输入端相连；主干网络的第三输出端与第三瓶颈层的输入端相连；主干网络的第四输出端与第四瓶颈层的输入端相连。
进一步地：
步骤S3将数据集中每幅图像的解剖体标志的坐标转换为80通道热图，作为体表解剖标志检测分支的监督信息；其中坐标标注为(0,0)的体表解剖标志点将生成全0值的热图通道；
将摄影体位的标签信息作为摄影体位分类分支的监督信息。
进一步地，步骤S3的具体方法为：
S3-1、提取用于训练的数据集的四种分辨率的特征图；
S3-2、将最高分辨率的特征图的宽度设置为48，并输入到体表解剖标志检测分支中，得到初始预测的通道热图；其中初始预测的通道热图为80通道热图；
S3-3、将四种分辨率的特征图输入摄影体位分类分支，得到23种初步分类结果；
S3-4、根据公式：
L＝0.00001Lcls+Llandmark
得到综合损失函数L；其中Lcls为体表解剖标志检测分支的损失，Llandmark为摄影体位分类分支的损失；
S3-5、将综合损失函数进行反向传播，对初始化的权重进行优化，得到优化后的网络模型。
进一步地：
步骤S3中训练阶段的基本学习率设置为10-3，并在第70个和第100个时期分别下降到10-4和10-5；训练过程在110个周期内结束。
进一步地，步骤S5中的具体方法为：设置与监督信息相同的高斯核，以输出体表解剖标志热图的每个通道最大激活值为中心，对其每个通道进行平滑处理，得到平滑后的热图。
进一步地，步骤S7中计算体表解剖标志点的坐标的具体方法为：
获取处理后的热图每个通道的最大值的位置和第二大值的位置，并根据公式：
Figure BDA0003368900870000041
得到体表解剖标志点的坐标p；其中m为通道的最大值的位置，s为通道的第二大值的位置，||·||2为计算欧式距离。
本发明的有益效果为：
1、本发明同时辅助X线摄影的摄影体位识别和体表解剖标志检测，弥补了X线摄影非接触式患者定位研究的空缺。
2、本发明能够同时进行摄影体位识别和体表解剖标志检测；
本发明能够极大地降低使用一个分类网络和多个标志点检测网络带来的高网络复杂度。
由于摄影体位识别和体表解剖标志检测两者耦合，会导致使用单个标志点检测网络无法区分网络预测的热图通道中哪些属于目标摄影体位类别对应的通道，而本发明中的多任务分支和后处理模块(对应步骤S6以后的处理)能够完美解决这一问题。
3、提高了自动化处理水平，为X线摄影非接触式患者定位研究提供了核心的图像处理方法，能够极大地降低放射科技术人员的工作量和感染风险。
附图说明
图1为本发明的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，提供一种基于多任务学习的摄影体位识别和体表解剖标志检测方法，其包括以下步骤：
S1、获取摄影图，基于放射科扫描室的实际采集场景，将摄影图的不同体位图整合于一个整体摄影体位中，得到整体摄影体位图；
S2、对整体摄影体位图进行摄影体位和体表解剖标志点标记，得到用于X线摄影体位识别与体表解剖标志检测的初始数据集；
S3、将基于ImageNet数据集预训练后的网络模型作为初始化权重，通过初始数据集对初始化的权重进行训练优化，得到优化后的网络模型；
S4、将待测数据输入优化后的网络模型，得到并输出体表解剖标志热图和分类结果；
S5、对体表解剖标志热图进行平滑处理，得到平滑后的热图；
S6、通过分类结果对平滑后的热图进行过滤，寻找摄像体位分类下的体表解剖标志在通道热图中对应的通道，并保持对应通道值不变，将其它类别的体表解剖标志点的通道值转换为0，得到处理后的热图；
S7、计算处理后的热图体表解剖标志点的坐标，并输出摄影体位结果和坐标结果。
步骤S1中的摄影图的X线摄影体位包括正位、侧位、斜位和轴向位。
步骤S2中的初始数据集包括23种X线整体摄影体位和80种体表解剖标志。
步骤S2收集了16921张整体摄影体位图，标注了59510个X线体表解剖标志点。
步骤S3中的优化后的网络模型包括主干网络、体表解剖标志检测分支和摄影体位分类分支；
主干网络包括HRNet-w48的四个顺序连接的若干分辨率卷积子网络；
体表解剖标志检测分支包括一个1×1的卷积层；
摄影体位分类分支包括四个瓶颈层、三个下采样结构、一个卷积层和一个平均池化层加全连接层；第一瓶颈层的输出端与第一下采样层的输入端相连；第二瓶颈层的输出端分别与第一下采样层的输出端和第二下采样层的输入端相连；第三瓶颈层的输出端分别与第二下采样层的输出端和第三下采样层的输入端相连；第四瓶颈层的输出端分别与第三下采样层的输出端和第一卷积层的输入端相连；第一卷积层的输出端与平均池化层加全连接层的输入端相连；
其中第一卷积层的卷积核为1×1，输出通道数为2048；第一瓶颈层的输出通道数为128，第二瓶颈层的输出通道数为256，第三瓶颈层的输出通道数为512，第四瓶颈层的输出通道数为1024；
主干网络的第一输出端分别与体表解剖标志检测分支的输入端和第一瓶颈层的输入端相连；主干网络的第二输出端与第二瓶颈层的输入端相连；主干网络的第三输出端与第三瓶颈层的输入端相连；主干网络的第四输出端与第四瓶颈层的输入端相连。
步骤S3将数据集中每幅图像的解剖体标志的坐标转换为80通道热图，作为体表解剖标志检测分支的监督信息；其中坐标标注为(0,0)的体表解剖标志点将生成全0值的热图通道；
将摄影体位的标签信息作为摄影体位分类分支的监督信息。
步骤S3的具体方法为：
S3-1、提取用于训练的数据集的四种分辨率的特征图；
S3-2、将最高分辨率的特征图的宽度设置为48，并输入到体表解剖标志检测分支中，得到初始预测的通道热图；其中初始预测的通道热图为80通道热图；
S3-3、将四种分辨率的特征图输入摄影体位分类分支，得到23种初步分类结果；
S3-4、根据公式：
L＝0.00001Lcls+Llandmark
得到综合损失函数L；其中Lcls为体表解剖标志检测分支的损失，Llandmark为摄影体位分类分支的损失；
S3-5、将综合损失函数进行反向传播，对初始化的权重进行优化，得到优化后的网络模型。
步骤S3中训练阶段的基本学习率设置为10-3，并在第70个和第100个时期分别下降到10-4和10-5；训练过程在110个周期内结束。
步骤S5中的具体方法为：设置与监督信息相同的高斯核，以输出体表解剖标志热图的每个通道最大激活值为中心，对其每个通道进行平滑处理，得到平滑后的热图。
步骤S7中计算体表解剖标志点的坐标的具体方法为：
获取处理后的热图每个通道的最大值的位置和第二大值的位置，并根据公式：
Figure BDA0003368900870000081
得到体表解剖标志点的坐标p；其中m为通道的最大值的位置，s为通道的第二大值的位置，||·||2为计算欧式距离。
本发明同时辅助X线摄影的摄影体位识别和体表解剖标志检测，弥补了X线摄影非接触式患者定位研究的空缺。
本发明的网络能够同时进行摄影体位识别和体表解剖标志检测；
本发明的网络结构能够极大地降低使用一个分类网络和多个标志点检测网络带来的高网络复杂度。
由于摄影体位识别和体表解剖标志检测两者耦合，会导致使用单个标志点检测网络无法区分网络预测的热图通道中哪些属于目标摄影体位类别对应的通道，而本发明中的多任务分支和后处理模块能够完美解决这一问题。
提高了自动化处理水平，为X线摄影非接触式患者定位研究提供了核心的图像处理方法，能够极大地降低放射科技术人员的工作量和感染风险。

Claims (10)

1.一种基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于，包括以下步骤：
S1、获取摄影图，基于放射科扫描室的实际采集场景，将摄影图的不同体位图整合于一个整体摄影体位中，得到整体摄影体位图；
S2、对整体摄影体位图进行摄影体位和体表解剖标志点标记，得到用于X线摄影体位识别与体表解剖标志检测的初始数据集；
S3、将基于ImageNet数据集预训练后的网络模型作为初始化权重，通过初始数据集对初始化的权重进行训练优化，得到优化后的网络模型；
S4、将待测数据输入优化后的网络模型，得到并输出体表解剖标志热图和分类结果；
S5、对体表解剖标志热图进行平滑处理，得到平滑后的热图；
S6、通过分类结果对平滑后的热图进行过滤，寻找摄像体位分类下的体表解剖标志在通道热图中对应的通道，并保持对应通道值不变，将其它类别的体表解剖标志点的通道值转换为0，得到处理后的热图；
S7、计算处理后的热图体表解剖标志点的坐标，并输出摄影体位结果和坐标结果。
2.根据权利要求1所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于：步骤S1中的摄影图的X线摄影体位包括正位、侧位、斜位和轴向位。
3.根据权利要求1所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于：步骤S2中的初始数据集包括23种X线整体摄影体位和80种体表解剖标志。
4.根据权利要求1所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于：步骤S2收集了16921张整体摄影体位图，标注了59510个X线体表解剖标志点。
5.根据权利要求1所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于：
步骤S3中的优化后的网络模型包括主干网络、体表解剖标志检测分支和摄影体位分类分支；
主干网络包括HRNet-w48的四个顺序连接的若干分辨率卷积子网络；
体表解剖标志检测分支包括一个1×1的卷积层；
摄影体位分类分支包括四个瓶颈层、三个下采样结构、一个卷积层和一个平均池化层加全连接层；第一瓶颈层的输出端与第一下采样层的输入端相连；第二瓶颈层的输出端分别与第一下采样层的输出端和第二下采样层的输入端相连；第三瓶颈层的输出端分别与第二下采样层的输出端和第三下采样层的输入端相连；第四瓶颈层的输出端分别与第三下采样层的输出端和第一卷积层的输入端相连；第一卷积层的输出端与平均池化层加全连接层的输入端相连；
其中第一卷积层的卷积核为1×1，输出通道数为2048；第一瓶颈层的输出通道数为128，第二瓶颈层的输出通道数为256，第三瓶颈层的输出通道数为512，第四瓶颈层的输出通道数为1024；
主干网络的第一输出端分别与体表解剖标志检测分支的输入端和第一瓶颈层的输入端相连；主干网络的第二输出端与第二瓶颈层的输入端相连；主干网络的第三输出端与第三瓶颈层的输入端相连；主干网络的第四输出端与第四瓶颈层的输入端相连。
6.根据权利要求5所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于：
步骤S3将数据集中每幅图像的解剖体标志的坐标转换为80通道热图，作为体表解剖标志检测分支的监督信息；其中坐标标注为(0,0)的体表解剖标志点将生成全0值的热图通道；
将摄影体位的标签信息作为摄影体位分类分支的监督信息。
7.根据权利要求5所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于，步骤S3的具体方法为：
S3-1、提取用于训练的数据集的四种分辨率的特征图；
S3-2、将最高分辨率的特征图的宽度设置为48，并输入到体表解剖标志检测分支中，得到初始预测的通道热图；其中初始预测的通道热图为80通道热图；
S3-3、将四种分辨率的特征图输入摄影体位分类分支，得到23种初步分类结果；
S3-4、根据公式：
L＝0.00001Lcls+Llandmark
得到综合损失函数L；其中Lcls为体表解剖标志检测分支的损失，Llandmark为摄影体位分类分支的损失；
S3-5、将综合损失函数进行反向传播，对初始化的权重进行优化，得到优化后的网络模型。
8.根据权利要求1所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于：
步骤S3中训练阶段的基本学习率设置为10-3，并在第70个和第100个时期分别下降到10-4和10-5；训练过程在110个周期内结束。
9.根据权利要求6所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于，步骤S5中的具体方法为：设置与监督信息相同的高斯核，以输出体表解剖标志热图的每个通道最大激活值为中心，对其每个通道进行平滑处理，得到平滑后的热图。
10.根据权利要求1所述的基于多任务学习的摄影体位识别和体表解剖标志检测方法，其特征在于，步骤S7中计算体表解剖标志点的坐标的具体方法为：
获取处理后的热图每个通道的最大值的位置和第二大值的位置，并根据公式：
Figure FDA0003368900860000041
得到体表解剖标志点的坐标p；其中m为通道的最大值的位置，s为通道的第二大值的位置，||·||2为计算欧式距离。
CN202111392668.1A 2021-11-23 2021-11-23 基于多任务学习的摄影体位识别和体表解剖标志检测方法 Active CN114241232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111392668.1A CN114241232B (zh) 2021-11-23 2021-11-23 基于多任务学习的摄影体位识别和体表解剖标志检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111392668.1A CN114241232B (zh) 2021-11-23 2021-11-23 基于多任务学习的摄影体位识别和体表解剖标志检测方法

Publications (2)

Publication Number Publication Date
CN114241232A true CN114241232A (zh) 2022-03-25
CN114241232B CN114241232B (zh) 2023-04-18

Family

ID=80750490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111392668.1A Active CN114241232B (zh) 2021-11-23 2021-11-23 基于多任务学习的摄影体位识别和体表解剖标志检测方法

Country Status (1)

Country Link
CN (1) CN114241232B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881929A (zh) * 2022-04-07 2022-08-09 北京医准智能科技有限公司 一种针对乳腺x线图像整体性质量异常的检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325942A (zh) * 2018-09-07 2019-02-12 电子科技大学 基于全卷积神经网络的眼底图像结构分割方法
CN109584350A (zh) * 2017-09-29 2019-04-05 美国西门子医疗解决公司 医学诊断成像中的测量点确定
CN110503112A (zh) * 2019-08-27 2019-11-26 电子科技大学 一种增强特征学习的小目标检测及识别方法
CN111046964A (zh) * 2019-12-18 2020-04-21 电子科技大学 一种基于卷积神经网络的人和车辆红外热图像识别方法
CN111881773A (zh) * 2020-07-06 2020-11-03 武汉大学 一种基于位置偏移的事件相机人体姿态估计方法及系统
US20200357117A1 (en) * 2018-11-21 2020-11-12 Enlitic, Inc. Heat map generating system and methods for use therewith
CN112950600A (zh) * 2021-03-10 2021-06-11 武汉联影智融医疗科技有限公司 脑标识提取方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584350A (zh) * 2017-09-29 2019-04-05 美国西门子医疗解决公司 医学诊断成像中的测量点确定
CN109325942A (zh) * 2018-09-07 2019-02-12 电子科技大学 基于全卷积神经网络的眼底图像结构分割方法
US20200357117A1 (en) * 2018-11-21 2020-11-12 Enlitic, Inc. Heat map generating system and methods for use therewith
CN110503112A (zh) * 2019-08-27 2019-11-26 电子科技大学 一种增强特征学习的小目标检测及识别方法
CN111046964A (zh) * 2019-12-18 2020-04-21 电子科技大学 一种基于卷积神经网络的人和车辆红外热图像识别方法
CN111881773A (zh) * 2020-07-06 2020-11-03 武汉大学 一种基于位置偏移的事件相机人体姿态估计方法及系统
CN112950600A (zh) * 2021-03-10 2021-06-11 武汉联影智融医疗科技有限公司 脑标识提取方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIU SHUANGJUN等: "seeing under the cover： a physics guided learning approach for in bed pose estimation" *
史攀;赵子健;: "深度学习在微创手术视频分析中的应用研究综述" *
张赟疆: "面向医学应用的人体关键点检测技术研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881929A (zh) * 2022-04-07 2022-08-09 北京医准智能科技有限公司 一种针对乳腺x线图像整体性质量异常的检测方法及装置

Also Published As

Publication number Publication date
CN114241232B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110390351B (zh) 一种基于深度学习的致痫灶三维自动定位系统
JP6833444B2 (ja) 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN111275016B (zh) 一种玻片扫描影像采集与分析方法及装置
US9659390B2 (en) Tomosynthesis reconstruction with rib suppression
CN112102339B (zh) 一种基于图集配准的全身骨显像骨骼分割方法
JP2004195213A (ja) 放射線画像のモデルベース解釈の初期化方法
CN109978897B (zh) 一种多尺度生成对抗网络的异源遥感图像配准方法及装置
CN112669348A (zh) 一种鱼体姿势估计和鱼体表型数据测量方法及装置
CN114241232B (zh) 基于多任务学习的摄影体位识别和体表解剖标志检测方法
CN115330876B (zh) 基于孪生网络和中心位置估计的目标模板图匹配定位方法
CN113256605B (zh) 一种基于深度神经网络的乳腺癌图像识别分类方法
CN112464802B (zh) 一种玻片样本信息的自动识别方法、装置和计算机设备
CN115661459A (zh) 一种使用差异信息的2D mean teacher模型
CN117764917A (zh) 一种基于YOLOv8的肺结节图像检测方法
CN113658147B (zh) 一种基于深度学习的工件尺寸测量装置及方法
Liu et al. Automated classification and measurement of fetal ultrasound images with attention feature pyramid network
CN114565582B (zh) 一种医学图像分类和病变区域定位方法、系统及存储介质
WO2014136641A1 (ja) 体動表示装置および体動表示方法
CN114581402A (zh) 胶囊内窥镜质检方法、装置及存储介质
CN114240893A (zh) 一种外像图像中脊柱Cobb角的测算方法
Lu et al. Discriminative joint context for automatic landmark set detection from a single cardiac MR long axis slice
JP3731400B2 (ja) 画像処理方法および画像処理装置
CN117315792B (zh) 一种基于卧姿人体测量的实时调控系统
Manonmani et al. 2D to 3D conversion of images using Defocus method along with Laplacian matting for improved medical diagnosis

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