CN114782317B - 一种基于目标检测的超声图像工作区域检测方法 - Google Patents
一种基于目标检测的超声图像工作区域检测方法 Download PDFInfo
- Publication number
- CN114782317B CN114782317B CN202210293081.3A CN202210293081A CN114782317B CN 114782317 B CN114782317 B CN 114782317B CN 202210293081 A CN202210293081 A CN 202210293081A CN 114782317 B CN114782317 B CN 114782317B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- addition
- feature unit
- ultrasonic 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 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000005728 strengthening Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000586 desensitisation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010224 classification analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于目标检测的超声图像工作区域检测方法,包括:获取超声图像;通过目标检测网络提取所述超声图像的工作区域,所述目标检测网络包括依次连接的卷积神经网络XDNetV2‑D‑WA、特征金字塔网络以及两个并行的分类网络和回归网络,所述卷积神经网络XDNetV2‑D‑WA用于提取超声图像的特征,所述特征金字塔网络用于对提取出的特征进行强化与融合,所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域,所述回归网络用于对超声图像的工作区域进行标识。本发明通过目标检测网络能够有效检测出超声图像的工作区域。
Description
技术领域
本发明涉及医学图像处理技术领域,特别是涉及一种基于目标检测的超声图像工作区域检测方法。
背景技术
一张超声图像上,除了最主要的工作区域,即超声波影像外,还有其他的一些信息;其中包括一些中性的信息,比如超声机品牌、型号、探头频率等,也包括一些敏感信息,比如医院和病人的信息。在使用超声影像辅助诊断软件时,为防止信息泄露,需要对图像进行脱敏。
然而,人工脱敏的速度慢,操作繁琐,也会浪费医生时间,延长诊断时间,因此,必须通过算法自动脱敏。
并且,对于软件中后续的分析算法而言,工作区域以外的图像,都是无意义的,徒增计算量和计算时间。提取工作区域并仅对该区域进行分析,能大大提升效率。
发明内容
本发明所要解决的技术问题是提供一种基于目标检测的超声图像工作区域检测方法,通过目标检测网络能够有效检测出超声图像的工作区域。
本发明解决其技术问题所采用的技术方案是:提供一种基于目标检测的超声图像工作区域检测方法,包括:
获取超声图像;
通过目标检测网络提取所述超声图像的工作区域,所述目标检测网络包括依次连接的卷积神经网络XDNetV2-D-WA、特征金字塔网络以及两个并行的分类网络和回归网络,所述卷积神经网络XDNetV2-D-WA用于提取超声图像的特征,所述特征金字塔网络用于对提取出的特征进行强化与融合,所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域,所述回归网络用于对超声图像的工作区域进行标识。
所述卷积神经网络XDNetV2-D-WA包括依次连接的第一特征单元、第二特征单元、第三特征单元、2个第四特征单元和2个第五特征单元,其中,所述第三特征单元包括依次连接的第二特征单元和第六特征单元,所述第四特征单元包括依次连接的第三特征单元和第七特征单元。
所述第一特征单元包括依次连接的深度可分离卷积层、批归一化层、激活层、卷积层、激活层、层归一化层、注意力模块和相加层,并且第2个激活层的输出和相加层连接。
所述第二特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块、相加层、层归一化层、注意力模块和相加层,并且激活层的输出和第1个相加层连接,第1个相加层的输出和第2个相加层连接。
所述第五特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块和相加层,并且激活层的输出和相加层连接。
所述第六特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层、相加层、层归一化层、注意力模块和相加层,并且第二特征单元的输出和第1个相加层连接,第1个相加层的输出和第2个相加层连接。
所述第七特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层和相加层,并且第三特征单元的输出和相加层连接。
所述注意力模块包括相对位置编码层和3个深度可分离卷积层,其中,第2个深度可分离层与第3个深度可分离层进行点乘得到第一点乘结果,第3个深度可分离层和相对位置编码层进行点乘得到第二点乘结果,所述第一点乘结果和第二点乘结果相加后与注意力激活层连接,激活层的输出和第1个深度可分离层进行点乘后与重塑层连接。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明通过卷积神经网络能够对超声临床图像这类敏感数据脱敏,保护隐私;本发明能够摆脱人工脱敏的手动操作,高效快速,省时省力;本发明构建的卷积神经网络XDNetV2-D-WA网络的开发属于小样本训练,轻量化的网络能够有效避免小样本训练的过拟合问题,提升泛化能力,由于工作区域占整张超声图像较大面积,卷积神经网络XDNetV2-D-WA强化了对高维、宏观的特征提取;本发明不受超声机品牌、型号的限制,泛用性更强。
附图说明
图1是本发明实施方式的目标检测网络处理流程图;
图2是本发明实施方式的卷积神经网络结构示意图;
图3是本发明实施方式的注意力模块结构示意图;
图4是本发明实施方式的实际检测结果图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于目标检测的超声图像工作区域检测方法,包括:
获取超声图像;
通过目标检测网络提取所述超声图像的工作区域,所述目标检测网络包括依次连接的卷积神经网络XDNetV2-D-WA、特征金字塔网络以及两个并行的分类网络和回归网络,所述卷积神经网络XDNetV2-D-WA用于提取超声图像的特征,所述特征金字塔网络用于对提取出的特征进行强化与融合,所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域,所述回归网络用于对超声图像的工作区域进行标识。本实施方式的目标检测网络详见图1。
以下对本实施方式进行详细介绍:
1、训练数据构成
上万张超声图像,前期由人工手动标记工作区域,即矩形区域顶点坐标,和区域类型,本实施方式类型只有一类,即工作区域,矩形区域以外则为背景。
2、数据预处理(Data Preprocessing)
所有图像在输入卷积神经网络时都会被调整大小到(512,512,3),此处的3表示通道数,即数据是彩色图像;随后进行归一化。
3、训练数据增强(DataAugmentation)
对数据进行增强处理,提升算法鲁棒性。
使用的数据增强方法包括:随机横向平移(random width shift)、随机纵向平移(random height shift)、随机亮度偏移(random brightness shift)、随机通道平移(random channel shift)、随机横向翻转(random width flip)、随机纵向翻转(randomheight flip)。
4、主干网络结构(NetworkArchitecture)
本实施方式中的目标检测网络采用的主干网络是卷积神经网络XDNetV2-D-WA,该网络是一种半自注意力卷积神经网络(semi-self-attention CNN),针对任务目标,即超声图像工作区域检测,详见图2。
进一步地,卷积神经网络XDNetV2-D-WA使用的局部结构包括:
A)卷积层(convolution layer);
B)深度可分离卷积层(depth-wise separable convolution layer);
C)批归一化层(batch normalization layer):是一批训练数据之间对单个神经元的归一化;
D)层归一化层(layer normalization layer):是单个训练数据对某一层所有神经元之间的归一化;
E)激活层(activation layer,swish和softmax);
swish函数公式:
softmax函数公式:
其中,e为自然常数;xi表示输入的第i个元素。
F)相对位置编码(Relative Position Embedding):普通的卷积层提取的是像素强度(即颜色)和边缘轮廓的图像特征;注意力模块中使用相对位置编码,得到像素与像素间的相对位置关系,从而提取形状结构等特征;
G)相加(add);
H)点乘(dotproduct);
I)重塑层(reshape layer)。
进一步地,对上述各局部结构进行拼接,可以得到第一特征单元、第二特征单元、第三特征单元、2个第四特征单元和2个第五特征单元,其中,所述第三特征单元包括依次连接的第二特征单元和第六特征单元,所述第四特征单元包括依次连接的第三特征单元和第七特征单元。第一特征单元和第二特征单元的作用类似,都是以注意力模块为主,相比单纯的卷积层具有更强的图像特征能力,并通过步长为2的卷积实现下采样;第三特征单元在第二特征单元的基础上连接第六特征单元,增强对中高维特征的提取;第四特征单元是第二+第六+第七特征单元,强化对高维特征的提取;第五特征单元主要下采样+注意力,提取更高维的特征。
所述第一特征单元包括依次连接的深度可分离卷积层、批归一化层、激活层(swish)、卷积层、激活层(swish)、层归一化层、注意力模块和相加层,并且第2个激活层的输出和相加层连接。
所述第二特征单元包括依次连接的卷积层、激活层(swish)、层归一化层、注意力模块、相加层、层归一化层、注意力模块和相加层,并且激活层(swish)的输出和第1个相加层连接,第1个相加层的输出和第2个相加层连接。
所述第五特征单元包括依次连接的卷积层、激活层(swish)、层归一化层、注意力模块和相加层,并且激活层的输出和相加层连接。
所述第六特征单元包括依次连接的激活层(swish)、批归一化层、深度可分离卷积层、激活层(swish)、批归一化层、深度可分离卷积层、相加层、层归一化层、注意力模块和相加层,并且第二特征单元的输出和第1个相加层连接,第1个相加层的输出和第2个相加层连接。
所述第七特征单元包括依次连接的激活层(swish)、批归一化层、深度可分离卷积层、激活层(swish)、批归一化层、深度可分离卷积层和相加层,并且第三特征单元的输出和相加层连接。
请参阅图3,所述注意力模块包括相对位置编码层和3个深度可分离卷积层,其中,第2个深度可分离层与第3个深度可分离层进行点乘得到第一点乘结果,第3个深度可分离层和相对位置编码层进行点乘得到第二点乘结果,所述第一点乘结果和第二点乘结果相加后与注意力激活层(softmax)连接,激活层的输出和第1个深度可分离层进行点乘后与重塑层连接。
本实施方式通过变换器(transformer)中的自注意力(self-attention)机制,构建适合应用于超声图像的注意力模块,见图3;结合ResNet中的完全预激活跳接(full pre-activation skip connection),实现特征强化(feature enhancement)和赋予网络随机深度;并应用深度可分离卷积,大幅减少参数量,降低计算复杂度。
5、目标检测模型结构
本发明的目标检测模型为一段式(one stage)类型,见图1:输入经过主干网络的处理,再输入特征金字塔网络(Feature PyramidNetwork,以下简称FPN),FPN的作用是特征强化与融合(feature enhancement and fusion),再分别经过分类分析(classificationanalysis)和回归分析(regression analysis),得到分类输出和对应的边框输出。
6、损失函数
对应回归分析和分类分析,损失函数分别为Smooth-L1和Focal Loss。
Smooth-L1公式:
其中,L1Smooth表示预测损失,r表示实际值,表示预测值。
Focal Loss公式:
FL(pt)=-(1-pt)γlog(pt)
其中:
其中,FL是预测损失,pt表示模型预测为类的概率,yt表示实际值(即实际是否为t类,1表示“是”,0表示“否”),表示预测值,γ为一个常数,此处取值为2。
7、开发与应用流程
标注好的数据(含框选坐标和分类),经过预处理和增强后,输入并训练目标检测模型;应用时,软件会将用户导入的图像预处理后,通过模型运算,得到预测的分类和对应的边框结果,经过非极大值抑制(Non Maximum Suppression,简称NMS),得到最终结果。
若将结果可视化,则如图4所示,图4中白色矩形框选出来的工作区域会被输入后续分析,其他区域将做脱敏处理以保护隐私。
不难发现,本发明的网络(XDNetV2-D-WA)以使用注意力模块和跳接为主,用于自适应的网络深度,并大量使用深度可分离卷积,减少计算参数量,属于十分轻量化的网络结构。轻量化的网络在本发明中有两大优势:1:因为计算量小,所以网络运行速度快;2:颈部淋巴结的超声图像属于医疗数据,不仅采集困难,加之伦理和隐私等问题。因此,XDNetV2-D-WA网络的开发属于小样本训练,轻量化的网络能够有效避免小样本训练的过拟合问题,提升泛化能力;并且由于工作区域占整张超声图像较大面积,卷积神经网络XDNetV2-D-WA强化了对高维、宏观的特征提取。因此相比其他网络结构,具有速度快、准确率高的优势。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (1)
1.一种基于目标检测的超声图像工作区域检测方法,其特征在于,包括:
获取超声图像;
通过目标检测网络提取所述超声图像的工作区域,所述目标检测网络包括依次连接的卷积神经网络XDNetV2-D-WA、特征金字塔网络以及两个并行的分类网络和回归网络,所述卷积神经网络XDNetV2-D-WA用于提取超声图像的特征,所述特征金字塔网络用于对提取出的特征进行强化与融合,所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域,所述回归网络用于对超声图像的工作区域进行标识;
所述卷积神经网络XDNetV2-D-WA包括依次连接的第一特征单元、第二特征单元、第三特征单元、2个第四特征单元和2个第五特征单元,其中,所述第三特征单元包括依次连接的第二特征单元和第六特征单元,所述第四特征单元包括依次连接的第三特征单元和第七特征单元;
所述第一特征单元包括依次连接的深度可分离卷积层、批归一化层、激活层、卷积层、激活层、层归一化层、注意力模块和相加层,并且第2个激活层的输出和相加层连接;所述第二特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块、相加层、层归一化层、注意力模块和相加层,并且激活层的输出和第1个相加层连接,第1个相加层的输出和第2个相加层连接;
所述第五特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块和相加层,并且激活层的输出和相加层连接;
所述第六特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层、相加层、层归一化层、注意力模块和相加层,并且第二特征单元的输出和第1个相加层连接,第1个相加层的输出和第2个相加层连接;所述第七特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层和相加层,并且第三特征单元的输出和相加层连接;所述注意力模块包括相对位置编码层和3个深度可分离卷积层,其中,第2个深度可分离层与第3个深度可分离层进行点乘得到第一点乘结果,第3个深度可分离层和相对位置编码层进行点乘得到第二点乘结果,所述第一点乘结果和第二点乘结果相加后与注意力激活层连接,激活层的输出和第1个深度可分离层进行点乘后与重塑层连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210293081.3A CN114782317B (zh) | 2022-03-24 | 2022-03-24 | 一种基于目标检测的超声图像工作区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210293081.3A CN114782317B (zh) | 2022-03-24 | 2022-03-24 | 一种基于目标检测的超声图像工作区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782317A CN114782317A (zh) | 2022-07-22 |
CN114782317B true CN114782317B (zh) | 2024-07-16 |
Family
ID=82425435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210293081.3A Active CN114782317B (zh) | 2022-03-24 | 2022-03-24 | 一种基于目标检测的超声图像工作区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782317B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567550A (zh) * | 2021-07-22 | 2021-10-29 | 上海高仙自动化科技发展有限公司 | 地面材质检测方法、装置、电子设备、芯片和存储介质 |
CN113688931A (zh) * | 2021-09-01 | 2021-11-23 | 什维新智医疗科技(上海)有限公司 | 一种基于深度学习的超声图像筛选方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10282589B2 (en) * | 2017-08-29 | 2019-05-07 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN107680678B (zh) * | 2017-10-18 | 2020-12-01 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节诊断系统 |
US20190139216A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Healthcare Gmbh | Medical Image Object Detection with Dense Feature Pyramid Network Architecture in Machine Learning |
US10929708B2 (en) * | 2018-12-10 | 2021-02-23 | International Business Machines Corporation | Deep learning network for salient region identification in images |
CN110674866B (zh) * | 2019-09-23 | 2021-05-07 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
US20220019843A1 (en) * | 2020-07-14 | 2022-01-20 | Flir Unmanned Aerial Systems Ulc | Efficient refinement neural network for real-time generic object-detection systems and methods |
CN113688930B (zh) * | 2021-09-01 | 2024-03-19 | 什维新智医疗科技(上海)有限公司 | 一种基于深度学习的甲状腺结节钙化识别装置 |
-
2022
- 2022-03-24 CN CN202210293081.3A patent/CN114782317B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567550A (zh) * | 2021-07-22 | 2021-10-29 | 上海高仙自动化科技发展有限公司 | 地面材质检测方法、装置、电子设备、芯片和存储介质 |
CN113688931A (zh) * | 2021-09-01 | 2021-11-23 | 什维新智医疗科技(上海)有限公司 | 一种基于深度学习的超声图像筛选方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114782317A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | FPCNet: Fast pavement crack detection network based on encoder-decoder architecture | |
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
Chen et al. | Locally GAN-generated face detection based on an improved Xception | |
CN114863236B (zh) | 基于双重注意力机制的图像目标检测方法 | |
US12039440B2 (en) | Image classification method and apparatus, and image classification model training method and apparatus | |
CN116258914B (zh) | 基于机器学习及局部和全局特征融合的遥感图像分类方法 | |
CN113689382A (zh) | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 | |
CN114677377A (zh) | 显示屏缺陷检测方法、训练方法、装置、设备及介质 | |
Pramudhita et al. | Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture | |
Ahmed et al. | Improve of contrast-distorted image quality assessment based on convolutional neural networks. | |
CN116342601A (zh) | 基于边缘引导和多层级搜索的图像篡改检测方法 | |
Wang et al. | IFTSDNet: An interact-feature transformer network with spatial detail enhancement module for change detection | |
CN114821742A (zh) | 一种实时识别儿童或青少年面部表情的方法和装置 | |
CN114782317B (zh) | 一种基于目标检测的超声图像工作区域检测方法 | |
CN117037052A (zh) | 一种多尺度特征融合和注意力机制的水面死鱼检测方法 | |
Bazi et al. | Vision transformers for segmentation of disc and cup in retinal fundus images | |
CN113920455B (zh) | 一种基于深度神经网络的夜间视频着色方法 | |
CN114782319B (zh) | 一种用于超声图像的标尺的识别方法 | |
CN113160104B (zh) | 一种基于密集连接网络的图像融合方法 | |
CN115547488A (zh) | 基于vgg卷积神经网络和面部识别孤独症早筛系统及方法 | |
CN114782318B (zh) | 一种基于目标检测的超声图像类型识别方法 | |
CN113822212A (zh) | 一种嵌入式物体识别方法和装置 | |
CN117765410B (zh) | 遥感影像双分支特征融合固废识别方法、系统及电子设备 | |
Wang et al. | Underwater image enhancement by combining multi-attention with recurrent residual convolutional U-Net | |
CN118657943A (zh) | 一种基于宽聚焦多注意力机制的建筑物图像分割方法及装置 |
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 |