CN114881992A - 颅骨骨折的检测方法、装置及存储介质 - Google Patents
颅骨骨折的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114881992A CN114881992A CN202210574375.3A CN202210574375A CN114881992A CN 114881992 A CN114881992 A CN 114881992A CN 202210574375 A CN202210574375 A CN 202210574375A CN 114881992 A CN114881992 A CN 114881992A
- Authority
- CN
- China
- Prior art keywords
- target detection
- samples
- random
- target
- detection model
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及神经网络技术领域,尤其涉及一种颅骨骨折的检测方法、装置及存储介质。所述方法包括:获取待检测的头部医学图像;获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。本申请实施例通过在目标检测模型中引入设计的随机残差网络,可以降低网络参数的敏感性,避免在训练数据有限的场景下过拟合,有效地提高了模型在小数据集上的泛化能力,从而提高模型的检测效果。
Description
技术领域
本申请涉及神经网络技术领域,尤其涉及一种颅骨骨折的检测方法、装置及存储介质。
背景技术
随着计算机技术的发展,人们越来越多地通过图像来传递信息。目标检测是图像处理中的重要分支,其目的是确定图像中目标对象所在的位置。
传统的医学图像的目标检测方式,是通过在医学图像中查找目标对象上的定位点来确定目标对象在图像中的位置。以目标对象是颅骨骨折为例,颅骨骨折是一种常见的创伤性疾病,颅骨骨折检测是一个重要的应用。颅骨骨折区域往往很小,不规则,与电子计算机断层扫描(Computed Tomography,CT)图像上的周围正常组织相似。相关技术中,颅骨骨折检测的流程可以包括如下几个步骤:首先采用二值化的方法对颅骨区域进行分割;颅骨区域的图像送进区域提取网络(Region Proposal Network,RPN)预测可能的区域;将预测出来的可能区域进行分类和回归,得到最终的预测框。
但是在上述方法中,采用二值化的方法对颅骨区域进行分割容易漏掉一些粉碎性骨折的骨片,且目前的RPN模型的检测效果不佳。
发明内容
有鉴于此,本申请提出了一种颅骨骨折的检测方法、装置及存储介质。所述技术方案包括:
根据本申请的一方面,提供了一种颅骨骨折的检测方法,用于计算机设备中,所述方法包括:
获取待检测的头部医学图像;
获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。
在一种可能的实现方式中,所述随机残差网络包括至少两个顺次连接的随机残差模块,所述随机残差模块包括所述随机卷积层。
在另一种可能的实现方式中,所述随机残差模块还包括随机深度、丢弃(英文:Dropout)层、带参数的修正线性单元(Parametric Rectified Linear Unit,PReLU)层和批量归一化(Batch Normalization,BN)层中的至少一个结构。
在另一种可能的实现方式中,所述目标检测模型还包括目标检测预测头和后处理模块;
所述根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,包括:
将所述头部医学图像输入至所述目标检测模型的所述随机残差网络中,输出得到图像特征;
将所述图像特征输入至所述目标检测预测头中,输出得到预测结果,所述预测结果包括检测框和置信度;
将所述预测结果输入至所述后处理模块中,输出得到所述目标检测结果。
在另一种可能的实现方式中,所述将所述预测结果输入至所述后处理模块中,输出得到所述目标检测结果,包括:
根据所述预测结果,通过所述后处理模块采用非极大值抑制算法得到二维的中间检测结果;
根据所述中间检测结果,通过所述后处理模块采用层不连续抑制算法输出得到所述目标检测结果,所述层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。
在另一种可能的实现方式中,所述获取目标检测模型之前,还包括:
获取多个候选图像样本;
对所述多个候选图像样本进行数据增强处理得到多个目标图像样本,所述多个目标图像样本中阴性样本背景的比例大于所述多个候选图像样本中阴性样本背景的比例;
根据所述多个目标图像样本,对预设检测网络进行训练得到所述目标检测模型。
在另一种可能的实现方式中,所述多个候选图像样本包括多个第一阳性样本和多个第一阴性样本,所述对所述多个候选图像样本进行数据增强处理得到多个目标图像样本,包括:
对多个所述第一阳性样本进行图像的几何变换得到多个第二阳性样本,对多个所述第一阴性样本进行图像的几何变换得到多个第二阴性样本;
将阳性目标随机粘贴至多个所述第二阳性样本和多个所述第二阴性样本中,得到多个第三阳性样本;
将多个所述第二阴性样本与多个所述第三阳性样本进行拼接,得到所述多个目标图像样本。
根据本申请的另一方面,提供了一种颅骨骨折的检测装置,用于计算机设备中,所述装置包括:
第一获取单元,用于获取待检测的头部医学图像;
第二获取单元,用于获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
调用单元,用于根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。
在一种可能的实现方式中,所述随机残差网络包括至少两个顺次连接的随机残差模块,所述随机残差模块包括所述随机卷积层。
在另一种可能的实现方式中,所述随机残差模块还包括随机深度、Dropout层、PReLU层和BN层中的至少一个结构。
在另一种可能的实现方式中,所述目标检测模型还包括目标检测预测头和后处理模块;所述调用单元,还用于:
将所述头部医学图像输入至所述目标检测模型的所述随机残差网络中,输出得到图像特征;
将所述图像特征输入至所述目标检测预测头中,输出得到预测结果,所述预测结果包括检测框和置信度;
将所述预测结果输入至所述后处理模块中,输出得到所述目标检测结果。
在另一种可能的实现方式中,所述调用单元,还用于:
根据所述预测结果,通过所述后处理模块采用非极大值抑制算法得到二维的中间检测结果;
根据所述中间检测结果,通过所述后处理模块采用层不连续抑制算法输出得到所述目标检测结果,所述层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。
在另一种可能的实现方式中,所述装置还包括:训练单元;所述训练单元,用于:
获取多个候选图像样本;
对所述多个候选图像样本进行数据增强处理得到多个目标图像样本,所述多个目标图像样本中阴性样本背景的比例大于所述多个候选图像样本中阴性样本背景的比例;
根据所述多个目标图像样本,对预设检测网络进行训练得到所述目标检测模型。
在另一种可能的实现方式中,所述多个候选图像样本包括多个第一阳性样本和多个第一阴性样本,所述训练单元,还用于:
对多个所述第一阳性样本进行图像的几何变换得到多个第二阳性样本,对多个所述第一阴性样本进行图像的几何变换得到多个第二阴性样本;
将阳性目标随机粘贴至多个所述第二阳性样本和多个所述第二阴性样本中,得到多个第三阳性样本;
将多个所述第二阴性样本与多个所述第三阳性样本进行拼接,得到所述多个目标图像样本。
根据本申请的另一方面,提供了一种计算机设备,所述计算机设备包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待检测的头部医学图像;
获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。
根据本申请的另一方面,提供了一种非易失性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被处理器执行时实现上述的方法。
综上所述,本申请实施例通过计算机设备获取待检测的头部医学图像,获取目标检测模型,目标检测模型包括随机残差网络,随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据,根据头部医学图像调用目标检测模型输出得到目标检测结果,目标检测结果用于指示颅骨骨折的检测情况;由于目标检测模型基于设计的随机残差网络,其中的随机卷积层用于随机屏蔽部分卷积核的输出数据,可以降低网络参数的敏感性,避免在训练数据有限的场景下过拟合,解决了深度网络在拟合过程中,由于数据缺乏导致的泛化性问题,有效地提高了模型在小数据集上的泛化能力,从而提高模型的检测效果。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
图2示出了本申请一个示例性实施例提供的颅骨骨折的检测方法的流程图。
图3示出了本申请一个示例性实施例提供的目标检测模型的训练过程的流程图。
图4示出了相关技术中Darknet网络中传统的残差模块与本申请一个示例性实施例提供的随机残差模块的结构示意图。
图5示出了本申请一个示例性实施例提供的整个检测框架的示意图。
图6示出了本申请一个示例性实施例提供的颅骨骨折的检测装置的框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
首先,对本申请涉及的应用场景进行介绍。
请参考图1,其示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
该计算机设备可以是终端或者服务器。终端包括平板电脑、膝上型便携计算机和台式计算机等等。服务器可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。
可选的,该计算机设备安装有图像处理应用程序,该图像处理应用程序是具有处理头部医学图像功能的应用程序。
如图1所示,计算机设备包括处理器10、存储器20以及通信接口30。本领域技术人员可以理解,图1中示出的结构并不构成对该计算机设备的限定,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。其中:
处理器10是计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体控制。处理器10可以由CPU实现,也可以由图形处理器(Graphics Processing Unit,GPU)实现。
存储器20可用于存储软件程序以及模块。处理器10通过运行存储在存储器20的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统21、第一获取单元22、第二获取单元23和调用单元24等;存储数据区可存储根据计算机设备的使用所创建的数据等。存储器20可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),只读存储器(Read Only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。相应地,存储器20还可以包括存储器控制器,以提供处理器10对存储器20的访问。
其中,处理器10通过运行第一获取单元22执行以下功能:用于获取待检测的头部医学图像;处理器10通过运行第二获取单元23执行以下功能:获取目标检测模型,目标检测模型包括随机残差网络,随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;处理器10通过运行调用单元24执行以下功能:根据头部医学图像,调用目标检测模型输出得到目标检测结果,目标检测结果用于指示颅骨骨折的检测情况。
下面,采用示意性的实施例对颅骨骨折的检测方法进行介绍。
请参考图2,其示出了本申请一个示例性实施例提供的颅骨骨折的检测方法的流程图。本实施例以该颅骨骨折的检测方法应用于图1所示出的计算机设备来举例说明。该方法包括但不限于如下几个步骤:
步骤201,获取待检测的头部医学图像。
计算机设备获取待检测的头部医学图像。其中,头部医学图像包括待检测对象的颅骨。
步骤202,获取目标检测模型,目标检测模型包括随机残差网络,随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据。
计算机设备获取预先训练完成的目标检测模型,目标检测模型用于检测头部医学图像中的颅骨骨折情况,目标检测模型也可以称为颅骨骨折检测模型。其中,目标检测模型包括随机残差网络,随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据。
可选的,随机残差网络包括至少两个顺次连接的随机残差模块,随机残差模块包括随机卷积层。
可选的,随机残差模块还包括随机深度、Dropout层、PReLU层和BN层中的至少一个结构。
需要说明的是,目标检测模型的训练过程可参考下面实施例中的相关描述,在此先不介绍。
步骤203,根据头部医学图像,调用目标检测模型输出得到目标检测结果,目标检测结果用于指示颅骨骨折的检测情况。
计算机设备将头部医学图像输入至训练完成的目标检测模型中,输出得到该头部医学图像对应的目标检测结果,目标检测结果用于指示颅骨骨折的检测情况。
可选的,目标检测结果用于指示该头部医学图像中是否存在颅骨骨折的阳性目标。示意性的,目标检测结果包括第一检测结果和第二检测结果中的一种,第一检测结果用于指示该头部医学图像中存在颅骨骨折的阳性目标,第二检测结果用于指示该头部医学图像中不存在颅骨骨折的阳性目标。
可选的,目标检测结果用于指示该头部医学图像中存在颅骨骨折的阳性目标时,还用于指示阳性目标的区域位置。本申请实施例对目标检测结果的表现形式不加以限定。
可选的,目标检测模型除了包括随机残差网络,还包括目标检测预测头和后处理模块。即计算机设备根据头部医学图像,调用目标检测模型输出得到目标检测结果,包括:将头部医学图像输入至目标检测模型的随机残差网络中,输出得到图像特征;将图像特征输入至目标检测预测头中,输出得到预测结果,预测结果包括检测框和置信度;将预测结果输入至后处理模块中,输出得到目标检测结果。
可选的,计算机设备将头部医学图像输入至目标检测模型的随机残差网络中,输出得到不同尺度的图像特征。比如,不同尺度的图像特征包括3个尺度的图像特征,这3个尺度分别为128*128,64*64,32*32。
可选的,计算机设备将图像特征输入至目标检测预测头中,通过目标检测预测头采用密集预测的方式,在残差网络得到的图像特征上直接回归得到检测框和置信度即输出得到预测结果。
可选的,计算机设备将预测结果输入至后处理模块中,通过后处理模块采用非极大值抑制算法得到二维的中间检测结果;根据中间检测结果,通过后处理模块采用层不连续抑制算法输出得到目标检测结果,从而很大程度地降低了相邻预测框带来的假阳性。
其中,层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。示意性的,层不连续抑制算法的流程包括但不限于如下几个步骤:将二维的中间检测结果按照CT层的顺序进行排序;对第i层的检测框进行遍历,i为初始值为1的正整数;计算当前检测框与第i-1层和第i+1层所有检测框的交并比(Intersection-over-Union,IoU);交并比小于预设阈值的检测框被抑制;将i加1,重新执行上述对第i层的检测框进行遍历的步骤。
需要说明的是,本申请实施例对非极大值抑制算法和层不连续抑制算法的实现方式不加以限定。
综上所述,本申请实施例通过计算机设备获取待检测的头部医学图像,获取目标检测模型,目标检测模型包括随机残差网络,随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据,根据头部医学图像调用目标检测模型输出得到目标检测结果,目标检测结果用于指示颅骨骨折的检测情况;由于目标检测模型基于设计的随机残差网络,其中的随机卷积层用于随机屏蔽部分卷积核的输出数据,可以降低网络参数的敏感性,避免在训练数据有限的场景下过拟合,解决了深度网络在拟合过程中,由于数据缺乏导致的泛化性问题,有效地提高了模型在小数据集上的泛化能力,从而提高模型的检测效果。
需要说明的是,在计算机设备获取目标检测模型之前,需要对目标检测模型进行训练。整个检测框架包括两部分,第一部分是阴性层数据增强算法,第二部分是预设检测网络。请参考图3,其示出了本申请一个示例性实施例提供的目标检测模型的训练过程的流程图。该训练过程包括但不限于如下几个步骤:
步骤301,获取多个候选图像样本。
计算机设备获取候选样本集,该候选样本集包括多个候选图像样本,多个候选图像样本包括多个第一阳性样本和多个第一阴性样本,第一阳性样本为存在阳性目标的图像样本,第一阴性样本为不存在阳性目标的图像样本。
步骤302,对多个候选图像样本进行数据增强处理得到多个目标图像样本,多个目标图像样本中阴性样本背景的比例大于多个候选图像样本中阴性样本背景的比例。
计算机设备采用预设的阴性层数据增强算法,对多个候选图像样本进行数据增强处理得到多个目标图像样本。其中阴性层数据增强算法用于提高训练过程中阴性样本背景的比例,从而提高模型对目标和背景的区分能力。
可选的,为了提高阳性目标的背景丰富度和多样性,以多个第一阳性样本中的一个第一阴性样本为例进行说明,计算机设备对该第一阴性样本进行图像的几何变换得到第二阴性样本,将该第二阴性样本作为背景,在该第二阴性样本上随机粘贴上一个或多个阳性目标,从而增加了阴性样本背景的比例。
可选的,计算机设备对多个候选图像样本进行数据增强处理得到多个目标图像样本,包括:对多个第一阳性样本进行图像的几何变换得到多个第二阳性样本,对多个第一阴性样本进行图像的几何变换得到多个第二阴性样本;将阳性目标随机粘贴至多个第二阳性样本和多个第二阴性样本中,得到多个第三阳性样本;将多个第二阴性样本与多个第三阳性样本进行拼接,得到多个目标图像样本。
其中,第二阳性样本为对第一阳性样本进行图像的几何变换得到的阳性样本,第二阴性样本为对第一阴性样本进行图像的几何变换得到的阴性样本。第三阳性样本为经过图像的几何变换和阳性目标的复制粘贴变换后生成的阳性样本。目标图像样本为将几何变换后的第二阴性样本与地和第三阳性样本(复制粘贴变换后生成的阳性样本)进行拼接得到的图像样本。
可选的,图像的几何变换包括旋转、剪切、翻转中的至少一种。本申请实施例对此不加以限定。
可选的,对于多个第一阳性样本中的每个第一阳性样本或者对于至少一个第一阳性样本,计算机设备对第一阳性样本进行图像的几何变换得到对应的第二阳性样本;对于多个第一阴性样本中的每个第一阴性样本或者对于至少一个第一阴性样本,计算机设备对第一阴性样本进行图像的几何变换得到对应的第二阴性样本。本申请实施例对进行几何变换的样本数量不加以限定。
可选的,在进行几何变换后,计算机设备将预设的阳性目标进行复制,并随机粘贴到几何变换后的样本中得到多个第三阳性样本,也就是说,计算机设备将预设的阳性目标进行复制,并随机粘贴至多个第二阳性样本和多个第二阴性样本中的每个样本或者至少一个样本,从而得到多个第三阳性样本。
可选的,阳性目标为预设的阳性检测框。
为了方便说明,下面仅以将预设的阳性目标进行复制,并随机粘贴至多个第二阳性样本和多个第二阴性样本中的每个样本为例进行说明。
可选的,多个第二阳性样本和多个第二阴性样本中的每个样本被粘贴的阳性目标的数量是相同的,或者多个第二阳性样本和多个第二阴性样本中存在至少两个样本被粘贴的阳性目标的数量是不同的,或者多个第二阳性样本和多个第二阴性样本中的每个样本被粘贴的阳性目标的数量各不相同。
其中,多个第二阳性样本和多个第二阴性样本中的每个样本被粘贴的阳性目标的位置是随机选取的,也就是说,多个第二阳性样本和多个第二阴性样本中存在至少两个样本被粘贴的阳性目标的位置是不同的。
需要说明的是,本申请实施例对各个样本中所粘贴的阳性目标的数量和位置均不加以限定。
步骤303,根据多个目标图像样本,对预设检测网络进行训练得到目标检测模型。
在模型训练阶段,计算机设备将上述阴性层数据增强算法输出的结果,输入至预设检测网络中,训练得到目标检测模型。
可选的,预设检测网络包括随机残差网络、目标检测预测头和后处理模块。
随机残差网络用于提取图像特征。可选的,随机残差网络包括至少两个顺次连接的随机残差模块,即随机残差网络包括级联的至少两个随机残差模块,随机残差模块包括随机卷积层。
可选的,随机残差模块除了包括随机卷积层,还包括随机深度、Dropout层、PReLU层和BN层中的至少一个结构。
在一种可能的实现方式中,采用如下公式描述随机残差模块:
Hl=ReLU(clfl(Hl-1)+id(Hl-1));
其中,Hl为预设检测网络第l层的输出数据,fl()表示第l层随机卷积层的输出数据,l为初始值为1的正整数。cl是一个二值向量,以概率1-p取1,p的概率取0,该向量cl的维度与fl(Hl-1)的通道数相同,其中,p为丢弃率(drop rate)。id()表示一个恒等变换。整个Hl是一个残差连接,其中向量cl用于屏蔽掉部分卷机核的输出数据。
在另一种可能的实现方式中,将随机卷机与随机深度结合,采用如下公式描述随机残差模块:
Hl=ReLU(clblfl(Hl-1)+id(Hl-1));
其中,bl为指示函数,以概率p取1,1-p的概率取0。
在另一种可能的实现方式中,为了更好的适应小数据集的分布,将激活层设置为PReLU层。
在另一种可能的实现方式中,在层的输出端,加入Dropout层,采用如下公式描述随机残差模块:
Hl=PReLU(clblfl(Hl-1)+id(Hl-1));
Hl=Dropout(Hl);
在一个示意性的例子中,以Darknet网络中传统的残差模块和加入随机结构后的残差模块进行对比,如图4所示,(a)中所示的是Darknet网络中由1×1的普通卷积层、3×3的普通卷积层构成的传统的残差模块;(b)是采用本申请实施例提供的包括随机卷机层的随机残差模块,其中还包括随机深度、Dropout层,并且将LeakyReLU层替换为更加适合学习数据集分布的PReLU层。
目标检测预测头用于在随机残差网络得到的图像特征上回归得到样本预测结果即检测框和置信度。后处理模块用于基于目标检测预测头输出的样本预测结果采用非极大值抑制算法和层不连续抑制算法输出得到样本检测结果。需要说明的是,目标检测预测头和后处理模块的实现方式可类比参考上述实施例中的相关细节,在此不再赘述。
在一个示意性的例子中,如图5所示,整个检测框架包括两部分,第一部分是阴性层数据增强算法,第二部分是预设检测网络。其中,阴性层数据增强算法包括但不限于如下几个步骤:1、对多个候选图像样本进行图像的几何变换,包括旋转、剪切、翻转等;2、进行复制-粘贴变换,将阳性目标随机的粘贴至几何变换后的样本中,其中粘贴的位置是随机选取的;3、进行合并操作,将几何变换后的阴性样本,与生成的阳性样本(包含复制粘贴变换生成的阳性样本)进行拼接得到多个目标图像样本。在训练的阶段,将阴性层数据增强算法输出的多个目标图像样本,输入到预设检测网络中进行特征提取。其中,预设检测网络包含三个部分:随机残差网络、目标检测预测头、后处理模块。随机残差网络包括集联的多个随机残差模块,每个随机残差模块由随机卷机层、随机深度、Dropout层、PReLU层和BN层。目标图像样本通过随机残差网络提取到不同尺度的图像特征,输入到目标检测预测头中。目标检测预测头采用密集预测的方式,在残差网络得到的图像特征上直接回归得到检测框和置信度。后处理模块采用非极大值抑制算法和层不连续抑制算法输出得到样本检测结果。
综上所述,本申请实施例提供的颅骨骨折的检测方法,一方面,在训练过程中,计算机设备采用预设的阴性层数据增强算法,对多个候选图像样本进行数据增强处理,以提高阴性样本背景的比例即增加阳性目标的背景多样性,可以有效的提高模型对前景和背景的区分能力。但是如果比例过大,模型的效果会有较大幅度的下降。因此相较于直接引入较大比例的阴性样本会导致模型训练崩溃的情况,本申请实施例采用预设的阴性层数据增强算法进行数据增强,有效的解决了这个技术问题。
另一方面,在目标检测模型中引入随机残差网络,有效地提高了模型在小数据集上的泛化能力。随机残差网络中的随机卷机、随机深度、Dropout层都可以有效地抑制模型在训练过程中产生过拟合,避免在训练集和测试集上表现差异很大。并且由于PReLU层的引入,一定程度上可以让线性激活单元可以自适应数据集,产生更好的激活效果。
另一方面,相关技术中二维模型往往缺少目标的三维信息,本申请实施例将目标三维信息合理的加入到目标检测模型中,有助于提高目标检测模型的准确度。
以下为本申请实施例的装置实施例,对于装置实施例中未详细阐述的部分,可以参考上述方法实施例中公开的技术细节。
请参考图6,其示出了本申请一个示例性实施例提供的颅骨骨折的检测装置的框图。该装置可以通过软件、硬件或者两者的结合实现成为图1提供的计算机设备的全部或者一部分。该装置可以包括:第一获取单元610、第二获取单元620和调用单元630。
第一获取单元610,用于获取待检测的头部医学图像;
第二获取单元620,用于获取目标检测模型,目标检测模型包括随机残差网络,随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
调用单元630,用于根据头部医学图像,调用目标检测模型输出得到目标检测结果,目标检测结果用于指示颅骨骨折的检测情况。
在一种可能的实现方式中,随机残差网络包括至少两个顺次连接的随机残差模块,随机残差模块包括随机卷积层。
在另一种可能的实现方式中,随机残差模块还包括随机深度、Dropout层、PReLU层和BN层中的至少一个结构。
在另一种可能的实现方式中,目标检测模型还包括目标检测预测头和后处理模块;调用单元630,还用于:
将头部医学图像输入至目标检测模型的随机残差网络中,输出得到图像特征;
将图像特征输入至目标检测预测头中,输出得到预测结果,预测结果包括检测框和置信度;
将预测结果输入至后处理模块中,输出得到目标检测结果。
在另一种可能的实现方式中,调用单元630,还用于:
根据预测结果,通过后处理模块采用非极大值抑制算法得到二维的中间检测结果;
根据中间检测结果,通过后处理模块采用层不连续抑制算法输出得到目标检测结果,层不连续抑制算法用于将二维的中间检测结果在深度方向进行融合。
在另一种可能的实现方式中,该装置还包括:训练单元;训练单元,用于:
获取多个候选图像样本;
对多个候选图像样本进行数据增强处理得到多个目标图像样本,多个目标图像样本中阴性样本背景的比例大于多个候选图像样本中阴性样本背景的比例;
根据多个目标图像样本,对预设检测网络进行训练得到目标检测模型。
在另一种可能的实现方式中,多个候选图像样本包括多个第一阳性样本和多个第一阴性样本,训练单元,还用于:
对多个第一阳性样本进行图像的几何变换得到多个第二阳性样本,对多个第一阴性样本进行图像的几何变换得到多个第二阴性样本;
将阳性目标随机粘贴至多个第二阳性样本和多个第二阴性样本中,得到多个第三阳性样本;
将多个第二阴性样本与多个第三阳性样本进行拼接,得到多个目标图像样本。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例提供了一种颅骨骨折的检测装置,该颅骨骨折的检测装置包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令时实现上述实施例中由计算机设备执行的方法。
本申请实施例提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述实施例中由计算机设备执行的方法。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(Electrically Programmable Read-Only-Memory,EPROM或闪存)、静态随机存取存储器(Static Random-Access Memory,SRAM)、便携式压缩盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、数字多功能盘(Digital Video Disc,DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
这里所描述的计算机可读程序指令或代码可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture,ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(Local Area Network,LAN)或广域网(WideArea Network,WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(Field-ProgrammableGate Array,FPGA)或可编程逻辑阵列(Programmable Logic Array,PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的装置、系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行相应的功能或动作的硬件(例如电路或ASIC(Application SpecificIntegrated Circuit,专用集成电路))来实现,或者可以用硬件和软件的组合,如固件等来实现。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其它变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其它单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种颅骨骨折的检测方法,其特征在于,用于计算机设备中,所述方法包括:
获取待检测的头部医学图像;
获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。
2.根据权利要求1所述的方法,其特征在于,所述随机残差网络包括至少两个顺次连接的随机残差模块,所述随机残差模块包括所述随机卷积层。
3.根据权利要求2所述的方法,其特征在于,所述随机残差模块还包括随机深度、丢弃Dropout层、带参数的修正线性单元PReLU层和批量归一化BN层中的至少一个结构。
4.根据权利要求1至3任一所述的方法,其特征在于,所述目标检测模型还包括目标检测预测头和后处理模块;
所述根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,包括:
将所述头部医学图像输入至所述目标检测模型的所述随机残差网络中,输出得到图像特征;
将所述图像特征输入至所述目标检测预测头中,输出得到预测结果,所述预测结果包括检测框和置信度;
将所述预测结果输入至所述后处理模块中,输出得到所述目标检测结果。
5.根据权利要求4所述的方法,其特征在于,所述将所述预测结果输入至所述后处理模块中,输出得到所述目标检测结果,包括:
根据所述预测结果,通过所述后处理模块采用非极大值抑制算法得到二维的中间检测结果;
根据所述中间检测结果,通过所述后处理模块采用层不连续抑制算法输出得到所述目标检测结果,所述层不连续抑制算法用于将二维的所述中间检测结果在深度方向进行融合。
6.根据权利要求1至5任一所述的方法,其特征在于,所述获取目标检测模型之前,还包括:
获取多个候选图像样本;
对所述多个候选图像样本进行数据增强处理得到多个目标图像样本,所述多个目标图像样本中阴性样本背景的比例大于所述多个候选图像样本中阴性样本背景的比例;
根据所述多个目标图像样本,对预设检测网络进行训练得到所述目标检测模型。
7.根据权利要求6所述的方法,其特征在于,所述多个候选图像样本包括多个第一阳性样本和多个第一阴性样本,所述对所述多个候选图像样本进行数据增强处理得到多个目标图像样本,包括:
对多个所述第一阳性样本进行图像的几何变换得到多个第二阳性样本,对多个所述第一阴性样本进行图像的几何变换得到多个第二阴性样本;
将阳性目标随机粘贴至多个所述第二阳性样本和多个所述第二阴性样本中,得到多个第三阳性样本;
将多个所述第二阴性样本与多个所述第三阳性样本进行拼接,得到所述多个目标图像样本。
8.一种颅骨骨折的检测装置,其特征在于,用于计算机设备中,所述装置包括:
第一获取单元,用于获取待检测的头部医学图像;
第二获取单元,用于获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
调用单元,用于根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。
9.一种计算机设备,其特征在于,所述计算机设备包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待检测的头部医学图像;
获取目标检测模型,所述目标检测模型包括随机残差网络,所述随机残差网络中的随机卷积层用于随机屏蔽部分卷积核的输出数据;
根据所述头部医学图像,调用所述目标检测模型输出得到目标检测结果,所述目标检测结果用于指示颅骨骨折的检测情况。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574375.3A CN114881992B (zh) | 2022-05-24 | 2022-05-24 | 颅骨骨折的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574375.3A CN114881992B (zh) | 2022-05-24 | 2022-05-24 | 颅骨骨折的检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881992A true CN114881992A (zh) | 2022-08-09 |
CN114881992B CN114881992B (zh) | 2023-04-07 |
Family
ID=82677613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210574375.3A Active CN114881992B (zh) | 2022-05-24 | 2022-05-24 | 颅骨骨折的检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881992B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977798A (zh) * | 2019-03-06 | 2019-07-05 | 中山大学 | 用于行人重识别的掩膜池化模型训练和行人重识别方法 |
CN110838100A (zh) * | 2019-10-11 | 2020-02-25 | 浙江大学 | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 |
CN110852243A (zh) * | 2019-11-06 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进YOLOv3的道路交叉口检测方法及装置 |
CN110991279A (zh) * | 2019-11-20 | 2020-04-10 | 北京灵伴未来科技有限公司 | 文档图像分析与识别方法及系统 |
CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
CN111325309A (zh) * | 2018-12-13 | 2020-06-23 | 浙江宇视科技有限公司 | 模型架构调整方法及装置 |
CN111524106A (zh) * | 2020-04-13 | 2020-08-11 | 北京推想科技有限公司 | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 |
CN112528934A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 |
CN112699967A (zh) * | 2021-01-18 | 2021-04-23 | 武汉大学 | 一种基于改进深度神经网络的远距离机场目标检测方法 |
CN112990305A (zh) * | 2021-03-12 | 2021-06-18 | 北京邮电大学 | 一种遮挡关系的确定方法、装置、设备及存储介质 |
CN113008940A (zh) * | 2019-12-19 | 2021-06-22 | 波音公司 | 用于检测复合物体内的层不一致的方法和装置 |
US20210302379A1 (en) * | 2020-03-30 | 2021-09-30 | Verifi Technologies, Llc | System and method for real-time visualization of defects in a curved material |
EP3971781A1 (en) * | 2020-09-22 | 2022-03-23 | Samsung Electronics Co., Ltd. | Method and apparatus with neural network operation |
CN114331971A (zh) * | 2021-12-08 | 2022-04-12 | 之江实验室 | 一种基于半监督自训练的超声内镜目标检测方法 |
CN114511728A (zh) * | 2021-12-24 | 2022-05-17 | 之江实验室 | 一种电子内镜食管病灶智能检测模型建立方法 |
-
2022
- 2022-05-24 CN CN202210574375.3A patent/CN114881992B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325309A (zh) * | 2018-12-13 | 2020-06-23 | 浙江宇视科技有限公司 | 模型架构调整方法及装置 |
CN109977798A (zh) * | 2019-03-06 | 2019-07-05 | 中山大学 | 用于行人重识别的掩膜池化模型训练和行人重识别方法 |
CN110838100A (zh) * | 2019-10-11 | 2020-02-25 | 浙江大学 | 一种基于滑动窗口的结肠镜病理切片筛查与分割系统 |
CN110852243A (zh) * | 2019-11-06 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进YOLOv3的道路交叉口检测方法及装置 |
CN110991279A (zh) * | 2019-11-20 | 2020-04-10 | 北京灵伴未来科技有限公司 | 文档图像分析与识别方法及系统 |
CN113008940A (zh) * | 2019-12-19 | 2021-06-22 | 波音公司 | 用于检测复合物体内的层不一致的方法和装置 |
US20210302379A1 (en) * | 2020-03-30 | 2021-09-30 | Verifi Technologies, Llc | System and method for real-time visualization of defects in a curved material |
CN111524106A (zh) * | 2020-04-13 | 2020-08-11 | 北京推想科技有限公司 | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 |
CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
EP3971781A1 (en) * | 2020-09-22 | 2022-03-23 | Samsung Electronics Co., Ltd. | Method and apparatus with neural network operation |
CN112528934A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 |
CN112699967A (zh) * | 2021-01-18 | 2021-04-23 | 武汉大学 | 一种基于改进深度神经网络的远距离机场目标检测方法 |
CN112990305A (zh) * | 2021-03-12 | 2021-06-18 | 北京邮电大学 | 一种遮挡关系的确定方法、装置、设备及存储介质 |
CN114331971A (zh) * | 2021-12-08 | 2022-04-12 | 之江实验室 | 一种基于半监督自训练的超声内镜目标检测方法 |
CN114511728A (zh) * | 2021-12-24 | 2022-05-17 | 之江实验室 | 一种电子内镜食管病灶智能检测模型建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114881992B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210082124A1 (en) | Foreground-aware image inpainting | |
WO2022142450A1 (zh) | 用于图像分割模型训练和图像分割的方法及装置 | |
JP2022524878A (ja) | 画像解析方法、装置、プログラム | |
US11276164B2 (en) | Classifier trained with data of different granularity | |
CN110765860A (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN113222038B (zh) | 基于核磁图像的乳腺病灶分类和定位方法及装置 | |
US20130016884A1 (en) | Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image | |
EP4047509A1 (en) | Facial parsing method and related devices | |
CN111444807B (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN112132265A (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
WO2021086475A1 (en) | A hierarchical processing technique for lesion detection, classification, and segmentation on microscopy images | |
CN113657518B (zh) | 训练方法、目标图像检测方法、装置、电子设备以及介质 | |
CN111145202A (zh) | 模型生成方法、图像处理方法、装置、设备及存储介质 | |
Major et al. | Interpreting medical image classifiers by optimization based counterfactual impact analysis | |
US20210145389A1 (en) | Standardizing breast density assessments | |
CN108596120B (zh) | 一种基于深度学习的目标检测方法和装置 | |
Ghomi et al. | Segmentation of COVID-19 pneumonia lesions: A deep learning approach | |
CN114881992B (zh) | 颅骨骨折的检测方法、装置及存储介质 | |
WO2020078252A1 (en) | Method, apparatus and system for automatic diagnosis | |
CN115294400B (zh) | 图像分类模型的训练方法、装置、电子设备及存储介质 | |
CN114127780A (zh) | 用于冠状动脉钙沉积检测和标记的系统和方法 | |
CN115131306A (zh) | 颅骨骨折的检测方法、装置及存储介质 | |
CN114399494A (zh) | 异常细胞检测分割方法、装置、设备及存储介质 |
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 |