CN115035561A - 一种基于深度残差网络的中风预警识别方法 - Google Patents

一种基于深度残差网络的中风预警识别方法 Download PDF

Info

Publication number
CN115035561A
CN115035561A CN202210236607.4A CN202210236607A CN115035561A CN 115035561 A CN115035561 A CN 115035561A CN 202210236607 A CN202210236607 A CN 202210236607A CN 115035561 A CN115035561 A CN 115035561A
Authority
CN
China
Prior art keywords
face
residual error
error network
identification method
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.)
Pending
Application number
CN202210236607.4A
Other languages
English (en)
Inventor
陈浩
王树磊
宋远见
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.)
Affiliated Hospital of Xuzhou Medical University
Original Assignee
Affiliated Hospital of Xuzhou Medical 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 Affiliated Hospital of Xuzhou Medical University filed Critical Affiliated Hospital of Xuzhou Medical University
Priority to CN202210236607.4A priority Critical patent/CN115035561A/zh
Publication of CN115035561A publication Critical patent/CN115035561A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度残差网络的中风预警识别方法，具体包括以下步骤：使用dlib库的人脸检测器检测出标志着人脸轮廓的若干个像素点；截取若干个像素点所描述的人脸图像，消除人脸图像的倾斜，并将其归一化为固定的大小，获得固定大小的图像；将固定大小的图像放入一个预激活残差网络，通过预激活残差网络识别人脸图像，得到风险预测结果。本发明中，利用dlib库的人脸检测器检测出人脸的轮廓，经过对齐操作将面部图片进行归一化；采用预激活残差网络处理归一化之后的图片，仅用一张照片，即可判断受试者发生中风的可能性，耗时短，可靠性高。

Description

一种基于深度残差网络的中风预警识别方法
技术领域
本发明涉及中风预警技术领域，特别涉及一种基于深度残差网络的中风预警识别方法。
背景技术
脑中风是以脑部缺血及出血性损伤症状为主要临床表现的疾病，又称脑卒中或脑血管意外，具有极高的病死率和致残率，主要分为出血性脑中风(脑出血或蛛网膜下腔出血)和缺血性脑中风(脑梗塞、脑血栓形成)两大类，以脑梗塞最为常见。
脑中风发病急，病死率高，是世界上最重要的致死性疾病之一。中风的死亡率也有随年龄增长而上升的趋势，由于一直缺乏有效的治疗措施，目前认为预防是最好的措施，因此，加强对全民普及脑中风的危险因素及先兆症状的教育，才会真正获得有效的防治效果。
根据临床经验，口角歪斜、鼻唇沟变浅是中风病人常见的症状，如果患者能够通过自测的方法早发现、早识别中风的症状，及时就医，能够有效减少严重后遗症的发生，提高病人生存概率。
而目前，对于症状的判断，主要还是医生根据临床经验判断，这就导致，在实际判断的过程中，对医生的要求较为严格，判断的时间长，且出现失误的可能性大。
发明内容
(一)要解决的技术问题
本发明提供一种基于深度残差网络的中风预警识别方法，以解决上述背景技术中提出的问题。
(二)技术方案
为了实现上述目的，本发明采用以下技术方案，一种基于深度残差网络的中风预警识别方法，具体包括以下步骤：
S1、使用dlib库的人脸检测器检测出标志着人脸轮廓的若干个像素点；
S2、截取若干个像素点所描述的人脸图像，消除人脸图像的倾斜，并将其归一化为固定的大小，获得固定大小的图像；
S3、将固定大小的图像放入一个预激活残差网络，通过预激活残差网络识别人脸图像，得到风险预测结果。
作为本发明的一种优选技术方案，所述S1中，dlib库的数据集建立具体包括以下步骤：
S11、收集各种人体面部图像；
S12、将人体面部图像进行人工分类并标记；
S13、将标记好的人体面部图像划分为训练集、验证集和测试集，构成相应的数据集。
作为本发明的一种优选技术方案，所述S1中，若干个像素点分布在脸庞处、眉毛部、眼部、鼻部和嘴唇部，且若处于脸庞最侧部和脸庞最下部的像素点，在竖直方向上的坐标差小于预设的像素值，提示用户靠近摄像头；若脸庞最左侧和最右侧的两个像素点，在水平方向的像素坐标差小于预设的像素值，则提示用户正视摄像头。
作为本发明的一种优选技术方案，所述S1中，人脸检测器的成像平面预设有，用于帮助用户调整和人脸检测器的摄像头位置的人脸轮廓标记，从而使摄像头采集到的图片中人脸的尺度大致相同。
作为本发明的一种优选技术方案，所述S2中，截取若干个像素点所描述的人脸图像前，先将若干像素点所描述的人脸图像处理成黑白图像。
作为本发明的一种优选技术方案，所述S3中，预激活残差网络识别人脸图像的具体步骤为：
S31、对固定大小的图像进行预处理，获得多个人脸图像的特征图；
S32、多个人脸图像的特征图，经过多个预激活残差模块处理后，获得将人脸图像抽象得到的特征图，每个预激活残差模块包含残差映射和恒等映射两种对图像的抽象处理方法；将残差映射得到的特征图和恒等映射的特征图相加处理，得到一个预激活残差模块抽象出的特征图；这样的处理，要经过至少8次，以便更好地提取图片中的特征；
S33、通过后处理模块，对人脸图像数据进行后处理，获得风险预测结果。
作为本发明的一种优选技术方案，所述S31中，对固定大小的图像进行预处理的具体步骤为：
先对固定大小的图像进行一次卷积操作，一次卷积操作的具体参数为，一次卷积核的大小为7，一次卷积操作的步长为2，一次卷积操作的填充数量为3，且一次卷积操作输入特征图的数量为1，输出特征图的数量为多个；
然后对多个输出的特征图进行最大值池化操作，池化核的大小为3，池化操作的步长为2，池化操作的填充数量为1，获得多个人脸图像的特征图。
作为本发明的一种优选技术方案，所述S32中，单个预激活残差模块包括依次连接的第一批量标准化层BN1、第一修正线性单元RELU1、第一卷积层conv1、第二批量标准化层BN2、第二修正线性单元RELU2和第二卷积层conv2，经所述第一批量标准化层BN1、所述第一修正线性单元RELU1、所述第一卷积层conv1、所述第二批量标准化层BN2、所述第二修正线性单元RELU2和所述第二卷积层conv2依次处理后，获得预激活残差映射的特征图。
作为本发明的一种优选技术方案，若经过预激活残差映射得到特征图的数量与输入人脸图像特征图的数量不同，则经过恒等变换得到的数据需经过二次卷积操作，二次卷积操作的具体参数为，二次卷积核的大小为1，二次卷积操作的步长为1，二次卷积操作的填充数量为0；否则，不需要经过该二次卷积操作。
作为本发明的一种优选技术方案，S33中，后处理模块包括依次连接平均池化层、全连接层和分类层，将分类层的结果中，归为中风类的概率值作为用户中风的概率。
(三)有益效果
1.本发明提供的基于深度残差网络的中风预警识别方法，利用dlib库的人脸检测器检测出人脸的轮廓，经过对齐操作将面部图片进行归一化；基于预激活残差网络构建深度学习网络模型，可以有效的避免学习过程中的梯度下降及梯度消失的问题；
2.本发明提供的基于深度残差网络的中风预警识别方法，仅用一张照片，既可以判断受试者发生中风的可能性，耗时短，可靠性高。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明的流程示意框图；
图2是本发明的基于dlib库识别人脸的流程示意框图；
图3是本发明的使用预激活残差网络实现中风预警的的流程示意框图；
图4是本发明的预激活残差模块的具体结构示意图；
图5是本发明的单个预激活残差模块的模块示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“纵向”、“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1至图5所示，一种基于深度残差网络的中风预警识别方法，具体包括以下步骤：
S1、使用dlib库的人脸检测器检测出标志着人脸轮廓的若干个像素点；
在本实施例中，所述S1中，具体包括以下步骤：
S11、收集各种人体面部图像；
S12、将人体面部图像进行人工分类并标记；
S13、将标记好的人体面部图像划分为训练集、验证集和测试集，构成相应的数据集，便于后续的验证和测试。
在本实施例中，所述S1中，若干个像素点分布在脸庞处、眉毛部、眼部、鼻部和嘴唇部，且若处于脸庞最侧部和脸庞最下部的像素点，在竖直方向上的坐标差小于预设的像素值，提示用户靠近摄像头；若脸庞最左侧和最右侧的两个像素点，在水平方向的像素坐标差小于预设的像素值，则提示用户正视摄像头，需要说明的是，预设的像素值根据人脸图像的整体像素确定。
在本实施例中，所述S1中，人脸检测器的成像平面预设有，用于帮助用户调整和人脸检测器的摄像头位置的人脸轮廓标记，便于获取受试者脸部的图像。
S2、截取若干个像素点所描述的人脸图像，消除人脸图像的倾斜，并将其归一化为固定的大小，获得固定大小的图像；
在本实施例中，所述S2中，截取若干个像素点所描述的人脸图像前，先将若干像素点所描述的人脸图像处理成黑白图像，需要说明的是，人的口角是否发生歪斜、鼻唇沟是否变浅，与图片的颜色无关，处理成黑白图像，可以减小学习和预测时的计算量。
S3、将固定大小的图像放入一个预激活残差网络，通过预激活残差网络识别人脸图像，得到风险预测模型；
在本实施例中，所述S3中，预激活残差网络识别人脸图像的具体步骤为：
S31、对固定大小的图像进行预处理，获得多个人脸图像的特征图；
具体的，所述S31中，对固定大小的图像进行预处理的具体步骤为：
先对固定大小的图像进行一次卷积操作，一次卷积操作的具体参数为，一次卷积核的大小为7，一次卷积操作的步长为2，一次卷积操作的填充数量为3，且一次卷积操作输入特征图的数量为1，输出特征图的数量为多个；
然后对多个输出的特征图进行最大值池化操作，池化核的大小为3，池化操作的步长为2，池化操作的填充数量为1，获得多个人脸图像的特征图。
S32、多个人脸图像的特征图，经过多个预激活残差模块处理后，获得将人脸图像抽象得到的特征图，每个预激活残差模块包含残差映射和恒等映射两种对图像的抽象处理方法；将残差映射得到的特征图和恒等映射的特征图相加处理，得到一个预激活残差模块抽象出的特征图；这样的处理，要经过至少8次，以便更好地提取图片中的特征；
在本实施例中，所述S32中，单个预激活残差模块包括依次连接的第一批量标准化层BN1、第一修正线性单元RELU1、第一卷积层conv1、第二批量标准化层BN2、第二修正线性单元RELU2和第二卷积层conv2，经所述第一批量标准化层BN1、所述第一修正线性单元RELU1、所述第一卷积层conv1、所述第二批量标准化层BN2、所述第二修正线性单元RELU2和所述第二卷积层conv2依次处理后，获得预激活残差映射的特征图。
需要说明的是，在本实施例中，预激活残差模块的数量设置有8个，BN1的参数为m，即进行标准化操作的特征图的数量；RELU1作为激活函数；conv1，该层的参数包括：m(输入特征图的数量)、n(输出特征图的数量)、k1(卷积核的大小)、s1(卷积核步长)以及填充长度p1；BN2参数为n，一个RELU2作为激活函数；conv2，该层的参数包括：n(输入特征图的数量)、n(输出特征图的数量)，该卷积层输入特征图的数量和上一级卷积模块conv1输出特征图的数量相同，除此之外，conv2的参数还包括：k2(卷积核的大小)、s2(卷积核步长)，以及填充长度p2。
具体的，若经过预激活残差映射得到特征图的数量与输入人脸图像特征图的数量不同，则经过恒等变换得到的数据需经过二次卷积操作，二次卷积操作的具体参数为，二次卷积核的大小为1，二次卷积操作的步长为1，二次卷积操作的填充数量为0，输入卷积核的特征图的数量为m，输出特征图的数量为n；否则，不需要经过该二次卷积操作。
一个预激活残差模块的参数包含以下几个，m：输入特征图的数量；n：输出特征图的数量；k1、s1、p1：预激活残差模块第一层卷积操作的参数；k2、s2、p2：预激活残差模块第二层卷积操作的参数。
Figure BDA0003542494130000101
Figure BDA0003542494130000111
S33、通过后处理模块，对人脸图像数据进行后处理，获得风险预测结果。
在本实施中，S33中，后处理模块包括依次连接平均池化层、全连接层和分类层，经过平均池化层、全连接层和分类层依次处理后，将分类层的结果中，归为中风类的概率值作为用户中风的概率。
综上所述：利用dlib库的人脸检测器检测出人脸的轮廓，经过对齐操作将面部图片进行归一化；基于预激活残差网络构建深度学习网络模型，可以有效的避免学习过程中的梯度下降及梯度消失的问题；
仅用一张照片，既可以判断受试者发生中风的可能性，耗时短，可靠性高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度残差网络的中风预警识别方法，其特征在于，具体包括以下步骤：
S1、使用dlib库的人脸检测器检测出标志着人脸轮廓的若干个像素点；
S2、截取若干个像素点所描述的人脸图像，消除人脸图像的倾斜，并将其归一化为固定的大小，获得固定大小的图像；
S3、将固定大小的图像放入一个预激活残差网络，通过预激活残差网络识别人脸图像，得到风险预测结果。
2.根据权利要求1所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S1中，dlib库的数据集建立具体包括以下步骤：
S11、收集各种人体面部图像；
S12、将人体面部图像进行人工分类并标记；
S13、将标记好的人体面部图像划分为训练集、验证集和测试集，构成相应的数据集。
3.根据权利要求1所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S1中，若干个像素点分布在脸庞处、眉毛部、眼部、鼻部和嘴唇部，且若处于脸庞最侧部和脸庞最下部的像素点，在竖直方向上的坐标差小于预设的像素值，提示用户靠近摄像头；若脸庞最左侧和最右侧的两个像素点，在水平方向的像素坐标差小于预设的像素值，则提示用户正视摄像头。
4.根据权利要求1所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S1中，人脸检测器的成像平面预设有，用于帮助用户调整和人脸检测器的摄像头位置的人脸轮廓标记，从而使摄像头采集到的图片中人脸的尺度大致相同。
5.根据权利要求1所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S2中，截取若干个像素点所描述的人脸图像前，先将若干像素点所描述的人脸图像处理成黑白图像。
6.根据权利要求1所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S3中，预激活残差网络识别人脸图像的具体步骤为：
S31、对固定大小的图像进行预处理，获得多个人脸图像的特征图；
S32、多个人脸图像的特征图，经过多个预激活残差模块处理后，获得将人脸图像抽象得到的特征图，每个预激活残差模块包含残差映射和恒等映射两种对图像的抽象处理方法；将残差映射得到的特征图和恒等映射的特征图相加处理，得到一个预激活残差模块抽象出的特征图；这样的处理，要经过至少8次，以便更好地提取图片中的特征；
S33、通过后处理模块，对人脸图像数据进行后处理，获得风险预测结果。
7.根据权利要求6所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S31中，对固定大小的图像进行预处理的具体步骤为：
先对固定大小的图像进行一次卷积操作，一次卷积操作的具体参数为，一次卷积核的大小为7，一次卷积操作的步长为2，一次卷积操作的填充数量为3，且一次卷积操作输入特征图的数量为1，输出特征图的数量为多个；
然后对多个输出的特征图进行最大值池化操作，池化核的大小为3，池化操作的步长为2，池化操作的填充数量为1，获得多个人脸图像的特征图。
8.根据权利要求6所述的一种基于深度残差网络的中风预警识别方法，其特征在于：所述S32中，单个预激活残差模块包括依次连接的第一批量标准化层BN1、第一修正线性单元RELU1、第一卷积层conv1、第二批量标准化层BN2、第二修正线性单元RELU2和第二卷积层conv2，经所述第一批量标准化层BN1、所述第一修正线性单元RELU1、所述第一卷积层conv1、所述第二批量标准化层BN2、所述第二修正线性单元RELU2和所述第二卷积层conv2依次处理后，获得预激活残差映射的特征图。
9.根据权利要求8所述的一种基于深度残差网络的中风预警识别方法，其特征在于：若经过预激活残差映射得到特征图的数量与输入人脸图像特征图的数量不同，则经过恒等变换得到的数据需经过二次卷积操作，二次卷积操作的具体参数为，二次卷积核的大小为1，二次卷积操作的步长为1，二次卷积操作的填充数量为0；否则，不需要经过该二次卷积操作。
10.根据权利要求6所述的一种基于深度残差网络的中风预警识别方法，其特征在于：S33中，后处理模块包括依次连接平均池化层、全连接层和分类层，将分类层的结果中，归为中风类的概率值作为用户中风的概率。
CN202210236607.4A 2022-03-11 2022-03-11 一种基于深度残差网络的中风预警识别方法 Pending CN115035561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210236607.4A CN115035561A (zh) 2022-03-11 2022-03-11 一种基于深度残差网络的中风预警识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210236607.4A CN115035561A (zh) 2022-03-11 2022-03-11 一种基于深度残差网络的中风预警识别方法

Publications (1)

Publication Number Publication Date
CN115035561A true CN115035561A (zh) 2022-09-09

Family

ID=83119746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210236607.4A Pending CN115035561A (zh) 2022-03-11 2022-03-11 一种基于深度残差网络的中风预警识别方法

Country Status (1)

Country Link
CN (1) CN115035561A (zh)

Similar Documents

Publication Publication Date Title
US10937157B2 (en) Computed Tomography pulmonary nodule detection method based on deep learning
CN111493814B (zh) 眼底病变的识别系统
WO2022134337A1 (zh) 人脸遮挡检测方法、系统、设备及存储介质
WO2021196955A1 (zh) 图像识别方法及相关装置、设备
WO2020000908A1 (zh) 一种人脸活体检测方法及装置
EP2888718B1 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
JP2020507836A (ja) 重複撮像を予測した手術アイテムの追跡
CN106530295A (zh) 一种视网膜病变的眼底图像分类方法和装置
WO2019061658A1 (zh) 眼镜定位方法、装置及存储介质
CN111126180B (zh) 一种基于计算机视觉的面瘫严重程度自动检测系统
KR101301821B1 (ko) 안색 정보 생성 장치 및 그 방법, 안색 정보를 이용한 건강 상태 판단 장치 및 그 방법, 건강 분류 함수 생성 장치 및 그 방법
US10832410B2 (en) Computer system, method, and program for diagnosing subject
CN108378869A (zh) 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统
US20210295504A1 (en) Systems and methods for automated digital image content extraction and analysis
US20240005494A1 (en) Methods and systems for image quality assessment
JP2007048172A (ja) 情報分類装置
WO2019073962A1 (ja) 画像処理装置及びプログラム
CN108416304A (zh) 一种利用上下文信息的三分类人脸检测方法
WO2019082202A1 (en) EARTHQUAKE IMAGE QUALITY ASSESSMENT SYSTEM
CN113506274A (zh) 基于视觉显著性差异图的用于人体认知状况的检测系统
CN116311327B (zh) 处方图像检测方法
CN110378333B (zh) 一种sd-oct图像黄斑中央凹中心定位方法
CN115035561A (zh) 一种基于深度残差网络的中风预警识别方法
CN111938567A (zh) 基于深度学习的眼科参数测量方法、系统及设备
CN112991289B (zh) 图像标准切面的处理方法及装置

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