CN115661052B - 牙槽骨的骨质检测方法、装置、设备及存储介质 - Google Patents
牙槽骨的骨质检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115661052B CN115661052B CN202211252045.9A CN202211252045A CN115661052B CN 115661052 B CN115661052 B CN 115661052B CN 202211252045 A CN202211252045 A CN 202211252045A CN 115661052 B CN115661052 B CN 115661052B
- Authority
- CN
- China
- Prior art keywords
- bone
- alveolar bone
- alveolar
- image
- detection
- 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
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种牙槽骨的骨质检测方法、装置、设备及存储介质,所述牙槽骨的骨质检测方法包括:获取待检测图像,其中,所述待检测图像为X光图像;将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果;其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。本申请属于计算机图像处理技术领域,通过预机器学习训练的骨质检测模型,对患者的待检测牙槽骨的X光图像进行骨质检测,准确快速地得到骨质检测结果,无需高经验知识去判断,并提高了骨质检测的准确性。
Description
技术领域
本申请涉及计算机图像处理技术领域,尤其涉及一种牙槽骨的骨质检测方法、装置、设备及存储介质。
背景技术
种植牙手术是牙齿缺失后修复牙齿缺失的有效修补方法。由于种植牙手术要求患者的牙槽骨内具备一定的骨量,因此在进行种植牙手术之前,首先需要检查患者的牙槽骨的骨质,若患者缺牙处的牙槽骨的骨质未达到种植的需求,则需要用骨粉填充在患者缺失牙的部位,以增加牙槽骨的高度和厚度,使患者缺牙处的牙槽骨的骨质达到种植的要求。
在现有技术中通常是牙科手术医师通过患者的牙齿X光图像去判断患者牙槽骨的骨质情况以及放置骨粉的量。但是这种方法需要医师具备相当丰富的知识经验,并且人为经验也可能出现经验误差,导致提高患者付出部分无需支出的成本,甚至于影响手术效果,因此急需一种无需高经验、准确性高的骨质检测以及准确预测放置骨粉量的方法。
发明内容
本申请的主要目的在于提供一种牙槽骨的骨质检测方法、装置、设备及存储介质,旨在解决现有技术中判断患者牙槽骨的骨质情况以及防止骨粉的量需要高经验知识以及准确性低的技术问题。
为实现以上目的,本申请提供一种牙槽骨的骨质检测方法,所述牙槽骨的骨质检测方法包括:
获取待检测图像,其中,所述待检测图像为X光图像;
将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果;
其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。
可选地,所述获取待检测图像的步骤之前,所述方法包括:
获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签;
基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
可选地,所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤之前,所述方法包括:
获取所述牙槽骨图像样本的骨龄信息标签以及骨龄特征的特征权重;
基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重;
所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤,包括:
基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
可选地,所述获取骨龄特征的特征权重的步骤,包括:
获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息;
将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本;
基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重。
可选地,所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤,包括:
将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果;
将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型。
可选地,所述将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果的步骤之后,所述方法包括:
基于所述骨质检测结果,确定骨粉放置量。
可选地,所述基于所述骨质检测结果,确定骨粉放置量的步骤,包括:
若所述骨质检测结果为通过,则确定骨粉放置量为0;
若所述骨质检测结果为未通过,则基于所述待检测图像,确定牙槽骨的高度以及厚度,并基于预设的标准骨量和所述牙槽骨的高度以及厚度,计算骨粉放置量。
本申请还提供一种牙槽骨的骨质检测装置,所述牙槽骨的骨质检测装置包括:
获取模块,用于获取待检测图像,其中,所述待检测图像为X光图像;
检测模块,用于将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果;其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。
本申请还提供一种牙槽骨的骨质检测设备,所述牙槽骨的骨质检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述牙槽骨的骨质检测方法的程序,
所述存储器用于存储实现牙槽骨的骨质检测方法的程序;
所述处理器用于执行实现所述牙槽骨的骨质检测方法的程序,以实现所述牙槽骨的骨质检测方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有实现牙槽骨的骨质检测方法的程序,所述实现牙槽骨的骨质检测方法的程序被处理器执行以实现所述牙槽骨的骨质检测方法的步骤。
本申请提供的一种牙槽骨的骨质检测方法、装置、设备及存储介质,与现有技术中判断患者牙槽骨的骨质情况以及防止骨粉的量需要高经验知识以及准确性低相比,在本申请中,获取待检测图像,其中,所述待检测图像为X光图像;将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果;其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。即在本申请中,通过预机器学习训练的骨质检测模型,对患者的待检测牙槽骨的X光图像进行骨质检测,准确快速地得到骨质检测结果,无需高经验知识去判断,并提高了骨质检测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本申请牙槽骨的骨质检测方法第一实施例的流程示意图;
图3为本申请牙槽骨的骨质检测装置的模块示意图。
本申请目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
本申请实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,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。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及牙槽骨的骨质检测程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的牙槽骨的骨质检测程序。
参照图2,本申请实施例提供一种牙槽骨的骨质检测方法,所述牙槽骨的骨质检测方法包括:
步骤S100,获取待检测图像,其中,所述待检测图像为X光图像;
步骤S200,将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果,其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。
在本实施例中,具体的应用场景可以是:
患者在进行种植牙手术之前,通常是牙科手术医师通过患者的牙齿X光图像去判断患者牙槽骨的骨质情况以及放置骨粉的量。但是这种方法需要医师具备相当丰富的知识经验,并且人为经验也可能出现经验误差,导致提高患者付出部分无需支出的成本,甚至于影响手术效果,因此急需一种无需高经验、准确性高的骨质检测以及准确预测放置骨粉量的方法。
具体步骤如下:
步骤S100,获取待检测图像,其中,所述待检测图像为X光图像;
在本实施例中,所述牙槽骨的骨质检测方法应用于牙槽骨的骨质检测装置。
在本实施例中,待检测图像为待本装置进行骨质检测的图像,具体场景下为患者种植牙手术前,用于检测牙槽骨骨质的患者牙齿的X光图像,其中,X光图像具体是通过发射X射线的设备对患者牙齿部位进行照射,X射线从发射端出射后,透过牙齿部位的人体组织,然后在探测器上的相应位置被接收。通过分析探测器上的结果,得到待检测图像。其中,所述待检测图像可以是患者待检测部位的图像,例如缺牙处的图像,也可以是患者整个牙齿部位的图像,若是整个牙齿部位的图像,需要进行进一步的部位选择,找到缺牙处的图像,可以是人为去选择,例如手动选择图像上的位置,也可以是通过位置确定算法去确定缺牙处的图像。
需要说明的是,上述所指代的患者是具体场景下待进行种植牙手术的患者,本申请也可以用于其他场景下骨质检测,可以是其他任意用户,说明书中以患者进行指代。
在本实施例中,装置获取待检测图像的方法可以是装置具备拍摄X光图像功能,并对患者进行相应的拍摄所得到的;也可以是在其他设备上拍摄好的待检测图像,上传至装置所得到的。
在所述步骤S100,所述获取待检测图像的步骤之前,所述方法包括以下步骤A100-A200:
步骤A100,获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签;
在本实施例中,装置获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,其中,所述牙槽骨图像样本是用于模型训练的任意用户的牙槽骨的图像,所述牙槽骨图像样本的检测结果标签为标记于各对应的所述牙槽骨图像样本的检测结果的标签,例如,牙槽骨图像样本A,牙槽骨图像样本A的检测标签为骨质合格,通过。
在本实施例中,装置获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签的方式可以是开发者自行上传的。
步骤A200,基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
在本实施例中,装置基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型,其中,通过预机器学习训练的骨质检测模型,对患者的待检测牙槽骨的X光图像进行骨质检测,能够准确快速地得到骨质检测结果,无需高经验知识去判断,并提高了骨质检测的准确性。
具体地,所述步骤A200,包括以下步骤A210-A240:
步骤A210,将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果;
在本实施例中,装置将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果,具体地,所述待训练模型是具有初步处理所述牙槽骨图像样本能力的初始模型,其中,该待训练模型不具备有很高的精确度。其中,所述预测检测结果可以是数值数据,也可以是文字数据,待训练模型处理所述牙槽骨图像样本的方式为检测所述牙槽骨图像样本的骨量,与满足条件的骨量相比是否满足,若不满足,则检测结果为骨质不合格,不通过;若满足,则检测结果为骨质合格,通过。
步骤A220,将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果;
在本实施例中,装置将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果,由于待训练模型在未完成迭代训练前不具备很高的准确度,则装置需要对所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果,也可以是通过损失函数收敛得到误差结果。
步骤A230,基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
在本实施例中,装置基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准,其中,所述预设误差阈值包括预设均方误差阈值,本领域技术人员知晓的是,均方误差阈值越小,则代表模型越精准,所述判断所述训练误差结果是否满足预设误差阈值指示的误差标准包括:判断所述均方误差结果是否小于预设均方误差阈值。
步骤A240,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型。
在本实施例中,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,装置则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型,即在本实施例中,通过迭代训练,对待训练模型进行收敛,直到训练误差结果满足预设误差阈值范围指示的误差标准,完成迭代训练。
步骤S200,将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果;其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。
在本实施例中,装置将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果,其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的,即通过预机器学习训练的骨质检测模型,对患者的待检测牙槽骨的X光图像进行骨质检测,准确快速地得到骨质检测结果,无需高经验知识去判断,并提高了骨质检测的准确性。
在所述步骤S200,所述将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果的步骤之后,所述方法包括以下步骤B100:
步骤B100,基于所述骨质检测结果,确定骨粉放置量。
在本实施例中,装置基于所述骨质检测结果,确定骨粉放置量,即装置还具备计算相应骨粉放置量的功能,其中,骨粉是一种能被人体吸收的材料,作用是引导骨头形成,以增加牙槽骨的高度和厚度,使患者的牙槽骨的骨量达到种植牙手术的需求的目的,骨粉放置量也会影响患者牙槽骨骨质的生长以及相应的成本费用,因此准确的计算骨粉放置量,可以降低医师知识经验的成本,也可以减少患者的费用支出成本,还可以提高种植牙手术效果。
具体地,所述步骤B100,包括以下步骤B110-B120:
步骤B110,若所述骨质检测结果为通过,则确定骨粉放置量为0;
在本实施例中,所述骨质检测结果若为通过,则表明无需使用骨粉进行长骨,则确定骨粉放置量为0。
步骤B120,若所述骨质检测结果为未通过,则基于所述待检测图像,确定牙槽骨的高度以及厚度,并基于预设的标准骨量和所述牙槽骨的高度以及厚度,计算骨粉放置量。
在本实施例中,若所述骨质检测结果为未通过,则装置基于所述待检测图像,确定牙槽骨的高度以及厚度,并基于预设的标准骨量和所述牙槽骨的高度以及厚度,计算骨粉放置量。具体地,所述标准骨量即达到手术标准的牙槽骨的骨量,可以是一个固定的值,也可以是一个范围。基于患者牙槽骨的高度以及厚度,预测骨粉放置量的方法可以是建立模型进行预测计算。
本申请提供的一种牙槽骨的骨质检测方法,与现有技术中判断患者牙槽骨的骨质情况以及防止骨粉的量需要高经验知识以及准确性低相比,在本申请中,获取待检测图像,其中,所述待检测图像为X光图像;将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果,其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。即在本申请中,通过预机器学习训练的骨质检测模型,对患者的待检测牙槽骨的X光图像进行骨质检测,准确快速地得到骨质检测结果,无需高经验知识去判断,并提高了骨质检测的准确性。
基于上述的第一实施例,本申请还提供另一实施例,所述牙槽骨的骨质检测方法,包括以下步骤C100-C500:
步骤C100,获取所述牙槽骨图像样本的骨龄信息标签以及骨龄特征的特征权重;
在本实施例中,装置获取所述牙槽骨图像样本的骨龄信息标签以及骨龄特征的特征权重,其中,骨龄信息标签即相应牙槽骨图像样本的患者的骨龄的信息,例如,牙槽骨图像样本A,患者A的骨龄为34岁,所述牙槽骨图像样本A的骨龄信息标签为34岁。
在本实施例中,所述骨龄特征的特征权重为本申请确定的骨龄特征的特征权重,即不同的骨龄,具有不同的权重,由于不同骨龄阶段的患者进行种植牙时所需的骨量是不同的,例如对于中老年人,容易出现骨质疏松、骨量不足的情况,因此本申请进行骨龄的划分,确定不同骨龄的特征权重,以此提高骨质预测的准确性。
具体地,所述步骤C100,包括以下步骤C110-C130:
步骤C110,获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息;
在本实施例中,装置获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息,所述牙槽骨信息样本有若干个,可以是个集合,包含多个用户的牙槽骨信息样本。
步骤C120,将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本;
在本实施例中,装置将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本,例如,将21-30骨龄段的牙槽骨信息样本作为一类,31-40骨龄段的牙槽骨信息样本作为一类,以此类推进行分类。
步骤C130,基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重。
在本实施例中,装置基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重,例如,骨龄段31-40包括有牙槽骨信息样本A和B,骨量信息分别为A1和B1,预设的标准骨量为C,确定使A1和B1达到C的骨量D,并基于所述D,确定一个特征权值,可以理解的是,骨龄越大,骨龄特征的特征权重越小,即检测结果越容易判定为不合格,需要进行骨粉放置长骨。
步骤C200,基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重;
在本实施例中,装置基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重,例如,牙槽骨图像样本A的骨龄信息为31岁,骨龄特征的特征权重对应31岁的为0.5,即所述牙槽骨图像样本A的骨龄特征权重为0.5。
步骤C300,基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型;
在本实施例中,装置基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
具体地,所述步骤C300,包括以下步骤C310-C340:
步骤C310,将所述牙槽骨图像样本和所述牙槽骨图像样本的骨龄特征权重输入至所述待训练模型,得到预测检测结果;
步骤C320,将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果;
步骤C330,基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
步骤C340,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型。
步骤C400,获取用户的待检测图像和所述用户的骨龄信息,其中,所述待检测图像为X光图像;
在本实施例中,装置获取用户的待检测图像和所述用户的骨龄信息,其中,装置获取用户的骨龄信息可以是相应设备进行检测,也可以是用户自行上传的。
步骤C500,将所述待检测图像和所述骨龄信息发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果。
在本实施例中,装置将所述待检测图像和所述骨龄信息发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果。
在本实施例中,通过不同的骨龄信息,确定不同骨龄的特征权重,以此提高骨质预测的准确性。
本申请还提供一种牙槽骨的骨质检测装置,所述牙槽骨的骨质检测装置包括:
获取模块10,用于获取待检测图像,其中,所述待检测图像为X光图像;
检测模块20,用于将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果,其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。
可选地,所述牙槽骨的骨质检测装置还包括:
训练样本获取模块,用于获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签;
模型训练模块,用于基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
可选地,所述牙槽骨的骨质检测装置还包括:
特征权重获取模块,用于获取所述牙槽骨图像样本的骨龄信息标签以及骨龄特征的特征权重;
骨龄特征权重确定模块,用于基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重;
检测模型训练模块,用于基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
可选地,所述特征权重获取模块,包括:
信息样本获取模块,用于获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息;
分类模块,用于将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本;
特征权重确定模块,基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重。
可选地,所述模型训练模块,包括:
输入模块,用于将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果;
差异计算模块,用于将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果;
判断模块,用于基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
迭代训练模块,用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型。
可选地,所述牙槽骨的骨质检测装置还包括:
放置量确定模块,用于基于所述骨质检测结果,确定骨粉放置量。
可选地,所述放置量确定模块,包括:
第一放置量确定模块,用于若所述骨质检测结果为通过,则确定骨粉放置量为0;
第二放置量确定模块,用于若所述骨质检测结果为未通过,则基于所述待检测图像,确定牙槽骨的高度以及厚度,并基于预设的标准骨量和所述牙槽骨的高度以及厚度,计算骨粉放置量。
本申请牙槽骨的骨质检测装置具体实施方式与上述牙槽骨的骨质检测方法各实施例基本相同,在此不再赘述。
参照图1,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,该牙槽骨的骨质检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图1中示出的牙槽骨的骨质检测设备结构并不构成对牙槽骨的骨质检测设备的限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及牙槽骨的骨质检测程序。操作系统是管理和控制牙槽骨的骨质检测设备硬件和软件资源的程序,支持牙槽骨的骨质检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与牙槽骨的骨质检测系统中其它硬件和软件之间通信。
在图1所示的牙槽骨的骨质检测设备中,处理器1001用于执行存储器1005中存储的牙槽骨的骨质检测程序,实现上述任一项所述的牙槽骨的骨质检测方法的步骤。
本申请牙槽骨的骨质检测设备具体实施方式与上述牙槽骨的骨质检测方法各实施例基本相同,在此不再赘述。
本申请还提供一种存储介质,所述存储介质上存储有实现牙槽骨的骨质检测方法的程序,所述实现牙槽骨的骨质检测方法的程序被处理器执行以实现如下所述牙槽骨的骨质检测方法:
获取待检测图像,其中,所述待检测图像为X光图像;
将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果;
其中,所述骨质检测模型是基于牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对待训练模型进行训练得到的。
可选地,所述获取待检测图像的步骤之前,所述方法包括:
获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签;
基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
可选地,所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤之前,所述方法包括:
获取所述牙槽骨图像样本的骨龄信息标签以及骨龄特征的特征权重;
基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重;
所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤,包括:
基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型。
可选地,所述获取骨龄特征的特征权重的步骤,包括:
获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息;
将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本;
基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重。
可选地,所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤,包括:
将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果;
将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型。
可选地,所述将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果的步骤之后,所述方法包括:
基于所述骨质检测结果,确定骨粉放置量。
可选地,所述基于所述骨质检测结果,确定骨粉放置量的步骤,包括:
若所述骨质检测结果为通过,则确定骨粉放置量为0;
若所述骨质检测结果为未通过,则基于所述待检测图像,确定牙槽骨的高度以及厚度,并基于预设的标准骨量和所述牙槽骨的高度以及厚度,计算骨粉放置量。
本申请存储介质具体实施方式与上述牙槽骨的骨质检测方法各实施例基本相同,在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被处理器执行时实现上述的牙槽骨的骨质检测方法的步骤。
本申请计算机程序产品的具体实施方式与上述牙槽骨的骨质检测方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种牙槽骨的骨质检测方法,其特征在于,所述牙槽骨的骨质检测方法包括:
获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签;
获取所述牙槽骨图像样本的骨龄信息标签以及骨龄特征的特征权重;
获取骨龄特征的特征权重的步骤包括:
获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息;
将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本;
基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重;
基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重;
基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型;
所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤,包括:
基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型;
获取待检测图像,其中,所述待检测图像为X光图像;
将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果。
2.如权利要求1所述的牙槽骨的骨质检测方法,其特征在于,所述基于所述牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型的步骤,包括:
将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果;
将所述预测检测结果与所述牙槽骨图像样本的检测结果进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则返回将所述牙槽骨图像样本输入至所述待训练模型,得到预测检测结果的步骤,直到训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到骨质检测模型。
3.如权利要求1所述的牙槽骨的骨质检测方法,其特征在于,所述将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果的步骤之后,所述方法包括:
基于所述骨质检测结果,确定骨粉放置量。
4.如权利要求3所述的牙槽骨的骨质检测方法,其特征在于,所述基于所述骨质检测结果,确定骨粉放置量的步骤,包括:
若所述骨质检测结果为通过,则确定骨粉放置量为0;
若所述骨质检测结果为未通过,则基于所述待检测图像,确定牙槽骨的高度以及厚度,并基于预设的标准骨量和所述牙槽骨的高度以及厚度,计算骨粉放置量。
5.一种牙槽骨的骨质检测装置,其特征在于,所述牙槽骨的骨质检测装置包括:
信息样本获取模块,用于获取牙槽骨信息样本,其中,所述牙槽骨信息样本中包含骨量信息和骨龄信息;
分类模块,用于将所述牙槽骨信息样本按照所述骨龄信息进行分类,得到各骨龄段的牙槽骨信息样本;
特征权重确定模块,用于基于各所述牙槽骨信息样本中的骨量信息和预设的标准骨量,确定所述各骨龄段的牙槽骨信息样本的骨龄特征的特征权重;
特征权重获取模块,用于获取牙槽骨图像样本的骨龄信息标签;
骨龄特征权重确定模块,用于基于所述牙槽骨图像样本的骨龄信息标签以及所述骨龄特征的特征权重,确定所述牙槽骨图像样本的骨龄特征权重;
训练样本获取模块,用于获取牙槽骨图像样本以及所述牙槽骨图像样本的检测结果标签;
检测模型训练模块,用于基于所述牙槽骨图像样本、所述牙槽骨图像样本的检测结果标签以及所述牙槽骨图像样本的骨龄特征权重,对预设的待训练模型进行迭代训练,得到具有满足精度条件的骨质检测模型;
获取模块,用于获取待检测图像,其中,所述待检测图像为X光图像;
检测模块,用于将所述待检测图像发送至预设的骨质检测模型,并基于所述骨质检测模型,对所述待检测图像进行骨质检测处理,得到骨质检测结果。
6.一种牙槽骨的骨质检测设备,其特征在于,所述牙槽骨的骨质检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述牙槽骨的骨质检测方法的程序,
所述存储器用于存储实现牙槽骨的骨质检测方法的程序;
所述处理器用于执行实现所述牙槽骨的骨质检测方法的程序,以实现如权利要求1至4中任一项所述牙槽骨的骨质检测方法的步骤。
7.一种存储介质,其特征在于,所述存储介质上存储有实现牙槽骨的骨质检测方法的程序,所述实现牙槽骨的骨质检测方法的程序被处理器执行以实现如权利要求1至4中任一项所述牙槽骨的骨质检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211252045.9A CN115661052B (zh) | 2022-10-13 | 2022-10-13 | 牙槽骨的骨质检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211252045.9A CN115661052B (zh) | 2022-10-13 | 2022-10-13 | 牙槽骨的骨质检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661052A CN115661052A (zh) | 2023-01-31 |
CN115661052B true CN115661052B (zh) | 2023-09-12 |
Family
ID=84987012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211252045.9A Active CN115661052B (zh) | 2022-10-13 | 2022-10-13 | 牙槽骨的骨质检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661052B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201637615A (zh) * | 2015-04-17 | 2016-11-01 | 財團法人國家實驗研究院 | 骨結構檢測方法與系統 |
CN108538393A (zh) * | 2018-04-02 | 2018-09-14 | 重庆邮电大学 | 基于大数据的骨质质量评估专家系统及预测模型建立方法 |
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
TWI719843B (zh) * | 2020-02-27 | 2021-02-21 | 長庚醫療財團法人林口長庚紀念醫院 | 產生用於估測骨質密度的模型的方法、估測骨質密度的方法及電子系統 |
CN112396591A (zh) * | 2020-11-25 | 2021-02-23 | 暨南大学附属第一医院(广州华侨医院) | 一种基于腰椎x线图像的骨质疏松智能评估方法 |
WO2021135499A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
CN113298780A (zh) * | 2021-05-24 | 2021-08-24 | 云南大学 | 一种基于深度学习的儿童骨龄评估方法及系统 |
CN113643283A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 一种人体衰老状况的检测方法、装置、设备及存储介质 |
KR20220033373A (ko) * | 2020-09-09 | 2022-03-16 | 울산대학교 산학협력단 | 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 |
CN115145801A (zh) * | 2022-09-05 | 2022-10-04 | 南京云眼科技有限公司 | A/b测试流量分配方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7471761B2 (en) * | 2005-09-15 | 2008-12-30 | Schick Technologies, Inc. | System and method for computing oral bone mineral density with a panoramic x-ray system |
US10588589B2 (en) * | 2014-07-21 | 2020-03-17 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
JP6999812B2 (ja) * | 2018-08-01 | 2022-01-19 | 中國醫藥大學附設醫院 | 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法 |
JP2022139211A (ja) * | 2021-03-11 | 2022-09-26 | 富士フイルム株式会社 | 推定装置、方法およびプログラム |
-
2022
- 2022-10-13 CN CN202211252045.9A patent/CN115661052B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201637615A (zh) * | 2015-04-17 | 2016-11-01 | 財團法人國家實驗研究院 | 骨結構檢測方法與系統 |
CN108538393A (zh) * | 2018-04-02 | 2018-09-14 | 重庆邮电大学 | 基于大数据的骨质质量评估专家系统及预测模型建立方法 |
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
TWI719843B (zh) * | 2020-02-27 | 2021-02-21 | 長庚醫療財團法人林口長庚紀念醫院 | 產生用於估測骨質密度的模型的方法、估測骨質密度的方法及電子系統 |
WO2021135499A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
KR20220033373A (ko) * | 2020-09-09 | 2022-03-16 | 울산대학교 산학협력단 | 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 |
CN112396591A (zh) * | 2020-11-25 | 2021-02-23 | 暨南大学附属第一医院(广州华侨医院) | 一种基于腰椎x线图像的骨质疏松智能评估方法 |
CN113298780A (zh) * | 2021-05-24 | 2021-08-24 | 云南大学 | 一种基于深度学习的儿童骨龄评估方法及系统 |
CN113643283A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 一种人体衰老状况的检测方法、装置、设备及存储介质 |
CN115145801A (zh) * | 2022-09-05 | 2022-10-04 | 南京云眼科技有限公司 | A/b测试流量分配方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
测量牙槽骨密度方法的研究进展;吴贾涵等;《中国现代医生》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115661052A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895369B (zh) | 图像分类方法、装置、存储介质及设备 | |
JP7085062B2 (ja) | 画像セグメンテーション方法、装置、コンピュータ機器およびコンピュータプログラム | |
CN109567865B (zh) | 一种面向非医护人员的智能超声诊断设备 | |
CN111696083B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
WO2021000856A1 (zh) | 骨龄检测方法、系统、设备及可读存储介质 | |
US11900594B2 (en) | Methods and systems for displaying a region of interest of a medical image | |
CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
CN110175995A (zh) | 一种基于病理图像的图像状态确定方法、装置以及系统 | |
CN111640093A (zh) | 医学图像的质控方法和计算机可读存储介质 | |
US11721023B1 (en) | Distinguishing a disease state from a non-disease state in an image | |
CN112634390B (zh) | 基于Wasserstein生成对抗网络模型的高能图像合成方法、装置 | |
JP5889686B2 (ja) | 受診者誘導システムおよび受診者誘導サーバ | |
KR101938361B1 (ko) | X선 영상 내 체형 윤곽선 기반의 골격 상태 예측방법 및 프로그램 | |
CN109559303A (zh) | 钙化点的识别方法、装置和计算机可读存储介质 | |
CN115661052B (zh) | 牙槽骨的骨质检测方法、装置、设备及存储介质 | |
US20210093257A1 (en) | Personalized Monitoring of Injury Rehabilitation Through Mobile Device Imaging | |
CN111991016B (zh) | 图像采集参数获取方法、装置、设备、系统和存储介质 | |
CN108230312A (zh) | 一种图像分析方法、设备和计算机可读存储介质 | |
CN115393323B (zh) | 一种目标区域获得方法、装置、设备和存储介质 | |
CN114998816B (zh) | 基于骨骼ai视频的病例改进方法、装置及存储介质 | |
CN109330559B (zh) | 皮质醇含量的测评方法、装置、计算机设备及计算机存储介质 | |
CN114863478A (zh) | 牲畜体重识别方法、装置、存储介质及终端设备 | |
CN114359133A (zh) | 基于特征提取的手骨影像分析方法及相关设备 | |
CN114267453A (zh) | Ercp术后胰腺炎的风险评估方法、装置及存储介质 | |
WO2022103659A1 (en) | System and method for detecting medical conditions |
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 |