CN115994898B - 一种纵膈占位病变图像检测方法、装置、设备及存储介质 - Google Patents
一种纵膈占位病变图像检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115994898B CN115994898B CN202310070629.2A CN202310070629A CN115994898B CN 115994898 B CN115994898 B CN 115994898B CN 202310070629 A CN202310070629 A CN 202310070629A CN 115994898 B CN115994898 B CN 115994898B
- Authority
- CN
- China
- Prior art keywords
- mediastinum
- medical image
- image
- dimensional
- key point
- 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
- 210000001370 mediastinum Anatomy 0.000 title claims abstract description 202
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 230000003902 lesion Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 238000000605 extraction Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 24
- 210000004872 soft tissue Anatomy 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000036285 pathological change Effects 0.000 description 7
- 231100000915 pathological change Toxicity 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种纵膈占位病变图像检测方法、装置、设备及存储介质,所述方法包括:将待检测三维医学图像输入预先训练的纵膈占位检测模型,提取待检测三维医学图像的纵膈占位区域图像特征,并将纵膈占位区域图像特征输入预测层;基于纵膈占位区域图像特征,确定待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于关键点信息和三维框尺寸确定待检测三维医学图像对应的纵膈占位区域的位置信息,并输出位置信息。采用该方法中用于确定纵膈占位病变的纵膈占位检测模型是一种针对三维图像的无锚框的检测方法,相比有锚框方法,本公开的纵膈占位检测模型对形状、尺寸差异较大的纵膈占位病变均具有较高的检测准确率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种纵膈占位病变图像检测方法、装置、设备及存储介质。
背景技术
纵膈是人体的左侧和右侧纵膈胸膜之间的器官、结构和结缔组织的总称。纵膈占位病变是指在纵膈内发生了占位性的病变,如何从三维医学图像中准确地检测出纵膈占位病变区域对医学研究有着十分重要的意义。
现有的检测三维医学图像中纵膈占位病变区域的方法主要为基于锚框的检测方法,即通过预先设计一定大小、形状的锚框,然后检测纵膈占位病变区域是否落入锚框中。然而,由于纵膈占位病变区域的形状和尺寸差异较大,这导致锚框的设计难度较大,而不合理的锚框设计也会导致纵膈占位病变区域的检测准确率降低。
因此,如何设计一种能够提高纵膈占位病变区域的检测准确率的纵膈占位病变区域图像检测方法成为了一个亟待解决的问题。
发明内容
本公开提供了一种纵膈占位病变图像检测方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种纵膈占位病变图像检测方法,所述方法包括:
将待检测三维医学图像输入预先训练的纵膈占位检测模型,其中,所述纵膈占位检测模型包括特征提取层和预测层;
所述特征提取层,提取所述待检测三维医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
所述预测层,基于所述纵膈占位区域图像特征,确定所述待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于所述关键点信息和所述三维框尺寸确定所述待检测三维医学图像对应的纵膈占位区域的位置信息,并输出所述位置信息;
其中,所述纵膈占位检测模型为基于多个三维的样本医学图像、各个所述样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。
在一可实施方式中,在所述将待检测三维医学图像输入预先训练的纵膈占位检测模型之前,所述方法还包括:
对待检测三维CT图像进行预处理,得到所述待检测三维CT图像对应的软组织窗图像;
对所述软组织窗图像的像素进行归一化处理,得到归一化处理后的图像作为待检测三维医学图像。
在一可实施方式中,所述纵膈占位检测模型的训练方式,包括:
将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,其中,所述样本医学图像为三维图像;
基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值;
确定所述损失函数值是否小于预设损失函数阈值;
如果是,将当前的待训练神经网络确定为纵膈占位检测模型;
如果否,调整当前的待训练神经网络的参数,并选择新的样本医学图像,返回执行所述将样本医学图像输入待训练神经网络的步骤。
在一可实施方式中,所述待训练神经网络包括特征提取层和预测层;
所述将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,包括:
将样本医学图像输入待训练神经网络;
所述特征提取层,提取所述样本医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
所述预测层,基于所述纵膈占位区域图像特征,确定所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸。
在一可实施方式中,所述预测关键点信息包括:所述预测关键点的坐标、所述预测关键点的类别和所述预测关键点的偏移值;
所述基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值,包括:
基于所述预测关键点的坐标、所述预测关键点的类别和所述样本医学图像对应的真实关键点坐标与真实关键点类别,确定第一关键点损失函数值;
基于所述预测关键点的偏移值和所述样本医学图像对应的真实关键点偏移值,确定第二关键点损失函数值;
基于所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定三维框损失函数值;
根据所述第一关键点损失函数值、所述第二关键点损失函数值和所述三维框损失函数值,确定当前的待训练神经网络的损失函数值。
在一可实施方式中,所述预测关键点包括:所述样本医学图像中纵膈占位区域对应的预测中心点、第一预测角点和第二预测角点。
根据本公开的第二方面,提供了一种纵膈占位病变图像检测装置,所述装置包括:
图像输入模块,用于将待检测三维医学图像输入预先训练的纵膈占位检测模型,其中,所述纵膈占位检测模型包括特征提取层和预测层;
特征提取模块,用于所述特征提取层,提取所述待检测三维医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
纵膈占位确定模块,用于所述预测层,基于所述纵膈占位区域图像特征,确定所述待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于所述关键点信息和所述三维框尺寸确定所述待检测三维医学图像对应的纵膈占位区域的位置信息,并输出所述位置信息;
其中,所述纵膈占位检测模型为基于多个三维的样本医学图像、各个所述样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。
在一可实施方式中,所述装置还包括:
预处理模块,用于对待检测三维CT图像进行预处理,得到所述待检测三维CT图像对应的软组织窗图像;对所述软组织窗图像的像素进行归一化处理,得到归一化处理后的图像作为待检测三维医学图像。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的纵膈占位病变图像检测方法、装置、设备及存储介质,将待检测三维医学图像输入预先训练的纵膈占位检测模型,纵膈占位检测模型包括特征提取层和预测层;特征提取层,提取待检测三维医学图像的纵膈占位区域图像特征,并将纵膈占位区域图像特征输入预测层;预测层,基于纵膈占位区域图像特征,确定待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于关键点信息和三维框尺寸确定待检测三维医学图像对应的纵膈占位区域的位置信息,并输出位置信息;其中,纵膈占位检测模型为基于多个三维的样本医学图像、各个样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。本公开中用于确定纵膈占位病变的纵膈占位检测模型是一种针对三维图像的无锚框的检测方法,相比有锚框方法,本公开的纵膈占位检测模型对形状、尺寸差异较大的纵膈占位病变均具有较高的检测准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例提供的纵膈占位病变图像检测方法的实现流程示意图;
图2示出了本公开实施例提供的纵膈占位区域对应的角点的示意图;
图3示出了本公开实施例提供的一种纵膈占位检测模型训练流程图;
图4示出了本公开实施例提供的纵膈占位检测模型的一种结构示意图;
图5示出了本公开实施例提供的一种纵膈占位区域对应的预测关键点示意图;
图6示出了本公开实施例提供的另一种纵膈占位区域对应的预测关键点示意图;
图7示出了本公开实施例提供的纵膈占位病变图像检测装置的一种结构示意图;
图8示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
纵膈是人体的左侧和右侧纵膈胸膜之间的器官、结构和结缔组织的总称。纵膈占位病变是指在纵膈内发生了占位性的病变,如何从三维医学图像中准确地检测出纵膈占位病变区域对医学研究有着十分重要的意义。
现有的检测方法存在无锚框的检测方法。无锚框的检测方法通常应用于自然图像领域对二维图像进行检测。除了针对二维自然图像的无锚框的检测方法,现有的检测三维医学图像中纵膈占位病变区域的方法主要为基于锚框的检测方法,即通过预先设计一定大小、形状的锚框,然后检测纵膈占位病变区域是否落入锚框中。然而,由于纵膈占位病变区域的形状和尺寸差异较大,这导致锚框的设计难度较大,而不合理的锚框设计也会导致纵膈占位病变区域的检测准确率降低。
也就是说,针对三维医学图像的占位病变检测方法中,基于锚框的检测方法存在由于不合理的锚框设计导致的纵膈占位病变区域的检测准确率降低的问题。而现有的无锚框检测方法,不仅无法应用于三维图像检测场景,还存在与其检测原理所对应的确定边界框不准确的问题。
因此,针对三维医学图像,为了提高纵膈占位病变区域的检测准确率,本公开提供了一种纵膈占位病变图像检测方法、装置、设备及存储介质。本公开提供的方法可以应用于任何可以进行图像处理的电子设备,包括不限于电脑、手机和平板电脑等。
下面将结合本公开实施例中的附图,对本公开实施例的技术方案进行描述。
图1示出了本公开实施例提供的纵膈占位病变图像检测方法的实现流程示意图,如图1所示,所述方法包括:
S101,将待检测三维医学图像输入预先训练的纵膈占位检测模型。
其中,所述纵膈占位检测模型包括特征提取层和预测层。
S102,所述特征提取层,提取所述待检测三维医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层。
S103,所述预测层,基于所述纵膈占位区域图像特征,确定所述待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于所述关键点信息和所述三维框尺寸确定所述待检测三维医学图像对应的纵膈占位区域的位置信息,并输出所述位置信息。
纵膈占位区域的位置信息包括:纵膈占位病变区域在待检测三维医学图像中对应的三维框的尺寸和纵膈占位病变区域的关键点坐标信息。
其中,所述纵膈占位检测模型为基于多个三维的样本医学图像、各个所述样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。
所述关键点信息包括:所述待检测三维医学图像中纵膈占位区域对应的中心点、第一角点和第二角点。第一角点与第二角点互为对角点,图2示出了本公开实施例提供的纵膈占位区域对应的角点的示意图,如图2所示,若第一角点是纵膈占位区域对应的角点a,则第二角点是角点b,角点a和角点b互为对角点;若第一角点是纵膈占位区域对应的角点c,则第二角点是角点d,角点c和角点d互为对角点。
采用本公开的纵膈占位病变图像检测方法,将待检测三维医学图像输入预先训练的纵膈占位检测模型,纵膈占位检测模型包括特征提取层和预测层;特征提取层,提取待检测三维医学图像的纵膈占位区域图像特征,并将纵膈占位区域图像特征输入预测层;预测层,基于纵膈占位区域图像特征,确定待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于关键点信息和三维框尺寸确定待检测三维医学图像对应的纵膈占位区域的位置信息,并输出位置信息;其中,纵膈占位检测模型为基于多个三维的样本医学图像、各个样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。本公开中用于确定纵膈占位区域的纵膈占位检测模型是一种针对三维图像的无锚框的检测方法,相比有锚框方法,本公开的纵膈占位检测模型对形状、尺寸差异较大的纵膈占位区域均具有较高的检测准确率。
在一可实施方式中,在所述将待检测三维医学图像输入预先训练的纵膈占位检测模型之前,所述方法还包括如下步骤A1-A2:
步骤A1,对待检测三维CT图像进行预处理,得到所述待检测三维CT图像对应的软组织窗图像。
本公开中,可以采用软组织窗对待检测三维CT图像进行预处理,软组织窗的窗宽可以设置为360,窗位设置为60。由于在软组织窗下纵膈占位更容易被识别,因此利用软组织窗可以更容易确定出待检测三维CT图像中的纵膈占位区域图像,提高待检测三维CT图像对应的纵膈占位病变图像检测的准确率。
步骤A2,对所述软组织窗图像的像素进行归一化处理,得到归一化处理后的图像作为待检测三维医学图像。
归一化处理能加速模型训练过程中的模型收敛、提高模型精度,本公开中可以利用归一化处理后的图像训练得到纵膈占位检测模型,使得训练得到的纵膈占位检测模型的检测纵膈占位病变区域的位置信息的精度更高。因此,本步骤中可以对所述软组织窗图像的像素进行归一化处理,将所述软组织区域图像的像素值归一化到[-1,1]范围内,得到归一化处理后的图像作为待检测三维医学图像。与将未进行归一化的图像输入纵膈占位检测模型相比,将归一化处理后的待检测三维医学图像输入纵膈占位检测模型,可以得到更准确的纵膈占位病变区域的位置信息。
在一可实施方式中,图3示出了本公开实施例提供的一种纵膈占位检测模型训练流程图。如图3所示,所述纵膈占位检测模型的训练方式,包括:
S301,将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸。
其中,所述样本医学图像为三维图像。
图4示出了本公开实施例提供的纵膈占位检测模型的一种结构示意图。如图4所示,纵膈占位检测模型的包括特征提取层401和预测层402。
特征提取层401包括多个特征提取网络层,预测层402包括多个预测网络层。
本公开中搭建的所述待训练神经网络的网络结构与图4所示的网络结构一致。即所述待训练神经网络也包括特征提取层和预测层。则所述将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,可以包括如下步骤B1-B3:
步骤B1,将样本医学图像输入待训练神经网络。
步骤B2,所述特征提取层,提取所述样本医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层。
图4中CT图像是指样本医学图像,如图4所示,特征提取层的每个特征提取网络层都可以提取所述样本医学图像的图像特征,并将提取的图像特征输入到特征提取层的下一个特征提取网络层和所述预测层中与该特征提取网络层对应的预测网络层。
步骤B3,所述预测层,基于所述纵膈占位区域图像特征,确定所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸。
预测层的每个预测网络层,可以分别确定所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸。其中,所述预测关键点包括:所述样本医学图像中纵膈占位区域对应的预测中心点、第一预测角点和第二预测角点。第一预测角点与第二预测角点互为对角点,仍如图2所示,若第一预测角点是角点a,则第二预测角点是角点b,若第一预测角点是角点c,则第二预测角点是角点d。
因此,如图4所示,预测层的每个预测网络层可以分别预测三个热图,每个热图的数据包括:三维框尺寸、预测中心点点集C={ci}、第一预测角点点集S={si}和第二预测角点点集L={li},其中,每个三维框在三维方向上的最小值、最大值坐标分别组成第一预测角点s和第二预测角点l。
图5示出了本公开实施例提供的一种纵膈占位区域对应的预测关键点示意图。如图5所示,在坐标系o-xyz中,矩形框为预测三维框,预测三维框在三维方向上的最小值、最大值坐标分别组成第一预测角点s和第二预测角点l,预测中心点c为预测三维框的中心点。
图6示出了本公开实施例提供的另一种纵膈占位区域对应的预测关键点示意图。如图6所示,为了使预测出的关键点位置坐标更为精细,可以对第一预测角点s、第二预测角点l和预测中心点c进行回归预测。具体的,可以计算预测中心点c与预测三维框六个面之间的距离d,分别记为d=(x1,y1,z1,x2,y2,z2),作为预测三维框尺寸。
S302,基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值。
在一可实施方式中,所述预测关键点信息包括:所述预测关键点的坐标、所述预测关键点的类别和所述预测关键点的偏移值;则所述基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值,可以包括如下步骤C1-C4:
步骤C1,基于所述预测关键点的坐标、所述预测关键点的类别和所述样本医学图像对应的真实关键点坐标与真实关键点类别,确定第一关键点损失函数值。
具体的,可以采用如下公式,基于所述预测关键点的坐标、所述预测关键点的类别和所述样本医学图像对应的真实关键点坐标与真实关键点类别,确定第一关键点损失函数值:
其中,Lpoint为第一关键点损失函数值,N为预测关键点的数量,C为图像通道数量,x、y和z分别为预测关键点的横坐标、纵坐标和竖坐标,为预测关键点的预测类别,pcxyz为真实关键点类别,关键点类别包括角点和中心点,α和β分别为两个超参数。
步骤C2,基于所述预测关键点的偏移值和所述样本医学图像对应的真实关键点偏移值,确定第二关键点损失函数值。
具体的,可以采用如下公式,基于所述预测关键点的偏移值和所述样本医学图像对应的真实关键点偏移值,确定第二关键点损失函数值:
其中,Loff为第二关键点损失函数值,为预测关键点的偏移值,p为真实关键点偏移值,N为预测关键点的数量。
步骤C3,基于所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定三维框损失函数值。
其中,Lbox为三维框损失函数值,为预测三维框尺寸,d为真实三维框尺寸,N为预测关键点的数量。
步骤C4,根据所述第一关键点损失函数值、所述第二关键点损失函数值和所述三维框损失函数值,确定当前的待训练神经网络的损失函数值。
具体的,可以采用如下公式根据所述第一关键点损失函数值、所述第二关键点损失函数值和所述三维框损失函数值,确定当前的待训练神经网络的损失函数值:
L=w1Lpoint+w2Loff+w3Lbox,
其中,L为当前的待训练神经网络的损失函数值,w1、w2和w3分别为各项损失函数值对应的权重值,w1、w2和w3分别根据实际应用场景进行设置,此处不做具体限定。
S303,确定所述损失函数值是否小于预设损失函数阈值。
其中,预设算是函数阈值可以根据实际应用场景进行设置,设置原则是损失函数处于收敛状态时对应的损失值范围内的值。
S304,如果是,将当前的待训练神经网络确定为纵膈占位检测模型。
S305,如果否,调整当前的待训练神经网络的参数,并选择新的样本医学图像,返回执行所述将样本医学图像输入待训练神经网络的步骤。
本步骤中,可以调整能够影响待训练神经网络对应的损失函数的参数。
在一可实施方式中,在训练得到纵膈占位检测模型后,还可以利用预先准备的测试样本医学图像验证训练得到的纵膈占位检测模型是否符合要求。具体的,可以将测试样本医学图像逐一输入训练好的纵膈占位检测模型,得到每个样本医学图像对应的纵膈占位区域的预测角点坐标、中心点坐标ci和三维框尺寸di。根据中心点坐标ci和三维框尺寸di计算出一对虚拟角点坐标csi和cli。然后,对于虚拟角点坐标csi,找出预测角点坐标中距离csi最近的角点psi,并计算csi和psi之间的距离,若csi与psi之间的距离小于一定预设距离阈值,将csi坐标更新为psi,否则不保留该输出结果。对于每个角点cli也作相同处理。获得最终的输出结果。其中,预设距离阈值可以设置为1毫米或2毫米等。
在一定假阳性个数条件下,当保留的输出结果召回率大于预设值,则可以确定训练得到的纵膈占位检测模型符合要求。其中,预设值可以设置为0.85或0.9等。
采用本公开提供的方法,相比有锚框方法,纵膈占位检测模型对形状、尺寸差异较大的纵膈占位区域图像均具有较高的检测准确率。
基于同一发明构思,根据本公开上述实施例提供的纵膈占位病变图像检测方法,相应地,本公开另一实施例还提供了一种纵膈占位病变图像检测装置,其结构示意图如图7所示,具体包括:
图像输入模块701,用于将待检测三维医学图像输入预先训练的纵膈占位检测模型,其中,所述纵膈占位检测模型包括特征提取层和预测层;
特征提取模块702,用于所述特征提取层,提取所述待检测三维医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
纵膈占位确定模块703,用于所述预测层,基于所述纵膈占位区域图像特征,确定所述待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于所述关键点信息和所述三维框尺寸确定所述待检测三维医学图像对应的纵膈占位区域的位置信息,并输出所述位置信息;
其中,所述纵膈占位检测模型为基于多个三维的样本医学图像、各个所述样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。
采用本公开的纵膈占位病变图像检测装置,将待检测三维医学图像输入预先训练的纵膈占位检测模型,纵膈占位检测模型包括特征提取层和预测层;特征提取层,提取待检测三维医学图像的纵膈占位区域图像特征,并将纵膈占位区域图像特征输入预测层;预测层,基于纵膈占位区域图像特征,确定待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于关键点信息和三维框尺寸确定待检测三维医学图像对应的纵膈占位区域的位置信息,并输出位置信息;其中,纵膈占位检测模型为基于多个三维的样本医学图像、各个样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的。本公开中用于确定纵膈占位区域图像的纵膈占位检测模型是一种针对三维图像的无锚框的检测方法,相比有锚框方法,本公开的纵膈占位检测模型对形状、尺寸差异较大的纵膈占位区域均具有较高的检测准确率。
在一可实施方式中,所述装置还包括:
预处理模块(图中未示出),用于对待检测三维CT图像进行预处理,得到所述待检测三维CT图像对应的软组织窗图像;对所述软组织窗图像的像素进行归一化处理,得到归一化处理后的图像作为待检测三维医学图像。
在一可实施方式中,所述装置还包括:
模型训练模块(图中未示出),用于将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,其中,所述样本医学图像为三维图像;基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值;确定所述损失函数值是否小于预设损失函数阈值;如果是,将当前的待训练神经网络确定为纵膈占位检测模型;如果否,调整当前的待训练神经网络的参数,并选择新的样本医学图像,返回执行所述将样本医学图像输入待训练神经网络的步骤。
在一可实施方式中,所述待训练神经网络包括特征提取层和预测层;
所述模型训练模块,具体用于将样本医学图像输入待训练神经网络;所述特征提取层,提取所述样本医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;所述预测层,基于所述纵膈占位区域图像特征,确定所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸。
在一可实施方式中,所述预测关键点信息包括:所述预测关键点的坐标、所述预测关键点的类别和所述预测关键点的偏移值;
所述模型训练模块,具体用于基于所述预测关键点的坐标、所述预测关键点的类别和所述样本医学图像对应的真实关键点坐标与真实关键点类别,确定第一关键点损失函数值;基于所述预测关键点的偏移值和所述样本医学图像对应的真实关键点偏移值,确定第二关键点损失函数值;基于所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定三维框损失函数值;根据所述第一关键点损失函数值、所述第二关键点损失函数值和所述三维框损失函数值,确定当前的待训练神经网络的损失函数值。
在一可实施方式中,所述预测关键点包括:所述样本医学图像中纵膈占位区域对应的预测中心点、第一预测角点和第二预测角点。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如纵膈占位病变图像检测方法。例如,在一些实施例中,纵膈占位病变图像检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的纵膈占位病变图像检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行纵膈占位病变图像检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
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”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种纵膈占位病变图像检测方法,其特征在于,所述方法包括:
将待检测三维医学图像输入预先训练的纵膈占位检测模型,其中,所述纵膈占位检测模型包括特征提取层和预测层;
所述特征提取层,提取所述待检测三维医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
所述预测层,基于所述纵膈占位区域图像特征,确定所述待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于所述关键点信息和所述三维框尺寸确定所述待检测三维医学图像中纵膈占位区域的位置信息,并输出所述位置信息;
其中,所述纵膈占位检测模型为基于多个三维的样本医学图像、各个所述样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的;
所述纵膈占位检测模型的训练方式,包括:
将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,其中,所述样本医学图像为三维图像;
基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值;
确定所述损失函数值是否小于预设损失函数阈值;
如果是,将当前的待训练神经网络确定为纵膈占位检测模型;
如果否,调整当前的待训练神经网络的参数,并选择新的样本医学图像,返回执行所述将样本医学图像输入待训练神经网络的步骤;
所述预测关键点信息包括:所述预测关键点的坐标、所述预测关键点的类别和所述预测关键点的偏移值;
所述基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值,包括:
基于所述预测关键点的坐标、所述预测关键点的类别和所述样本医学图像对应的真实关键点坐标与真实关键点类别,确定第一关键点损失函数值,所述预测关键点的类别包括角点和中心点;
基于所述预测关键点的偏移值和所述样本医学图像对应的真实关键点偏移值,确定第二关键点损失函数值;
基于所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定三维框损失函数值;
根据所述第一关键点损失函数值、所述第二关键点损失函数值和所述三维框损失函数值,确定当前的待训练神经网络的损失函数值。
2.根据权利要求1所述的方法,其特征在于,在所述将待检测三维医学图像输入预先训练的纵膈占位检测模型之前,所述方法还包括:
对待检测三维CT图像进行预处理,得到所述待检测三维CT图像对应的软组织窗图像;
对所述软组织窗图像的像素进行归一化处理,得到归一化处理后的图像作为待检测三维医学图像。
3.根据权利要求1所述的方法,其特征在于,所述待训练神经网络包括特征提取层和预测层;
所述将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,包括:
将样本医学图像输入待训练神经网络;
所述特征提取层,提取所述样本医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
所述预测层,基于所述纵膈占位区域图像特征,确定所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸。
4.根据权利要求1或3所述的方法,其特征在于,所述预测关键点包括:所述样本医学图像中纵膈占位区域对应的预测中心点、第一预测角点和第二预测角点。
5.一种纵膈占位病变图像检测装置,其特征在于,所述装置包括:
图像输入模块,用于将待检测三维医学图像输入预先训练的纵膈占位检测模型,其中,所述纵膈占位检测模型包括特征提取层和预测层;
特征提取模块,用于所述特征提取层,提取所述待检测三维医学图像的纵膈占位区域图像特征,并将所述纵膈占位区域图像特征输入所述预测层;
纵膈占位确定模块,用于所述预测层,基于所述纵膈占位区域图像特征,确定所述待检测三维医学图像的纵膈占位区域对应的关键点信息和三维框尺寸,基于所述关键点信息和所述三维框尺寸确定所述待检测三维医学图像对应的纵膈占位区域的位置信息,并输出所述位置信息;
其中,所述纵膈占位检测模型为基于多个三维的样本医学图像、各个所述样本医学图像对应的真实关键点信息和真实三维框尺寸,对待训练神经网络进行训练得到的;
模型训练模块,用于将样本医学图像输入待训练神经网络,得到所述样本医学图像中纵膈占位区域对应的预测关键点信息和预测三维框尺寸,其中,所述样本医学图像为三维图像;基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值;确定所述损失函数值是否小于预设损失函数阈值;如果是,将当前的待训练神经网络确定为纵膈占位检测模型;如果否,调整当前的待训练神经网络的参数,并选择新的样本医学图像,返回执行所述将样本医学图像输入待训练神经网络的步骤;所述预测关键点信息包括:所述预测关键点的坐标、所述预测关键点的类别和所述预测关键点的偏移值;所述基于所述预测关键点信息、所述样本医学图像对应的真实关键点信息、所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定当前的待训练神经网络的损失函数值,包括:基于所述预测关键点的坐标、所述预测关键点的类别和所述样本医学图像对应的真实关键点坐标与真实关键点类别,确定第一关键点损失函数值,所述预测关键点的类别包括角点和中心点;基于所述预测关键点的偏移值和所述样本医学图像对应的真实关键点偏移值,确定第二关键点损失函数值;基于所述预测三维框尺寸和所述样本医学图像对应的真实三维框尺寸,确定三维框损失函数值;根据所述第一关键点损失函数值、所述第二关键点损失函数值和所述三维框损失函数值,确定当前的待训练神经网络的损失函数值。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
预处理模块,用于对待检测三维CT图像进行预处理,得到所述待检测三维CT图像对应的软组织窗图像;对所述软组织窗图像的像素进行归一化处理,得到归一化处理后的图像作为待检测三维医学图像。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070629.2A CN115994898B (zh) | 2023-01-12 | 2023-01-12 | 一种纵膈占位病变图像检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070629.2A CN115994898B (zh) | 2023-01-12 | 2023-01-12 | 一种纵膈占位病变图像检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994898A CN115994898A (zh) | 2023-04-21 |
CN115994898B true CN115994898B (zh) | 2023-11-14 |
Family
ID=85990069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310070629.2A Active CN115994898B (zh) | 2023-01-12 | 2023-01-12 | 一种纵膈占位病变图像检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994898B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004049948A1 (ja) * | 2002-12-03 | 2004-06-17 | Kabushiki Kaisha Toshiba | コンピュータ支援診断装置 |
CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
CN112052896A (zh) * | 2020-09-03 | 2020-12-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置,分类模型的训练方法及装置 |
CN112446327A (zh) * | 2020-11-27 | 2021-03-05 | 中国地质大学(武汉) | 一种基于无锚框的遥感图像目标检测方法 |
CN113673510A (zh) * | 2021-07-29 | 2021-11-19 | 复旦大学 | 一种结合特征点和锚框共同预测和回归的目标检测算法 |
CN115294401A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 一种基于ct图像的分类方法、装置、设备及存储介质 |
-
2023
- 2023-01-12 CN CN202310070629.2A patent/CN115994898B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004049948A1 (ja) * | 2002-12-03 | 2004-06-17 | Kabushiki Kaisha Toshiba | コンピュータ支援診断装置 |
CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
CN112052896A (zh) * | 2020-09-03 | 2020-12-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置,分类模型的训练方法及装置 |
CN112446327A (zh) * | 2020-11-27 | 2021-03-05 | 中国地质大学(武汉) | 一种基于无锚框的遥感图像目标检测方法 |
CN113673510A (zh) * | 2021-07-29 | 2021-11-19 | 复旦大学 | 一种结合特征点和锚框共同预测和回归的目标检测算法 |
CN115294401A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 一种基于ct图像的分类方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Waveguide diplexer based on E-plane ridged sections and diaphragms;M. B. Manuilov等;《2016 International Conference on Actual Problems of Electron Devices Engineering (APEDE)》;第1-5页 * |
基于多尺度特征分析的医学影像病变区域检测;谢熹;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第05期);第E060-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994898A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164B (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
EP3910543A2 (en) | Method for training object detection model, object detection method and related apparatus | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
CN113591683A (zh) | 姿态估计方法、装置、电子设备和存储介质 | |
CN115439543A (zh) | 孔洞位置的确定方法和元宇宙中三维模型的生成方法 | |
CN112634366B (zh) | 位置信息的生成方法、相关装置及计算机程序产品 | |
CN115761123B (zh) | 三维模型处理方法、装置、电子设备以及存储介质 | |
CN115994898B (zh) | 一种纵膈占位病变图像检测方法、装置、设备及存储介质 | |
CN115409856B (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN114693642B (zh) | 一种结节匹配方法、装置、电子设备及存储介质 | |
US20220392251A1 (en) | Method and apparatus for generating object model, electronic device and storage medium | |
CN114723894B (zh) | 一种三维坐标获取方法、装置及电子设备 | |
CN114565721A (zh) | 对象确定方法、装置、设备、存储介质以及程序产品 | |
CN115265472A (zh) | 路面沉降测量方法、装置、设备以及介质 | |
CN112802012A (zh) | 病理图像检测方法、装置、计算机设备和存储介质 | |
CN112749707A (zh) | 利用神经网络进行目标分割的方法、设备和介质 | |
CN116128863B (zh) | 一种医学图像处理方法、装置及设备 | |
CN113658277B (zh) | 立体匹配方法、模型训练方法、相关装置及电子设备 | |
CN116091486B (zh) | 表面缺陷检测方法、装置、电子设备及存储介质 | |
CN113312979B (zh) | 图像处理方法、装置、电子设备、路侧设备及云控平台 | |
CN115358976B (zh) | 一种图像识别方法、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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |