CN116052831B - 骨科脊柱用数据信息处理方法及其装置 - Google Patents
骨科脊柱用数据信息处理方法及其装置 Download PDFInfo
- Publication number
- CN116052831B CN116052831B CN202310322610.2A CN202310322610A CN116052831B CN 116052831 B CN116052831 B CN 116052831B CN 202310322610 A CN202310322610 A CN 202310322610A CN 116052831 B CN116052831 B CN 116052831B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- image data
- physiological
- iris
- 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
- 230000000399 orthopedic effect Effects 0.000 title claims abstract description 41
- 230000010365 information processing Effects 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 64
- 230000001575 pathological effect Effects 0.000 claims abstract description 42
- 230000000877 morphologic effect Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 85
- 230000008859 change Effects 0.000 claims description 61
- 210000000988 bone and bone Anatomy 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 33
- 238000003709 image segmentation Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000007170 pathology Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000090 biomarker Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004962 physiological condition Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—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
-
- 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
- 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
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医疗保健信息处理技术领域,尤其涉及一种骨科脊柱用数据信息处理方法及其装置。该方法包括以下步骤:获取目标生命体的生理体征数据以及病理影像数据;对生理体征数据进行数据预处理,从而获得预处理生理数据;根据预处理生理数据进行年龄特征提取,从而获得年龄特征数据并根据病理影像数据进行骨架形态特征提取,从而获得骨架形态特征数据;根据年龄特征数据通过年龄骨架基础形变识别模型进行识别,以生成年龄骨架基础形变数据,并通过骨架形态识别模型对骨架形态特征数据进行识别,生成骨架形态数据;根据年龄骨架基础形变数据以及骨架形态数据生成年龄形态关联信息集。本发明通过数据深度分析处理,提供准确的生命体详细信息。
Description
技术领域
本发明涉及医疗保健信息处理技术领域,尤其涉及一种骨科脊柱用数据信息处理方法及其装置。
背景技术
随着老龄化程度的变化以及人们生活方式的改变,脊柱问题也随着逐年增加。在对于脊柱状况的获取中,脊柱X线片的准确测量具有重要意义。然而脊柱X线片的测量对于骨科专家来说是一件极具的事情。
在现实的实际脊柱外科专业程度较高,对于相关的X线测量方法需要有较深的专业背景知识才能掌握;同时,测量参数众多,记忆困难,许多缺乏相关知识和实践经验的专业人员仅了解一些基本参数的测量,对于诸如骨盆参数这些近年来研究认为对脊柱骨科相关研究有更加深入指导意义的参数并不了解,更无法进一步提供相关的指导;在实际的X线片分析过程中,脊柱X线片的测量过程较为复杂繁琐,对于经过系统训练的技术人员,进行完整地测量一个案例的具体的情况需占用大量的工作时间,而且时常存在难以避免的人为误差。
发明内容
本发明为解决上述技术问题,提出了一种骨科脊柱用数据信息处理方法及其装置,以解决至少一个上述技术问题。
本发明提供一种骨科脊柱用数据信息处理方法,包括以下步骤:
步骤S1:获取目标生命体的生理体征数据以及病理影像数据,其中生理体征数据包括身体功能数据、痛觉数据、生物标志物数据以及病情历史数据;
步骤S2:对生理体征数据进行数据预处理,从而获得预处理生理数据;
步骤S3:根据预处理生理数据进行年龄特征提取,从而获得年龄特征数据并根据病理影像数据进行骨架形态特征提取,从而获得骨架形态特征数据;
步骤S4:根据年龄特征数据通过年龄骨架基础形变识别模型进行识别,以生成年龄骨架基础形变数据,并通过骨架形态识别模型对骨架形态特征数据进行识别,生成骨架形态数据;
步骤S5:根据年龄骨架基础形变数据以及骨架形态数据生成年龄形态关联信息集,以传输至骨科脊柱用电子设备。
本实施例综合了生理体征数据和病理影像数据,从而提供了关于目标生命体的更全面和准确的信息,通过数据预处理,以确保生理体征数据的准确性和可靠性,通过年龄特征提取和骨架形态特征提取,以生成有关目标生命体的重要信息,通过年龄骨架基础形变识别模型和骨架形态识别模型识别生成年龄骨架基础形变数据和骨架形态数据,从而提供关于目标生命体的详细信息,降低人为误差,生成了年龄形态关联信息集,以提供关于目标生命体的深度信息,保证了及时反馈。
在本说明书的一个实施例中,步骤S1具体为:
步骤S11:控制前置摄像头对医疗公共场所进行图像采集,从而获取医疗场所图像数据;
步骤S12:对医疗场所图像数据进行人脸检测计算,从而获取人脸检测指数;
步骤S13:判断人脸检测指数大于或等于预设的存在人脸指数;
步骤S14:确定人脸检测指数大于或等于预设的存在人脸指数时,控制虹膜扫描仪对生命体进行虹膜扫描提取,从而生成虹膜图像数据;
步骤S15:确定人脸检测指数小于预设的存在人脸指数时,则返回至步骤S12;
步骤S16:对虹膜图像数据进行去噪处理,从而生成骨科生命体关联虹膜数据;
步骤S17:根据骨科生命体关联虹膜数据进行虹膜纹理提取,从而生成多维虹膜纹理特征数据,其中多维虹膜纹理特征数据包括虹膜斑点特征数据、虹膜边缘特征数据以及虹膜角点特征数据;
步骤S18:根据多维虹膜纹理特征数据通过虹膜生命体识别模型进行识别,从而获得生命体唯一标识数据;
步骤S19:根据生命体唯一标识数据进行数据关联查询,从而获取目标生命体的生理体征数据;
步骤S110:接收X光设备返回的对特定区域的采样数据,从而获得病理影像数据。
本实施例通过虹膜图像的采集、处理和识别,可以准确识别生命体,保证系统的安全性和可靠性,通过数据关联查询,可以获取目标生命体的生理体征数据,对于后续处理做好前提准备,减少人工数据输入操作,通过自动化的流程,可以大大提高效率,减少人工干预,提高系统的可靠性,通过生命体识别,保证数据的唯一性,从而可以确保系统的安全性,避免非法访问。
在本说明书的一个实施例中,去噪处理通过去噪处理计算公式进行计算处理,其中去噪处理计算公式具体为:
;
为骨科生命体关联虹膜数据,/>为虹膜图像数据中进行去噪后的第/>个图像数据的权重系数,/>为虹膜图像数据中的第/>个图像数据,/>为骨科病理造成的误差调整项,/>为历史影像数据中的噪声变化率,/>为微分符号,/>为根据当前第/>个图像数据与第/>个图像数据生成的平滑调整项,/>为骨科生命体关联虹膜数据的修正系数。
本实施例提供一种去噪处理计算公式,该公式充分考虑了虹膜图像数据中进行去噪后的第个图像数据的权重系数/>、虹膜图像数据中的第/>个图像数据/>、骨科病理造成的误差调整项/>、历史影像数据中的噪声变化率/>、根据当前第/>个图像数据与第/>个图像数据生成的平滑调整项/>以及相互之间的作用关系,其中通过获取图像噪音变化相对比较稳定,通过历史噪声的不断拟合生成的噪声变化率进行去噪作业,提高数据的准确度,通过骨科病理造成的误差调整项进行误差修正,降低骨科生命体自身由于骨科脊柱病理情况带来的误差信息,结合当前图像数据中的具体像素之间的平滑过度的调整,以形成函数关系/>,通过骨科生命体关联虹膜数据的修正系数进行修正,从而提供准确可靠的数据支持。
在本说明书的一个实施例中,步骤S2具体为:
步骤S21:根据生理体征数据进行数据质量判断,从而获得数据质量报告;
步骤S22:确定数据质量报告为合格数据质量报告时,则将生理体征数据以及病理影像数据确定为预处理生理数据;
步骤S23:确定数据质量报告为存疑数据质量报告时,则根据数据质量报告对生理体征数据进行数据清洗作业,从而生成预处理生理数据;
其中数据清洗作业具体为:
确定数据质量报告为包括数据不一致的数据质量报告时,根据生理体征数据进行数据标准转换,从而获得预处理生理数据;
确定数据质量报告为包括数据异常的数据质量报告时,将生理体征数据中的异常生理体征数据进行数据删除并进行数据增强,从而获取预处理生理数据;
其中数据增强的步骤具体为:
步骤S201:根据生理体征数据进行通过多元线性回归进行成长特性回归计算,从而获得合理数据范围;
步骤S202:根据合理数据范围进行随机生成,生成随机生理数据;
步骤S203:根据随机生理数据进行历史数据拟合,从而获得预处理生理数据。
本实施例通过对生理体征数据进行数据质量判断,可以获得数据质量报告,从而确定数据质量的合格情况,对于存疑数据质量报告,通过数据清洗作业可以生成预处理生理数据,从而提高数据的质量和准确性,数据清洗作业内容根据数据质量报告的内容的不同而不同,通过数据增强的步骤,通过多元线性回归制约后续随机数据,提高数据的可靠性,生成随机生理数据,从而提高数据的完整性和丰富性。
在本说明书的一个实施例中,步骤S3具体为:
步骤S31:根据预处理生理数据进行年龄特征提取,从而获得年龄特征数据;
步骤S32:根据病理影像数据进行图像处理,从而获得校正影像图像;
步骤S33:根据校正影像图像通过影像图像降噪计算公式进行降噪计算,从而得到处理影像数据;
步骤S34:根据处理影像数据进行图像分割,从而获得分割影像数据;
步骤S35:构建优化代价算子,并根据优化代价算子对分割影像数据进行边缘提取,从而获得骨骼影像数据;
步骤S36:根据骨骼影像数据进行骨骼特征提取,生成骨骼长度数据、骨骼宽度数据以及骨骼厚度数据;
步骤S37:根据骨骼长度数据、骨骼宽度数据以及骨骼厚度数据进行三维仿真计算,从而获得三维骨骼影像数据;
步骤S38:根据三维骨骼影像数据通过骨骼形态特征提取,从而获得骨骼形态特征数据;
其中影像图像降噪计算公式具体为:
为处理影像数据的第/>个像素数据,/>为骨科影像数据的历史误差调整值,/>为病理影像数据中第/>个像素数据的权重系数,/>为病理影像数据中第/>个像素数据,/>为病理影像数据中第/>个像素数据的权重系数,/>为病理影像数据中第/>个像素数据,/>为基于病理影像数据生成的调整项,/>为历史骨科影像数据中的噪音平均变化率,/>为微分符号,/>为处理影像数据中的骨科像素误差修正项,/>为处理影像数据的灰度值参数调整项,/>为处理影像数据的第个像素数据的修正系数。
本实施例通过对病理影像数据进行影像图像降噪计算公式进行图像处理,可以获得更清晰、更准确的影像数据,通过分割影像图像,为后续骨骼特征提取提供可靠的数据支撑,通过骨骼特征提取,为评估骨骼形态提供深度可靠的数据,根据多维的骨骼特征进行三维仿真计算,以实现升维的数据处理,增加数据处理的丰富度,以充分反映骨骼形态的复杂架构,更好地发现数据隐含的深度信息。
本实施例提供一种影像图像降噪计算公式,该公式充分考虑了骨科影像数据的历史误差调整值、病理影像数据中第/>个像素数据的权重系数/>、病理影像数据中第/>个像素数据/>、病理影像数据中第/>个像素数据的权重系数/>、病理影像数据中第/>个像素数据/>、基于病理影像数据生成的调整项/>、历史骨科影像数据中的噪音平均变化率/>、处理影像数据中的骨科像素误差修正项/>、处理影像数据的灰度值参数调整项/>以及相互之间的作用关系,其中通过前后项的像素数据进行协同,避免降噪作业带来的误差,通过权重系数的调整,权重系数的生成可以根据历史数据进行自主生成,降低降噪过程中关联度不高的像素带来的偏差过高的情况,通过历史噪音的修正,从而形成函数关系,并通过调整项以及修正项的调整修正后,从而为后续步骤提供准确可靠的数据支撑。
在本说明书的一个实施例中,图像分割通过图像分割模型进行分割,其中图像分割模型的构建步骤包括以下步骤:
步骤S331:获取标准处理影像数据以及相应的分割区域信息;
步骤S332:将标准处理影像数据进行矩阵转化,从而生成影像矩阵数据;
步骤S333:根据影像矩阵数据进行标准化处理,从而获得标准矩阵数据;
步骤S334:根据标准矩阵数据进行纹理特征提取以及形状特征提取,从而获得矩阵纹理特征数据以及矩阵形状特征数据;
步骤S335:将矩阵纹理特征数据以及矩阵形状特征数据进行特征组合,从而获得矩阵特征向量数据;
步骤S336:根据矩阵特征向量数据进行降维计算,从而获得降维特征向量数据;
步骤S337:根据降维特征向量数据进行归一化计算,从而获得归一化特征向量数据;
步骤S338:根据归一化特征向量数据通过聚类计算,从而获得分类数据集;
步骤S339:根据分类数据集进行图像重建,获得分类图像数据集;
步骤S3310:根据分割区域信息对分类图像数据集进行迭代评估,从而构建图像分割模型。
本实施例通过对图像特征进行组合、降维和归一化计算,可以提高图像分割的精确性,图像分割模型的构建通过多次迭代评估,可以保证图像分割的高效性,图像分割模型的构建基于标准处理影像数据和分割区域信息,可以保证图像分割的可靠性,通过聚类计算对数据的深度分析,比起传统的图像分割提供更加准确的数据支撑。
在本说明书的一个实施例中,步骤S32具体为:
步骤S321:根据病理影像数据进行历史偏差去噪,从而获得去噪影像数据;
步骤S322:获取标准影像数据,并根据去噪影像数据与标准影像数据,生成对比度调整值;
步骤S323:根据对比度调整值对去噪印象数据进行对比度增强,从而获得增强影像数据;
步骤S324:根据对比度调整值对去噪印象数据进行对比度增强,从而获得增强影像数据;
步骤S325:判断图像灰度变化数据是否小于或等于预设的图像灰度变化阈值;
步骤S326:确定图像灰度变化数据小于或等于预设的图像灰度变化阈值时,则根据增强影像数据通过最小代价双三次插值法进行插值计算,从而获得重采样影像数据;
步骤S327:确定图像灰度变化数据大于预设的图像灰度变化阈值时,则根据增强影像数据通过最小代价双线性插值法进行插值计算,从而获得重采样影像数据;
步骤S328:根据重采样影像数据进行光学校正,从而获得校正影像图像。
本实施例通过图像处理,可以提高图像的清晰度和对比度,使得图像更加清晰,更易于提取信息,通过提高图像质量,可以更好地诊断疾病,提高诊断准确性,通过图像处理,可以缩短诊断时间,提高工作效率,通过图像灰度变化数据进行阈值判断,从而进行相应的图像插值作业,当图像灰度变化数据过大时,判断为图像细节多,需要采用最小代价双线性插值法进行计算,提供足够准确的图像处理,当图像灰度变化数据小于预设的范围内时,判断为图像轮廓分明,采用最小代价双三次插值法进行计算,降低计算量以及对计算硬件的负荷。
在本说明书的一个实施例中,其中最小代价双三次插值法的步骤包括以下步骤:
步骤S301:根据预设的目标分辨率数据进行影像初始化生成,生成目标影像数据;
步骤S302:根据增强影像数据以及目标影像数据进行像素映射,从而获得映射影像数据;
步骤S303:根据图像灰度变化数据以及增强影像数据生成双三次插值最小化代价函数;
步骤S304:根据双三次插值最小化代价函数对映射影像数据进行数据插值计算,从而获得重采样影像数据。
本实施例通过最小代价双三次插值最小化代价函数可以精细地重建影像,使得影像分辨率更高,双三次插值法考虑了图像灰度变化,可以更好地抵抗噪声对影像质量的影响的同时降低计算量,通过像素映射和插值计算,可以生成更加精细的重采样影像数据,从而提高影像质量。
在本说明书的一个实施例中,其中最小代价双线性插值法的步骤包括以下步骤:
步骤S305:根据图像灰度变化数据生成最小代价双线性代价函数;
步骤S306:根据预设的目标分辨率数据,生成目标影像数据;
步骤S307:根据增强影像数据通过最小代价双线性代价函数对目标影像数据进行生成映射计算,从而获得重采样影像数据。
本实施例通过最小代价双线性插值法获得的重采样影像数据具有更高的质量和分辨率。通过生成最小代价双线性代价函数并对目标影像数据进行生成映射计算,可以使得重采样影像数据在保持原始数据的重要信息的同时,具有更高的分辨率。
本发明提供一种骨科脊柱用数据信息处理装置,所述装置包括:
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计算机程序,所述计算机程序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如上任意一项所述的一种骨科脊柱用数据信息处理方法。
本申请的有益效果在于:本发明根据生理体征数据和病理影像数据进行特征提取,能够更加精细地识别出目标生命体的生理状况和骨架形态,通过年龄骨架基础形变识别模型和骨架形态识别模型识别生理数据,可以生成准确的年龄骨架基础形变数据和骨架形态数据,根据年龄骨架基础形变数据和骨架形态数据生成的年龄形态关联信息集可以帮助骨科脊柱用电子设备更好地评估和目标生命体的骨科颈柱情况,对中间产生的影像图像进行数据清洗、降噪、增强以及深度识别,从而提供基于高维数据分析的深度数据,保障了数据的可靠性的同时,减少传统图像数据处理带来的误差。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的一种骨科脊柱用数据信息处理方法的步骤流程图;
图2示出了一实施例的一种骨科脊柱用数据获取方法的步骤流程图;
图3示出了一实施例的一种数据质量评估方法的步骤流程图;
图4示出了一实施例的一种数据增强作业的步骤流程图;
图5示出了一实施例的一种骨科形态特征数据提取方法的步骤流程图;
图6示出了一实施例的一种图像分割模型构建方法的步骤流程图;
图7示出了一实施例的一种图像处理作业的步骤流程图;
图8示出了一实施例的一种最小代价双三次插值方法的步骤流程图;
图9示出了一实施例的一种最小代价双线性插值方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
本发明提供一种骨科脊柱用数据信息处理方法,请参阅图1至图9,包括以下步骤:
步骤S1:获取目标生命体的生理体征数据以及病理影像数据,其中生理体征数据包括身体功能数据、痛觉数据、生物标志物数据以及病情历史数据;
具体地,例如通过访问预存在本地的数据库从而获取目标生命体的生理体征数据,例如采用数据库语言select语句。
步骤S2:对生理体征数据进行数据预处理,从而获得预处理生理数据;
具体地,例如删除错误、缺失、重复的数据以及不相关的数据,将数据进行标准化处理,使其具有一定的标准化值。
步骤S3:根据预处理生理数据进行年龄特征提取,从而获得年龄特征数据并根据病理影像数据进行骨架形态特征提取,从而获得骨架形态特征数据;
具体地,例如根据预处理生理数据,通过使用机器学习算法(如决策树、随机森林、支持向量机等)提取出目标生命体的年龄特征,根据病理影像数据,通过图像处理技术(如图像分割、边缘检测等)对骨架形态进行特征提取,从而生成骨架形态特征数据。
步骤S4:根据年龄特征数据通过年龄骨架基础形变识别模型进行识别,以生成年龄骨架基础形变数据,并通过骨架形态识别模型对骨架形态特征数据进行识别,生成骨架形态数据;
具体地,例如使用机器学习算法,如支持向量机、决策树、神经网络等,对预处理生理数据和病理影像数据进行训练,生成年龄骨架基础形变识别模型和骨架形态识别模型;
将新的预处理生理数据和病理影像数据输入到已经训练好的年龄骨架基础形变识别模型和骨架形态识别模型中,进行识别,生成年龄骨架基础形变数据和骨架形态数据。
步骤S5:根据年龄骨架基础形变数据以及骨架形态数据生成年龄形态关联信息集,以传输至骨科脊柱用电子设备。
具体地,例如通过数据挖掘算法,对年龄骨架基础形变数据和骨架形态数据进行分析,并确定其中的相关性,从而生成年龄形态关联信息集。生成的年龄形态关联信息集可以通过通信技术传输至骨科脊柱用电子设备,例如医疗专用处理设备,以便进一步分析和处理。
具体地,例如使用相关性分析算法(如皮尔森相关性系数),分析年龄骨架基础形变数据和骨架形态数据之间的相关性。
本实施例综合了生理体征数据和病理影像数据,从而提供了关于目标生命体的更全面和准确的信息,通过数据预处理,以确保生理体征数据的准确性和可靠性,通过年龄特征提取和骨架形态特征提取,以生成有关目标生命体的重要信息,通过年龄骨架基础形变识别模型和骨架形态识别模型识别生成年龄骨架基础形变数据和骨架形态数据,从而提供关于目标生命体的详细信息,降低人为误差,生成了年龄形态关联信息集,以提供关于目标生命体的深度信息,保证了及时反馈。
在本说明书的一个实施例中,步骤S1具体为:
步骤S11:控制前置摄像头对医疗公共场所进行图像采集,从而获取医疗场所图像数据;
具体地,例如在预设的位置安置前置摄像头进行图像采集,使用图像采集软件,对前置摄像头进行数据采集,从而获取医疗公共场所的图像数据,并存储在本地。
步骤S12:对医疗场所图像数据进行人脸检测计算,从而获取人脸检测指数;
具体地,例如使用计算机视觉技术,包括人脸检测算法,对医疗场所图像数据进行分析;
使用人脸检测算法,对图像数据中的每个像素进行分类,从而生成分类图像数据集;
根据分类图像数据集通过预设的人脸数量面积占比进行计算,从而计算出人脸检测指数;
将人脸检测指数作为反映医疗场所人流量情况的重要指标,用于评估医疗公共场所的使用情况。
步骤S13:判断人脸检测指数大于或等于预设的存在人脸指数;
具体地,例如确定人脸检测指数,比如人脸占图像尺寸面积超过百分之二十时。
具体地,例如预设一个存在人脸的指数,例如0.8;在进行人脸检测计算后,得到的人脸检测指数;使用比较运算符(如'>=')与预设的存在人脸指数进行比较,以判断人脸检测指数是否大于等于预设的存在人脸指数。
具体地,例如if face_detection_index>= face_detection_threshold;#dosomething, for example, triggering an alarm or recording the video;其中,face_detection_index是人脸检测指数,face_detection_threshold是预设的存在人脸指数。
步骤S14:确定人脸检测指数大于或等于预设的存在人脸指数时,控制虹膜扫描仪对生命体进行虹膜扫描提取,从而生成虹膜图像数据;
具体地,例如通过控制虹膜扫描仪,对生命体的眼睛进行虹膜图像采集。
步骤S15:确定人脸检测指数小于预设的存在人脸指数时,则返回至步骤S12;
步骤S16:对虹膜图像数据进行去噪处理,从而生成骨科生命体关联虹膜数据;
具体地,例如利用噪声抑制算法,对图像数据进行去噪处理,如均值滤波算法、中值滤波算法以及自适应滤波算法。
步骤S17:根据骨科生命体关联虹膜数据进行虹膜纹理提取,从而生成多维虹膜纹理特征数据,其中多维虹膜纹理特征数据包括虹膜斑点特征数据、虹膜边缘特征数据以及虹膜角点特征数据;
具体地,例如通过使用图像处理技术,如图像灰度、形态学处理、图像分析等,从而获得多维虹膜纹理特征数据。
步骤S18:根据多维虹膜纹理特征数据通过虹膜生命体识别模型进行识别,从而获得生命体唯一标识数据;
具体地,例如建立虹膜生命体识别模型,该模型可以采用深度学习技术,例如卷积神经网络(CNN)等;训练虹膜生命体识别模型,使其能够识别多维虹膜纹理特征数据;对需要识别的多维虹膜纹理特征数据进行预测,通过模型生成生命体唯一标识数据。
步骤S19:根据生命体唯一标识数据进行数据关联查询,从而获取目标生命体的生理体征数据;
具体地,例如获得生命体的唯一标识数据时,通过数据库中的查询接口,将该标识数据作为查询关键字,查询数据库,从而获得该生命体的生理体征数据。
步骤S110:接收X光设备返回的对特定区域的采样数据,从而获得病理影像数据。
具体地,例如在X光设备上设置好采样区域,并启动X光设备进行采样;
X光设备在对特定区域进行采样并生成对应的病理影像数据;
X光设备将采样完成的病理影像数据通过网络或其他通讯方式传输给服务端。
本实施例通过虹膜图像的采集、处理和识别,可以准确识别生命体,保证系统的安全性和可靠性,通过数据关联查询,可以获取目标生命体的生理体征数据,对于后续处理做好前提准备,减少人工数据输入操作,通过自动化的流程,可以大大提高效率,减少人工干预,提高系统的可靠性,通过生命体识别,保证数据的唯一性,从而可以确保系统的安全性,避免非法访问。
在本说明书的一个实施例中,去噪处理通过去噪处理计算公式进行计算处理,其中去噪处理计算公式具体为:
;
为骨科生命体关联虹膜数据,/>为虹膜图像数据中进行去噪后的第/>个图像数据的权重系数,/>为虹膜图像数据中的第/>个图像数据,/>为骨科病理造成的误差调整项,/>为历史影像数据中的噪声变化率,/>为微分符号,/>为根据当前第/>个图像数据与第/>个图像数据生成的平滑调整项,/>为骨科生命体关联虹膜数据的修正系数。
本实施例提供一种去噪处理计算公式,该公式充分考虑了虹膜图像数据中进行去噪后的第个图像数据的权重系数/>、虹膜图像数据中的第/>个图像数据/>、骨科病理造成的误差调整项/>、历史影像数据中的噪声变化率/>、根据当前第/>个图像数据与第/>个图像数据生成的平滑调整项/>以及相互之间的作用关系,其中通过获取图像噪音变化相对比较稳定,通过历史噪声的不断拟合生成的噪声变化率进行去噪作业,提高数据的准确度,通过骨科病理造成的误差调整项进行误差修正,降低骨科生命体自身由于骨科脊柱病理情况带来的误差信息,结合当前图像数据中的具体像素之间的平滑过度的调整,以形成函数关系,通过骨科生命体关联虹膜数据的修正系数进行修正,从而提供准确可靠的数据支持。
在本说明书的一个实施例中,步骤S2具体为:
步骤S21:根据生理体征数据进行数据质量判断,从而获得数据质量报告;
具体地,例如获取生理体征合理数据范围,并根据生理体征合理数据范围对生理体征数据进行阈值判断,若出现存疑数据,则生成存疑数据质量报告,否则生成合格数据质量报告。
步骤S22:确定数据质量报告为合格数据质量报告时,则将生理体征数据以及病理影像数据确定为预处理生理数据;
步骤S23:确定数据质量报告为存疑数据质量报告时,则根据数据质量报告对生理体征数据进行数据清洗作业,从而生成预处理生理数据;
具体地,例如根据数据质量报告中的信息,对生理体征数据进行数据清洗。这可以包括去除异常值、缺失值填补等操作,使用数据清洗工具,比如R、Python等,实现数据清洗,根据清洗后的生理体征数据,生成预处理生理数据。
其中数据清洗作业具体为:
确定数据质量报告为包括数据不一致的数据质量报告时,根据生理体征数据进行数据标准转换,从而获得预处理生理数据;
具体地,例如确定数据标准转换的目标数据格式,使用相应的数据格式转换工具(如数据格式转换软件),将生理体征数据转换为目标数据格式,比如将身高有m以及cm单位,转换成相同单位进行表示。
确定数据质量报告为包括数据异常的数据质量报告时,将生理体征数据中的异常生理体征数据进行数据删除并进行数据增强,从而获取预处理生理数据;
具体地,例如根据数据质量报告将生理体征数据中的异常生理体征数据进行数据删除,并根据历史数据以及其他合理生理体征数据进行深度数据分析并进行数据修复,从而获取预处理生理数据。
其中数据增强的步骤具体为:
步骤S201:根据生理体征数据进行通过多元线性回归进行成长特性回归计算,从而获得合理数据范围;
具体地,例如将生理体征数据中合理的生理体征数据进行数据查询,从而获得正向样本测试集;
根据正向样本测试集进行多元线性回归计算,从而获取多元线性回归模型;
根据生理体征数据通过多元线性回归模型进行计算,从而获得合理数据范围。
步骤S202:根据合理数据范围进行随机生成,生成随机生理数据;
具体地,例如根据生理体征数据的特点确定合理数据的范围,例如:某项生理体征的数值在[50,100]范围内为合理数据;
使用诸如numpy库中的random函数等随机数生成函数,生成随机数,并限制其范围在合理数据范围内;
根据生理体征数据的数据类型,将生成的随机数对应的映射为生理体征数据,生成随机生理数据。
例如import numpy as np;#定义合理数据范围,lower_bound=50;upper_bound=100;#生成随机数,random_number=np.random.uniform(lower_bound, upper_bound);#生成随机生理数据,random_physiological_data=int(random_number)。
步骤S203:根据随机生理数据进行历史数据拟合,从而获得预处理生理数据。
具体地,例如从医疗记录或者相关数据库中收集大量的历史生理数据;
对历史生理数据进行数据预处理,包括数据标准化、缺失值处理、异常值处理等。
根据随机生理数据的特点选择适当的拟合模型,例如多项式回归模型、核回归模型等;
将拟合模型应用于随机生理数据,从而得到预处理生理数据。
本实施例通过对生理体征数据进行数据质量判断,可以获得数据质量报告,从而确定数据质量的合格情况,对于存疑数据质量报告,通过数据清洗作业可以生成预处理生理数据,从而提高数据的质量和准确性,数据清洗作业内容根据数据质量报告的内容的不同而不同,通过数据增强的步骤,通过多元线性回归制约后续随机数据,提高数据的可靠性,生成随机生理数据,从而提高数据的完整性和丰富性。
在本说明书的一个实施例中,步骤S3具体为:
步骤S31:根据预处理生理数据进行年龄特征提取,从而获得年龄特征数据;
具体地,例如使用相关的数据挖掘算法,如主成分分析(PCA),因子分析等,从原始生理数据中提取出有关年龄的特征。
步骤S32:根据病理影像数据进行图像处理,从而获得校正影像图像;
具体地,例如根据预设的图像分辨率,如768*1440,通过双线插值法进行图像插值运算,从而获得校正影像图像。
步骤S33:根据校正影像图像通过影像图像降噪计算公式进行降噪计算,从而得到处理影像数据;
具体地,例如根据病理影像数据通过本实施例提供的影像图像降噪计算公式进行图像处理,从而获得处理影像数据。
步骤S34:根据处理影像数据进行图像分割,从而获得分割影像数据;
具体地,例如根据处理影像数据通过分水岭算法进行图像分割,从而获得分割影像数据。
步骤S35:构建优化代价算子,并根据优化代价算子对分割影像数据进行边缘提取,从而获得骨骼影像数据;
具体地,例如构建优化代价算子,使用卷积神经网络或长短时记忆网络对分割影像数据进行分析,从而提取出边缘信息。
具体地,例如优化代价算子表示当前状态与期望状态的差异,并帮助确定算法的优化方向。
具体地,例如卷积神经网络是通过使用卷积层来学习图像的低级特征,然后通过池化层来下采样和减少数据,最后通过全连接层来预测图像的高级特征。
具体地,例如将分割影像数据转换为时间序列数据,并将其输入到LSTM网络中,LSTM网络通过多层隐藏状态,存储并处理历史信息,从而识别当前影像数据的边缘信息。
步骤S36:根据骨骼影像数据进行骨骼特征提取,生成骨骼长度数据、骨骼宽度数据以及骨骼厚度数据;
具体地,例如使用图像分析技术,如轮廓检测、图像分割、形态学操作等技术,来识别骨骼的形状和结构,如使用轮廓检测算法,如Canny边缘检测算法、Sobel算子等,对预处理后的图像进行轮廓检测;将轮廓检测结果与原图像结合,从而提取出骨骼轮廓的特征信息,如长度、宽度等。
步骤S37:根据骨骼长度数据、骨骼宽度数据以及骨骼厚度数据进行三维仿真计算,从而获得三维骨骼影像数据;
具体地,例如建立三维模型,模拟骨骼形态;计算骨骼长度数据、骨骼宽度数据以及骨骼厚度数据,并将其作为参数输入模型;使用计算机图形学技术进行三维仿真计算。
步骤S38:根据三维骨骼影像数据通过骨骼形态特征提取,从而获得骨骼形态特征数据;
具体地,例如对三维骨骼影像数据进行图像分割,从而将骨骼模型从背景中分离出来;通过形状分析技术,如轮廓检测、边缘检测等,来识别骨骼形态的轮廓和边界,通过特征提取技术,如主成分分析(PCA)、独立成分分析(ICA)等,来提取出骨骼形态的关键特征。
其中影像图像降噪计算公式具体为:
为处理影像数据的第/>个像素数据,/>为骨科影像数据的历史误差调整值,/>为病理影像数据中第/>个像素数据的权重系数,/>为病理影像数据中第/>个像素数据,为病理影像数据中第/>个像素数据的权重系数,/>为病理影像数据中第/>个像素数据,/>为基于病理影像数据生成的调整项,/>为历史骨科影像数据中的噪音平均变化率,/>为微分符号,/>为处理影像数据中的骨科像素误差修正项,/>为处理影像数据的灰度值参数调整项,/>为处理影像数据的第个像素数据的修正系数。
本实施例通过对病理影像数据进行影像图像降噪计算公式进行图像处理,可以获得更清晰、更准确的影像数据,通过分割影像图像,为后续骨骼特征提取提供可靠的数据支撑,通过骨骼特征提取,为评估骨骼形态提供深度可靠的数据,根据多维的骨骼特征进行三维仿真计算,以实现升维的数据处理,增加数据处理的丰富度,以充分反映骨骼形态的复杂架构,更好地发现数据隐含的深度信息。
本实施例提供一种影像图像降噪计算公式,该公式充分考虑了骨科影像数据的历史误差调整值、病理影像数据中第/>个像素数据的权重系数/>、病理影像数据中第/>个像素数据/>、病理影像数据中第/>个像素数据的权重系数/>、病理影像数据中第/>个像素数据/>、基于病理影像数据生成的调整项/>、历史骨科影像数据中的噪音平均变化率/>、处理影像数据中的骨科像素误差修正项/>、处理影像数据的灰度值参数调整项/>以及相互之间的作用关系,其中通过前后项的像素数据进行协同,避免降噪作业带来的误差,通过权重系数的调整,权重系数的生成可以根据历史数据进行自主生成,降低降噪过程中关联度不高的像素带来的偏差过高的情况,通过历史噪音的修正,从而形成函数关系,并通过调整项以及修正项的调整修正后,从而为后续步骤提供准确可靠的数据支撑。
在本说明书的一个实施例中,图像分割通过图像分割模型进行分割,其中图像分割模型的构建步骤包括以下步骤:
步骤S331:获取标准处理影像数据以及相应的分割区域信息;
具体地,例如从数据库中查询已经标准处理过的影像数据和分割区域信息。
步骤S332:将标准处理影像数据进行矩阵转化,从而生成影像矩阵数据;
具体地,例如假设标准处理影像数据是一个 200×200 像素的图像,颜色深度为8 位(每个像素点的颜色可以表示为 0 到 255 之间的整数)。在这种情况下,影像矩阵数据表示为一个 200×200 的整数数组,其中每个整数代表图像中对应位置的像素点的颜色。
步骤S333:根据影像矩阵数据进行标准化处理,从而获得标准矩阵数据;
具体地,例如计算矩阵数据的均值和标准差:对每一个矩阵元素求平均值和标准差;归一化矩阵数据:对每一个矩阵元素进行标准化,即减去均值,除以标准差。
步骤S334:根据标准矩阵数据进行纹理特征提取以及形状特征提取,从而获得矩阵纹理特征数据以及矩阵形状特征数据;
具体地,例如纹理特征提取可以使用纹理分析算法,如灰度共生矩阵(GLCM)、最大熵法和统计特征提取,从而获得图像的纹理特征。形状特征提取可以使用形状分析算法,如轮廓检测、轮廓矩、形状外推和边缘检测,从而获得图像的形状特征。
步骤S335:将矩阵纹理特征数据以及矩阵形状特征数据进行特征组合,从而获得矩阵特征向量数据;
具体地,例如矩阵纹理特征数据和矩阵形状特征数据可以通过特征融合的方式结合在一起,例如使用加权平均法或PCA等降维技术。
步骤S336:根据矩阵特征向量数据进行降维计算,从而获得降维特征向量数据;
具体地,例如通过对数据的协方差矩阵进行特征分解,并选择具有最大方差的前几个特征向量来表示原始数据。
步骤S337:根据降维特征向量数据进行归一化计算,从而获得归一化特征向量数据;
具体地,例如通过Z-Score归一化进行归一化计算,从而获得归一化特征向量数据。
步骤S338:根据归一化特征向量数据通过聚类计算,从而获得分类数据集;
具体地,例如根据归一化特征向量数据通过DBSCAN聚类计算,从而获得分类数据集。
步骤S339:根据分类数据集进行图像重建,获得分类图像数据集;
具体地,例如根据分割区域信息定义图像的结构,通过将分类数据集中的点映射到图像空间来生成图像,获得分类图像数据集。
步骤S3310:根据分割区域信息对分类图像数据集进行迭代评估,从而构建图像分割模型。
具体地,例如通过预设的评估指标对图像分割模型进行迭代评估,以便评估模型的效果。
本实施例通过对图像特征进行组合、降维和归一化计算,可以提高图像分割的精确性,图像分割模型的构建通过多次迭代评估,可以保证图像分割的高效性,图像分割模型的构建基于标准处理影像数据和分割区域信息,可以保证图像分割的可靠性,通过聚类计算对数据的深度分析,比起传统的图像分割提供更加准确的数据支撑。
在本说明书的一个实施例中,步骤S32具体为:
步骤S321:根据病理影像数据进行历史偏差去噪,从而获得去噪影像数据;
具体地,例如从医学影像数据库中检索具有相似特征的历史图像数据;对历史图像数据进行平均值计算,以得到平均图像;对历史图像数据进行标准差计算,以得到标准差图像;通过对病理影像数据和平均图像的差值进行计算,以得到偏差图像;通过判断偏差图像中的数值是否超出标准差图像的范围,从而去除偏差图像中的噪声;通过将去除噪声后的偏差图像加上平均图像,从而得到去噪影像数据。
步骤S322:获取标准影像数据,并根据去噪影像数据与标准影像数据,生成对比度调整值;
具体地,例如从医学影像数据库中检索具有标准特征的影像数据;过计算标准影像数据的最大值与最小值的差值,以得到标准影像数据的对比度;通过计算去噪影像数据的最大值与最小值的差值,以得到去噪影像数据的对比度;通过计算标准影像数据的对比度与去噪影像数据的对比度的比值,从而得到对比度调整值。
步骤S323:根据对比度调整值对去噪印象数据进行对比度增强,从而获得增强影像数据;
具体地,例如通过对去噪影像数据进行对比度调整,从而生成具有较高对比度的影像数据。
步骤S324:根据增强影像数据进行图像灰度变化计算,从而获得图像灰度变化数据;
具体地,例如通过将彩色图像转换为灰度图像;通过计算灰度图像的最大值与最小值的差值,以得到图像灰度变化值;根据图像灰度变化值以及灰度图像进行灰度标准差计算,从而获得图像灰度变化数据。
步骤S325:判断图像灰度变化数据是否小于或等于预设的图像灰度变化阈值;
具体地,例如判断图像灰度变化数据是否小于或等于预设的图像灰度变化阈值,如25。
步骤S326:确定图像灰度变化数据小于或等于预设的图像灰度变化阈值时,则根据增强影像数据通过最小代价双三次插值法进行插值计算,从而获得重采样影像数据;
具体地,例如确定图像灰度变化数据如15,小于或等于预设的图像灰度变化阈值,如25时,则根据增强影像数据通过最小代价双三次插值法进行插值计算,从而获得重采样影像数据。
步骤S327:确定图像灰度变化数据大于预设的图像灰度变化阈值时,则根据增强影像数据通过最小代价双线性插值法进行插值计算,从而获得重采样影像数据;
具体地,例如确定图像灰度变化数据如38大于预设的图像灰度变化阈值如25,则根据增强影像数据通过最小代价双线性插值法进行插值计算,从而获得重采样影像数据。
步骤S328:根据重采样影像数据进行光学校正,从而获得校正影像图像。
具体地,例如通过投影校正、畸变校正对重采样影像数据进行光学校正计算,从而获得校正影像图像。
本实施例通过图像处理,可以提高图像的清晰度和对比度,使得图像更加清晰,更易于提取信息,通过提高图像质量,可以更好地诊断疾病,提高诊断准确性,通过图像处理,可以缩短诊断时间,提高工作效率,通过图像灰度变化数据进行阈值判断,从而进行相应的图像插值作业,当图像灰度变化数据过大时,判断为图像细节多,需要采用最小代价双线性插值法进行计算,提供足够准确的图像处理,当图像灰度变化数据小于预设的范围内时,判断为图像轮廓分明,采用最小代价双三次插值法进行计算,降低计算量以及对计算硬件的负荷。
在本说明书的一个实施例中,其中最小代价双三次插值法的步骤包括以下步骤:
步骤S301:根据预设的目标分辨率数据进行影像初始化生成,生成目标影像数据;
具体地,例如根据需求确定目标影像的分辨率,通过对影像数据进行初始化,从而生成初始影像数据。
步骤S302:根据增强影像数据以及目标影像数据进行像素映射,从而获得映射影像数据;
具体地,例如像素映射为根据坐标换算一一映射关系进行像素映射,从而获得映射影像数据。
步骤S303:根据图像灰度变化数据以及增强影像数据生成双三次插值最小化代价函数;
具体地,例如根据预设的方式定义双三次插值代价函数,通过求解双三次插值代价函数的最小值,从而得到图像灰度变化数据和增强影像数据之间的最佳匹配,通过计算最小化代价函数,从而生成双三次插值最小化代价函数。
具体地,例如双三次插值最小化代价函数可以定义为:J(f)=∑[f(X)-y]^2+λ∑|∇f(X)|^2+o;其中,f(X)是插值函数,y是真实数据, o是图像灰度变化程度值,X是插值点,λ是正则化系数;通过最小化双三次插值最小化代价函数,从而得到插值函数的最优解。
步骤S304:根据双三次插值最小化代价函数对映射影像数据进行数据插值计算,从而获得重采样影像数据。
具体地,例如根据双三次插值最小化代价函数对映射影像数据的未映射像素点进行数据插值计算,从而获得重采样影像数据。
本实施例通过最小代价双三次插值最小化代价函数可以精细地重建影像,使得影像分辨率更高,双三次插值法考虑了图像灰度变化,可以更好地抵抗噪声对影像质量的影响的同时降低计算量,通过像素映射和插值计算,可以生成更加精细的重采样影像数据,从而提高影像质量。
在本说明书的一个实施例中,其中最小代价双线性插值法的步骤包括以下步骤:
步骤S305:根据图像灰度变化数据生成最小代价双线性代价函数;
具体地,例如根据图像灰度变化数据,生成一个双线性代价函数,该代价函数表示为:J(f)=∑[f(X)-y]^2+λ∑|∇f(X)|^2;其中,f(X)表示图像的灰度值,y表示图像的真实灰度值,X表示图像的像素坐标,λ是正则化系数。
步骤S306:根据预设的目标分辨率数据,生成目标影像数据;
具体地,例如根据预设的目标分辨率数据如400*600,生成目标影像数据。
步骤S307:根据增强影像数据通过最小代价双线性代价函数对目标影像数据进行生成映射计算,从而获得重采样影像数据。
具体地,例如使用图像处理算法,根据预设的目标分辨率数据对原始影像数据进行重采样,将重采样后的图像作为目标影像数据。
本实施例通过最小代价双线性插值法获得的重采样影像数据具有更高的质量和分辨率。通过生成最小代价双线性代价函数并对目标影像数据进行生成映射计算,可以使得重采样影像数据在保持原始数据的重要信息的同时,具有更高的分辨率。
本发明提供一种骨科脊柱用数据信息处理装置,所述装置包括:
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计算机程序,所述计算机程序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如上任意一项所述的一种骨科脊柱用数据信息处理方法。
本申请的有益效果在于本发明根据生理体征数据和病理影像数据进行特征提取,能够更加精细地识别出目标生命体的生理状况和骨架形态,通过年龄骨架基础形变识别模型和骨架形态识别模型识别生理数据,可以生成准确的年龄骨架基础形变数据和骨架形态数据,根据年龄骨架基础形变数据和骨架形态数据生成的年龄形态关联信息集可以帮助骨科脊柱用电子设备更好地评估和目标生命体的骨科颈柱情况,对中间产生的影像图像进行数据清洗、降噪、增强以及深度识别,从而提供基于高维数据分析的深度数据,保障了数据的可靠性的同时,减少传统图像数据处理带来的误差。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种骨科脊柱用数据信息处理方法,其特征在于,包括以下步骤:
步骤S1:获取目标生命体的生理体征数据以及病理影像数据,其中生理体征数据包括身体功能数据、痛觉数据、生物标志物数据以及病情历史数据;
步骤S2:对生理体征数据进行数据预处理,从而获得预处理生理数据;
步骤S3,包括:
步骤S31:根据预处理生理数据进行年龄特征提取,从而获得年龄特征数据;
步骤S32:根据病理影像数据进行图像处理,从而获得校正影像图像;
步骤S33:根据校正影像图像通过影像图像降噪计算公式进行降噪计算,从而得到处理影像数据;
步骤S34:根据处理影像数据进行图像分割,从而获得分割影像数据;
步骤S35:构建优化代价算子,并根据优化代价算子对分割影像数据进行边缘提取,从而获得骨骼影像数据;
步骤S36:根据骨骼影像数据进行骨骼特征提取,生成骨骼长度数据、骨骼宽度数据以及骨骼厚度数据;
步骤S37:根据骨骼长度数据、骨骼宽度数据以及骨骼厚度数据进行三维仿真计算,从而获得三维骨骼影像数据;
步骤S38:根据三维骨骼影像数据通过骨骼形态特征提取,从而获得骨骼形态特征数据;
其中影像图像降噪计算公式具体为:
;
为处理影像数据的第/>个像素数据,/>为骨科影像数据的历史误差调整值,/>为校正影像图像中第/>个像素数据的权重系数,/>为校正影像图像中第/>个像素数据,为校正影像图像中第/>个像素数据的权重系数,/>为校正影像图像中第/>个像素数据,/>为基于校正影像图像生成的调整项,/>为历史骨科影像数据中的噪音平均变化率,/>为微分符号,/>为处理影像数据中的骨科像素误差修正项,/>为处理影像数据的灰度值参数调整项,/>为处理影像数据的第/>个像素数据的修正系数;
其中图像分割通过图像分割模型进行分割,其中图像分割模型的构建步骤包括以下步骤:
获取标准处理影像数据以及相应的分割区域信息;
将标准处理影像数据进行矩阵转化,从而生成影像矩阵数据;
根据影像矩阵数据进行标准化处理,从而获得标准矩阵数据;
根据标准矩阵数据进行纹理特征提取以及形状特征提取,从而获得矩阵纹理特征数据以及矩阵形状特征数据;
将矩阵纹理特征数据以及矩阵形状特征数据进行特征组合,从而获得矩阵特征向量数据;
根据矩阵特征向量数据进行降维计算,从而获得降维特征向量数据;
根据降维特征向量数据进行归一化计算,从而获得归一化特征向量数据;
根据归一化特征向量数据通过聚类计算,从而获得分类数据集;
根据分类数据集进行图像重建,获得分类图像数据集;
根据分割区域信息对分类图像数据集进行迭代评估,从而构建图像分割模型;
其中步骤S32具体为:
根据病理影像数据进行历史偏差去噪,从而获得去噪影像数据;
获取标准影像数据,并根据去噪影像数据与标准影像数据,生成对比度调整值;
根据对比度调整值对去噪印象数据进行对比度增强,从而获得增强影像数据;
根据增强影像数据进行图像灰度变化计算,从而获得图像灰度变化数据;
判断图像灰度变化数据是否小于或等于预设的图像灰度变化阈值;
确定图像灰度变化数据小于或等于预设的图像灰度变化阈值时,则根据增强影像数据通过最小代价双三次插值法进行插值计算,从而获得重采样影像数据;
确定图像灰度变化数据大于预设的图像灰度变化阈值时,则根据增强影像数据通过最小代价双线性插值法进行插值计算,从而获得重采样影像数据;
根据重采样影像数据进行光学校正,从而获得校正影像图像;
其中最小代价双三次插值法的步骤包括以下步骤:
根据预设的目标分辨率数据进行影像初始化生成,生成目标影像数据;
根据增强影像数据以及目标影像数据进行像素映射,从而获得映射影像数据;
根据图像灰度变化数据以及增强影像数据生成双三次插值最小化代价函数;
根据双三次插值最小化代价函数对映射影像数据进行数据插值计算,从而获得重采样影像数据;
其中最小代价双线性插值法的步骤包括以下步骤:
根据图像灰度变化数据生成最小代价双线性代价函数;
根据预设的目标分辨率数据,生成目标影像数据;
根据增强影像数据通过最小代价双线性代价函数对目标影像数据进行生成映射计算,从而获得重采样影像数据;
步骤S4:根据年龄特征数据通过年龄骨架基础形变识别模型进行识别,以生成年龄骨架基础形变数据,并通过骨架形态识别模型对骨架形态特征数据进行识别,生成骨架形态数据;
步骤S5:根据年龄骨架基础形变数据以及骨架形态数据生成年龄形态关联信息集,以传输至骨科脊柱用电子设备。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
控制前置摄像头对医疗公共场所进行图像采集,从而获取医疗场所图像数据;
对医疗场所图像数据进行人脸检测计算,从而获取人脸检测指数;
判断人脸检测指数大于或等于预设的存在人脸指数;
确定人脸检测指数大于或等于预设的存在人脸指数时,控制虹膜扫描仪对生命体进行虹膜扫描提取,从而生成虹膜图像数据;
确定人脸检测指数小于预设的存在人脸指数时,则返回至步骤S12;
对虹膜图像数据进行去噪处理,从而生成骨科生命体关联虹膜数据;
根据骨科生命体关联虹膜数据进行虹膜纹理提取,从而生成多维虹膜纹理特征数据,其中多维虹膜纹理特征数据包括虹膜斑点特征数据、虹膜边缘特征数据以及虹膜角点特征数据;
根据多维虹膜纹理特征数据通过虹膜生命体识别模型进行识别,从而获得生命体唯一标识数据;
根据生命体唯一标识数据进行数据关联查询,从而获取目标生命体的生理体征数据;
接收X光设备返回的对特定区域的采样数据,从而获得病理影像数据。
3.根据权利要求2所述的方法,其特征在于,去噪处理通过去噪处理计算公式进行计算处理,其中去噪处理计算公式具体为:
;
为骨科生命体关联虹膜数据,/>为虹膜图像数据中进行去噪后的第/>个图像数据的权重系数,/>为虹膜图像数据中的第/>个图像数据,/>为骨科病理造成的误差调整项,/>为历史影像数据中的噪声变化率,/>为微分符号,/>为根据当前第/>个图像数据与第/>个图像数据生成的平滑调整项,/>为骨科生命体关联虹膜数据的修正系数。
4.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
根据生理体征数据进行数据质量判断,从而获得数据质量报告;
确定数据质量报告为合格数据质量报告时,则将生理体征数据以及病理影像数据确定为预处理生理数据;
确定数据质量报告为存疑数据质量报告时,则根据数据质量报告对生理体征数据进行数据清洗作业,从而生成预处理生理数据;
其中数据清洗作业具体为:
确定数据质量报告为包括数据不一致的数据质量报告时,根据生理体征数据进行数据标准转换,从而获得预处理生理数据;
确定数据质量报告为包括数据异常的数据质量报告时,将生理体征数据中的异常生理体征数据进行数据删除并进行数据增强,从而获取预处理生理数据;
其中数据增强的步骤具体为:
根据生理体征数据进行通过多元线性回归进行成长特性回归计算,从而获得合理数据范围;
根据合理数据范围进行随机生成,生成随机生理数据;
根据随机生理数据进行历史数据拟合,从而获得预处理生理数据。
5.一种骨科脊柱用数据信息处理装置,其特征在于,所述装置包括:
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计算机程序,所述计算机程序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如权利要求1至4中任意一项所述的一种骨科脊柱用数据信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322610.2A CN116052831B (zh) | 2023-03-30 | 2023-03-30 | 骨科脊柱用数据信息处理方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322610.2A CN116052831B (zh) | 2023-03-30 | 2023-03-30 | 骨科脊柱用数据信息处理方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052831A CN116052831A (zh) | 2023-05-02 |
CN116052831B true CN116052831B (zh) | 2023-08-18 |
Family
ID=86129826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310322610.2A Active CN116052831B (zh) | 2023-03-30 | 2023-03-30 | 骨科脊柱用数据信息处理方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052831B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580068B (zh) * | 2023-06-25 | 2023-11-07 | 山东卓业医疗科技有限公司 | 一种基于点云配准的多模态医学配准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358608A (zh) * | 2017-08-23 | 2017-11-17 | 西安邮电大学 | 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法 |
WO2020106393A2 (en) * | 2018-10-23 | 2020-05-28 | Baylor College Of Medicine | Skeletal maturity determination using radiographs of portions of a hand |
CN112862749A (zh) * | 2020-12-29 | 2021-05-28 | 浙江康体汇科技有限公司 | 一种骨龄图像数字化处理后自动识别方法 |
CN113947783A (zh) * | 2021-10-20 | 2022-01-18 | 新疆爱华盈通信息技术有限公司 | 人员骑乘监控管理方法及系统 |
CN114549859A (zh) * | 2022-02-22 | 2022-05-27 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8556983B2 (en) * | 2001-05-25 | 2013-10-15 | Conformis, Inc. | Patient-adapted and improved orthopedic implants, designs and related tools |
-
2023
- 2023-03-30 CN CN202310322610.2A patent/CN116052831B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358608A (zh) * | 2017-08-23 | 2017-11-17 | 西安邮电大学 | 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法 |
WO2020106393A2 (en) * | 2018-10-23 | 2020-05-28 | Baylor College Of Medicine | Skeletal maturity determination using radiographs of portions of a hand |
CN112862749A (zh) * | 2020-12-29 | 2021-05-28 | 浙江康体汇科技有限公司 | 一种骨龄图像数字化处理后自动识别方法 |
CN113947783A (zh) * | 2021-10-20 | 2022-01-18 | 新疆爱华盈通信息技术有限公司 | 人员骑乘监控管理方法及系统 |
CN114549859A (zh) * | 2022-02-22 | 2022-05-27 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于视觉的智能脊柱畸形测量研究方法及临床初探;陈锴;张子凡;陈乾;谭梦婷;杨明园;李明;;中华老年骨科与康复电子杂志(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116052831A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
EP3449421B1 (en) | Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods | |
CN109117864B (zh) | 基于异构特征融合的冠心病风险预测方法、模型及系统 | |
US9480439B2 (en) | Segmentation and fracture detection in CT images | |
US8135199B2 (en) | Method and apparatus of using probabilistic atlas for feature removal/positioning | |
US7792348B2 (en) | Method and apparatus of using probabilistic atlas for cancer detection | |
US20060217925A1 (en) | Methods for entity identification | |
JP2008544766A (ja) | デジタル画像のピクセルまたはボクセルをコーディングするための方法、およびデジタル画像を処理するための方法 | |
CN116052831B (zh) | 骨科脊柱用数据信息处理方法及其装置 | |
CN111275686A (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
CN112651955A (zh) | 一种肠道图像的识别方法及终端设备 | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
CN115661029A (zh) | 基于YOLOv5的肺结节检测与识别系统 | |
CN111918611B (zh) | 胸部x线图像的异常显示控制方法、记录介质及装置 | |
CN111383222A (zh) | 一种基于深度学习的椎间盘mri图像智能诊断系统 | |
Shamsheyeva et al. | The anisotropic Gaussian kernel for SVM classification of HRCT images of the lung | |
CN113592769A (zh) | 异常图像的检测、模型的训练方法、装置、设备及介质 | |
US20230368913A1 (en) | Uncertainty Estimation in Medical Imaging | |
CN115439423A (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN115423779A (zh) | 一种用于小儿骨龄预测的方法 | |
KR20220023841A (ko) | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 | |
CN107958229B (zh) | 一种基于近邻保持低秩表示的人脸识别方法、装置及设备 | |
Gleason et al. | Automatic screening of polycystic kidney disease in x-ray CT images of laboratory mice | |
CN116228915B (zh) | 一种基于区域判断的图像重建方法、系统及设备 | |
CN117496323B (zh) | 基于Transformer的多尺度二阶病理图像分类方法及系统 |
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 |