CN116128940A - 一种肋骨骨折检出假阳性的抑制方法、装置及设备 - Google Patents
一种肋骨骨折检出假阳性的抑制方法、装置及设备 Download PDFInfo
- Publication number
- CN116128940A CN116128940A CN202310076846.2A CN202310076846A CN116128940A CN 116128940 A CN116128940 A CN 116128940A CN 202310076846 A CN202310076846 A CN 202310076846A CN 116128940 A CN116128940 A CN 116128940A
- Authority
- CN
- China
- Prior art keywords
- rib
- point cloud
- focus
- output result
- false positive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 208000027790 Rib fracture Diseases 0.000 title claims abstract description 17
- 230000002401 inhibitory effect Effects 0.000 title claims abstract description 11
- 230000001629 suppression Effects 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 28
- 230000003902 lesion Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 17
- 230000005764 inhibitory process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 208000010392 Bone Fractures Diseases 0.000 description 5
- 206010017076 Fracture Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 206010010356 Congenital anomaly Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000845 cartilage Anatomy 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种肋骨骨折检出假阳性的抑制方法、装置及设备。所述方法包括：以病灶所在肋骨分割结果掩模的点云作为源点云；基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的，能够抑制假阳性检出，提高检测结果的准确性。
Description
技术领域
本说明书涉及医学影像及计算机技术领域，尤其涉及一种肋骨骨折检出假阳性的抑制方法、装置及设备。
背景技术
基于模型检测病灶的方法，一般会存在假阳性的问题，进而会影响病灶检测结果的准确性，因此，抑制假阳性具有必要性及重要性，如何对假阳性进行抑制是一个极大的挑战。
目前，在病灶检测中，抑制假阳性一般采用的方法是：裁剪检出病灶框及其附近的局部区域作为输入，输入到一个新的分类网络，采取多模型融合的方法实现抑制假阳性的目的。但是可能存在先天畸形等情况，使得出现类似病灶的征象等问题。以肋骨为例，由于肋骨本身具有形态差异、部分人本身就存在先天畸形、肋尾与肋软骨连接处本身就存在类似骨折的征象等问题。实践中，医生诊断是病灶还是假阳的时候，会采用对侧组织信息进行判断。而对网络模型而言，检测模型输入的是全局信息，包含对称的信息，但对于分类模型输入的仅为裁剪病灶框的局部信息，不利于医生的诊断，更不利于模型的学习，进而导致假阳性抑制效果差。
基于此，需要一种新的方法。
发明内容
本说明书实施例提供一种肋骨骨折检出假阳性的抑制方法、装置及设备，用于解决以下技术问题：现有的假阳性抑制的策略，不利于医生的诊断，更不利于模型的学习，进而导致假阳性抑制效果差。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种肋骨骨折检出假阳性的抑制方法，包括：
以病灶所在肋骨分割结果掩模的点云作为源点云；
基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
本说明书实施例提供的一种肋骨骨折检出假阳性的抑制装置，包括：
获取模块，以病灶所在肋骨分割结果掩模的点云作为源点云；
配准模块，基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
检测模块，以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
本说明书实施例还提供一种电子设备，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：
以病灶所在肋骨分割结果掩模的点云作为源点云；
基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：以病灶所在肋骨分割结果掩模的点云作为源点云；基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的，能够抑制假阳性检出，提高检测结果的准确性。
附图说明
为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，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为本说明书实施例提供的一种肋骨骨折检出假阳性的抑制方法的示意图；
图2为本说明书实施例提供的肋骨点云的示意图；
图3为本说明书实施例提供的一个配准效果的示意图；
图4为本说明书实施例提供的对称数据的可视化示例图；
图5为本说明书实施例提供的gate模块的架构图；
图6为本说明书实施例提供的假阳性抑制模型的网络架构图；
图7为本说明书实施例提供的一种肋骨骨折检出假阳性的抑制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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例，都应当属于本申请保护的范围。
病灶是指机体上发生病变的部分，例如，骨折也属于病灶的一种。骨折是指骨结构的连续性完全或部分断裂，多见于儿童及老年人，中青年人也时有发生。由于肋骨本身具有形态差异、部分人本身就存在先天畸形、肋尾与肋软骨连接处本身就存在类似骨折的征象等问题，因此对于肋骨中病灶检测中，进行假阳性的抑制具有重要意义。基于此，本说明书实施例提供一种肋骨骨折检出假阳性的方法。
图1为本说明书实施例提供的一种肋骨骨折检出假阳性的抑制方法的示意图。如图1所示，该方法包括如下步骤：
步骤S101：以病灶所在肋骨分割结果掩模的点云作为源点云。
在本说明书实施例中，所述病灶所在的肋骨分割结果为基于CT(ComputedTomography，电子计算机断层扫描影像数据或者DR(数字化X线)影像数据分割出的肋骨区域。肋骨分割结果的获得，可以采用基于分割模型从CT影像数据或者DR影像数据中分割出目标肋骨区域，分割模型采用的是现有技术，在此不再赘述。将病灶所在肋骨分割结果掩模生成点云，作为源点云。
在具体实施例中，是以一个病灶所在的肋骨分割结果掩模的点云作为源点云，进行后续配准等操作。
步骤S103：基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像。
在本说明书实施例中，所述基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像，具体包括：
将对称肋骨的分割结果的掩模进行镜像翻转，生成目标点云；
将所述源点云及所述目标点云进行配准，获得旋转缩放分量和平移分量；
基于所述旋转缩放分量及所述平移分量，对镜像翻转后的对称肋骨图像进行变换，获得配准后的对称肋骨图像。
在本说明书实施例中，源点云与所述目标点云进行配准采用的是ICP点云配准(迭代最近点算法)。为了进一步理解本说明书实施例提供的源点云与所述目标点云进行配准的过程，下面将对ICP点云配准予以详细说明。
ICP点云配准算法根据两幅点云，即源点云S和目标点云T，输出刚性变换R和m(R表示旋转缩放分量，m表示平移分量)，使得源点云S经变换后与目标点云T尽可能的接近。
ICP点云配准算法包括：数据预处理；寻找每个点的最近点，作为匹配对象；对部分点对的权重进行调整；计算损失(Loss)；迭代最小化，得到最优最优变换R和m；跳转到寻找每个点的最近点，作为匹配对象步骤，多次迭代直至收敛。
在ICP点云配准算法中，核心在于得到最优的R和m，具体过程如下：通过任意点si和其对应最近点ti，希望找到刚性变换R和m，使得：
ti＝Rsi+m
为求得最优变换R和m，最小化误差平方和：
令：
为了最小化F(R,m)，首先对m求偏导使其等于0，得：
可得：
进一步定义质心，令
由此可得出：
将求得的m代入到F(R,m)，整理可得：
为简化公式，进一步定义去质心坐标，令：
带入到H(R)，可得到新的最小化目标(即目标函数)为：
根据上式求解R，整理上式可以得到：
由于只有R为变量，继续简化目标函数，可以得到：
令A＝[a1,a2,…,an]，B＝[b1,b2,…,bn]，A和B为3*n维矩阵，分别是源点云和目标点云的矩阵，可以得到：
定义协方差矩阵Q＝ABT，对Q做奇异值分解可以得到：
Q＝UΣVT
因此目标函数转化为：
tr(RUΣVT)＝tr(ΣVTRU)
可以发现，VTRU为正交矩阵，令P＝VTRU，因为正交矩阵中所有元素的绝对值均小于等于1。由此可以得到：
其中，P为d x d维矩阵。因此只有当P为单位矩阵，即pii＝1时，上式取得最大值。因此：
I＝VTRU
可以得到：
R＝VUT
从而获得最优变换R和m。
在具体实施例中，首先利用分割模型从CT影像数据或DR影像数据中分割出肋骨区域。在肋骨中，将单根肋骨按照从上到下的顺序标号，标号为1-24，左侧肋骨为奇数，右侧肋骨为偶数。图2为本说明书实施例提供的肋骨点云的示意图。如前所述，在具体实施例中，是以一个病灶所在的肋骨分割结果掩模的点云作为源点云，进行后续配准等操作。因此，在本说明书的一个实施例中，将病灶检测框所在的肋骨标记为a，根据标号为a的肋骨掩模生成点云A；然后根据标号a对应出对侧肋骨标号b。由于在肋骨标记过程中，左右两侧肋骨的标号是连续的，因此，通过加一或者减一，即可获取对侧肋骨的标号。随后将标号为b的肋骨掩模翻转后生成点云B，将点云A和点云B进行ICP配准。配准得到旋转缩放分量R和平移分量m，然后利用旋转缩放分量R和平移分量m对镜像翻转后的图像(标号b进行翻转后的图像)进行变换，从而使得a与b几乎重合，那么就可以得到对称的肋骨区域。
图3为本说明书实施例提供的一个配准效果的示意图。左侧为配准前的源点云和目标点云，右侧为配准之后的结果。可见，采用本说明书实施例提供的配准方法，显著提高了配准效果。
一般在具体实施例中，在选取病灶检测框时，为了包含更多的边缘信息，提高分类准确率，会在基于检测模型等方法获取的检测框的基础上，向外扩部分像素进行切图，以作为病灶检测框，获得用于进行后续病灶分类的病灶检测框。
为了进一步理解本说明书实施例提供的方法，本说明书实施例将对称数据进行可视化展示。图4为本说明书实施例提供的对称数据的可视化示例图，如图4所示，以CT影像数据为例，左右两个CT块为一组，可以看到，该方法较好的匹配了对侧肋骨，从而能够保证用于病灶分类的CT块是对称的数据块。
步骤S105：以所述病灶所在肋骨图像的病灶检测框及所述病灶配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
ResNet50网络是一种残差网络，该模型是由残差块组成的，共包括50层，其中包括49个卷积层和一个连接层。
在本说明书实施例中，所述预先训练好的假阳性抑制模型，包括：
将含有病灶的肋骨影像块训练样本及含有肋骨的对侧的对称的肋骨影像块训练样本分别输入到ResNet50网络的第一阶段、第二阶段及第三阶段，分别获得第一输出结果及第二输出结果；
基于所述第一输出结果与所述第二输出结果，获得单个特征图；
所述单个特征图经非局部模块后，输入所述ResNet50网络的第四阶段，输出所述含有病灶的肋骨影像块训练样本中的病灶概率。
在本说明书实施例中，所述假阳性抑制模型的第零阶段的通道数为1，所述假阳性抑制模型的第一阶段的通道数为64，所述假阳性抑制模型的第二阶段的通道数为128，所述假阳性抑制模型的第三阶段的通道数256，假阳性抑制模型第四阶段的通道数512。
第零阶段不包含残差块，主要对输入进行卷积、正则化、激活函数、最大池化的计算，相当于是对输入的预处理。第一阶段、第二阶段、第三阶段和第四阶段均包含了残差块，且残差块均有三层卷积。
在本说明书实施例中，所述基于所述第一输出结果与所述第二输出结果，获得单个特征图，具体包括：
基于所述第一输出结果与所述第二输出结果，获得特征图；
将所述特征图与所述第一输出结果按照通道维度进行连接后，输入1×1的卷积层，获得单个特征图。
在本说明书实施例中，所述基于所述第一输出结果与所述第二输出结果，获得特征图，具体包括：
将所述第一输出结果与所述第二输出结果按照通道维度进行连接后，输入gate模块，获得一维向量；
将所述一维向量与所述第二输出结果相乘，获得特征图。
在本说明书实施例中，所述gate模块包括：全局平均池化层、全连接层和激活函数，其中，所述全局平均池化层为2C个通道，所述全连接层为1C个通道，所述激活函数为sigmoid激活函数，所述激活函数为1C个通道。
gate模块的主要作用在于基于第一输出结果与第二输出结果经通道连接后获得的连接结果作为输入，第一输出结果与第二输出结果经通道连接后获得的连接结果经池化、全连接和激活，获得一维向量。
为了进一步理解本说明书实施例提供的gate模块，图5为本说明书实施例提供的gate模块的架构图。在图5中，C代表通道，H代表输入的高度，W代表输入的宽度，D代表输入的深度。
图6为本说明书实施例提供的假阳性抑制模型的网络架构图。在图6中，输入input指的是病灶所在肋骨图像的病灶检测框作为输入，对称输入symmetrical input是指病灶所在肋骨配准后的对称肋骨图像的病灶检测框作为输入，分别输入残差网络的第一阶段、第二阶段和第三阶段后，基于病灶所在肋骨图像的病灶检测框作为输入获得输出结果fa，基于配准后的对称肋骨图像的病灶检测框作为输入获得输出结果fb，fa与fb堆叠(即按照通道维度进行连接concatenate)后，输入到gate模块中，获得一维向量；将一维向量与所述fb相乘，获得特征图。与fa经通道连接后，输入1×1的卷积层，获得单个特征图。单个特征图经(non-local block)非局部模块后，输入残差网络模型的第四阶段，输出含有病灶的肋骨影像块训练样本中的病灶概率，即进行分类(class)。最后，根据预设的阈值，根据所述病灶概率，确定是否存在病灶。若含有病灶的肋骨影像块训练样本中的病灶概率大于等于预设阈值，则认为存在病灶。
本说明书实施例提供的方法，不仅仅可以用于肋骨骨折检出假阳性的抑制，也可以用于其他具有对称结构的组织检出病灶过程中，假阳性的抑制。
采用本说明书实施例提供的方法，能够抑制假阳性检出，提高检测结果的准确性。
本说明书实施例提供了一种肋骨骨折检出假阳性的抑制方法，基于同样的思路，本说明书实施例还提供一种肋骨骨折检出假阳性的抑制装置。图7为本说明书实施例提供的一种肋骨骨折检出假阳性的抑制装置的示意图，如图7所示，该装置包括：
获取模块701，以病灶所在肋骨分割结果掩模的点云作为源点云；
配准模块703，基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
检测模块705，以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
在本说明书实施例中，所述基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像，具体包括：
将对称肋骨的分割结果掩模进行镜像翻转，生成目标点云；
将所述源点云及所述目标点云进行配准，获得旋转缩放分量和平移分量；
基于所述旋转缩放分量及所述平移分量，对镜像翻转后的对称肋骨图像进行变换，获得配准后的对称肋骨图像。
在本说明书实施例中，所述病灶所在的肋骨分割结果为基于CT影像数据或者DR影像数据分割出的肋骨区域。
在本说明书实施例中，所述预先训练好的假阳性抑制模型，包括：
将含有病灶的肋骨影像块训练样本及含有肋骨的对侧的对称的肋骨影像块训练样本分别输入到ResNet50网络的第一阶段、第二阶段及第三阶段，分别获得第一输出结果及第二输出结果；
基于所述第一输出结果与所述第二输出结果，获得单个特征图；
所述单个特征图经非局部模块后，输入所述ResNet50网络的第四阶段，输出所述含有病灶的肋骨影像块训练样本中的病灶概率。
在本说明书实施例中，所述假阳性抑制模型的第零阶段的通道数为1，所述假阳性抑制模型的第一阶段的通道数为64，所述假阳性抑制模型的第二阶段的通道数为128，所述假阳性抑制模型的第三阶段的通道数256，假阳性抑制模型第四阶段的通道数512。
在本说明书实施例中，所述基于所述第一输出结果与所述第二输出结果，获得单个特征图，具体包括：
基于所述第一输出结果与所述第二输出结果，获得特征图；
将所述特征图与所述第一输出结果按照通道维度进行连接后，输入1×1的卷积层，获得单个特征图。
在本说明书实施例中，所述基于所述第一输出结果与所述第二输出结果，获得特征图，具体包括：
将所述第一输出结果与所述第二输出结果按照通道维度进行连接后，输入gate模块，获得一维向量；
将所述一维向量与所述第二输出结果相乘，获得特征图。
在本说明书实施例中，所述gate模块包括：全局平均池化层、全连接层和激活函数，其中，所述全局平均池化层为2C个通道，所述全连接层为1C个通道，所述激活函数为sigmoid激活函数，所述激活函数为1C个通道。
本说明书实施例还提供一种电子设备，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：
以病灶所在肋骨分割结果掩模的点云作为源点云；
基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
在本说明书实施例中，所述基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像，具体包括：
将对称肋骨的分割结果掩模进行镜像翻转，生成目标点云；
将所述源点云及所述目标点云进行配准，获得旋转缩放分量和平移分量；
基于所述旋转缩放分量及所述平移分量，对镜像翻转后的对称肋骨图像进行变换，获得配准后的对称肋骨图像。
在本说明书实施例中，所述病灶所在的肋骨分割结果为基于CT影像数据或者DR影像数据分割出的肋骨区域。
在本说明书实施例中，所述预先训练好的假阳性抑制模型，包括：
将含有病灶的肋骨影像块训练样本及含有肋骨的对侧的对称的肋骨影像块训练样本分别输入到ResNet50网络的第一阶段、第二阶段及第三阶段，分别获得第一输出结果及第二输出结果；
基于所述第一输出结果与所述第二输出结果，获得单个特征图；
所述单个特征图经非局部模块后，输入所述ResNet50网络的第四阶段，输出所述含有病灶的肋骨影像块训练样本中的病灶概率。
在本说明书实施例中，所述假阳性抑制模型的第零阶段的通道数为1，所述假阳性抑制模型的第一阶段的通道数为64，所述假阳性抑制模型的第二阶段的通道数为128，所述假阳性抑制模型的第三阶段的通道数256，假阳性抑制模型第四阶段的通道数512。
在本说明书实施例中，所述基于所述第一输出结果与所述第二输出结果，获得单个特征图，具体包括：
基于所述第一输出结果与所述第二输出结果，获得特征图；
将所述特征图与所述第一输出结果按照通道维度进行连接后，输入1×1的卷积层，获得单个特征图。
在本说明书实施例中，所述基于所述第一输出结果与所述第二输出结果，获得特征图，具体包括：
将所述第一输出结果与所述第二输出结果按照通道维度进行连接后，输入gate模块，获得一维向量；
将所述一维向量与所述第二输出结果相乘，获得特征图。
在本说明书实施例中，所述gate模块包括：全局平均池化层、全连接层和激活函数，其中，所述全局平均池化层为2C个通道，所述全连接层为1C个通道，所述激活函数为sigmoid激活函数，所述激活函数为1C个通道。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据优化设备的处理器以产生一个机器，使得通过计算机或其他可编程数据优化设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据优化设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据优化设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种肋骨骨折检出假阳性的抑制方法，其特征在于，所述方法包括：
以病灶所在肋骨分割结果掩模的点云作为源点云；
基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
2.如权利要求1所述的方法，其特征在于，所述基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像，具体包括：
将对称肋骨的分割结果掩模进行镜像翻转，生成目标点云；
将所述源点云及所述目标点云进行配准，获得旋转缩放分量和平移分量；
基于所述旋转缩放分量及所述平移分量，对镜像翻转后的对称肋骨图像进行变换，获得配准后的对称肋骨图像。
3.如权利要求1所述的方法，其特征在于，所述病灶所在的肋骨分割结果为基于CT影像数据或者DR影像数据分割出的肋骨区域。
4.如权利要求1所述的方法，其特征在于，所述预先训练好的假阳性抑制模型，包括：
将含有病灶的肋骨影像块训练样本及含有肋骨的对侧的对称的肋骨影像块训练样本分别输入到ResNet50网络的第一阶段、第二阶段及第三阶段，分别获得第一输出结果及第二输出结果；
基于所述第一输出结果与所述第二输出结果，获得单个特征图；
所述单个特征图经非局部模块后，输入所述ResNet50网络的第四阶段，输出所述含有病灶的肋骨影像块训练样本中的病灶概率。
5.如权利要求4所述的方法，其特征在于，所述假阳性抑制模型的第零阶段的通道数为1，所述假阳性抑制模型的第一阶段的通道数为64，所述假阳性抑制模型的第二阶段的通道数为128，所述假阳性抑制模型的第三阶段的通道数256，假阳性抑制模型第四阶段的通道数512。
6.如权利要求4所述的方法，其特征在于，所述基于所述第一输出结果与所述第二输出结果，获得单个特征图，具体包括：
基于所述第一输出结果与所述第二输出结果，获得特征图；
将所述特征图与所述第一输出结果按照通道维度进行连接后，输入1×1的卷积层，获得单个特征图。
7.如权利要求6所述的方法，其特征在于，所述基于所述第一输出结果与所述第二输出结果，获得特征图，具体包括：
将所述第一输出结果与所述第二输出结果经按照通道维度进行连接后，输入gate模块，获得一维向量；
将所述一维向量与所述第二输出结果相乘，获得特征图。
8.如权利要求7所述的方法，其特征在于，所述gate模块包括：全局平均池化层、全连接层和激活函数，其中，所述全局平均池化层为2C个通道，所述全连接层为1C个通道，所述激活函数为sigmoid激活函数，所述激活函数为1C个通道。
9.一种肋骨骨折检出假阳性的抑制装置，其特征在于，所述装置包括：
获取模块，以病灶所在肋骨分割结果掩模的点云作为源点云；
配准模块，基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
检测模块，以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
10.一种电子设备，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：
以病灶所在肋骨分割结果掩模的点云作为源点云；
基于对称肋骨的分割结果掩模生成目标点云，将所述源点云与所述目标点云进行配准，获得配准后的对称肋骨图像；
以所述病灶所在肋骨图像的病灶检测框及所述配准后的对称肋骨图像的病灶检测框作为输入，输入至预先训练好的假阳性抑制模型，获得所述病灶所在肋骨上的病灶概率，所述预先训练好的假阳性抑制模型是基于ResNet50获得的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076846.2A CN116128940B (zh) | 2023-01-13 | 2023-01-13 | 一种肋骨骨折检出假阳性的抑制方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076846.2A CN116128940B (zh) | 2023-01-13 | 2023-01-13 | 一种肋骨骨折检出假阳性的抑制方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116128940A true CN116128940A (zh) | 2023-05-16 |
| CN116128940B CN116128940B (zh) | 2023-08-15 |
Family
ID=86311365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310076846.2A Active CN116128940B (zh) | 2023-01-13 | 2023-01-13 | 一种肋骨骨折检出假阳性的抑制方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116128940B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111655160A (zh) * | 2018-01-08 | 2020-09-11 | 利万纳医疗有限责任公司 | 超声图像数据的三维成像和建模 |
| CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
| US20220198230A1 (en) * | 2020-12-17 | 2022-06-23 | Shenzhen Imsight Medical Technology Co., Ltd. | Auxiliary detection method and image recognition method for rib fractures based on deep learning |
| CN115082405A (zh) * | 2022-06-22 | 2022-09-20 | 强联智创（北京）科技有限公司 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
| CN115170510A (zh) * | 2022-07-04 | 2022-10-11 | 北京医准智能科技有限公司 | 一种病灶检测方法、装置、电子设备及可读存储介质 |
| CN115311491A (zh) * | 2022-07-31 | 2022-11-08 | 复旦大学 | 一种基于课程学习及空间注意力的骨折假阳性筛除方法 |
| CN115456990A (zh) * | 2022-09-13 | 2022-12-09 | 北京医准智能科技有限公司 | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 |
-
2023
- 2023-01-13 CN CN202310076846.2A patent/CN116128940B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111655160A (zh) * | 2018-01-08 | 2020-09-11 | 利万纳医疗有限责任公司 | 超声图像数据的三维成像和建模 |
| US20210045715A1 (en) * | 2018-01-08 | 2021-02-18 | Rivanna Medical Llc | Three-dimensional imaging and modeling of ultrasound image data |
| CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
| US20220198230A1 (en) * | 2020-12-17 | 2022-06-23 | Shenzhen Imsight Medical Technology Co., Ltd. | Auxiliary detection method and image recognition method for rib fractures based on deep learning |
| CN115082405A (zh) * | 2022-06-22 | 2022-09-20 | 强联智创（北京）科技有限公司 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
| CN115170510A (zh) * | 2022-07-04 | 2022-10-11 | 北京医准智能科技有限公司 | 一种病灶检测方法、装置、电子设备及可读存储介质 |
| CN115311491A (zh) * | 2022-07-31 | 2022-11-08 | 复旦大学 | 一种基于课程学习及空间注意力的骨折假阳性筛除方法 |
| CN115456990A (zh) * | 2022-09-13 | 2022-12-09 | 北京医准智能科技有限公司 | 一种基于ct图像的肋骨计数方法、装置、设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| IVAN DROKIN等: "Deep Learning on Point Clouds for False Positive Reduction at Nodule Detection in Chest CT Scans", 《HTTP://ARXIV.ORG/ABS/2005.03654》, pages 1 - 13 * |
| LUIS G.SALVADOR-TORRES等: "Lung nodule classification based on deep learning networks and handcraft segmentation", 《TIME IMAGE PROCESSING AND DEEP LEARNING》, pages 1 - 13 * |
| YUNFENG CHEN等: "Classification of lungs infected COVID-19 images based on inception-Resnet", 《COMPUTER METHODS AND PROGRAMS IN BIO-MEDICINE》, pages 1 - 9 * |
| 刘斌;华顺刚;欧宗瑛;赵德伟;王卫明;: "基于断骨模型自动配准的完全性骨折钢板预弯", 光电子.激光, no. 07, pages 130 - 135 * |
| 袁祯祺等: "基于Gate-Resnet-50模型的远程监督关系提取方法", 《中文信息学报》, pages 57 - 63 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116128940B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Automatic vertebra labeling in large-scale 3D CT using deep image-to-image network with message passing and sparsity regularization | |
| Khouloud et al. | W-net and inception residual network for skin lesion segmentation and classification | |
| US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
| Larsson et al. | Robust abdominal organ segmentation using regional convolutional neural networks | |
| EP3093821B1 (en) | Method and system for anatomical object pose detection using marginal space deep neural networks | |
| Yang et al. | Deep image-to-image recurrent network with shape basis learning for automatic vertebra labeling in large-scale 3D CT volumes | |
| US20150238148A1 (en) | Method and system for anatomical object detection using marginal space deep neural networks | |
| Chung et al. | Liver segmentation in abdominal CT images via auto-context neural network and self-supervised contour attention | |
| Matsuzaki et al. | Automated anatomical labeling of abdominal arteries and hepatic portal system extracted from abdominal CT volumes | |
| CN114926700B (zh) | 冠状动脉类别确定方法、装置、电子设备及存储介质 | |
| Kern et al. | 3D bounding box detection in volumetric medical image data: A systematic literature review | |
| CN116128940B (zh) | 一种肋骨骨折检出假阳性的抑制方法、装置及设备 | |
| Yang et al. | RAU-Net: U-Net network based on residual multi-scale fusion and attention skip layer for overall spine segmentation | |
| CN112132777A (zh) | 一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法 | |
| Zhou et al. | Fully automatic dual-guidewire segmentation for coronary bifurcation lesion | |
| CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
| Laves et al. | Deep-learning-based 2.5 D flow field estimation for maximum intensity projections of 4D optical coherence tomography | |
| CN111967365B (zh) | 影像连接点的提取方法和装置 | |
| CN115082405A (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
| Wagner et al. | Guidewire path tracking and segmentation in 2D fluoroscopic time series using device paths from previous frames | |
| CN114446469A (zh) | 一种用于中医面诊辅助诊断的人脸区域分割方法、装置和存储介质 | |
| Karasawa et al. | Pancreas segmentation from 3D abdominal CT images using patient-specific weighted subspatial probabilistic atlases | |
| Al-Eiadeh | Automatic Lung Field Segmentation using Robust Deep Learning Criteria | |
| Ninomiya et al. | Feasibility of anatomical feature points for the estimation of prostate locations in the Bayesian delineation frameworks for prostate cancer radiotherapy | |
| JP7459357B1 (ja) | 画像認識方法、装置、デバイスおよび記憶媒体 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 301, 3rd Floor, Zhizhen Building, No. 7 Zhichun Road, Haidian District, Beijing, 100000 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |