CN116188816B - 一种基于循环一致性变形图像匹配网络的穴位定位方法 - Google Patents
一种基于循环一致性变形图像匹配网络的穴位定位方法 Download PDFInfo
- Publication number
- CN116188816B CN116188816B CN202211742182.0A CN202211742182A CN116188816B CN 116188816 B CN116188816 B CN 116188816B CN 202211742182 A CN202211742182 A CN 202211742182A CN 116188816 B CN116188816 B CN 116188816B
- Authority
- CN
- China
- Prior art keywords
- image
- matching network
- acupoints
- data set
- substep
- 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
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001467 acupuncture Methods 0.000 claims abstract description 4
- 210000003414 extremity Anatomy 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000001364 upper extremity Anatomy 0.000 claims description 3
- 230000037237 body shape Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于循环一致性变形图像匹配网络的穴位定位方法，涉及图像处理技术领域，包括以下步骤：S1：根据用户所选择的肢体部位和穴位，完成肢体部位的图像拍摄，得到部位图像；S2：将所获取的肢体部位、穴位和部位图像作为循环一致性变形图像匹配网络模型所需输入的数据集；S3：将数据集经过循环一致性变形图像匹配网络进行处理，得到穴位的位置；S4：将穴位的位置呈现在所拍摄的图像上。相比起现有技术中的模板匹配法，本发明方法能够同时考虑人的身体形状和穴位处信息，做到因人而异，适合用户本身特点。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于循环一致性变形图像匹配网络的穴位定位方法。
背景技术
在中医诊疗方法中，取穴是一个重要的环节，是正确诊断和取得疗效的关键。由于穴位的繁多复杂和取穴时全凭经验与感觉，容易造成穴位识别难度大，取穴不准确，可重复性低。因此实现穴位定位的定量化和可视化，有助于广大中医学习者准确获取穴位位置，保证中医的治疗和保健效果。
文献：头颈部危险穴位测量与定位方法研究[D].天津大学,2012.公开了一种头颈部穴位测量与定位系统，能够借助光学仪器，结合图像处理的方法对穴位进行投影。基于模板匹配的穴位定位与跟踪研究[J].科技通报,2011,27(05):666-670.公开了中医按摩机器人，能够基于模板对穴位实现跟踪与定位。人体腧穴定位仪的设计[J].中医研究,2018,31(02):51-54.公开了一种移动端穴位定位软件，将标注完成的穴位图片借助投影设备缩放至人体大小，投影至人体表面，从而完成穴位定位。中国专利(公开号：CN114642586A)公开了一种艾灸理疗智能机器人系统，获取用户的面部图像数据，通过对图像数据进行分割提取融合并利用3D建模单元对人体进行三维建模，根据人体三维图生成穴位立体坐标系。由此可见，现有技术通过得到选取穴位使用模板来对人体图像进行匹配。
然而现有技术中穴位的自动选取存在以下问题：由于不同人的身体形状不尽相同，使用同一套模板对不同人进行匹配具有局限性。基于三维重建获得的模型是一个局部的模型，其穴位坐标点在重投影回人体表面时，面临着精度不佳的可能。
发明内容
为解决上述问题的一个或多个，本发明提出了一种基于循环一致性变形图像匹配网络的穴位定位方法。从人体局部图像出发，同时兼顾图片的全局和局部信息，相比起模板匹配法，能够同时考虑人的身体形状和穴位处信息，做到因人而异，适合用户本身特点。
采集人体真实的部位局部图片，相比起传统的基于人体三维重建的穴位定位方法，在精度上更佳，可以做到像素级别的精确率。
在需求上，无需购入额外的配件仪器进行配合使用，节约成本，方法实现起来方便快捷。
根据本发明的一个方面，提供了一种基于循环一致性变形图像匹配网络的穴位定位方法，包括以下步骤：
S1：用户根据所选择的肢体部位和穴位，完成肢体部位的图像拍摄，得到部位图像；
S2：将所获取的肢体部位、穴位和部位图像作为循环一致性变形图像匹配网络模型所需输入的数据集；
S3：将所述数据集经过循环一致性变形图像匹配网络进行处理，得到穴位的位置；
S4：将穴位的位置呈现在所拍摄的图像上。
在一些实施方式中，所述步骤S2包括：将所获取的部位图像进行基础变换；对数据集进行标签标注；将数据集按照比例划分为训练集和测试集。
在一些实施方式中，所述步骤S3包括以下子步骤：S31：对数据集的数据进行预处理；S32：对预处理后的数据进行特征提取，得到特征图；S33：对所述特征图进行图像块划分，查询图像块之间互为最接近的匹配对；S34：对匹配对的特征进行特征拼接；S35：将拼接完的特征分别经过编码和解码；S36：将解码后的结果通过前馈神经网络输出；S37：计算总损失。
在一些实施方式中，所述子步骤S31包括:将部位图像进行背景分割和重采样至相同尺寸。
在一些实施方式中，所述子步骤S32包括：运用DenseNet特征提取器对预处理后的数据进行特征提取。
在一些实施方式中，所述子步骤S33包括：根据预设的固定图像块的特征描述算子和浮动图像块的特征描述算子，查询得到图像块之间互相最为接近的匹配对。
在一些实施方式中，所述子步骤S34包括：对特征所对应的特征图通道进行合并以实现特征拼接。
在一些实施方式中，所述子步骤S37包括：将均方误差损失和循环一致性损失之和作为最终损失；
所述均方误差损失为浮动图像的对应点与实际标注的对应点之间的误差；所述循环一致性损失为固定图像上的查询点和浮动图像上的对应点之间的误差。两个损失相加作为最终损失，使模型预测更准确。
在一些实施方式中，还包括：重复所述S31至S37的子步骤，直至最终损失低于阈值，循环一致性变形图像匹配网络模型收敛。
根据本发明的另一个方面，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的穴位定位方法的步骤。
附图说明
图1为本发明的基于循环一致性变形图像匹配网络的穴位定位方法的测试流程示意图；
图2为基于循环一致性变形图像匹配网络的穴位定位方法的结构示意图；
图3为本发明的数据输入循环一致性变形图像匹配网络后的流程示意图；
图4为运用本发明方法预测得到的手部穴位图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
图1-4示意性地显示了根据本发明的一种实施方式的基于循环一致性变形图像匹配网络的穴位定位方法。图1示意性地显示了基于循环一致性变形图像匹配网络的穴位定位方法的测试流程示意图。如图1所示，该方法包括以下步骤：
S1：根据用户所选择的肢体部位和穴位，完成肢体部位的完整图像拍摄，得到部位图像；
S2：用户终端将所获取的肢体部位、穴位和部位图像作为循环一致性变形图像匹配网络模型所需输入的数据集；其中，将肢体部位和穴位转换为文字信息储存；
S3：将所述数据集经过循环一致性变形图像匹配网络模型进行处理，得到穴位的位置；其中，数据经过循环一致性变形图像匹配网络模型进行特征提取，将所提取的特征接连经过循环一致性变形图像匹配网络编码和解码；穴位的位置具体可表现为穴位点的坐标；
S4：将穴位的位置呈现在所拍摄的图像上。
上述步骤为在循环一致性变形图像匹配网络模型完成训练的基础上进行的，也就是模型收敛。
用户终端并不局限于电脑端，还可以为手机端和平板端，在此不做具体设置。
具体地，所述步骤S2包括：将所获取的部位图像进行基础变换；对数据集进行标签标注；将数据集按照比例划分为训练集和测试集。
如图2，构建循环一致性变形图像匹配网络模型需先对该模型进行预训练。其中，本实施例中运用数据集对该模型进行预训练。另外再选取健康的正常体型男女各五十人，共一百人作为测试者。对数据集进行标签标注包括：由中医科专业医师对测试者的面部、头部、手掌、上肢、上身、下肢、足部的穴位做准确的穴位位置标记。可选的，由多个中医科专业医师进行标记，最终位置取标记位置的平均值，并贴上反光标记。数据集均选取我国的健康人，具有一定的地域性和代表性。根据最终位置，建立对应位置的穴位真实位置标签。
使用1200万像素的高清相机拍摄，对每个测试者面部、头部、手掌、上肢、上身、下肢、足部不同角度进行拍摄80张图片。将所获取的部位图像进行基础变换，基础变换包括但不限于：光度、角度等。本实施例中，采集在明亮或阴暗环境下等多种情况下测试者各个部位的部位图像并对部位图像进行偏左偏右、旋转十度等基础变换，共十张图片，总计八千张图片作为数据集。例如：晴天室内的光照强度为100至1000lux，阴天室内的光照强度为5至50lux，黄昏时室内的光照强度为10lux。
将数据集按照比例划分为训练集和测试集在本实施例中包括：将100个测试者所对应的部位图像按照九比一的比例进行随机划分，即90个测试者对应的部位图像共7200张作为训练集，10个测试者对应的部位图像共800张作为测试集。测试集用于对循环一致性变形图像匹配网络模型性能进行评价，最后输出评价结果。对于模型性能好坏可以体现在：所预测穴位的正确率。也就是说，该模型所输出的穴位位置是否与真实的穴位位置相同，相同的数量越多，正确率越高，证明该模型性能越好。医师所确定的位置并不是单一一个点，而是一小块区域，与成年人的拇指肚面积相当。本实施例中的判定为定位正确为模型所预测的定位点为直径1厘米的圆以内。
具体地，如图3，步骤S3包括以下子步骤：S30：输入数据集的数据及查询点的坐标；S31：对数据集的数据进行预处理；S32：对预处理后的数据进行特征提取，得到特征图；S33：对所述特征图进行图像块划分，查询图像块之间互为最接近的匹配对；S34：对匹配对的特征进行特征拼接；
S35：将拼接完的特征分别经过编码和解码；S36：将解码后的结果通过多层感知器输出；S37：计算总损失。多层感知机层可将所输入的数据映射到输出的数据。
具体地，所述子步骤S31包括:将部位图像进行背景分割和重采样至相同尺寸。背景分割为将人体部位与非人体部位进行分割，保留完整的人体部位。本实施例中，图像尺寸为256*256。
具体地，所述子步骤S32包括：运用DenseNet特征提取器对固定图像和浮动图像进行特征提取。在图像配准过程中，至少两幅图像通过空间几何变换，使得其中一幅图像与另一幅或其他图像达到空间位置上的对齐以满足应用的需要。在图像配准过程中固定不动的图像块为固定图像块，有所变换的图像块为浮动图像块。在这里以固定图像块及其标注为标准模板，需要在浮动图像块上查找与固定图像块对应的点，并计算两者之间的误差。
具体地，所述子步骤S33包括：对输出的特征图按照预设的步长进行图像块划分，根据预设的固定图像块的特征描述算子和浮动图像块的特征描述算子，查询得到图像块之间互相最为接近的匹配对。特征描述算子是用来描述图像特征的算子。查询得到图像块之间互相最为接近的匹配对为通过查询两者的特征描述算子，找到两个最接近的图像块，这两个图像块就相互匹配上。
具体地，所述子步骤S34包括：对两图像块匹配对特征所对应的特征图通道进行合并以实现特征水平拼接。特征图所对应的实则为矩阵，而特征图通道为矩阵的深度。
具体地，所述子步骤S35包括：将拼接完的特征送入模型的编码器进行位置编码，随后输入模型的解码器进行位置的解码，获得查询点对应位置。
具体地，所述子步骤S36包括：计算固定图像块上查询点和浮动图像块上对应点的循环一致性损失。
具体地，所述子步骤S37包括：将均方误差损失和循环一致性损失之和作为最终损失；
所述均方差误差损失为浮动图像的对应点与实际标注的对应点之间的误差；所述循环一致性损失为固定图像上的查询点和浮动图像上的对应点之间的误差。
重复所述S31至S37的子步骤，直至最终损失低于预设的阈值，循环一致性变形图像匹配网络模型收敛。模型收敛意味着模型已经较为平稳。
一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现前述的穴位定位方法的步骤。
图4为运用本发明方法预测所得到的手部穴位图，穴位分别为合谷、阳溪、阳池、外关、液门。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (2)
1.一种基于循环一致性变形图像匹配网络的穴位定位方法，其特征在于，包括以下步骤：
S1：根据用户所选择的肢体部位和穴位，完成肢体部位的完整图像拍摄，得到部位图像；
S2：用户终端将所获取的肢体部位、穴位和部位图像作为循环一致性变形图像匹配网络模型所需输入的数据集；其中，将肢体部位和穴位转换为文字信息储存；
S3：将所述数据集经过循环一致性变形图像匹配网络模型进行处理，得到穴位的位置；其中，数据经过循环一致性变形图像匹配网络模型进行特征提取，将所提取的特征接连经过循环一致性变形图像匹配网络编码和解码；穴位的位置具体表现为穴位点的坐标；
S4：将穴位的位置呈现在所拍摄的图像上；
所述步骤S2包括：将所获取的部位图像进行基础变换；对数据集进行标签标注；将数据集按照比例划分为训练集和测试集；
其中，对数据集进行标签标注包括：由中医科专业医师对测试者的面部、头部、手掌、上肢、上身、下肢、足部的穴位做准确的穴位位置标记；
所述将数据集按照比例划分为训练集和测试集包括：将100个测试者所对应的部位图像按照九比一的比例进行随机划分，即90个测试者对应的部位图像共7200张作为训练集，10个测试者对应的部位图像共800张作为测试集；
所述步骤S3包括以下子步骤：S30：输入数据集的数据及查询点的坐标；S31：对数据集的数据进行预处理；S32：对预处理后的数据进行特征提取，得到特征图；S33：对所述特征图进行图像块划分，查询图像块之间互为最接近的匹配对；S34：对匹配对的特征进行特征拼接；S35：将拼接完的特征分别经过编码和解码；S36：将解码后的结果通过多层感知器输出；S37：计算总损失；多层感知器将所输入的数据映射到输出的数据；
所述子步骤S31包括：将部位图像进行背景分割和重采样至相同尺寸；背景分割为将人体部位与非人体部位进行分割，保留完整的人体部位；
所述子步骤S32包括：运用DenseNet特征提取器对固定图像和浮动图像进行特征提取；在图像配准过程中，至少两幅图像通过空间几何变换，使得其中一幅图像与另一幅或其他图像达到空间位置上的对齐以满足应用的需要；在图像配准过程中固定不动的图像块为固定图像块，有所变换的图像块为浮动图像块；在这里以固定图像块及其标注为标准模板，需要在浮动图像块上查找与固定图像块对应的点，并计算两者之间的误差；
所述子步骤S33包括：对输出的特征图按照预设的步长进行图像块划分，根据预设的固定图像块的特征描述算子和浮动图像块的特征描述算子，查询得到图像块之间互相最为接近的匹配对；
所述子步骤S34包括：对两图像块匹配对特征所对应的特征图通道进行合并以实现特征水平拼接；特征图所对应的实则为矩阵，而特征图通道为矩阵的深度；
所述子步骤S35包括：将拼接完的特征送入模型的编码器进行位置编码，随后输入模型的解码器进行位置的解码，获得查询点对应位置；
所述子步骤S36包括：计算固定图像块上查询点和浮动图像块上对应点的循环一致性损失；
所述子步骤S37包括：将均方误差损失和循环一致性损失之和作为最终损失；所述均方误差损失为浮动图像的对应点与实际标注的对应点之间的误差；所述循环一致性损失为固定图像上的查询点和浮动图像上的对应点之间的误差；
重复所述S31至S37的子步骤，直至最终损失低于预设的阈值，循环一致性变形图像匹配网络模型收敛。
2.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的穴位定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211742182.0A CN116188816B (zh) | 2022-12-29 | 2022-12-29 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211742182.0A CN116188816B (zh) | 2022-12-29 | 2022-12-29 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116188816A CN116188816A (zh) | 2023-05-30 |
| CN116188816B true CN116188816B (zh) | 2024-05-28 |
Family
ID=86435810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211742182.0A Active CN116188816B (zh) | 2022-12-29 | 2022-12-29 | 一种基于循环一致性变形图像匹配网络的穴位定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116188816B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021919A (zh) * | 2016-10-28 | 2018-05-11 | 夏普株式会社 | 穴位定位的图像处理装置和图像处理方法 |
| CN113344991A (zh) * | 2021-05-17 | 2021-09-03 | 山东师范大学 | 基于深度学习的无监督医学图像配准方法及系统 |
| CN113537057A (zh) * | 2021-07-14 | 2021-10-22 | 山西中医药大学 | 一种基于改进CycleGAN的面部穴位自动定位检测系统及方法 |
| WO2021238171A1 (zh) * | 2020-05-29 | 2021-12-02 | 上海商汤智能科技有限公司 | 图像配准方法及其相关的模型训练方法、设备、装置 |
| KR20220003950A (ko) * | 2020-07-02 | 2022-01-11 | 한국과학기술원 | 사이클 일관성을 가진 뉴럴 네트워크를 이용한 비지도 학습 기반 영상 정합 방법 및 그 장치 |
| CN114022554A (zh) * | 2021-11-03 | 2022-02-08 | 北华航天工业学院 | 一种基于yolo的按摩机器人穴位检测与定位方法 |
| CN114066954A (zh) * | 2021-11-23 | 2022-02-18 | 广东工业大学 | 一种用于多模态图像的特征提取配准方法 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN114642586A (zh) * | 2022-03-17 | 2022-06-21 | 苏州佳艾智能科技有限公司 | 一种艾灸理疗智能机器人系统及其操作方法 |
| CN115082293A (zh) * | 2022-06-10 | 2022-09-20 | 南京理工大学 | 一种基于Swin Transformer和CNN双分支耦合的图像配准方法 |
| WO2022199143A1 (zh) * | 2021-03-26 | 2022-09-29 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN115170622A (zh) * | 2022-05-11 | 2022-10-11 | 复旦大学 | 基于transformer的医学图像配准方法及系统 |
| WO2022257408A1 (zh) * | 2021-06-10 | 2022-12-15 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
-
2022
- 2022-12-29 CN CN202211742182.0A patent/CN116188816B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021919A (zh) * | 2016-10-28 | 2018-05-11 | 夏普株式会社 | 穴位定位的图像处理装置和图像处理方法 |
| WO2021238171A1 (zh) * | 2020-05-29 | 2021-12-02 | 上海商汤智能科技有限公司 | 图像配准方法及其相关的模型训练方法、设备、装置 |
| KR20220003950A (ko) * | 2020-07-02 | 2022-01-11 | 한국과학기술원 | 사이클 일관성을 가진 뉴럴 네트워크를 이용한 비지도 학습 기반 영상 정합 방법 및 그 장치 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| WO2022199143A1 (zh) * | 2021-03-26 | 2022-09-29 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113344991A (zh) * | 2021-05-17 | 2021-09-03 | 山东师范大学 | 基于深度学习的无监督医学图像配准方法及系统 |
| WO2022257408A1 (zh) * | 2021-06-10 | 2022-12-15 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN113537057A (zh) * | 2021-07-14 | 2021-10-22 | 山西中医药大学 | 一种基于改进CycleGAN的面部穴位自动定位检测系统及方法 |
| CN114022554A (zh) * | 2021-11-03 | 2022-02-08 | 北华航天工业学院 | 一种基于yolo的按摩机器人穴位检测与定位方法 |
| CN114066954A (zh) * | 2021-11-23 | 2022-02-18 | 广东工业大学 | 一种用于多模态图像的特征提取配准方法 |
| CN114642586A (zh) * | 2022-03-17 | 2022-06-21 | 苏州佳艾智能科技有限公司 | 一种艾灸理疗智能机器人系统及其操作方法 |
| CN115170622A (zh) * | 2022-05-11 | 2022-10-11 | 复旦大学 | 基于transformer的医学图像配准方法及系统 |
| CN115082293A (zh) * | 2022-06-10 | 2022-09-20 | 南京理工大学 | 一种基于Swin Transformer和CNN双分支耦合的图像配准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116188816A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7804998B2 (en) | Markerless motion capture system | |
| US10607420B2 (en) | Methods of using an imaging apparatus in augmented reality, in medical imaging and nonmedical imaging | |
| CN109091380A (zh) | 以ar技术实现穴道视觉化的中医系统及其方法 | |
| CN110074788B (zh) | 一种基于机器学习的身体数据获取方法和装置 | |
| CN113362452B (zh) | 一种手部姿态三维重建方法、装置及存储介质 | |
| CN110021445A (zh) | 一种基于vr模型的医疗系统 | |
| CN113435236A (zh) | 居家老人姿态检测方法、系统、存储介质、设备及应用 | |
| CN113662573B (zh) | 乳腺病灶定位方法、装置、计算机设备和存储介质 | |
| CN118092661A (zh) | 一种融合多观测角度眼部图像特征的注视估计装置及方法 | |
| CN107993720A (zh) | 基于深度相机和虚拟现实技术的康复功能评定装置及方法 | |
| Berkley et al. | Creating fast finite element models from medical images | |
| KR102146719B1 (ko) | 가상현실 기반의 정형외과 시뮬레이터의 수술 평가 시스템 | |
| CN116188816B (zh) | 一种基于循环一致性变形图像匹配网络的穴位定位方法 | |
| CN117253014A (zh) | 经络腧穴混合现实交互方法及系统 | |
| CN112221080A (zh) | 一种基于混合现实技术的肢体康复训练系统及其使用方法 | |
| CN116563923A (zh) | 基于rgbd的面部穴位定位方法、数字孪生系统及装置 | |
| CN115105062B (zh) | 髋膝关节协调性评估方法、装置、系统和存储介质 | |
| CN112991437B (zh) | 基于图像展缩技术的全自动穴位定位方法 | |
| Harari et al. | A computer-based method for the assessment of body-image distortions in anorexia-nervosa patients | |
| TWI644285B (zh) | Acupuncture visualization Chinese medicine system and method thereof by using AR technology | |
| CN114067422A (zh) | 一种用于辅助驾驶的视线检测方法、装置及存储介质 | |
| TWI629662B (zh) | Method for realizing acupoint visualization by AR technology | |
| CN111523506A (zh) | 人工智能伤口评估综合管理系统 | |
| Bernardino et al. | Bio-measurements estimation and support in knee recovery through machine learning | |
| CN113781453B (zh) | 一种基于x线片的脊柱侧凸进展预测及方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |