CN116205913A - 眼科超声图像的处理方法、装置、设备以及存储介质 - Google Patents
眼科超声图像的处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116205913A CN116205913A CN202310472839.4A CN202310472839A CN116205913A CN 116205913 A CN116205913 A CN 116205913A CN 202310472839 A CN202310472839 A CN 202310472839A CN 116205913 A CN116205913 A CN 116205913A
- Authority
- CN
- China
- Prior art keywords
- sample
- ophthalmic
- data
- ultrasonic image
- prediction
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims description 85
- 238000000034 method Methods 0.000 title claims description 64
- 238000002604 ultrasonography Methods 0.000 claims description 100
- 230000004927 fusion Effects 0.000 claims description 58
- 238000003062 neural network model Methods 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000003672 processing method Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000002156 mixing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100465000 Mus musculus Prag1 gene Proteins 0.000 description 1
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 208000034698 Vitreous haemorrhage Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 208000000318 vitreous detachment Diseases 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (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
本发明涉及眼科超声图像检测技术领域,特别涉及一种眼科超声图像的处理方法、装置、设备以及存储介质,通过预设的神经网络模型,提取样本眼科超声图像的不同层次的特征信息,进行特征融合,根据获得的融合特征信息,实现了对眼科超声图像的目标区域的检测,提高了检测的精准性以及效率性。
Description
技术领域
本发明涉及眼科超声图像检测技术领域,特别涉及是一种眼科超声图像的处理方法、装置、设备以及存储介质。
背景技术
基于神经网络模型的人工智能方法已在医学图像识别领域发挥着重要作用,例如在眼科医疗领域,对于视网膜脱离、玻璃体积血、玻璃体后脱离相关联的区域的识别、分类具有良好的结果,在眼后节临床辅助检查中具有无法替代的重要作用。
然而,眼科超声图像处理过程中,经常需要人工提取特征,通常呈现低再现性和高差异,准确率较低,无法准确地对相关区域进行识别、分类,难以为医生提供高可信度的辅助诊断信息。
发明内容
基于此,本发明的目的在于,提供一种眼科超声图像的处理方法、装置、设备以及存储介质,通过预设的神经网络模型,提取样本眼科超声图像的不同层次的特征信息,进行特征融合,根据获得的融合特征信息,实现了对眼科超声图像的目标区域的检测,提高了检测的精准性以及效率性。
第一方面,本申请实施例提供了一种眼科超声图像的处理方法,包括以下步骤:
获取样本眼科超声图像集、相应的样本标签集,其中,所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及若干个标签区域的标签数据;
获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块;
将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图;
将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图;
将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据;
根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型;获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
第二方面,本申请实施例提供了一种眼科超声图像的处理装置,包括:
数据获取模块,用于获取样本眼科超声图像集、相应的样本标签集,其中,所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及若干个标签区域的标签数据;
模型获取模块,用于获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块;
特征提取模块,用于将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图;
特征融合模块,用于将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图;
区域预测模块,用于将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据;
模型训练模块,用于根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型;
处理模块,用于获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述眼科超声图像的处理方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的眼科超声图像的处理方法的步骤。
在本申请实施例中,提供一种眼科超声图像的处理方法、装置、设备以及存储介质,通过预设的神经网络模型,提取样本眼科超声图像的不同层次的特征信息,进行特征融合,根据获得的融合特征信息,实现了对眼科超声图像的目标区域的检测,提高了检测的精准性以及效率性。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的眼科超声图像的处理方法的流程示意图;
图2为本申请另一个实施例提供的眼科超声图像的处理方法的流程示意图;
图3为本申请一个实施例提供的眼科超声图像的处理方法中S3的流程示意图;
图4为本申请一个实施例提供的眼科超声图像的处理方法中S5的流程示意图;
图5为本申请又一个实施例提供的眼科超声图像的处理方法中S5的流程示意图;
图6为本申请一个实施例提供的眼科超声图像的处理方法中S6的流程示意图;
图7为本申请一个实施例提供的眼科超声图像的处理装置的结构示意图;
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的眼科超声图像的处理方法的流程示意图,所述方法包括如下步骤:
S1:获取样本眼科超声图像集、相应的样本标签集。
所述眼科超声图像的处理方法的执行主体为眼科超声图像的处理方法的处理设备(以下简称处理设备),在一个可选的实施例中,所述处理设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及相应的标签数据。
在本实施例中,处理设备可以获取用户输入的若干个样本眼科超声图像,也可以通过眼科A/B型超声诊断仪采集人眼后节结构的进行图像采集,获取若干个样本眼科超声图像,构建所述样本眼科超声图像集,并对所述各个样本眼科超声图像中相关区域进行框选,将框选后的相关区域作为各个样本眼科超声图像的标签区域,对各个样本眼科超声图像的标签区域进行类别标签标注以及平面数据的提取,构建各个标签区域的标签数据,获得各个样本眼科超声图像的若干个样本眼科超声图像的若干个标签区域的标签数据;构建样本标签集,其中,所述类别包括正常类别以及非正常类别。
在一个可选的实施例中,处理设备将所述若干个样本眼科超声图像进行脱敏处理,获得脱敏处理后的若干个样本眼科超声图像,以便于人工进行标签标注,获得各个样本眼科超声图像的若干个标签区域,以及相应的标签数据。
请参阅图2,图2为本申请另一个实施例提供的眼科超声图像的处理方法的流程示意图,包括步骤S8,所述步骤S8在步骤S3之前,具体如下:
S8:对所述样本眼科超声图像集中的若干个样本眼科超声图像进行图像增强处理,获取图像增强处理后的样本眼科超声图像集。
在本实施例中,处理设备对所述样本眼科超声图像集中的若干个样本眼科超声图像进行图像增强处理,获取图像增强处理后的样本眼科超声图像集,以图像增强的方式扩大用于训练的样本眼科超声图像集的大小,以增强训练后的模型的泛化性。在一个可选的实施例中,所述图像增强处理包括剪切、旋转、反射、翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等一种或多种组合数据增强变换的方式来增加数据集的大小。
S2:获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块。
所述神经网络模型采用YOLOv5s神经网络模型,YOLOv5s神经网络模型是YOLO系列的第五代目标检测网络,Yolov5s神经网络模型为Yolov5系列中深度最小,特征图的宽度最小的网络,能够针对眼科超声图像的进行准确的目标检测。其中,所述YOLOv5s神经网络模型包括输入端、主干网络(Backbone)、颈部网络(Neck)和输出端(YoloHead)部分,主干网络(Backbone)作为所述特征提取模块,采用CSPDarkNet主干网络。颈部网络(Neck)作为所述特征融合模块,输出端(YoloHead)作为所述区域预测模块。
在一个可选的实施例中,处理设备采用轻量级网络MobileNet系列和GhostNet 网络代替CSPDarkNet主干网络,作为所述特征提取模块,以减少模型参数量,实现 YOLOv5s网络的轻量化。
具体地,MobileNet系列可以采用MobileNetV1网络、MobileNetV2网络或者MobileNetV3网络。
MobileNetV1网络应用深度可分离卷积块,深度可分离卷积块包含3×3深度可分离卷积、1×1卷积、标准化和激活函数ReLU。
MobileNetV2网络应用逆残差结构,逆残差结构包含依次连接的主干部分以及残差边部分,主干部分包括1×1卷积、3×3深度可分离卷积层以及1×1卷积。
MobileNetV3网络应用beck结构,包含依次相连的主干部分以及残差边部分,主干部分包括1×1卷积、3×3深度可分离卷积、注意力机制以及1×1卷积层。
Ghostne网络应用Ghost Bottleneck模块,Ghost Bottleneck模块包含依次相连的主干部分以及残差边部分,主干部分包括1×1卷积以及3×3深度可分离卷积。
S3:将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
在本实施例中,处理设备将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
具体地,当特征提取模块为MobileNetV1网络,处理设备将所述样本眼科超声图像集输入至MobileNetV1网络中,根据预设的步进以及通道数目,应用深度可分离卷积块,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
当特征提取模块为MobileNetV2网络,处理设备将所述样本眼科超声图像集输入至MobileNetV2网络中,根据预设的步进以及通道数目,应用逆残差结构,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
当特征提取模块为MobileNetV3网络,处理设备将所述样本眼科超声图像集输入至MobileNetV3网络中,根据预设的步进以及通道数目,应用beck结构,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
当特征提取模块为Ghostne网络,处理设备将所述样本眼科超声图像集输入至Ghostne网络中,根据预设的步进以及通道数目,应用Ghost Bottleneck模块,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
请参阅图3,图3为本申请一个实施例提供的眼科超声图像的处理方法中S3的流程示意图,包括步骤S31,具体如下:
S31:根据各个所述样本眼科超声图像以及预设的特征提取算法,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
所述特征提取算法为:
式中,为骨干特征图,q为所述特征提取模块的卷积层的层数,m为样本眼科超声图像的高度数据,n为样本眼科超声图像的宽度数据,u为所述特征提取模块的卷积核的高度数据,v为卷积核的宽度数据,/>和j分别为卷积核横向和纵向移动的步数,I为输入样本,K为卷积核,/>为激活函数,/>为卷积核横向移动步数/>和纵向移动步数j后对应的输入样本中的值,/>为第q层卷积层的,高度数据为u,宽度数据为v的卷积核。
在本实施例中,处理设备根据各个所述样本眼科超声图像以及预设的特征提取算法,获得各个所述样本眼科超声图像的若干个通道的骨干特征图。
S4:将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图。
在本实施例中,处理设备将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图。
对于同一个样本眼科超声图像的若干个通道的骨干特征图,处理设备将若干个通道的骨干特征图,作为所述特征融合模块,即Neck结构的两路输入,根据骨干特征图的通道大小,分别对若干个通道的骨干特征图进行相应的采样操作,获得采样操作后的若干个通道的骨干特征图,根据堆叠算法,对两路输入进行堆叠,获得各个所述样本眼科超声图像的若干个通道的融合特征图,其中,所述堆叠算法为:
S5:将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
在本实施例中,处理设备将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
请参阅图4,图4为本申请一个实施例提供的眼科超声图像的处理方法中S5的流程示意图,包括步骤S51~S52,具体如下:
S51:根据各个所述样本眼科超声图像的若干个通道的融合特征图,对各个所述样本眼科超声图像进行网格划分,获得各个所述样本眼科超声图像的网格坐标信息。
在本实施例中,处理设备对各个所述样本眼科超声图像的若干个通道的融合特征图,依次进行网格化预测,利用卷积操作得到指定通道数的卷积特征图,并基于卷积特征图,对各个所述样本眼科超声图像进行网格划分,获得各个所述样本眼科超声图像的网格坐标信息。
S52:根据各个所述样本眼科超声图像的网格坐标信息以及预设的检测器,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
所述标签数据包括平面数据以及分类数据,所述平面数据用于指示预测区域的大小,分类数据用于指示预测区域的类别,所述分类数据包括若干个预设类别的预测概率数据。
处理设备预先设置有检测器,检测器可以为3个,每个检测器中有3个锚框,通常使用 K-means 聚类对训练集的目标框进行聚类得到,计算过程被集成在模型中,在训练不同部分时,自适应不同的锚框进行训练,用于预测时生成检测框。对每个检测框进行回归,得到预测区域的位置和大小。
在本实施例中,处理设备将各个所述样本眼科超声图像的网格坐标信息输入至检测器,根据检测框参数和预设的回归系数计算预测区域的中心和宽高,得到预测结果。将回归系数归一化到(0,1)之间,然后乘以2减去0.5,使值固定在(-0.5,1.5)之间,结合所述网格坐标信息,得到预测区域的中心。将归一化后的回归系数乘以2后取平方,使值固定在(0,4)之间,乘以先验框的宽高,得到预测区域的宽高。
请参阅图5,图5为本申请又一个实施例提供的眼科超声图像的处理方法中S5的流程示意图,还包括步骤S53~S54,具体如下:
S53:根据所述分类数据中若干个预设类别的预测概率数据,将最大预测概率数据的预设类别作为类别极性,根据所述类别极性,分别将各个所述样本眼科超声图像的若干个预测区域进行划分,获得各个所述样本眼科超声图像的若干个类别的预测区域集。
在本实施例中,处理设备根据所述分类数据中若干个预设类别的预测概率数据,将最大预测概率数据的预设类别作为类别极性,根据所述类别极性,分别将各个所述样本眼科超声图像的若干个预测区域进行划分,获得各个所述样本眼科超声图像的若干个类别的预测区域集,其中,所述预测区域集包括若干个预测区域;
S54:采用非极大抑制方法,对各个所述样本眼科超声图像的若干个类别的预测区域集中的若干个预测区域进行剔除,获得剔除后的各个所述样本眼科超声图像的若干个类别的预测区域集。
在本实施例中,处理设备采用非极大抑制方法,对各个所述样本眼科超声图像的若干个类别的预测区域集中的若干个预测区域,按照对应的预测概率数据从高到低进行排序,获得各个所述样本眼科超声图像的若干个类别的降序列表,从各个类别的降序列表分别取得第一个预测区域,将相应的降序列表中剩余的预测区域作为目标预测区域,根据第一个预测区域对应的预测概率数据,以及目标预测区域对应的预测概率数据,逐个计算交并比数据,根据交并比数据以及预设的交并比阈值,当交并比参数大于交并比阈值,剔除该目标预测区域,当交并比数据等于或小于交并比阈值,保留该目标预测区域,重复执行直至降序列表为空。依次筛选各个类别的降序列表,直至遍历完所有的类别,获得剔除后的各个所述样本眼科超声图像的若干个类别的预测区域集。
S6:根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型。
为了保证预测区域的位置大小与目标的匹配度和分类结果与实际结果的准确度,在本实施例中,处理设备将各个所述样本眼科超声图像的若干个预测区域的标签数据与各个标签区域的标签数据进行组合,构建若干个训练数据组,根据若干个训练数据组的预测区域的标签数据以及标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型。
所述平面数据包括高度数据、宽度数据以及中心坐标数据。请参阅图6,图6为本申请一个实施例提供的眼科超声图像的处理方法中S6的流程示意图,包括步骤S61~S63,具体如下:
S61:根据各个所述样本眼科超声图像的若干个预测区域以及若干个标签区域的平面数据,获得预测区域与标签区域的交并比数据、中心点之间的欧式距离数据以及预测区域的最小外接矩形与标签区域的最小外接矩形之间的对角线距离,根据预设的第一损失函数,获得第一损失值。
所述第一损失函数为:
式中,为第一损失值,/>为预测区域与标签区域的交并比数据,b为中心点之间的欧式距离数据,c为预测区域的最小外接矩形与标签区域的最小外接矩形之间的对角线距离,z为长宽比一致性参数,/>为预测区域的宽度数据,/>为预测区域的高度数据,w为标签区域的宽度数据,h为标签区域的高度数据;
在本实施例中,处理设备根据若干个训练数据组的预测区域的标签数据以及标签区域的平面数据中的中心坐标数据,获得若干个训练数据组的中心点之间的欧式距离数据。
交并比数据用于指示预测区域与标签区域的交集与并集之比,处理设备根据若干个训练数据组的预测区域的标签数据以及标签区域的平面数据中的平面数据,获得若干个训练数据组的预测区域的区域范围数据,以及标签区域的区域范围数据,根据若干个训练数据组的预测区域的区域范围数据,以及标签区域的区域范围数据,获得若干个训练数据组的预测区域与标签区域的区域交集范围数据以及区域并集范围数据,进行比例操作,获得若干个训练数据组的预测区域与标签区域的交并比数据。
处理设备根据若干个训练数据组的预测区域的标签数据以及标签区域的平面数据中的平面数据,构建若干个训练数据组的预测区域以及标签区域的最小外接矩形,计算若干个训练数据组的预测区域以及标签区域的最小外接矩形之间的对角线距离。
处理设备根据若干个训练数据组的预测区域与标签区域的交并比数据、中心点之间的欧式距离数据、最小外接矩形之间的对角线距离以及预设的第一损失函数,获得第一损失值。
S62:根据各个所述样本眼科超声图像的若干个预测区域的分类数据以及若干个标签区域的分类数据以及预设的第二损失函数,获得第二损失值。
所述第二损失函数为:
在本实施例中,处理设备根据若干个训练数据组的预测区域、标签区域的分类数据以及预设的第二损失函数,获得第二损失值。
S63:根据所述第一损失值以及第二损失值,对所述神经网络模型进行训练,获得目标神经网络模型。
在本实施例中,处理设备根据所述第一损失值以及第二损失值,对所述神经网络模型进行训练,获得所述目标神经网络模型。
S7:获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
在本实施例中,处理设备获得用户输入的待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据,处理设备根据标签数据,将眼科超声图像进行分类,分成正常类型和异常类型。
请参考图7,图7为本申请一个实施例提供的眼科超声图像的处理装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现眼科超声图像的处理装置的全部或一部分,该装置7包括:
数据获取模块71,用于获取样本眼科超声图像集、相应的样本标签集,其中,所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及若干个标签区域的标签数据;
模型获取模块72,用于获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块;
特征提取模块73,用于将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图;
特征融合模块74,用于将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图;
区域预测模块75,用于将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据;
模型训练模块76,用于根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型;
处理模块77,用于获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
在本申请实施例中,通过数据获取模块,获取样本眼科超声图像集、相应的样本标签集,其中,所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及若干个标签区域的标签数据;通过模型获取模块,获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块;通过特征提取模块,将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图;通过特征融合模块,将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图;通过区域预测模块,将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据;通过模型训练模块,根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型;通过处理模块,获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。通过预设的神经网络模型,提取样本眼科超声图像的不同层次的特征信息,进行特征融合,根据获得的融合特征信息,实现了对眼科超声图像的目标区域的检测,提高了检测的精准性以及效率性。
请参考图8,图8为本申请一个实施例提供的计算机设备的结构示意图,计算机设备8包括:处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83;计算机设备可以存储有多条指令,指令适用于由处理器81加载并执行上述图1至图6所示实施例的方法步骤,具体执行过程可以参见图1至图6所示实施例的具体说明,在此不进行赘述。
其中,处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器82内的指令、程序、代码集或指令集,以及调用存储器82内的数据,执行眼科超声图像的处理装置7的各种功能和处理数据,可选的,处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble LogicArray,PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器81中,单独通过一块芯片进行实现。
其中,存储器82可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图6所示实施例的方法步骤,具体执行过程可以参见图1至图6所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种眼科超声图像的处理方法,其特征在于,包括以下步骤:
获取样本眼科超声图像集、相应的样本标签集,其中,所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及若干个标签区域的标签数据;
获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块;
将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图;
将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图;
将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据;
根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型;
获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
2.根据权利要求1所述的眼科超声图像的处理方法,其特征在于:所述将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图,包括步骤:
根据各个所述样本眼科超声图像以及预设的特征提取算法,获得各个所述样本眼科超声图像的若干个通道的骨干特征图,其中,所述特征提取算法为:
3.根据权利要求1所述的眼科超声图像的处理方法,其特征在于,所述将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据,包括步骤:
根据各个所述样本眼科超声图像的若干个通道的融合特征图,对各个所述样本眼科超声图像进行网格划分,获得各个所述样本眼科超声图像的网格坐标信息;
根据各个所述样本眼科超声图像的网格坐标信息以及预设的检测器,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据,其中,所述标签数据包括平面数据以及分类数据,所述平面数据用于指示预测区域的大小,分类数据用于指示预测区域的类别,所述分类数据包括若干个预设类别的预测概率数据。
4.根据权利要求3所述的眼科超声图像的处理方法,其特征在于,所述将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据,还包括步骤:
根据所述分类数据中若干个预设类别的预测概率数据,将最大预测概率数据的预设类别作为类别极性,根据所述类别极性,分别将各个所述样本眼科超声图像的若干个预测区域进行划分,获得各个所述样本眼科超声图像的若干个类别的预测区域集,其中,所述预测区域集包括若干个预测区域;
采用非极大抑制方法,对各个所述样本眼科超声图像的若干个类别的预测区域集中的若干个预测区域进行剔除,获得剔除后的各个所述样本眼科超声图像的若干个类别的预测区域集。
5.根据权利要求4所述的眼科超声图像的处理方法,其特征在于:所述平面数据包括高度数据、宽度数据以及中心坐标数据。
6.根据权利要求5所述的眼科超声图像的处理方法,其特征在于:所述根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型,包括步骤:
根据各个所述样本眼科超声图像的若干个预测区域以及若干个标签区域的平面数据,获得预测区域与标签区域的交并比数据、中心点之间的欧式距离数据以及预测区域的最小外接矩形与标签区域的最小外接矩形之间的对角线距离,根据预设的第一损失函数,获得第一损失值,其中,所述第一损失函数为:
式中,为第一损失值,/>为预测区域与标签区域的交并比数据,b为中心点之间的欧式距离数据,c为预测区域的最小外接矩形与标签区域的最小外接矩形之间的对角线距离,z为长宽比一致性参数,/>为预测区域的宽度数据,/>为预测区域的高度数据,w为标签区域的宽度数据,h为标签区域的高度数据;
根据各个所述样本眼科超声图像的若干个预测区域的分类数据以及若干个标签区域的分类数据以及预设的第二损失函数,获得第二损失值,其中,所述第二损失函数为:
根据所述第一损失值以及第二损失值,对所述神经网络模型进行训练,获得所述目标神经网络模型。
7.根据权利要求1所述的眼科超声图像的处理方法,其特征在于,所述将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图之前,包括步骤:
对所述样本眼科超声图像集中的若干个样本眼科超声图像进行图像增强处理,获取图像增强处理后的样本眼科超声图像集。
8.一种眼科超声图像的处理装置,其特征在于,包括:
数据获取模块,用于获取样本眼科超声图像集、相应的样本标签集,其中,所述样本眼科超声图像集包括若干个样本眼科超声图像,所述样本标签集包括若干个样本眼科超声图像的若干个标签区域,以及若干个标签区域的标签数据;模型获取模块,用于获得预设的神经网络模型,其中,所述神经网络模型包括特征提取模块、特征融合模块以及区域预测模块;
特征提取模块,用于将所述样本眼科超声图像集输入至所述特征提取模块中,根据预设的步进以及通道数目,对所述样本眼科超声图像集中的若干个样本眼科超声图像进行特征提取,获得各个所述样本眼科超声图像的若干个通道的骨干特征图;
特征融合模块,用于将各个所述样本眼科超声图像的若干个通道的骨干特征图输入至所述特征融合模块中进行特征融合,获得各个所述样本眼科超声图像的若干个通道的融合特征图;
区域预测模块,用于将各个所述样本眼科超声图像的若干个通道的融合特征图输入至所述区域预测模块中,获得各个所述样本眼科超声图像的若干个预测区域以及若干个预测区域的标签数据;
模型训练模块,用于根据各个所述样本眼科超声图像的若干个预测区域的标签数据以及若干个标签区域的标签数据,对所述神经网络模型进行训练,获得目标神经网络模型;
处理模块,用于获得待处理的眼科超声图像,将所述待处理的眼科超声图像输入至所述目标神经网络模型,获得所述待处理的眼科超声图像的若干个预测区域以及若干个预测区域的标签数据。
9.一种计算机设备,其特征在于,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的眼科超声图像的处理方法的步骤。
10.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的眼科超声图像的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310472839.4A CN116205913A (zh) | 2023-04-28 | 2023-04-28 | 眼科超声图像的处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310472839.4A CN116205913A (zh) | 2023-04-28 | 2023-04-28 | 眼科超声图像的处理方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205913A true CN116205913A (zh) | 2023-06-02 |
Family
ID=86507976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310472839.4A Pending CN116205913A (zh) | 2023-04-28 | 2023-04-28 | 眼科超声图像的处理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205913A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399929A (zh) * | 2017-11-01 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置以及计算机可读存储介质 |
CN115631367A (zh) * | 2022-09-30 | 2023-01-20 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
CN115690714A (zh) * | 2022-11-08 | 2023-02-03 | 江南大学 | 一种基于区域聚焦的多尺度道路目标检测方法 |
CN115829999A (zh) * | 2022-12-22 | 2023-03-21 | 国网新疆电力有限公司信息通信公司 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
-
2023
- 2023-04-28 CN CN202310472839.4A patent/CN116205913A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399929A (zh) * | 2017-11-01 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置以及计算机可读存储介质 |
CN115631367A (zh) * | 2022-09-30 | 2023-01-20 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
CN115690714A (zh) * | 2022-11-08 | 2023-02-03 | 江南大学 | 一种基于区域聚焦的多尺度道路目标检测方法 |
CN115829999A (zh) * | 2022-12-22 | 2023-03-21 | 国网新疆电力有限公司信息通信公司 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
ZHANGQI YANG ET AL.: ""A Lightweight Sea Surface Object Detection Network for Unmanned Surface Vehicles"", 《MDPI》, pages 1 - 15 * |
周文安: "《机器学习》", 北京邮电大学出版社, pages: 162 - 166 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
US11734851B2 (en) | Face key point detection method and apparatus, storage medium, and electronic device | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
CN109919230B (zh) | 基于循环特征金字塔的医学图像肺结节检测方法 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN110570350A (zh) | 一种二维卵泡检测方法、装置和超声设备及可读存储介质 | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
JP2023520846A (ja) | 人工知能に基づく画像処理方法、画像処理装置、コンピュータプログラム及びコンピュータ機器 | |
CN108717700B (zh) | 一种检测结节长短径长度的方法及装置 | |
US11669990B2 (en) | Object area measurement method, electronic device and storage medium | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN113963148B (zh) | 对象检测方法、对象检测模型的训练方法及装置 | |
CN113033321A (zh) | 目标行人属性识别模型的训练方法及行人属性识别方法 | |
WO2020234349A1 (en) | Sampling latent variables to generate multiple segmentations of an image | |
CN115272887A (zh) | 基于无人机检测的海岸带垃圾识别方法、装置以及设备 | |
JP2023166444A (ja) | 拡大画像の取得およびストレージ | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
US11636695B2 (en) | Method for synthesizing image based on conditional generative adversarial network and related device | |
CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
CN116704324A (zh) | 基于水下图像的目标检测方法、系统、设备以及存储介质 | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
CN114792300B (zh) | 一种基于多尺度注意力x光断针检测方法 | |
CN116205913A (zh) | 眼科超声图像的处理方法、装置、设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230602 |
|
RJ01 | Rejection of invention patent application after publication |