CN116934709B - 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 - Google Patents
一种基于弱监督学习的脊柱滑脱智能识别方法及装置 Download PDFInfo
- Publication number
- CN116934709B CN116934709B CN202310899245.1A CN202310899245A CN116934709B CN 116934709 B CN116934709 B CN 116934709B CN 202310899245 A CN202310899245 A CN 202310899245A CN 116934709 B CN116934709 B CN 116934709B
- Authority
- CN
- China
- Prior art keywords
- sample image
- classification
- image
- feature extraction
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000605 extraction Methods 0.000 claims abstract description 82
- 238000010586 diagram Methods 0.000 claims abstract description 75
- 208000007103 Spondylolisthesis Diseases 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004040 coloring Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/764—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
- G06V10/82—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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于弱监督学习的脊柱滑脱智能识别方法及装置,所述方法包括:将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;根据所述热力图中的数值字段,确定预设数量的热力锚框;将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;第一样本图像具有标注的弱监督信号。本申请中,通过设置特征提取单元和二分类单元,将脊柱滑脱的位置识别转换为二分类判断,从而仅需二分类的监督信号即弱监督信号即可完成训练,无需标注脊柱滑脱的位置这种强监督信号,避免了强监督信号标注成本过高无法大批量标注进行训练的后果。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种基于弱监督学习的脊柱滑脱智能识别方法及装置。
背景技术
脊柱滑脱通常指某节椎体向前或向后移位,常见于腰椎,在我国脊柱滑脱是骨科常见病之一。目前对于脊柱滑脱的发现方式主要是依靠X光的形式实现,即患者通过拍摄X光片,并由影像科医生进行阅片找出脊柱的滑脱位置。但是随着骨科患者数量的增长,以及影像科医生的缺乏,导致脊柱滑脱的人工识别方式越来越难以满足需求。
目前越来越多的研究者开始使用深度学习的方法进行脊柱滑脱的识别,但是深度学习的过程中需要精确标注滑脱位置的训练样本。这种训练样本的数据标注的成本太高,深度学习过程中很难获得足够数量的该标注的训练样本。
发明内容
本申请解决的问题是当前深度学习过程中很难获取足够数量的精确标注滑脱位置的训练样本。
为解决上述问题,本申请第一方面提供了一种基于弱监督学习的脊柱滑脱智能识别方法,包括:
将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号。
本申请第二方面提供了一种基于弱监督学习的脊柱滑脱智能识别装置,其包括:
卷积模块,其用于将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
锚框确定模块,其用于根据所述热力图中的数值字段,确定预设数量的热力锚框;
锚框分类模块,其用于将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
位置确定模块,其用于基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号。
本申请第三方面提供了一种电子设备,其包括:存储器和处理器;
所述存储器,其用于存储程序;
所述处理器,耦合至所述存储器,用于执行所述程序,以用于:
将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号。
本申请第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述所述的基于弱监督学习的脊柱滑脱智能识别方法。
本申请中,通过设置特征提取单元和二分类单元,将脊柱滑脱的位置识别转换为二分类判断,从而仅需二分类的监督信号即弱监督信号即可完成训练,无需标注脊柱滑脱的位置这种强监督信号,避免了强监督信号标注成本过高无法大批量标注进行训练的后果。
本申请中,通过相互结合的特征提取单元和二分类单元,实现脊柱滑脱的端到端的训练和推理,与分阶段、分模块的训练和推理相比较,降低了训练和推理的复杂度,同时降低了训练和推理的时间。
本申请中,通过将分类算法应用到脊柱滑脱的位置识别领域,将脊柱滑脱的位置识别转换为热力锚框的二分类,从而将复杂的图像分割转换为简洁的二分类判断问题,不仅大大降低了计算资源,且利用热力锚框的二分类与弱监督信号的对应性,巧妙解决了脊柱滑脱的位置识别需要强监督信号的问题。
附图说明
图1为根据本申请实施例的脊柱滑脱智能识别方法的流程图;
图2为根据本申请实施例的脊柱滑脱智能识别方法的模型架构图;
图3为根据本申请实施例的脊柱滑脱智能识别方法模型训练的流程图;
图4为根据本申请实施例的脊柱滑脱智能识别方法二分类结果判断的流程图;
图5为根据本申请实施例的脊柱滑脱智能识别方法热力锚框确定的流程图;
图6为根据本申请实施例的脊柱滑脱智能识别方法卷积模块的架构图;
图7为根据本申请实施例的脊柱滑脱智能识别装置的结构框图;
图8为根据本申请实施例的电子设备的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更为明显易懂,下面结合附图对本申请的具体实施例做详细的说明。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
针对上述问题,本申请提供一种新的基于弱监督学习的脊柱滑脱智能识别方案,能够通过弱监督样本进行脊柱滑脱的深度学习,解决当前深度学习过程中很难获取足够数量的精确标注滑脱位置的训练样本的问题。
为了便于理解,在此对下述可能使用的术语进行解释:
端到端学习:(End-To-End Learning),也称端到端训练,是指在学习过程中不进行分模块或分阶段训练,直接优化任务的总体目标。
ROC:受试者工作特征曲线(Receiver Operating Characteristic Curve,简称ROC曲线),曲线由两个变量假阳性率和真阳性率绘制。
TPR:真阳性率(True Positive Rate),也叫召回率,是指正类样本中,有多少被正确预测为正类。
FPR:假阳性率(False Positive Rate),是指负类样本中,有多少被错误预测为正类。
本申请实施例提供了一种基于弱监督学习的脊柱滑脱智能识别方法,该方法的具体方案由图1-图8所示,该方法可以由基于弱监督学习的脊柱滑脱智能识别装置来执行,该基于弱监督学习的脊柱滑脱智能识别装置可以集成在电脑、服务器、计算机、服务器集群、数据中心等电子设备中。结合图1、图2所示,其为根据本申请一个实施例的基于弱监督学习的脊柱滑脱智能识别方法的流程图;其中,所述基于弱监督学习的脊柱滑脱智能识别方法,包括:
S200,将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
本申请中,所述待识别图像为包含脊柱的医学图像,基于该医学图像可以判断出脊柱状态/脊柱滑脱位置。医学图像例如包括:X线片、电子计算机断层扫描(ComputedTomography,CT)图像、磁共振(Magnetic Resonance Imaging,MRI)图像,或者上述多个图像的合成图像等。
S300,根据所述热力图中的数值字段,确定预设数量的热力锚框;
S400,将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
S500,基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号。
本申请中,实际执行过程中,特征提取单元与二分类单元的训练过程是互相关联的,因此可以同步进行。
本申请中,对所述特征提取单元和二分类单元是进行同步训练,即是将所述特征提取单元和所述二分类单元作为一个整体模型进行训练以及推理。
需要说明的是,特征提取单元的输出热力图需要确定热力锚框后再输入二分类单元,为了将特征提取单元和二分类单元作为一个整体模型,可以将确定热力图中的热力锚框设置为预设程序,从而将特征提取单元和二分类单元结合为一体。
本申请中,所述弱监督信号为(标注的)所述二分类结果信号,与脊柱滑脱位置的强监督信号相比,弱监督信号仅需要确认第一样本图像中是否具有脊柱滑脱即可,大大降低样本标注的成本。
本申请中,通过设置特征提取单元和二分类单元,将脊柱滑脱的位置识别转换为二分类判断,从而仅需二分类的监督信号即弱监督信号即可完成训练,无需标注脊柱滑脱的位置这种强监督信号,避免了强监督信号标注成本过高无法大批量标注进行训练的后果。
本申请中,通过相互结合的特征提取单元和二分类单元,实现脊柱滑脱的端到端的训练和推理,与分阶段、分模块的训练和推理相比较,降低了训练和推理的复杂度,同时降低了训练和推理的时间。
本申请中,通过将分类算法应用到脊柱滑脱的位置识别领域,将脊柱滑脱的位置识别转换为热力锚框的二分类,从而将复杂的图像分割转换为简洁的二分类判断问题,不仅大大降低了计算资源,且利用热力锚框的二分类与弱监督信号的对应性,巧妙解决了脊柱滑脱的位置识别需要强监督信号的问题。
本申请中,将脊柱滑脱的位置识别转换为热力锚框的分类问题,利用分类时的计算量小、速度快且存储资源低的特点,大大降低整个脊柱滑脱识别过程的资源占用。
本申请中,二分类单元的具体结构可以根据实际情况确定,本申请中不再赘述。
结合图3所示,在一种实施方式中,所述S200,将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图之前,还包括:
S101,获取第一样本图像,所述第一样本图像具有标注的赋值信息,所述赋值信息用于指示所述第一样本图像中是否存在脊柱滑脱;
本申请中,待识别图像、第一样本图像用于指示任意对象的脊柱部位,其中,对象用于指示患者。
需要说明的是,为了提高特征提取单元和二分类单元的训练效果,所述第一样本图像需要覆盖可能的医学图像。
在一种实施方式中,所述第一样本图像至少包括:X线片的前后位片、侧位片及斜位片、动力性X线片、CT扫描片、MRI及脊髓造影片。通过全范围覆盖的第一样本图像,提高特征提取单元和二分类单元的训练效果。
在一种实施方式中,基于特定种类(X线片、CT扫描片、MRI或脊髓造影片)的第一样本图像训练得到对应的特征提取单元和二分类单元,提高特定种类的特征提取单元和二分类单元的准确度。
本申请中,所述赋值信息可以为1或0,通过1指示正类,通过0指示负类。
S102,将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图;
本申请中,第一样本图像输入依次连接的多个特征提取单元,可以为第一样本图像输入第一个特征提取单元后,第一个特征提取单元的输出作为第二个特征提取单元的输入,依次执行,直至最后一个特征提取单元的输出作为热力图。
本申请中,所述热力图为平滑的热力图,可以通过3个数值字段指示具体细节(2个数值字段分别确定x、y轴,可以称为坐标字段,1个数值字段确定着色)。需要说明的是,本申请中下述的“数值字段”实质上为用于确定着色的数值字段,而非坐标字段。
本申请中,通过热力图的“空间利用率”,容纳数据间的关系,从而便于找出热力图中的极大值。
S103,根据所述热力图中的数值字段,确定预设数量的热力锚框;
本申请中,基于数值字段可以确定多个热力锚框,仅保留预设数量的热力锚框,从而在保持训练速度的前提下,减少训练占用的资源量。
S104,将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果和对应的置信度;
本步骤中,输入二分类单元的热力锚框为所述预设数量的热力锚框。
S105,选取最大的置信度,并基于该置信度对应的二分类结果和标注的赋值信息确定所述特征提取单元和所述二分类单元的整体损失;
本申请中,热力锚框具有一个二分类结果和一个置信度;对所有(预设数量的)热力锚框的置信度进行比对,选取最大的置信度,该最大的置信度对应的二分类结果即为对第一样本图像预测的二分类结果。
S106,根据所述整体损失同步迭代所述特征提取单元和所述二分类单元,直至所述整体损失收敛为止。
本申请中,通过特征提取单元得到热力图,进而通过热力图得到多个热力锚框,从而将脊柱滑脱位置的识别转换为热力锚框的二分类问题,一方面降低了模型训练对监督信号的要求,另一方面也降低了模型训练中需要占用的资源量。
在一种实施方式中,在存在脊柱滑脱的情况下,所述第一样本图像中仅存在一个脊柱滑脱位置。
需要说明的是,弱监督信号的赋值信息仅能指示第一样本图像中是否存在脊柱滑脱,并不能指示脊柱滑脱的数量;若第一样本图像中存在超出一个脊柱滑脱位置,则可能对训练产生反向误导,影响训练效果。
本申请中,通过将存在脊柱滑脱的第一样本图像中的滑脱位置约束为一个,从而加强了脊柱滑脱位置与赋值信息的对应性,以保证从脊柱滑脱位置的识别到二分类问题的顺利转换。
在一种实施方式中,所述整体损失的计算公式为:
其中,i为第一样本图像的序号,n为第一样本图像的总数,yi为赋值信息,pi为第一样本图像预测为存在脊柱滑脱的概率。
本申请中,第一样本图像存在脊柱滑脱/正类,赋值信息为1,不存在脊柱滑脱/负类,赋值信息为0。
结合图4所示,在一种实施方式中,所述二分类结果具有对应的置信度;所述S500,基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置,包括:
S501,获取置信度阈值;
需要说明的是,置信度阈值与二分类结果的准确性相关联,所述置信度阈值可以为预设的数值,在实际使用过程中读取即可。
在一种实施方式中,所述置信度阈值基于ROC曲线确定。
其中,ROC曲线反映了置信度阈值与TPR、FPR的相互关系,阈值越小,对应的TPR/FPR越大。其中,ROC曲线具体获取方式可以为:设定一个置信度阈值之后,计算出该置信度阈值对应的TPR和FPR,作为ROC曲线上的一个点;设定多个置信度阈值之后,得到ROC曲线上的多个点,进而连成ROC曲线。
通过ROC曲线直观获取TPR和FPR的对应关系,从而选取适合的置信度阈值。
S502,在所述二分类结果对应的置信度大于所述置信度阈值的情况下,将该二分类结果作为脊柱滑脱位置之一;
S503,在所有二分类结果对应的置信度均小于所述置信度阈值的情况下,确定所述待识别图像中不存在脊柱滑脱。
需要说明的是,本申请中,所述二分类结果对应的置信度为正类的置信度,也即是所述二分类结果为脊柱滑脱的置信度;不同的二分类结果输出的表达方式不同,但其正类的置信度均一致。其中,二分类结果直接输出一个概率值,则该概率值为热力锚框属于正类的概率,该概率值即为对应的置信度。
实际执行过程中,一个待识别图像对应有预设数量的热力锚框,每个热力锚框对应有一个二分类结果和置信度;若置信度大于置信度阈值,则该热力锚框即为脊柱滑脱位置;若置信度小于置信度阈值,则该热力锚框即为非脊柱滑脱位置;遍历所有的热力锚框的二分类结果,统计所有的脊柱滑脱位置或确定待识别图像中不存在脊柱滑脱。
需要说明的是,若热力图与待识别图像尺寸不同,则可以基于待识别图像与热力图的对应关系建立映射方式,基于该映射方式可以确定热力锚框映射到待识别图像的具体位置,此时可以根据判断为正类(大于置信度阈值)的热力锚框,确定其映射在待识别图像的位置为脊柱滑脱位置。
结合图5所示,在一种实施方式中,所述S300,根据所述热力图中的数值字段,确定预设数量的热力锚框,包括:
S301,基于所述热力图的数值字段分布规律选取数值字段中的极大值字段;
本步骤中,所述数值字段为热力图中三个字段(两个坐标字段一个数值字段)中的数值字段,以指示着色。
本申请中,数值字段中的极大值字段,是指在一定范围内的数值字段的最大值。其具体确定方式可以为:如果非边界的数值字段大于相邻的上下左右四个数值字段,则该数值字段为极大值字段。
S302,以所述极大值字段为中心确定该极大值字段对应的热力锚框;
需要说明的是,热力锚框的大小为预设的,本申请中,所述热力锚框的大小相同。
根据预设的热力锚框的大小,以极大值字段为中心,得到对应的热力锚框。
S303,对极大值字段进行排序,并按照排序顺序选取预设数量的热力锚框。
本申请中,可以先基于极大值字段生成热力锚框后,再保留前K个位置的热力锚框,也可以先保留前K个位置的极大值字段,然后再基于保留的极大值字段生成对应的K个热力锚框。
本申请中,通过热力图中的极大值来识别热力图中的特异部分,进而通过热力锚框的形式圈定可能的脊柱滑脱部分进行二分类判断。
在一种实施方式中,将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图,还可以为:将第一样本图像输入依次连接的多个特征提取单元,每个特征提取单元在进行信息传输的基础上,还额外输出一热力图,最后将所有特征提取单元输出的热力图进行合并,得到第一样本图像的热力图。
本申请中,通过多个特征提取单元输出的热力图合并得到整体的热力图,从而在最终确定的热力图中叠加提取的多个层次(浅层和深层)的特征,提高特征的丰富性以及特征与脊柱滑脱的对应性。
结合图2所示,在一种实施方式中,所述特征提取单元包括重塑层、第一卷积模块、第二卷积模块和第三卷积模块;
所述重塑层的输出信息分别作为第一卷积模块和第二卷积模块的输入信息;
所述第一卷积模块的输出信息与所述第二卷积模块的输出信息合并,合并后的所述输出信息作为第三卷积模块的输入信息;
所述第三卷积模块的输出信息作为所述特征提取单元的输出信息。
需要说明的是,本申请中的输入信息、输出信息,指示的是输入模块/单元/层的数据和模块/单元/层输出的数据,该数据在本申请中具体形式可以基于实际情况表现为第一样本图像、特征提取信息、热力图等等形式,具体表现形式本申请中不再赘述。
实际执行过程中,重塑层用以改变输入第一卷积模块、第二卷积模块的图像数据的维度和通道数;第一/二/三卷积模块用以提取图像数据的图像特征;其中,在训练时,输入重塑层的图像数据为第一样本图像,在预测时,输入重塑层的图像数据为待识别图像。
本申请中,所述重塑层可以为Linear Embedding层,以将输入向量的维度转换成预设的维度值,也可以为Reshape层,用于将指定的矩阵变换成特定维数的矩阵,且矩阵中元素个数不变,其可以重新调整矩阵的行数、列数、维数。
本申请中,可以使用Reshape层调整输入向量的通道数,以将输入向量的通道数转换成预设的通道数
本申请中,通过设置多个卷积模块,增加对图像特征的深度提取,以获取与脊柱滑脱信息相关性更高的特征。
本申请中,其具体处理过程为:
将所述第一样本图像(针对第一样本图像输入的特征提取单元)输入重塑层,得到重塑后的图像数据;
将重塑后的图像数据输入第一卷积模块,得到第一卷积模块输出的特征提取信息;
将重塑后的图像数据输入第二卷积模块,得到第二卷积模块输出的特征提取信息;
将第一卷积模块输出的特征提取信息和第二卷积模块输出的特征提取信息合并后输入第三卷积模块,得到第三卷积模块输出的特征提取信息,作为整个特征提取单元输出的特征提取信息。
本申请中,卷积模块的“串联”、“并联”仅是用于阐述卷积模块之间的数据传输方式,并不具有额外的限定含义。
本申请中,通过将卷积模块进行“并联”,从而在类似深度的特征提取过程中增加类似深度的特征的多角度特征,从而增加热力图与脊柱滑脱的关联性,提高训练效果和准确性。
在一种实施方式中,所述第一卷积模块、第二卷积模块和第三卷积模块后还设置的为3×3MAXPool层,以保留主要的特征同时减少参数和计算量,防止过拟合,提高模型泛化能力,且增强图像在偏移、旋转方面的鲁棒性。
结合图6所示,在一种实施方式中,所述卷积模块包括多条并行卷积路径,多条并行卷积路径的输出合并后与输入进行残差连接,并将残差连接后的输出通过并行的两条降维路径降维后进行合并。
具体地,多条并行卷积路径为四条并行路径:第一条并行路径为1×1卷积层,第二条并行路径为依次连接的POOL层、1×1卷积层,第三条并行路径为依次连接的1×1卷积层、3×3卷积层,第四条并行路径为依次连接的1×1卷积层、5×5卷积层;输入卷积模块的图像数据通过RELU层后分别输入多条并行卷积路径,多条并行卷积路径的输出在CONCAT层进行合并处理,并在合并后通过1×1卷积层进行输出维度调整;维度调整后的图像数据与通过RELU层的图像数据进行残差连接,并在连接后通过第二个RELU层进行非线性激活,激活后的图像数据分别输入3×3卷积层和MAXPool层进行分别降维,降维后的图像数据在第二个CONCAT层进行合并处理,得到的输出结果为该卷积模块的输出结果。
需要说明的是,本申请中,所述卷积模块为第一卷积模块、第二卷积模块和第三卷积模块的统称,该卷积模块的具体结构即为第一卷积模块、第二卷积模块和第三卷积模块的具体结构。
本申请中,通过设置多条并行路径,然后合并输出的方式,来代替单独的卷积层,通过多条并行路径上的不同感受野的设置,从而使得多条并行路径合并后的特征信息包含不同感受野,增加了提取的特征信息的丰富性。
本申请中,通过残差连接将浅层特征通过另外一条分支加到高层特征中,达到特征复用的目的,同时也避免深层网路的梯度弥散问题。
本申请中,CONCAT层的合并为将原始特征直接拼接。通过该合并方式,可以保留不同感受野的卷积层提取到的特性。
本申请中,合并后通过1×1卷积层进行输出,是保证多条并行路径的合并输出与通过RELU层的图像数据的输出特征维度相同,保证两部分特征能够正常相加。
本申请中,残差连接后的图像数据分别输入3×3卷积层和MAXPool层进行分别降维,通过不同分支的降维路径在降维的同时,进一步增加特征信息的丰富性。
本申请实施例提供了一种基于弱监督学习的脊柱滑脱智能识别装置,用于执行本申请上述内容所述的基于弱监督学习的脊柱滑脱智能识别方法,以下对所述基于弱监督学习的脊柱滑脱智能识别装置进行详细描述。
如图7所示,所述基于弱监督学习的脊柱滑脱智能识别装置,包括:
卷积模块101,其用于将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
锚框确定模块102,其用于根据所述热力图中的数值字段,确定预设数量的热力锚框;
锚框分类模块103,其用于将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
位置确定模块104,其用于基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号。
在一种实施方式中,所述基于弱监督学习的脊柱滑脱智能识别装置还包括模型训练模块,其用于:
获取第一样本图像,所述第一样本图像具有标注的赋值信息,所述赋值信息用于指示所述第一样本图像中是否存在脊柱滑脱;将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图;根据所述热力图中的数值字段,确定预设数量的热力锚框;将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果和对应的置信度;选取最大的置信度,并基于该置信度对应的二分类结果和标注的赋值信息确定所述特征提取单元和所述二分类单元的整体损失;根据所述整体损失同步迭代所述特征提取单元和所述二分类单元,直至所述整体损失收敛为止。
在一种实施方式中,在存在脊柱滑脱的情况下,所述第一样本图像中仅存在一个脊柱滑脱位置。
在一种实施方式中,所述整体损失的计算公式为:
其中,i为第一样本图像的序号,n为第一样本图像的总数,yi为赋值信息,pi为第一样本图像预测为存在脊柱滑脱的概率。
在一种实施方式中,所述二分类结果具有对应的置信度;所述锚框分类模块103还用于:
获取置信度阈值;在所述二分类结果对应的置信度大于所述置信度阈值的情况下,将该二分类结果作为脊柱滑脱位置之一;在所有二分类结果对应的置信度均小于所述置信度阈值的情况下,确定所述待识别图像中不存在脊柱滑脱。
在一种实施方式中,所述置信度阈值基于ROC曲线确定。
在一种实施方式中,所述锚框确定模块102还用于:
基于所述热力图的数值字段分布规律选取数值字段中的极大值字段;以所述极大值字段为中心确定该极大值字段对应的热力锚框;对极大值字段进行排序,并按照排序顺序选取预设数量的热力锚框。
本申请的上述实施例提供的基于弱监督学习的脊柱滑脱智能识别装置与本申请实施例提供的基于弱监督学习的脊柱滑脱智能识别方法具有对应关系,因此该装置中的具体内容与脊柱滑脱智能识别方法具有对应关系,具体内容可以参照脊柱滑脱智能识别方法中的记录,本申请中对此不再赘述。
本申请的上述实施例提供的基于弱监督学习的脊柱滑脱智能识别装置与本申请实施例提供的基于弱监督学习的脊柱滑脱智能识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上描述了基于弱监督学习的脊柱滑脱智能识别装置的内部功能和结构,如图8所示,实际中,该基于弱监督学习的脊柱滑脱智能识别装置可实现为电子设备,包括:存储器301及处理器303。
存储器301,可被配置为存储程序。
另外,存储器301,还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器303,耦合至存储器301,用于执行存储器301中的程序,以用于:
将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号。
在一种实施方式中,处理器303还用于:
获取第一样本图像,所述第一样本图像具有标注的赋值信息,所述赋值信息用于指示所述第一样本图像中是否存在脊柱滑脱;将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图;根据所述热力图中的数值字段,确定预设数量的热力锚框;将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果和对应的置信度;选取最大的置信度,并基于该置信度对应的二分类结果和标注的赋值信息确定所述特征提取单元和所述二分类单元的整体损失;根据所述整体损失同步迭代所述特征提取单元和所述二分类单元,直至所述整体损失收敛为止。
在一种实施方式中,在存在脊柱滑脱的情况下,所述第一样本图像中仅存在一个脊柱滑脱位置。
在一种实施方式中,所述整体损失的计算公式为:
其中,i为第一样本图像的序号,n为第一样本图像的总数,yi为赋值信息,pi为第一样本图像预测为存在脊柱滑脱的概率。
在一种实施方式中,所述二分类结果具有对应的置信度;处理器303还用于:
获取置信度阈值;在所述二分类结果对应的置信度大于所述置信度阈值的情况下,将该二分类结果作为脊柱滑脱位置之一;在所有二分类结果对应的置信度均小于所述置信度阈值的情况下,确定所述待识别图像中不存在脊柱滑脱。
在一种实施方式中,所述置信度阈值基于ROC曲线确定。
在一种实施方式中,处理器303还用于:
基于所述热力图的数值字段分布规律选取数值字段中的极大值字段;以所述极大值字段为中心确定该极大值字段对应的热力锚框;对极大值字段进行排序,并按照排序顺序选取预设数量的热力锚框。
本申请中,处理器还具体用于执行上述基于弱监督学习的脊柱滑脱智能识别方法的所有流程及步骤,具体内容可参照脊柱滑脱智能识别方法中的记录,本申请中对此不再赘述。
本申请中,图8中仅示意性给出部分组件,并不意味着电子设备只包括图8所示组件。
本实施例提供的电子设备,与本申请实施例提供的基于弱监督学习的脊柱滑脱智能识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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读存储介质(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。
本申请是参照根据本申请实施例的方法、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处理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处理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处理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处理设备上,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。
本申请还提供一种与前述实施方式所提供的基于弱监督学习的脊柱滑脱智能识别方法对应的计算机可读存储介质,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的基于弱监督学习的脊柱滑脱智能识别方法。
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。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于弱监督学习的脊柱滑脱智能识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的结构和技术,以便不模糊对本说明书的理解。
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。
以上所述仅为本申请的实施例而已,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 (9)
1.一种基于弱监督学习的脊柱滑脱智能识别方法,其特征在于,包括:
将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号;
所述将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图之前,还包括:
获取第一样本图像,所述第一样本图像具有标注的赋值信息,所述赋值信息用于指示所述第一样本图像中是否存在脊柱滑脱;
将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果和对应的置信度;
选取最大的置信度,并基于该置信度对应的二分类结果和标注的赋值信息确定所述特征提取单元和所述二分类单元的整体损失;
根据所述整体损失同步迭代所述特征提取单元和所述二分类单元,直至所述整体损失收敛为止。
2.根据权利要求1所述的脊柱滑脱智能识别方法,其特征在于,在存在脊柱滑脱的情况下,所述第一样本图像中仅存在一个脊柱滑脱位置。
3.根据权利要求1所述的脊柱滑脱智能识别方法,其特征在于,所述整体损失的计算公式为:
其中,i为第一样本图像的序号,n为第一样本图像的总数,yi为赋值信息,pi为第一样本图像预测为存在脊柱滑脱的概率。
4.根据权利要求1-3中任一项所述的脊柱滑脱智能识别方法,其特征在于,所述二分类结果具有对应的置信度;所述基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置,包括:
获取置信度阈值;
在所述二分类结果对应的置信度大于所述置信度阈值的情况下,将该二分类结果作为脊柱滑脱位置之一;
在所有二分类结果对应的置信度均小于所述置信度阈值的情况下,确定所述待识别图像中不存在脊柱滑脱。
5.根据权利要求4所述的脊柱滑脱智能识别方法,其特征在于,所述置信度阈值基于ROC曲线确定。
6.根据权利要求1-3中任一项所述的脊柱滑脱智能识别方法,其特征在于,所述根据所述热力图中的数值字段,确定预设数量的热力锚框,包括:
基于所述热力图的数值字段分布规律选取数值字段中的极大值字段;
以所述极大值字段为中心确定该极大值字段对应的热力锚框;
对极大值字段进行排序,并按照排序顺序选取预设数量的热力锚框。
7.一种基于弱监督学习的脊柱滑脱智能识别装置,其特征在于,包括:
卷积模块,其用于将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
锚框确定模块,其用于根据所述热力图中的数值字段,确定预设数量的热力锚框;
锚框分类模块,其用于将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
位置确定模块,其用于基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号;
还包括模型训练模块,其用于:
获取第一样本图像,所述第一样本图像具有标注的赋值信息,所述赋值信息用于指示所述第一样本图像中是否存在脊柱滑脱;将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图;根据所述热力图中的数值字段,确定预设数量的热力锚框;将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果和对应的置信度;选取最大的置信度,并基于该置信度对应的二分类结果和标注的赋值信息确定所述特征提取单元和所述二分类单元的整体损失;根据所述整体损失同步迭代所述特征提取单元和所述二分类单元,直至所述整体损失收敛为止。
8.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,其用于存储程序;
所述处理器,耦合至所述存储器,用于执行所述程序,以用于:
将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果;
基于所述二分类结果,确定所述待识别图像中的脊柱滑脱位置;
所述特征提取单元和所述二分类单元基于第一样本图像进行同步训练后得到的,所述第一样本图像具有标注的弱监督信号;
所述将待识别图像输入依次连接的多个特征提取单元,得到所述待识别图像的热力图之前,还包括:
获取第一样本图像,所述第一样本图像具有标注的赋值信息,所述赋值信息用于指示所述第一样本图像中是否存在脊柱滑脱;
将所述第一样本图像输入依次连接的多个特征提取单元,得到所述第一样本图像的热力图;
根据所述热力图中的数值字段,确定预设数量的热力锚框;
将所述热力锚框输入二分类单元,得到所述热力锚框的二分类结果和对应的置信度;
选取最大的置信度,并基于该置信度对应的二分类结果和标注的赋值信息确定所述特征提取单元和所述二分类单元的整体损失;
根据所述整体损失同步迭代所述特征提取单元和所述二分类单元,直至所述整体损失收敛为止。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现权利要求1-6任一项所述的基于弱监督学习的脊柱滑脱智能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310899245.1A CN116934709B (zh) | 2023-07-20 | 2023-07-20 | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310899245.1A CN116934709B (zh) | 2023-07-20 | 2023-07-20 | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934709A CN116934709A (zh) | 2023-10-24 |
CN116934709B true CN116934709B (zh) | 2024-04-02 |
Family
ID=88391973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310899245.1A Active CN116934709B (zh) | 2023-07-20 | 2023-07-20 | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670845A (zh) * | 2023-12-08 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 一种基于x光医学图像的脊柱滑脱识别及评估方法、装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866921A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
CN111260650A (zh) * | 2018-11-15 | 2020-06-09 | 刘华清 | 一种脊柱ct序列图像分割方法与系统 |
CN112070733A (zh) * | 2020-08-28 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于弱监督模式的缺陷粗定位方法和装置 |
CN112381757A (zh) * | 2020-10-09 | 2021-02-19 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种基于人工智能-图像识别的脊柱全长X线片测算脊柱侧弯Cobb角的系统及方法 |
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
CN113743543A (zh) * | 2021-11-05 | 2021-12-03 | 武汉大学 | 一种图像分类训练方法、装置、服务器及存储介质 |
CN114330484A (zh) * | 2021-11-16 | 2022-04-12 | 北京航空航天大学 | 弱监督学习糖尿病视网膜病变分级与病灶识别方法及系统 |
CN114387270A (zh) * | 2022-03-22 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
WO2022271838A1 (en) * | 2021-06-24 | 2022-12-29 | Life Spine, Inc. | Detecting and segmenting regions of interest in biomedical images using neural networks |
CN116228660A (zh) * | 2022-12-28 | 2023-06-06 | 深圳视见医疗科技有限公司 | 胸部正片异常部位检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11837354B2 (en) * | 2020-12-30 | 2023-12-05 | London Health Sciences Centre Research Inc. | Contrast-agent-free medical diagnostic imaging |
-
2023
- 2023-07-20 CN CN202310899245.1A patent/CN116934709B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260650A (zh) * | 2018-11-15 | 2020-06-09 | 刘华清 | 一种脊柱ct序列图像分割方法与系统 |
CN110866921A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
CN112070733A (zh) * | 2020-08-28 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于弱监督模式的缺陷粗定位方法和装置 |
CN112381757A (zh) * | 2020-10-09 | 2021-02-19 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种基于人工智能-图像识别的脊柱全长X线片测算脊柱侧弯Cobb角的系统及方法 |
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
WO2022271838A1 (en) * | 2021-06-24 | 2022-12-29 | Life Spine, Inc. | Detecting and segmenting regions of interest in biomedical images using neural networks |
CN113743543A (zh) * | 2021-11-05 | 2021-12-03 | 武汉大学 | 一种图像分类训练方法、装置、服务器及存储介质 |
CN114330484A (zh) * | 2021-11-16 | 2022-04-12 | 北京航空航天大学 | 弱监督学习糖尿病视网膜病变分级与病灶识别方法及系统 |
CN114387270A (zh) * | 2022-03-22 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN116228660A (zh) * | 2022-12-28 | 2023-06-06 | 深圳视见医疗科技有限公司 | 胸部正片异常部位检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Weakly Supervised Segmentation of Vertebral Bodies with Iterative Slice-Propagation;Peng, SQ (Peng, Shiqi) 等;《LECTURE NOTES IN ARTIFICIAL INTELLIGENCE》;20191231;第120-128页 * |
卷积神经网络用于关节角度识别与姿势评估;赵玉婷 等;《计算机工程与应用》;20191231;第209-216页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934709A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887311B2 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
CN110163260B (zh) | 基于残差网络的图像识别方法、装置、设备及存储介质 | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
CN116934709B (zh) | 一种基于弱监督学习的脊柱滑脱智能识别方法及装置 | |
CN112233117A (zh) | 一种新冠肺炎ct检测识别定位系统及计算设备 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN111047605B (zh) | 一种脊椎ct分割网络模型的构建方法及分割方法 | |
CN113850753B (zh) | 医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
Lang et al. | Automatic localization of landmarks in craniomaxillofacial CBCT images using a local attention-based graph convolution network | |
CN113327258A (zh) | 一种基于深度学习的肺部ct图像识别方法 | |
CN112926537B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113838067A (zh) | 肺结节的分割方法和装置、计算设备、可存储介质 | |
WO2023014789A1 (en) | System and method for pathology image analysis using a trained neural network and active learning framework | |
CN116523840A (zh) | 一种基于深度学习的肺部ct图像检测系统以及方法 | |
CN116894973B (zh) | 一种基于集成学习的髋关节病变智能自标注方法及装置 | |
CN111862071B (zh) | 一种基于ct图像测量腰1椎体ct值的方法 | |
CN113052236A (zh) | 一种基于NASNet的肺炎图像分类方法 | |
CN112634308A (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN113313717B (zh) | 一种基于深度学习的分节段椎骨ct图像分割方法 | |
US20240050025A1 (en) | Detection and treatment of dermatological conditions | |
CN117616467A (zh) | 训练并使用深度学习算法来基于降维表示比较医学图像的方法 | |
CN113052842A (zh) | 脊柱侧弯图像检测模型训练方法、确定方法、装置及设备 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
CN112634226A (zh) | 头部ct图像检测装置、方法、电子设备及存储介质 | |
KR102633676B1 (ko) | 심층 학습을 이용한 성인 신장 예측 방법 및 그 시스템 |
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 |