CN118015245A - 基于强化学习的关键解剖部位识别检测方法、装置及设备 - Google Patents
基于强化学习的关键解剖部位识别检测方法、装置及设备 Download PDFInfo
- Publication number
- CN118015245A CN118015245A CN202410086284.4A CN202410086284A CN118015245A CN 118015245 A CN118015245 A CN 118015245A CN 202410086284 A CN202410086284 A CN 202410086284A CN 118015245 A CN118015245 A CN 118015245A
- Authority
- CN
- China
- Prior art keywords
- reinforcement learning
- detection method
- anatomical region
- initial
- key anatomical
- 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
- 230000002787 reinforcement Effects 0.000 title claims abstract description 54
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title description 24
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000013585 weight reducing agent Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 210000004394 hip joint Anatomy 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000000588 acetabulum Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种基于强化学习的关键解剖部位识别检测方法、装置、设备及计算机可读存储介质。该基于强化学习的关键解剖部位识别检测方法，包括：获取医学图像；利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；通过强化学习来调整初始关键点的位置。根据本申请实施例，能够更加准确地进行髋关节关键点检测。
Description
技术领域
本申请属于强化学习技术领域，尤其涉及一种基于强化学习的关键解剖部位识别检测方法、装置、设备及计算机可读存储介质。
背景技术
目前，传统技术中利用二维的X线图像进行髋关节关键点(包括：股骨头中心、股骨轴、髋臼前缘、髋臼后缘)检测，由于X线图像是二维的，基于该X线图像所确定的关键点的位置误差较大，也即，其所检测的关键点不准确。
因此，如何更加准确地进行髋关节关键点检测是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种基于强化学习的关键解剖部位识别检测方法、装置、设备及计算机可读存储介质，能够更加准确地进行髋关节关键点检测。
第一方面，本申请实施例提供一种基于强化学习的关键解剖部位识别检测方法，包括：
获取医学图像；
利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；
通过强化学习来调整初始关键点的位置。
可选的，卷积神经网络模型由UNet网络和特征金字塔FPN网络组成。
可选的，UNet网络包括：
下采样编码器路径，用于提取不同比例和不同复杂度的图像特征；
上采样解码器路径，用于使用提取的图像特征生成分割结果。
可选的，包括：
下采样编码器路径由四个块组成，每个块由两个3×3×3卷积层组成，后跟一个整流线性单元ReLU激活层和一个2×2×2最大池化层；
上采样解码器路径由四个块组成，每个块由一个上采样层、一个2×2×2转置卷积层和两个3×3×3卷积层组成，每个卷积层后跟一个ReLU层；
使用Adam优化器进行训练，学习率为0.0002，权重衰减为0.0001。
可选的，特征金字塔FPN网络，包括：
FPN的编码器部分是3D-ResNet，在数据集上进行了预训练；
解码器部分通过对前几层的结果进行上采样来创建更高分辨率的特征图，每个解码器路径模块生成用于网络训练的单独输出；
跳跃连接由1个×1个卷积层组成，这些卷积层应用于编码器模块，然后将其添加到相应的解码器模块中；
使用Adam优化器进行训练，学习率为0.0002，权重减为0.0001。
可选的，确定初始关键点的位置，包括：
计算交并比，并将交并比高于0.7的位置作为初始关键点的位置。
可选的，包括：
通过四种测试的强化学习模型之一进行分析，即深度Q网络DeepQN、深度确定性政策梯度DDPG、双胞胎延迟深度确定性政策梯度TD3和行为者批评者政策梯度A2C；
奖励函数被定义为当前位置与其运动历史之间的加权和；
损失函数是距离误差平方和方向惩罚之间的加权组合；
初始关键点位置通过相应的强化学习模型进行最佳移动，移动直到所有关键点位置的移动都小于阈值或达到预定义的迭代次数。
第二方面，本申请实施例提供了一种基于强化学习的关键解剖部位识别检测装置，包括：
图像获取模块，用于获取医学图像；
图像分割模块，用于利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；
位置调整模块，用于通过强化学习来调整初始关键点的位置。
第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现基于强化学习的关键解剖部位识别检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现基于强化学习的关键解剖部位识别检测方法。
本申请实施例的基于强化学习的关键解剖部位识别检测方法、装置、设备及计算机可读存储介质，能够更加准确地进行髋关节关键点检测。
该基于强化学习的关键解剖部位识别检测方法，包括：获取医学图像；利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；通过强化学习来调整初始关键点的位置。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的基于强化学习的关键解剖部位识别检测方法的流程示意图；
图2是本申请一个实施例提供的基于强化学习的关键解剖部位识别检测方法的流程示意图；
图3是本申请一个实施例提供的基于强化学习的关键解剖部位识别检测装置的结构示意图；
图4是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题，本申请实施例提供了一种基于强化学习的关键解剖部位识别检测方法、装置、设备及计算机可读存储介质。下面首先对本申请实施例所提供的基于强化学习的关键解剖部位识别检测方法进行介绍。
图1示出了本申请一个实施例提供的基于强化学习的关键解剖部位识别检测方法的流程示意图。如图1所示，该基于强化学习的关键解剖部位识别检测方法，包括：
S101、获取医学图像；
本申请对医学图像的部位以及图像格式均不作具体限定。例如，该医学图像可以是髋关节MRI图像、髋关节CT图像、膝关节MRI图像、膝关节CT图像、脊柱MRI图像、脊柱CT图像等等。
S102、利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；
S103、通过强化学习来调整初始关键点的位置。
在一个实施例中，卷积神经网络模型由UNet网络和特征金字塔FPN网络组成。
在一个实施例中，UNet网络包括：
下采样编码器路径，用于提取不同比例和不同复杂度的图像特征；
上采样解码器路径，用于使用提取的图像特征生成分割结果。
在一个实施例中，包括：
下采样编码器路径由四个块组成，每个块由两个3×3×3卷积层组成，后跟一个整流线性单元ReLU激活层和一个2×2×2最大池化层；
上采样解码器路径由四个块组成，每个块由一个上采样层、一个2×2×2转置卷积层和两个3×3×3卷积层组成，每个卷积层后跟一个ReLU层；
使用Adam优化器进行训练，学习率为0.0002，权重衰减为0.0001。
在一个实施例中，特征金字塔FPN网络，包括：
FPN的编码器部分是3D-ResNet，在数据集上进行了预训练；
解码器部分通过对前几层的结果进行上采样来创建更高分辨率的特征图，每个解码器路径模块生成用于网络训练的单独输出；
跳跃连接由1个×1个卷积层组成，这些卷积层应用于编码器模块，然后将其添加到相应的解码器模块中；
使用Adam优化器进行训练，学习率为0.0002，权重减为0.0001。
在一个实施例中，确定初始关键点的位置，包括：
计算交并比，并将交并比高于0.7的位置作为初始关键点的位置。
在一个实施例中，包括：
通过四种测试的强化学习模型之一进行分析，即深度Q网络DeepQN、深度确定性政策梯度DDPG、双胞胎延迟深度确定性政策梯度TD3和行为者批评者政策梯度A2C；
奖励函数被定义为当前位置与其运动历史之间的加权和；
损失函数是距离误差平方和方向惩罚之间的加权组合；
初始关键点位置通过相应的强化学习模型进行最佳移动，移动直到所有关键点位置的移动都小于阈值或达到预定义的迭代次数。
图2是本申请一个实施例提供的基于强化学习的关键解剖部位识别检测方法的流程示意图，如图2所示：
利用卷积神经网络对医学图像进行分割，确定初始关键点的位置，然后通过强化学习来调整初始关键点的位置。其中，关键点的位置包括：股骨头中心、股骨轴、髋臼前缘、髋臼后缘的位置；卷积神经网络由UNet和特征金字塔网络(FPN)组成；
UNet架构是为图像分割而开发的，它由下采样编码器路径和上采样解码器路径组成，前者提取不同比例和不同复杂度的图像特征，后者使用提取的特征生成分割结果。UNet的核心思想是使用从编码器传递到解码器的跳过连接，并从编码器路径的早期级别(其中仍保留精细图像细节)到解码器路径的后期级别其中包舍对象识别和分割所需的粗略特征的信息。编码器路径由四个块组成，每个块由两个3×3×3卷积层组成，后跟一个整流线性单元(ReLU)激活层和一个2×2×2最大池化层。解码器路径由四个块组成，每个块由一个上采样层、一个2×2×2转置卷积层和两个3×3×3卷积层组成，每个卷积层后跟一个ReLU层。
使用Adam优化器进行训练，学习率为0.0002,权重衰减为0.0001。
具有RPN架构的FPN，基于高效提取多尺度特征的思想，允许将低分辨率和语义鲁棒的特征与高分辨率但语义弱的特征相结合。FPN组件从输入图像中提取特征，在此过程中，它与UNet表现出某些相似之处。FPN的编码器部分是3D-ResNet，在数据集上进行了预训练。解码器部分通过对前几层的结果进行上采样来创建更高分辨率的特征图，每个解码器路径模块生成用于网络训练的单独输出。跳跃连接由1个×1个卷积层组成，这些卷积层应用于编码器模块，然后将其添加到相应的解码器模块中。因此，FPN旨在生成能够描述目标对象的可变分辨率特征。RPN组件分析FPN编码器模块的输出以评估FPN特征的描述性，并模拟滑动窗口分类无关对象检测器，该检测器在特征图上执行对象/非对象二元分类和边界框回归。
为此，RPN将一组15个矩形锚点滤波器应用于FPN输出数组的每个体素，并测量该体素对应于使用输出数组中的特征。如果为位于真实地标附近的体素计算锚点过滤器，则训练FPN以增强此体素。通过计算锚点滤波器与包言地标的预定义矩形边界框之间的交集并集(loU)来对所需邻域进行建模，其中IoU值高于Ω＝0.7被认为是积极的地标位置示例。然后,RPN分析不同比例的FPN输出，以提取最有可能代表地标的体素。这些体素的坐标被转换为向量然后通过两个具有1024个特征的全连接层，这些特征预测每个地标的坐标夕，并将最佳坐标用作最终的地标建议。FPN使用Adam优化器进行训练，学习率为0.0002，权重减为0.0001。
强化学习：
通过四种测试的强化学习模型之一进行分析，即深度Q网络(DeepQN)、深度确定性政策梯度(DDPG)、双胞胎延迟深度确定性政策梯度(TD3)和行为者批评者政策梯度(A2C)。奖励功能被定义为智能体当前步骤的质量与其运动历史之间的加权和。
损失函数是距离误差平方和方向惩罚之间的加权组合。
初始关键点位置通过相应的强化学习模型进行最佳移动，移动直到所有关键点位置的移动都小于阈值或达到预定义的迭代次数。
图3是本申请一个实施例提供的基于强化学习的关键解剖部位识别检测装置的结构示意图，该基于强化学习的关键解剖部位识别检测装置，包括：
图像获取模块301，用于获取医学图像；
图像分割模块302，用于利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；
位置调整模块303，用于通过强化学习来调整初始关键点的位置。
图4示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在电子设备的内部或外部。在特定实施例中，存储器402可以是非易失性固态存储器。
在一个实施例中，存储器402可以是只读存储器(Read Only Memory，ROM)。在一个实施例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种基于强化学习的关键解剖部位识别检测方法。
在一个示例中，电子设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的基于强化学习的关键解剖部位识别检测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于强化学习的关键解剖部位识别检测方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于强化学习的关键解剖部位识别检测方法，其特征在于，包括：
获取医学图像；
利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；
通过强化学习来调整初始关键点的位置。
2.根据权利要求1所述的基于强化学习的关键解剖部位识别检测方法，其特征在于，卷积神经网络模型由UNet网络和特征金字塔FPN网络组成。
3.根据权利要求2所述的基于强化学习的关键解剖部位识别检测方法，其特征在于，UNet网络包括：
下采样编码器路径，用于提取不同比例和不同复杂度的图像特征；
上采样解码器路径，用于使用提取的图像特征生成分割结果。
4.根据权利要求3所述的基于强化学习的关键解剖部位识别检测方法，其特征在于，包括：
下采样编码器路径由四个块组成，每个块由两个3×3×3卷积层组成，后跟一个整流线性单元ReLU激活层和一个2×2×2最大池化层；
上采样解码器路径由四个块组成，每个块由一个上采样层、一个2×2×2转置卷积层和两个3×3×3卷积层组成，每个卷积层后跟一个ReLU层；
使用Adam优化器进行训练，学习率为0.0002，权重衰减为0.0001。
5.根据权利要求2所述的基于强化学习的关键解剖部位识别检测方法，其特征在于，特征金字塔FPN网络，包括：
FPN的编码器部分是3D-ResNet，在数据集上进行了预训练；
解码器部分通过对前几层的结果进行上采样来创建更高分辨率的特征图，每个解码器路径模块生成用于网络训练的单独输出；
跳跃连接由1个×1个卷积层组成，这些卷积层应用于编码器模块，然后将其添加到相应的解码器模块中；
使用Adam优化器进行训练，学习率为0.0002，权重减为0.0001。
6.根据权利要求5所述的基于强化学习的关键解剖部位识别检测方法，其特征在于，确定初始关键点的位置，包括：
计算交并比，并将交并比高于0.7的位置作为初始关键点的位置。
7.根据权利要求6所述的基于强化学习的关键解剖部位识别检测方法，其特征在于，包括：
通过四种测试的强化学习模型之一进行分析，即深度Q网络DeepQN、深度确定性政策梯度DDPG、双胞胎延迟深度确定性政策梯度TD3和行为者批评者政策梯度A2C；
奖励函数被定义为当前位置与其运动历史之间的加权和；
损失函数是距离误差平方和方向惩罚之间的加权组合；
初始关键点位置通过相应的强化学习模型进行最佳移动，移动直到所有关键点位置的移动都小于阈值或达到预定义的迭代次数。
8.一种基于强化学习的关键解剖部位识别检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取医学图像；
图像分割模块，用于利用预设的卷积神经网络模型对医学图像进行分割，确定初始关键点的位置；
位置调整模块，用于通过强化学习来调整初始关键点的位置。
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的基于强化学习的关键解剖部位识别检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的基于强化学习的关键解剖部位识别检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410086284.4A CN118015245A (zh) | 2024-01-22 | 2024-01-22 | 基于强化学习的关键解剖部位识别检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410086284.4A CN118015245A (zh) | 2024-01-22 | 2024-01-22 | 基于强化学习的关键解剖部位识别检测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118015245A true CN118015245A (zh) | 2024-05-10 |
Family
ID=90954658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410086284.4A Pending CN118015245A (zh) | 2024-01-22 | 2024-01-22 | 基于强化学习的关键解剖部位识别检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118015245A (zh) |
-
2024
- 2024-01-22 CN CN202410086284.4A patent/CN118015245A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2977921B1 (en) | Apparatus and method for automatically registering landmarks in three-dimensional medical image | |
| CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| US20130070997A1 (en) | Systems, methods, and media for on-line boosting of a classifier | |
| CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
| CN114219803B (zh) | 一种三阶段图像质量评估的检测方法与系统 | |
| CN116862930B (zh) | 适用于多模态的脑血管分割方法、装置、设备和存储介质 | |
| CN116152197B (zh) | 膝关节分割方法、装置、电子设备及计算机可读存储介质 | |
| CN106537451A (zh) | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 | |
| Hsu | A hybrid approach for brain image registration with local constraints | |
| CN116363150A (zh) | 髋关节分割方法、装置、电子设备及计算机可读存储介质 | |
| CN116309636A (zh) | 基于多任务神经网络模型的膝关节分割方法、装置及设备 | |
| Widynski et al. | A particle filter framework for contour detection | |
| CN116543222A (zh) | 膝关节病变检测方法、装置、设备及计算机可读存储介质 | |
| CN118015245A (zh) | 基于强化学习的关键解剖部位识别检测方法、装置及设备 | |
| CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
| Ruppertshofen et al. | Multi-level approach for the discriminative generalized hough transform | |
| CN116704549A (zh) | 三维空间关键点的位置检测方法、装置、设备及存储介质 | |
| CN115861659A (zh) | 对象匹配方法、装置、设备及计算机存储介质 | |
| CN116051813A (zh) | 全自动智能腰椎定位与识别方法及应用 | |
| Lecron et al. | Points of interest detection in cervical spine radiographs by polygonal approximation | |
| Dan et al. | Multi-scale adaptive level set segmentation method based on saliency | |
| CN116188492B (zh) | 髋关节分割方法、装置、电子设备及计算机可读存储介质 | |
| Malkanthi et al. | Brain tumor boundary segmentation of MR imaging using spatial domain image processing | |
| Kulkarni | X-ray image segmentation using active shape models |
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 |