CN111709906A - 医学图像的质量评估方法和装置 - Google Patents
医学图像的质量评估方法和装置 Download PDFInfo
- Publication number
- CN111709906A CN111709906A CN202010283974.0A CN202010283974A CN111709906A CN 111709906 A CN111709906 A CN 111709906A CN 202010283974 A CN202010283974 A CN 202010283974A CN 111709906 A CN111709906 A CN 111709906A
- Authority
- CN
- China
- Prior art keywords
- network
- feature extraction
- medical image
- sub
- chest
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21348—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis overcoming non-stationarity or permutations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/10116—X-ray image
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种医学图像的质量评估方法和装置,所述方法包括以下步骤:获取医学图像样本,并对医学图像样本进行标注以得到训练集;通过训练集训练神经网络检测模型;获取待评估医学图像;将待评估医学图像输入训练后的神经网络检测模型,以输出待评估医学图像的评估结果。本发明能够实时、全面、客观地对医学图像进行质控评估。
Description
技术领域
本发明涉及医学图像质控技术领域,具体涉及一种医学图像的质量评估方法和一种医学图像的质量评估装置。
背景技术
CR(Computed Radiography,计算机X射线)/DR(Digital Radiography,直接数字平板X线成像***)是医疗机构普及率最高的设备之一,基层医疗机构普遍拥有。而胸部平片是常规体检中最常见影像检查方法,同时也是患者入院必查项目。由于其品牌众多,医疗机构使用水平不一,导致图像质量参差不齐,而图像质量直接影响检出及诊断的效率及准确性。因此,通过质控这一环节,从源头上保证图像质量,是非常必要的。
目前,图像质量分析是由质控小组定期随机抽取部分图像,根据质控标准进行人工综合评价。然而,基于人工抽查并评分对X线胸片进行质控的方式,可能由于质控小组人手不足,无法对所有医疗机构进行质控检查。同时,人工抽查的仅是海量数据中的极少数样本,且具有一定的主观性和片面性,并不能客观全面地反映该医疗机构整体摄片质量,对于改善质控措施有偏倚。另外,这种方法是回顾性的,无法进行实时质控。以上情况,均可能导致图像质控工作无法达到预期的效果。
发明内容
本发明为解决上述技术问题,提供了一种医学图像的质量评估方法和装置,能够实时、全面、客观地对医学图像进行质控评估。
本发明采用的技术方案如下:
一种医学图像的质量评估方法,包括以下步骤:获取医学图像样本,并对所述医学图像样本进行标注以得到训练集;通过所述训练集训练神经网络检测模型;获取待评估医学图像;将所述待评估医学图像输入训练后的神经网络检测模型,以输出所述待评估医学图像的评估结果。
所述医学图像为X线胸片。
所述神经网络检测模型包括区域特征提取网络、关键点回归网络和分类网络。
所述区域特征提取网络包括肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络,所述肩胛骨特征提取子网络、所述胸片边缘特征提取子网络和所述全局特征提取子网络均采用残差卷积神经网络作为骨干网络,所述肩胛骨特征提取子网络用于对X线胸片的肩胛骨区域进行特征提取以得到肩胛骨特征,所述胸片边缘特征提取子网络用于对X线胸片的上下左右四个边缘区域进行特征提取以得到边缘特征,所述全局特征提取子网络用于对整个X线胸片进行特征提取以得到全局特征。
所述关键点回归网络用于根据所述全局特征,回归定位T6肋骨椎骨交叉点,来确定X线胸片拍摄是否在正中央,所述分类网络用于根据所述肩胛骨特征对肩胛骨是否在肺野内外进行分类,并用于根据所述边缘特征对胸片上下左右是否完整进行分类。
一种医学图像的质量评估装置,包括:第一获取模块,所述第一获取模块用于获取医学图像样本,并对所述医学图像样本进行标注以得到训练集;训练模块,所述训练模块用于通过所述训练集训练神经网络检测模型;第二获取模块,所述第二获取模块用于获取待评估医学图像;评估模块,所述评估模块用于将所述待评估医学图像输入训练后的神经网络检测模型,以输出所述待评估医学图像的评估结果。
所述医学图像为X线胸片。
所述神经网络检测模型包括区域特征提取网络、关键点回归网络和分类网络。
所述区域特征提取网络包括肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络,所述肩胛骨特征提取子网络、所述胸片边缘特征提取子网络和所述全局特征提取子网络均采用残差卷积神经网络作为骨干网络,所述肩胛骨特征提取子网络用于对X线胸片的肩胛骨区域进行特征提取以得到肩胛骨特征,所述胸片边缘特征提取子网络用于对X线胸片的上下左右四个边缘区域进行特征提取以得到边缘特征,所述全局特征提取子网络用于对整个X线胸片进行特征提取以得到全局特征。
所述关键点回归网络用于根据所述全局特征,回归定位T6肋骨椎骨交叉点,来确定X线胸片拍摄是否在正中央,所述分类网络用于根据所述肩胛骨特征对肩胛骨是否在肺野内外进行分类,并用于根据所述边缘特征对胸片上下左右是否完整进行分类。
本发明的有益效果:
本发明通过医学图像样本训练神经网络检测模型,并通过训练后的神经网络检测模型得到待评估医学图像的评估结果,由此,能够实时、全面、客观地对医学图像进行质控评估。
附图说明
图1为本发明实施例的医学图像的质量评估方法的流程图;
图2为本发明一个实施例的神经网络检测模型的方框示意图;
图3为本发明实施例的医学图像的质量评估装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例的医学图像的质量评估方法包括以下步骤:
S1,获取医学图像样本,并对医学图像样本进行标注以得到训练集。
在本发明的一个实施例中,医学图像为X线胸片。可获取若干X线胸片作为样本,并分别标注出对应的质量结果,例如标注出某一X线胸片拍摄位置是否处于正中央、肩胛骨是否在肺野内外、胸片上下左右是否完整。含有标注的若干X线胸片样本可组成训练集。应当理解的是,训练集中样本数量越大,后续训练出的模型精确度越高,具体样本数量可根据实际评估需求来确定。
S2,通过训练集训练神经网络检测模型。
S3,获取待评估医学图像。
S4,将待评估医学图像输入训练后的神经网络检测模型,以输出待评估医学图像的评估结果。
在本发明的一个实施例中,如图2所示,神经网络检测模型包括区域特征提取网络、关键点回归网络和分类网络。
其中,区域特征提取网络包括肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络,肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络均采用残差卷积神经网络作为骨干网络,肩胛骨特征提取子网络用于对X线胸片的肩胛骨区域进行特征提取以得到肩胛骨特征,胸片边缘特征提取子网络用于对X线胸片的上下左右四个边缘区域进行特征提取以得到边缘特征,全局特征提取子网络用于对整个X线胸片进行特征提取以得到全局特征。
关键点回归网络可根据全局特征,回归定位T6肋骨椎骨交叉点,来确定 X线胸片拍摄是否在正中央,分类网络可根据肩胛骨特征对肩胛骨是否在肺野内外进行分类,并可根据边缘特征对胸片上下左右是否完整进行分类。
可将步骤S1得到的训练集输入该神经网络检测模型,得到相应的模型参数,从而确定用于医学图像质量评估的模型。
在本发明的一个实施例中,待评估医学图像可以为正位X线胸片,也可以为后前位或前后位X线胸片。
在本发明的一个实施例中,在将医学图像输入神经网络检测模型前,还可先对其进行预处理,例如对其进行像素归一化处理。
通过上述的模型训练和评估步骤,能够得到待评估X线胸片的拍摄位置是否处于正中央、肩胛骨是否在肺野内外、胸片上下左右是否完整等评估结果。
根据本发明实施例的医学图像的质量评估方法,通过医学图像样本训练神经网络检测模型,并通过训练后的神经网络检测模型得到待评估医学图像的评估结果,由此,能够实时、全面、客观地对医学图像进行质控评估。
对应上述实施例的医学图像的质量评估方法,本发明还提出一种医学图像的质量评估装置。
如图3所示,本发明实施例的医学图像的质量评估装置,包括第一获取模块10、训练模块20、第二获取模块30和评估模块40。其中,第一获取模块10用于获取医学图像样本,并对医学图像样本进行标注以得到训练集;训练模块20用于通过训练集训练神经网络检测模型;第二获取模块30用于获取待评估医学图像;评估模块40用于将待评估医学图像输入训练后的神经网络检测模型,以输出待评估医学图像的评估结果。
在本发明的一个实施例中,医学图像为X线胸片。可获取若干X线胸片作为样本,并分别标注出对应的质量结果,例如标注出某一X线胸片拍摄位置是否处于正中央、肩胛骨是否在肺野内外、胸片上下左右是否完整。含有标注的若干X线胸片样本可组成训练集。应当理解的是,训练集中样本数量越大,后续训练出的模型精确度越高,具体样本数量可根据实际评估需求来确定。
在本发明的一个实施例中,如图2所示,神经网络检测模型包括区域特征提取网络、关键点回归网络和分类网络。
其中,区域特征提取网络包括肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络,肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络均采用残差卷积神经网络作为骨干网络,肩胛骨特征提取子网络用于对X线胸片的肩胛骨区域进行特征提取以得到肩胛骨特征,胸片边缘特征提取子网络用于对X线胸片的上下左右四个边缘区域进行特征提取以得到边缘特征,全局特征提取子网络用于对整个X线胸片进行特征提取以得到全局特征。
关键点回归网络可根据全局特征,回归定位T6肋骨椎骨交叉点,来确定 X线胸片拍摄是否在正中央,分类网络可根据肩胛骨特征对肩胛骨是否在肺野内外进行分类,并可根据边缘特征对胸片上下左右是否完整进行分类。
可将第一获取模块10得到的训练集输入该神经网络检测模型,得到相应的模型参数,从而确定用于医学图像质量评估的模型。
在本发明的一个实施例中,待评估医学图像可以为正位X线胸片,也可以为后前位或前后位X线胸片。
在本发明的一个实施例中,在将医学图像输入神经网络检测模型前,还可由第二获取模块30先对其进行预处理,例如对其进行像素归一化处理。
通过上述训练模块20的模型训练和评估模块40的评估,能够得到待评估X线胸片的拍摄位置是否处于正中央、肩胛骨是否在肺野内外、胸片上下左右是否完整等评估结果。
根据本发明实施例的医学图像的质量评估装置,通过医学图像样本训练神经网络检测模型,并通过训练后的神经网络检测模型得到待评估医学图像的评估结果,由此,能够实时、全面、客观地对医学图像进行质控评估。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种医学图像的质量评估方法,其特征在于,包括以下步骤:
获取医学图像样本,并对所述医学图像样本进行标注以得到训练集;
通过所述训练集训练神经网络检测模型;
获取待评估医学图像;
将所述待评估医学图像输入训练后的神经网络检测模型,以输出所述待评估医学图像的评估结果。
2.根据权利要求1所述的医学图像的质量评估方法,其特征在于,所述医学图像为X线胸片。
3.根据权利要求2所述的医学图像的质量评估方法,其特征在于,所述神经网络检测模型包括区域特征提取网络、关键点回归网络和分类网络。
4.根据权利要求3所述的医学图像的质量评估方法,其特征在于,所述区域特征提取网络包括肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络,所述肩胛骨特征提取子网络、所述胸片边缘特征提取子网络和所述全局特征提取子网络均采用残差卷积神经网络作为骨干网络,所述肩胛骨特征提取子网络用于对X线胸片的肩胛骨区域进行特征提取以得到肩胛骨特征,所述胸片边缘特征提取子网络用于对X线胸片的上下左右四个边缘区域进行特征提取以得到边缘特征,所述全局特征提取子网络用于对整个X线胸片进行特征提取以得到全局特征。
5.根据权利要求4所述的医学图像的质量评估方法,其特征在于,所述关键点回归网络用于根据所述全局特征,回归定位T6肋骨椎骨交叉点,来确定X线胸片拍摄是否在正中央,所述分类网络用于根据所述肩胛骨特征对肩胛骨是否在肺野内外进行分类,并用于根据所述边缘特征对胸片上下左右是否完整进行分类。
6.一种医学图像的质量评估装置,其特征在于,包括:
第一获取模块,所述第一获取模块用于获取医学图像样本,并对所述医学图像样本进行标注以得到训练集;
训练模块,所述训练模块用于通过所述训练集训练神经网络检测模型;
第二获取模块,所述第二获取模块用于获取待评估医学图像;
评估模块,所述评估模块用于将所述待评估医学图像输入训练后的神经网络检测模型,以输出所述待评估医学图像的评估结果。
7.根据权利要求1所述的医学图像的质量评估装置,其特征在于,所述医学图像为X线胸片。
8.根据权利要求7所述的医学图像的质量评估装置,其特征在于,所述神经网络检测模型包括区域特征提取网络、关键点回归网络和分类网络。
9.根据权利要求8所述的医学图像的质量评估装置,其特征在于,所述区域特征提取网络包括肩胛骨特征提取子网络、胸片边缘特征提取子网络和全局特征提取子网络,所述肩胛骨特征提取子网络、所述胸片边缘特征提取子网络和所述全局特征提取子网络均采用残差卷积神经网络作为骨干网络,所述肩胛骨特征提取子网络用于对X线胸片的肩胛骨区域进行特征提取以得到肩胛骨特征,所述胸片边缘特征提取子网络用于对X线胸片的上下左右四个边缘区域进行特征提取以得到边缘特征,所述全局特征提取子网络用于对整个X线胸片进行特征提取以得到全局特征。
10.根据权利要求9所述的医学图像的质量评估装置,其特征在于,所述关键点回归网络用于根据所述全局特征,回归定位T6肋骨椎骨交叉点,来确定X线胸片拍摄是否在正中央,所述分类网络用于根据所述肩胛骨特征对肩胛骨是否在肺野内外进行分类,并用于根据所述边缘特征对胸片上下左右是否完整进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010283974.0A CN111709906A (zh) | 2020-04-13 | 2020-04-13 | 医学图像的质量评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010283974.0A CN111709906A (zh) | 2020-04-13 | 2020-04-13 | 医学图像的质量评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709906A true CN111709906A (zh) | 2020-09-25 |
Family
ID=72536747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010283974.0A Pending CN111709906A (zh) | 2020-04-13 | 2020-04-13 | 医学图像的质量评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709906A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767307A (zh) * | 2020-12-28 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113112463A (zh) * | 2021-03-31 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 医学图像质量评估方法、电子设备及存储介质 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN116128854A (zh) * | 2023-02-03 | 2023-05-16 | 深圳市儿童医院 | 一种基于卷积神经网络的髋关节超声图像质量评估方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估*** |
CN107609493A (zh) * | 2017-08-25 | 2018-01-19 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
WO2018036276A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 图片品质的检测方法、装置、服务器及存储介质 |
CN108335293A (zh) * | 2018-01-31 | 2018-07-27 | 泰康保险集团股份有限公司 | 图像质量的确定方法及装置 |
CN108791299A (zh) * | 2018-05-16 | 2018-11-13 | 浙江零跑科技有限公司 | 一种基于视觉的驾驶疲劳检测及预警***及方法 |
CN109740541A (zh) * | 2019-01-04 | 2019-05-10 | 重庆大学 | 一种行人重识别***与方法 |
CN109801256A (zh) * | 2018-12-15 | 2019-05-24 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109859168A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
CN109978132A (zh) * | 2018-12-24 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 一种精细化车辆识别的神经网络方法及*** |
CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
CN110213663A (zh) * | 2019-05-22 | 2019-09-06 | 深圳壹账通智能科技有限公司 | 音视频播放方法、计算机设备及计算机可读存储介质 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
US20190340753A1 (en) * | 2018-05-07 | 2019-11-07 | Zebra Medical Vision Ltd. | Systems and methods for detecting an indication of a visual finding type in an anatomical image |
CN110659690A (zh) * | 2019-09-25 | 2020-01-07 | 深圳市商汤科技有限公司 | 神经网络的构建方法及装置、电子设备和存储介质 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
CN110798572A (zh) * | 2019-10-25 | 2020-02-14 | Oppo(重庆)智能科技有限公司 | 点亮屏幕的方法、装置、电子设备及介质 |
CN110796656A (zh) * | 2019-11-01 | 2020-02-14 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-13 CN CN202010283974.0A patent/CN111709906A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
WO2018036276A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 图片品质的检测方法、装置、服务器及存储介质 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估*** |
CN107609493A (zh) * | 2017-08-25 | 2018-01-19 | 广州视源电子科技股份有限公司 | 优化人脸图片质量评价模型的方法及装置 |
CN108335293A (zh) * | 2018-01-31 | 2018-07-27 | 泰康保险集团股份有限公司 | 图像质量的确定方法及装置 |
US20190340753A1 (en) * | 2018-05-07 | 2019-11-07 | Zebra Medical Vision Ltd. | Systems and methods for detecting an indication of a visual finding type in an anatomical image |
CN108791299A (zh) * | 2018-05-16 | 2018-11-13 | 浙江零跑科技有限公司 | 一种基于视觉的驾驶疲劳检测及预警***及方法 |
CN109801256A (zh) * | 2018-12-15 | 2019-05-24 | 华南理工大学 | 一种基于感兴趣区域和全局特征的图像美学质量评估方法 |
CN109978132A (zh) * | 2018-12-24 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 一种精细化车辆识别的神经网络方法及*** |
CN109859168A (zh) * | 2018-12-28 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
CN109740541A (zh) * | 2019-01-04 | 2019-05-10 | 重庆大学 | 一种行人重识别***与方法 |
CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
CN110213663A (zh) * | 2019-05-22 | 2019-09-06 | 深圳壹账通智能科技有限公司 | 音视频播放方法、计算机设备及计算机可读存储介质 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
CN110659690A (zh) * | 2019-09-25 | 2020-01-07 | 深圳市商汤科技有限公司 | 神经网络的构建方法及装置、电子设备和存储介质 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
CN110798572A (zh) * | 2019-10-25 | 2020-02-14 | Oppo(重庆)智能科技有限公司 | 点亮屏幕的方法、装置、电子设备及介质 |
CN110796656A (zh) * | 2019-11-01 | 2020-02-14 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767307A (zh) * | 2020-12-28 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113112463A (zh) * | 2021-03-31 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 医学图像质量评估方法、电子设备及存储介质 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN116128854A (zh) * | 2023-02-03 | 2023-05-16 | 深圳市儿童医院 | 一种基于卷积神经网络的髋关节超声图像质量评估方法 |
CN116128854B (zh) * | 2023-02-03 | 2023-11-10 | 深圳市儿童医院 | 一种基于卷积神经网络的髋关节超声图像质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709906A (zh) | 医学图像的质量评估方法和装置 | |
CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及*** | |
CN109859168B (zh) | 一种x射线胸片图像质量确定方法及装置 | |
ES2914387T3 (es) | Estudio inmediato | |
JP6807820B2 (ja) | 画像検索装置、方法およびプログラム | |
KR20200095504A (ko) | 추골 골절을 식별하기 위한 3차원 의료 이미지 분석 방법 및 시스템 | |
CN109919230A (zh) | 基于循环特征金字塔的医学图像肺结节检测方法 | |
CN108257132A (zh) | 一种基于机器学习的ct图像质量评估的方法 | |
CN105640577A (zh) | 一种自动检测放射影像中局部性病变的方法和*** | |
CN108846828A (zh) | 一种基于深度学习的病理图像目标区域定位方法及*** | |
CN112699868A (zh) | 一种基于深度卷积神经网络的图像识别方法、设备 | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
US20230057933A1 (en) | Storage medium, diagnosis support apparatus and diagnosis support method | |
CN111640093A (zh) | 医学图像的质控方法和计算机可读存储介质 | |
CN109919912A (zh) | 一种医学影像的质量评价方法和装置 | |
CN108324297A (zh) | 用于评估图像数据的图像分析方法 | |
Caliskan et al. | A pilot study of a deep learning approach to submerged primary tooth classification and detection | |
Flaucher et al. | Smartphone-based colorimetric analysis of urine test strips for at-home prenatal care | |
Chang et al. | Development and validation of a deep learning-based algorithm for colonoscopy quality assessment | |
Price et al. | Computerized diagnostic decision support system for the classification of preinvasive cervical squamous lesions | |
Davis | Predictive modelling of bone ageing | |
CN107680670A (zh) | 一种无地域限制的医学图像辨识与诊断***及方法 | |
TWI746249B (zh) | 心胸比估算方法及心胸比估算系統 | |
CN113537407A (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN113592834A (zh) | 一种x射线胸片图像质量确定方法及装置 |
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 |