CN112330629A - 基于计算机视觉的面部神经疾病康复情况静态检测*** - Google Patents

基于计算机视觉的面部神经疾病康复情况静态检测*** Download PDF

Info

Publication number
CN112330629A
CN112330629A CN202011217225.4A CN202011217225A CN112330629A CN 112330629 A CN112330629 A CN 112330629A CN 202011217225 A CN202011217225 A CN 202011217225A CN 112330629 A CN112330629 A CN 112330629A
Authority
CN
China
Prior art keywords
eye
mouth
image
value
eyes
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.)
Withdrawn
Application number
CN202011217225.4A
Other languages
English (en)
Inventor
徐双双
刘灿灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011217225.4A priority Critical patent/CN112330629A/zh
Publication of CN112330629A publication Critical patent/CN112330629A/zh
Withdrawn legal-status Critical Current

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种基于计算机视觉的面部神经疾病康复情况静态检测***，该***包括：用于对正视面部图像进行处理得到眼部图像、嘴部图像的脸部检测分割模块，用于基于眼白区域、瞳孔区域得到眼部异常程度的眼部异常检测模块，用于得到嘴部整体偏移量、嘴部变形程度、嘴角深度差异的嘴部异常检测模块，以及用于基于眼部异常程度、嘴部整体偏移量、嘴部变形程度、嘴角深度差异得到多条病情描述变化曲线，并根据曲线分析患者康复情况的康复效果判断模块。本发明基于单帧图像对患者的眼部和嘴部进行异常判断，且能够避免正常人脸眼部不对称对病情判断的干扰，从而可以更准确的判断患者病情，误差小。

Description

基于计算机视觉的面部神经疾病康复情况静态检测***
技术领域
本发明涉及计算机视觉领域，尤其是一种基于计算机视觉的面部神经疾病康复情况静态检测***。
背景技术
面部神经麻痹疾病最直接的外在表现为眼斜口歪，即面部神经疾病多发生于眼部和嘴部。现有技术往往是寻找到人脸对称轴后，以人脸左右两侧特征点的坐标差异来判断疾病。但是正常人体脸部本身眼睛整***置并不对称，且眼睛也并非理想中大小相等。采用该方式很容易因为受到不同患者本身脸部不对称性的影响，且使用的指标或特征点越多，误差累积越大，最终很容易造成误判断。
发明内容
为了解决上述问题，本发明提出一种基于计算机视觉的面部神经疾病康复情况静态检测***，该***包括：
脸部检测分割模块，用于利用第一神经网络对采集的患者的正视面部图像进行处理得到眼部遮罩、嘴部遮罩，并根据眼部遮罩判断所采集正视面部图像是否满足要求，不满足，重新采集正视面部图像，满足则分别利用眼部遮罩、嘴部遮罩裁剪正视面部图像，得到眼部图像、嘴部图像；
眼部异常检测模块，用于利用第二神经网络对眼部图像进行处理得到眼部语义分割图，眼部语义分割图包括眼白区域、瞳孔区域；并根据左右两只眼睛眼白区域的面积判断眼睛是否异常，若异常，则对眼部语义分割图进行对齐操作，并获取眼白区域的边缘点坐标和瞳孔的圆心坐标，基于边缘点坐标和圆心坐标求解最小眼部差异值和眼部异常程度；
嘴部异常检测模块，用于利用第三神经网络对嘴部图像进行处理得到嘴唇区域、嘴角区域；并获取嘴唇区域最小外接矩形框的中心点a，获取左右两个瞳孔圆心连线的中心点b，基于中心点a和b计算嘴部整体偏移量；假设嘴唇的密度均匀，获取嘴唇区域的重心c，基于a和c计算患者嘴部变形程度；获取嘴角区域的灰度值，基于嘴角区域的灰度值计算嘴角深度差异；
康复效果判断模块，用于绘制关于眼部异常程度、嘴部整体偏移量、嘴部变形程度、嘴角深度差异的病情描述变化曲线，根据多条病情描述变化曲线分析患者的康复情况。
所述根据眼部遮罩判断所采集正视面部图像是否满足要求具体为：所述眼部遮罩包括左眼遮罩、右眼遮罩，对左眼遮罩、右眼遮罩进行连通域分析得到左眼遮罩面积M1、右眼遮罩面积M2，m＝2*|M1-M2|/(M1+M2)，m大于第一阈值时，所采集正视面部图像不满足要求，需重新采集。
所述判断眼睛是否异常具体为：获取左眼眼白区域面积Sl、右眼眼白区域面积Sr，s＝2*|Sl-Sr|/(Sl+Sr)，s大于第二阈值时，判断眼睛异常。
所述对齐操作为：在眼部语义分割图中任选一只眼睛进行镜像操作，得到该眼睛的镜像，另一只眼睛进行平移操作，直至瞳孔圆心与镜像的瞳孔圆心重合。
所述最小差异值的求解步骤为：
为眼白区域各边缘点所在位置分配固定序号(1，2，…，n)，从瞳孔圆心重合的两只眼睛中任选一只眼睛，保持瞳孔圆心位置不变，对所选眼睛进行逐点顺时针旋转操作：若某边缘点旋转前位于第i个位置，则一次旋转后该边缘点位于第i+1个位置，i的取值为[1，n-1]，若某边缘点旋转前位于第i＝n个位置，则一次旋转后该边缘点位于第1个位置；
每次旋转后，计算
Figure BDA0002760805290000021
D(1，i)表示瞳孔圆心重合的两只眼睛中其中一只眼睛对应的第i个位置的边缘点与瞳孔圆心之间的距离，D(2，i)表示另一只眼睛对应的第i个位置的边缘点与瞳孔圆心之间的距离；
旋转n次后得到n个R值，从n个R值中选择一个最小值，该最小值为最小眼部差异值。
所述眼部异常程度的获取步骤为：得到所述最小眼部差异值时对应的瞳孔圆心重合的两只眼睛的位置状态为最佳位置状态，基于最佳位置状态，计算Fi＝(D(1，i)-D(2，i))2，i的取值为[1，n]，Fi为第i个位置的距离差异值，设标记值U的初始值为0，则每次Fi大于第三阈值时，都对U进行加1操作，E＝U/n，E表示眼部异常程度。
所述嘴角深度差异为：GR＝2*|Gl-Gr|/(Gl+Gr)，Gl为左侧嘴角区域所有像素灰度值之和，Gr为右侧嘴角区域所有像素灰度值之和，GR为嘴角深度差异。
本发明的有益效果在于：
1.本发明基于单帧图像对患者的眼部和嘴部进行异常判断，且能够避免正常人脸眼部不对称对病情判断的干扰，从而可以更准确的判断患者病情，误差小。
2.本发明可由患者自行采集正视面部图像并上传***，使患者能够自行判断病情，节省了医疗资源，且该***功耗低，对计算性能要求低，可布置于手机等移动端。
3.本发明可以根据病情描述变化曲线得到患者的康复情况，便于医生根据康复情况及时制定和调整治疗方法。
附图说明
图1为本发明***结构图。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。
本发明的目的是基于患者单帧面部图像进行面部麻痹病情的判断，量化病情和康复效果，消除患者脸部本身正常的不对称性对病情判断的影响，以准确的数字量让患者清楚病情程度和康复效果。具体地。本发明的***结构如图1所示，包括用于得到眼部图像、嘴部图像的脸部检测分割模块，用于得到眼部异常程度的眼部异常检测模块，用于得到嘴部整体偏移量、嘴部变形程度、嘴角深度差异的嘴部异常检测模块，以及用于得到多条病情描述变化曲线，并根据曲线分析患者康复情况的康复效果判断模块。
实施例：
采集患者单帧正视面部图像，将正视面部图像送入脸部检测分割模块，得到眼部图像和嘴部图像，具体地：
利用第一神经网络对采集的患者的正视面部图像进行处理得到眼部遮罩、嘴部遮罩，第一神经网络为Encoder-Decoder的形式，输入为正视面部图像，输出为人脸对应的分割图像；第一神经网络包括第一编码器和第一解码器，第一编码器对正视面部图像先进行编码操作，即使用卷积和池化操作在对图像进行下采样的过程中，提取图像中的空域特征，输出为提取到的特征向量；第一解码器对特征向量进行解码操作，即通过反卷积和反池化操作把特征向量恢复成对应的单通道分割图像。
第一神经网络训练所用数据集为采集到的患者脸部正视图像；标签为图像对应的分割图像标签，标签图像中，每个像素的数值表示当前位置像素所述的类别，本发明需要把图像分割为4类，分别为背景，脸部，眼部，嘴部。根据像素所属类别，依次标记像素值为0，1，2，3；所用Loss函数为交叉熵损失函数。
得到人脸分割图像后，提取眼部和嘴部的连通域，得到对应的眼部二值遮罩、嘴部二值遮罩。
根据眼部遮罩判断所采集正视面部图像是否满足要求：眼部遮罩包括左眼遮罩、右眼遮罩，对左眼遮罩、右眼遮罩进行连通域分析得到左眼遮罩面积M1、右眼遮罩面积M2，m＝2*|M1-M2|/(M1+M2)，m大于第一阈值时，所采集正视面部图像不满足要求即所采集图像中人脸非正视人脸，***进行提示，要求患者重新采集；实施例中，第一阈值的经验值为0.05；否则，分别利用眼部遮罩、嘴部遮罩裁剪正视面部图像即遮罩与正视面部RGB图像相乘实现图像的局部裁剪，得到眼部图像、嘴部图像。
得到眼部图像后，患者因病变区域不同，程度不同，外在面部变化也不同。症状表现为：眼白区域面积不同。
将眼部图像送入眼部异常检测模块，利用第二神经网络对眼部图像进行处理得到眼部语义分割图，具体地：
第二神经网络的输入为眼部图像，输出为眼部语义分割图，包括第二编码器和第二解码器，第二神经网络与第一神经网络的工作原理相同。
第二神经网络训练所用数据集为患者眼部图像，标签为图像对应的分割图像标签，标签图像中，每个像素的数值表示当前位置像素所述的类别，实施例需要把眼部图像分割为3类，分别为背景，眼白，瞳孔，根据像素所属类别，依次标记像素值为0，1，2；所用Loss函数为交叉熵损失函数。
至此，得到眼白区域、瞳孔区域。
根据左右两只眼睛眼白区域的面积判断眼睛是否异常：获取左眼眼白区域面积Sl、右眼眼白区域面积Sr，s＝2*|Sl-Sr|/(Sl+Sr)，s大于第二阈值时，判断眼睛异常即认为两个眼睛差异较大，需要进一步分析；第二阈值的取值为0.05。
眼睛异常时，对眼部语义分割图进行对齐操作，原因为正常情况下，左右双眼关于脸部对称轴的距离不同，高低位置也不同，如果直接进行左右坐标点对称性分析，误差会很大。具体的对齐操作为：在眼部语义分割图中任选一只眼睛进行镜像操作，得到该眼睛的镜像，具体地，当选择为左边眼睛时，以过连通域最右侧点的竖直直线为镜像轴，把整个眼部区域对称到轴的另一侧；当选择为右边眼睛时，以过连通域最左侧点的竖直直线为镜像轴，把整个眼部区域对称到轴的另一侧；镜像操作后，另一只眼睛进行平移操作，直至瞳孔圆心与镜像的瞳孔圆心重合。
完成对齐操作后获取眼白区域的边缘点坐标和瞳孔的圆心坐标，基于边缘点坐标和圆心坐标求解最小眼部差异值和眼部异常程度，最小眼部差异值的求解方法具体为：
为眼白区域各边缘点所在位置分配固定序号(1，2，…，n)，从瞳孔圆心重合的两只眼睛中任选一只眼睛，保持瞳孔圆心位置不变，对所选眼睛进行逐点顺时针旋转操作：若某边缘点旋转前位于第i个位置，则一次旋转后该边缘点位于第i+1个位置，i的取值为[1，n-1]，若某边缘点旋转前位于第i＝n个位置，则一次旋转后该边缘点位于第1个位置；
每次旋转后，计算
Figure BDA0002760805290000041
D(1，i)表示瞳孔圆心重合的两只眼睛中其中一只眼睛对应的第i个位置的边缘点与瞳孔圆心之间的距离，D(2，i)表示另一只眼睛对应的第i个位置的边缘点与瞳孔圆心之间的距离；
旋转n次后得到n个R值，从n个R值中选择一个最小值，该最小值为最小眼部差异值。
眼部异常程度的获取步骤为：
得到所述最小眼部差异值时对应的瞳孔圆心重合的两只眼睛的位置状态为最佳位置状态，基于最佳位置状态，遍历计算Fi＝(D(1，i)-D(2，i))2，i的取值为[1，n]，Fi为第i个位置的距离差异值，设标记值U的初始值为0，则每次Fi大于第三阈值时，都对U进行加1操作，E＝U/n，E表示眼部异常程度。Fi大于第三阈值时对应的第i个位置发生异常，得到眼部异常位置。
至此，得到眼部异常程度。
将嘴部图像送入嘴部异常检测模块，利用第三神经网络对嘴部图像进行处理得到嘴唇区域、嘴角区域，具体地：
第三神经网络的输入为嘴部图像，输出嘴部语义分割图，嘴部语义分割图包括嘴唇区域、嘴角区域；该网络工作原理与第一神经网络或第二神经网络相同。
第三神经网络训练所有数据集为患者嘴部图像，标签图像中像素类别为5类，具体地，背景、上嘴唇、下嘴唇、左嘴角、右嘴角对应的像素分别为0，1，2，3，4；所用Loss函数为交叉熵损失函数。
患者面部在正常和患病两个状态下，其眼睛的位置并未发生改变，更多情况为面部表情肌的异常带动眼睑发生了异常。但是对于嘴唇区域，嘴唇为面部外在皮肤组织，表情肌的异常会带动嘴唇，使之相较脸部其他区域发生整体的偏移和局部的畸变。
获取上嘴唇和下嘴唇组成的嘴唇区域，嘴唇区域经过形态学处理实现内部腐蚀后进行连通域分析，得到嘴唇区域最小外接矩形框的中心点a，点a的坐标为(xa，ya)；获取左右两个瞳孔圆心连线的中心点b，点b的坐标为(xb，yb)；基于中心点a和b计算嘴部整体偏移量PY：
PY＝|xa-xb|/(xmax-xmin)
xmax表示嘴唇区域最小外接矩形的最大横向坐标，xmin表示嘴唇区域最小外接矩形的最小横向坐标。(xmax-xmin)表示嘴唇区域最小外接矩形的像素宽度。
嘴唇的局部畸变反映为左右两侧的面积差异，但分割嘴唇两侧的对称轴难以获取，因此，本发明使用中心点a与重心的差异来反映嘴部变形程度：假设嘴唇的密度均匀，获取嘴唇区域的重心c，重心c的坐标为(xc，yc)，基于a和c计算患者嘴部变形程度BX：
BX＝|xc-xa|/(xmax-xmin)
患者嘴部发生异常时往往是单侧异常，即左右嘴角的深度差异较大，深度值往往需要再添加设备进行获取，因此，本发明通过两侧嘴角区域的灰度值差异来反映深度差异，获取嘴角区域的灰度值，基于嘴角区域的灰度值计算嘴角深度差异：
GR＝2*|Gl-Gr|/(Gl+Gr)
Gl为左侧嘴角区域所有像素灰度值之和，Gr为右侧嘴角区域所有像素灰度值之和，GR为嘴角深度差异。
至此，得到多个嘴部的病情描述量。
将***每次得到的眼部异常程度、嘴部整体偏移量、嘴部变形程度、嘴角深度差异送入康复效果判断模块，每间隔一段时间利用本***进行一次检测，结合***检测记录的相关历史数据，以时间为横轴，分别以眼部异常程度、嘴部整体偏移量、嘴部变形程度、嘴角深度差异为纵轴绘制多条病情描述变化曲线，根据多条病情描述变化曲线分析患者的康复情况：
求病情描述变化曲线变化的梯度，梯度的正负表示病情的好坏变化，梯度的大小表示变化的程度。若梯度为正向，表示病情描述量越来越大，即面部疾病越来越严重，此时需要及时提醒患者和医师；若梯度为负向，表示病情描述量越来越小，病情好转，即疾病程度有减轻趋势，梯度值的大小即反映了康复效果的变化，正向梯度值越大说明康复效果越差，负向梯度值越大说明康复效果越好。
以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动，皆在本发明的保护范围内。

Claims (7)

1.一种基于计算机视觉的面部神经疾病康复情况静态检测***，其特征在于，该***包括：
脸部检测分割模块，用于利用第一神经网络对采集的患者的正视面部图像进行处理得到眼部遮罩、嘴部遮罩，并根据眼部遮罩判断所采集正视面部图像是否满足要求，不满足，重新采集正视面部图像，满足则分别利用眼部遮罩、嘴部遮罩裁剪正视面部图像，得到眼部图像、嘴部图像；
眼部异常检测模块，用于利用第二神经网络对眼部图像进行处理得到眼部语义分割图，眼部语义分割图包括眼白区域、瞳孔区域；并根据左右两只眼睛眼白区域的面积判断眼睛是否异常，若异常，则对眼部语义分割图进行对齐操作，并获取眼白区域的边缘点坐标和瞳孔的圆心坐标，基于边缘点坐标和圆心坐标求解最小眼部差异值和眼部异常程度；
嘴部异常检测模块，用于利用第三神经网络对嘴部图像进行处理得到嘴唇区域、嘴角区域；并获取嘴唇区域最小外接矩形框的中心点a，获取左右两个瞳孔圆心连线的中心点b，基于中心点a和b计算嘴部整体偏移量；假设嘴唇的密度均匀，获取嘴唇区域的重心c，基于a和c计算患者嘴部变形程度；获取嘴角区域的灰度值，基于嘴角区域的灰度值计算嘴角深度差异；
康复效果判断模块，用于绘制关于眼部异常程度、嘴部整体偏移量、嘴部变形程度、嘴角深度差异的病情描述变化曲线，根据多条病情描述变化曲线分析患者的康复情况。
2.如权利要求1所述的***，其特征在于，所述根据眼部遮罩判断所采集正视面部图像是否满足要求具体为：所述眼部遮罩包括左眼遮罩、右眼遮罩，对左眼遮罩、右眼遮罩进行连通域分析得到左眼遮罩面积M1、右眼遮罩面积M2，m＝2*|M1-M2|/(M1+M2)，m大于第一阈值时，所采集正视面部图像不满足要求，需重新采集。
3.如权利要求1所述的***，其特征在于，所述判断眼睛是否异常具体为：获取左眼眼白区域面积Sl、右眼眼白区域面积Sr，s＝2*|Sl-Sr|/(Sl+Sr),s大于第二阈值时，判断眼睛异常。
4.如权利要求1所述的***，其特征在于，所述对齐操作为：在眼部语义分割图中任选一只眼睛进行镜像操作，得到该眼睛的镜像，另一只眼睛进行平移操作，直至瞳孔圆心与镜像的瞳孔圆心重合。
5.如权利要求4所述的***，其特征在于，所述最小差异值的求解步骤为：
为眼白区域各边缘点所在位置分配固定序号(1,2，…，n)，从瞳孔圆心重合的两只眼睛中任选一只眼睛，保持瞳孔圆心位置不变，对所选眼睛进行逐点顺时针旋转操作：若某边缘点旋转前位于第i个位置，则一次旋转后该边缘点位于第i+1个位置，i的取值为[1，n-1]，若某边缘点旋转前位于第i＝n个位置，则一次旋转后该边缘点位于第1个位置；
每次旋转后，计算
Figure FDA0002760805280000011
D(1,i)表示瞳孔圆心重合的两只眼睛中其中一只眼睛对应的第i个位置的边缘点与瞳孔圆心之间的距离，D(2,i)表示另一只眼睛对应的第i个位置的边缘点与瞳孔圆心之间的距离；
旋转n次后得到n个R值，从n个R值中选择一个最小值，该最小值为最小眼部差异值。
6.如权利要求5所述的***，其特征在于，所述眼部异常程度的获取步骤为：得到所述最小眼部差异值时对应的瞳孔圆心重合的两只眼睛的位置状态为最佳位置状态，基于最佳位置状态，计算Fi＝(D(1,i)-D(2,i))2,i的取值为[1，n]，Fi为第i个位置的距离差异值，设标记值U的初始值为0，则每次Fi大于第三阈值时，都对U进行加1操作，E＝U/n，E表示眼部异常程度。
7.如权利要求1所述的***，其特征在于，所述嘴角深度差异为：GR＝2*|Gl-Gr|/(Gl+Gr)，Gl为左侧嘴角区域所有像素灰度值之和，Gr为右侧嘴角区域所有像素灰度值之和，GR为嘴角深度差异。
CN202011217225.4A 2020-11-04 2020-11-04 基于计算机视觉的面部神经疾病康复情况静态检测*** Withdrawn CN112330629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011217225.4A CN112330629A (zh) 2020-11-04 2020-11-04 基于计算机视觉的面部神经疾病康复情况静态检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011217225.4A CN112330629A (zh) 2020-11-04 2020-11-04 基于计算机视觉的面部神经疾病康复情况静态检测***

Publications (1)

Publication Number Publication Date
CN112330629A true CN112330629A (zh) 2021-02-05

Family

ID=74323809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011217225.4A Withdrawn CN112330629A (zh) 2020-11-04 2020-11-04 基于计算机视觉的面部神经疾病康复情况静态检测***

Country Status (1)

Country Link
CN (1) CN112330629A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740068A (zh) * 2023-08-15 2023-09-12 贵州毅丹恒瑞医药科技有限公司 一种白内障手术用智能导航***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740068A (zh) * 2023-08-15 2023-09-12 贵州毅丹恒瑞医药科技有限公司 一种白内障手术用智能导航***
CN116740068B (zh) * 2023-08-15 2023-10-10 贵州毅丹恒瑞医药科技有限公司 一种白内障手术用智能导航***

Similar Documents

Publication Publication Date Title
US11645748B2 (en) Three-dimensional automatic location system for epileptogenic focus based on deep learning
WO2021169128A1 (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
US20220083762A1 (en) Digital image classification method for cervical fluid-based cells based on a deep learning detection model
US20210174505A1 (en) Method and system for imaging and analysis of anatomical features
US20210118144A1 (en) Image processing method, electronic device, and storage medium
US20150187070A1 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
CN109389129A (zh) 一种图像处理方法、电子设备及存储介质
CN111126180B (zh) 一种基于计算机视觉的面瘫严重程度自动检测***
TWI719587B (zh) 眼底圖像定量分析的前置處理方法及存放裝置
CN112750531A (zh) 一种中医自动化望诊***、方法、设备和介质
CN112232128B (zh) 基于视线追踪的老年残障人士照护需求识别方法
CN113782184A (zh) 一种基于面部关键点与特征预学习的脑卒中辅助评估***
US20240005494A1 (en) Methods and systems for image quality assessment
CN114287915A (zh) 一种基于背部彩色图像的无创脊柱侧弯筛查方法及***
CN114202795A (zh) 一种老年人瞳孔快速定位方法
CN112330629A (zh) 基于计算机视觉的面部神经疾病康复情况静态检测***
US10956735B1 (en) System and method for determining a refractive error from red reflex images of eyes
CN113326745A (zh) 一种通过图像识别技术判识造口情况应用***
CN114240883A (zh) 一种染色体图像处理方法及***
CN103955941A (zh) 一种角膜内皮细胞分析仪及分析方法
CN117058584A (zh) 一种基于深度学习的婴儿痉挛症临床发作视频识别方法
CN111428778B (zh) 一种胎儿颜面部标准切面自动分类法
CN110751064B (zh) 基于图像处理的眨眼次数分析方法和***
CN115082461B (zh) 一种基于边缘计算的预判过滤方法及装置
CN118097160B (zh) 基于视觉技术的危急重症病患状态监测***

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210205