CN113657558A - 一种针对骶髂关节ct图像的分类评级方法及装置 - Google Patents
一种针对骶髂关节ct图像的分类评级方法及装置 Download PDFInfo
- Publication number
- CN113657558A CN113657558A CN202111206856.0A CN202111206856A CN113657558A CN 113657558 A CN113657558 A CN 113657558A CN 202111206856 A CN202111206856 A CN 202111206856A CN 113657558 A CN113657558 A CN 113657558A
- Authority
- CN
- China
- Prior art keywords
- image
- sacroiliac joint
- neural network
- mixed
- rating
- 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.)
- Granted
Links
- 210000003131 sacroiliac joint Anatomy 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 206010002556 Ankylosing Spondylitis Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000002203 sacroiliac arthritis Diseases 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003692 ilium Anatomy 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对骶髂关节CT图像的分类评级方法及装置,该方法将骶髂关节CT图像输入3D‑UNet神经网络进行分割处理后与原图像相乘,得到混合图像及所述混合图像的感兴趣区域;计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果;所述混合神经网络包括两个以上神经网络。本发明技术方案提高了对骶髂关节CT图像分类评级的准确率和精度。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种针对骶髂关节CT图像的分类评级方法及装置。
背景技术
强直性脊柱炎(AS)是一种脊椎关节长期炎症的关节炎。强直性脊柱炎的病理性标志和早期表现之一为骶髂关节炎。强直性脊柱炎现阶段并没有治愈的办法,因此及时通过骶髂关节的病变及时诊断出病变,进而可以早期进行预防性治疗是非常重要的。传统基于CT影像进行AS骶髂关节CT评级分为5个级别,分别是0级、1级、2级、3级和4级,如图1所示。
现有技术中包括基于机器学习的评级方法和基于深度学习的评级方法,例如基于机器学习的评级方法中,使用骶髂关节的CT影像来对AS进行评级,先用图割算法对骶髂关节感兴趣部位进行分割,分别提取出包含骶骨和髂骨皮质表面的数据块。并将感兴趣数据块裁剪成21* 21的二维小块,使用支撑向量机Support Vector Machine (SVM)对小块进行分类评级。此种评级方法的准确率仅在72.25%,分类精度较低;
在基于深度学习的评级方法中,结合了机器学习和深度学习理论,分为三个阶段按成。首先,该方法使用3D-Unet网络完成对初步感兴趣分割。其次,将分割得到的感兴趣区域分成一张张二维图像并分别标记标签,使用卷积神经网络CNN对图像分类进行训练。最后使用随机森林算法对一组图像得到的对应预测值进行评估,得到最终的评级结果。此种评级方法分别在二分类与三分类的指标下获得91.9%和86%的准确度。高于人工的准确精度。
可见,传统的评级方法都是基于二维图像,而CT图像本身就是一个三维的数据。如果强行将其拆分为二维图像去分析,则会丢失一部分第三个维度的信息,进而导致评级的准确率不高。且都需要人工去裁剪出目标区域,相较于自动化的过程反而耗费更多人力。
发明内容
本发明提供一种针对骶髂关节CT图像的分类评级方法及装置,提高了对骶髂关节CT图像分类评级的准确率和精度。
本发明一实施例提供一种针对骶髂关节CT图像的分类评级方法,包括以下步骤:
将骶髂关节CT图像输入3D-UNet神经网络进行分割处理后与原图像相乘,得到混合图像及所述混合图像的感兴趣区域;
计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;
将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果;所述混合神经网络包括两个以上神经网络。
进一步的,所述混合神经网络包括残差神经网络、附加特征提取网络和双通道融合结构;所述残差神经网络和附加特征提取网络用于对输入的左骶髂关节图像和右骶髂关节图像进行特征提取,所述双通道融合结构用于将所述残差神经网络和附加特征提取网络输出的图像进行融合。
进一步的,所述混合神经网络在构建时进行了3D化处理。
进一步的,将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果,具体为:
将所述左骶髂关节图像和右骶髂关节图像进行预处理后,同时输入至所述残差神经网络和附加特征提取网络进行特征提取,分别得到第一特征图像和第二特征图像;
将所述第一特征图像和第二特征图像按照预设的权重参数进行融合得到特征融合图像;
将所述特征融合图像输入至所述混合神经网络的全连接层,得到所述骶髂关节CT图像的分类评级结果。
进一步的,计算所述混合图像的数据分布区间,具体包括:
根据所述混合图像的感兴趣区域大小和所述混合神经网络运行的效率,确定数据框的大小;
根据所述数据框确定的所述混合图像的数据范围,统计x轴,y轴,z轴的数据分布区间。
进一步的,根据所述数据分布区间确定所述混合图像裁剪时的三维坐标范围,具体包括:
根据所述数据分布区间确定第一三维坐标范围,所述第一三维坐标范围大于所述数据框的范围;
逐渐缩小所述第一三维坐标范围并最终确定所述混合图像裁剪时的三维坐标范围,所述裁剪时的三维坐标范围可以涵盖80%以上的像素值。
进一步地,所述附加特征提取网络包括空间注意力模块,并对所述空间注意力模块进行最大池化操作和平均池化操作。
本发明另一实施例提供了一种针对骶髂关节CT图像的分类评级装置,包括:获取感兴趣区域模块、自动裁剪模块和分类评级模块;
所述获取感兴趣区域模块用于获取骶髂关节CT图像的混合图像及其感兴趣区域;
所述自动裁剪模块用于计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;
所述分类评级模块用于将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果。
本发明的实施例,具有如下有益效果:
本发明提供了一种针对骶髂关节CT图像的分类评级方法及装置,该分类评级方法通过将骶髂关节CT图像输入3D-UNet神经网络进行分割处理后与原图像相乘,得到混合图像及所述混合图像的感兴趣区域;再通过计算感兴趣区域的分布区间来确定所述混合图像裁剪时的三维坐标范围,并将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;最后将裁剪好的左骶髂关节图像和右骶髂关节图像输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果;可见,本发明通过对骶髂关节CT图像进行精细化地分割处理、裁剪处理后,得到最合适的用于输入混合神经网络的所述骶髂关节CT图像,以提高所述混合神经网络分类评级的准确性,同时所述混合神经网络包括两个以上神经网络,所述两个以上神经网络均参与所述骶髂关节CT图像的分类评级,因此,进一步提高了对骶髂关节CT图像分类评级的准确率和精度。
进一步地,本发明对所述骶髂关节CT图像的分割处理、裁剪处理和分类评级工作均为自动化处理流程,无需人工介入,大大提高了骶髂关节CT图像分类评级工作的效率。
附图说明
图1是传统的基于CT影像进行AS骶髂关节CT评级示意图;
图2是本发明一实施例提供的针对骶髂关节CT图像的分类评级方法的流程示意图;
图3是本发明一实施例提供的针对骶髂关节CT图像的分类评级装置的结构示意图;
图4是本发明一实施例提供的3D-UNet神经网络结构图;
图5是本发明一实施例提供的原始图像、分割图像和混合图像的对比图;
图6是本发明一实施例提供的混合图像、左侧图像和右侧图像的对比图;
图7是本发明一实施例提供的混合分类神经网络的结构图;
图8是本发明一实施例提供的残差模块的示意图;
图9是本发明一实施例提供的空间注意力模块的示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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2所示,本发明一实施例提供的针对骶髂关节CT图像的分类评级方法,包括:
步骤S101: 将骶髂关节CT图像输入3D-UNet神经网络进行分割处理后与原图像相乘,得到混合图像及所述混合图像的感兴趣区域。
作为其中一种实施例,步骤S101具体为:如图4所示,将骶髂关节CT图像进行归一化处理后输入至3D-UNet神经网络,所述3D-UNet神经网络对所述骶髂关节CT图像进行分割处理;经过所述3D-UNet神经网络分割后的所述骶髂关节CT图像为二值化图像;所述骶髂关节CT图像的数据格式为dicom,测定指标为HU,并根据测试经验,将HU规范到一定的范围以突显出目标骶髂关节及其间隙部分。
如图5所示,将经过所述3D-UNet神经网络分割后得到所述骶髂关节CT图像与其原图像相乘得到混合图像及所述混合图像的感兴趣区域;所述骶髂关节CT图像与其原图像相乘是指图像的对应像素值相乘。
步骤S102: 计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像。
每个分割得到的混合图像都可以分为左右骶髂关节两个部分,然而并非每个图像都在固定位置,因此无法通过一个直接的数据框将图像粗暴的分割开来,因此需要根据其图像分布情况制订合适的方法策略。
作为其中一种实施例,步骤S102具体为:根据所述混合图像的感兴趣区域大小和所述混合神经网络的运行效率,确定数据框的大小,所述数据框的大小为128*128*96;
根据所述数据框确定的所述混合图像的数据范围,统计x轴,y轴,z轴的数据分布区间;并通过直方图显示出所述数据分布情况,以确定所述数据分布区间;
选取数据框是为了既减少无关数据又保留包含骶髂关节的重要数据。输入神经网络的数据要求大小一致,且数据越小运算效率越高,因此这里对数据框选取方法进行优化。所述x轴,y轴,z轴的统计对象是混合图像。
根据所述数据分布区间确定第一三维坐标范围,所述第一三维坐标范围大于所述数据框的范围(即所述第一三维坐标范围大于所述数据框的规格);
逐渐缩小所述第一三维坐标范围并最终确定所述混合图像裁剪时的三维坐标范围,所述裁剪时的三维坐标范围可以涵盖大部分的像素值;优选地,所述裁剪时的三维坐标范围可以涵盖80%以上的像素值;
如图6所示,根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像。
步骤S103: 将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果;所述混合神经网络包括两个以上神经网络。
优选地,所述混合神经网络包括残差神经网络、附加特征提取网络和双通道融合结构;所述残差神经网络和附加特征提取网络用于对输入的左骶髂关节图像和右骶髂关节图像进行特征提取,所述双通道融合结构用于将所述残差神经网络和附加特征提取网络输出的图像进行融合。
作为其中一种实施例,步骤S103具体为:将所述左骶髂关节图像和右骶髂关节图像的HU值限定在合适的范围,并对所述左骶髂关节图像和右骶髂关节图像进行归一化处理;优选地,所述归一化处理限定在(0,1)的范围内;
如图7所示,将归一化处理后的所述左骶髂关节图像和右骶髂关节图像,同时输入至所述残差神经网络和附加特征提取网络进行特征提取,分别得到第一特征图像和第二特征图像;
将所述第一特征图像和第二特征图像按照预设的权重参数进行融合得到特征融合图像;
将所述特征融合图像输入至所述混合神经网络的全连接层,得到所述骶髂关节CT图像的分类评级结果。
优选地,所述残差神经网络为3D-ResNet18网络或3D-ResNet50网络,如图8所示,所述3D-ResNet18网络或3D-ResNet50网络包括多个残差模块;所述多个残差模块为3D-ResNet18网络或3D-ResNet50网络的核心结构。
作为其中一种实施例,如图9所示,所述附加特征提取网络包括空间注意力模块和卷积模块,并对所述空间注意力模块进行最大池化操作和平均池化操作,因此可以从最开始提取空间上的更多特征,以便于后续网络训练时提取出更高层面的特征。
作为其中一种实施例,在将所述第一特征图像和第二特征图像按照预设的权重参数进行融合得到特征融合图像时,具体公式为,其中,表示所述残差神经网络通道的整体输出,表示所述附加特征提取网络的输出,表示所述残差神经网络和附加特征提取网络之间的权重关系;优选地,设为0.5,即两个网络通道权重各占一半。
由于不同级别的分级标准没有严格定量标准,因此,影像科医生对AS骶髂关节的评级具有很大的主观性,不同的医生会给出不同的分级结果,导致诊断质量的偏差。再加上影像科医生的增长远低于现代影像数据的增长,影像科医生长时大量的阅片会增大对AS误诊和漏诊的概率。因此,本发明实施例通过借助计算机对所述骶髂关节CT图像的分割处理、裁剪处理和分类评级工作均实现自动化处理,以辅助医生进行评级诊断,不仅可以提高医生阅片的效率,减少医生因疲劳引起的误诊漏诊概率,而且还可以作为筛查模块运用到腰椎不适、背痛等病人的CT影像自动筛查中,提高对AS骶髂关节炎早期发现的概率。
在上述发明实施例的基础上,本发明对应提供了装置项实施例,如图3所示;
本发明另一实施例提供了一种针对骶髂关节CT图像的分类评级装置,包括:获取感兴趣区域模块、自动裁剪模块和分类评级模块;
所述获取感兴趣区域模块用于获取骶髂关节CT图像的混合图像及其感兴趣区域;
所述自动裁剪模块用于计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;
所述分类评级模块用于将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果。
需要说明的是,本发明上述装置项实施例,是与本发明方法项实施例相对应的,其能够实现本发明任意一项方法项实施例所述的针对骶髂关节CT图像的分类评级方法。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
Claims (8)
1.一种针对骶髂关节CT图像的分类评级方法,其特征在于,包括以下步骤:将骶髂关节CT图像输入3D-UNet神经网络进行分割处理后与原图像相乘,得到混合图像及所述混合图像的感兴趣区域;
计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;
将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果;所述混合神经网络包括两个以上神经网络。
2.根据权利要求1所述的针对骶髂关节CT图像的分类评级方法,其特征在于,所述混合神经网络包括残差神经网络、附加特征提取网络和双通道融合结构;所述残差神经网络和附加特征提取网络用于对输入的左骶髂关节图像和右骶髂关节图像进行特征提取,所述双通道融合结构用于将所述残差神经网络和附加特征提取网络输出的图像进行融合。
3.根据权利要求2所述的针对骶髂关节CT图像的分类评级方法,其特征在于,所述混合神经网络在构建时进行了3D化处理。
4.根据权利要求3所述的针对骶髂关节CT图像的分类评级方法,其特征在于,将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果,具体为:
将所述左骶髂关节图像和右骶髂关节图像进行预处理后,同时输入至所述残差神经网络和附加特征提取网络进行特征提取,分别得到第一特征图像和第二特征图像;
将所述第一特征图像和第二特征图像按照预设的权重参数进行融合得到特征融合图像;
将所述特征融合图像输入至所述混合神经网络的全连接层,得到所述骶髂关节CT图像的分类评级结果。
5.根据权利要求4所述的针对骶髂关节CT图像的分类评级方法,其特征在于,计算所述混合图像的数据分布区间,具体包括:
根据所述混合图像的感兴趣区域大小和所述混合神经网络运行的效率,确定数据框的大小;
根据所述数据框确定的所述混合图像的数据范围,统计x轴,y轴,z轴的数据分布区间。
6.根据权利要求5所述的针对骶髂关节CT图像的分类评级方法,其特征在于,根据所述数据分布区间确定所述混合图像裁剪时的三维坐标范围,具体包括:
根据所述数据分布区间确定第一三维坐标范围,所述第一三维坐标范围大于所述数据框的范围;
逐渐缩小所述第一三维坐标范围并最终确定所述混合图像裁剪时的三维坐标范围,所述裁剪时的三维坐标范围可以涵盖80%以上的像素值。
7.根据权利要求2至6任一项所述的针对骶髂关节CT图像的分类评级方法,其特征在于,所述附加特征提取网络包括空间注意力模块,并对所述空间注意力模块进行最大池化操作和平均池化操作。
8.一种针对骶髂关节CT图像的分类评级装置,其特征在于,包括:获取感兴趣区域模块、自动裁剪模块和分类评级模块;
所述获取感兴趣区域模块用于获取骶髂关节CT图像的混合图像及其感兴趣区域;
所述自动裁剪模块用于计算所述混合图像的感兴趣区域的分布区间,根据所述分布区间确定所述混合图像裁剪时的三维坐标范围,并根据所述三维坐标范围将所述混合图像自动裁剪为左骶髂关节图像和右骶髂关节图像;
所述分类评级模块用于将所述左骶髂关节图像和右骶髂关节图像进行预处理后,输入至混合神经网络得到所述骶髂关节CT图像的分类评级结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111206856.0A CN113657558B (zh) | 2021-10-18 | 2021-10-18 | 一种针对骶髂关节ct图像的分类评级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111206856.0A CN113657558B (zh) | 2021-10-18 | 2021-10-18 | 一种针对骶髂关节ct图像的分类评级方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657558A true CN113657558A (zh) | 2021-11-16 |
CN113657558B CN113657558B (zh) | 2022-07-01 |
Family
ID=78494543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111206856.0A Active CN113657558B (zh) | 2021-10-18 | 2021-10-18 | 一种针对骶髂关节ct图像的分类评级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657558B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测*** |
CN111127482A (zh) * | 2019-12-20 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺气管的分割方法及*** |
CN111429407A (zh) * | 2020-03-09 | 2020-07-17 | 清华大学深圳国际研究生院 | 基于双通道分离网络的胸部x光疾病检测装置及方法 |
CN112861994A (zh) * | 2021-03-12 | 2021-05-28 | 中国科学院自动化研究所 | 基于Unet迁移学习的胃印戒细胞癌图像智能分类*** |
CN112991269A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 一种肺部ct图像的识别分类方法 |
CN113065426A (zh) * | 2021-03-19 | 2021-07-02 | 浙江理工大学 | 基于通道感知的手势图像特征融合方法 |
CN113205496A (zh) * | 2021-04-30 | 2021-08-03 | 黎鸿儒 | 一种基于卷积神经网络的腹部ct图像肝肿瘤病变分割方法 |
CN113436144A (zh) * | 2021-05-24 | 2021-09-24 | 北京医准智能科技有限公司 | 基于人工智能的关节评级方法、装置以及电子设备 |
-
2021
- 2021-10-18 CN CN202111206856.0A patent/CN113657558B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测*** |
CN111127482A (zh) * | 2019-12-20 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺气管的分割方法及*** |
CN111429407A (zh) * | 2020-03-09 | 2020-07-17 | 清华大学深圳国际研究生院 | 基于双通道分离网络的胸部x光疾病检测装置及方法 |
CN112991269A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 一种肺部ct图像的识别分类方法 |
CN112861994A (zh) * | 2021-03-12 | 2021-05-28 | 中国科学院自动化研究所 | 基于Unet迁移学习的胃印戒细胞癌图像智能分类*** |
CN113065426A (zh) * | 2021-03-19 | 2021-07-02 | 浙江理工大学 | 基于通道感知的手势图像特征融合方法 |
CN113205496A (zh) * | 2021-04-30 | 2021-08-03 | 黎鸿儒 | 一种基于卷积神经网络的腹部ct图像肝肿瘤病变分割方法 |
CN113436144A (zh) * | 2021-05-24 | 2021-09-24 | 北京医准智能科技有限公司 | 基于人工智能的关节评级方法、装置以及电子设备 |
Non-Patent Citations (2)
Title |
---|
ANTONIO GARCIA-UCEDA JUAREZ ET AL.: "A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs", 《ARXIV:1908.08588V1》 * |
王涛 等: "《摄影测量与遥感》", 31 August 2018, 西安交通大学出版社 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657558B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428475B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
EP3992851A1 (en) | Image classification method, apparatus and device, storage medium, and medical electronic device | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及*** | |
CN110837572B (zh) | 图像检索方法、装置、可读存储介质及电子设备 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及*** | |
CN112581458B (zh) | 一种图像处理方法和装置 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN112420170B (zh) | 一种提高计算机辅助诊断***图片分类准确度的方法 | |
CN112614573A (zh) | 基于病理图像标注工具的深度学习模型训练方法及装置 | |
CN114638292A (zh) | 一种基于多尺度分析的人工智能病理辅助诊断*** | |
CN114677516B (zh) | 一种基于深度神经网络的口腔下颌管自动分割方法 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
CN114219754A (zh) | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 | |
CN112861958A (zh) | 对肾脏病免疫荧光图片进行识别分类的方法及装置 | |
CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
CN112508902A (zh) | 白质高信号分级方法、电子设备及存储介质 | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
CN116452697B (zh) | 继发性肺结核病灶检测方法和*** | |
CN113657558B (zh) | 一种针对骶髂关节ct图像的分类评级方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |