CN113658101B - 图像中地标点检测方法、装置、终端设备及存储介质 - Google Patents
图像中地标点检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113658101B CN113658101B CN202110812323.0A CN202110812323A CN113658101B CN 113658101 B CN113658101 B CN 113658101B CN 202110812323 A CN202110812323 A CN 202110812323A CN 113658101 B CN113658101 B CN 113658101B
- Authority
- CN
- China
- Prior art keywords
- image
- landmark
- target
- processed
- detection network
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30204—Marker
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种图像中地标点检测方法、装置、终端设备及存储介质,所述检测方法包括:获取训练数据集;将所述训练数据集输入至地标点检测网络,得到预测地标点;获取所述目标地标点与所述预测地标点之间的第一差异信息,及由所述目标地标点从所述目标区域中划分出的第一目标区域与由所述预测地标点从所述目标区域中划分出的第二目标区域之间的第二差异信息;基于所述第一差异信息及所述第二差异信息,对所述地标点检测网络进行模型反向传播,得到训练后的所述地标点检测网络;基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点。上述方法提高了图像中地标点的检测精度。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种图像中地标点检测方法、装置、终端设备及存储介质。
背景技术
目前的地标点检测,基于深度学习及大规模的图像训练,支持上千种物体识别及场景识别,广泛应用于拍照识图、幼教科普、图像分类、医学解剖等场景。尤其在医学解剖场景中,地标点可以是指在解剖上具有重要意义的关键坐标点,通常为不同组织和器官的交界点或研究对象在形态学上特征最为突出的识别点。医学上可以利用这些地标点进行组织结构识别,因此对地标点进行检测具有十分重要的意义。
在目前地标点的检测方法中,采用手动标记地标点的方法不仅耗费时间和人力,还容易出现标记错误的现象,而现有的基于图像识别的手段可以快速对图像中的地标点进行检测,主要包括神经网络算法、分类算法以及支持向量机算法等,但是采用上述算法需要专业知识人员去进一步确认识别结果,确保识别准确度,效率低下。且对于数量庞大的待分析图像,在采用图像识别的手段进行分析时,专业知识人员无法再对每个待分析图像进一步确认结果,因此,如何提高图像中地标点的检测准确度成为了一个急需解决的重要问题。
发明内容
本申请实施例提供了一种图像中地标点检测方法、装置、终端设备及存储介质,可以提高图像中地标点的检测准确度。
本申请实施例的第一方面提供了一种图像中地标点检测方法,所述检测方法包括:
获取训练数据集,包括具有第一标签的N张图像,其中,第一标签用于指示所述图像中目标区域中的目标地标点;
根据所述第一标签,从所述训练数据集所包含图像中提取所述目标地标点,并将所述训练数据集输入至地标点检测网络,得到预测地标点;
获取所述目标地标点与所述预测地标点之间的第一差异信息,及由所述目标地标点从所述目标区域中划分出的第一目标区域与由所述预测地标点从所述目标区域中划分出的第二目标区域之间的第二差异信息;
基于所述第一差异信息及所述第二差异信息,对所述地标点检测网络进行模型反向传播,得到训练后的所述地标点检测网络;
基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点。
本申请实施例的第二方面提供了一种图像中地标点检测装置,所述检测装置包括:
数据获取模块,用于获取训练数据集,包括具有第一标签的N张图像,其中,第一标签用于指示所述图像中目标区域中的目标地标点;
预测模块,用于根据所述第一标签,从所述训练数据集所包含图像中提取所述目标地标点,并将所述训练数据集输入至地标点检测网络,得到预测地标点;
信息获取模块,用于获取所述目标地标点与所述预测地标点之间的第一差异信息,及由所述目标地标点从所述目标区域中划分出的第一目标区域与由所述预测地标点从所述目标区域中划分出的第二目标区域之间的第二差异信息;
网络训练模块,用于基于所述第一差异信息及所述第二差异信息,对所述地标点检测网络进行模型反向传播,得到训练后的所述地标点检测网络;
地标点确定模块,用于基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点。
本申请实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的图像中地标点检测方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的图像中地标点检测方法。
本申请实施例的第五方面提供了一种计算机程序产品,当所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述第一方面所述的图像中地标点检测方法。
在本申请实施例中,通过将获取的包括具有目标区域中目标地标点的N张图像的训练数据集输入至地标点检测网络中,可以得到地标点检测网络输出的预测地标点,由得到的目标地标点和预测地标点获取第一差异信息,及由目标地标点从目标区域中划分出的第一目标区域与由预测地标点从目标区域中划分出的第二目标区域之间的第二差异信息。第一差异信息和第二差异信息可以用于地标检测网络的反向传播过程,进而得到训练后的地标点检测网络。根据第一差异信息以及第二差异信息对地标点检测网络进行训练,可以获得更精确的地标点检测网络,在基于训练后的地标点检测网络对待处理图像进行处理时,可以使地标点检测网络输出更准确的待处理图像中的目标预测地标点。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图像中地标点检测方法的流程图一;
图2为地标点检测网络的训练过程及迭代关系图;
图3是本申请实施例提供的一种图像中地标点检测方法的流程图二;
图4是核磁共振脑部图像的矢状面截图;
图5是核磁共振脑部图像中的中脑和脑桥区域;
图6是本申请实施例提供的一种图像中地标点检测装置的结构图;
图7是本申请实施例提供的一种终端设备的结构图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来说明。
参照图1,示出了本申请实施例提供的一种图像中地标点检测方法的流程图一,如图1所示,一种图像中地标点检测方法,该方法包括以下步骤:
步骤101,获取训练数据集。
在本申请实施例中,训练数据集可以包括具有第一标签的N张图片,其中第一标签用于指示图像中目标区域中的目标地标点。
在一种可能的实施方式中,图像中目标区域的目标地标点可以通过手动标记的方法进行标记,例如对训练数据集中的图像手动设置标签,根据图像中所有像素点的位置信息,构建一个矩阵,并将属于目标地标点的像素点在矩阵中对应的元素值设为1(即第一标签),其他非目标地标点对应的像素点在矩阵中对应的元素值设为0,根据矩阵中元素值,识别图像中目标区域中的目标地标点。
在另一种可能的实施方式中,手动标记图像中目标区域的目标地标点可以通过对图像进行二值化处理,将目标地标点的灰度值设为255,将其他非目标地标点的灰度值设为0,因此所有灰度值等于255的像素点都被识别为目标地标点,根据图像中像素点的灰度值,识别图像中目标区域的目标地标点。
示例性地,若获取的训练数据集用于对地标点检测网络进行训练,地标点检测网络用于检测核磁共振脑部图像中的用于区分中脑和脑桥的关键地标点,则获取的训练数据集包括具有第一标签的N张脑部核磁共振图像,其中,第一标签用于指示核磁共振脑部图像中脑干区域的关键地标点,该关键地标点为手动标记的可以正确区分中脑和脑桥区域的关键地标点。
应理解,本申请实施例中获取的训练数据集中的图像可以根据训练的网络进行适应性变换,根据不同的网络获取不同的训练数据集。
步骤102,根据第一标签,从训练数据集所包含图像中提取目标地标点,并将训练数据集输入至地标点检测网络,得到预测地标点。
在本申请实施例中,由于训练数据集所包含图像中的目标地标点具有第一标签,故可以根据第一标签,从训练数据集所包含图像中提取目标地标点。而从训练数据集所包含图像中提取目标地标点,首先可以获取图像的第一标签,若第一标签在矩阵中对应的元素值为1,则获取矩阵中元素值为1的元素的位置信息,该位置信息即为第一标签在矩阵中的位置信息,其次获取矩阵中元素与图像中像素点的对应关系,根据该对应关系,提取出元素值为1的元素(即第一标签)在图像中对应的像素点,该像素点为图像中的目标地标点。
其中,地标点检测网络是待训练的模型,其参数可以是随机初始化的。或者,在一种可能的实现方式中,该地标点检测网络也可以是经过预训练的模型,其参数是经过预训练后得到的参数。
具体地,根据地标点检测网络的初始参数,当训练数据集输入至地标点检测网络时,可以得到地标点检测网络输出的训练数据集所包含图像中的预测地标点。
示例性地,若地标点检测网络用于检测核磁共振脑部图像中的用于区分中脑和脑桥的关键地标点,则首先可以获取核磁共振脑部图像对应的矩阵元素值为1的元素(即第一标签),其次获取矩阵元素值为1的元素的位置信息,根据矩阵中元素与核磁共振脑部图像中像素点的对应关系,提取矩阵元素值为1的元素在核磁共振图像中对应的像素点,该像素点为从训练数据集所包含的核磁共振脑部图像中提取的手动标记的关键地标点,其次根据地标点检测网络的初始参数,将训练数据集输入至地标点检测网络中,获取地标点检测网络输出的训练数据集所包含的核磁共振脑部图像的关键地标点。
作为一种可行的实施方法,地标点检测网络可以使用高分辨率网络(HighResolution Network,HRNet),使整个地标点检测网络始终保持高分辨表征,逐步引入低分辨率卷积层,并且将不同分辨率的卷积层并行连接。采用HRNet网络可以通过不断在多分辨率表征之间进行信息交换来提升高分辨率和低分辨率表征的表达能力,让多分辨率表征之间更好地相互促进,可以使地标点检测网络输出的地标点更加准确。
步骤103,获取目标地标点与预测地标点之间的第一差异信息,及由目标地标点从目标区域中划分出的第一目标区域与由预测地标点从目标区域中划分出的第二目标区域之间的第二差异信息。
其中,目标地标点是指手动标记的图像中的地标点(可以理解为地标检测网络输出预测地标点的参考地标点),预测地标点是指地标检测网络输出的图像中的地标点,在实际应用中,若预测地标点的位置信息与目标地标点的位置信息相同,则表明该地标点检测网络的检测准确度十分精确,但是往往,预测地标点与目标地标点之间存在差异信息,该差异信息具体可以用于地标点检测网络的参数迭代,从而对地标点检测网络的参数进行优化,提高地标点检测网络的检测准确度。
为了进一步提高地标点检测网络的检测准确度,可以在获取目标地标点与预测地标点之间的第一差异信息的同时,获取第一目标区域和第二目标区域之间的差异信息,第一目标区域是指根据目标地标点对目标区域进行划分得到的区域,第二目标区域是指根据预测地标点对目标区域进行划分得到的区域,该目标区域可以是指训练数据集所包含图像中的目标区域。
在一种可实现的方式中,训练数据集所包含图像中的目标区域可以通过手动对图像中的目标区域进行标记得到,还可以将训练数据集输入到图像分割网络中,通过图像分割网络对训练数据集中的图像进行分割处理,得到训练数据集所包含图像中的目标区域。
示例性地,例如根据核磁共振脑部图像获取目标地标点与预测地标点之间的第一差异信息可以是指,获取手动标记的关键地标点与地标点检测网络输出的关键地标点之间的偏差距离,其中,该关键地标点是用于区分核磁共振脑部图像中的中脑和脑桥区域的地标点。获取第一目标区域与第二目标区域之间的第二差异信息可以是指,首先根据核磁共振脑部图像中手动标记的关键地标点从脑干区域中划分出第一中脑区域和第一脑桥区域,其次根据核磁共振脑部图像中由地标点检测网络输出的关键地标点从脑干区域中划分出第二中脑区域和第二脑桥区域,获取第一中脑区域与第二中脑区域之间的中脑区域差值,以及第二脑桥区域与第二脑桥区域之间的脑桥区域差值,其中,第二差异信息包括中脑区域差值和脑桥区域差值。
应理解,本申请实施例中所说的中脑区域差值与脑桥区域差值为区域之间的面积差值。
步骤104,基于第一差异信息及第二差异信息,对地标点检测网络进行模型反向传播,得到训练后的地标点检测网络。
在本申请实施例中,可以基于第一差异信息及第二差异信息构建联合损失函数,例如可以使用表示第一差异信息的偏差距离及第二差异信息的异或函数构建联合损失函数,利用联合损失函数计算得出的损失函数值,对地标点检测网络进行模型反向传播,优化地标点检测网络的模型参数,从而对地标点检测网络的模型参数进行更新,直至地标点检测网络的训练模型收敛,训练完成,可以获取训练后的地标点检测网络。
具体地,使用第一差异信息的偏差距离及第二差异信息的异或函数构建联合损失函数可以将两者的加权和作为联合损失函数,其中,第一差异信息的偏差距离具体可以通过计算目标地标点坐标和预测地标点坐标之间的距离得到,第二差异信息的异或函数具体的表达式可以表示为:
其中,Xor_lossx,y是指第二差异信息的异或函数,x和y分别是指第一目标区域和第二目标区域,且x和y为不同的区域。
由上述公式可知,异或函数表达了第一目标区域和第二目标区域之间的差异程度。当第一目标区域和第二目标区域完全无交集时函数值为1,当第一目标区域和第二目标区域完全相等时函数值为0,两者的差异越大,该异或函数的函数值也越大。
示例性地,当使用地标点检测网络对核磁共振脑部图像进行地标点检测时,第一差异信息为核磁共振脑部图像中手动标记的关键地标点与地标点检测网络输出的关键地标点之间的偏差距离,第二差异信息的异或函数包括第一中脑区域和第二中脑区域之间的中脑异或函数,以及第一脑桥区域和第二脑桥区域之间的脑桥异或函数,且第二差异信息的异或函数的函数值可以为中脑异或函数的函数值与脑桥异或函数的函数值的平均值。然后,基于第一差异信息和第二差异信息异或函数的函数值,采用反向传播的方法,计算优化地标点检测网络的模型参数,从而对地标点检测网络的模型参数进行更新。
具体地,参见图2为地标点检测网络训练过程及迭代关系图。以获取划分中脑和脑桥的关键地标点为例,其中输入数据为核磁共振脑部图像,UNet为图像分割网络,groundtruth1为核磁共振脑部图像中手动标记的脑干区域,Dice_loss为图像分割网络的损失函数,具体可以表示为手动标记的脑干区域和图像分割网络输出的脑干区域之间的差值;HRNet为地标点检测网络,ground truth2为手动标记的关键地标点,ground truth3为根据手动标记的关键地标点划分得到的第一中脑区域和第一脑桥区域,Xor_loss为第二差异信息的异或函数,具体包括第一中脑区域和第二中脑区域之间的中脑异或函数,以及第一脑桥区域和第二脑桥区域之间的脑桥异或函数。Distance_loss为手动标记的关键地标点与地标点检测网络输出的关键地标点之间的偏差距离。
其中,地标点检测网络的整体训练过程可以表示为:首先输入核磁共振脑部图像,通过图像分割网络分割得到脑干区域和非脑干区域,进而输出脑干区域带有标签的核磁共振脑部图像,其次将带有标签的核磁共振脑部图像输入到地标点检测网络中,根据Xor_loss和Distance_loss的联合损失函数对该地标点检测网络进行迭代训练(即反向传播),直至训练完成,得到该核磁共振脑部图像的最优参数,基于训练后的地标点检测网络,输出该核磁共振脑部图像的关键地标点,利用该关键地标点对脑干区域进行划分,得到最终的中脑和脑桥区域。
步骤105,基于训练后的地标点检测网络,对待处理图像进行处理,得到待处理图像中的目标预测地标点。
其中,训练后的地标点检测网络可以根据输入的待处理图像,得出待处理图像中的目标预测地标点,待处理图像可以是任一类型的图像,例如核磁共振图像。
在本申请实施例中,待处理图像可以为核磁共振脑部图像,对待处理图像进行处理的具体过程可以为:首先获取待处理图像中的目标区域,其中目标区域携带有目标标签,将携带有目标标签的待处理图像输入到地标点检测网络中,地标点检测网络通过识别目标标签获取待处理图像中的目标区域,最后目标点检测网络对目标区域进行卷积计算,提取图像特征,并通过图像特征得出待处理图像中的目标预测点。
在本申请实施例中,通过将获取的包括具有目标区域中目标地标点的N张图像的训练数据集输入至地标点检测网络中,可以得到地标点检测网络输出的预测地标点,由得到的目标地标点和预测地标点获取第一差异信息,及由目标地标点从目标区域中划分出的第一目标区域与由预测地标点从目标区域中划分出的第二目标区域之间的第二差异信息。第一差异信息和第二差异信息可以用于地标检测网络的反向传播过程,进而得到训练后的地标点检测网络。根据第一差异信息以及第二差异信息对地标点检测网络进行训练,可以获得更精确的地标点检测网络,在基于训练后的地标点检测网络对待处理图像进行处理时,可以使地标点检测网络输出更准确的待处理图像中的目标预测地标点。
参照图3,示出了本申请实施例提供的一种图像中地标点检测方法的流程图二,如图3所示,一种图像中地标点检测方法,该方法包括以下步骤:
步骤301,获取训练数据集。
训练数据集包括具有第一标签的N张图像,其中,第一标签用于指示图像中目标区域中的目标地标点。
步骤302,根据第一标签,从训练数据集所包含图像中提取目标地标点,并将训练数据集输入至地标点检测网络,得到预测地标点。
步骤303,获取目标地标点与预测地标点之间的第一差异信息,及由目标地标点从目标区域中划分出的第一目标区域与由预测地标点从目标区域中划分出的第二目标区域之间的第二差异信息。
步骤304,基于第一差异信息及第二差异信息,对地标点检测网络进行模型反向传播,得到训练后的地标点检测网络。
本实施例步骤301-304与前述实施例中步骤101-104类似,可以相互参阅,本实施例在此不再赘述。
步骤305,基于训练后的地标点检测网络,对待处理图像进行处理,得到待处理图像中的目标预测地标点。
在本申请实施例中,由于获取得到的训练数据集中的不同图像大多数都不具备相同的大小以及维度,而不同大小以及维度的图像之间不具有可比性,且通过网络计算出的任何特征都不能进行统计分析,所以必须对训练数据集中的图像进行配准,将训练数据集中的图像对齐到对应的三维模板空间中,使训练数据集中的所有图像都具有相同的维度和大小,且不同图像之间相同的结构位于三维模板空间中的相同位置。
示例性地,获取的训练数据集中的图像均为核磁共振脑部图像时,可以将训练数据集所包含的所有核磁共振脑部图像都对齐到MNI(Montreal Neurological Institute)空间中,使不同的脑部图像其相同的结构处于MNI空间的相同位置。其中,MNI空间为根据一系列正常人脑的核磁共振图像而建立的坐标***。当训练数据集中所包含的所有图像都配准到MNI空间后,可以在MNI空间中选择矢状面方向的脑部正中的位置,将正中矢状面图像作为训练数据集中核磁共振脑部图像配准后的图像,如图4所示为脑部正中矢状面图像,将该配准后的图像输入到地标点检测网络中,可以更好地用于对地标点检测网络的训练。
作为一种可实现的方式,基于训练后的地标点检测网络,对待处理图像进行处理之前,还包括:
将待处理图像对齐到对应的三维模板空间中,得到配准后的待处理图像,其中,三维模板空间中对应结构点的标准空间位置;配准后的待处理图像中的结构点位于对应的标准空间位置上;
对应地,对待处理图像进行处理,包括:
对配准后的待处理图像进行处理。
其中,将待处理图像对齐到对应的三维模板空间中,三维模板空间中对应结构点的标准空间位置,可以使待处理图像中的结构点位于三维模板空间中对应结构点的标准位置,的相同位置,并从三维模板空间中选择正中矢状面方向的截面作为配准后的待处理图像。由于地标点检测网络是采用配准后的图像对其网络进行训练的,故对配准后的待处理图像进行处理可以更好的适应训练后的地标点检测网络,得到更精确的地标点检测结果。
可选地,基于训练后的地标点检测网络,对待处理图像进行处理,得到待处理图像中的目标预测地标点,包括:
通过训练后的图像分割网络对待处理图像进行分割处理,得到待处理图像中的目标区域;
采用目标标签对待处理图像的目标区域进行标记,得到携带目标标签的待处理图像;
将携带目标标签的待处理图像输入至训练后的地标点检测网络,得到待处理图像中的目标预测点。
其中,图像分割网络可以采用神经网络的结构,例如UNet结构,其中UNet结构中包括U型结构和跳层连接。U型结构来源于多次下采样和反卷积形成的先深后浅的连接结构。将待处理图像输入到UNet网络后,经过卷积层,可以对每一个像素进行预测,同时能够保留图像的空间信息。而跳层连接则保证了最后恢复出来的特征图融合了更多的浅层特征,而不是单纯在高级语义特征上进行训练,从而可以让分割结果在多尺度上更加精细。同时,将待处理图像输入到UNet网络中,可以直接通过分割定位出目标区域的位置,且目标区域中的每个像素都标记有目标标签,从而获取携带目标标签的待处理图像。
可选地,通过训练后的图像分割网络对待处理图像进行分割处理,得到待处理图像中的目标区域之前,还包括:
将训练数据集输入至图像分割网络,得到目标分割区域;
根据第二标签,从训练数据集所包含图像中提取目标区域;
获取目标区域与目标分割区域之间的差异信息;
基于差异信息,对图像分割网络进行模型反向传播,得到训练后的图像分割网络。
在本申请实施例中,由于使用训练数据集对地标点检测网络进行训练时,可以将训练数据集输入到图像分割网络中,通过图像分割网络对训练数据集中的图像进行分割处理,得到训练数据集所包含图像中的目标区域,训练数据集可以用于对图像分割网络进行训练,通过训练后的图像分割网络以获取训练数据集所包含图像的目标区域,所以训练数据集还包括用于指示目标区域的第二标签,可以根据用于指示目标区域的第二标签,对图像分割网络进行训练。
示例性地,首先手动对训练数据集中核磁共振脑部图像的脑干区域进行标记,将训练数据集输入至图像分割网络中,得到目标分割区域,同时图像分割网络根据上述手动标记可以从核磁共振脑部图像中提取出脑干区域,将目标分割区域与脑干区域进行对比,可以获取目标分割区域与脑干区域的差值,该差值可以使用异或函数表示,根据目标分割区域与脑干区域的差值,计算目标分割区域与脑干区域之间异或函数的函数值,根据该异或函数的函数值,采用反向传播的方法,对图像分割网络的模型参数进行更新,直至该训练模型收敛,训练完成,获取训练后的图像分割网络。
可选地,将携带目标标签的待处理图像输入至训练后的地标点检测网络,得到待处理图像中的目标预测点,包括:
将携带目标标签的待处理图像输入至训练后的地标点检测网络,通过地标点检测网络对目标标签进行识别,确定目标标签标记的区域为待处理图像的目标区域;
对待处理图像的目标区域进行地标点检测,得到待处理图像中的目标预测点。
其中,将携带目标标签的待处理图像输入至训练后的地标点检测网络后,地标点检测网络需要通过目标标签将目标标签标记的区域提取出来,进而对目标区域上的地标点进行检测。
应理解,对目标区域进行地标点检测,缩小了目标预测地标点的检测范围,减少了网络处理的数据,可以加快该地标点检测网络的运行速度。
若待处理图像为核磁共振脑部图像,那么基于训练后的地标点检测网络,对待处理图像进行处理,得到待处理图像中的目标预测地标点,包括:
将核磁共振脑部图像对齐到对应的三维模板空间中,得到配准后的核磁共振脑部图像;
通过训练后的分割网络对配准后的核磁共振脑部图像进行图像分割,得到配准后的核磁共振脑部图像的脑干区域;
采用目标标签对脑干区域进行标记,得到携带目标标签的核磁共振脑部图像;
将携带目标标签的核磁共振脑部图像输入至训练后的地标点检测网络,得到核磁共振脑部图像中的关键地标点,关键地标点用于从脑干区域中区分中脑和脑桥区域。
在本申请实施例中,若要根据核磁共振脑部图像,获取可以区分中脑和脑桥区域的关键地标点,那么地标点检测网络在进行训练时所采用的训练数据集中的目标地标点应为手工标记的用于区分中脑和脑桥区域的关键地标点,该关键地标点可选取如图4所示的点1、点2和点3,点1为中脑和脑桥的交接处边缘点,点2为脑桥突起边缘终止点,点3为四叠体的最低点;线A为点1与点3的连线,线B为线A的平行线且经过点2。
步骤306,根据待处理图像中的目标预测地标点,对待处理图像的目标区域进行划分,得到由目标预测地标点区隔的最终目标区域。
在本申请实施例中,获取待处理图像中的目标预测地标点之后,可以对该目标预测地标点进行连线,以对待处理图像的目标区域进行划分。
示例性地,根据图4中的线A和线B对图中的脑干区域进行划分,可以得出图5中示出的中脑区域51和脑桥区域52。
应理解,在得到中脑和脑桥区域后,可以通过计算中脑区域与脑桥区域的面积比值,获取核磁共振帕金森指数(Magnetic Resonance Parkinsonism Index,MRPI),对鉴别帕金森病和帕金森综合征具有重要的意义。
下面给出一个应用上述实施例的方法后的技术效果的例子。
获取436份核磁共振脑部图像,以采用本方法所测得MRPI与通过手动标记测量得到的MRPI的相对误差为测量指标,分别对比了本申请实施例的方法测量所得的MRPI相对误差以及仅使用目标地标点训练地标点检测网络测量所得MRPI的相对误差,比对结果如下表所示:
由上表可以得出,采用本申请实施例的方法取得了比现有地标点检测方法更好的性能和效果。
相较于实施例一来说,本申请实施例增加了对待处理图像进行配准以及采用图像分割网络对配准后的待处理图像进行自动分割目标区域,并将携带目标标签的待处理图像输入至训练后的地标点检测网络中,既减少了地标点检测网络运行过程中的冗余数据,还通过配准手段增加了地标点检测网络的检测准确性。
参照图6,示出了本申请实施例提供的一种图像中地标点检测装置的结构图,为了便于说明,仅示出了与本申请实施例相关的部分。
图像中地标点检测装置具体可以包括如下模块:
数据获取模块601,用于获取训练数据集,包括具有第一标签的N张图像,其中,第一标签用于指示图像中目标区域中的目标地标点;
预测模块602,用于根据第一标签,从训练数据集所包含图像中提取目标地标点,并将训练数据集输入至地标点检测网络,得到预测地标点;
信息获取模块603,用于获取目标地标点与预测地标点之间的第一差异信息,及由目标地标点从目标区域中划分出的第一目标区域与由预测地标点从目标区域中划分出的第二目标区域之间的第二差异信息;
网络训练模块604,用于基于第一差异信息及第二差异信息,对地标点检测网络进行模型反向传播,得到训练后的地标点检测网络;
地标点确定模块605,用于基于训练后的地标点检测网络,对待处理图像进行处理,得到待处理图像中的目标预测地标点。
在本申请实施例中,地标点检测装置具体还可以包括如下模块:
配准模块,用于将待处理图像对齐到对应的三维模板空间中,得到配准后的待处理图像,其中,三维模板空间中对应结构点的标准空间位置;配准后的待处理图像中的结构点位于对应的标准空间位置上;
在本申请实施例中,配准模块具体可以用于:
对配准后的待处理图像进行处理。
在本申请实施例中,地标点确定模块605具体可以包括如下子模块:
分割子模块,用于通过训练后的图像分割网络对待处理图像进行分割处理,得到待处理图像中的目标区域;
标记子模块,用于采用目标标签对待处理图像的目标区域进行标记,得到携带目标标签的待处理图像;
目标确定子模块,用于将携带目标标签的待处理图像输入至训练后的地标点检测网络,得到待处理图像中的目标预测点。
在本申请实施例中,分割子模块具体可以包括如下单元:
区域分割单元,用于将训练数据集输入至图像分割网络,得到目标分割区域;
目标提取单元,用于根据第二标签,从训练数据集所包含图像中提取目标区域;
差异获取单元,用于获取目标区域与目标分割区域之间的差异信息;
训练单元,用于基于差异信息,对图像分割网络进行模型反向传播,得到训练后的图像分割网络。
在本申请实施例中,目标确定子模块具体可以包括如下单元:
识别单元,用于将携带目标标签的待处理图像输入至训练后的地标点检测网络,通过地标点检测网络对目标标签进行识别,确定目标标签标记的区域为待处理图像的目标区域;
检测单元,用于对待处理图像的目标区域进行地标点检测,得到待处理图像中的目标预测点。
在本申请实施例中,当待处理图像为核磁共振脑部图像时,地标点确定模块605具体还可以用于:
将核磁共振脑部图像对齐到对应的三维模板空间中,得到配准后的核磁共振脑部图像;
通过训练后的图像分割网络对配准后的核磁共振脑部图像进行分割,得到配准后的核磁共振脑部图像的脑干区域;
采用目标标签对脑干区域进行标记,得到携带目标标签的核磁共振脑部图像;
将携带目标标签的核磁共振脑部图像输入至训练后的地标点检测网络,得到核磁共振脑部图像中的关键地标点,关键地标点用于从脑干区域中区分中脑和脑桥区域。
在本申请实施例中,图像中地标点检测装置具体还可以包括如下模块:
区域划分模块,用于根据待处理图像中的目标预测地标点,对待处理图像的目标区域进行划分,得到由目标预测地标点区隔的最终目标区域。
本申请实施例提供的图像中地标点检测装置可以应用在前述方法实施例中,详情参见上述方法实施例的描述,在此不再赘述。
图7是本申请实施例四提供的终端设备的结构示意图。如图7所示,该实施例的终端设备700包括:至少一个处理器710(图7中仅示出一个)处理器、存储器720以及存储在所述存储器720中并可在所述至少一个处理器710上运行的计算机程序721,所述处理器710执行所述计算机程序721时实现上述任意各个图像中地标点检测方法实施例中的步骤。
所述终端设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器710、存储器720。本领域技术人员可以理解,图7仅仅是终端设备700的举例,并不构成对终端设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器710可以是中央处理单元(Central Processing Unit,CPU),该处理器710还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器720在一些实施例中可以是所述终端设备700的内部存储单元,例如终端设备700的硬盘或内存。所述存储器720在另一些实施例中也可以是所述终端设备700的外部存储设备,例如所述终端设备700上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器720还可以既包括所述终端设备700的内部存储单元也包括外部存储设备。所述存储器720用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器720还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当所述计算机程序产品在终端设备上运行时,使得所述终端设备执行时可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制。尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像中地标点检测方法,其特征在于,所述检测方法包括:
获取训练数据集,包括具有第一标签的N张图像,其中,第一标签用于指示所述图像中目标区域中的目标地标点;
根据所述第一标签,从所述训练数据集所包含图像中提取所述目标地标点,并将所述训练数据集输入至地标点检测网络,得到预测地标点;
获取所述目标地标点与所述预测地标点之间的第一差异信息,及由所述目标地标点从所述目标区域中划分出的第一目标区域与由所述预测地标点从所述目标区域中划分出的第二目标区域之间的第二差异信息;
基于所述第一差异信息及所述第二差异信息,对所述地标点检测网络进行模型反向传播,得到训练后的所述地标点检测网络;
基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点;
所述基于所述第一差异信息及所述第二差异信息,对所述地标点检测网络进行模型反向传播,得到训练后的所述地标点检测网络,包括:
基于所述第一差异信息和所述第二差异信息的加权和构建联合损失函数,利用所述联合损失函数计算得出损失函数值,根据所述损失函数值对所述地标点检测网络进行模型反向传播,以更新所述地标点检测网络的模型参数,直至所述地标点检测网络的训练模型收敛,得到训练后的所述地标点检测网络;
其中,所述第一差异信息为目标地标点坐标与预测地标点坐标之间的偏差距离,所述第二差异信息为根据所述第一目标区域和所述第二目标区域构建的异或函数Xor_lossx,y,
其中,x和y分别是指所述第一目标区域和所述第二目标区域,且x和y为不同的区域。
2.如权利要求1所述的检测方法,其特征在于,所述基于训练后的所述地标点检测网络,对待处理图像进行处理之前,还包括:
将所述待处理图像对齐到对应的三维模板空间中,得到配准后的所述待处理图像,其中,所述三维模板空间中对应结构点的标准空间位置;配准后的所述待处理图像中的结构点位于对应的所述标准空间位置上;
对应地,所述对待处理图像进行处理,包括:
对配准后的所述待处理图像进行处理。
3.如权利要求1所述的检测方法,其特征在于,所述基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点,包括:
通过训练后的图像分割网络对所述待处理图像进行分割处理,得到所述待处理图像中的目标区域;
采用目标标签对所述待处理图像的目标区域进行标记,得到携带目标标签的所述待处理图像;
将所述携带目标标签的所述待处理图像输入至所述训练后的所述地标点检测网络,得到所述待处理图像中的目标预测点。
4.如权利要求3所述的检测方法,其特征在于,所述训练数据集还包括用于指示所述目标区域的第二标签,所述通过训练后的图像分割网络对所述待处理图像进行分割处理,得到所述待处理图像中的目标区域之前,还包括:
将所述训练数据集输入至所述图像分割网络,得到目标分割区域;
根据所述第二标签,从所述训练数据集所包含图像中提取所述目标区域;
获取所述目标区域与所述目标分割区域之间的差异信息;
基于所述差异信息,对所述图像分割网络进行模型反向传播,得到训练后的所述图像分割网络。
5.如权利要求3所述的检测方法,其特征在于,所述将所述携带目标标签的所述待处理图像输入至所述训练后的所述地标点检测网络,得到所述待处理图像中的目标预测点,包括:
将所述携带目标标签的所述待处理图像输入至所述训练后的所述地标点检测网络,通过所述地标点检测网络对所述目标标签进行识别,确定所述目标标签标记的区域为所述待处理图像的目标区域;
对所述待处理图像的目标区域进行地标点检测,得到所述待处理图像中的目标预测点。
6.如权利要求1所述的检测方法,其特征在于,所述待处理图像为核磁共振脑部图像,所述基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点,包括:
将所述核磁共振脑部图像对齐到对应的三维模板空间中,得到配准后的所述核磁共振脑部图像;
通过训练后的图像分割网络对配准后的所述核磁共振脑部图像进行分割,得到配准后的所述核磁共振脑部图像的脑干区域;
采用目标标签对所述脑干区域进行标记,得到携带目标标签的所述核磁共振脑部图像;
将所述携带目标标签的所述核磁共振脑部图像输入至所述训练后的所述地标点检测网络,得到所述核磁共振脑部图像中的关键地标点,所述关键地标点用于从所述脑干区域中区分中脑和脑桥区域。
7.如权利要求1至6任一项所述的检测方法,其特征在于,所述基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点之后,包括:
根据所述待处理图像中的目标预测地标点,对所述待处理图像的目标区域进行划分,得到由所述目标预测地标点区隔的最终目标区域。
8.一种图像中地标点检测装置,其特征在于,所述检测装置包括:
数据获取模块,用于获取训练数据集,包括具有第一标签的N张图像,其中,第一标签用于指示所述图像中目标区域中的目标地标点;
预测模块,用于根据所述第一标签,从所述训练数据集所包含图像中提取所述目标地标点,并将所述训练数据集输入至地标点检测网络,得到预测地标点;
信息获取模块,用于获取所述目标地标点与所述预测地标点之间的第一差异信息,及由所述目标地标点从所述目标区域中划分出的第一目标区域与由所述预测地标点从所述目标区域中划分出的第二目标区域之间的第二差异信息;
网络训练模块,用于基于所述第一差异信息及所述第二差异信息,对所述地标点检测网络进行模型反向传播,得到训练后的所述地标点检测网络;
地标点确定模块,用于基于训练后的所述地标点检测网络,对待处理图像进行处理,得到所述待处理图像中的目标预测地标点;
所述网络训练模块还用于:
基于所述第一差异信息和所述第二差异信息的加权和构建联合损失函数,利用所述联合损失函数计算得出损失函数值,根据所述损失函数值对所述地标点检测网络进行模型反向传播,以更新所述地标点检测网络的模型参数,直至所述地标点检测网络的训练模型收敛,得到训练后的所述地标点检测网络;
其中,所述第一差异信息为目标地标点坐标与预测地标点坐标之间的偏差距离,所述第二差异信息为根据所述第一目标区域和所述第二目标区域构建的异或函数Xor_lossx,y,
其中,x和y分别是指所述第一目标区域和所述第二目标区域,且x和y为不同的区域。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812323.0A CN113658101B (zh) | 2021-07-19 | 2021-07-19 | 图像中地标点检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812323.0A CN113658101B (zh) | 2021-07-19 | 2021-07-19 | 图像中地标点检测方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658101A CN113658101A (zh) | 2021-11-16 |
CN113658101B true CN113658101B (zh) | 2023-06-30 |
Family
ID=78477475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812323.0A Active CN113658101B (zh) | 2021-07-19 | 2021-07-19 | 图像中地标点检测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658101B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670525A (zh) * | 2018-11-02 | 2019-04-23 | 平安科技(深圳)有限公司 | 基于once shot detection的目标检测方法及*** |
CN111104538A (zh) * | 2019-12-06 | 2020-05-05 | 深圳久凌软件技术有限公司 | 一种基于多尺度约束的细粒度车辆图像检索的方法及装置 |
CN111310775A (zh) * | 2018-12-11 | 2020-06-19 | Tcl集团股份有限公司 | 数据训练方法、装置、终端设备及计算机可读存储介质 |
CN112560999A (zh) * | 2021-02-18 | 2021-03-26 | 成都睿沿科技有限公司 | 一种目标检测模型训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-19 CN CN202110812323.0A patent/CN113658101B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670525A (zh) * | 2018-11-02 | 2019-04-23 | 平安科技(深圳)有限公司 | 基于once shot detection的目标检测方法及*** |
CN111310775A (zh) * | 2018-12-11 | 2020-06-19 | Tcl集团股份有限公司 | 数据训练方法、装置、终端设备及计算机可读存储介质 |
CN111104538A (zh) * | 2019-12-06 | 2020-05-05 | 深圳久凌软件技术有限公司 | 一种基于多尺度约束的细粒度车辆图像检索的方法及装置 |
CN112560999A (zh) * | 2021-02-18 | 2021-03-26 | 成都睿沿科技有限公司 | 一种目标检测模型训练方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113658101A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874594B (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
CN107665486B (zh) | 一种应用于x射线图像的自动拼接方法、装置及终端设备 | |
CN109117773B (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN112085771A (zh) | 图像配准方法、装置、终端设备及计算机可读存储介质 | |
Jiang et al. | miLBP: a robust and fast modality-independent 3D LBP for multimodal deformable registration | |
CN111161348B (zh) | 一种基于单目相机的物***姿估计方法、装置及设备 | |
CN111145196A (zh) | 图像分割方法、装置及服务器 | |
CN107633506B (zh) | 一种图像对称性检测方法、装置及终端设备 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
CN110647889B (zh) | 医学图像识别方法、医学图像识别装置、终端设备及介质 | |
CN113658101B (zh) | 图像中地标点检测方法、装置、终端设备及存储介质 | |
CN110634119B (zh) | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 | |
CN108765399B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN115546270A (zh) | 多尺度特征融合的图像配准方法、模型训练方法及设备 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
CN110796684B (zh) | 目标跟踪方法以及相关装置 | |
Chen et al. | Fully-automatic landmark detection in skull X-ray images | |
Kéchichian et al. | Automatic multiorgan segmentation using hierarchically registered probabilistic atlases | |
CN112711965B (zh) | 一种绘本识别方法、装置及设备 |
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 |