CN114004784B - 一种基于ct图像检测骨质状况的方法及电子设备 - Google Patents
一种基于ct图像检测骨质状况的方法及电子设备 Download PDFInfo
- Publication number
- CN114004784B CN114004784B CN202110995766.8A CN202110995766A CN114004784B CN 114004784 B CN114004784 B CN 114004784B CN 202110995766 A CN202110995766 A CN 202110995766A CN 114004784 B CN114004784 B CN 114004784B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- sub
- channel
- feature extraction
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract 1
- 230000000750 progressive effect Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 20
- 230000009467 reduction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000001132 Osteoporosis Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 206010006002 Bone pain Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004705 lumbosacral region Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CT图像检测骨质状况的方法及电子设备，所述检测骨质状况的方法包括对腰椎CT图像进行超分辨率重建，利用图像分类网络对腰椎超分图像进行分类等步骤，通过提升腰椎CT图像的分辨率，同时去除相当部分原始CT图像中的噪音，提升分类网络对输入图像分类的准确率，从而提升骨质状况检测的精度和准确率。超分辨率重建网络包括初步特征提取模块、多通道特征提取模块、MF融合模块和图像重建模块，MF融合模块包括多个子模块，子模块与多通道特征提取模块对应设置；利用多个子模块以渐进的方式去融合不同尺度的特征信息，提高特征融合模块对无用信息的过滤效果，保留更多对图像重建有用的信息。
Description
技术领域
本发明属于医疗技术领域，具体地说，涉及一种基于CT图像检测骨质状况的方法及电子设备。
背景技术
骨质疏松症(OP)是一种以低骨量和骨组织微结构破坏为特征的全身骨代谢性疾病，临床表现为骨骼疼痛和易于骨折。由于不同的骨质密度对X射线吸收存在差异，所以可以通过腰椎CT图像对骨质疏松进行量化诊断。有研究表明(如申请号为201910913768.0的发明专利)，利用人工智能技术，能够对CT图像中的腰椎骨质状况进行自动检测。但是，受设备性能和成本等客观因素的影响，原始CT图像分辨率通常比较低，这对神经网络分类效果产生了较大的不利影响，进而限制了最终骨质状况检测的精度和准确率。
发明内容
针对现有技术中上述的不足，本发明提供了一种基于CT图像检测骨质状况的方法及电子设备，以提高神经网络对骨质状况检测的精度和准确率。
为了达到上述目的，本发明采用的解决方案是：一种基于CT图像检测骨质状况的方法，包括以下步骤：
A1、获取原始腰椎CT图像，获取训练好的超分辨率重建网络，所述超分辨率重建网络包括初步特征提取模块、多通道特征提取模块、MF融合模块和图像重建模块，所述MF融合模块包括多个子模块，所述子模块与所述多通道特征提取模块对应设置；
A2、将所述原始腰椎CT图像输入所述超分辨率重建网络，先利用所述初步特征提取模块对所述原始腰椎CT图像进行特征提取，得到初步特征图；
A3、所述初步特征图顺次经过多个所述多通道特征提取模块，前一个多通道特征提取模块输出的特征图作为其后面一个多通道特征提取模块的输入，提取各个所述多通道特征提取模块输出的特征图；
A4、位于所述MF融合模块头部的子模块同时以所述初步特征图和靠近所述初步特征提取模块的多通道特征提取模块输出的特征图作为输入，下游的各个所述子模块依次将与自身对应的多通道特征提取模块输出的特征图和上游子模块输出的特征图融合，最终输出得到中间特征图；
A5、将所述中间特征图输入所述图像重建模块，利用所述图像重建模块对所述中间特征图进行超分辨率重建，获得分辨率大于所述原始腰椎CT图像的腰椎超分图像；
A6、获取训练好的图像分类网络，将所述腰椎超分图像输入所述图像分类网络，利用所述图像分类网络对所述腰椎超分图像进行分类，以获取所述腰椎超分图像中对应腰椎的骨质状况信息。
进一步地，所述多通道特征提取模块的数学模型可表示为如下公式：
F1＝σ1(f31(M))
F2＝σ2(f32(M))
F3＝σ3(f33(M))
F4＝[F1,σ4(f34(F2)),σ5(f5(F3))]
F5＝σ6(f1(F4))
F6＝fca(F1,F2,F3)
N＝fml(F5,F6)+M
其中，M为输入所述多通道特征提取模块的特征图，f31、f32、f33和f34均表示卷积核大小为3*3的卷积操作，f5表示卷积核大小为5*5的卷积操作，f1表示卷积核大小为1*1的卷积操作，σ1、σ2、σ3、σ4、σ5和σ6均表示非线性激活函数ReLU，[·]表示对其中的特征图进行拼接操作，fca表示通道注意力模块，F1、F2和F3作为所述通道注意力模块的输入，F6表示所述通道注意力模块生成输出的通道注意力图，Fml(F5,F6)表示将通道注意力图F6与特征图F5做乘法操作，N为所述多通道特征提取模块输出的特征图。
进一步地，所述通道注意力模块的数学模型为：
Fa1＝σa1(fa1([F1,F2,F3]))
F6＝δ(fa3(σa2(fa2(pv(Fa1)))))
其中，F1、F2和F3为输入所述通道注意力模块的特征图，[·]表示对其中的特征图进行拼接操作，fa1表示卷积核大小为1*1的卷积操作，σa1和σa2均表示非线性激活函数ReLU，pv表示全局方差池化操作，fa2和fa3均表示全连接操作，δ为sigmoid激活函数，F6为所述通道注意力模块输出的所述通道注意力图。通道注意力模块中，先利用卷积核大小为1*1的卷积操作对输入的特征图进行降维操作，降低特征图的通道数量，这个过程中，实现了信息在不同通道上的交换，最终生成的通道注意力图对不同信息的调制效果更加准确。
进一步地，所述子模块的数学模型为：
FS1＝σS1(fS1(K1+K2))
FS2＝σS2(fS2(K2))
FS＝σS3(fS3([K1,FS1,FS2]))
其中，K1表示所述初步特征图或上游子模块输出的特征图，K2表示与所述子模块对应的多通道特征提取模块输出的特征图，K1和K2作为所述子模块的输入，fs1表示卷积核大小为3*3的卷积操作，fs2表示卷积核大小为3*3的可变形卷积操作，fs3表示卷积核大小为1*1的卷积操作，σs1、σs2和σs3均表示非线性激活函数ReLU，[·]表示对其中的特征图进行拼接操作，FS为所述子模块输出的特征图。
进一步地，所述图像重建模块包括前端卷积层、第一激活函数、亚像素卷积层、后端卷积层和第二激活函数，所述中间特征图顺次经过所述前端卷积层、所述第一激活函数、所述亚像素卷积层、所述后端卷积层和所述第二激活函数后，生成所述腰椎超分图像。
进一步地，所述图像分类网络为VGG16。
本发明还提供了一种基于CT图像检测骨质状况的电子设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的基于CT图像检测骨质状况的方法。
本发明的有益效果是：
(1)采用超分辨率网络对腰椎CT图像进行超分辨率重建，提升腰椎CT图像的分辨率，同时去除相当部分原始CT图像中的噪音，提高了输入分类网络的图像质量，提升分类网络对输入图像分类的准确率，从而提升了骨质状况检测的精度和准确率；
(2)现有的超分辨率网络都是通过一个瓶颈层一次性进行特征融合，由于输入瓶颈层的特征信息跨越多个尺度，而且大量混杂的信息同时输入，使得瓶颈层融合特征的效果并不理想，本发明的MF融合模块中设有多个子模块，同时输入一个子模块的不同特征信息尺度跨域不大，利用多个子模块以渐进的方式去融合不同尺度的特征信息，提高特征融合模块对无用信息的过滤效果，保留更多对图像重建有用的信息；
(3)现有的一些网络模型为了减少特征传递过程中的干扰信息，在特征提取主干里面使用可变形卷积，当模型深度较大时，存在细节缺失的问题，这对于超分辨率网络重建出纹理细节信息极为不利，本发明在特征提取主干中(即初步特征提取模块和多通道特征提取模块中)没有采用可变形卷积，而是在子模块中使用可变形卷积，避免了主干特征提取过程中大量丢失细节，同时对干扰信息具有很好的去除效果，特征提取效果好；
(4)考虑到超分辨率重建的目的是尽可能地恢复图像中的细节信息，与分类和语义分割等任务相比，超分辨率重建的任务层次更低，所以在多通道特征提取模块中，通道注意力模块的输入来自不同通道的第一个卷积层输出，而不是来自多通道特征提取模块的后部，这样输入通道注意力模块的特征信息抽象程度相对更低，生成的通道注意力图对不同信息的调制效果更好，有利于提升腰椎CT图像的超分辨率重建效果；基于同样的考虑，在通道注意力模块内部，还以全局方差池化代替了常规的全局平均池化。
附图说明
图1为本发明的图像超分辨率重建网络结构示意图；
图2为本发明的多通道特征提取模块结构示意图；
图3为本发明的子模块结构示意图；
图4为本发明的图像重建模块结构示意图；附
图中：
1-原始腰椎CT图像，2-腰椎超分图像，3-初步特征提取模块，4-多通道特征提取模块，41-通道注意力模块，5-MF融合模块，51-子模块，52-可变形卷积层，6-图像重建模块，61-前端卷积层，62-亚像素卷积层，63-后端卷积层。
具体实施方式
以下结合附图对本发明作进一步描述：
实施例：
获取带有人类专家标注骨质状况的腰椎CT图像数据集，数据集中同时包含健康样本、不同程度骨量减少和骨组织微结构退化的样本。骨质状况以T值来表示，根据T值大小将腰椎CT图像划分为不同的种类。按照7：3的比例，将获得的腰椎CT数据集随机划分为训练集和测试集，训练集用于训练超分辨率重建网络和图像分类网络。超分辨率重建网络的结构如图1所示，包括六个多通道特征提取模块4，MF融合模块5包括六个子模块51，图像分类网络采用VGG16实现。
制作超分辨率网络训练数据集时，先利用现有技术，对最初获得训练集中的图像去噪，输出得到的图像作为高清腰椎CT图像。对最初获得训练集中的图像进行下采样，获得高清腰椎CT图像所对应的低分辨率图像。对超分辨率网络训练之前，先进行一次预训练，预训练数据集为DIV2K数据集。通过对原始DIV2K数据集中高分辨率图像进行下采样，获得对应的低分辨率图像。预训练完成后，导入预训练得到模型的参数，然后在上面制作得到的超分辨率网络训练数据集上对超分辨率重建网络进行训练。
训练过程中，以L1损失函数来优化模型。下采样后的图像作为原始腰椎CT图像1输入超分辨率重建网络，先经过初步特征提取模块3，然后生成通道数量为64、长宽尺寸与原始腰椎CT图像1相同的初步特征图。初步特征提取模块3通常采用卷积核大小为3*3的卷积层实现。如图2所示，对于多通道特征提取模块4，输入该模块的特征图经过三个不同通道进行充分地特征提取，第二个通道中，两个3*3卷积串联，等效卷积核大小为5*5的卷积操作，第三个通道中，3*3与5*5卷积串联，等效卷积核大小为7*7的卷积操作。将不同通道提取到的特征拼接后，利用1*1卷积层降维，特征图的通道数量重新变为64，最终输出多通道特征提取模块4的特征图与输入该模块的特征图尺寸相同。为了提高网络模型性能，同时便于模型训练，在多通道特征提取模块4中使用了残差连接。
对于通道注意力模块41，输入该模块的特征图拼接起来后再将通道数量降维为64，然后特征图经过全局方差池化层和全连接层，生成通道注意力图。第一个全连接层的输入结点有64个，输出结点有24个，第二全连接层输入结点为24个，输出结点为64个。
图3为子模块51的内部结构示意图。多通道特征提取模块4输出的特征图与上游子模块51输出的特征图元素求和，经过3*3卷积层输出通道数量为64的特征图，实现第一次融合。然后将第一次融合后输出的特征图与可变形卷积层52输出的特征图、上游子模块输51出的特征图拼接，通道数量变为192，1*1卷积层降维后，通道数量变为64，实现第二次特征融合。实验表明，与常规拼接降维融合机制相比，本发明所提供的子模块51能够更好的融合不同模块输出的特征图，对关键的高频信息提取效果更好。
对于图像重建模块6，其结构如图4所示，前端卷积层61和后端卷积层63的卷积核大小均为3*3，前端卷积层61输入特征图通道为64，输出的特征图通道数量为64Z2，Z为图像放大倍数。特征图经过亚像素卷积层62后，长宽尺寸扩大Z倍，通道数量重新变为64，后端卷积层63输出腰椎超分图像2，通道数量为3。
利用训练完成的超分辨率网络，对最初获得的训练集图像进行超分辨率重建，然后将重建得到的图像输入图像分类网络，结合人类专家标注的骨质状况信息对分类网络进行训练，训练过程中交叉熵作为损失函数。
图像分类网络训练完成后，按照本发明所提供的方法，利用训练好的超分辨率网络对测试集图像进行超分辨率重建，将重建得到的腰椎超分图像2输入训练好的图像分类网络，利用图像分类网络对腰椎超分图像2进行分类，并与原本人类专家标注的数据进行比较，计算对骨质状况判断的准确率。
作为对比实验，利用双三次插值方法提升前面去噪后的高清腰椎CT图像分辨率，通过得到的图像训练分类网络。同样地，利用双三次插值方法提升去噪后的测试集分辨率，然后在训练好的图像分类网络上进行分类。结果表明，采用本发明所提供的方法对骨质状况判断的准确率要高12.8％。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (6)
1.一种基于CT图像检测骨质状况的方法，其特征是：包括以下步骤：
A1、获取原始腰椎CT图像，获取训练好的超分辨率重建网络，所述超分辨率重建网络包括初步特征提取模块、多通道特征提取模块、MF融合模块和图像重建模块，所述MF融合模块包括多个子模块，所述子模块与所述多通道特征提取模块对应设置；
A2、将所述原始腰椎CT图像输入所述超分辨率重建网络，先利用所述初步特征提取模块对所述原始腰椎CT图像进行特征提取，得到初步特征图；
A3、所述初步特征图顺次经过多个所述多通道特征提取模块，提取各个所述多通道特征提取模块输出的特征图；
A4、位于所述MF融合模块头部的子模块同时以所述初步特征图和靠近所述初步特征提取模块的多通道特征提取模块输出的特征图作为输入，下游的各个所述子模块依次将对应的多通道特征提取模块输出的特征图与上游子模块输出的特征图融合，最终输出得到中间特征图；
A5、将所述中间特征图输入所述图像重建模块，利用所述图像重建模块对所述中间特征图进行超分辨率重建，获得分辨率大于所述原始腰椎CT图像的腰椎超分图像；
A6、获取训练好的图像分类网络，将所述腰椎超分图像输入所述图像分类网络，利用所述图像分类网络对所述腰椎超分图像进行分类，以获取所述腰椎超分图像中对应腰椎的骨质状况信息；
所述多通道特征提取模块的数学模型可表示为如下公式：
F1＝σ1(f31(M))
F2＝σ2(f32(M))
F3＝σ3(f33(M))
F4＝[F1,σ4(f34(F2)),σ5(f5(F3))]
F5＝σ6(f1(F4))
F6＝fca(F1,F2,F3)
N＝fml(F5,F6)+M
其中，M为输入所述多通道特征提取模块的特征图，f31、f32、f33和f34均表示卷积核大小为3*3的卷积操作，f5表示卷积核大小为5*5的卷积操作，f1表示卷积核大小为1*1的卷积操作，σ1、σ2、σ3、σ4、σ5和σ6均表示非线性激活函数ReLU，[·]表示对其中的特征图进行拼接操作，fca表示通道注意力模块，F1、F2和F3作为所述通道注意力模块的输入，F6表示所述通道注意力模块生成输出的通道注意力图，Fml(F5,F6)表示将通道注意力图F6与特征图F5做乘法操作，N为所述多通道特征提取模块输出的特征图。
2.根据权利要求1所述的基于CT图像检测骨质状况的方法，其特征是：所述通道注意力模块的数学模型为：
Fa1＝σa1(fa1([F1,F2,F3]))
F6＝δ(fa3(σa2(fa2(pv(Fa1)))))
其中，F1、F2和F3为输入所述通道注意力模块的特征图，[·]表示对其中的特征图进行拼接操作，fa1表示卷积核大小为1*1的卷积操作，σa1和σa2均表示非线性激活函数ReLU，pv表示全局方差池化操作，fa2和fa3均表示全连接操作，δ为sigmoid激活函数，F6为所述通道注意力模块输出的所述通道注意力图。
3.根据权利要求1所述的基于CT图像检测骨质状况的方法，其特征是：所述子模块的数学模型为：
FS1＝σS1(fS1(K1+K2))
FS2＝σS2(fS2(K2))
FS＝σS3(fS3([K1,FS1,FS2]))
其中，K1表示所述初步特征图或上游子模块输出的特征图，K2表示与所述子模块对应的多通道特征提取模块输出的特征图，K1和K2作为所述子模块的输入，fs1表示卷积核大小为3*3的卷积操作，fs2表示卷积核大小为3*3的可变形卷积操作，fs3表示卷积核大小为1*1的卷积操作，σs1、σs2和σs3均表示非线性激活函数ReLU，[·]表示对其中的特征图进行拼接操作，FS为所述子模块输出的特征图。
4.根据权利要求1所述的基于CT图像检测骨质状况的方法，其特征是：所述图像重建模块包括前端卷积层、第一激活函数、亚像素卷积层、后端卷积层和第二激活函数，所述中间特征图顺次经过所述前端卷积层、所述第一激活函数、所述亚像素卷积层、所述后端卷积层和所述第二激活函数后，生成所述腰椎超分图像。
5.根据权利要求1所述的基于CT图像检测骨质状况的方法，其特征是：所述图像分类网络为VGG16。
6.一种基于CT图像检测骨质状况的电子设备，其特征是：包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如权利要求1-5任一项所述的基于CT图像检测骨质状况的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995766.8A CN114004784B (zh) | 2021-08-27 | 2021-08-27 | 一种基于ct图像检测骨质状况的方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995766.8A CN114004784B (zh) | 2021-08-27 | 2021-08-27 | 一种基于ct图像检测骨质状况的方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114004784A CN114004784A (zh) | 2022-02-01 |
| CN114004784B true CN114004784B (zh) | 2022-06-03 |
Family
ID=79921137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110995766.8A Active CN114004784B (zh) | 2021-08-27 | 2021-08-27 | 一种基于ct图像检测骨质状况的方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004784B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN111461973A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种图像的超分辨率重建方法及*** |
| CN111583107A (zh) * | 2020-04-03 | 2020-08-25 | 长沙理工大学 | 一种基于注意力机制的图像超分辨率重建方法和*** |
| CN112991167A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分层特征融合网络的航拍图像超分辨率重建方法 |
-
2021
- 2021-08-27 CN CN202110995766.8A patent/CN114004784B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN111461973A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种图像的超分辨率重建方法及*** |
| CN111583107A (zh) * | 2020-04-03 | 2020-08-25 | 长沙理工大学 | 一种基于注意力机制的图像超分辨率重建方法和*** |
| CN112991167A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分层特征融合网络的航拍图像超分辨率重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114004784A (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
| Lee et al. | Mu-net: Multi-scale U-net for two-photon microscopy image denoising and restoration | |
| CN112669248B (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
| Zhang et al. | Gated fusion network for degraded image super resolution | |
| Yamanakkanavar et al. | A novel M-SegNet with global attention CNN architecture for automatic segmentation of brain MRI | |
| CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
| CN113888412B (zh) | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 | |
| Yamanakkanavar et al. | MF2-Net: A multipath feature fusion network for medical image segmentation | |
| CN114219719A (zh) | 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法 | |
| CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
| CN114066729A (zh) | 一种可恢复身份信息的人脸超分辨率重建方法 | |
| CN116563100A (zh) | 一种基于内核引导网络的盲超分辨率重建方法 | |
| CN112037304A (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
| Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
| CN114187181A (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
| Zhao et al. | SSIR: Spatial shuffle multi-head self-attention for single image super-resolution | |
| CN114004784B (zh) | 一种基于ct图像检测骨质状况的方法及电子设备 | |
| CN113516604A (zh) | 图像修复方法 | |
| CN105976321A (zh) | 一种光学相干断层图像超分辨率重建方法和装置 | |
| Duanmu et al. | The image super-resolution algorithm based on the dense space attention network | |
| CN117217997A (zh) | 一种基于上下文感知边缘增强的遥感图像超分辨率方法 | |
| CN112200726A (zh) | 基于无透镜显微成像的尿沉渣有形成分检测方法及*** | |
| CN111462004A (zh) | 图像增强方法和装置、计算机设备、存储介质 | |
| CN114170089B (zh) | 一种用于糖尿病视网膜病变分类的方法及电子设备 | |
| CN114066873A (zh) | 一种利用ct图像检测骨质疏松的方法及装置 |
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 |