CN114549470A - 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 - Google Patents
基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 Download PDFInfo
- Publication number
- CN114549470A CN114549470A CN202210167207.2A CN202210167207A CN114549470A CN 114549470 A CN114549470 A CN 114549470A CN 202210167207 A CN202210167207 A CN 202210167207A CN 114549470 A CN114549470 A CN 114549470A
- Authority
- CN
- China
- Prior art keywords
- attention
- feature
- layer
- input image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 210000002411 hand bone Anatomy 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 13
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000010076 replication Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000011164 ossification Effects 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 208000037824 growth disorder Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法,其步骤包括:1获取包含手骨骨龄信息的数据集;2构建包含多粒度注意力的骨龄评估网络;3离线训练建立的骨龄评估网络;4利用训练好的网络中的注意力获取到手骨关键性区域。本发明能仅通过手骨骨龄标签获取到手骨关键性区域,且获取到的关键性区域和TW3方法使用的关键性区域相一致,克服了现有的关键性区域获取方法依赖人工标签的困难。
Description
技术领域
本发明涉及医学图像分析领域,具体涉及一种基于卷积神经网络和多粒度注意力的手骨关键区域获取方法。
背景技术
手部放射影像的骨龄评估通常用于调查儿童生长情况。在临床实践中,通过探索非惯用手的骨化中心的延迟或加速出现,可以辅助和监测生长障碍的诊断和治疗。
TW方法评估手和手腕的特定骨骼的成熟度水平。不同骨骼的成熟度水平对应着不同的成熟度分数,将骨骼成熟度转化为分数并将所有关键区域的分数相加,计算出总的成熟度分数,通过总的成熟度分数最后计算出骨龄。TW3法相对更复杂,需要更多的时间。由于每个骨骼的成熟度是独立评估的,因此TW3方法对某些骨骼中的错误预测具有鲁棒性,所以此方法评估更准确并且可再现。
近年来,基于人工神经网络的深度学习技术发展迅速,其应用领域也不断扩大。特别是,深度学习技术已经渗透到医学图像分析的整个领域,并在一些医学成像应用中取得了最先进的成果,例如脑损伤的分割等。骨龄评估任务是一个典型的目标检测和分类问题,可以从深度学习中受益。在这种方法中,对于给定的输入,预测相应的类别。因此,卷积神经网络及其变体越来越多地用于骨龄评估自动化,并取得了优秀的评估结果。
骨龄评估需要结合来自手部多块骨骼的外观信息的外观信息,为了定位鉴别性区域,现有的模型要么依赖于手工注释要么依赖于注意力,尤其对于模拟TW3方法的自动评估算法只能依赖于手工注释。然而,手工注释不仅需要专家知识,而且还是昂贵的和主观的。且现有的基于注意力的方法所定位的区域也不够精细和多样。
发明内容
本发明为了克服现有技术存在不足之处,提供一种基于卷积神经网络和多粒度注意力的手骨关键区域获取方法,以期能通过卷积神经网络自动提取手骨图片关键区域,从而能提高自动评估精度以及评估效率。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法的特点是按如下步骤进行:
步骤1:对所有手骨X光图像尺寸进行归一化,并应用随机仿射变换和随机水平翻转进行数据增强,得到输入图像集,所述输入图像集中的任意图像记为I;
步骤2:构建包含多粒度注意力的骨龄评估网络,包括:主干网络、注意力监督模块、两个特征融合模块、三个全连接层;
所述主干网络为L层的卷积神经网络;
所述注意力监督模块由上采样层、复制层、激活层组成;
所述特征融合模块是由点乘操作、平均池化层、LSTM网络组成;
步骤2.1:依次向主干网络输入所述输入图像集中的图像,其中,任意输入图像I经过所述主干网络的卷积处理后,得到中级图像特征FF,精细注意力AF,高级图像特征FC和粗略注意力AC;其中,所述中级图像特征FF是由所述主干网络的第L-1层中倒数第二个卷积块输出的结果,所述精细注意力AF是由所述主干网络的第L-1层中最后一个卷积块输出的特征图并切分前MF个通道后的结果,所述高级图像特征FC是由所述主干网络的第L层中倒数第二个卷积块输出的结果,所述粗略注意力AC是由所述主干网络的第L层中最后一个卷积块输出的特征图并切分前MC个通道后的结果;
步骤2.3:所述中级图像特征FF和精细注意力AF输入第一特征融合模块中进行处理,得到中级局部特征VF和中级全局特征GF;
所述高级图像特征FC和粗略注意力AC输入第二特征融合模块中进行处理,得到高级局部特征VC和高级全局特征GC;
步骤2.4:将输入图像I所对应的性别信息输入到第一个全连接层中,输出性别特征向量s;
所述输入图像I被掩膜mask擦除后生成注意力擦除图像E;
式(1)、式(2)和式(3)中,Vα表示局部特征,Cα是输入图像集中所有图像共享的特征中心,是输入图像集中所有图像共享的临时特征中心,β是特征中心Cα的更新权重;当α=F时,由中级局部特征VF构建中级一致性损失当α=C时,由高级局部特征VC构建高级一致性损失
步骤2.8:利用式(4)构建总损失L:
步骤3:基于输入图像集对骨龄评估网络进行训练,同时使用Adam更新网络的权重,并在总损失L趋于稳定后完成训练,得到最优模型;
步骤4:对最优模型中由粗略注意力引导后的精细注意力进行平均以及上采样操作后得到输入图像I的关键区域注意力图AI;
步骤5:若AI中第i行第j列的像素点AI(i,j)大于阈值σ,则令AI(i,j)为“1”,否则,令AI(i,j)为“0”,从而生成掩膜mask*;利用掩膜mask*擦除输入图像I后得到关键区域图像D即为手骨关键性区域。
与已有技术相比,本发明的有益效果体现在:
1、本发明设计了一个新的骨龄评估网络,首次仅通过骨龄标签即可使网络中的注意力自动学习到手骨图片中最具判别性的区域,不需要额外的注释即可获取到和TW3方法所用关键区域相一致的手骨关键区域,从而克服了昂贵且主观手工标注的弊端,在一定程度上可以辅助人工TW3方法的诊断。
2、本发明首次联合中层特征和高层特征用于评估骨龄,并在中层获得了关注到多个手部精细骨骼的空间注意力,从而提高了获取到的关键区域的精度。
3、本发明首次引入LSTM以及提出一个新的区域一致性损失来对不同局部区域响应的特征进行建模,在区域一致性损失的辅助下,LSTM有效地建模了不同局部区域中的长期依赖性,从而提高了以注意力的方法获取到关键区域的精度。
附图说明
图1为本发明方法流程示意图;
图2为本发明方法中的骨龄评估网络结构图;
图3为本发明方法中的骨龄评估网络中的注意力监督模块;
图4为本发明方法中的骨龄评估网络中的特征融合模块;
图5为本发明方法获取关键区域样例。
具体实施方式
本实施例中,一种基于卷积神经网络和多粒度注意力的手骨关键区域获取方法,仅利用手骨图片的骨龄标注信息即可定位到最具区分度的骨化区域,且定位到的区域与TW3方法使用的关键区域相一致。具体地说,如图1所示,是按如下步骤进行:
步骤1:对所有手骨X光图像尺寸进行归一化,并应用随机仿射变换和随机水平翻转进行数据增强,得到输入图像集,输入图像集中的任意图像记为I;
在本实施例中,所使用数据集为2017年北美放射学会提供的公开骨龄数据集。所有手部图像都包含骨龄和性别信息。该数据集中手骨图像的原始空间分辨率不相同,由于卷积神经网络需要固定尺寸的图像作为输入,故需要对所有原始图片的尺寸进行归一化。数据集中所有图像被归一化到448×448像素。随机仿射变换和随机水平翻转被应用来进行数据增强,以克服数据量少以及网络鲁棒性不高的难题;
步骤2:构建包含多粒度注意力的骨龄评估网络,如图2所示,包括:主干网络、注意力监督模块、两个特征融合模块、三个全连接层;
主干网络为L层的卷积神经网络;
注意力监督模块由上采样层、复制层、激活层组成,如图3所示;
特征融合模块是由点乘操作、平均池化层、LSTM网络组成,如图4所示;
步骤2.1:依次向主干网络输入输入图像集中的图像,其中,任意输入图像I经过主干网络的卷积处理后,得到中级图像特征FF,精细注意力AF,高级图像特征FC和粗略注意力AC;其中,中级图像特征FF是由主干网络的第L-1层中倒数第二个卷积块输出的结果,精细注意力AF是由主干网络的第L-1层中最后一个卷积块输出的特征图并切分前MF个通道后的结果,高级图像特征FC是由主干网络的第L层中倒数第二个卷积块输出的结果,粗略注意力AC是由主干网络的第L层中最后一个卷积块输出的特征图并切分前MC个通道后的结果;
本实施例中,以ResNet-50作为主干网络,在layer3和layer4分别获得不同尺寸的图像特征FF和FC;空间注意力被用来表示不同区域的空间分布。高级特征由于其丰富的语义信息,更适合于分类任务。高级特征获得的注意力集中在一个粗略的区域。而中间层次的特征包含丰富的纹理和形状信息,中级特征获得的注意力集中在更精细的区域。即AF关注精细的关键区域,AC关注粗略的关键区域。
中层特征中学习到的纹理和形状信息能够辅助高层特征进行预测。高层特征中更适合分类的语义信息又可以加强中层特征的学习。本实施例中,注意力监督模块被用来连接不同层次的空间注意力图。注意力监督模块由一个上采样层、一个复制层和一个非线性激活函数sigmoid层组成。具体来说,将粗略注意力AC上采样并在通道维度进行复制,以和精细注意力AF的尺寸相匹配,然后通过一个非线性激活函数sigmoid层激活后和中层空间注意力AF进行元素乘法,得到纠正后的精细注意力
粗略注意力AC被用来指导精细注意力AF的生成。一方面,中层特征集中在更精细的判别性区域。另一方面,中层特征倾向于学习更精细的判别性区域的特征,这进一步加强了高层对判别性特征的学习。注意力监督模块使得粗略注意力和精细注意力相互影响,相互加强。
步骤2.3:中级图像特征FF和精细注意力AF输入第一特征融合模块中进行处理,得到中级局部特征VF和中级全局特征GF;
高级图像特征FC和粗略注意力AC输入第二特征融合模块中进行处理,得到高级局部特征VC和高级全局特征GC;
本实施例中,特征融合模块首先将注意力图和特征图使用元素乘法相乘,得到局部特征图Fk∈RC×W×H,k=1,2,...,M,全局平均池化被进一步用来提取区别性的特征fk∈R1 ×C。连接fk,k=1,2,3,...,M生成局部特征V;依次输入fk,k=1,2,3,...,M到LSTM,LSTM最后一个输出单元hm作为最终的全局特征,记为G。
由于部分注意力关注于背景部分,其生成的区域加强特征对于分类是次重要的,局部特征fk,k=1,2,3,...,M对于最终分类的重要性是不同的。而LSTM中的门控机制则可以很好的对不同区域加强的特征进行全局化的处理。LSTM是一个时间依赖的模型,它的输入通常是时序数据。在本实施例中,每一个注意力关注于一个特定的区域,注意力之间存在长期依赖性。那么LSTM可以将不同的空间注意力视为一个时间序列。LSTM的引入可以很好地捕获并处理了空间注意力之间的长期依赖性。LSTM的使用有效地对高维局部特征进行了降维,巨大地缓解了分类器的压力。
步骤2.4:将输入图像I所对应的性别信息输入到一个包含32个神经元的全连接层中,输出性别特征向量s;
输入图像I被掩膜mask擦除后生成注意力擦除图像E;
来自不同通道的注意力往往会集中在同一个最具判别行的区域。注意力擦除策略擦除最显著区域后生成新的图片重新送入网络训练,有效地迫使网络学习不同的注意力。
式(1)、式(2)和式(3)中,Vα表示局部特征,Cα是输入图像集中所有图像共享的特征中心,是输入图像集中所有图像共享的临时特征中心,β是特征中心Cα的更新权重;α=F或α=C时,分别由中级局部特征VF和高级局部特征VC构建中级一致性损失和高级一致性损失
在区域一致性损失的辅助下,LSTM更加有效地建模了不同局部区域中的长期依赖性,使得同一个通道的空间注意力对于不同的图片始终关注的是相同的区域,这提高了以注意力的方法获取到关键区域的精度。
步骤2.8:利用式(3)构建总损失L:
步骤3:基于输入图像集对骨龄评估网络进行训练,同时使用Adam更新网络的权重,并在总损失L趋于稳定后完成训练,得到最优模型;
本实施例中,初始的学习率被设定为3e-5,使用PyTorch中的ReduceLROnPlateau对学习率进行调整,其中如果连续4次迭代验证集准确率没有上升,则使得学习率下降为原来的0.1倍。
步骤4:对最优模型中由粗略注意力引导后的精细注意力进行平均以及上采样操作后得到输入图像I的关键区域注意力图AI;
步骤5:若AI中第i行第j列的像素点AI(i,j)大于阈值σ,则令AI(i,j)为“1”,否则,令AI(i,j)为“0”,从而生成掩膜mask*;利用掩膜mask*擦除输入图像I后得到关键区域图像D即为手骨关键性区域,如图5所示。
Claims (1)
1.一种基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法,其特征是按如下步骤进行:
步骤1:对所有手骨X光图像尺寸进行归一化,并应用随机仿射变换和随机水平翻转进行数据增强,得到输入图像集,所述输入图像集中的任意图像记为I;
步骤2:构建包含多粒度注意力的骨龄评估网络,包括:主干网络、注意力监督模块、两个特征融合模块、三个全连接层;
所述主干网络为L层的卷积神经网络;
所述注意力监督模块由上采样层、复制层、激活层组成;
所述特征融合模块是由点乘操作、平均池化层、LSTM网络组成;
步骤2.1:依次向主干网络输入所述输入图像集中的图像,其中,任意输入图像I经过所述主干网络的卷积处理后,得到中级图像特征FF,精细注意力AF,高级图像特征FC和粗略注意力AC;其中,所述中级图像特征FF是由所述主干网络的第L-1层中倒数第二个卷积块输出的结果,所述精细注意力AF是由所述主干网络的第L-1层中最后一个卷积块输出的特征图并切分前MF个通道后的结果,所述高级图像特征FC是由所述主干网络的第L层中倒数第二个卷积块输出的结果,所述粗略注意力AC是由所述主干网络的第L层中最后一个卷积块输出的特征图并切分前MC个通道后的结果;
步骤2.3:所述中级图像特征FF和精细注意力AF输入第一特征融合模块中进行处理,得到中级局部特征VF和中级全局特征GF;
所述高级图像特征FC和粗略注意力AC输入第二特征融合模块中进行处理,得到高级局部特征VC和高级全局特征GC;
步骤2.4:将输入图像I所对应的性别信息输入到第一个全连接层中,输出性别特征向量s;
所述输入图像I被掩膜mask擦除后生成注意力擦除图像E;
式(1)、式(2)和式(3)中,Vα表示局部特征,Cα是输入图像集中所有图像共享的特征中心,是输入图像集中所有图像共享的临时特征中心,β是特征中心Cα的更新权重;当α=F时,由中级局部特征VF构建中级一致性损失当α=C时,由高级局部特征VC构建高级一致性损失
步骤2.8:利用式(4)构建总损失L:
步骤3:基于输入图像集对骨龄评估网络进行训练,同时使用Adam更新网络的权重,并在总损失L趋于稳定后完成训练,得到最优模型;
步骤4:对最优模型中由粗略注意力引导后的精细注意力进行平均以及上采样操作后得到输入图像I的关键区域注意力图AI;
步骤5:若AI中第i行第j列的像素点AI(i,j)大于阈值σ,则令AI(i,j)为“1”,否则,令AI(i,j)为“0”,从而生成掩膜mask*;利用掩膜mask*擦除输入图像I后得到关键区域图像D即为手骨关键性区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167207.2A CN114549470B (zh) | 2022-02-23 | 2022-02-23 | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167207.2A CN114549470B (zh) | 2022-02-23 | 2022-02-23 | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549470A true CN114549470A (zh) | 2022-05-27 |
CN114549470B CN114549470B (zh) | 2024-03-05 |
Family
ID=81676688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210167207.2A Active CN114549470B (zh) | 2022-02-23 | 2022-02-23 | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549470B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723754A (zh) * | 2022-06-08 | 2022-07-08 | 中国科学技术大学 | 超声髋关节骨龄评估方法、***、设备及存储介质 |
CN116342516A (zh) * | 2023-03-17 | 2023-06-27 | 四川文理学院 | 基于模型集成的儿童手骨x光图像骨龄评估方法及*** |
CN116433607A (zh) * | 2023-03-17 | 2023-07-14 | 四川文理学院 | 基于关键区域特征双重加权融合的儿童手骨x光图像骨龄评估方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018057714A1 (en) * | 2016-09-21 | 2018-03-29 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
CN110503635A (zh) * | 2019-07-30 | 2019-11-26 | 浙江工业大学 | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 |
CN111161254A (zh) * | 2019-12-31 | 2020-05-15 | 上海体育科学研究所 | 一种骨龄预测方法 |
CN112006654A (zh) * | 2020-07-16 | 2020-12-01 | 中国科学技术大学 | 基于卷积神经网络和多重注意力机制的骨骼年龄评估方法 |
US20210407081A1 (en) * | 2020-06-29 | 2021-12-30 | Vuno Inc. | Method and apparatus for bone age assessment |
-
2022
- 2022-02-23 CN CN202210167207.2A patent/CN114549470B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018057714A1 (en) * | 2016-09-21 | 2018-03-29 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
CN110503635A (zh) * | 2019-07-30 | 2019-11-26 | 浙江工业大学 | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 |
CN111161254A (zh) * | 2019-12-31 | 2020-05-15 | 上海体育科学研究所 | 一种骨龄预测方法 |
US20210407081A1 (en) * | 2020-06-29 | 2021-12-30 | Vuno Inc. | Method and apparatus for bone age assessment |
CN112006654A (zh) * | 2020-07-16 | 2020-12-01 | 中国科学技术大学 | 基于卷积神经网络和多重注意力机制的骨骼年龄评估方法 |
Non-Patent Citations (3)
Title |
---|
丁维龙;丁潇;池凯凯;陈琦;毛科技;: "基于神经网络的手骨特征区域自适应提取方法", 浙江工业大学学报, no. 05, 9 October 2020 (2020-10-09) * |
刘鸣谦;兰钧;陈旭;于广军;杨秀军;: "基于多维度特征融合的深度学习骨龄评估模型", 第二军医大学学报, no. 08, 20 August 2018 (2018-08-20) * |
张世杰;李睿;占梦军;徐铸;: "基于深度学习区域融合的骨龄评价研究", 现代计算机, no. 09, 25 March 2020 (2020-03-25) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723754A (zh) * | 2022-06-08 | 2022-07-08 | 中国科学技术大学 | 超声髋关节骨龄评估方法、***、设备及存储介质 |
CN116342516A (zh) * | 2023-03-17 | 2023-06-27 | 四川文理学院 | 基于模型集成的儿童手骨x光图像骨龄评估方法及*** |
CN116433607A (zh) * | 2023-03-17 | 2023-07-14 | 四川文理学院 | 基于关键区域特征双重加权融合的儿童手骨x光图像骨龄评估方法及*** |
CN116433607B (zh) * | 2023-03-17 | 2024-03-15 | 四川文理学院 | 基于关键区域特征双重加权融合的儿童手骨x光图像骨龄评估方法及*** |
CN116342516B (zh) * | 2023-03-17 | 2024-04-16 | 四川文理学院 | 基于模型集成的儿童手骨x光图像骨龄评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114549470B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766894B (zh) | 基于注意力机制和深度学习的遥感图像自然语言生成方法 | |
CN108062753B (zh) | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 | |
CN114549470B (zh) | 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法 | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
CN107423756A (zh) | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及*** | |
CN113298815A (zh) | 一种半监督遥感图像语义分割方法、装置和计算机设备 | |
CN114998220A (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN111080579A (zh) | 基于深度学习实现图像分割和分类的骨龄评估方法 | |
CN116884623B (zh) | 基于激光扫描成像的医疗康复预测*** | |
CN113065551A (zh) | 利用深度神经网络模型执行图像分割的方法 | |
CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN110674726A (zh) | 基于目标检测与迁移学习的皮肤病辅助诊断方法及*** | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
Elguebaly et al. | Bayesian learning of generalized gaussian mixture models on biomedical images | |
CN116452688A (zh) | 一种基于共同注意力机制的图像描述生成方法 | |
Liang et al. | Weakly supervised deep nuclei segmentation with sparsely annotated bounding boxes for dna image cytometry | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和*** | |
CN116486156A (zh) | 融合多尺度特征上下文的全视野数字切片图像分类方法 | |
CN115880277A (zh) | 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法 | |
CN116385717A (zh) | 叶面病害识别方法、装置、电子设备、存储介质及产品 | |
CN116188396A (zh) | 一种图像分割方法、装置、设备及介质 | |
CN112418205A (zh) | 基于专注误分割区域的交互式图像分割方法和*** |
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 |