CN117764888B - 一种脊柱侧弯扫描取型的处理方法及装置 - Google Patents
一种脊柱侧弯扫描取型的处理方法及装置 Download PDFInfo
- Publication number
- CN117764888B CN117764888B CN202410196031.2A CN202410196031A CN117764888B CN 117764888 B CN117764888 B CN 117764888B CN 202410196031 A CN202410196031 A CN 202410196031A CN 117764888 B CN117764888 B CN 117764888B
- Authority
- CN
- China
- Prior art keywords
- image
- spliced
- sample
- correction
- corrected
- 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
- 206010039722 scoliosis Diseases 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 223
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007493 shaping process Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 239000003607 modifier Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请提供了一种脊柱侧弯扫描取型的处理方法及装置,涉及影像处理技术领域,该方法包括:采集基础扫描影像;获得第一拼接影像,获得第一拼接畸变度;决策获取第一修正幅值;获得第一修正拼接影像;评估第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,获得最优第一拼接影像;生成第一融合影像,并获取第二融合影像,与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果,解决了现有技术中存在由于对于影像拼接后的畸变分析校正效果不佳,进而导致全脊柱影像的准确度不高的技术问题,达到降低脊柱影像畸变程度,提升脊柱扫描影像取型结果的准确性的技术效果。
Description
技术领域
本申请涉及影像处理技术领域,具体涉及一种脊柱侧弯扫描取型的处理方法及装置。
背景技术
现有常用的脊柱侧弯检查方法是通过X光机、CT机等进行扫描,获取扫描影像进行脊柱侧弯判断。脊柱影像的扫描往往需要对多个位置进行扫描后进行影像的拼接,拼接质量高的全脊柱片,能够直观、清晰地观察脊柱的整体形态。但是,不同位置的影像在拼接过程中容易发生畸变,导致影像失真,准确度不高,进而其对于脊柱侧弯判别的参考性较低。
综上,现有技术中存在由于对于影像拼接后的畸变分析校正效果不佳,进而导致全脊柱影像的准确度不高的技术问题。
发明内容
本申请提供了一种脊柱侧弯扫描取型的处理方法及装置,用以解决现有技术中存在由于对于影像拼接后的畸变分析校正效果不佳,进而导致全脊柱影像的准确度不高的技术问题。
根据本申请的第一方面,提供了一种脊柱侧弯扫描取型的处理方法,包括:采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像;基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,获得第一拼接影像,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度;根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息;构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成获得第一修正拼接影像;评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像;继续采集修正获得多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果。
根据本申请的第二方面,提供了一种脊柱侧弯扫描取型的处理装置,包括:扫描影像采集模块,所述扫描影像采集模块用于采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像;畸变分析模块,所述畸变分析模块用于基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,获得第一拼接影像,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度;修正幅值决策模块,所述修正幅值决策模块用于根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息;修正拼接模块,所述修正拼接模块用于构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成获得第一修正拼接影像;修正优化模块,所述修正优化模块用于评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像;扫描取型结果输出模块,所述扫描取型结果输出模块用于继续采集修正获得多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果。
根据本申请采用的一个或多个技术方案,其可达到的有益效果如下:
采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像,基于基础扫描影像,采集用户基于第一基础位置的下一位置的扫描影像,获得第一拼接影像,结合基础扫描影像,对第一拼接影像进行畸变分析,获得第一拼接畸变度,根据第一拼接畸变度,决策获取第一修正幅值,其中,第一修正幅值包括对所述第一拼接影像进行修正的步长信息,构建扫描影像修正器,按照第一修正幅值,向第一拼接影像加入数据噪声,生成获得第一修正拼接影像,评估第一修正拼接影像与基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像,继续采集修正获得多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,与第一融合影像进行校验,在校验合格时,输出获得扫描取型结果。由此通过对脊柱的多个位置的扫描影像进行拼接,并对拼接影像进行畸变分析,从而进行畸变修正,最后对修正拼接影像进行融合后的融合影像校验,实现脊柱影像的扫描取型,达到降低脊柱影像畸变程度,提升脊柱扫描影像取型结果的准确性的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,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。构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种脊柱侧弯扫描取型的处理方法的流程示意图;
图2为本申请实施例提供的一种脊柱侧弯扫描取型的处理装置的结构示意图。
附图标记说明:扫描影像采集模块11,畸变分析模块12,修正幅值决策模块13,修正拼接模块14,修正优化模块15,扫描取型结果输出模块16。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例,而不是限制本申请。如在说明书中所使用的,单数术语“一”“一个”和“该”旨在也包括复数形式,除非上下文另有清楚指示。当在说明书中使用时,术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在,但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义,本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语,如常用词典中定义的术语,不应以理想化或过于正式的意义来解释,除非在此明确定义。在整个说明书中,相同的附图标记表示相同的元件。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本申请实施例提供的一种脊柱侧弯扫描取型的处理方法图,所述方法包括:
采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像;
第一基础位置是指用户的腰椎或者颈椎等开始的地方,简单来说,脊柱包括颈椎、胸椎、腰椎、骶椎和尾椎,基于用户的实际需求确定需要进行侧弯扫描取型的脊柱,颈椎、胸椎、腰椎、骶椎和尾椎均为一个整体结构,可按照一定的间隔对其进行划分,将其划分为多个部分,第一基础位置即为脊柱的初始部分,比如颈椎的上端初始部分。
通过现有的X光机、CT机等影像采集设备采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像,即第一基础位置对应的脊柱的影像。
基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,获得第一拼接影像,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度;
基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,简单来讲,前述步骤中,按照一定的间隔对脊柱进行划分,将其划分为多个部分,第一基础位置即为脊柱的初始部分,比如颈椎的上端初始部分,下一位置即为与第一基础位置相邻的部分,通过现有的X光机、CT机等影像采集设备采集下一位置的扫描影像,并对基础扫描影像和下一位置的扫描影像进行拼接,可将基础扫描影像和下一位置的扫描影像导入现有的拼接软件,通过拼接软件在两幅影像找到相同的拼接点进行拼接,获得第一拼接影像。
但是,扫描影像在采集的过程中,容易发生畸变,导致拼接影像不准确,因此,需要进行畸变分析,基于此,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度,第一拼接畸变度用于描述所述第一拼接影像的畸变程度,具体畸变分析方法如下详述。
在一个优选实施例中,还包括:
采集所述用户的特征信息,并筛选获得同族用户;基于同族用户的扫描数据,采集样本基础扫描影像集合、样本第一拼接影像集合,并评估获取样本第一拼接畸变度集合;采用所述样本基础扫描影像集合、样本第一拼接影像集合和样本第一拼接畸变度集合,基于卷积神经网络,构建第一位置畸变分析器;采用所述第一位置畸变分析器,根据输入的基础扫描影像和第一拼接影像进行畸变分析,获得第一拼接影像的第一拼接畸变度。
具体地,采集所述用户的特征信息,特征信息是指用户的个体特征,包括年龄、性别、身高、体重、病情等特征,由用户自行上传,基于用户的特征信息,结合现有的数据挖掘技术,筛选获得与所述用户具有相同特征的同族用户,所述同族用户为已经进行过脊柱扫描图像的采集,并由本领域专业技术人员基于现有技术进行扫描图像拼接和畸变度的分析的用户,由此,基于同族用户的扫描数据,采集样本基础扫描影像集合、样本第一拼接影像集合,并由本领域专业技术人员评估获取样本第一拼接畸变度集合。
以卷积神经网络作为第一位置畸变分析器的网络结构,以基础扫描影像、拼接影像作为卷积神经网络的输入,以拼接畸变度作为卷积神经网络的输出。然后采用所述样本基础扫描影像集合、样本第一拼接影像集合和样本第一拼接畸变度集合,对卷积神经网络进行训练,所述样本基础扫描影像集合、样本第一拼接影像集合和样本第一拼接畸变度集合中的数据具备一一对应关系,将所述样本基础扫描影像集合、样本第一拼接影像集合中的数据输入卷积神经网络,以样本第一拼接畸变度集合中的数据进行输出监督调整,以此将卷积神经网络训练至收敛作为第一位置畸变分析器。采用所述第一位置畸变分析器,根据输入的基础扫描影像和第一拼接影像进行畸变分析,输出第一拼接影像的第一拼接畸变度。由此实现拼接图像的畸变分析,为后续的畸变修正提供基础,便于消除畸变,提升脊柱扫描影像的准确度。
根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息;
根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息,具体为对第一拼接影像内进行修正的像素点的占比,畸变度越大,修正幅值越大,具体获取方法如下。
在一个优选实施例中,还包括:
获取样本第一拼接畸变度集合,并获取样本第一修正幅值集合,样本第一拼接畸变度的大小和样本第一修正幅值的大小正相关;采用所述样本第一拼接畸变度集合和样本第一修正幅值集合,构建修正幅值分类器,其中,修正幅值分类器基于决策树架构构建;采用所述修正幅值分类器,对输入的第一拼接畸变度进行决策分类,获得所述第一修正幅值,所述第一修正幅值包括对第一拼接影像进行修正的像素点的占比。
获取样本第一拼接畸变度集合,并获取样本第一修正幅值集合,样本第一拼接畸变度的大小和样本第一修正幅值的大小正相关,样本第一修正幅值是指对样本第一拼接畸变度集合,对样本第一拼接影像集合进行修正的像素点的占比,由本领域专业技术人员结合现有技术进行配置。采用所述样本第一拼接畸变度集合和样本第一修正幅值集合,构建修正幅值分类器,其中,修正幅值分类器基于决策树架构构建,简单来说,对于所述样本第一拼接畸变度集合按照畸变度大小进行分类划分,具体如下:
具体将所述样本第一拼接畸变度集合中的样本第一拼接畸变度作为多层划分节点内的划分阈值,每层一类划分节点可对下层划分节点输入的样本第一拼接畸变度进行二分类决策划分,划分为大于节点内划分阈值的一类和不大于的一类,并将划分结果输入至上层划分节点,如此,进行多层的划分决策,并将划分节点连接起来,获得多个划分结果,每个划分结果包括样本第一拼接畸变度的区间,采用样本第一修正幅值集合中与样本第一拼接畸变度对应的样本第一修正幅值对多个划分结果进行标记,进而获得所述修正幅值分类器。
将第一拼接畸变度输入所述修正幅值分类器,对输入的第一拼接畸变度进行决策分类,具体地,将第一拼接畸变度在多个划分结果中进行遍历,输出对应的第一修正幅值,所述第一修正幅值包括对第一拼接影像进行修正的像素点的占比。由此实现畸变修正幅值分析,为后续的拼接影像修正提供支持,便于消除或减少畸变,提升脊柱扫描影像的准确度。
构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成获得第一修正拼接影像;
所述扫描影像修正器通过现有的生成对抗网络训练构建,基于扫描影像修正器,按照所述第一修正幅值内修正的像素点的占比,对第一拼接影像进行修正,生成新的拼接影像作为第一修正拼接影像。
在一个优选实施例中,还包括:
基于所述第一拼接影像的位置,采集样本拼接影像集合,并采集修正畸变后的样本修正拼接影像集合,其中,样本修正拼接影像集合内包括按照不同修正幅值修正后的样本修正拼接影像;采用所述样本拼接影像集合和样本修正拼接影像集合,基于生成对抗网络,构建所述扫描影像修正器;采用所述扫描影像修整器,将所述第一修正幅值和所述第一拼接影像输入,对第一拼接影像进行修正生成,获得所述第一修正拼接影像。
具体来说,基于所述第一拼接影像的位置,即第一拼接影像对应的脊柱的位置,也就是说第一基础位置和第一基础位置的下一位置,基于现有技术,采集该位置对应的拼接影像作为样本拼接影像集合,比如可采集已进行过相同位置的脊柱影像采集的用户的拼接影像,并采集由本领域专业技术人员对样本拼接影像集合内的拼接影像修正畸变后的样本修正拼接影像集合,其中,样本修正拼接影像集合内包括按照不同修正幅值修正后的样本修正拼接影像。
采用所述样本拼接影像集合和样本修正拼接影像集合,基于生成对抗网络,构建所述扫描影像修正器,生成对抗网络是一种深度学习模型,由生成器和判别器两部分组成。生成器的任务是生成新的图像,而判别器的任务是判断图像是否真实,本实施例中,通过样本拼接影像集合和样本修正拼接影像集合来训练生成对抗网络。在训练过程中,生成器和判别器会不断进行迭代,直到生成器能够生成出与样本修正拼接影像集合内的影像相似的修正图像。
将所述第一修正幅值和所述第一拼接影像输入所述扫描影像修正器,通过所述扫描影像修正器对第一拼接影像进行修正生成,输出所述第一修正拼接影像。由此实现拼接影像的畸变修正,降低影像失真。
在一个优选实施例中,还包括:
基于生成对抗网络,构建多个生成器和多个判别器,每组生成器和判别器对应一种修正幅值;采用所述样本拼接影像集合和样本修正拼接影像集合,对所述多个生成器和多个判别器进行训练,直到满足收敛条件,获得所述扫描影像修正器。
其中,采用所述样本拼接影像集合和样本修正拼接影像集合,基于生成对抗网络,构建所述扫描影像修正器的方法为:基于生成对抗网络,构建多个生成器和多个判别器,每组生成器和判别器对应一种修正幅值,即一种修正幅值构建一组生成器和判别器,同时样本修正拼接影像集合内包括按照不同修正幅值修正后的样本修正拼接影像,因此按照每组生成器和判别器对应的修正幅值,对所述样本拼接影像集合和样本修正拼接影像集合进行划分,提取每组生成器和判别器对应的多组样本拼接影像和样本修正拼接影像,将样本拼接影像输入生成器,结合现有技术中的随机噪声,按照对应的修正幅值,对样本拼接影像内对应占比的像素点进行更改,生成新的修正拼接影像,进而利用判别器判断新的修正拼接影像与样本修正拼接影像是否一致,基于此不断进行迭代训练,直到生成器能够生成出与样本修正拼接影像相似的修正图像,收敛条件由本领域专业技术人员自行设定,比如连续多次输出的新的修正拼接影像与样本修正拼接影像一致,一组生成器和判别器训练完毕。采用相同的方法,训练不同修正幅值对应的多组生成器和判别器,获得所述扫描影像修正器。由此为畸变修正提供模型基础,且不同的修正幅值对应不同的生成器和判别器,提升畸变修正的准确性。
评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像;
具体而言,得到所述第一修正拼接影像后,还需对所述第一修正拼接影像的修正效果进行评价,便于进行拼接影像的优化,提升修正精度。具体地,评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,第一修正匹配度是指所述第一修正拼接影像与所述基础扫描影像的匹配程度,就是说,需要保证修正过程不会对基础扫描影像产生变化,比如使得基础扫描影像发生失真,可用两者的相似度表示。第一畸变修正度则是指对于拼接影像的畸变修正程度。第一修正匹配度和第一畸变修正度均以百分比的形式表示,对第一修正匹配度和第一畸变修正度进行加权计算,获取修正适应度。然后继续采用前述的方法对第一拼接影像进行畸变修正,并继续对第一拼接影像进行修正优化,并计算每一次修正后的修正适应度,获取修正适应度最大的修正拼接影像作为最优第一拼接影像,由此实现对影像拼接的修正优化,提升修正精度。
在一个优选实施例中,还包括:
获取样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合,并获取样本第一修正匹配度集合和样本第一畸变修正度集合;采用所述样本基础扫描影像集合、样本修正拼接影像集合和样本第一修正匹配度集合,构建修正匹配度分析分支,采用所述样本第一拼接影像集合、样本修正拼接影像集合和样本第一畸变修正度集合,构建畸变修正度分析分支;基于所述修正匹配度分析分支和畸变修正度分析分支,对所述第一修正拼接影像和所述基础扫描影像进行分析,获得第一修正匹配度,以及对所述第一拼接影像和第一修正拼接影像进行分析,获得所述第一畸变修正度;对所述第一修正匹配度和第一畸变修正度进行加权计算,获得所述第一修正拼接影像的第一修正适应度;继续对第一拼接影像进行修正优化,直到获得修正适应度最大的修正拼接影像,作为所述最优第一拼接影像。
具体地,基于现有技术获取样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合,并由本领域专业技术人员对样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合进行修正匹配度和畸变修正度分析标记,获取样本第一修正匹配度集合和样本第一畸变修正度集合,具体来说,在获取样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合,同时可获取样本第一拼接影像集合对应的修正前的样本第一拼接畸变度集合,然后采用前述构建的所述第一位置畸变分析器对样本修正拼接影像集合进行畸变度分析,即可得到修正后的样本第一拼接畸变度集合,那么,获取样本第一畸变修正度集合的方法为,利用具有对应关系的修正前的样本第一拼接畸变度减去修正后的样本第一拼接畸变度,以计算获得的差值与修正前的样本第一拼接畸变度作比值,将比值结果转换为百分数形式,即可得到样本第一畸变修正度集合。
修正匹配度则是指样本基础扫描影像集合与样本修正拼接影像集合中同一脊柱位置对应的影像之间的相似度,现有技术中的图像相似度比较方法包括直方图比较、特征点匹配、结构相似性度量等,示例性的,通过现有的结构相似性度量进行相似度比较,得到的相似度数值在-1到1之间,值越大表示图像越相似,那么只需将-1到1之间的数据转换为百分数即可,比如,将相似度数值通过现有的归一化方法转换至0至1的范围后乘以100%,即可得到样本第一修正匹配度集合。
由此可知,样本第一修正匹配度集合和样本第一畸变修正度集合中的样本第一修正匹配度与样本第一畸变修正度均为百分比的形式,那么后续通过构建的所述修正匹配度分析分支和畸变修正度分析分支输出的所述第一修正匹配度和所述第一畸变修正度均为百分比的形式。
样本基础扫描影像集合、样本第一拼接影像集合、样本修正拼接影像集合、样本第一修正匹配度集合和样本第一畸变修正度集合中的数据具备一一对应关系。
采用所述样本基础扫描影像集合、样本修正拼接影像集合和样本第一修正匹配度集合,基于现有的机器学习模型,比如神经网络,构建修正匹配度分析分支,具体地,将所述样本基础扫描影像集合、样本修正拼接影像集合中的多组数据依次输入构建的修正匹配度分析分支,以样本第一修正匹配度集合中对应的样本第一修正匹配度对修正匹配度分析分支进行输出监督调整,使得修正匹配度分析分支的输出与样本第一修正匹配度一致,由此将修正匹配度分析分支训练至收敛。同理,采用所述样本第一拼接影像集合、样本修正拼接影像集合和样本第一畸变修正度集合,构建畸变修正度分析分支,构建方法与修正匹配度分析分支的构建方法相同,在此不再赘述。
将所述第一修正拼接影像和所述基础扫描影像输入所述修正匹配度分析分支进行分析,输出第一修正匹配度;将所述第一拼接影像和第一修正拼接影像输入畸变修正度分析分支进行分析,输出所述第一畸变修正度。进一步对所述第一修正匹配度和第一畸变修正度进行加权计算,加权计算所使用的权重可由本领域专业技术人员自行设定,对此不做限制,以加权计算结果作为所述第一修正拼接影像的第一修正适应度。采用前述的畸变修正方法继续对第一拼接影像进行修正优化,直到达到预设优化次数,预设优化次数由本领域专业技术人员自行设定,然后获得修正适应度最大的修正拼接影像,作为所述最优第一拼接影像。由此实现对影像拼接的修正优化,提升修正精度。
继续采集修正获得多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果。
前述获得的最优第一拼接影像只是基于第一基础位置以及其下一位置的最优拼接影像,也就是说,最优第一拼接影像只是脊柱一部分的影像,因此,需要继续获取下一位置的多个位置的最优拼接影像,将多个位置的最优拼接影像按照对应的脊柱位置融合为一个全脊柱影像,记为第一融合影像。
采用上述获取第一融合影像的方法,获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,第二基础位置与第一基础位置不同,对第二融合影像与所述第一融合影像进行校验,就是分析两者的相似度,如果两者相似度达到相似度阈值,即相似度较高,校验合格,将第二融合影像与第一融合影像输出作为扫描取型结果。
在一个优选实施例中,还包括:
基于第一基础位置,继续采集修正获得多个位置的最优拼接影像,拼接生成第一融合影像;基于第二基础位置,采集修正获得多个位置的最优拼接影像,拼接生成第二融合影像;获取样本融合影像集合,并进行两两组合和相似度分析,获得样本相似度集合;基于孪生网络,构建融合影像校验器,采用所述样本融合影像集合和样本相似度集合进行训练至收敛;采用收敛的所述融合影像校验器,对所述第一融合影像和第二融合影像进行相似度分析,获得校验结果,在校验结果大于相似度阈值时,校验合格。
具体地,基于第一基础位置,继续采集修正获得多个位置的最优拼接影像,将多个位置的最优拼接影像按照对应的脊柱位置拼接融合为一个全脊柱影像,记为第一融合影像。采用与获取第一融合影像相同的方法,基于第二基础位置,采集修正获得多个位置的最优拼接影像,拼接生成第二融合影像,第二基础位置与第一基础位置不同,就是说,通过不同的位置开始进行脊柱影像的拼接融合,以对所述第一融合影像和第二融合影像进行两者的准确性校验,保证融合影像的准确度。
获取样本融合影像集合,样本融合影像集合中包含基于现有技术对多个不同的基础位置采集获得的脊柱融合影像,进而基于现有技术对样本融合影像集合中的影像进行两两组合和相似度分析,具体来说,可通过计算两个影像之间的像素差异、结构相似度指数等获取相似度,其为本领域技术人员常用技术手段,在此不进行展开,以此获得两两组合的相似度组成样本相似度集合。
基于孪生网络,构建融合影像校验器,孪生网络是现有的一类神经网络结构,它是由两个或更多个完全相同的网络组成的。在孪生网络中,两个输入样本通过各自的神经网络得到两个表示向量,然后使用一种度量方法(例如欧氏距离、余弦相似度等)计算这两个向量之间的相似度得分,根据相似度得分进行分类或回归等操作。在本申请实施例中,以两个融合图像作为孪生网络的两个输入样本,通过两个神经网络模型对两个融合图像分别进行影像特征的提取,比如提取像素特征、纹理特征等,其为本领域常用技术手段,在此不进行展开。进而对两个融合图像的影像特征进行相似性比对。
进一步采用所述样本融合影像集合和样本相似度集合将融合影像校验器训练至收敛,就是将两两组合中的两个样本融合影像分别输入融合影像校验器,以样本相似度集合中对应的样本相似度进行输出监督调整,使得输出与样本相似度一致,以此训练至收敛。
采用收敛的所述融合影像校验器,对所述第一融合影像和第二融合影像进行相似度分析,获得校验结果,校验结果为所述第一融合影像和第二融合影像的相似度,在校验结果大于相似度阈值时,校验合格,相似度阈值由本领域专业技术人员结合实际设定。将校验合格的所述第一融合影像和第二融合影像作为扫描取型结果。
由此通过融合影像的校验,实现全脊柱扫描影像的获取,降低脊柱影像的畸变,提升影像的准确性。
基于上述分析可知,本申请提供的一个或多个技术方案,其可达到的有益效果如下:
采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像,基于基础扫描影像,采集用户基于第一基础位置的下一位置的扫描影像,获得第一拼接影像,结合基础扫描影像,对第一拼接影像进行畸变分析,获得第一拼接畸变度,根据第一拼接畸变度,决策获取第一修正幅值,其中,第一修正幅值包括对所述第一拼接影像进行修正的步长信息,构建扫描影像修正器,按照第一修正幅值,向第一拼接影像加入数据噪声,生成获得第一修正拼接影像,评估第一修正拼接影像与基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像,继续采集修正获得多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,与第一融合影像进行校验,在校验合格时,输出获得扫描取型结果。由此通过对脊柱的多个位置的扫描影像进行拼接,并对拼接影像进行畸变分析,从而进行畸变修正,最后对修正拼接影像进行融合后的融合影像校验,实现脊柱影像的扫描取型,达到降低脊柱影像畸变程度,提升脊柱扫描影像取型结果的准确性的技术效果。
实施例二
基于与前述实施例中一种脊柱侧弯扫描取型的处理方法同样的发明构思,如图2所示,本申请还提供了一种脊柱侧弯扫描取型的处理装置,所述装置包括:
扫描影像采集模块11,所述扫描影像采集模块11用于采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像;
畸变分析模块12,所述畸变分析模块12用于基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,获得第一拼接影像,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度;
修正幅值决策模块13,所述修正幅值决策模块13用于根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息;
修正拼接模块14,所述修正拼接模块14用于构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成获得第一修正拼接影像;
修正优化模块15,所述修正优化模块15用于评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像;
扫描取型结果输出模块16,所述扫描取型结果输出模块16用于继续采集修正获得多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置采集修正拼接获得的第二融合影像,与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果。
进一步而言,所述畸变分析模块12还包括:
采集所述用户的特征信息,并筛选获得同族用户;
基于同族用户的扫描数据,采集样本基础扫描影像集合、样本第一拼接影像集合,并评估获取样本第一拼接畸变度集合;
采用所述样本基础扫描影像集合、样本第一拼接影像集合和样本第一拼接畸变度集合,基于卷积神经网络,构建第一位置畸变分析器;
采用所述第一位置畸变分析器,根据输入的基础扫描影像和第一拼接影像进行畸变分析,获得第一拼接影像的第一拼接畸变度。
进一步而言,所述修正幅值决策模块13还包括:
获取样本第一拼接畸变度集合,并获取样本第一修正幅值集合,样本第一拼接畸变度的大小和样本第一修正幅值的大小正相关;
采用所述样本第一拼接畸变度集合和样本第一修正幅值集合,构建修正幅值分类器,其中,修正幅值分类器基于决策树架构构建;
采用所述修正幅值分类器,对输入的第一拼接畸变度进行决策分类,获得所述第一修正幅值,所述第一修正幅值包括对第一拼接影像进行修正的像素点的占比。
进一步而言,所述修正拼接模块14还包括:
基于所述第一拼接影像的位置,采集样本拼接影像集合,并采集修正畸变后的样本修正拼接影像集合,其中,样本修正拼接影像集合内包括按照不同修正幅值修正后的样本修正拼接影像;
采用所述样本拼接影像集合和样本修正拼接影像集合,基于生成对抗网络,构建所述扫描影像修正器;
采用所述扫描影像修正器,将所述第一修正幅值和所述第一拼接影像输入,对第一拼接影像进行修正生成,获得所述第一修正拼接影像。
进一步而言,所述修正拼接模块14还包括:
基于生成对抗网络,构建多个生成器和多个判别器,每组生成器和判别器对应一种修正幅值;
采用所述样本拼接影像集合和样本修正拼接影像集合,对所述多个生成器和多个判别器进行训练,直到满足收敛条件,获得所述扫描影像修正器。
进一步而言,所述修正优化模块15还包括:
获取样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合,并获取样本第一修正匹配度集合和样本第一畸变修正度集合;
采用所述样本基础扫描影像集合、样本修正拼接影像集合和样本第一修正匹配度集合,构建修正匹配度分析分支,采用所述样本第一拼接影像集合、样本修正拼接影像集合和样本第一畸变修正度集合,构建畸变修正度分析分支;
基于所述修正匹配度分析分支和畸变修正度分析分支,对所述第一修正拼接影像和所述基础扫描影像进行分析,获得第一修正匹配度,以及对所述第一拼接影像和第一修正拼接影像进行分析,获得所述第一畸变修正度;
对所述第一修正匹配度和第一畸变修正度进行加权计算,获得所述第一修正拼接影像的第一修正适应度;
继续对第一拼接影像进行修正优化,直到获得修正适应度最大的修正拼接影像,作为所述最优第一拼接影像。
进一步而言,所述扫描取型结果输出模块16还包括:
基于第一基础位置,继续采集修正获得多个位置的最优拼接影像,拼接生成第一融合影像;
基于第二基础位置,采集修正获得多个位置的最优拼接影像,拼接生成第二融合影像;
获取样本融合影像集合,并进行两两组合和相似度分析,获得样本相似度集合;
基于孪生网络,构建融合影像校验器,采用所述样本融合影像集合和样本相似度集合进行训练至收敛;
采用收敛的所述融合影像校验器,对所述第一融合影像和第二融合影像进行相似度分析,获得校验结果,在校验结果大于相似度阈值时,校验合格。
前述实施例一中的一种脊柱侧弯扫描取型的处理方法具体实例同样适用于本实施例的一种脊柱侧弯扫描取型的处理装置,通过前述对一种脊柱侧弯扫描取型的处理方法的详细描述,本领域技术人员可以清楚地知道本实施例中一种脊柱侧弯扫描取型的处理装置,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (6)
1.一种脊柱侧弯扫描取型的处理方法,其特征在于,所述方法包括:
采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像;
基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,将所述基础扫描影像与下一位置的扫描影像进行拼接,获得第一拼接影像,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度;
根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息;
构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成第一修正拼接影像;
评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像;
继续采集多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置获得的第二融合影像,将第二融合影像与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果;
结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,包括:
采集所述用户的特征信息,并筛选获得同族用户;
基于同族用户的扫描数据,采集样本基础扫描影像集合和样本第一拼接影像集合,并评估获取样本第一拼接畸变度集合;
采用所述样本基础扫描影像集合、样本第一拼接影像集合和样本第一拼接畸变度集合,基于卷积神经网络,构建第一位置畸变分析器;
采用所述第一位置畸变分析器,根据输入的基础扫描影像和第一拼接影像进行畸变分析,获得第一拼接影像的第一拼接畸变度;
评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像,包括:
获取样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合,并获取样本第一修正匹配度集合和样本第一畸变修正度集合;
采用所述样本基础扫描影像集合、样本修正拼接影像集合和样本第一修正匹配度集合,构建修正匹配度分析分支,采用所述样本第一拼接影像集合、样本修正拼接影像集合和样本第一畸变修正度集合,构建畸变修正度分析分支;
基于所述修正匹配度分析分支和畸变修正度分析分支,对所述第一修正拼接影像和所述基础扫描影像进行分析,获得第一修正匹配度,以及对所述第一拼接影像和第一修正拼接影像进行分析,获得所述第一畸变修正度;
对所述第一修正匹配度和第一畸变修正度进行加权计算,获得所述第一修正拼接影像的第一修正适应度;
继续对第一拼接影像进行修正优化,直到获得修正适应度最大的修正拼接影像,并将其作为所述最优第一拼接影像。
2.根据权利要求1所述的方法,其特征在于,根据所述第一拼接畸变度,决策获取第一修正幅值,包括:
获取样本第一拼接畸变度集合,并获取样本第一修正幅值集合,样本第一拼接畸变度的大小和样本第一修正幅值的大小正相关;
采用所述样本第一拼接畸变度集合和样本第一修正幅值集合,构建修正幅值分类器,其中,修正幅值分类器基于决策树架构构建;
采用所述修正幅值分类器,对输入的第一拼接畸变度进行决策分类,获得所述第一修正幅值,所述第一修正幅值包括对第一拼接影像进行修正的像素点的占比。
3.根据权利要求1所述的方法,其特征在于,构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成第一修正拼接影像,包括:
基于所述第一拼接影像的位置,采集样本拼接影像集合,并采集修正畸变后的样本修正拼接影像集合,其中,样本修正拼接影像集合内包括按照不同修正幅值修正后的样本修正拼接影像;
采用所述样本拼接影像集合和样本修正拼接影像集合,基于生成对抗网络,构建所述扫描影像修正器;
将所述第一修正幅值和所述第一拼接影像输入所述扫描影像修正器,对第一拼接影像进行修正,以获得所述第一修正拼接影像。
4.根据权利要求3所述的方法,其特征在于,采用所述样本拼接影像集合和样本修正拼接影像集合,基于生成对抗网络,构建所述扫描影像修正器,包括:
基于生成对抗网络,构建多个生成器和多个判别器,每组生成器和判别器对应一种修正幅值;
采用所述样本拼接影像集合和样本修正拼接影像集合,对所述多个生成器和多个判别器进行训练,直到满足收敛条件,获得所述扫描影像修正器。
5.根据权利要求1所述的方法,其特征在于,继续采集多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置获得的第二融合影像,将第二融合影像与所述第一融合影像进行校验,包括:
基于第一基础位置,继续采集多个位置的最优拼接影像,拼接生成第一融合影像;
基于第二基础位置,采集多个位置的最优拼接影像,拼接生成第二融合影像;
获取样本融合影像集合,并进行两两组合和相似度分析,获得样本相似度集合;
基于孪生网络,构建融合影像校验器,采用所述样本融合影像集合和样本相似度集合进行训练至收敛;
采用收敛的所述融合影像校验器,对所述第一融合影像和第二融合影像进行相似度分析,获得校验结果,在校验结果大于相似度阈值时,校验合格。
6.一种脊柱侧弯扫描取型的处理装置,其特征在于,用于执行权利要求1至5任意一项所述方法的步骤,所述装置包括:
扫描影像采集模块,所述扫描影像采集模块用于采集用户的第一基础位置的基础扫描影像,其中,基础扫描影像内包括用户的部分脊柱的影像;
畸变分析模块,所述畸变分析模块用于基于所述基础扫描影像,采集用户基于所述第一基础位置的下一位置的扫描影像,将所述基础扫描影像与下一位置的扫描影像进行拼接,获得第一拼接影像,结合所述基础扫描影像,对所述第一拼接影像进行畸变分析,获得第一拼接畸变度;
修正幅值决策模块,所述修正幅值决策模块用于根据所述第一拼接畸变度,决策获取第一修正幅值,其中,所述第一修正幅值包括对所述第一拼接影像进行修正的步长信息;
修正拼接模块,所述修正拼接模块用于构建扫描影像修正器,按照所述第一修正幅值,向所述第一拼接影像加入数据噪声,生成第一修正拼接影像;
修正优化模块,所述修正优化模块用于评估所述第一修正拼接影像与所述基础扫描影像的第一修正匹配度,以及第一修正拼接影像的第一畸变修正度,并继续对第一拼接影像进行修正优化,直到获得最优第一拼接影像;
扫描取型结果输出模块,所述扫描取型结果输出模块用于继续采集多个位置的最优拼接影像,生成第一融合影像,并获取基于用户的第二基础位置获得的第二融合影像,将第二融合影像与所述第一融合影像进行校验,在校验合格时,输出获得扫描取型结果;
所述畸变分析模块还包括:
采集所述用户的特征信息,并筛选获得同族用户;
基于同族用户的扫描数据,采集样本基础扫描影像集合和样本第一拼接影像集合,并评估获取样本第一拼接畸变度集合;
采用所述样本基础扫描影像集合、样本第一拼接影像集合和样本第一拼接畸变度集合,基于卷积神经网络,构建第一位置畸变分析器;
采用所述第一位置畸变分析器,根据输入的基础扫描影像和第一拼接影像进行畸变分析,获得第一拼接影像的第一拼接畸变度;
所述修正优化模块还包括:
获取样本基础扫描影像集合、样本第一拼接影像集合和样本修正拼接影像集合,并获取样本第一修正匹配度集合和样本第一畸变修正度集合;
采用所述样本基础扫描影像集合、样本修正拼接影像集合和样本第一修正匹配度集合,构建修正匹配度分析分支,采用所述样本第一拼接影像集合、样本修正拼接影像集合和样本第一畸变修正度集合,构建畸变修正度分析分支;
基于所述修正匹配度分析分支和畸变修正度分析分支,对所述第一修正拼接影像和所述基础扫描影像进行分析,获得第一修正匹配度,以及对所述第一拼接影像和第一修正拼接影像进行分析,获得所述第一畸变修正度;
对所述第一修正匹配度和第一畸变修正度进行加权计算,获得所述第一修正拼接影像的第一修正适应度;
继续对第一拼接影像进行修正优化,直到获得修正适应度最大的修正拼接影像,并将其作为所述最优第一拼接影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196031.2A CN117764888B (zh) | 2024-02-22 | 2024-02-22 | 一种脊柱侧弯扫描取型的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196031.2A CN117764888B (zh) | 2024-02-22 | 2024-02-22 | 一种脊柱侧弯扫描取型的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117764888A CN117764888A (zh) | 2024-03-26 |
CN117764888B true CN117764888B (zh) | 2024-05-28 |
Family
ID=90322406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410196031.2A Active CN117764888B (zh) | 2024-02-22 | 2024-02-22 | 一种脊柱侧弯扫描取型的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764888B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101184171A (zh) * | 2007-11-28 | 2008-05-21 | 华中科技大学 | 一种影像胶片的数字化*** |
CN106485751A (zh) * | 2016-10-28 | 2017-03-08 | 湖北省建筑工程质量监督检验测试中心 | 应用于基桩检测中的无人机摄影成像及数据处理方法及*** |
KR20220109789A (ko) * | 2021-01-29 | 2022-08-05 | 한국광기술원 | 음영 왜곡을 보정하는 전체 슬라이드 이미징 장치 및 그 방법 |
CN117426920A (zh) * | 2023-06-14 | 2024-01-23 | 溧阳市中医医院 | 一种骨科脊柱康复全方位矫正*** |
CN117442334A (zh) * | 2023-10-09 | 2024-01-26 | 南京鼓楼医院 | 一种基于深度学习辅助青少年特发性脊柱侧凸手术节段选择的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633651B (zh) * | 2019-08-26 | 2022-05-13 | 武汉大学 | 一种基于图像拼接的异常细胞自动识别方法 |
-
2024
- 2024-02-22 CN CN202410196031.2A patent/CN117764888B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101184171A (zh) * | 2007-11-28 | 2008-05-21 | 华中科技大学 | 一种影像胶片的数字化*** |
CN106485751A (zh) * | 2016-10-28 | 2017-03-08 | 湖北省建筑工程质量监督检验测试中心 | 应用于基桩检测中的无人机摄影成像及数据处理方法及*** |
KR20220109789A (ko) * | 2021-01-29 | 2022-08-05 | 한국광기술원 | 음영 왜곡을 보정하는 전체 슬라이드 이미징 장치 및 그 방법 |
CN117426920A (zh) * | 2023-06-14 | 2024-01-23 | 溧阳市中医医院 | 一种骨科脊柱康复全方位矫正*** |
CN117442334A (zh) * | 2023-10-09 | 2024-01-26 | 南京鼓楼医院 | 一种基于深度学习辅助青少年特发性脊柱侧凸手术节段选择的方法 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的腰椎磁共振图像智能分析***的研发和应用;黄嘉炜;中国优秀博士学位论文全文数据库;20230215(第02期);第4-55页 * |
数字化X线摄影全脊柱成像技术在青少年脊柱侧弯中的应用;吴继志;河南职工医学院学报;20121231;第24卷(第06期);第729-731页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117764888A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
Ma et al. | Image retargeting quality assessment: A study of subjective scores and objective metrics | |
CN113314205B (zh) | 一种高效的医学影像标注与学习*** | |
CN110677639B (zh) | 一种基于特征融合和循环神经网络的无参考视频质量评价方法 | |
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
US20080107330A1 (en) | Method and apparatus for generating special-purpose image analysis algorithms | |
CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及*** | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN108665460A (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
CN109872305A (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN108053025B (zh) | 多柱神经网络医学影像分析方法及装置 | |
CN111353533A (zh) | 基于多任务学习的无参考图像质量评价方法及*** | |
CN104881684A (zh) | 一种立体图像质量客观评价方法 | |
CN109919901B (zh) | 一种基于集成学习与随机森林的图像质量评价方法 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN117764888B (zh) | 一种脊柱侧弯扫描取型的处理方法及装置 | |
CN116109621B (zh) | 一种基于深度模板的缺陷检测方法和*** | |
CN115760822B (zh) | 一种图像质量检测模型建立方法及*** | |
CN116228520A (zh) | 基于Transformer生成对抗网络的图像压缩感知重建方法及*** | |
CN111479106A (zh) | 一二维质量描述子融合的音视频联合质量评价方法及终端 | |
CN112949385B (zh) | 一种基于光视觉的水面目标检测与识别方法 | |
CN114529519A (zh) | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及*** | |
CN111274953A (zh) | 一种根据表情判断疼痛的方法及*** |
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 |