TW202249029A - 影像標註方法 - Google Patents
影像標註方法 Download PDFInfo
- Publication number
- TW202249029A TW202249029A TW110120137A TW110120137A TW202249029A TW 202249029 A TW202249029 A TW 202249029A TW 110120137 A TW110120137 A TW 110120137A TW 110120137 A TW110120137 A TW 110120137A TW 202249029 A TW202249029 A TW 202249029A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- processing
- annotation
- prediction result
- final
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012805 post-processing Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 210000004394 hip joint Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本案係關於一種影像標註方法,適用於影像標註系統,包括步驟:獲取影像;進行影像前處理,以產生調整影像;以深度學習模型推論調整影像,以獲得至少一預測結果;進行影像後處理,以產生最終影像;以及顯示最終影像、預測結果以及預測結果對應之標註。藉此,可以提供足夠準確的預測結果並大幅減少人力成本及時間成本,且達到簡單地完成影像標註之功效。
Description
本案係關於一種影像處理方法,尤指一種影像標註方法。
影像標註是在影像上增加標註,以輔助閱讀者瞭解影像中的相關資訊。其中,醫療用的影像標註是臨床診斷的重要資訊,標註者需判讀影像中的物件並進行標註。
然而,以人工進行影像標註不僅需要相關領域的專業知識與判斷能力,更需要花費大量的時間及專注力確定標註的物件,對於醫療能量的成本消耗相當巨大且沒有效率。
故此,如何發展一種可有效解決先前技術之問題與缺點的影像標註方法,實為目前尚待解決的問題。
本案之主要目的為提供一種影像標註方法,俾解決並改善前述先前技術之問題與缺點。
本案之另一目的為提供一種影像標註方法,藉由經訓練的深度學習模型來推論並自動產生標註,可以提供足夠準確的預測結果並大幅減少人力成本及時間成本,且達到簡單地完成影像標註之功效。
本案之另一目的為提供一種影像標註方法,透過提供選擇的影像集並載入影像集中的影像及標註,可以對已存在的影像及標註繼續以深度學習模型進行影像標註,或對尚未進行影像標註的影像集批次進行影像標註,以達到增加影像標註精準度以及大幅減少時間花費等功效。
為達上述目的,本案之一較佳實施態樣為提供一種影像標註方法,適用於一影像標註系統,包括步驟:(a)獲取一影像;(b)進行一影像前處理,以產生一調整影像;(c)以一深度學習模型推論該調整影像,以獲得至少一預測結果;(d)進行一影像後處理,以產生一最終影像;以及(e)顯示該最終影像、該至少一預測結果以及每一個該預測結果對應之一標註。
為達上述目的,本案之一較佳實施態樣為提供一種影像標註方法,包括步驟:(a)提供一影像集及一影像標註系統;(b)載入該影像集之複數個影像及複數個標註;(c)選擇該複數個影像中之一個該影像作為一選擇影像,並判斷該複數個標註中是否存在對應於該選擇影像之至少一對應標註;(d)載入該至少一對應標註作為一原始標註;(e)載入一空白標註作為該原始標註;(f)該影像標註系統獲取該選擇影像及該原始標註;(g)進行一影像前處理,以產生一調整影像;(h)以一深度學習模型推論該調整影像,以獲得至少一預測結果;(i)進行一影像後處理,以產生一最終影像;(j)顯示該最終影像、該原始標註、該至少一預測結果以及每一個該預測結果對應之一預測標註於一圖形化介面;以及(k)於該圖形化介面進行一編輯動作,並產生一最終標註;其中,當該步驟(c)之判斷結果為是,於該步驟(c)之後係執行該步驟(d),且當該步驟(c)之判斷結果為否,於該步驟(c)之後係執行該步驟(e)。
體現本案特徵與優點的一些典型實施例將在後段的說明中詳細敘述。應理解的是本案能夠在不同的態樣上具有各種的變化,其皆不脫離本案的範圍,且其中的說明及圖示在本質上係當作說明之用,而非架構於限制本案。
請參閱第1圖及第2圖,其中第1圖係顯示本案一實施例之影像標註方法之流程圖,以及第2圖係顯示本案一實施例之影像標註方法之一圖形化介面之示意圖。如第1圖及第2圖所示,根據本案之一實施例,影像標註方法係適用於影像標註系統,其中影像標註方法及影像標註系統係可為例如但不限於醫療影像標註方法及醫療影像標註系統,或進一步為髖關節影像標註方法及髖關節影像標註系統,但不以此為限。本案之影像標註方法包括步驟如下:首先,如步驟S100所示,獲取影像,例如醫療影像或髖關節影像,獲取之方式及影像可以是透過超音波儀器取得之超音波影像,也可以是以X-光設備取得之X-光片,或以其他影像擷取裝置擷取的影像,但皆不以此為限。其次,如步驟S200所示,進行影像前處理,以產生調整影像。接著,如步驟S300所示,以深度學習模型推論調整影像,以獲得至少一預測結果。然後,如步驟S400所示,進行影像後處理,以產生最終影像。接著,如步驟S500所示,顯示最終影像、所有預測結果以及每一個預測結果對應之標註。在一些實施例中,最終影像、所有的預測結果以及每一個預測結果對應之標註係重疊顯示於圖形化介面,例如顯示於一顯示器之圖形化介面,但不以此為限。
在一些實施例中,本案影像標註方法之步驟S200所示之影像前處理可以透過影像標註系統之處理器或運算單元實現,例如中央處理器(CPU)或圖形處理器(GPU),但不以此為限。具體來說,影像前處理係對影像依序進行影像補綴及影像縮放,以使產生的調整影像之尺寸符合深度學習模型之輸入尺寸要求。應特別注意的是,本案之影像標註方法所採用的深度學習模型為經過訓練的深度學習模型,其模型架構適用於卷積神經網路(Convolutional Neural Network, CNN)模型。舉例而言,深度學習模型可以是R-CNN(Region-based Convolutional Neural Networks)系列、YOLO(You Only Look Once)系列、SSD(Single-Shot Multibox Detector)、CenterNet系列或NAS(Neural Architecture Search)系列等深度學習模型,但不以此為限。一般而言,本案的深度學習模型之預先訓練方法是使用經標註的數據集(Dataset)前向傳遞(forward pass)通過神經網路、經損耗函數(loss function)計算出損耗(loss)之後、使用反向傳播(backpropagation)計算梯度、並且依據最佳化器(optimizer)的計算結果更新參數。反覆進行此計算過程,直到損耗收斂至理想範圍,即完成深度學習模型之預先訓練。同時,因為本案所採用的深度學習模型是經由上述之預先訓練過程,故可以提供足夠準確的預測結果,配合本案的影像標註方法可以大幅減少人力成本及時間成本,且達到簡單地完成影像標註之功效。
以下將以深度學習模型之輸入尺寸要求為正方形影像,且影像尺寸為長方形為例,說明本案影像標註方法之影像前處理。請參閱第3A圖、第3B圖及第3C圖,其中第3A圖至第3C圖係顯示本案一實施例之影像標註方法之影像前處理之示意圖。如第3A圖至第3C圖所示,本案影像標註方法之影像前處理係先對影像進行影像補綴,將長方形的影像之短邊補上零值,使影像之寬度與長度相等,例如在第3A圖中是對應輸入尺寸要求在垂直方向上補綴像素,以及在第3B圖中是對應輸入尺寸要求在水平方向上補綴像素,以使其成為正方形影像。接著,本案影像標註方法之影像前處理係對此正方形影像進行如第3C圖所示之影像縮放,例如縮放K倍,以使產生之調整影像完全符合輸入尺寸要求。舉例而言,若前述經影像補綴之影像為200x200像素,而輸入尺寸要求為300x300像素,則K值為1.5,此步驟中產生的調整影像經放大1.5倍後之尺寸為300x300。在一些實施例中,K為大於0的正值。
請再參閱第1圖。本案影像標註方法之步驟S300以深度學習模型推論調整影像後,係獲得至少一預測結果,此步驟可以透過影像標註系統之處理器實現。應特別說明的是,預測結果至少包括根據專業應用需求結合深度學習模型所預測出的「可能應標註」的影像部分以及「應標註」的影像部分。在一些實施例中,預測結果可能會有多個,其呈現方式包括在影像上以方框或圓框的形式指出特定位置,並同時顯示其可能對應的實際名詞以及機率,或搭配分數以及信心值的方式呈現,然皆不以此為限。
根據本案之構想,在步驟S300獲得預測結果之後,於步驟S400中係進行影像後處理,以產生最終影像,此步驟中的影像後處理可以透過透過影像標註系統之處理器或運算單元實現。具體而言,影像後處理係將調整影像及所有的預測結果相對影像前處理逆運算還原成影像之原始尺寸,即依序進行影像縮放及影像還原。請參閱第4A圖及第4B圖,其中第4A圖至第4B圖係顯示本案一實施例之影像標註方法之影像後處理之示意圖。如第4A圖及第4B圖所示,本案影像標註方法之影像後處理係先對應影像前處理之影像縮放進行逆運算,即將調整影像縮放1/K倍,以前述實施例的調整影像為300x300為例,此處所進行的影像後處理的影像縮放即為縮小調整影像1.5倍,使其尺寸為200x200。接著,再根據前述的影像補綴進行逆運算,去除補上0值的範圍,亦可被視為影像還原,即可產生包含標註亦經縮放且尺寸與影像之原始尺寸相同之最終影像。若原始影像未經影像補綴,於此步驟中會自動省略去除補綴內容的動作。換句話說,經過此步驟產生的最終影像,相當於將經過縮放的預測結果正確地顯示於原影像上。
請參閱第5圖並配合第4A圖及第4B圖,其中第5圖係顯示本案一實施例之影像標註方法之流程圖。如第4A圖、第4B圖及第5圖所示,在本案之影像標註方法之步驟S300中,產生之預測結果可能數量較多,為了能有效增進本案影像標註方法之精準度,在本案影像標註方法的一些實施例中,步驟S300及步驟S400之間係包括以演算法過濾至少一預測結果之步驟。其中,此演算法係以非最大抑制(Non-Maximum Suppression, NMS)演算法為較佳,但不以此為限。在步驟S400中,係對調整影像以及經演算法過濾後所留下的預測結果進行影像後處理,並產生最終影像。
在一些實施例中,本案另提供一種影像標註方法,可以讓使用者選擇特定的影像集來進行應用。請參閱第6圖,其係顯示本案一實施例之影像標註方法之流程圖。如第6圖所示,根據本案之一實施例,影像標註方法包括步驟如下所述。首先,如步驟S1所示,提供影像集及影像標註系統,應特別注意的是影像集是可以經由使用者選定的影像集,也可以是影像標註系統自動選擇的影像集。其次,如步驟S2所示,載入影像集之複數個影像及複數個標註。然後,如步驟S3所示,選擇複數個影像中之一個影像作為選擇影像,並判斷複數個標註中是否存在對應於選擇影像之至少一對應標註,亦即判斷是否有對應於選擇影像的舊標註的步驟。當步驟S3之判斷結果為是,即複數個標註中存在有對應於選擇影像的對應標註時,於步驟S3之後係執行步驟S4,載入對應標註作為原始標註;當步驟S3之判斷結果為否,即複數個標註中不存在對應於選擇影像的對應標註時,於步驟S3之後係執行步驟S5,載入空白標註作為原始標註。
接著,如步驟S6所示,影像標註系統獲取選擇影像及原始標註。其次,如步驟S7所示,進行影像前處理,以產生調整影像。然後,如步驟S8所示,以深度學習模型推論調整影像,以獲得至少一預測結果。接著,如步驟S9所示,進行影像後處理,以產生最終影像。然後,如步驟S10所示,顯示最終影像、原始標註、至少一預測結果以及每一個預測結果對應之預測標註於圖形化介面。再來,如步驟S11所示,於圖形化介面進行編輯動作,並產生最終標註。由於步驟S6至步驟S10與前述之影像標註方法相仿,於此不再贅述。惟其差異相較於前述實施例,係於步驟S6中包括原始標註,且在步驟S10中同時額外顯示原始標註。在步驟S11中於圖形化介面一併可予以編輯,此步驟S11或此編輯動作較佳係由使用者實現,但不以此為限。在使用者編輯完成後,即產生最終標註,最終標註可包括原始標註,亦可將原始標註部分或全部刪除。簡言之,透過提供選擇的影像集並載入影像集中的影像及標註,可以對已存在的影像及標註繼續以深度學習模型進行影像標註,或對尚未進行影像標註的影像集批次進行影像標註,以達到增加影像標註精準度以及大幅減少時間花費等功效。
請參閱第7A圖及第7B圖,其中第7A圖至第7B圖係顯示本案一實施例之影像標註方法之流程圖。如第7A圖及第7B圖所示,本案之影像標註方法在第6圖所示之實施例的基礎上,於步驟S11之後進一步包括步驟S12至步驟S15,其具體流程描述如下:首先,如步驟S12所示,判斷是否儲存最終標註。當步驟S12之判斷結果為是,即儲存最終標註,於步驟S12之後係執行步驟S13,判斷是否完成對複數個影像之影像標註;當步驟S12之判斷結果為否,即不儲存最終標註,於步驟S12之後係執行步驟S14,判斷是否繼續進行編輯動作。
當步驟S13之判斷結果為是,即完成對複數個影像之影像標註,於步驟S13之後係執行步驟S15,結束影像標註;當步驟S13之判斷結果為否,即尚未完成對複數個影像之影像標註,於步驟S13之後係重新執行步驟S2,並依序執行步驟S2之後續步驟。
當步驟S14之判斷結果為是,即繼續進行編輯動作,於步驟S14之後係重新執行步驟S11,並依序執行步驟S11之後續步驟;當步驟S14之判斷結果為否,即不繼續進行編輯動作,於步驟S14之後係執行步驟S15,結束影像標註。
在一些實施例中,步驟S12至步驟S14之判斷係由使用者與圖形化介面之互動實現,例如本案之影像標註系統透過圖形化介面詢問使用者是否儲存最終標註、是否完成對複數個影像之影像標註以及是否繼續進行編輯動作等,再經過使用者透過例如觸控、聲控或以鍵盤或滑鼠操控的方式進行回應,但不以此為限。
綜上所述,本案提供一種影像標註方法,藉由經訓練的深度學習模型來推論並自動產生標註,可以提供足夠準確的預測結果並大幅減少人力成本及時間成本,且達到簡單地完成影像標註之功效。此外,透過提供選擇的影像集並載入影像集中的影像及標註,可以對已存在的影像及標註繼續以深度學習模型進行影像標註,或對尚未進行影像標註的影像集批次進行影像標註,以達到增加影像標註精準度以及大幅減少時間花費等功效。
縱使本發明已由上述之實施例詳細敘述而可由熟悉本技藝之人士任施匠思而為諸般修飾,然皆不脫如附申請專利範圍所欲保護者。
A:流程接續點
B:流程接續點
S1:步驟
S2:步驟
S3:步驟
S4:步驟
S5:步驟
S6:步驟
S7:步驟
S8:步驟
S9:步驟
S10:步驟
S11:步驟
S12:步驟
S13:步驟
S14:步驟
S15:步驟
S100:步驟
S200:步驟
S300:步驟
S350:步驟
S400:步驟
S500:步驟
第1圖係顯示本案一實施例之影像標註方法之流程圖。
第2圖係顯示本案一實施例之影像標註方法之一圖形化介面之示意圖。
第3A圖至第3C圖係顯示本案一實施例之影像標註方法之影像前處理之示意圖。
第4A圖至第4B圖係顯示本案一實施例之影像標註方法之影像後處理之示意圖。
第5圖係顯示本案一實施例之影像標註方法之流程圖。
第6圖係顯示本案一實施例之影像標註方法之流程圖。
第7A圖至第7B圖係顯示本案一實施例之影像標註方法之流程圖。
S100:步驟
S200:步驟
S300:步驟
S400:步驟
S500:步驟
Claims (10)
- 一種影像標註方法,適用於一影像標註系統,包括步驟: (a)獲取一影像; (b)進行一影像前處理,以產生一調整影像; (c)以一深度學習模型推論該調整影像,以獲得至少一預測結果; (d)進行一影像後處理,以產生一最終影像;以及 (e)顯示該最終影像、該至少一預測結果以及每一個該預測結果對應之一標註。
- 如請求項1所述之影像標註方法,其中該影像前處理係對該影像依序進行一影像補綴及一影像縮放,以使該調整影像之一尺寸符合該深度學習模型之一輸入尺寸要求。
- 如請求項2所述之影像標註方法,其中該影像補綴係對應該輸入尺寸要求在該影像之一水平方向或一垂直方向補綴像素。
- 如請求項1所述之影像標註方法,其中該影像後處理係將該調整影像及該至少一預測結果相對該影像前處理逆運算還原成該影像之一原始尺寸。
- 如請求項1所述之影像標註方法,其中於該步驟(c)及該步驟(d)之間更包括步驟:以一演算法過濾該至少一預測結果。
- 如請求項5所述之影像標註方法,其中該演算法為一非最大抑制演算法。
- 如請求項1所述之影像標註方法,其中該影像後處理係對該調整影像及該至少一預測結果依序進行一影像縮放及一影像還原。
- 如請求項1所述之影像標註方法,其中該最終影像、該至少一預測結果以及每一個該預測結果對應之該標註係重疊顯示於一圖形化介面。
- 一種影像標註方法,包括步驟: (a)提供一影像集及一影像標註系統; (b)載入該影像集之複數個影像及複數個標註; (c)選擇該複數個影像中之一個該影像作為一選擇影像,並判斷該複數個標註中是否存在對應於該選擇影像之至少一對應標註; (d)載入該至少一對應標註作為一原始標註; (e)載入一空白標註作為該原始標註; (f)該影像標註系統獲取該選擇影像及該原始標註; (g)進行一影像前處理,以產生一調整影像; (h)以一深度學習模型推論該調整影像,以獲得至少一預測結果; (i)進行一影像後處理,以產生一最終影像; (j)顯示該最終影像、該原始標註、該至少一預測結果以及每一個該預測結果對應之一預測標註於一圖形化介面;以及 (k)於該圖形化介面進行一編輯動作,並產生一最終標註; 其中,當該步驟(c)之判斷結果為是,於該步驟(c)之後係執行該步驟(d),且當該步驟(c)之判斷結果為否,於該步驟(c)之後係執行該步驟(e)。
- 如請求項9所述之影像標註方法,於該步驟(k)之後更包括步驟: (l)判斷是否儲存該最終標註; (m)判斷是否完成對該複數個影像之影像標註; (n)判斷是否繼續進行該編輯動作;以及 (o)結束影像標註; 其中,當該步驟(l)之判斷結果為是,於該步驟(l)之後係執行該步驟(m),當該步驟(l)之判斷結果為否,於該步驟(l)之後係執行該步驟(n),當該步驟(m)之判斷結果為是,於該步驟(m)之後係執行該步驟(o),當該步驟(m)之判斷結果為否,於該步驟(m)之後係重新執行該步驟(b),當該步驟(n)之判斷結果為是,於該步驟(n)之後係重新執行該步驟(k),當該步驟(n)之判斷結果為否,於該步驟(n)之後係執行該步驟(o),該步驟(k)係由一使用者實現,且該步驟(l)、該步驟(m)及該步驟(n)之判斷係由該使用者與該圖形化介面之互動實現。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110120137A TW202249029A (zh) | 2021-06-03 | 2021-06-03 | 影像標註方法 |
US17/412,257 US20220392127A1 (en) | 2021-06-03 | 2021-08-26 | Image annotation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110120137A TW202249029A (zh) | 2021-06-03 | 2021-06-03 | 影像標註方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202249029A true TW202249029A (zh) | 2022-12-16 |
Family
ID=84284276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110120137A TW202249029A (zh) | 2021-06-03 | 2021-06-03 | 影像標註方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220392127A1 (zh) |
TW (1) | TW202249029A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230274481A1 (en) * | 2022-02-28 | 2023-08-31 | Storyfile, Inc. | Digital image annotation and retrieval systems and methods |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8269886B2 (en) * | 2007-01-05 | 2012-09-18 | Marvell World Trade Ltd. | Methods and systems for improving low-resolution video |
US9373160B2 (en) * | 2013-12-18 | 2016-06-21 | New York University | System, method and computer-accessible medium for restoring an image taken through a window |
CN107656237B (zh) * | 2017-08-03 | 2020-12-01 | 天津大学 | 一种多信源频率与doa联合检测的方法及其装置 |
CN108461129B (zh) * | 2018-03-05 | 2022-05-20 | 余夏夏 | 一种基于图像认证的医学影像标注方法、装置和用户终端 |
CN110993064B (zh) * | 2019-11-05 | 2023-03-21 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
-
2021
- 2021-06-03 TW TW110120137A patent/TW202249029A/zh unknown
- 2021-08-26 US US17/412,257 patent/US20220392127A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20220392127A1 (en) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102014385B1 (ko) | 수술영상 학습 및 학습 기반 수술동작 인식 방법 및 장치 | |
CN109325398B (zh) | 一种基于迁移学习的人脸属性分析方法 | |
US10566026B1 (en) | Method for real-time video processing involving changing features of an object in the video | |
US10452899B2 (en) | Unsupervised deep representation learning for fine-grained body part recognition | |
JP2021530061A (ja) | 画像処理方法及びその装置、電子機器並びにコンピュータ可読記憶媒体 | |
WO2022012110A1 (zh) | 胚胎光镜图像中细胞的识别方法及***、设备及存储介质 | |
JP2020530177A (ja) | ディープニューラルネットワークを使用したコンピュータ支援診断 | |
Xie et al. | Statistical karyotype analysis using CNN and geometric optimization | |
CN109872803B (zh) | 一种人工智能病理标注*** | |
US10258304B1 (en) | Method and system for accurate boundary delineation of tubular structures in medical images using infinitely recurrent neural networks | |
RU2742701C1 (ru) | Способ интерактивной сегментации объекта на изображении и электронное вычислительное устройство для его реализации | |
WO2023151237A1 (zh) | 人脸位姿估计方法、装置、电子设备及存储介质 | |
CN110472737A (zh) | 神经网络模型的训练方法、装置和医学图像处理*** | |
Lv et al. | Semi-supervised active salient object detection | |
WO2022178997A1 (zh) | 医学影像配准方法、装置、计算机设备及存储介质 | |
WO2023207389A1 (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
CN110956131A (zh) | 单目标追踪方法、装置及*** | |
Lu et al. | Learning to segment anatomical structures accurately from one exemplar | |
TW202249029A (zh) | 影像標註方法 | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
JP2022166215A (ja) | 文字位置決めモデルのトレーニング方法及び文字位置決め方法 | |
Hussain et al. | Active deep learning from a noisy teacher for semi-supervised 3D image segmentation: Application to COVID-19 pneumonia infection in CT | |
Tang et al. | Lesion segmentation and RECIST diameter prediction via click-driven attention and dual-path connection | |
Pham et al. | Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks | |
WO2022120669A1 (zh) | 手势识别方法、计算机设备及存储介质 |