TWI663960B - 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 - Google Patents
足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 Download PDFInfo
- Publication number
- TWI663960B TWI663960B TW108101866A TW108101866A TWI663960B TW I663960 B TWI663960 B TW I663960B TW 108101866 A TW108101866 A TW 108101866A TW 108101866 A TW108101866 A TW 108101866A TW I663960 B TWI663960 B TW I663960B
- Authority
- TW
- Taiwan
- Prior art keywords
- foot
- image data
- medial
- ray image
- deformity
- Prior art date
Links
- 206010061159 Foot deformity Diseases 0.000 title claims abstract description 225
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 38
- 208000004067 Flatfoot Diseases 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000036244 malformation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 210000002683 foot Anatomy 0.000 description 140
- 238000004458 analytical method Methods 0.000 description 16
- 238000011176 pooling Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 5
- 206010071050 Ankle deformity Diseases 0.000 description 4
- 235000019646 color tone Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000032170 Congenital Abnormalities Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 206010061619 Deformity Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010023230 Joint stiffness Diseases 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000459 calcaneus Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003108 foot joint Anatomy 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000001872 metatarsal bone Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本發明提供一種足畸形檢測系統，包含一影像擷取單元以及一非暫態機器可讀媒體。影像擷取單元用以取得一受試者的一目標足內側位X光影像資料。非暫態機器可讀媒體包含一儲存單元及一處理單元。儲存單元用以儲存一足畸形檢測程式。當足畸形檢測程式由處理單元執行時用以判斷受試者之足畸形類型以及足畸形發生程度。藉此，本發明之足畸形檢測系統可有效提升足畸形檢測的準確度與敏感度，並可提供即時且有效之足畸形檢測評估結果。
Description
本發明是有關於一種醫療資訊分析模型、系統以及方法，特別是一種足畸形檢測模型、足畸形檢測系統及足畸形檢測方法。
直至今日，檢測足畸形發生與否最為快速且最為直接的方法是透過影像分析的方式對足部的解剖幾何構造進行評估，其中又以X光影像分析為檢測足畸形最為廣泛應用的影像分析檢測方法。然而，以X光影像分析方式檢測足畸形發生與否仍需透過分析者對骨骼影像進行分析，是以在後續判讀X光影像時容易因為不同分析者的不同比對習慣而產生不同的診斷結果，致使習知透過X光影像分析方式進行足畸形判定的準確度較為不佳。
由於醫學影像技術的發展，核磁共振成像(Magnetic Resonance Imaging，MRI)開始應用於與足畸形相關的檢測上，由於核磁共振成像可有效獲得完整之足部三維結構影像，使其具有高效的檢測精準度。然而，以核磁
共振成像進行足畸形檢測不僅需耗費較高的成本，檢測的時間亦較長，是以利用核磁共振成像進行足畸形的診斷於目前實務應用方面較不普及。
因此，如何發展出一種具有高度準確率及快速檢測之足畸形檢測系統，實為一具有商業價值之技術課題。
本發明的目的是在於提供一種足畸形檢測模型、足畸形檢測系統及足畸形檢測方法，其透過自動化之判定模組而可在大量的X光影像資料的基礎下提供即時(real time)且準確之足畸形檢測評估結果，以作為後續之病情監控或療效評估的依據。
本發明之一態樣是在於提供一種足畸形檢測模型，其包含以下建立步驟。取得一參照資料庫，其中前述之參照資料庫包含複數個參照足內側位X光影像資料。進行一影像前處理步驟，其係利用一影像資料編輯模組調整各參照足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得複數個標準化足內側位X光影像資料。進行一特徵選取步驟，其係利用一特徵選取模組分析前述之標準化足內側位X光影像資料後以得至少一影像特徵值。進行一訓練步驟，其係將前述之至少一影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂，以得前述之足畸形檢測模型，其中前述之足畸形檢測模型係用以判斷一受試者之一足畸形類型以及一足畸形發生程度。
依據前述之足畸形檢測模型，其中前述之卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路。
依據前述之足畸形檢測模型，其中前述之影像前處理步驟可更對各參照足內側位X光影像資料進行一影像色度擴展處理。
依據前述之足畸形檢測模型，其中前述之參照足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定(Digital Imaging and Communications in Medicine，DICOM)之影像格式。
依據前述之足畸形檢測模型，其中前述之足畸形類型可為柔軟性扁平足或結構性扁平足。
依據前述之足畸形檢測模型，其中前述之足畸形發生程度可為無足畸形、輕度足畸形、中度足畸形或重度足畸形。
依據前述之足畸形檢測模型，其中各參照足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料。
本發明之另一態樣是在於提供一種足畸形檢測系統，用以判斷受試者之一足畸形類型以及一足畸形發生程度，且足畸形檢測系統包含一影像擷取單元以及一非暫態機器可讀媒體。影像擷取單元用以取得受試者的一目標足內側位X光影像資料。非暫態機器可讀媒體訊號連接前述之影像擷取單元，且非暫態機器可讀媒體包含一儲存單元及一處理
單元，其中儲存單元用以儲存前述之目標足內側位X光影像資料及一足畸形檢測程式，而處理單元用以執行前述之足畸形檢測程式。其中，前述之足畸形檢測程式包含一足畸形檢測模型建立子程式及一足畸形檢測子程式。足畸形檢測模型建立子程式包含一參照資料庫取得模組、一參照影像資料編輯模組、一特徵選取模組及一訓練模組。參照資料庫取得模組係用以取得一參照資料庫，其中前述之參照資料庫包含複數個參照足內側位X光影像資料。參照影像資料編輯模組係調整各參照足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得複數個標準化足內側位X光影像資料。特徵選取模組係用以分析前述之標準化足內側位X光影像資料後以得至少一參照影像特徵值。訓練模組係用以將前述之至少一參照影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂，以得一足畸形檢測模型。足畸形檢測子程式包含一目標影像資料編輯模組、一目標特徵選取模組及一比對模組。目標影像資料編輯模組係調整前述之目標足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得一標準化目標足內側位X光影像資料。目標特徵選取模組係用以分析前述之標準化目標足內側位X光影像資料後以得至少一目標影像特徵值。比對模組係用以將前述之至少一目標影像特徵值以前述之足畸形檢測模型進行分析，以得一目標影像特徵值權重數據，並分析前述之目標影像特徵值權重數據，以得受試者之足畸形類型以及足畸形發生程度。
依據前述之足畸形檢測系統，其中前述之卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路。
依據前述之足畸形檢測系統，其中前述之參照影像資料編輯模組可更對各參照足內側位X光影像資料進行一影像色度擴展處理，前述之目標影像資料編輯模組可更對目標足內側位X光影像資料進行一影像色度擴展處理。
依據前述之足畸形檢測系統，其中前述之目標足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式，前述之參照足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式。
依據前述之足畸形檢測系統，其中前述之足畸形類型可為柔軟性扁平足或結構性扁平足。
依據前述之足畸形檢測系統，其中前述之足畸形發生程度可為無足畸形、輕度足畸形、中度足畸形或重度足畸形。
依據前述之足畸形檢測系統，其中各參照足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料，前述之目標足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料。
本發明之又一態樣是在於提供一種足畸形檢測方法，其包含下述步驟。提供一如前段所述之足畸形檢測模型。提供一受試者之一目標足內側位X光影像資料。對前述
之目標足內側位X光影像資料進行前處理，其係利用前述之影像資料編輯模組調整目標足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得一標準化目標足內側位X光影像資料。利用前述之特徵選取模組分析標準化目標足內側位X光影像資料後以得至少一影像特徵值。利用前述之足畸形檢測模型分析前述之至少一影像特徵值，以判斷受試者之一足畸形類型以及一足畸形發生程度。
依據前述之足畸形檢測方法，其中前述之影像資料編輯模組可更對目標足內側位X光影像資料進行一影像色度擴展處理。
依據前述之足畸形檢測方法，其中前述之目標足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式。
依據前述之足畸形檢測方法，其中前述之目標足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料。
藉此，本發明之足畸形檢測模型、足畸形檢測系統及足畸形檢測方法透過將足內側位X光影像資料與目標足內側位X光影像資料進行影像標準化前處理，並利用特徵選取模組分析並得至少一影像特徵值後，再以卷積神經網路學習分類器對影像特徵值進行訓練，以快速且準確地判斷受試者之足畸形發生與否、足畸形類型以及足畸形發生程度，並具有高度的檢測再現性。再者，透過包含卷積神經網路學習分類器之足畸形檢測模型能有效提升足畸形檢測的
準確度與敏感度，使本發明之足畸形檢測模型、足畸形檢測系統及足畸形檢測方法具有優良的臨床應用潛力。
100‧‧‧足畸形檢測模型
110‧‧‧取得一參照資料庫
120‧‧‧進行一影像前處理步驟
130‧‧‧進行一特徵選取步驟
140‧‧‧進行一訓練步驟
200‧‧‧足畸形檢測系統
300‧‧‧影像擷取單元
400‧‧‧非暫態機器可讀媒體
411‧‧‧目標足內側位X光影像資料
410‧‧‧儲存單元
420‧‧‧處理單元
430‧‧‧足畸形檢測程式
440‧‧‧足畸形檢測模型建立子程式
441‧‧‧參照資料庫取得模組
442‧‧‧參照影像資料編輯模組
443‧‧‧特徵選取模組
444‧‧‧訓練模組
450‧‧‧足畸形檢測子程式
451‧‧‧目標影像資料編輯模組
452‧‧‧目標特徵選取模組
453‧‧‧比對模組
500‧‧‧足畸形檢測方法
510‧‧‧提供足畸形檢測模型
520‧‧‧提供受試者之一目標足內側位X光影像資料
530‧‧‧對目標足內側位X光影像資料進行前處理
540‧‧‧利用特徵選取模組分析標準化目標足內側位X光影像資料後以得至少一影像特徵值
550‧‧‧利用足畸形檢測模型分析至少一影像特徵值
600‧‧‧卷積神經網路學習分類器
601‧‧‧目標影像特徵值權重數據
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖係繪示本發明一實施方式之足畸形檢測模型的建立步驟流程圖；第2A圖係繪示本發明另一實施方式之足畸形檢測系統的架構示意圖；第2B圖係繪示第2A圖之足畸形檢測系統的足畸形檢測程式的架構示意圖；第3圖係繪示本發明另一實施方式之足畸形檢測方法的步驟流程圖；以及第4圖係繪示本發明之足畸形檢測模型的卷積神經網路學習分類器的架構示意圖。
下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。
請參照第1圖，其係繪示本發明一實施方式之足畸形檢測模型100的建立步驟流程圖。足畸形檢測模型100的建立步驟包含步驟110、步驟120、步驟130以及步驟140。
步驟110為取得一參照資料庫，其中參照資料庫包含複數個參照足內側位X光影像資料。較佳地，前述之參照足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定(Digital Imaging and Communications in Medicine，DICOM)之影像格式，以將各參照足內側位X光影像資料的生理年齡資訊、性別資訊等基本資料儲存於參照足內側位X光影像資料的檔頭(header)中，以利於後續的分析。較佳地，參照足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料，以分別建立左足與右足之足畸形參照資料庫，進而利於對左右二足分別進行更精準的足畸形檢測。
步驟120為進行一影像前處理步驟，其係利用一影像資料編輯模組調整各參照足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得複數個標準化足內側位X光影像資料。詳細而言，影像資料編輯模組可分別將不同的參照足內側位X光影像資料的影像大小調整為1024像素(pixel)×1024像素後，並調整其黑白對比度為0至255之灰階分布的影像強度，以減少不同參照足內側位X光影像資料之間的黑白色度差異以及增加影像的清晰度，以利於後續的分析。另外，在步驟120中，影像資料編輯模組可進一步對各參照足內側位X光影像資料進行影像色度擴展處
理。詳細而言，影像資料編輯模組可計算各參照足內側位X光影像資料的影像灰階程度，並依據前述之計算結果而依序對各參照足內側位X光影像資料之影像像素行、列自動填補色彩，以將呈現灰階色調之各參照足內側位X光影像資料轉換為彩色色調，以增加各參照足內側位X光影像資料的資料強度，進而提升後續分析的準確度，但本發明並不以前述說明與圖式揭露的內容為限。
步驟130為進行一特徵選取步驟，其係利用一特徵選取模組分析前述之標準化足內側位X光影像資料後以得至少一影像特徵值。詳細而言，本發明之足畸形檢測模型100可利用特徵選取模組自動地對標準化足內側位X光影像資料的影像資訊進行分析，並自動提取對應的影像特徵值，藉以增進本發明之足畸形檢測模型100的足畸形診斷效率。
步驟140為進行一訓練步驟，其係將前述之至少一影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂，以得足畸形檢測模型100，其中足畸形檢測模型100係用以判斷一受試者之一足畸形類型以及一足畸形發生程度。較佳地，前述之卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路。Inception-ResNet-v2卷積神經網路為一種基於ImageNet可視化數據資料庫的大規模視覺辨識(Large Scale Visual Recognition)卷積神經網路，其透過殘差連接(Residual connections)的方式而可有效擴展卷積神經網路的訓練深
度，進而使Inception-ResNet-v2卷積神經網路於圖像分類與辨識方面具有相當高的準確率。
較佳地，前述之足畸形類型可為柔軟性扁平足或結構性扁平足，而前述之足畸形發生程度則可為無足畸形、輕度足畸形、中度足畸形或重度足畸形。詳細而言，正常人的腳底呈現一自然的弓形，其即為腳底之足弓，當人體在步行或跑步時，足弓會根據各種地形提供適度的彈力和扭力，以達到吸震和平衡的目的。然而，扁平足患者的足弓甚不明顯或幾無足弓，當其站立或平踩於地面時，足底內側的足弓將會下陷而使足底呈現扁平狀態，甚至平貼於地面，進而影響正常的行走，其中柔軟性扁平足多肇因於蹠底較厚之皮下脂肪或較為鬆散的足部關節，而結構性扁平足則是因為關節異常或周圍肌肉痙攣所造成之足部堅硬現象。在站立姿的足側位X光影像資料中，罹患結構性扁平足的患者其跟骨(calcaneus)最下緣連線與第五蹠骨(5th metatarsal)之夾角足弓角度(arch angle)大於168度時認定為扁平足，而本發明之足畸形檢測模型100則可自動根據標準化足內側位X光影像資料而判斷受試者是否罹患扁平足症及其足畸形發生程度，避免因為不同分析者的不同比對習慣及量測方式不同而產生不同的診斷結果，進而使本發明之足畸形檢測模型100的檢測準確度大幅提升。
請參照第2A圖與第2B圖，第2A圖係繪示本發明另一實施方式之足畸形檢測系統200的架構示意圖，第2B圖係繪示第2A圖之足畸形檢測系統200的足畸形檢測程式
430的架構示意圖。足畸形檢測系統200用以判斷一受試者之一足畸形類型以及一足畸形發生程度，且足畸形檢測系統200包含一影像擷取單元300以及一非暫態機器可讀媒體400。
影像擷取單元300用以取得受試者的一目標足內側位X光影像資料411。詳細而言，影像擷取單元300可為一X光檢測儀器，其利用低劑量之X光射線照射受試者之足部，以取得解析度適當之目標足內側位X光影像資料411。較佳地，目標足內側位X光影像資料411的影像格式可為數位醫療影像儲存標準協定之影像格式，以將目標足內側位X光影像資料411的生理年齡資訊、性別資訊等基本資料儲存於目標足內側位X光影像資料411的檔頭中，以利於後續的分析。較佳地，目標足內側位X光影像資料411可包含一左足內側位X光影像資料及一右足內側位X光影像資料，以利於對左右二足分別進行更精準的足畸形檢測。
非暫態機器可讀媒體400訊號連接影像擷取單元300，且非暫態機器可讀媒體400包含一儲存單元410及一處理單元420，其中儲存單元410用以儲存目標足內側位X光影像資料411及一足畸形檢測程式430，處理單元420用以執行足畸形檢測程式430。足畸形檢測程式430包含一足畸形檢測模型建立子程式440及一足畸形檢測子程式450。
足畸形檢測模型建立子程式440包含一參照資料庫取得模組441、一參照影像資料編輯模組442、一特徵選取模組443及一訓練模組444。
參照資料庫取得模組441係用以取得一參照資料庫，其中前述之參照資料庫包含複數個參照足內側位X光影像資料。較佳地，前述之參照足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式，以將各參照足內側位X光影像資料的生理年齡資訊、性別資訊等基本資料儲存於參照足內側位X光影像資料的檔頭中，以利於後續的分析。較佳地，參照足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料，以分別建立左足與右足之足畸形參照資料庫，以利於對左右二足分別進行更精準的足畸形檢測。
參照影像資料編輯模組442係調整各參照足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得複數個標準化足內側位X光影像資料。詳細而言，參照影像資料編輯模組442可分別將不同的參照足內側位X光影像資料的影像大小調整為1024像素×1024像素後，並調整其黑白對比度為0至255之灰階分布的影像強度，以減少不同參照足內側位X光影像資料之間的黑白色度差異以及增加影像的清晰度，以利於後續的分析。另外，參照影像資料編輯模組442可進一步對各參照足內側位X光影像資料進行影像色度擴展處理。詳細而言，影像資料編輯模組可計算各參照足內側位X光影像資料的影像灰階程度，並依據前述之計
算結果而依序對各參照足內側位X光影像資料之影像像素行、列自動填補色彩，以將呈現灰階色調之各參照足內側位X光影像資料轉換為彩色色調，以增加各參照足內側位X光影像資料的資料強度，進而提升後續分析的準確度。
特徵選取模組443係用以分析標準化足內側位X光影像資料後以得至少一參照影像特徵值。詳細而言，特徵選取模組443可自動地對標準化足內側位X光影像資料的影像資訊進行分析，並自動提取對應的影像特徵值。
訓練模組444係用以將至少一參照影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂，以得一足畸形檢測模型。較佳地，前述之卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路，以有效擴展卷積神經網路的訓練深度，進而提升訓練模組444的圖像分類與辨識能力。
足畸形檢測子程式450包含一目標影像資料編輯模組451、一目標特徵選取模組452及一比對模組453。
目標影像資料編輯模組451係調整目標足內側位X光影像資料411的一影像大小及一影像黑白對比度，以取得一標準化目標足內側位X光影像資料。詳細而言，目標影像資料編輯模組451係將目標足內側位X光影像資料411的影像大小調整為1024像素×1024像素後，並調整其黑白對比度為0至255之灰階分布的影像強度，進而獲得前述之標準化目標足內側位X光影像資料。較佳地，目標影像資料編輯模組451可進一步對目標足內側位X光影像資料411進
行影像色度擴展處理，其係計算目標足內側位X光影像資料411的影像灰階程度，並根據前述之計算結果而依序對目標足內側位X光影像資料411之影像像素行、列自動填補色彩，以將呈現灰階色調之目標足內側位X光影像資料411轉換為彩色色調，以增加目標足內側位X光影像資料的資料強度，並與前述之各參照足內側位X光影像資料的影像格式相符，進而提升後續分析的準確度。
目標特徵選取模組452係用以分析標準化目標足內側位X光影像資料後以得至少一目標影像特徵值。詳細而言，目標特徵選取模組452可自動地對標準化目標足內側位X光影像資料的影像資訊進行分析，並自動提取對應的影像特徵值。
比對模組453係用以將至少一目標影像特徵值以足畸形檢測模型進行分析，以得一目標影像特徵值權重數據，並分析目標影像特徵值權重數據，以得受試者之足畸形類型以及足畸形發生程度。
較佳地，前述之足畸形類型可為柔軟性扁平足或結構性扁平足，而前述之足畸形發生程度則可為無足畸形、輕度足畸形、中度足畸形或重度足畸形，但本發明並不以此為限。
請參照第3圖，其係繪示本發明另一實施方式之足畸形檢測方法500的步驟流程圖。足畸形檢測方法500包含步驟510、步驟520、步驟530、步驟540以及步驟550。
步驟510為提供足畸形檢測模型，而足畸形檢測模型係經由前述步驟110至步驟140所建立。
步驟520為提供受試者之一目標足內側位X光影像資料。較佳地，目標足內側位X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式，以將目標足內側位X光影像資料的生理年齡資訊、性別資訊等基本資料儲存於目標足內側位X光影像資料的檔頭中，以利於後續的分析。較佳地，目標足內側位X光影像資料可包含一左足內側位X光影像資料及一右足內側位X光影像資料，以利於對左右二足分別進行更精準的足畸形檢測。
步驟530為對目標足內側位X光影像資料進行前處理，其係利用影像資料編輯模組整目標足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得一標準化目標足內側位X光影像資料。詳細而言，目標影像資料編輯模組係將目標足內側位X光影像資料的影像大小調整為1024像素×1024像素後，並調整其黑白對比度為0至255之灰階分布的影像強度，進而獲得前述之標準化目標足內側位X光影像資料。較佳地，目標影像資料編輯模組可進一步對目標足內側位X光影像資料進行影像色度擴展處理，其係計算目標足內側位X光影像資料的影像灰階程度，並根據前述之計算結果而依序對目標足內側位X光影像資料之影像像素行、列自動填補色彩，以將呈現灰階色調之目標足內側位X光影像資料轉換為彩色色調，以增加目標足內側位X光影像資料的資料強度，進而提升後續分析的準確度。
步驟540為利用特徵選取模組分析標準化目標足內側位X光影像資料後以得至少一影像特徵值。詳細而言，足畸形檢測方法500可利用特徵選取模組自動地對標準化目標足內側位X光影像資料的影像資訊進行分析，並自動提取對應的影像特徵值，藉以增進本發明之足畸形檢測方法500的足畸形診斷效率。
步驟550為利用足畸形檢測模型分析至少一影像特徵值，以判斷受試者之一足畸形類型以及一足畸形發生程度。
根據上述實施方式，以下提出具體試驗例並配合圖式予以詳細說明。
本發明所使用的參照資料庫為國軍臺中總醫院(Taichung Armed Forces General Hospital)所蒐集的回溯性去連結化之受檢者的臨床足內側位X光影像資料，為經中國醫藥大學暨附設醫院研究倫理委員會中區區域性審查委員會核准之臨床試驗計劃，其編號為：CRREC-107-079。前述之參照資料庫包含6000位受試者的參照足內側位X光影像資料，且前述之參照足內側位X光影像資料的影像格式皆為數位醫療影像儲存標準協定之影像格式，以將各受試者的生理年齡資訊、性別資訊、病歷號
碼、受試編號等相關資料儲存於影像資料的檔頭中，以利於後續的分析。
另外，參照資料庫中的每位受試者的參照足內側位X光影像資料其拍攝時之足部擺放位置及擺放方向皆一致，且各足內側位X光影像資料包含一左足內側位X光影像資料及一右足內側位X光影像資料，以排除使用隨機水平反轉(Random Horizontal Inversion)、隨機平移(Random Translation)、旋轉、剪切等資料擴增處理等方式對左右二足進行足畸形的分析，進而提高本發明之足畸形檢測模型、足畸形檢測系統及足畸形檢測方法的分析準確率。
本發明之足畸形檢測模型在取得參照資料庫後，各參照足內側位X光影像資料將利用一影像資料編輯模組進行調整，以將各參照足內側位X光影像資料的影像大小調整為1024像素×1024像素，並調整其黑白對比度為0至255之灰階分布的影像強度，以減少不同參照足內側位X光影像資料之間的黑白色度差異以及增加影像的清晰度，並進一步對各參照足內側位X光影像資料之影像像素行、列自動填補色彩，以將呈現灰階色調之各參照足內側位X光影像資料轉換為彩色色調，並取得複數個標準化足內側位X光影像資料。
詳細而言，由於目前的深度神經網路模型在運作上需要大量的訓練資料(Training Data，即本發明之足
畸形檢測模型的參照足內側位X光影像資料)來達成穩定收斂及高度的分類準確率，倘若訓練資料的數目不夠充足將會使深度神經網路產生過擬合現象(Overfitting)而導致判斷結果的誤差值過高，致使深度神經網路模型的可信度較低。為了解決前述問題，本發明之足畸形檢測模型透過影像前處理步驟對各參照足內側位X光影像資料進行資料擴增(Data Augmentation)，以透過改變各參照足內側位X光影像資料的幾何大小、影像強度分布以及加入雜訊的方式來降低過擬合現象的發生機率，使其在增加影像資料數據的同時亦能保留各參照足內側位X光影像資料的原始訊息。
接著，各標準化足內側位X光影像資料將以特徵選取模組進行分析，以得至少一影像特徵值。詳細而言，特徵選取模組可進一步區別各標準化足內側位X光影像資料中的骨骼區域以及背景區域，並分析骨骼區域之X光影像資料而獲得各標準化足內側位X光影像資料中之影像特徵值。
接著，前述之影像特徵值將透過一卷積神經網路學習分類器進行訓練而達到收斂，以得本發明之足畸形檢測模型。在本試驗例中，足畸形檢測模型將應用於判斷足畸形類型中的柔軟性扁平足或結構性扁平足，並進一步根據分析結果而輸出受試者之扁平足的足畸形發生程度判斷結果。
請參照第4圖，其係繪示本發明之足畸形檢測模型的卷積神經網路學習分類器600的架構示意圖。在第4圖的試驗例中，卷積神經網路學習分類器600為
Inception-ResNet-v2卷積神經網路，其包含複數個卷積層(Convolution)、複數個最大池化層(MaxPool)、複數個平均池化層(AvgPool)以及複數個級聯層(Concat)，以對影像特徵值進行訓練與分析。
詳細而言，Inception-ResNet-v2卷積神經網路是基於ImageNet可視化數據資料庫的大規模視覺辨識卷積神經網路，且ImageNet可視化數據資料庫裡面的影像資料皆為二維之彩色圖像，因此習知的GoogLeNet卷積神經網路模型在其第一卷積層中具有RGB三通道之濾波器。然而，各參照足內側位X光影像資料的原始影像檔案皆為三維之灰階影像，是以本發明之足畸形檢測模型進一步將包含RGB三通道之濾波器的GoogLeNet卷積神經網路模型透過算術平均法而轉換為單一通道，並將隨機梯度下降法(Stochastic Gradient Descent，SGD)應用於本發明之足畸形檢測模型的預訓練模型神經網路中，以優化其訓練過程，其訓練次數可為100期(Epochs)及採用96Mini-Batch Size之梯度下降法，並透過改變初始學習率(Learning Rates)以進行調變，其中學習率是對神經網路進行訓練時控制權重(weight)和偏差(bias)變化的重要參數，是以本發明之足畸形檢測模型透過調整學習率的數值可進一步確保損失函數(Loss Function)可達穩定收斂。
在本發明之足畸形檢測模型對影像特徵值進行訓練的過程中，各標準化足內側位X光影像資料的影像特徵值進行二層卷積層及一層最大池化層(MaxPool)處理，以將
所提取之影像特徵值進行最大輸出，並再次重複前述之二層卷積層與一層最大池化層輸出後，利用複數個卷積層進行並行塔(parallel towers)訓練，以完成影像特徵值的初級訓練(Inception)。
在完成前述之初級訓練後，各標準化足內側位X光影像資料的影像特徵值將進行10次(10×)、20次(20×)與10次(10×)的不同深度、不同階層與不同態樣之殘差(Residual)模塊訓練，以對各標準化足內側位X光影像資料的影像特徵值進行訓練並達到收斂。詳細而言，由於Inception-ResNet卷積神經網路在經過複數個階層的權重運算後，因為每一殘差模塊均對各標準化足內側位X光影像資料的影像特徵值進行不同的運算與判斷，致使誤差累積，因此Inception-ResNet卷積神經網路的訓練將會把特定階層的節點運算值拉回到該階層的輸入端再次進行運算，以防止卷積神經網路學習分類器600對前述之影像特徵值進行多層的權重運算訓練後發生梯度消失的退化現象，以及避免誤差累積導致資訊遺失，並可有效提升卷積神經網路學習分類器600的訓練效率。
在完成深層且重複之殘差模塊訓練後，將依序以一層卷積層、一平均池化層、一取代全局平均池化層(Global Average Pooling 2D，GloAvePool2D)以及一線性整流單元訓練層(Rectified Linear Unit，ReLU)對收斂之影像特徵值進行最終訓練與處理，藉以判斷受試者之扁平足發生類型以及扁平足發生程度。其中，平均池化層可先
對完成殘差模塊訓練之影像特徵值進行計算，以求各影像特徵值的平均值，取代全局平均池化層則可對卷積神經網路學習分類器600的整體網路架構進行正則化(Regularization)處理，防止卷積神經網路學習分類器600在追求低誤差之訓練模式下發生過擬合現象，而導致判斷結果的誤差值過高，最後，線性整流單元訓練層則進一步對完成訓練後之影像特徵值進行激活，並輸出一目標影像特徵值權重數據601，以進行後續的比對與分析。前述之線性整流單元訓練層可避免足畸形檢測模型輸出的目標影像特徵值權重數據601趨近於零或趨近於無限大，以利於後續比對步驟的進行，進而提升本發明之足畸形檢測模型的判斷準確率。
接著，前述受試者之扁平足發生類型以及扁平足發生程度判斷結果將進一步整合於參照資料庫中，以對本發明之足畸形檢測模型進行優化，進而使本發明之足畸形檢測模型的訓練效果及判斷準確度進一步提升。
藉由上述內容可知，足畸形檢測模型、足畸形檢測系統及足畸形檢測方法透過將足內側位X光影像資料與目標足內側位X光影像資料進行影像標準化前處理，並利用特徵選取模組分析並得至少一影像特徵值後，再以卷積神經網路學習分類器對影像特徵值進行訓練，以快速且準確地判斷受試者之足畸形發生與否、足畸形類型以及足畸形發生程度，並具有高度的檢測再現性。再者，透過包含卷積神經網路學習分類器之足畸形檢測模型能有效提升足畸形檢測
的準確度與敏感度，使本發明之足畸形檢測模型、足畸形檢測系統及足畸形檢測方法可於大量的X光影像資料的情形下提供即時且準確之足畸形檢測評估結果，以作為後續之病情監控或療效評估的依據，使其具有優良的臨床應用潛力。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (18)
- 一種足畸形檢測模型，包含以下建立步驟：取得一參照資料庫，其中該參照資料庫包含複數個參照足內側位X光影像資料；進行一影像前處理步驟，其係利用一影像資料編輯模組調整各該參照足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得複數個標準化足內側位X光影像資料；進行一特徵選取步驟，其係利用一特徵選取模組分析該些標準化足內側位X光影像資料後以得至少一影像特徵值；以及進行一訓練步驟，其係將該至少一影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂，以得該足畸形檢測模型，其中該足畸形檢測模型係用以判斷一受試者之一足畸形類型以及一足畸形發生程度。
- 如申請專利範圍第1項所述之足畸形檢測模型，其中該卷積神經網路學習分類器為Inception-ResNet-v2卷積神經網路。
- 如申請專利範圍第1項所述之足畸形檢測模型，其中該影像前處理步驟更對各該參照足內側位X光影像資料進行一影像色度擴展處理。
- 如申請專利範圍第1項所述之足畸形檢測模型，其中該些參照足內側位X光影像資料的影像格式為數位醫療影像儲存標準協定(Digital Imaging and Communications in Medicine，DICOM)之影像格式。
- 如申請專利範圍第1項所述之足畸形檢測模型，其中該足畸形類型為柔軟性扁平足或結構性扁平足。
- 如申請專利範圍第1項所述之足畸形檢測模型，其中該足畸形發生程度為無足畸形、輕度足畸形、中度足畸形或重度足畸形。
- 如申請專利範圍第1項所述之足畸形檢測模型，其中各該參照足內側位X光影像資料包含一左足內側位X光影像資料及一右足內側位X光影像資料。
- 一種足畸形檢測系統，用以判斷一受試者之一足畸形類型以及一足畸形發生程度，該足畸形檢測系統包含：一影像擷取單元，用以取得該受試者的一目標足內側位X光影像資料；以及一非暫態機器可讀媒體，訊號連接該影像擷取單元，且該非暫態機器可讀媒體包含一儲存單元及一處理單元，其中該儲存單元用以儲存該目標足內側位X光影像資料及一足畸形檢測程式，該處理單元用以執行該足畸形檢測程式；其中，該足畸形檢測程式包含：一足畸形檢測模型建立子程式，包含：一參照資料庫取得模組，其係用以取得一參照資料庫，其中該參照資料庫包含複數個參照足內側位X光影像資料；一參照影像資料編輯模組，其係調整各該參照足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得複數個標準化足內側位X光影像資料；一特徵選取模組，其係用以分析該些標準化足內側位X光影像資料後以得至少一參照影像特徵值；及一訓練模組，其係用以將該至少一參照影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂，以得一足畸形檢測模型；及一足畸形檢測子程式，包含：一目標影像資料編輯模組，其係調整該目標足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得一標準化目標足內側位X光影像資料；一目標特徵選取模組，其係用以分析該標準化目標足內側位X光影像資料後以得至少一目標影像特徵值；及一比對模組，其係用以將該至少一目標影像特徵值以該足畸形檢測模型進行分析，以得一目標影像特徵值權重數據，並分析該目標影像特徵值權重數據，以得該受試者之該足畸形類型以及該足畸形發生程度。
- 如申請專利範圍第8項所述之足畸形檢測系統，其中該卷積神經網路學習分類器為Inception-ResNet-v2卷積神經網路。
- 如申請專利範圍第8項所述之足畸形檢測系統，其中該參照影像資料編輯模組更對各該參照足內側位X光影像資料進行一影像色度擴展處理，該目標影像資料編輯模組更對該目標足內側位X光影像資料進行一影像色度擴展處理。
- 如申請專利範圍第8項所述之足畸形檢測系統，其中該目標足內側位X光影像資料的影像格式為數位醫療影像儲存標準協定之影像格式，該些參照足內側位X光影像資料的影像格式為數位醫療影像儲存標準協定之影像格式。
- 如申請專利範圍第8項所述之足畸形檢測系統，其中該足畸形類型為柔軟性扁平足或結構性扁平足。
- 如申請專利範圍第8項所述之足畸形檢測系統，其中該足畸形發生程度為無足畸形、輕度足畸形、中度足畸形或重度足畸形。
- 如申請專利範圍第8項所述之足畸形檢測系統，其中各該參照足內側位X光影像資料包含一左足內側位X光影像資料及一右足內側位X光影像資料，該目標足內側位X光影像資料包含一左足內側位X光影像資料及一右足內側位X光影像資料。
- 一種足畸形檢測方法，包含：提供一如申請專利範圍第1項之足畸形檢測模型；提供一受試者之一目標足內側位X光影像資料；對該目標足內側位X光影像資料進行前處理，其係利用該影像資料編輯模組調整該目標足內側位X光影像資料的一影像大小及一影像黑白對比度，以取得一標準化目標足內側位X光影像資料；利用該特徵選取模組分析該標準化目標足內側位X光影像資料後以得至少一影像特徵值；以及利用該足畸形檢測模型分析該至少一影像特徵值，以判斷該受試者之一足畸形類型以及一足畸形發生程度。
- 如申請專利範圍第15項所述之足畸形檢測方法，其中該影像資料編輯模組更對該目標足內側位X光影像資料進行一影像色度擴展處理。
- 如申請專利範圍第15項所述之足畸形檢測方法，其中該目標足內側位X光影像資料的影像格式為數位醫療影像儲存標準協定之影像格式。
- 如申請專利範圍第15項所述之足畸形檢測方法，其中該目標足內側位X光影像資料包含一左足內側位X光影像資料及一右足內側位X光影像資料。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108101866A TWI663960B (zh) | 2019-01-17 | 2019-01-17 | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 |
| CN201910127177.0A CN110265140A (zh) | 2019-01-17 | 2019-02-20 | 足畸形检测模型、足畸形检测***及足畸形检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108101866A TWI663960B (zh) | 2019-01-17 | 2019-01-17 | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI663960B true TWI663960B (zh) | 2019-07-01 |
| TW202027680A TW202027680A (zh) | 2020-08-01 |
Family
ID=67911747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108101866A TWI663960B (zh) | 2019-01-17 | 2019-01-17 | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110265140A (zh) |
| TW (1) | TWI663960B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI823261B (zh) * | 2021-03-12 | 2023-11-21 | 日商歐姆龍股份有限公司 | 支援裝置以及支援方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2725280C1 (ru) * | 2019-10-15 | 2020-06-30 | Общество С Ограниченной Ответственностью "Доммар" | Приспособления и методы планирования ортодонтического лечения |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201683886U (zh) * | 2009-12-09 | 2010-12-29 | 佳木斯大学 | 一种智能无线传输医用体温计 |
| TW201228637A (en) * | 2011-01-07 | 2012-07-16 | Global Action Inc | Measurement method for identifying foot arch type |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017055412A1 (en) * | 2015-09-30 | 2017-04-06 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
| CN106295124B (zh) * | 2016-07-27 | 2018-11-27 | 广州麦仑信息科技有限公司 | 多种图像检测技术综合分析基因子图相似概率量的方法 |
| CN107133496B (zh) * | 2017-05-19 | 2020-08-25 | 浙江工业大学 | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 |
| CN107543788A (zh) * | 2017-08-15 | 2018-01-05 | 焦作市人民医院 | 一种尿红细胞畸形率检测方法及*** |
| CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成***及方法 |
| CN107767376B (zh) * | 2017-11-02 | 2021-03-26 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及*** |
-
2019
- 2019-01-17 TW TW108101866A patent/TWI663960B/zh not_active IP Right Cessation
- 2019-02-20 CN CN201910127177.0A patent/CN110265140A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201683886U (zh) * | 2009-12-09 | 2010-12-29 | 佳木斯大学 | 一种智能无线传输医用体温计 |
| TW201228637A (en) * | 2011-01-07 | 2012-07-16 | Global Action Inc | Measurement method for identifying foot arch type |
Non-Patent Citations (1)
| Title |
|---|
| Ruchi D. Chande, Rosalyn Hobson Hargraves, Norma Ortiz-Robinson, and Jennifer S. Wayne, "Predictive Behavior of a Computational Foot/Ankle Model through Artificial Neural Networks" , Computational and Mathematical Methods in Medicine Volume 2017, Article ID 3602928, 8 pages * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI823261B (zh) * | 2021-03-12 | 2023-11-21 | 日商歐姆龍股份有限公司 | 支援裝置以及支援方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202027680A (zh) | 2020-08-01 |
| CN110265140A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
| JP6999812B2 (ja) | 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法 | |
| US11645748B2 (en) | Three-dimensional automatic location system for epileptogenic focus based on deep learning | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| CN109447962A (zh) | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 | |
| CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和*** | |
| CN113139962B (zh) | 用于脊柱侧凸概率评估的***和方法 | |
| TWI663960B (zh) | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 | |
| CN110874860A (zh) | 基于混合损失函数的对称监督模型的目标提取方法 | |
| US20190192089A1 (en) | 3d assessment of conjugant eye deviation for the identificaiton of acute ischemic stroke | |
| KR20210010387A (ko) | 관절염 심각도 정밀 분석 장치 및 방법 | |
| CN110427987A (zh) | 一种关节炎患者的足底压力特征识别方法和*** | |
| CN117152507B (zh) | 一种牙齿健康状态检测方法、装置、设备及存储介质 | |
| US11980491B2 (en) | Automatic recognition method for measurement point in cephalo image | |
| KR101464862B1 (ko) | 카메라를 이용한 척추 측만증 판단 방법 및 장치 | |
| Rahmaniar et al. | Auto-CA: automated Cobb angle measurement based on vertebrae detection for assessment of spinal curvature deformity | |
| CN115105062B (zh) | 髋膝关节协调性评估方法、装置、***和存储介质 | |
| CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
| TWI796684B (zh) | 非侵入性血紅素濃度評估方法及其評估系統 | |
| CN109480842B (zh) | 用于诊断功能性消化不良的***及设备 | |
| CN107256544A (zh) | 一种基于vcg16的***癌图像诊断方法及*** | |
| Chen et al. | Automating Cobb Angle Measurement for Adolescent Idiopathic Scoliosis using Instance Segmentation | |
| CN113781453B (zh) | 一种基于x线片的脊柱侧凸进展预测及方法和装置 | |
| KR20200121550A (ko) | 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스 | |
| CN111612755B (zh) | 肺部病灶分析方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |