[go: up one dir, main page]

CN118037669A - 一种脊柱检测和节段定位方法、系统、终端及存储介质 - Google Patents

一种脊柱检测和节段定位方法、系统、终端及存储介质 Download PDF

Info

Publication number
CN118037669A
CN118037669A CN202410193792.2A CN202410193792A CN118037669A CN 118037669 A CN118037669 A CN 118037669A CN 202410193792 A CN202410193792 A CN 202410193792A CN 118037669 A CN118037669 A CN 118037669A
Authority
CN
China
Prior art keywords
spine
segment
detection
spinal
segment positioning
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.)
Pending
Application number
CN202410193792.2A
Other languages
English (en)
Inventor
李雅岚
邹浩
谢耀钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202410193792.2A priority Critical patent/CN118037669A/zh
Publication of CN118037669A publication Critical patent/CN118037669A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种脊柱检测和节段定位方法、系统、终端及存储介质，所述方法包括：获取初始脊柱检测和节段定位网络，并进行预训练处理，得到预训练模型；获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个背部图像以及对应的多组真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；根据数据集和脊柱节段真实位置标签对预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；获取当前背部图像，将当前背部图像输入至最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。本发明通过构建最终脊柱检测和节段定位网络，能够实现对人体背部脊柱以及脊柱节段的快速检测和精准定位。

Description

一种脊柱检测和节段定位方法、系统、终端及存储介质
技术领域
本发明涉及脊柱检测技术领域，尤其涉及一种脊柱检测和节段定位方法、系统、终端及计算机可读存储介质。
背景技术
脊柱识别与定位技术是一项在近年来备受关注的领域，特别是在医学与健康领域的应用。该技术旨在通过先进的计算机视觉和图像处理技术，对脊柱结构进行准确的识别与定位。在这个领域中，存在着对于脊柱各个部位及相关解剖结构的高精度定位需求，这对于医学、康复和健康管理等领域都具有重要意义。脊柱是人体骨架的关键组成部分，与整体健康密切相关。传统的脊柱诊断通常依赖于医生的经验和手动检查，但这种方式存在主观性较强、可重复性差、耗费时间久等问题。因此，引入脊柱识别与定位技术可以提高相关领域的诊断和治疗水平。
现有的技术大多是检测人体是否存在脊柱侧歪或者检测出脊柱位置，前者属于一个二分类问题，并不能够显示具体的脊柱位置，仅仅能得到一个判别结果，后者属于一个目标检测问题，将脊柱位置检测出来，针对具体的脊柱节段没有进一步进行精确定位。能够实现脊柱节段精确定位的一般需要医学影像作为输入或借助其他工具，来辅助得到骨性结构，实现脊柱的精确定位，耗费成本大，对用户的身体辐射大，同时操作不便，流程较为复杂麻烦。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种脊柱检测和节段定位方法、系统、终端及计算机可读存储介质，旨在解决现有技术中对于人体脊柱以及脊柱节段定位的检测效率低以及准确率不高的问题。
为实现上述目的，本发明提供一种脊柱检测和节段定位方法，所述脊柱检测和节段定位方法包括如下步骤：
获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；
获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；
根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；
获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
可选地，所述的脊柱检测和节段定位方法，其中，所述获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型，具体包括：
获取所述初始脊柱检测和节段定位网络，并获取ImageNet数据集；
根据所述ImageNet数据集对所述初始脊柱检测和节段定位网络的目标检测功能进行预训练处理，得到所述预训练模型。
可选地，所述的脊柱检测和节段定位方法，其中，所述获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集，具体包括：
获取多个背部图像，并在多个所述背部图像对应的真实脊柱节段位置处进行位置标记处理，得到多组所述真实脊柱节段标记位置；
将多个所述背部图像上的多组所述真实脊柱节段标记位置进行去除，得到多组光裸图像，并根据多组所述光裸图像以及多组所述真实脊柱节段标记位置构建所述脊柱节段真实位置标签；
将多组所述光裸图像按预设比例进行分类处理，得到所述数据集。
可选地，所述的脊柱检测和节段定位方法，其中，所述数据集包括训练集、验证集以及测试集；所述根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，具体包括：
将所述训练集和所述脊柱节段真实位置标签输入至所述预训练模型，通过所述预训练模型对所述训练集进行高通滤波处理，得到高频信息；
将所述高频信息和所述训练集进行叠加处理，得到高频叠加图像；
将所述高频叠加图像输入至联合处理模块，输出总损失数据；
根据所述总损失数据对所述预训练模型进行迭代训练，直到所述总损失数据小于预设阈值时，停止迭代训练；
根据所述验证集对迭代完成后的预训练模型进行验证，当验证通过时，得到所述最终脊柱检测和节段定位网络。
可选地，所述的脊柱检测和节段定位方法，其中，所述联合处理模块包括卷积下采样块和联合处理块，其中，所述卷积下采样块和所述联合处理块交错排布；所述将所述高频叠加图像输入至联合处理模块，输出总损失数据，具体包括：
将所述高频叠加图像依次输入至所述卷积下采样块和所述联合处理块，得到输出特征；
对所述输出特征进行解耦处理，得到多组一维向量，并计算多组所述一维向量的KL散度，得到多个预测脊柱节段定位坐标以及第一损失；
计算多个所述预测脊柱节段定位坐标与对应的所述真实脊柱节段标记位置之间的欧氏距离，得到第二损失；
对所述输出特征进行目标区域角点坐标回归计算，得到脊柱的预测目标区域，并计算所述预测目标区域与真实目标区域之间的重合程度，得到第三损失；
计算所述预测目标区域中预测角点坐标与真实角点坐标之间的损失值，得到第四损失；
将所述第一损失、所述第二损失、所述第三损失以及所述第四损失进行累加处理，得到所述总损失数据。
可选地，所述的脊柱检测和节段定位方法，其中，所述根据所述训练集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，之后还包括：
根据所述测试集对所述最终脊柱检测和节段定位网络进行性能测试，并输出测试结果，其中，所述测试结果包括测试脊柱位置检测框坐标和测试脊柱节段定位坐标；
根据所述测试脊柱位置检测框坐标和所述测试脊柱节段定位坐标计算所述最终脊柱检测和节段定位网络的准确率，并根据所述准确率对所述最终脊柱检测和节段定位网络进行模型微调。
可选地，所述的脊柱检测和节段定位方法，其中，所述获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标，具体包括：
获取所述当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，并通过所述最终脊柱检测和节段定位网络对所述当前背部图像进行特征点提取，得到所述当前背部图像对应的当前脊柱位置检测框坐标和当前脊柱节段定位坐标；
获取所述前脊柱位置检测框坐标对应的脊柱框锚点，并将所述脊柱框锚点和所述当前脊柱节段定位坐标在所述当前背部图像上进行显示。
此外，为实现上述目的，本发明还提供一种脊柱检测和节段定位系统，其中，所述脊柱检测和节段定位系统包括：
预训练模块，用于获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；
数据集构建模块，用于获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；
再训练模块，用于根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；
脊柱位置和脊柱节段定位模块，用于获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脊柱检测和节段定位程序，所述脊柱检测和节段定位程序被所述处理器执行时实现如上所述的脊柱检测和节段定位方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有脊柱检测和节段定位程序，所述脊柱检测和节段定位程序被处理器执行时实现如上所述的脊柱检测和节段定位方法的步骤。
本发明中，获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。本发明通过采用开源的ImageNet数据集来对初始脊柱检测和节段定位网络进行预训练，并构建真实人体脊柱数据集来对预训练完成后的模型进行再训练，以此来获得具有联合卷积和transform的优点的最终脊柱检测和节段定位网络，通过最终脊柱检测和节段定位网络模型能够基于输入的人体背部图像快速检测出人体背部脊柱位置以及实现对脊柱节段的精准定位。
附图说明
图1是本发明脊柱检测和节段定位方法的较佳实施例的流程图；
图2是本发明脊柱检测和节段定位方法的较佳实施例的联合处理模块示意图；
图3是本发明脊柱检测和节段定位方法的较佳实施例的最终脊柱检测和节段定位网络流程框架示意图；
图4是本发明脊柱检测和节段定位方法的较佳实施例的经过最终脊柱检测和节段定位网络预测得到的脊柱节段示意图；
图5是本发明脊柱检测和节段定位系统的较佳实施例的结构图；
图6为本发明终端的较佳实施例的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
脊柱识别与定位技术是一项在近年来备受关注的领域，特别是在医学与健康领域的应用。该技术旨在通过先进的计算机视觉和图像处理技术，对脊柱结构进行准确的识别与定位。在这个领域中，存在着对于脊柱各个部位及相关解剖结构的高精度定位需求，这对于医学、康复和健康管理等领域都具有重要意义。脊柱是人体骨架的关键组成部分，与整体健康密切相关。传统的脊柱诊断通常依赖于医生的经验和手动检查，但这种方式存在主观性较强、可重复性差、耗费时间久等问题。因此，引入脊柱识别与定位技术可以提高相关领域的诊断和治疗水平。
目前，国内外广泛采用的脊柱畸形普查方法主要包括三种。第一种是“一步法”，即直接应用X射线进行拍片，然后测量脊柱正立位X光片上的Cobb角。该方法具有工作效率高、速度快等优点，但所有接受检查的个体都会暴露于不必要的X光辐射，且检测费用较高，因此不适合大规模普查。第二种是“两步法”，结合体检和X线片的方法，首先通过人工物理方法对受检者进行初筛，然后使用X射线片进行诊断。这种方法在拍片之前引入人工检测，减少了不必要的X光辐射，但也容易导致漏诊情况。第三种是“三步法”，在人工检测后进一步添加云纹图像检测，以进一步减少漏诊的可能性。目前，“三步法”是最常采用的方法之一，尽管其缺点在于步骤相对繁琐，费用较高且耗时。
现有的技术大多是检测人体是否存在脊柱侧歪或者检测出脊柱位置，前者属于一个二分类问题，并不能够显示具体的脊柱位置，仅仅能得到一个判别结果，后者属于一个目标检测问题，将脊柱位置检测出来，针对具体的脊柱节段没有进一步进行精确定位。而实现脊柱节段精确定位的一般需要医学影像作为输入或借助其他工具，来辅助得到骨性结构，实现脊柱的精确定位，耗费成本大，对用户的身体辐射大，同时操作不便，流程较为复杂麻烦。
为解决上述问题，本发明提供了一种联合卷积和transform的脊柱检测和节段定位方法，用户输入图片或使用摄像机获取实时视频流并将其输入识别网络，浅层使用卷积处理局部特征，深层使用self-attention(自注意力机制)建立全局依赖，联合卷积和transform的优点，能够有效减少transform浅层编码特征的大开销，实现高效的特征学习，后续通过特征点提取回归预测点热力图，对输入的图像进行目标检测和关键点预测，从而实现目标脊柱的检测和节段定位，最终重新显现于输入图像或视频流上。
本发明较佳实施例所述的脊柱检测和节段定位方法，如图1所示，所述脊柱检测和节段定位方法包括以下步骤：
步骤S10、获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型。
具体地，获取所述初始脊柱检测和节段定位网络，并获取ImageNet数据集；根据所述ImageNet数据集对所述初始脊柱检测和节段定位网络的目标检测功能进行预训练处理，得到所述预训练模型。
本发明首先会使用ImageNet数据集(开源数据集)对模型(即初始脊柱检测和节段定位网络)的目标检测功能进行预训练，其中，这里的初始脊柱检测和节段定位网络是由目标检测网络以及关键点检测网络组成，目标检测网络用于进行粗定位，即可以获取脊柱的位置检测框，而关键点检测网络则可用于进行精定位，可以实现对脊柱节点的精确定位。
步骤S20、获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集。
在采用ImageNet数据集对初始脊柱检测和节段定位网络进行预训练得到预训练模型后，则会进一步构建脊柱训练集来对预训练模型进行进一步的训练。
具体的，获取多个背部图像，并在多个所述背部图像对应的真实脊柱节段位置处进行位置标记处理，得到多组所述真实脊柱节段标记位置；将多个所述背部图像上的多组所述真实脊柱节段标记位置进行去除，得到多组光裸图像，并根据多组所述光裸图像以及多组所述真实脊柱节段标记位置构建所述脊柱节段真实位置标签；将多组所述光裸图像按预设比例进行分类处理，得到所述数据集。
对于脊柱训练集的构造步骤如下：1、本发明选取健康的正常体型男女各200人，由专业医师对每个被试者的背部脊柱节段做准确的位置标记，标记方法为使用黑色定位贴。其中，对于脊柱节段位置的确定由三名资深专业医师对被试的脊柱节段做位置标记，最终位置取三人标记位置的平均值，贴上反光标记，反光标记所处的位置即为脊柱节段对应的标记位置。
2、本发明采用不同视角的背部图像作为数据来源，使被试者保持俯卧姿态，使用高清相机拍摄，从正面、左侧面45度、左侧面60度、右侧面45度、右侧面60度、斜上方45度、斜下方45度七个角度对每个被试者背部进行不同姿势的拍摄，拍摄70张图片，共计14000张图片。
3、去除掉贴纸标记后以相同的步骤对被试者背部拍摄14000张图片(此时得到的图像为光裸图像)。根据医师在被试者上标记对采集到的光裸图像(即去除掉贴纸标记后拍摄的图像，需保持与之前拍摄姿势一样)数据建立对应的脊柱节段真实位置标签。
4、将14000(即去除标记贴纸的光裸图像，贴纸只是用于数据集标记，训练时都是采用光裸图像)按照90：9：1的比例随机分类，90％的标定图片作为训练集，9％的标定图片作为验证集，1％的标定图片作为测试集，其中，验证集会参与训练过程，而测试集则是作为模型训练完成后的检验。
在构建数据集的过程中本发明不是依靠肉眼直接在拍摄的到的图片进行标注，而是真人实际的测量标记后进行数据采集并标注，这样数据标注的方式会使得实验结果更加准确。
步骤S30、根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，其中，所述数据集包括训练集、验证集以及测试集。
本发明通过将预训练得到的模型在步骤S20构建的训练集上再次进行训练，得到最终的脊柱检测和节段定位网络。
具体地，将所述训练集和所述脊柱节段真实位置标签输入至所述预训练模型，通过所述预训练模型对所述训练集进行高通滤波处理，得到高频信息。
可以理解的是，本发明对输入图像(即训练集)进行高频信息增强处理，通过使用高通滤波的方式，将得到的高频信息与原图叠加。
针对背部这种弱特征位置，使用高频信息(高频信息是图片上一些纹理特征强的信息，一般包含角点，边缘这些，有点类似于对图像使用锐化功能，一些信息就会被突出)能够提升网络模型的健壮性。
将所述高频信息和所述训练集进行叠加处理，得到高频叠加图像；将所述高频叠加图像依次输入至所述卷积下采样块和所述联合处理块，得到输出特征。
如图2所示，卷积下采样块和联合处理块交错排布，总共三组，将处理后的图片(即高频信息与原图叠加后的输出特征)依次输入每组模块。其中，联合处理块包括卷积位置编码模块，用于对全局进行相对位置编码；联合多头处理模块，此模块浅层使用卷积，关注局部领域信息，减少计算量，深层建立self-attention全局依赖，实现图像的特征提取。联合处理块就是指transformer部分，动态位置嵌入是指动态位置编码，一般分为静态和动态，静态是使用确定性公式静态产生的位置编码向量，而通过训练产生的位置编码，为动态位置编码。这种位置编码是以可训练的变量的形式被创建的一个张量。多头关系联系聚合是指设计一个联系矩阵，该矩阵为可学习的，浅层时为每个点也就是token与固定局部邻域内其他点的联系，深层时是全局的。而FFN是一个前馈神经网络。
本发明使用卷积来实现相对位置编码，相比起绝对位置编码可以动态地适应输入图片的分辨率，避免了采用固定输入图像尺寸大小而进行压缩或裁剪，从而导致画面发生形变的问题。
对所述输出特征进行解耦处理，得到多组一维向量，并计算多组所述一维向量的KL散度，得到多个预测脊柱节段定位坐标以及第一损失；计算多个所述预测脊柱节段定位坐标与对应的所述真实脊柱节段标记位置之间的欧氏距离，得到第二损失；对所述输出特征进行目标区域角点坐标回归计算，得到脊柱的预测目标区域，并计算所述预测目标区域与真实目标区域之间的重合程度，得到第三损失；计算所述预测目标区域中预测角点坐标与真实角点坐标之间的损失值，得到第四损失；将所述第一损失、所述第二损失、所述第三损失以及所述第四损失进行累加处理，得到所述总损失数据；
如图3所示，本发明对于总损失数据计算的步骤如下：1、将输出的特征X进行x与y的解耦(这里的x和y是指坐标的x和y，假设尺寸为256*512的图片上，原本一个点的坐标(123，334)需要一个256*512大小的矩阵来表示，而现在分成两个一维向量只需要一个256的onehot向量和一个512的onehot向量)。
2、当解耦完成后，获得n组一维向量，每组向量包含x向量和y向量，n的数量与待预测点数维度一致，将多组一维向量输入多头heatmap模块，计算向量的KL散度，得到损失L1，并输出每个待预测点(即待测脊柱节段)的坐标值。本发明在预测关键点时对坐标x和y进行了解耦，实现了计算量的简化，同时有效降低了量化误差。
3、计算预测结果与真值的欧氏距离，得到MSE损失，为损失L2。可见本发明采用的损失函数设计全面，既使用散度又使用重合率的倒数和MSE。
4、将输出的特征X进行IOU感兴趣区域(交并比，IOU Intersection-over-Union，目标检测中使用的一个概念是产生的候选框(candidate bound)与原标记框(groundtruth bound)的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1)的筛选(最终结果可能会得到多个框，针对IOU设置一定的阈值，当IOU大于这个阈值的时候，框可以保留，然后针对过滤完的框计算框重叠部分，也就是交集部分占并集部分的比，选择最大的保留，作为最终的预测框)，然后经过一个MLP(多层感知机)进行目标区域角点坐标的回归，计算预测目标区域与标注框的重合程度，记录其倒数为损失L3。
5、计算对应角点之间MSE(损失函数)损失，为损失L4。
6、总损失即为L1、L2、L3、L4相加。
根据所述总损失数据对所述预训练模型进行迭代训练，直到所述总损失数据小于预设阈值时，停止迭代训练。
不断训练迭代直至总损失L低于预设阈值，网络收敛，综上，本发明联合卷积和transform方法实现的脊柱检测和节段定位，结合两种方法的优点，减少网络整体计算量，从而能够实现网络的轻量化，继而实现实时检测。
根据所述验证集对迭代完成后的预训练模型进行验证，当验证通过时，得到所述最终脊柱检测和节段定位网络。
其中，本发明中的验证集使用的是真实人体数据，数据来源于我国健康正常人，数据具有真实性，符合我国人体形态特点，具有代表性。
进一步的，根据所述测试集对所述最终脊柱检测和节段定位网络进行性能测试，并输出测试结果，其中，所述测试结果包括测试脊柱位置检测框坐标和测试脊柱节段定位坐标；根据所述测试脊柱位置检测框坐标和所述测试脊柱节段定位坐标计算所述最终脊柱检测和节段定位网络的准确率，并根据所述准确率对所述最终脊柱检测和节段定位网络进行模型微调。
本发明使用测试集对模型性能进行测试评价，最后输出结果(即测试脊柱位置检测框坐标和测试脊柱节段定位坐标)。评价指标为准确率，即在测试集中脊柱检测和节段定位的准确率，准确率越高说明定位的效果越好，主要包含准确百分比和平均像素误差距离两个评判标准。
步骤S40、获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
获取用户的输入方式，输入方式包括图片、视频或实时摄像头输入，如果是图像则直接输入网络(即最终脊柱检测和节段定位网络)进行脊柱识别和节段定位预测，如果是视频或实时摄像头，则需要将视频流进行切帧处理，按照顺序依次将切帧完的图片输入最终脊柱检测和节段定位网络，进行脊柱识别和节段定位预测。
针对输入的当前背部图像，最终脊柱检测和节段定位网络对当前背部图像会进行特征点提取，经过热力图回归后，获得脊柱的位置检测框坐标(一个竖条的长方形矩阵)和脊柱节段定位坐标。
具体地，获取所述当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，并通过所述最终脊柱检测和节段定位网络对所述当前背部图像进行特征点提取，得到所述当前背部图像对应的当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
获取所述当前脊柱位置检测框坐标对应的脊柱框锚点，并将所述脊柱框锚点(脊柱位置检测所得到的长方形矩阵的左上角和右下角坐标)和所述当前脊柱节段定位坐标在所述当前背部图像上进行显示。
针对图像输入，将脊柱框锚点和脊柱节段定位坐标在对应的图像上进行显示，针对视频输入，将脊柱框锚点和脊柱节段定位坐标在对应的切帧后图像上进行显示，并将切帧后的视频重新组合为一个视频，针对实时摄像头输入，将脊柱框锚点和脊柱节段定位坐标在当前输入图像上直接实时显示。如图4所示，图4中即为当前背部图像经过最终脊柱检测和节段定位网络的预测结果，其中，图4的横纵坐标是图片尺寸，这个图片的像素是1280*720，红色是脊柱节段预测值，绿色是真实的脊柱节段标记值，皮肤显现蓝色是图片的rgb通道反转为bgr了。
本发明对人体背部进行检测，基于背部图像作为输入，采用关键点检测网络，将人体的脊柱节段全部进行精准定位。本发明联合卷积和transform的优点，对背部这种表面光滑的弱特征部位进行脊柱定位，能够同时考虑人的身体形状这种全局特征和脊柱节段周围这种局部特征，定位精度高，能够同时实现脊柱的检测和节段定位功能。
本发明基于实时拍摄的RGB画面，对人体背部进行单阶段的脊柱识别和节段精确定位，结合了卷积和transform的优点，同时能够兼顾图像的整体和局部特征，在精度上为毫米级别的精度。由于网络参数量较小，既能够实现图片定位，又能够实现视频流输入实时定位，有效减少了计算量，能够实现网络轻量化，从而实现实时检测。从需求上出发本发明可以搭载于手机或其他移动端设备上，轻松实现用户实时脊柱定位检测，无需搭配其他额外的工具进行配合使用，不仅节约了成本，而且实现起来方便快捷。
本发明通过构建脊柱检测和节段定位网络，实现了对人体脊柱的检测和节段自动定位。不仅能够有效节约医生时间，节约人力成本，同时还能有效避免主观误差，提高相关领域的诊断和治疗水平。
进一步地，如图5所示，基于上述脊柱检测和节段定位方法，本发明还相应提供了一种脊柱检测和节段定位系统，其中，所述脊柱检测和节段定位系统包括：
预训练模块51，用于获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；
数据集构建模块52，用于获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；
再训练模块53，用于根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；
脊柱位置和脊柱节段定位模块54，用于获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
进一步地，如图6所示，基于上述脊柱检测和节段定位方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图6仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有脊柱检测和节段定位程序40，该脊柱检测和节段定位程序40可被处理器10所执行，从而实现本申请中脊柱检测和节段定位方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述脊柱检测和节段定位方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中脊柱检测和节段定位程序40时实现以下步骤：
获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；
获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；
根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；
获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
其中，所述获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型，具体包括：
获取所述初始脊柱检测和节段定位网络，并获取ImageNet数据集；
根据所述ImageNet数据集对所述初始脊柱检测和节段定位网络的目标检测功能进行预训练处理，得到所述预训练模型。
其中，所述获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集，具体包括：
获取多个背部图像，并在多个所述背部图像对应的真实脊柱节段位置处进行位置标记处理，得到多组所述真实脊柱节段标记位置；
将多个所述背部图像上的多组所述真实脊柱节段标记位置进行去除，得到多组光裸图像，并根据多组所述光裸图像以及多组所述真实脊柱节段标记位置构建所述脊柱节段真实位置标签；
将多组所述光裸图像按预设比例进行分类处理，得到所述数据集。
其中，所述数据集包括训练集、验证集以及测试集；所述根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，具体包括：
将所述训练集和所述脊柱节段真实位置标签输入至所述预训练模型，通过所述预训练模型对所述训练集进行高通滤波处理，得到高频信息；
将所述高频信息和所述训练集进行叠加处理，得到高频叠加图像；
将所述高频叠加图像输入至联合处理模块，输出总损失数据；
根据所述总损失数据对所述预训练模型进行迭代训练，直到所述总损失数据小于预设阈值时，停止迭代训练；
根据所述验证集对迭代完成后的预训练模型进行验证，当验证通过时，得到所述最终脊柱检测和节段定位网络。
其中，所述联合处理模块包括卷积下采样块和联合处理块，其中，所述卷积下采样块和所述联合处理块交错排布；所述将所述高频叠加图像输入至联合处理模块，输出总损失数据，具体包括：
将所述高频叠加图像依次输入至所述卷积下采样块和所述联合处理块，得到输出特征；
对所述输出特征进行解耦处理，得到多组一维向量，并计算多组所述一维向量的KL散度，得到多个预测脊柱节段定位坐标以及第一损失；
计算多个所述预测脊柱节段定位坐标与对应的所述真实脊柱节段标记位置之间的欧氏距离，得到第二损失；
对所述输出特征进行目标区域角点坐标回归计算，得到脊柱的预测目标区域，并计算所述预测目标区域与真实目标区域之间的重合程度，得到第三损失；
计算所述预测目标区域中预测角点坐标与真实角点坐标之间的损失值，得到第四损失；
将所述第一损失、所述第二损失、所述第三损失以及所述第四损失进行累加处理，得到所述总损失数据。
其中，所述根据所述训练集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，之后还包括：
根据所述测试集对所述最终脊柱检测和节段定位网络进行性能测试，并输出测试结果，其中，所述测试结果包括测试脊柱位置检测框坐标和测试脊柱节段定位坐标；
根据所述测试脊柱位置检测框坐标和所述测试脊柱节段定位坐标计算所述最终脊柱检测和节段定位网络的准确率，并根据所述准确率对所述最终脊柱检测和节段定位网络进行模型微调。
其中，所述获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标，具体包括：
获取所述当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，并通过所述最终脊柱检测和节段定位网络对所述当前背部图像进行特征点提取，得到所述当前背部图像对应的当前脊柱位置检测框坐标和当前脊柱节段定位坐标；
获取所述前脊柱位置检测框坐标对应的脊柱框锚点，并将所述脊柱框锚点和所述当前脊柱节段定位坐标在所述当前背部图像上进行显示。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有脊柱检测和节段定位程序，所述脊柱检测和节段定位程序被处理器执行时实现如上所述的脊柱检测和节段定位方法的步骤。
综上所述，本发明提供一种脊柱检测和节段定位方法及相关设备，所述方法包括：获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。本发明通过采用开源的ImageNet数据集来对初始脊柱检测和节段定位网络进行预训练，并构建真实人体脊柱数据集来对预训练完成后的模型进行再训练，以此来获得具有联合卷积和transform的优点的最终脊柱检测和节段定位网络，通过最终脊柱检测和节段定位网络模型能够基于输入的人体背部图像快速检测出人体背部脊柱位置以及实现对脊柱节段的精准定位。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种脊柱检测和节段定位方法，其特征在于，所述脊柱检测和节段定位方法包括：
获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；
获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；
根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；
获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
2.根据权利要求1所述的脊柱检测和节段定位方法，其特征在于，所述获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型，具体包括：
获取所述初始脊柱检测和节段定位网络，并获取ImageNet数据集；
根据所述ImageNet数据集对所述初始脊柱检测和节段定位网络的目标检测功能进行预训练处理，得到所述预训练模型。
3.根据权利要求1所述的脊柱检测和节段定位方法，其特征在于，所述获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集，具体包括：
获取多个背部图像，并在多个所述背部图像对应的真实脊柱节段位置处进行位置标记处理，得到多组所述真实脊柱节段标记位置；
将多个所述背部图像上的多组所述真实脊柱节段标记位置进行去除，得到多组光裸图像，并根据多组所述光裸图像以及多组所述真实脊柱节段标记位置构建所述脊柱节段真实位置标签；
将多组所述光裸图像按预设比例进行分类处理，得到所述数据集。
4.根据权利要求1所述的脊柱检测和节段定位方法，其特征在于，所述数据集包括训练集、验证集以及测试集；所述根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，具体包括：
将所述训练集和所述脊柱节段真实位置标签输入至所述预训练模型，通过所述预训练模型对所述训练集进行高通滤波处理，得到高频信息；
将所述高频信息和所述训练集进行叠加处理，得到高频叠加图像；
将所述高频叠加图像输入至联合处理模块，输出总损失数据；
根据所述总损失数据对所述预训练模型进行迭代训练，直到所述总损失数据小于预设阈值时，停止迭代训练；
根据所述验证集对迭代完成后的预训练模型进行验证，当验证通过时，得到所述最终脊柱检测和节段定位网络。
5.根据权利要求4所述的脊柱检测和节段定位方法，其特征在于，所述联合处理模块包括卷积下采样块和联合处理块，其中，所述卷积下采样块和所述联合处理块交错排布；所述将所述高频叠加图像输入至联合处理模块，输出总损失数据，具体包括：
将所述高频叠加图像依次输入至所述卷积下采样块和所述联合处理块，得到输出特征；
对所述输出特征进行解耦处理，得到多组一维向量，并计算多组所述一维向量的KL散度，得到多个预测脊柱节段定位坐标以及第一损失；
计算多个所述预测脊柱节段定位坐标与对应的所述真实脊柱节段标记位置之间的欧氏距离，得到第二损失；
对所述输出特征进行目标区域角点坐标回归计算，得到脊柱的预测目标区域，并计算所述预测目标区域与真实目标区域之间的重合程度，得到第三损失；
计算所述预测目标区域中预测角点坐标与真实角点坐标之间的损失值，得到第四损失；
将所述第一损失、所述第二损失、所述第三损失以及所述第四损失进行累加处理，得到所述总损失数据。
6.根据权利要求4所述的脊柱检测和节段定位方法，其特征在于，所述根据所述训练集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络，之后还包括：
根据所述测试集对所述最终脊柱检测和节段定位网络进行性能测试，并输出测试结果，其中，所述测试结果包括测试脊柱位置检测框坐标和测试脊柱节段定位坐标；
根据所述测试脊柱位置检测框坐标和所述测试脊柱节段定位坐标计算所述最终脊柱检测和节段定位网络的准确率，并根据所述准确率对所述最终脊柱检测和节段定位网络进行模型微调。
7.根据权利要求1所述的脊柱检测和节段定位方法，其特征在于，所述获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标，具体包括：
获取所述当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，并通过所述最终脊柱检测和节段定位网络对所述当前背部图像进行特征点提取，得到所述当前背部图像对应的当前脊柱位置检测框坐标和当前脊柱节段定位坐标；
获取所述前脊柱位置检测框坐标对应的脊柱框锚点，并将所述脊柱框锚点和所述当前脊柱节段定位坐标在所述当前背部图像上进行显示。
8.一种脊柱检测和节段定位系统，其特征在于，所述脊柱检测和节段定位系统包括：
预训练模块，用于获取初始脊柱检测和节段定位网络，并对所述初始脊柱检测和节段定位网络进行预训练处理，得到预训练模型；
数据集构建模块，用于获取多个背部图像以及对应的多组真实脊柱节段标记位置，并根据多个所述背部图像以及对应的多组所述真实脊柱节段标记位置构建脊柱节段真实位置标签以及数据集；
再训练模块，用于根据所述数据集和所述脊柱节段真实位置标签对所述预训练模型进行再训练处理，得到最终脊柱检测和节段定位网络；
脊柱位置和脊柱节段定位模块，用于获取当前背部图像，将所述当前背部图像输入至所述最终脊柱检测和节段定位网络，输出当前脊柱位置检测框坐标和当前脊柱节段定位坐标。
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脊柱检测和节段定位程序，所述脊柱检测和节段定位程序被所述处理器执行时实现如权利要求1-7任一项所述的脊柱检测和节段定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有脊柱检测和节段定位程序，所述脊柱检测和节段定位程序被处理器执行时实现如权利要求1-7任一项所述的脊柱检测和节段定位方法的步骤。
CN202410193792.2A 2024-02-21 2024-02-21 一种脊柱检测和节段定位方法、系统、终端及存储介质 Pending CN118037669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410193792.2A CN118037669A (zh) 2024-02-21 2024-02-21 一种脊柱检测和节段定位方法、系统、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410193792.2A CN118037669A (zh) 2024-02-21 2024-02-21 一种脊柱检测和节段定位方法、系统、终端及存储介质

Publications (1)

Publication Number Publication Date
CN118037669A true CN118037669A (zh) 2024-05-14

Family

ID=90992841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410193792.2A Pending CN118037669A (zh) 2024-02-21 2024-02-21 一种脊柱检测和节段定位方法、系统、终端及存储介质

Country Status (1)

Country Link
CN (1) CN118037669A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119624998A (zh) * 2024-11-26 2025-03-14 广州柏视医疗科技有限公司 基于深度学习的脊柱分割方法、装置、设备及介质
CN119700257A (zh) * 2025-02-26 2025-03-28 苏州派尼迩医疗科技有限公司 识别手术用体表定位件位置信息变化的方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119624998A (zh) * 2024-11-26 2025-03-14 广州柏视医疗科技有限公司 基于深度学习的脊柱分割方法、装置、设备及介质
CN119624998B (zh) * 2024-11-26 2025-09-30 广州柏视医疗科技有限公司 基于深度学习的脊柱分割方法、装置、设备及介质
CN119700257A (zh) * 2025-02-26 2025-03-28 苏州派尼迩医疗科技有限公司 识别手术用体表定位件位置信息变化的方法及系统

Similar Documents

Publication Publication Date Title
Wang et al. Smartphone-based wound assessment system for patients with diabetes
US20210174505A1 (en) Method and system for imaging and analysis of anatomical features
CN111462049B (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
KR20190028422A (ko) 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법
CN113469942B (zh) 一种ct图像病变检测方法
CN109523551B (zh) 一种获取机器人行走姿态的方法及系统
CN113435236A (zh) 居家老人姿态检测方法、系统、存储介质、设备及应用
CN118037669A (zh) 一种脊柱检测和节段定位方法、系统、终端及存储介质
CN115631155A (zh) 一种基于时空自注意力的骨骼疾病筛查方法
CN114757873A (zh) 肋骨骨折检测方法、装置、终端设备及可读存储介质
CN118570530A (zh) 一种基于深度学习的牙齿图像识别与展示方法及装置
Aggarwal et al. Integrating morphological edge detection and mutual information for nonrigid registration of medical images
Panetta et al. Unrolling post-mortem 3D fingerprints using mosaicking pressure simulation technique
CN113822323A (zh) 脑部扫描图像的识别处理方法、装置、设备及存储介质
US20250054136A1 (en) A computer implemented method, a method and a system
CN119295489A (zh) 基于特征聚合和模态自适应的胰腺图像分割方法及系统
CN119090903A (zh) 基于神经网络的边缘增强多尺度特征融合网络
CN119107492A (zh) 一种基于最大密度投影的ct序列扫描范围高效分类方法
CN111340760A (zh) 基于多任务两级卷积神经网络的膝关节定位方法
CN117315792A (zh) 一种基于卧姿人体测量的实时调控系统
CN110415239B (zh) 图像处理方法、装置、设备、医疗电子设备以及介质
Chang et al. Skin feature point tracking using deep feature encodings
Baheti et al. A novel approach for automatic image stitching of spinal cord MRI images using SIFT
CN118711002B (zh) 期相识别模型的生成方法和图像的识别方法
Wang et al. Camper’s Plane Localization and Head Pose Estimation Based on Multi-View RGBD Sensors

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