Détection de défauts et segmentation d'anomalies dans les radiographies

Les outils basés sur le deep learning détectent et segmentent les anomalies dans les radiographies

X-ray lung segmentation using red heatmapping

Produits connexes

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning

La recherche d'anomalies biologiques dans les radiographies, échographies et IRM nécessitait généralement la flexibilité d'un inspecteur humain. Aujourd'hui, les outils de détection et de segmentation de défauts basés sur le deep learning permettent d'identifier les anomalies dans les images médicales de façon rapide et précise. Qu'il s'agisse de la recherche d'une anomalie spécifique ou de toute différence par rapport à l'aspect normal du corps, Cognex Deep Learning combine la flexibilité d'un inspecteur humain avec la vitesse et la fiabilité d'un système informatique.

L'outil de détection des défauts peut être utilisé pour inspecter une image radiographique médicale ou pour détecter des défauts sur une image ultrasonique simplement en apprenant l'apparence normale d'un objet, y compris ses variations significatives mais tolérables. L'outil de détection des défauts développe un modèle de référence de l'aspect normal d'un organe, ainsi que des types spécifiques d'anomalies, sur la base d'une formation sur un ensemble d'images d'échantillons. Toute anomalie qui s'éloigne de la physiologie normale de la zone ciblée est identifiée comme un défaut pour un diagnostic assisté par ordinateur effectué par un radiologue.

Recommandés Cognex Produits

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex