CN112370078A - 一种基于超声成像和贝叶斯优化的图像检测方法 - Google Patents
一种基于超声成像和贝叶斯优化的图像检测方法 Download PDFInfo
- Publication number
- CN112370078A CN112370078A CN202011247589.7A CN202011247589A CN112370078A CN 112370078 A CN112370078 A CN 112370078A CN 202011247589 A CN202011247589 A CN 202011247589A CN 112370078 A CN112370078 A CN 112370078A
- Authority
- CN
- China
- Prior art keywords
- model
- ultrasonic imaging
- image
- bayesian optimization
- layer
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 230000004199 lung function Effects 0.000 claims abstract description 27
- 210000004072 lung Anatomy 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012285 ultrasound imaging Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 206010035653 pneumoconiosis Diseases 0.000 abstract description 14
- 208000028571 Occupational disease Diseases 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000428 dust Substances 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 206010006322 Breath holding Diseases 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 208000005069 pulmonary fibrosis Diseases 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
Abstract
本发明公开了一种基于超声成像和贝叶斯优化的图像检测方法，涉及图像检测技术领域，在检测矿工肺机能的时候采用了先进的超声成像无损检测手段，同时，在进行超声成像肺机能分析过程中采用贝叶斯优化的KPCANet算法保证了矿工肺机能分析的准确性和可靠性，准确可靠的掌握矿工的肺机能情况有助于准确、及时地掌握矿工的身体健康状态，对于职业性尘肺病早期发现具有重要意义。针对矿工这一特殊群体进行肺部机能检测分析，实现矿工肺部健康状态的准确、实时测量分析，完成职业性尘肺病等部分职业病的前期预警及保障矿工的生命健康。
Description
技术领域
本发明涉及图像检测技术领域，特别涉及一种基于超声成像和贝叶斯优化的图像检测方法。
背景技术
职业性煤工尘肺病(coal worker’s pneumoconiosis，CWP)指的是煤矿作业人员在职业活动中长期吸入生产性粉尘所患职业性尘肺病的总称，这是我国最常见的职业病病种之一。CWP每年新发病例数占我国新发职业病首位,是我国尘肺病单病种的研究热点，CWP的主要病理基础是肺组织弥漫性纤维化，临床表现主要有胸闷、胸痛、气短、咳嗽、咳痰、乏力、呼吸困难等，由于呼吸系统症状逐渐加重，患者活动受限，严重影响患者的生活质量，同时会对患者的生命安全造成严重威胁。
随着煤矿开采深度的不断增加，井下的作业环境条件不断恶化，矿工作业场所的粉尘污染严重，虽然现在生产了一大批的降尘方法和设备，但是呼吸性粉尘仍是危害矿工身体健康的主要因素之一。针对矿工的肺机能进行早期检测可以实现职业性尘肺病的早期判断，提高职业性尘肺病的早期发现率，加深矿工对于肺部健康的认识程度，减少职业性尘肺病给矿工带来的严重负担。
因此，开发针对矿工这一特殊群体的职业性尘肺病的装置及评估方法是必要且重要的，其能够实现矿工肺机能状态的准确、实时测量分析，对于部分尘肺病等职业病的前期预警以及保障矿工的生命健康具有重要的意义。
现有技术中，针对肺机能的检测分析主要是采用，一口气弥散法、重复呼气法以及基于压差式流量传感器测量等方法。一口气弥撒法存在测试时间长、速度慢，整个测试过程需要耗时2-3分钟，而且该方法不适用部分肺活量小的人群。重复呼吸法相较于一口气弥散法，受测试者只需要自然的潮气呼吸就能够完成测试，不用进行屏气，可以测量肺内气体分布不均、低肺活量及屏气时间较短的受测试者。但是，重复呼吸法的测试时间较长，而且测试技术较为复杂。此外，基于压差式流量传感器测量的方式也是肺机能检测中常用的方法之一，该方法操作简单，但是其定标繁琐，而且存在交叉感染的风险。
鉴于此，本发明的目的在于提供一种基于超声成像和贝叶斯优化的图像检测方法，针对矿山作业人员这一特殊群体进行肺部机能的检测分析，实现矿工肺机能的准确、实时检测分析，完成职业性尘肺病的早期预警，保障矿工的生命健康。
发明内容
本发明的目的在于提供一种基于超声成像和贝叶斯优化的图像检测方法，针对矿山作业人员这一特殊群体进行肺部机能的检测分析，实现矿工肺机能的准确、实时检测分析，完成职业性尘肺病的早期预警，保障矿工的生命健康。
本发明提供了一种基于超声成像和贝叶斯优化的图像检测方法，包括以下步骤：
S1：搭建超声成像检测系统；
S2：利用超声成像检测系统采集若干个超声图像信息；
S3：对水样的原始超声成像的图像进行缩放和裁剪处理，得到统一大小的超声图像；
S4：将采集到的超声图像数据按照一定的比例划分为训练集、验证集和测试集；
S5：基于超声成像和贝叶斯优化KPCANet共同建立图像的机能分析模型；
S6：将测试集的数据输入贝叶斯优化KPCANet模型中进行训练，验证集的数据在训练过程中多次使用，监测模型是否出现过拟合的现象，在训练过程中借助贝叶斯优化算法对KPCANet的模型超参数进行不断调整，根据验证集数据的分析效果来最终确定最优的模型超参数，最后将测试集输入最优的模型超参数对应的分析模型来验证图像机能预测的效果，实现图像机能的快速、精准评估检测。
进一步地，所述步骤S1中的超声成像检测系统包括发射通道和接收通道和上位机，其中所述发射通道包括同步脉冲发生器、高频脉冲发生器、和换能器，所述接收通道包含接收换能器、射频放大器、检波及抑制电路和视频放大器。
进一步地，所述步骤S4按照6：2：2的比例将预处理后的N个超声成像的图像数据随机划分成训练集、验证集和测试集。
进一步地，所述步骤S6的具体步骤如下：
S61：模型超参数的初始化：贝叶斯优化KPCANet模型超参数的初始化，初始化参数主要包括第一层滤波器尺寸PatchSize1、第一层滤波器数量NumFilters1、第二层滤波器尺寸PatchSize2、第一层滤波器数量NumFilters2、局部直方图块尺寸HistBlockSize1，HistBlockSize2以及重叠块区域比例BlockOverLapRatio；
S62：模型性能计算：根据初始化的模型超参数，将其确定为KPCANet模型的初始化参数，随后将训练集样本输入该模型用于分析模型的训练，模型训练完毕后，使用验证集样本来初步验证模型的性能，并记录验证集的检测误差率E；
S63：贝叶斯算法优化：将S62中验证集的检测误差率E作为贝叶斯优化算法的适应度函数，分别随机选取一组KPCANet模型超参数作为贝叶斯优化算法的初始种群，根据适应度函数的收敛特性，使得贝叶斯优化算法取得较优的第一层滤波器尺寸PatchSize1、第一层滤波器数量NumFilters1、第二层滤波器尺寸PatchSize2、第一层滤波器数量NumFilters2、局部直方图块尺寸HistBlockSize1，HistBlockSize2以及重叠块区域比例BlockOverLapRatio；
S64：模型更新：通过贝叶斯优化算法得出的较优的KPCANet模型超参数，返回给KPCANet模型；
S65：终止条件判断：判断预测值与实际值之间的误差是否达到要求，如果是则直接退出，否则返回步骤S62继续执行。
进一步地，所述步骤S62中，利用KPCANet模型对超声成像数据分析，其具体步骤如下：
S621：构建第一层KPCA；
S622：利用第一层KPCA的输出构建第二层KPCA；
S623：进行二值化哈希和分块直方图处理；
S624：肺部超声成像特性的SVM分类：将两层KPCANet提取到的肺部超声成像信息的特征输入到SVM分类器中，其中选择Gaussian函数作为SVM的核函数。
进一步地，所述步骤S621构建第一层KPCA的步骤如下：
S6211：将预处理后的超声图像Ii的像素分为k1*k2大小的图像块，经过Patch向量化将所有点信息有序排列起来，记为
S6212：然后将每个图像块矩阵转化成列向量并进行去均值操作得到：
S6213：对所有输入图像进行上述步骤S5211和S5212操作后得到：
S6214：计算输入的核矩阵K1：
K1＝ConstrucKernelMatrix(X) (3)
并将K1中心化得到Kc1，在第一层的滤波器数量为NumFilters1，KPCA算法的目的是提取Kc1的前NumFilters1个最大特征值对应的特征向量作为卷积滤波器：
前NumFilters1个最大特征值对应的特性向量中保留了这些零均值训练样本的主要信息。
进一步地，所述步骤S622构建第二层KPCA的步骤如下：
S6221：计算第一层KPCA的输出：
S6222：在计算卷积映射之前需要对样本进行边缘补零操作，保证映射结果与原图像尺寸相同，如同第一层的采样分块，第二层的输入同样进行采样、级联、零均值化、核映射操作：
K2＝ConstruckernelMatrix(Y) (8)
S6223：将K2中心化得到Kc2，在第二层的滤波器数量为NumFilters2，KPCA算法的目的是提取Kc2的前NumFilters2个最大特征值对应的特征向量作为卷积滤波器：
S6224：第一层有NumFilters1个滤波器核，产生NumFilters1个输出矩阵；对于第一个输出的每一个矩阵，第二层都会相应产生NumFilters2个特征输出；最终，对于每一张输入图片，两层KPCANet会产生NumFilters1*NumFilters2个输出特征矩阵：
进一步地，所述步骤S623进行二值化哈希和分块直方图处理的步骤如下：
S6231：对第二层的每个输出矩阵进行二值化操作，并进行哈希编码，编码位数为NumFilters2：
S6232：将每个矩阵分为B块，统计每个块的直方图特征，再将各个块的直方图进行级联，最终得到扩展的直方图特征：
fi＝[Bhist(Ti 1),…,Bhist(Ti NumFilters1)]T∈R(2NumFilters2)NumFilters1B (12)
进一步地，一种基于超声成像和贝叶斯优化的图像检测方法的检测系统，其特征在于，包括：
采集模块：采集若干个超声图像信息，得到矿工肺部超声成像原始信息的数据库；
图像处理模块：对原始超声成像的图像进行缩放和裁剪处理；
样本划分模块：将采集到的矿工肺部超声图像数据进行智能划分；
肺部机能分析模型：用于对测试集的数据进行训练，并输出验证矿工肺机能预测的效果。
与现有技术相比，本发明具有如下显著优点：
本发明提供了一种基于超声成像和贝叶斯优化的图像检测方法，在检测矿工肺机能的时候采用了先进的超声成像无损检测手段，同时，在进行超声成像肺机能分析过程中采用贝叶斯优化的KPCANet算法保证了矿工肺机能分析的准确性和可靠性，准确可靠的掌握矿工的肺机能情况有助于准确、及时地掌握矿工的身体健康状态，对于职业性尘肺病早期发现具有重要意义。针对矿工这一特殊群体进行肺部机能检测分析，实现矿工肺部健康状态的准确、实时测量分析，完成职业性尘肺病等部分职业病的前期预警及保障矿工的生命健康。
附图说明
图1为本发明实施例提供的一种基于超声成像和贝叶斯优化的图像检测方法的分析流程图；
图2为本发明实施例提供的一种基于超声成像和贝叶斯优化的图像检测方法的系统结构框图；
图3为本发明实施例提供的贝叶斯优化KPCANet模型超参数流程图；
图4为本发明实施例提供的KPCANet算法流程图。
具体实施方式
下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参照图1-4，本发明提供了一种基于超声成像和贝叶斯优化的图像检测方法，包括以下步骤：
S1：搭建超声成像检测系统；
S2：采集矿工的肺部超声图像信息：利用超声成像检测系统采集若干个超声图像信息，得到矿工肺部超声成像原始信息的数据库；
S3：超声图像预处理：对水样的原始超声成像的图像进行缩放和裁剪处理，大小设定为Height×Weight，得到统一大小的肺部超声图像；
S4：样本数据划分：将采集到的矿工肺部超声图像数据按照一定的比例划分为训练集、验证集和测试集；
S5：基于超声成像和贝叶斯优化KPCANet共同建立矿工肺部机能分析模型；
S6：将测试集的数据输入贝叶斯优化KPCANet模型中进行训练，验证集的数据在训练过程中多次使用，监测模型是否出现过拟合的现象，在训练过程中借助贝叶斯优化算法对KPCANet的模型超参数进行不断调整，根据验证集数据的分析效果来最终确定最优的模型超参数，最后将测试集输入最优的模型超参数对应的分析模型来验证矿工肺机能预测的效果，实现矿工肺机能的快速、精准评估检测。
其中，所述步骤S1中矿工肺部的超声成像检测系统包括发射通道和接收通道和上位机，其中所述发射通道包括同步脉冲发生器、高频脉冲发生器、和换能器，所述接收通道包含接收换能器、射频放大器、检波及抑制电路和视频放大器。所述上位机用于矿工肺部超声图像分析。
所述步骤S4按照6：2：2的比例将预处理后的N个矿工肺部超声成像的图像数据随机划分成训练集、验证集和测试集。
实施例1
所述步骤S6的具体步骤如下：
S61：模型超参数的初始化：贝叶斯优化KPCANet模型超参数的初始化，初始化参数主要包括第一层滤波器尺寸PatchSize1、第一层滤波器数量NumFilters1、第二层滤波器尺寸PatchSize2、第一层滤波器数量NumFilters2、局部直方图块尺寸HistBlockSize1，HistBlockSize2以及重叠块区域比例BlockOverLapRatio；
S62：模型性能计算：根据初始化的模型超参数，将其确定为KPCANet模型的初始化参数，随后将训练集样本输入该模型用于分析模型的训练，模型训练完毕后，使用验证集样本来初步验证模型的性能，并记录验证集的检测误差率E；
S63：贝叶斯算法优化：将S62中验证集的检测误差率E作为贝叶斯优化算法的适应度函数，分别随机选取一组KPCANet模型超参数作为贝叶斯优化算法的初始种群，根据适应度函数的收敛特性，使得贝叶斯优化算法取得较优的第一层滤波器尺寸PatchSize1、第一层滤波器数量NumFilters1、第二层滤波器尺寸PatchSize2、第一层滤波器数量NumFilters2、局部直方图块尺寸HistBlockSize1，HistBlockSize2以及重叠块区域比例BlockOverLapRatio；
S64：模型更新：通过贝叶斯优化算法得出的较优的KPCANet模型超参数，返回给KPCANet模型；
S65：终止条件判断：判断预测值与实际值之间的误差是否达到要求，如果是则直接退出，否则返回步骤S62继续执行。
一种基于超声成像和贝叶斯优化的图像检测方法的检测系统，其特征在于，包括：
采集模块：采集若干个超声图像信息，得到矿工肺部超声成像原始信息的数据库；
图像处理模块：对原始超声成像的图像进行缩放和裁剪处理；
样本划分模块：将采集到的矿工肺部超声图像数据进行智能划分；
肺部机能分析模型：用于对测试集的数据进行训练，并输出验证矿工肺机能预测的效果。
实施例2
所述步骤S62中，利用KPCANet模型对矿工肺部超声成像数据分析，其具体步骤如下：
S621：构建第一层KPCA；
S622：利用第一层KPCA的输出构建第二层KPCA；
S623：进行二值化哈希和分块直方图处理；
S624：肺部超声成像特性的SVM分类：将两层KPCANet提取到的肺部超声成像信息的特征输入到SVM分类器中，其中选择Gaussian函数作为SVM的核函数。
实施例3
所述步骤S621构建第一层KPCA的步骤如下：
S6211：将预处理后的超声图像Ii的像素分为k1*k2大小的图像块，经过Patch向量化将所有点信息有序排列起来，记为
S6212：然后将每个图像块矩阵转化成列向量并进行去均值操作得到：
S6213：对所有输入图像进行上述步骤S5211和S5212操作后得到：
S6214：计算输入的核矩阵K1：
K1＝ConstrucKernelMatrix(X) (3)
并将K1中心化得到Kc1，在第一层的滤波器数量为NumFilters1，KPCA算法的目的是提取Kc1的前NumFilters1个最大特征值对应的特征向量作为卷积滤波器：
前NumFilters1个最大特征值对应的特性向量中保留了这些零均值训练样本的主要信息。
实施例4
所述步骤S622构建第二层KPCA的步骤如下：
S6221：计算第一层KPCA的输出：
S6222：在计算卷积映射之前需要对样本进行边缘补零操作，保证映射结果与原图像尺寸相同，如同第一层的采样分块，第二层的输入同样进行采样、级联、零均值化、核映射操作：
K2＝ConstruckernelMatrix(Y) (8)
S6223：将K2中心化得到Kc2，在第二层的滤波器数量为NumFilters2，KPCA算法的目的是提取Kc2的前NumFilters2个最大特征值对应的特征向量作为卷积滤波器：
S6224：第一层有NumFilters1个滤波器核，产生NumFilters1个输出矩阵；对于第一个输出的每一个矩阵，第二层都会相应产生NumFilters2个特征输出；最终，对于每一张输入图片，两层KPCANet会产生NumFilters1*NumFilters2个输出特征矩阵：
实施例5
所述步骤S623进行二值化哈希和分块直方图处理的步骤如下：
S6231：对第二层的每个输出矩阵进行二值化操作，并进行哈希编码，编码位数为NumFilters2：
S6232：将每个矩阵分为B块，统计每个块的直方图特征，再将各个块的直方图进行级联，最终得到扩展的直方图特征：
fi＝[Bhist(Ti 1)，…，Bhist(Ti NumFilters1)]T∈R(2NumFilters2)NumFilters1B (12)
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，包括以下步骤：
S1：搭建超声成像检测系统；
S2：利用超声成像检测系统采集若干个超声图像信息；
S3：对水样的原始超声成像的图像进行缩放和裁剪处理，得到统一大小的超声图像；
S4：将采集到的超声图像数据按照一定的比例划分为训练集、验证集和测试集；
S5：基于超声成像和贝叶斯优化KPCANet共同建立图像的机能分析模型；
S6：将测试集的数据输入贝叶斯优化KPCANet模型中进行训练，验证集的数据在训练过程中多次使用，监测模型是否出现过拟合的现象，在训练过程中借助贝叶斯优化算法对KPCANet的模型超参数进行不断调整，根据验证集数据的分析效果来最终确定最优的模型超参数，最后将测试集输入最优的模型超参数对应的分析模型来验证图像机能预测的效果，实现图像机能的快速、精准评估检测。
2.如权利要求1所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S1中的超声成像检测系统包括发射通道和接收通道和上位机，其中所述发射通道包括同步脉冲发生器、高频脉冲发生器、和换能器，所述接收通道包含接收换能器、射频放大器、检波及抑制电路和视频放大器。
3.如权利要求1所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S4按照6：2：2的比例将预处理后的N个超声成像的图像数据随机划分成训练集、验证集和测试集。
4.如权利要求1所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S6的具体步骤如下：
S61：模型超参数的初始化：贝叶斯优化KPCANet模型超参数的初始化，初始化参数主要包括第一层滤波器尺寸PatchSize1、第一层滤波器数量NumFilters1、第二层滤波器尺寸PatchSize2、第一层滤波器数量NumFilters2、局部直方图块尺寸HistBlockSize1，HistBlockSize2以及重叠块区域比例BlockOverLapRatio；
S62：模型性能计算：根据初始化的模型超参数，将其确定为KPCANet模型的初始化参数，随后将训练集样本输入该模型用于分析模型的训练，模型训练完毕后，使用验证集样本来初步验证模型的性能，并记录验证集的检测误差率E；
S63：贝叶斯算法优化：将S62中验证集的检测误差率E作为贝叶斯优化算法的适应度函数，分别随机选取一组KPCANet模型超参数作为贝叶斯优化算法的初始种群，根据适应度函数的收敛特性，使得贝叶斯优化算法取得较优的第一层滤波器尺寸PatchSize1、第一层滤波器数量NumFilters1、第二层滤波器尺寸PatchSize2、第一层滤波器数量NumFilters2、局部直方图块尺寸HistBlockSize1，HistBlockSize2以及重叠块区域比例BlockOverLapRatio；
S64：模型更新：通过贝叶斯优化算法得出的较优的KPCANet模型超参数，返回给KPCANet模型；
S65：终止条件判断：判断预测值与实际值之间的误差是否达到要求，如果是则直接退出，否则返回步骤S62继续执行。
5.如权利要求4所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S62中，利用KPCANet模型对超声成像数据分析，其具体步骤如下：
S621：构建第一层KPCA；
S622：利用第一层KPCA的输出构建第二层KPCA；
S623：进行二值化哈希和分块直方图处理；
S624：肺部超声成像特性的SVM分类：将两层KPCANet提取到的肺部超声成像信息的特征输入到SVM分类器中，其中选择Gaussian函数作为SVM的核函数。
6.如权利要求5所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S621构建第一层KPCA的步骤如下：
S6211：将预处理后的超声图像Ii的像素分为k1*k2大小的图像块，经过Patch向量化将所有点信息有序排列起来，记为
S6212：然后将每个图像块矩阵转化成列向量并进行去均值操作得到：
S6213：对所有输入图像进行上述步骤S5211和S5212操作后得到：
S6214：计算输入的核矩阵K1：
K1＝ConstrucKernelMatrix(X) (3)
并将K1中心化得到Kc1，在第一层的滤波器数量为NumFilters1，KPCA算法的目的是提取Kc1的前NumFilters1个最大特征值对应的特征向量作为卷积滤波器：
前NumFilters1个最大特征值对应的特性向量中保留了这些零均值训练样本的主要信息。
7.如权利要求5所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S622构建第二层KPCA的步骤如下：
S6221：计算第一层KPCA的输出：
S6222：在计算卷积映射之前需要对样本进行边缘补零操作，保证映射结果与原图像尺寸相同，如同第一层的采样分块，第二层的输入同样进行采样、级联、零均值化、核映射操作：
K2＝ConstruckernelMatrix(Y) (8)
S6223：将K2中心化得到Kc2，在第二层的滤波器数量为NumFilters2，KPCA算法的目的是提取Kc2的前NumFilters2个最大特征值对应的特征向量作为卷积滤波器：
S6224：第一层有NumFilters1个滤波器核，产生NumFilters1个输出矩阵；对于第一个输出的每一个矩阵，第二层都会相应产生NumFilters2个特征输出；最终，对于每一张输入图片，两层KPCANet会产生NumFilters1*NumFilters2个输出特征矩阵：
8.如权利要求5所述的一种基于超声成像和贝叶斯优化的图像检测方法，其特征在于，所述步骤S623进行二值化哈希和分块直方图处理的步骤如下：
S6231：对第二层的每个输出矩阵进行二值化操作，并进行哈希编码，编码位数为NumFilters2：
S6232：将每个矩阵分为B块，统计每个块的直方图特征，再将各个块的直方图进行级联，最终得到扩展的直方图特征：
fi＝[Bhist(Ti 1),…,Bhist(Ti NumFilters1)]T∈R(2NumFilters2)NumFilters1B (12)。
9.应用权利要求1所述的一种基于超声成像和贝叶斯优化的图像检测方法的检测系统，其特征在于，包括：
采集模块：采集若干个超声图像信息，得到矿工肺部超声成像原始信息的数据库；
图像处理模块：对原始超声成像的图像进行缩放和裁剪处理；
样本划分模块：将采集到的矿工肺部超声图像数据进行智能划分；
肺部机能分析模型：用于对测试集的数据进行训练，并输出验证矿工肺机能预测的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011247589.7A CN112370078B (zh) | 2020-11-10 | 2020-11-10 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011247589.7A CN112370078B (zh) | 2020-11-10 | 2020-11-10 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112370078A true CN112370078A (zh) | 2021-02-19 |
| CN112370078B CN112370078B (zh) | 2024-01-26 |
Family
ID=74578130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011247589.7A Active CN112370078B (zh) | 2020-11-10 | 2020-11-10 | 一种基于超声成像和贝叶斯优化的图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112370078B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030125621A1 (en) * | 2001-11-23 | 2003-07-03 | The University Of Chicago | Automated method and system for the detection of abnormalities in sonographic images |
| US20050197980A1 (en) * | 2004-02-06 | 2005-09-08 | Siemens Medical Solutions Usa, Inc. | System and method for a sparse kernel expansion for a bayes classifier |
| US20060039593A1 (en) * | 2004-05-13 | 2006-02-23 | Paul Sammak | Methods and systems for imaging cells |
| US20100063393A1 (en) * | 2006-05-26 | 2010-03-11 | Queen's University At Kingston | Method for Improved Ultrasonic Detection |
| CN102700569A (zh) * | 2012-06-01 | 2012-10-03 | 安徽理工大学 | 基于图像处理的矿用电机车行人监测方法及报警系统 |
| CN105103163A (zh) * | 2013-03-07 | 2015-11-25 | 火山公司 | 血管内图像中的多模态分割 |
| CN105719285A (zh) * | 2016-01-19 | 2016-06-29 | 东南大学 | 一种基于方向倒角距离特征的行人检测方法 |
| CN105913450A (zh) * | 2016-06-22 | 2016-08-31 | 武汉理工大学 | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 |
| US20170007161A1 (en) * | 2014-03-20 | 2017-01-12 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and device for automatic identification of measurement item and ultrasound imaging apparatus |
| CN106709967A (zh) * | 2016-12-23 | 2017-05-24 | 天津恒宇医疗科技有限公司 | 一种内窥成像算法及控制系统 |
| US20170367766A1 (en) * | 2016-03-14 | 2017-12-28 | Mohamed R. Mahfouz | Ultra-wideband positioning for wireless ultrasound tracking and communication |
| CN108171232A (zh) * | 2017-11-15 | 2018-06-15 | 中山大学 | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 |
| US20180185003A1 (en) * | 2015-05-07 | 2018-07-05 | Shenzhen Mindray Bio-Medical Electronics Co.,Ltd. | Three-dimensional ultrasound imaging method and device |
| CN108257151A (zh) * | 2017-12-22 | 2018-07-06 | 西安电子科技大学 | 基于显著性分析的PCANet图像变化检测方法 |
| CN108509993A (zh) * | 2018-04-02 | 2018-09-07 | 安徽理工大学 | 一种矿井突水激光诱导荧光光谱图像识别方法 |
| CN109035172A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种基于深度学习的非局部均值超声图像去噪方法 |
| CN109087296A (zh) * | 2018-08-07 | 2018-12-25 | 东北大学 | 一种提取ct图像中人体区域的方法 |
| CN109758178A (zh) * | 2017-11-10 | 2019-05-17 | 美国西门子医疗解决公司 | 超声成像中的机器辅助工作流 |
| CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
| CN111222470A (zh) * | 2020-01-09 | 2020-06-02 | 北京航空航天大学 | 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法 |
| CN111297403A (zh) * | 2020-02-25 | 2020-06-19 | 中国矿业大学 | 一种尘肺群体快速精准筛查及早期预警方法 |
-
2020
- 2020-11-10 CN CN202011247589.7A patent/CN112370078B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030125621A1 (en) * | 2001-11-23 | 2003-07-03 | The University Of Chicago | Automated method and system for the detection of abnormalities in sonographic images |
| US20050197980A1 (en) * | 2004-02-06 | 2005-09-08 | Siemens Medical Solutions Usa, Inc. | System and method for a sparse kernel expansion for a bayes classifier |
| US20060039593A1 (en) * | 2004-05-13 | 2006-02-23 | Paul Sammak | Methods and systems for imaging cells |
| US20100063393A1 (en) * | 2006-05-26 | 2010-03-11 | Queen's University At Kingston | Method for Improved Ultrasonic Detection |
| CN102700569A (zh) * | 2012-06-01 | 2012-10-03 | 安徽理工大学 | 基于图像处理的矿用电机车行人监测方法及报警系统 |
| CN105103163A (zh) * | 2013-03-07 | 2015-11-25 | 火山公司 | 血管内图像中的多模态分割 |
| US20170007161A1 (en) * | 2014-03-20 | 2017-01-12 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and device for automatic identification of measurement item and ultrasound imaging apparatus |
| US20180185003A1 (en) * | 2015-05-07 | 2018-07-05 | Shenzhen Mindray Bio-Medical Electronics Co.,Ltd. | Three-dimensional ultrasound imaging method and device |
| CN105719285A (zh) * | 2016-01-19 | 2016-06-29 | 东南大学 | 一种基于方向倒角距离特征的行人检测方法 |
| US20170367766A1 (en) * | 2016-03-14 | 2017-12-28 | Mohamed R. Mahfouz | Ultra-wideband positioning for wireless ultrasound tracking and communication |
| CN105913450A (zh) * | 2016-06-22 | 2016-08-31 | 武汉理工大学 | 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统 |
| CN106709967A (zh) * | 2016-12-23 | 2017-05-24 | 天津恒宇医疗科技有限公司 | 一种内窥成像算法及控制系统 |
| CN109758178A (zh) * | 2017-11-10 | 2019-05-17 | 美国西门子医疗解决公司 | 超声成像中的机器辅助工作流 |
| CN108171232A (zh) * | 2017-11-15 | 2018-06-15 | 中山大学 | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 |
| CN108257151A (zh) * | 2017-12-22 | 2018-07-06 | 西安电子科技大学 | 基于显著性分析的PCANet图像变化检测方法 |
| CN108509993A (zh) * | 2018-04-02 | 2018-09-07 | 安徽理工大学 | 一种矿井突水激光诱导荧光光谱图像识别方法 |
| CN109087296A (zh) * | 2018-08-07 | 2018-12-25 | 东北大学 | 一种提取ct图像中人体区域的方法 |
| CN109035172A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种基于深度学习的非局部均值超声图像去噪方法 |
| CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
| CN111222470A (zh) * | 2020-01-09 | 2020-06-02 | 北京航空航天大学 | 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法 |
| CN111297403A (zh) * | 2020-02-25 | 2020-06-19 | 中国矿业大学 | 一种尘肺群体快速精准筛查及早期预警方法 |
Non-Patent Citations (4)
| Title |
|---|
| FENG HU, MENGRAN ZHOU: "Multispectral Imaging: A New Solution for Identification of Coal and Gangue", 《IEEE》, pages 169697 - 169704 * |
| WENHAO LAI，MENGRAN ZHOU: "A study of Multispectral Technology and Two-dimension Autoencoder for Coal and Gangue Recognition", 《IEEE》, pages 1 - 9 * |
| 刘亚梅 等: "基于KPCANet 的工件图像特征提取研究", 《蚌埠学院学报》, vol. 5, no. 5, pages 22 - 26 * |
| 张银，周孟然: "智能超声波物位仪在井下煤仓监控中的应用", 《煤矿机械》, vol. 28, no. 2, pages 167 - 168 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112370078B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN113052113B (zh) | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 | |
| CN108392211B (zh) | 一种基于多信息融合的疲劳检测方法 | |
| EP3698708A1 (en) | Ecg information processing method and ecg workstation | |
| CN111739641A (zh) | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 | |
| CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
| WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| Tobias et al. | CNN-based deep learning model for chest X-ray health classification using tensorflow | |
| CN116269355B (zh) | 一种基于人物姿态识别的安全监测系统 | |
| CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
| CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
| WO2019001040A1 (zh) | 用于亚裔人群的肺癌检测方法及系统 | |
| CN112370078B (zh) | 一种基于超声成像和贝叶斯优化的图像检测方法 | |
| CN112287036A (zh) | 一种基于谱聚类的离群点检测方法 | |
| CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
| CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
| CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
| CN111012306B (zh) | 基于双神经网络的睡眠呼吸声检测方法及系统 | |
| CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN115886794A (zh) | 多分类器的选取方法、冻结步态检测系统、设备、存储介质 | |
| Saadi et al. | Low-cost ecg monitoring system with classification using deep learning |
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 |