CN108597604B - 一种基于云数据库的色素障碍性皮肤病分类专家系统 - Google Patents
一种基于云数据库的色素障碍性皮肤病分类专家系统 Download PDFInfo
- Publication number
- CN108597604B CN108597604B CN201810450124.8A CN201810450124A CN108597604B CN 108597604 B CN108597604 B CN 108597604B CN 201810450124 A CN201810450124 A CN 201810450124A CN 108597604 B CN108597604 B CN 108597604B
- Authority
- CN
- China
- Prior art keywords
- skin
- module
- self
- compiled
- program
- 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.)
- Active
Links
Images
Classifications
-
- 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
Abstract
本发明提供了一种基于云数据库的色素障碍性皮肤病分类专家系统,包括有基于云数据库的色素障碍性皮肤病分类专家系统的运行步骤。本发明提供了一种基于云数据库的色素障碍性皮肤病分类专家系统。专家系统能够在一分钟之内,迅速取得客观准确的患者皮肤部位的基本参数。本发明优点;1.本发明的专家系统对亚洲黄种人皮肤能够进行详尽的分类,提出新的更好的皮肤个体差异化属性标准,优于欧美传统的Baumann分类法。2.专家系统能通过手机APP、平板电脑和普通电脑端口,提供于个人服务的、快速简洁、消费低廉、便于理解的个人皮肤病诊断系统。3.专家系统可针对用户皮肤类型提示其禁忌护肤品和药品的成份。
Description
技术领域
本发明涉及一种色素障碍性皮肤病分类专家系统,更具体的是涉及一种基于云数据库的色素障碍性皮肤病分类专家系统。
技术背景
由于环境的恶化以及城市的扩大发展,近年来皮肤病出现攀升趋势。尤其是色素障碍性皮肤病频发,如黄褐斑、白癜风、雀斑、色素痣、咖啡斑、瑞尔黑变病、口周黑子、太田痣、色素性毛表皮痣、泛发黑子病、颜面-颈部毛毛囊性红斑黑变痣、色素性玫瑰糠疹、斑痣、先天性色素痣、褶皱部网状色素异常、蒙古斑、无色素痣、离心性后天性白斑、遗传性对称性色素异常症、贫血痣等。这些病症虽病因不同,但在有的时候,某些病的症状相近,在表面上看很难区分。且不同患者的色素障碍性皮肤病症,对药物的适应性和耐受性,会存在巨大差异。这是患者皮肤个体差异化所致。此差异甚至是皮肤科医生,对此都缺乏一定的认知。因此,极可能会造成护肤品或药品使用错误,皮肤科医生对患者诊疗偏差等问题。例如,有机酸类美白祛斑药物,对皮肤耐受型黄褐斑症的人,会产生很好的效果,但对患有皮肤敏感型黄褐斑、色素性玫瑰糠疹的人,则可能造成刺痛、灼伤甚至催生痤疮,造成严重不良反应。因此,准确地判断和分析色素障碍性皮肤病类型,以及患者的皮肤个体差异化,是诊断和治疗该类疾病的关键。
色素障碍性皮肤病在临床上粗分为色素减退性皮肤病(例如白癜风、老年性白斑)和色素增加性皮肤病(例如黄褐斑、雀斑)。但其实非常之粗略,对临床诊断具体色素障碍性皮肤病,急需深度分类辅助。
因此,要较好的诊断和治疗色素障碍性皮肤病,需基于患者皮肤的个体差异化和准确的皮肤病分类。皮肤的个体差异化在现代皮肤学领域是研究核心,在我国日益扩大的护肤品和美容消费中也起到重要的指导作用。皮肤的个体差异化规则,最初由HelenaRubenstein首先提出,以油水比和刺痛敏感度为自变量,可分为四大类:正常型、混合型、干燥型和易敏型。国内皮肤科以东亚黄种人皮肤油脂分泌活跃程度为自变量,习惯性将皮肤划分为油性、中性和干性三大类。后来发展为油性皮肤、干性皮肤、中性皮肤、混合性皮肤、敏感性皮肤和老化皮肤六大类。近期又引入中医体质论、中医辩证论来描述皮肤的个体差异化。但这实际上,都是非常粗放、实证不足的定性分类方法,已经不适于定量化的现代皮肤学领域。近年来,欧美学术界,根据皮肤颜色对日光照射后的灼伤或晒黑的反应特点,提出Fitzpatrick分型(I-VI),专注于皮肤光感。以及交叉划分出Baumann十六类型,将皮肤的个体差异化细分为OSPW型(油性、敏感性、色素性、易皱性)、OSPT型(油性、敏感性、色素性、紧致性)、DRNW型(干性、耐受性、非色素性、易皱性)等十六种具体类型。
Baumann十六型皮肤模型在欧美国家得到广泛使用,但缺点也明显。第一,它仍是一种比较粗放的模型,肌肤其实每个人都不一样,十六类仍不够细致;第二,肌肤类型和所处环境如日照和空气等相关,一旦变化会有所改变,需不断重新分类;第三,对我国人群而言,Baumann皮肤模型并不大适合。已有国内皮肤研究者通过大量调研,指出Baumann皮肤个体差异化模型与中国人肌肤相差甚远,有些地方几乎无相关性。原因在于亚洲人群的皮肤,属半色素性,黄种人皮肤并不像欧美人种,非白即黑。且黄种人皮肤紧致,但敏感性却又比欧美人大。审美观点上看,我国及周边中华文化圈如日韩等多以白为美,这也要求皮肤模型需对美白度进行细分。因此,针对我国和亚洲人种构造一套更新的、更合适、定量数字化的皮肤个体差异化模型,是非常急需且必要的。
现存的色素障碍性皮肤病诊断,和皮肤个体差异化模型建立的常规方法,主要有三种。第一,是皮肤科诊疗医护人员根据其经验的目测诊断。这非常依赖诊断者本人的知识与经验积累,与其专业水平息息相关。同时又过于主观,甚至有不同水平的皮肤科医生对病患的皮肤个体差异化和皮肤病种类,持不同意见,孰是孰非,这让没有掌握太深专业知识的人难以分辨;第二,是传统的调查问卷形式。消费者需要仔细阅读并填写数十页、近百项与自己皮肤和身体机能相关的各项指标。有些是选择题形式,有些则需要填入具体数据。多数人不太有耐心将其填写完毕,即使填写完毕,里边很多选项需要皮肤科专业知识才能理解,否则会产生偏差;第三,是进行严格的恒温恒湿皮肤采样、表皮细胞培养,以及各皮肤镜、皮肤测试仪的全方位检测,所得数据经权威专家审核判断,最终得到结论。该方法的可信度最高,但也最为繁琐,所需费用昂贵。同时,精度过高的仪器数字解读也是一个大问题,普通人无法通晓弹性指标、血红色素指标、纹理强度指标等等一系列晦涩的专业数值如何与自己皮肤的美白、毛孔紧致、肤龄等联系起来。即使明白一些参数,如含水量,也很难知道55%的含水量和65%的含水量哪个更有利于自己类型的肌肤。同时,皮肤个体差异化模型建立后,也需要不断更新维护,其目的是利用该模型对自己所使用的皮肤药物进行适应性评价。全方位检测实在过于耗时耗力。患者不可能换一个药物就做一次系统的皮肤采样建模。这就迫切需要一种提供于个人服务的、简洁低廉、便于理解的患者皮肤个体差异化模型分类系统,并以此为基础,建立色素障碍性皮肤病分类专家系统。
在当今的互联网加时代,移动终端、计算机和服务器等的计算能力和使用普遍程度已经达到极高点,人脸数据库、皮肤科电子病历、皮肤采样数据库等也普遍建立。如美国耶鲁大学的YALE脸库、剑桥大学ORL脸库、美国国防部FERET脸库、韩国PF01脸库、美国皮肤科EMR电子病历、全美皮肤采样大数据和加拿大生物表皮数据库等。我国尚未有公开的可供个人使用的皮肤数据库。如何对互联网上的数据进行采集和学习,建立智能化较高、能不断进化的皮肤病云数据库,如何利用采集的数据快速而准确的建立色素障碍性皮肤病分类诊断模型,并以完整而易于理解的方式呈现,也是一个需要解决的问题。
发明内容
本发明的目的在于克服原有技术的不足,提供一种基于云数据库的色素障碍性皮肤病分类专家系统,是一种快速皮肤病评价专家系统。针对亚洲黄种人群,以皮肤黑色素光密度值、皮肤红色素光密度值、皮肤弹性特征、皮肤相对含水量、皮肤酸碱度值、皮肤油脂密度值、皮肤毛孔半径值、皮肤皱纹强度、皮肤纹理值、皮肤色斑分布值、皮肤色斑强度值、皮肤毛发值、皮肤灰度值、皮肤平滑值、皮肤图像分割四算子(Robert算子、Sobel算子、Prewitt算子、Laplacian算子)、皮肤染菌系数值、皮肤创面系数值、皮肤痤疮系数值、皮肤紫外斑点值、皮肤炎症系数值、皮肤血氧含量百分值等二十余个变量输入专家系统程序。系统会根据人工智能和大数据算法,以及专家经验的程序化和规则化,将皮肤个体差异化首先归到六大基本属性:美白属(白皙性、普通色素性、暗沉性),油水属(油性、中性、干性),敏感属(易过敏性、一般敏感性、耐受性),紧致属(细腻紧致性、一般紧致性、皱纹性、易皱性),色斑属(易起斑性、不易起斑性),染菌属(易染菌性、一般染菌、不易染菌性)。每个属会有两到四个不同的皮肤性归类,这样综合起来,可提供数百种丰富的皮肤个体差异化分类范畴,普通人也非常好理解,并有具体数值和指标说明可供查询。即将原先的简单定性分类,提升至定量数字化,这将大大优于Baumann十六类型的粗放模型。该专家系统的使用,将有利于皮肤科医护人员和患者及时准确的了解脸部肌肤的状态和类别,做出正确诊疗,避免使用不恰当的药物。
本发明解决上述技术问题的技术方案如下:
一种基于云数据库的色素障碍性皮肤病分类专家系统,其包括具有手机与计算机USB接口的小型电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块、输入信号转数字信号模块、人工智能和机器学习模块、皮肤个体差异化模型建立模块、皮肤科专家经验数据库、皮肤科专家规则数据库、皮肤病面部图像云数据库、皮肤药物不良反应云数据库、护肤品化学成份云数据库、数据库自收集和进化模块、皮肤病人工智能诊断输出图形界面、禁忌药物与化学成份提示模块、适宜药物与化学成分提示模块、皮肤病护理提示模块。
一种基于云数据库的色素障碍性皮肤病分类专家系统,它还包括存储器与微处理器,所述存储器通过内部总线与外部通信端口与各数据收集模块联系并收集数据。
所述通信端口至少包括USB接口、网络数据线通信端口、蓝牙通信端口、WIFI通信端口、GSM通信端口、GPRS通信端口中的一种或任意多种。
所述微处理器可为计算机或手机上的CPU,通过建立模块的自编程序进行数据录入与建模处理,同时与各模块和各数据库发生交互。
所述皮肤病人工智能诊断输出图形界面,为计算机或手机上智能操作系统运行的自编软件。
所述的小型电子显微模块,包括消色差型40倍放大物镜、与之配套的10倍放大目镜、微型电子摄像机、或与物镜配套的10倍放大电子目镜(带USB接口与摄像功能)。所有镜头直径不能超过2cm,硬件长度(不带数据线)不能超过3cm,拍照后的图像数据通过通信端口传输至微处理器。所得患者皮肤照片质量不应低于300万像素。所得患者皮肤照片以图片中心点为准,半径为1~3mm的圆形范围内提取图像特征。
所述弹性模量测试模块,包括小型负压真空泵,高精度压力传感器,高精度拉力传感器,直径为1~3mm、长度为1~2cm的圆柱形不锈钢管,或直径为1~3mm、长度为1~2cm的圆柱形PVC管,开启负压真空泵的真空值应在0.01~0.1MPa。所得患者皮肤的压力值与拉力值等皮肤弹性特征,应经过压力传感器和拉力传感器,将信息传入微处理器,并由微处理器转化为数字值,且经过调试和校正后才能使用。
所述微生物快速检测模块,包括美国BactTest型便携式细菌测定仪,定波长荧光仪(激发波长360nm~470nm,发射波长460nm~530nm),邻硝基苯β-D-半乳吡喃糖苷(ONPG)培养基,4-甲基伞形酮-β-D葡萄糖醛酸苷(MUG)培养基,Risym光敏亮度检测二极管(4针),光信号转数字信号转换器。
所述660nm~910nm波长红光红外血红蛋白感应模块,包括660nm波长的红光LED灯管和910nm波长的红外光LED灯管,光信号转数字信号转换器,血氧仪,数字化还原血红蛋白感应曲线,数字化氧合血红蛋白感应曲线,光信号转数字信号转换器。
所述紫外线接收成像模块,包括紫外线光电二极管UVA(315~400nm),紫外线光电二极管UVB(280~315nm),紫外线光电二极管UVC(100~280nm),185nm~260nm波长深紫外探测器,紫外线照相机。拍照后的患者皮肤紫外线图像数据,通过通信端口传输至微处理器。所得紫外线皮肤照片质量不应低于300万像素。所得患者皮肤照片以图片中心点为准,半径为1~3mm的圆形范围内提取图像特征。
所述红外线接收成像模块,包括红外线发射管IR15-21C/TR8,红外线发射管IR26-51C/L110/TR8,红外线照相机。拍照后的患者皮肤红外线图像数据,通过通信端口传输至微处理器。所得红外线皮肤照片质量不应低于300万像素。所得患者皮肤照片以图片中心点为准,半径为1~3mm的圆形范围内提取图像特征。
所述接触式电导率测试模块,包括便携式电导率仪,便携式pH测试仪,0.1级pH试纸,接触式数字温度计。所得皮肤的表皮温度值、电导率值与pH值等皮肤电化学特征,应经过电传感器和电信号转数字信号转化器,将信息传入微处理器,并由微处理器转化为数字值,且经过调试和校正后才能使用。
所述输入信号转数字信号模块,必须包括模数A/D转换器,IK型标准信号转换器。
所述人工智能和机器学习模块,包括自编的支持向量机分类与回归程序,自编的人工神经网络深度学习程序,自编的偏最小二乘法程序,自编的主成分分析程序,自编的集成学习法Bagging程序,自编的集成学习法Adaboost程序,自编的简单贝叶斯网络算法,自编的决策树算法,自编的遗传进化算法,自编的最近邻算法,自编的随机森林算法,自编的回归树算法。
所述皮肤个体差异化模型建立模块,包括自编的皮肤数据数字化电子表格,自编的皮肤特征数字化电子表格,自编的皮肤分类类型输出电子表格,自编的皮肤分类模型人工智能投票程序,自编的皮肤个体差异化模型调用人工智能和机器学习模块各算法程序,自编的皮肤三维模型程序,自编的图片处理和皮肤特征提取程序。
所述皮肤科专家经验库,包括自行收集的皮肤科重要中文文献217篇,自行收集的皮肤科重要英文文献182篇,上述文献以篇名、关键字和相关病症为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用。
所述皮肤科专家规则数据库,包括自编的色素痣病变特征识别程序ABCDE规则(A:非对称Asymmetry;B:边缘不规则Border irregularity;C:颜色改变Color variation;D:直径Diameter;E:隆起Elevation),自编的疱疹特征识别程序,自编的毛囊炎特征识别程序,自编的黄褐斑特征识别程序,自编的痤疮特征识别程序,自编的白癜风特征识别程序,自编的斑痣特征识别程序,自编的皮炎特征识别程序,自编的色素障碍性皮肤病各特征识别程序。
所述皮肤病面部图像云数据库,包括自行收集编撰的男性患者面部图片肌肤数据库(现有照片371张),自行收集编撰的女性患者面部肌肤图片数据库(现有照片1655张),上述照片图片以性别、网名、年龄、肌肤部位、具体所患皮肤病症、皮肤测试参数和所属地区等为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用。
所述皮肤药物不良反应云数据库,包括根据国家食品药品监督局公布的《国家基本药物目录》中皮肤科药物如炉甘石、氢化可的松等约三十种,以及除此之外的一些常用皮肤病药物二十余种,上述药物根据其名称、剂型、含量、不良反应症状和处理方法等为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用。
所述护肤品化学成份云数据库,包括自行收集编撰的常见化妆品化学成份共195个化合物,根据其命名、含量、CAS号、化学分子式和分子量等化学数据为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用。还包括自编的皮肤科常见外用药电子表格,自编的皮肤科常见口服药电子表格,自编的皮肤科常见注射用药电子表格。上述电子表格以Access数据库文件的形式存储在网络云盘,随时可以调用。
所述数据库自收集和进化模块,是通过调用自编的半监督机器学习程序(主要采用人工神经网络深度学习算法、最近邻算法、简单贝叶斯网络算法和遗传进化算法),对上述的皮肤科专家经验库、皮肤科处方数据库、皮肤科专家规则数据库、皮肤病面部图像云数据库、皮肤药物不良反应云数据库、护肤品化学成份云数据库进行维护和拓展,主要是以算法对通过互联网搜索引擎Google、百度上更新的资料和图片,以及后续不断收集的数据、图片和文献等进行归类分析,整理至服务器的文件夹,以方便后续人工处理和皮肤科专家进行审核入库。
所述皮肤病人工智能诊断输出图形界面,包括手机上自编的APP软件程序和计算机上自编的Windows软件程序,这两个程序能分别在手机的ISO、安卓系统和计算机的Windows系统上独立运行整个专家系统,并在各自平台上以图形界面的形式输出皮肤个体差异化模型和皮肤病人工智能诊断结果。
所述禁忌药物与化学成份提示模块,包括自编的对应皮肤基本属中的小类别,所对应的禁忌药物与化学成份电子表格,在皮肤个体差异化建模后会向用户发送其皮肤所属类别的这部分禁忌药物与化学成份文本。该模块中的数据,以皮肤药物不良反应云数据库、护肤品化学成份云数据库为基础。
所述适宜药物与化学成分提示模块,包括自编的对应皮肤基本属中的小类别,所对应的适宜药物与化学成份电子表格,在皮肤个体差异化建模后会向用户发送其皮肤所属类别的这部分适宜药物与化学成份文本。该模块中的数据,以皮肤药物不良反应云数据库、护肤品化学成份云数据库为基础。
所述皮肤病护理提示模块,包括自编的对应皮肤基本属中的小类别,所对应的皮肤护理小常识、方法和方案电子表格,根据不同地方和该地空气湿度,大气参数和紫外线强度等对用户进行提示文本的电子表格,在皮肤个体差异化建模后会向用户发送健康护理提示文本。
一种基于云数据库的色素障碍性皮肤病分类专家系统,其运行步骤如下:
(1)专家系统预处理:将皮肤病面部图像云数据库中的数据取出,并进行皮肤基本属中的小类别的标识,利用皮肤科专家经验数据库、皮肤科专家规则数据库、构造出输入变量、皮肤基本类别的电子表格。
(2)皮肤个体差异化模型建立:利用皮肤病面部图像云数据库中数据构造出的输入变量,调用人工智能和机器学习模块进行初步建模,接着调用皮肤个体差异化模型建立模块,通过皮肤科医生和专家对分类结果的精确度进行投票,选择支持向量机分类程序、人工神经网络深度学习程序、偏最小二乘法程序、主成分分析程序、集成学习法Bagging程序、集成学习法Adaboost程序、简单贝叶斯网络算法程序、决策树算法程序、遗传进化算法程序、最近邻算法程序、随机森林算法程序或回归树算法程序中的一种或几种,作为某个皮肤基本属,即美白属(白皙性、普通色素性、暗沉性),油水属(油性、中性、干性),敏感属(易过敏性、一般敏感性、耐受性),紧致属(细腻紧致性、一般紧致性、皱纹性、易皱性),色斑属(易起斑性、不易起斑性)和染菌属(易染菌性、一般染菌性、不易染菌性)的分类器。
(3)多模块获取用户皮肤数值参数:通过小型电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块、输入信号转数字信号模块进行快速收集某用户的具体皮肤数据,其中包括皮肤显微彩色和灰度清晰图片、各个弹性模量值、皮肤每平方毫米菌值以及可能菌类、皮肤血氧含量、皮肤紫外成像清晰图片、皮肤红外成像清晰图片、皮肤电导率、皮肤表层温度、皮肤pH值。上述数据需在输入信号转数字信号模块进行转化,其中图片格式统一转化为BMP格式。
(4)将皮肤数值参数代入皮肤个体差异化模型:用户皮肤数值参数取得后,不能直接使用,比如BMP格式图片,所含信息量太大。需调用皮肤个体差异化模型建立模块中的图片处理与皮肤特征提取程序,将电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm~910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块传送的数值,整理为皮肤黑色素光密度值、皮肤红色素光密度值、皮肤弹性特征值、皮肤相对含水量、皮肤酸碱度值、皮肤油脂密度值、皮肤毛孔半径值、皮肤皱纹强度、皮肤纹理值、皮肤色斑分布值、皮肤色斑强度值、皮肤毛发值、皮肤灰度值、皮肤平滑值、皮肤图像分割四算子特征值、皮肤染菌系数值、皮肤创面系数值、皮肤痤疮系数值、皮肤紫外斑点值、皮肤炎症系数值、皮肤血氧含量百分值等二十四个建模特征变量。然后将这些特征变量代入预先建立的皮肤个体差异化模型中,经机器学习的分类器计算,即可得到用户皮肤所属的具体皮肤差异化类型。以此为基础,可更好诊断色素障碍性皮肤病分类。
(5)专家系统分类后处理:在得到用户皮肤所属的类型后,所识别的皮肤图片和二十四个建模特征变量,还需调用皮肤科专家规则数据库,对其色素痣病变特征、疱疹特征、毛囊炎特征、黄褐斑特征、痤疮特征、白癜风特征、斑痣特征、皮炎特征、色素障碍性皮肤病各特征等进行识别。根据用户皮肤所属类型和皮肤科特征识别,调用皮肤病人工智能诊断输出图形界面,告知用户其皮肤个体差异化类型和可能的皮肤病变。调用禁忌药物与化学成份提示模块,向用户发送其皮肤所属类别的这部分禁忌药物与化学成份文本。调用适宜药物与化学成分提示模块,向用户发送其皮肤所属类别的这部分适宜药物与化学成份文本。调用皮肤健康护理提示模块,向用户发送其皮肤所属类别的这部分健康护理提示文本。基本完成色素障碍性皮肤病分类和人工智能诊断。
(6)专家系统自动进化:通过人机对话,询问用户是否愿意将其个人数据(包括皮肤照片,各测试参数,皮肤模型),在去除私隐信息后,保留至皮肤病面部图像云数据库中。若用户同意,则上传该数据并更新云数据库。在达到一定的更新数量后,调用数据库自收集和进化模块,对数据库、皮肤个体差异化模型、皮肤病诊断规则进行汇集和更新,从而使专家系统不断进化,分类和分析的准确性越来越高。
本发明具有如下的特点:
本发明的专家系统能够在一分钟之内,迅速取得客观准确的患者皮肤部位的基本参数。
本发明的专家系统对亚洲黄种人皮肤能够进行详尽的个体差异化分类,提出新的更好的皮肤个体差异化属性标准,优于欧美Baumann分类法。
本发明的专家系统能通过手机APP、平板电脑和普通电脑端口,提供于个人服务的、快速简洁、消费低廉、便于理解的个人皮肤病诊断系统。
本发明的专家系统有利于个人用户直接测量评价自己的皮肤个体差异化,并对化妆品、护肤品和皮肤药品的使用起到监测和效果评价作用。
本发明的专家系统可针对用户皮肤类型提示其禁忌护肤品和药品的成份。
本发明的专家系统可针对用户皮肤类型提示其适宜护肤品和药品的成份。
附图说明
图1为本发明一种基于云数据库的色素障碍性皮肤病分类专家系统的结构框图。
具体实施方式
以下结合附图和具体实施例来对本发明的专家系统以及方案应用做进一步的描述,但本发明的保护范围不局限于以下描述。
实施例1:
一种基于云数据库的色素障碍性皮肤病分类专家系统,如图1所示,具体步骤如下:
(1)应某患者曹女士要求,启动专家系统,将当前积累的皮肤病面部图像云数据库中的数据取出,并进行皮肤基本属中的小类别的标识,利用皮肤科专家经验数据库、皮肤科专家规则数据库、构造出输入变量、皮肤基本类别的电子表格。
(2)利用皮肤病面部图像云数据库中数据构造出的输入变量,调用人工智能和机器学习模块进行初步建模,接着调用皮肤个体差异化模型建立模块,通过分析,选择支持向量机为分类器,建立美白属(白皙性、普通色素性、暗沉性),油水属(油性、中性、干性),敏感属(易过敏性、一般敏感性、耐受性),紧致属(细腻紧致性、一般紧致性、皱纹性、易皱性),色斑属(易起斑性、不易起斑性)和染菌属(易染菌性、一般染菌性、不易染菌性)六大基本属性的分类模型。
(3)通过小型电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块、输入信号转数字信号模块进行快速收集曹女士的具体皮肤数据,其中包括皮肤显微彩色和灰度清晰图片、各个弹性模量值、皮肤每平方毫米菌值以及可能菌类、皮肤血氧含量、皮肤紫外成像清晰图片、皮肤红外成像清晰图片、皮肤电导率、皮肤表层温度、皮肤pH值。上述数据需在输入信号转数字信号模块进行转化,其中曹女士的皮肤图片,其格式统一转化为BMP格式。
(4)将曹女士的具体皮肤数值参数,代入皮肤个体差异化模型。调用模块中的图片处理与皮肤特征提取程序,将电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块传送的曹女士皮肤参数数值,整理为皮肤黑色素光密度值、皮肤红色素光密度值、皮肤弹性特征值、皮肤相对含水量、皮肤酸碱度值、皮肤油脂密度值、皮肤毛孔半径值、皮肤皱纹强度、皮肤纹理值、皮肤色斑分布值、皮肤色斑强度值、皮肤毛发值、皮肤灰度值、皮肤平滑值、皮肤图像分割四算子特征值、皮肤染菌系数值、皮肤创面系数值、皮肤痤疮系数值、皮肤紫外斑点值、皮肤炎症系数值、皮肤血氧含量百分值等二十四个建模特征变量。然后将这些特征变量代入所预先建立的模型中,经过支持向量机分类,判定曹女士的皮肤个体差异化为白皙性、油性、一般敏感性、一般紧致性、不易起斑性和易染菌性。
(5)在得到曹女士皮肤所属的类型后,将识别的皮肤图片和二十四个建模特征变量,再调用皮肤科专家规则数据库,对其色素痣病变特征、疱疹特征、毛囊炎特征、黄褐斑特征、痤疮特征、白癜风特征、斑痣特征、皮炎特征、色素障碍性皮肤病各特征等进行识别。发觉曹女士左额处有数处痤疮粉刺凸起。调用皮肤病人工智能诊断输出图形界面,告知曹女士其皮肤类型(白皙性、油性、一般敏感性、一般紧致性、不易起斑性和易染菌性)和可能的皮肤病变(左额痤疮粉刺)。调用禁忌药物与化学成份提示模块,向曹女士列出其皮肤所属类别的禁忌药物与化学成份,如强效去角质磨砂膏含氧化铝颗粒等。调用适宜药物与化学成分提示模块,向曹女士列出其皮肤所属类别的这部分适宜药物与化学成份,如低浓度氯霉素等。调用皮肤病护理提示模块,向曹女士发送其皮肤所属类别的这部分健康护理提示文本。
(6)最后专家系统通过与曹女士的人机对话,询问曹女士是否愿意将其个人数据(包括皮肤照片,各测试参数,皮肤模型),在去除私隐信息后,完整保留至皮肤病面部图像云数据库中。曹女士表示同意。故上传该数据并更新云数据库。关闭专家系统。
实施例2:
一种基于云数据库的色素障碍性皮肤病分类专家系统,具体步骤如下:
(1)应某患者杨先生要求,启动专家系统,将当前积累的皮肤病面部图像云数据库中的数据取出,并进行皮肤基本属中的小类别的标识,利用皮肤科专家经验数据库、皮肤科专家规则数据库、构造出输入变量、皮肤基本类别的电子表格。
(2)利用皮肤病面部图像云数据库中数据构造出的输入变量,调用人工智能和机器学习模块进行初步建模,接着调用皮肤个体差异化模型建立模块,通过分析,选择深度学习人工神经网络为分类器,建立美白属(白皙性、普通色素性、暗沉性),油水属(油性、中性、干性),敏感属(易过敏性、一般敏感性、耐受性),紧致属(细腻紧致性、一般紧致性、皱纹性、易皱性),色斑属(易起斑性、不易起斑性)和染菌属(易染菌性、一般染菌性、不易染菌性)六大基本属性的分类模型。
(3)通过小型电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块、输入信号转数字信号模块进行快速收集杨先生的具体皮肤数据,其中包括皮肤显微彩色和灰度清晰图片、各个弹性模量值、皮肤每平方毫米菌值以及可能菌类、皮肤血氧含量、皮肤紫外成像清晰图片、皮肤红外成像清晰图片、皮肤电导率、皮肤表层温度、皮肤pH值。上述数据需在输入信号转数字信号模块进行转化,其中杨先生的皮肤图片,其格式统一转化为BMP格式。
(4)将杨先生的具体皮肤数值参数,代入皮肤分类模型。调用皮肤分类模型建立模块中的图片处理与皮肤特征提取程序,将电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块传送的杨先生皮肤参数数值,整理为皮肤黑色素光密度值、皮肤红色素光密度值、皮肤弹性特征值、皮肤相对含水量、皮肤酸碱度值、皮肤油脂密度值、皮肤毛孔半径值、皮肤皱纹强度、皮肤纹理值、皮肤色斑分布值、皮肤色斑强度值、皮肤毛发值、皮肤灰度值、皮肤平滑值、皮肤图像分割四算子特征值、皮肤染菌系数值、皮肤创面系数值、皮肤痤疮系数值、皮肤紫外斑点值、皮肤炎症系数值、皮肤血氧含量百分值等二十四个建模特征变量。然后将这些特征变量代入所预先建立的模型中,经过深度学习人工神经网络分类器的计算,判定杨先生的皮肤类型为暗沉性、油性、耐受性、皱纹性、不易起斑性和易染菌性。
(5)在得到杨先生皮肤所属的类型后,将识别的皮肤图片和二十四个建模特征变量,再调用皮肤科专家规则数据库,对其色素痣病变特征、疱疹特征、毛囊炎特征、黄褐斑特征、痤疮特征、白癜风特征、斑痣特征、皮炎特征、色素障碍性皮肤病各特征等进行识别。发觉杨先生脸颊下方可能存在微小斑痣症状。调用皮肤病人工智能诊断输出图形界面,告知杨先生其皮肤类型(暗沉性、油性、耐受性、皱纹性、不易起斑性和易染菌性)和可能的皮肤病变(脸颊下方斑痣)。调用禁忌药物与化学成份提示模块,向杨先生列出其皮肤所属类别的禁忌药物与化学成份,如NSAIDS(非甾体类消炎药)等。调用适宜药物与化学成分提示模块,向杨先生列出其皮肤所属类别的这部分适宜药物与化学成份,如维生素E和反式虾青素等。调用皮肤病护理提示模块,向杨先生发送其皮肤所属类别的这部分健康护理提示文本。
(6)最后专家系统通过与杨先生的人机对话,询问杨先生是否愿意将其个人数据(包括皮肤照片,各测试参数,皮肤模型),在去除私隐信息后,完整保留至皮肤病面部图像云数据库中。杨先生表示不同意。故删除该数据,关闭专家系统。
Claims (2)
1.一种基于云数据库的色素障碍性皮肤病分类专家系统,其包括小型电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块、输入信号转数字信号模块、人工智能和机器学习模块、皮肤个体差异化模型建立模块、皮肤科专家经验数据库、皮肤科专家规则数据库、皮肤病面部图像云数据库、皮肤药物不良反应云数据库、护肤品化学成份云数据库、数据库自收集和进化模块、皮肤病人工智能诊断输出图形界面、禁忌药物与化学成份提示模块、适宜药物与化学成分提示模块、皮肤病护理提示模块;所述小型电子显微模块是具有手机或计算机USB接口的小型电子显微模块;
一种基于云数据库的色素障碍性皮肤病分类专家系统,它还包括存储器与微处理器,所述存储器通过内部总线与外部通信端口与各数据收集模块联系并收集数据;
所述外部通信端口至少包括USB接口、网络数据线通信端口、蓝牙通信端口、WIFI通信端口、GSM通信端口、GPRS通信端口中的一种或任意多种;
所述微处理器可为计算机或手机上的CPU,通过皮肤个体差异化模型建立模块的自编程序,进行数据录入与建模处理,并且实时与各模块和各数据库发生交互;
所述皮肤病人工智能诊断输出图形界面,为计算机或手机上智能操作系统运行的自编软件;
所述的小型电子显微模块,包括消色差型40倍放大物镜、与之配套的10倍放大目镜、微型电子摄像机、或与物镜配套的10倍放大带USB接口与摄像功能的电子目镜;所有镜头直径不能超过2cm,不带数据线的硬件长度,不能超过3cm,拍照后的图像数据通过通信端口传输至微处理器,所得患者皮肤照片质量不应低于300万像素,所得皮肤照片以图片中心点为准,半径为1~3mm的圆形范围内提取图像特征;
所述弹性模量测试模块,包括小型负压真空泵,高精度压力传感器,高精度拉力传感器,直径为1~3mm、长度为1~2cm的圆柱形不锈钢管,或直径为1~3mm、长度为1~2cm的圆柱形PVC管,开启负压真空泵的真空值应在0.01-0.1MPa;所得皮肤的包括压力值与拉力值的皮肤弹性特征,应经过压力传感器和拉力传感器,将信息传入微处理器,并由微处理器转化为数字值,且经过调试和校正后才能使用;
所述微生物快速检测模块,包括美国BactTest型便携式细菌测定仪、激发波长360nm-470nm,发射波长460nm-530nm的定波长荧光仪、邻硝基苯β-D-半乳吡喃糖苷(ONPG)培养基、4-甲基伞形酮-β-D葡萄糖醛酸苷(MUG)培养基、Risym光敏亮度检测二极管(4针)、光信号转数字信号转换器;
所述660nm~910nm波长红光红外血红蛋白感应模块,包括660nm波长的红光LED灯管和910nm波长的红外光LED灯管,光信号转数字信号转换器,血氧仪,数字化还原血红蛋白感应曲线模型,数字化氧合血红蛋白感应曲线模型,光信号转数字信号转换器;
所述紫外线接收成像模块,包括315~400nm紫外线光电二极管UVA、280~315nm紫外线光电二极管UVB、100~280nm紫外线光电二极管UVC、185nm~260nm波长深紫外探测器、紫外线照相机;拍照后的紫外线图像数据通过通信端口传输至微处理器;所得紫外线皮肤照片质量不应低于300万像素;所得皮肤照片以图片中心点为准,半径为1~3mm的圆形范围内提取图像特征;
所述红外线接收成像模块,包括红外线发射管IR15-21C/TR8,红外线发射管IR26-51C/L110/TR8,红外线照相机;拍照后的红外线图像数据通过通信端口传输至微处理器;所得红外线皮肤照片质量不应低于300万像素;所得皮肤照片以图片中心点为准,半径为1~3mm的圆形范围内提取图像特征;
所述接触式电导率测试模块,包括便携式电导率仪、便携式pH测试仪、0.1级pH试纸、接触式数字温度计;所得皮肤的包括表皮温度值、电导率值与pH值的皮肤电化学特征,应经过电传感器和电信号转数字信号转化器,将信息传入微处理器,并由微处理器转化为数字值,且经过调试和校正后才能使用;
所述输入信号转数字信号模块,包括模数A/D转换器、IK型标准信号转换器;
所述人工智能和机器学习模块,包括自编的支持向量机分类与回归程序、自编的人工神经网络深度学习程序、自编的偏最小二乘法程序、自编的主成分分析程序、自编的集成学习法Bagging程序、自编的集成学习法Adaboost程序、自编的简单贝叶斯网络算法、自编的决策树算法、自编的遗传进化算法、自编的最近邻算法、自编的随机森林算法、自编的回归树算法;
所述皮肤个体差异化模型建立模块,包括自编的皮肤数据数字化电子表格、自编的皮肤特征数字化电子表格、自编的皮肤分类类型输出电子表格、自编的皮肤分类模型人工智能投票程序、自编的皮肤分类调用人工智能和机器学习模块各算法程序、自编的皮肤三维模型程序、自编的图片处理和皮肤特征提取程序;
所述皮肤科专家经验数据库,包括自行收集的皮肤科重要中文文献217篇,自行收集的皮肤科重要英文文献182篇,上述文献以篇名、关键字和相关病症为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用;
所述皮肤科专家规则数据库,包括自编的色素痣病变特征识别程序ABCDE规则(A:非对称Asymmetry;B:边缘不规则Border irregularity;C:颜色改变Color variation;D:直径Diameter;E:隆起Elevation)、自编的疱疹特征识别程序、自编的毛囊炎特征识别程序、自编的黄褐斑特征识别程序、自编的痤疮特征识别程序、自编的白癜风特征识别程序、自编的斑痣特征识别程序、自编的皮炎特征识别程序、自编的色素障碍性皮肤病各特征识别程序;
所述皮肤病面部图像云数据库,包括自行收集编撰的男性患者面部图片肌肤数据库,自行收集编撰的女性患者面部肌肤图片数据库,图片以性别、网名、年龄、肌肤部位、具体所患皮肤病症、皮肤测试参数和所属地区为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用;
所述皮肤药物不良反应云数据库,包括根据国家食品药品监督局公布的《国家基本药物目录》中皮肤科药物三十种,以及除此之外的一些常用皮肤病药物二十种,上述药物根据其名称、剂型、含量、不良反应症状和处理方法为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用;
所述护肤品化学成份云数据库,包括自行收集编撰的化妆品化学成份共195个化合物,根据其命名、含量、CAS号、化学分子式和分子量化学数据为索引,制成Access数据库文件的形式存储在网络云盘,随时可以调用;还包括自编的皮肤科常见外用药电子表格、自编的皮肤科常见口服药电子表格、自编的皮肤科常见注射用药电子表格;上述电子表格以Access数据库文件的形式存储在网络云盘,随时可以调用;
所述数据库自收集和进化模块,是通过调用自编的半监督机器学习程序,主要采用人工神经网络深度学习算法、最近邻算法、简单贝叶斯网络算法和遗传进化算法,对皮肤科专家经验数据库、皮肤科处方数据库、皮肤科专家规则数据库、皮肤病面部图像云数据库、皮肤药物不良反应云数据库、护肤品化学成份云数据库进行维护和拓展,主要是以算法对通过互联网搜索引擎Google、百度上更新的资料和图片,以及后续不断收集的数据、图片和文献进行归类分析,整理至服务器的文件夹,以方便后续人工处理和皮肤科专家进行审核入库;
所述皮肤病人工智能诊断输出图形界面,包括手机上自编的APP软件程序和计算机上自编的Windows软件程序,这两个程序能分别在手机的ISO、安卓系统和计算机的Windows系统上独立运行整个专家系统,并在各自平台上以图形界面的形式输出皮肤个体差异化模型结果和皮肤病人工智能诊断结果;
所述禁忌药物与化学成份提示模块,包括自编的对应皮肤基本属中的小类别,所对应的禁忌药物与化学成份电子表格,在皮肤个体差异化建模后会向用户发送其皮肤所属类别的这部分禁忌药物与化学成份文本,该模块中的数据,以皮肤药物不良反应云数据库、护肤品化学成份云数据库为基础;
所述适宜药物与化学成分提示模块,包括自编的对应皮肤基本属中的小类别,所对应的适宜药物与化学成份电子表格,在皮肤个体差异化建模后会向用户发送其皮肤所属类别的这部分适宜药物与化学成份文本,该模块中的数据,以皮肤药物不良反应云数据库、护肤品化学成份云数据库为基础;
所述皮肤病护理提示模块,包括自编的对应皮肤基本属中的小类别,所对应的皮肤护理小常识、方法和方案电子表格,根据不同地方和该地空气湿度,大气参数和紫外线强度对用户进行提示文本的电子表格,在皮肤分类建模后会向用户发送健康护理提示文本。
2.一种基于云数据库的色素障碍性皮肤病分类专家系统,运行步骤如下:
(1)专家系统预处理:将皮肤病面部图像云数据库中的数据取出,并进行皮肤基本属中的小类别的标识,利用皮肤科专家经验数据库、皮肤科专家规则数据库构造出输入变量、皮肤基本类别的电子表格;
(2)皮肤个体差异化模型建立:利用皮肤病面部图像云数据库中数据构造出的输入变量,调用人工智能和机器学习模块进行初步建模,接着调用皮肤个体差异化模型建立模块,通过皮肤科医生和专家对分类结果的精确度进行投票,选择支持向量机分类程序、人工神经网络深度学习程序、偏最小二乘法程序、主成分分析程序、集成学习法Bagging程序、集成学习法Adaboost程序、简单贝叶斯网络算法程序、决策树算法程序、遗传进化算法程序、最近邻算法程序、随机森林算法程序或回归树算法程序中的一种或几种,作为某个皮肤基本属,即美白属(白皙性、普通色素性、暗沉性),油水属(油性、中性、干性),敏感属(易过敏性、一般敏感性、耐受性),紧致属(细腻紧致性、一般紧致性、皱纹性、易皱性),色斑属(易起斑性、不易起斑性)和染菌属(易染菌性、一般染菌性、不易染菌性)的分类器;
(3)多模块获取用户皮肤数值参数:通过小型电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm-910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块、输入信号转数字信号模块进行快速收集某用户的具体皮肤数据,其中包括皮肤显微彩色和灰度清晰图片、各个弹性模量值、皮肤每平方毫米菌值以及可能菌类、皮肤血氧含量、皮肤紫外成像清晰图片、皮肤红外成像清晰图片、皮肤电导率、皮肤表层温度、皮肤pH值;上述数据需在输入信号转数字信号模块进行转化,其中图片格式统一转化为BMP格式;
(4)将皮肤数值参数代入皮肤个体差异化模型:用户皮肤数值参数取得后,不能直接使用,需调用皮肤个体差异化模型建立模块中的图片处理与皮肤特征提取程序,将电子显微模块、弹性模量测试模块、微生物快速检测模块、660nm~910nm波长红光红外血红蛋白感应模块、紫外线接收成像模块、红外线接收成像模块、接触式电导率测试模块传送的数值,整理为包括皮肤黑色素光密度值、皮肤红色素光密度值、皮肤弹性特征值、皮肤相对含水量、皮肤酸碱度值、皮肤油脂密度值、皮肤毛孔半径值、皮肤皱纹强度、皮肤纹理值、皮肤色斑分布值、皮肤色斑强度值、皮肤毛发值、皮肤灰度值、皮肤平滑值、皮肤图像分割四算子特征值、皮肤染菌系数值、皮肤创面系数值、皮肤痤疮系数值、皮肤紫外斑点值、皮肤炎症系数值、皮肤血氧含量百分值在内二十四个建模特征变量,然后将这些特征变量代入所预先建立的皮肤个体差异化模型中,经过机器学习的分类器计算,即可得到用户皮肤所属的差异化类型,以此为基础,可更好诊断色素障碍性皮肤病分类;
(5)专家系统分类后处理:在得到用户皮肤所属的类型后,所识别的皮肤图片和二十四个建模特征变量,还需调用皮肤科专家规则数据库,对其包括色素痣病变特征、疱疹特征、毛囊炎特征、黄褐斑特征、痤疮特征、白癜风特征、斑痣特征、皮炎特征的色素障碍性皮肤病各特征进行识别,根据用户皮肤所属类型和皮肤科特征识别,调用皮肤病人工智能诊断输出图形界面,告知用户其个体差异化皮肤类型和可能的皮肤病变,调用禁忌药物与化学成份提示模块,向用户发送其皮肤所属类别的这部分禁忌药物与化学成份文本,调用适宜药物与化学成分提示模块,向用户发送其皮肤所属类别的这部分适宜药物与化学成份文本,调用皮肤病护理提示模块,向用户发送其皮肤所属类别部分健康护理提示文本;
(6)专家系统自动进化:通过人机对话,询问用户是否愿意将其个人数据包括皮肤照片,各测试参数,皮肤模型,在去除私隐信息后,保留至皮肤病面部图像云数据库中;若用户同意,则上传该数据并更新云数据库;在达到一定的更新数量后,调用数据库自收集和进化模块,对数据库和皮肤个体差异化模型进行汇集和更新,从而使专家系统不断进化,分类和分析的准确性越来越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450124.8A CN108597604B (zh) | 2018-05-11 | 2018-05-11 | 一种基于云数据库的色素障碍性皮肤病分类专家系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450124.8A CN108597604B (zh) | 2018-05-11 | 2018-05-11 | 一种基于云数据库的色素障碍性皮肤病分类专家系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108597604A CN108597604A (zh) | 2018-09-28 |
CN108597604B true CN108597604B (zh) | 2021-10-26 |
Family
ID=63637321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810450124.8A Active CN108597604B (zh) | 2018-05-11 | 2018-05-11 | 一种基于云数据库的色素障碍性皮肤病分类专家系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108597604B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109464125B (zh) * | 2018-12-27 | 2021-08-24 | 四川大学华西第二医院 | 一种能够无线充电的组织状况监测系统 |
CN109829898B (zh) * | 2019-01-17 | 2023-05-16 | 柳州康云互联科技有限公司 | 一种用于互联网检测中基于神经网络的测量检测系统及方法 |
CN109886923B (zh) * | 2019-01-17 | 2023-05-02 | 柳州康云互联科技有限公司 | 一种用于互联网检测中基于机器学习的测量检测系统及办法 |
CN109935320A (zh) * | 2019-03-21 | 2019-06-25 | 颐保医疗科技(上海)有限公司 | 一种常见皮肤病网络辅助诊断系统 |
CN110084815A (zh) * | 2019-06-03 | 2019-08-02 | 上海孚锐思医疗器械有限公司 | 皮肤过敏判定系统及皮肤过敏判定的方法 |
CN110796648B (zh) * | 2019-10-28 | 2023-06-09 | 南京泓图人工智能技术研究院有限公司 | 一种基于黑色素提取的面部黄褐斑区域自动分割方法 |
CN111552825A (zh) * | 2020-04-15 | 2020-08-18 | 烟台南山学院 | 一种自动评估平面设计质量的装置 |
CN113223707B (zh) * | 2021-05-31 | 2023-04-18 | 杭州康晟健康管理咨询有限公司 | 一种皮肤科疾病预筛选系统 |
CN113425266B (zh) * | 2021-07-09 | 2023-02-28 | 上海市第一人民医院 | 一种基于红外成像的皮肤癌筛查系统 |
CN113506601B (zh) * | 2021-07-13 | 2024-01-16 | 北京美医医学技术研究院有限公司 | 一种基于大数据的皮肤耐受性分析系统 |
CN115440346B (zh) * | 2022-11-07 | 2023-02-24 | 四川大学华西医院 | 基于半监督学习的痤疮分级方法、系统、设备及存储介质 |
CN117392121B (zh) * | 2023-12-07 | 2024-03-08 | 西安鼎福十方网络智能科技有限公司 | 一种基于图像识别的经皮给药治疗控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421357A (zh) * | 2009-10-05 | 2012-04-18 | Elc管理有限责任公司 | 基于传统中医(tcm)原理确定皮肤组成的电脑辅助诊断系统和方法 |
CN103989454A (zh) * | 2013-02-19 | 2014-08-20 | 北京银万特科技有限公司 | 基于移动智能终端的皮肤监测与保养方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8109875B2 (en) * | 2007-01-03 | 2012-02-07 | Gizewski Theodore M | Derma diagnostic and automated data analysis system |
US20110150328A1 (en) * | 2009-12-21 | 2011-06-23 | Electronics And Telecommunications Research Institute | Apparatus and method for blockiing objectionable image on basis of multimodal and multiscale features |
-
2018
- 2018-05-11 CN CN201810450124.8A patent/CN108597604B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421357A (zh) * | 2009-10-05 | 2012-04-18 | Elc管理有限责任公司 | 基于传统中医(tcm)原理确定皮肤组成的电脑辅助诊断系统和方法 |
CN103989454A (zh) * | 2013-02-19 | 2014-08-20 | 北京银万特科技有限公司 | 基于移动智能终端的皮肤监测与保养方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108597604A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597604B (zh) | 一种基于云数据库的色素障碍性皮肤病分类专家系统 | |
JP5973626B2 (ja) | スペクトル畳み込みに基づく光と物質の相互作用の解析システムおよび方法 | |
US10219736B2 (en) | Methods and arrangements concerning dermatology | |
CN101686819B (zh) | 皮肤成像的系统、装置和方法 | |
RU2422081C2 (ru) | Система, устройство и способ кожного изображения | |
US20140313303A1 (en) | Longitudinal dermoscopic study employing smartphone-based image registration | |
US20150044098A1 (en) | Hyperspectral imaging systems, units, and methods | |
AU2010214017B2 (en) | Skin analysis methods | |
US20100185064A1 (en) | Skin analysis methods | |
US20090245603A1 (en) | System and method for analysis of light-matter interaction based on spectral convolution | |
US20150313532A1 (en) | Method and system for managing and quantifying sun exposure | |
WO2014172671A1 (en) | Physiologic data acquisition and analysis | |
Uzair et al. | Is spectral reflectance of the face a reliable biometric? | |
Aloupogianni et al. | Hyperspectral and multispectral image processing for gross-level tumor detection in skin lesions: a systematic review | |
Aloupogianni et al. | Hyperspectral imaging for tumor segmentation on pigmented skin lesions | |
Lboukili et al. | Automating reflectance confocal microscopy image analysis for dermatological research: a review | |
Chen et al. | Deep learning on reflectance confocal microscopy improves Raman spectral diagnosis of basal cell carcinoma | |
KR20210071392A (ko) | 피부 관리 서비스의 중개 시스템 및 방법 | |
Vasanthakumari et al. | Discrimination of cancerous from benign pigmented skin lesions based on multispectral autofluorescence lifetime imaging dermoscopy and machine learning | |
AU2013201634B2 (en) | System, device and method for dermal imaging | |
Nkengne et al. | The effect of air pollution on the skin colour and tone of Chinese women: A multicentre cohort study | |
KR20210059214A (ko) | 인공 지능에 기반한 피부 진단을 통한 고객 맞춤형 피부 외용제의 제공 방법 | |
Georgievskaya et al. | How artificial intelligence adopts human biases: the case of cosmetic skincare industry | |
Wang et al. | Application of intelligent algorithm in face texture extraction | |
KR20230129662A (ko) | 피부질환 학습을 이용한 피부질환 진단시스템 |
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 |