CN108648825B - 一种基于图像识别的白癜风白斑评估方法 - Google Patents
一种基于图像识别的白癜风白斑评估方法 Download PDFInfo
- Publication number
- CN108648825B CN108648825B CN201810536232.7A CN201810536232A CN108648825B CN 108648825 B CN108648825 B CN 108648825B CN 201810536232 A CN201810536232 A CN 201810536232A CN 108648825 B CN108648825 B CN 108648825B
- Authority
- CN
- China
- Prior art keywords
- leucoderma
- hickie
- area
- piclaystic
- connected region
- 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.)
- Expired - Fee Related
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/30088—Skin; Dermal
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于图像识别的白癜风白斑评估方法,具体是涉及采用图像识别技术分析白癜风患者在治疗前后白斑部位皮损面积变化趋势的方法,属于皮损面积分层及测量技术领域。本发明主要是针对现有白斑面积测量方法的不足,提供了一种新颖的图像识别方法以定量测定白癜风的白斑面积大小,同时提出将白斑及其周围色素沉着面积进行分层、统计分析,细化评价白癜风的诊断及治疗效果。本发明仅需拍摄图像并上传至计算机,系统自动识别白斑边界及其周围色素沉着区域,分层并分别计算面积及像素值,便于临床医师评估并指导白癜风治疗。
Description
技术领域
本发明涉及一种基于图像识别的评估方法,具体是涉及采用图像识别技术评估白癜风患者在病情发展以及治疗前后白斑面积变化趋势的方法,属于白癜风白斑评估技术领域。
背景技术
白癜风(Vitiligo)是一种常见的获得性色素脱失性皮肤病,临床表现为病变部位色素脱失,形成白斑,边缘境界较清楚。白斑大小形态不一,可发生于任何部位,但较常见于指背、腕、前臂、面、颈、生殖器及其周围。该病易诊断、难治疗,其疗效评价一直是临床医生十分关注的问题之一。然而,各类临床分型分期指南以及判断标准用“色素较浅或有逐渐变深趋势”,“散在、多发白斑,累及多个部位”,“最近3月内出现新皮损或原皮损扩大”等文字描述了“白癜风白斑分层”,“白癜风白斑区域”和“时间维度”对病情发展以及治疗前后白斑面积的评价的重要性。但是,现在还没有测量和计算方法同时考虑“白癜风白斑分层”,“白癜风白斑区域”和“时间维度”这三个因素从而确定白癜风的病情发展和治疗效果。临床上,对白癜风白斑的评价最常见的方法仍主要依赖于临床经验和通过肉眼观察,缺乏客观和科学的评价指标。如何将白癜风的疗效评价客观化,是目前迫切需要解决的关键问题。
自20世纪80年代以来,在皮肤科白癜风疗效评价领域出现了多种白癜风白斑面积评估方法,包括主观法、半客观法和客观法。主观法主要包括目测法。半客观法包括点计数法和白癜风面积评分指数(VASI)。客观法主要包括比色法,共聚焦激光显微镜(CLM)和基于软件的图像分析,例如计算机图像分析(computer digital image analysis,CDIA),和数码成像结合Image-Pro Plus(IPP)图像处理分析软件等。
目测法主要是通过皮肤科医生的临床经验和肉眼观察进行评估,根据中国中西医结合皮肤性病学会色素病学组有关白癜风的临床分型及疗效标准,分为痊愈、显效、有效和无效。该方法是通过肉眼进行估计,不利于记录和储存数据,主观影响因素大。
白癜风面积评分指数(VASI),是一种衡量色素脱失/再生程度和百分比的较灵敏的方法。VASI利用手掌单位计算白癜风受累面积。VASI总分=∑(所有部位)(手掌单位)×色素脱失百分比。此方法需要经验丰富的医师判断和评估白斑区色素沉着和脱失情况,存在人为误差。
比色法的原理是利用色度计使用三色刺激系统测量表面反射光颜色的一种测量方法。优点是可以定量评估紫外线诱导的红斑和色素沉着、疾病严重程度和治疗效果。缺点是色度计法不能提供关于产生色素沉着的物质信息,并且可以测量的面积较小。
共聚焦激光显微镜,是一种非侵袭性的可以反复成像的方法,能够提供接近细胞组织学真实分辨率的实时图像。但是,其局限性是难以评估更深的色素损伤,特别是对不同深度的皮损区域进行系统研究时十分耗时,同时只能测量面积较小的白斑。
CDIA是利用计算机图像分析系统,将采集到的皮损图片经过抽样、灰度量化等手段转变成计算机能够处理的数字信号,然后根据彩色图像不同颜色之间的差异进行图像分析和处理,根据图像中不同目标的颜色或灰度将所要统计处理的部分提取出来,对分割出来的目标在红、绿、蓝3种桢体下的密度和面积进行统计分析。该方法,利用计算机分析系统可以较精确计算出各种形态的皮损面积,提高了评估方法的客观性和科学性。但是因为其不能很好地描绘白斑轮廓,需要人为判断白斑边界,操作繁琐。
数码成像结合IPP是将真实采集的白斑面积转化为像素,以像素为单位反映白斑面积的相对变化,然后用面积已知的白色标签作为参照,以反映真实尺寸和图像尺寸的比例关系,进而推算出所测图像的绝对面积。另外能够通过多种设备获取图像,支持多种文件格式与输入设备,使IPP具有更广泛的数据来源,但是此方法受光线、距离、角度、像素、是否设置为变焦状态、参照标签与白斑间距等多种因素的影响,存在一定的系统误差。
测量治疗前后白癜风白斑面积大小变化是评价白癜风治疗效果的主要方法,目前已有的方法中,存在准确性差、主观因素影响较大、操作繁琐、缺乏客观科学等评价指标,目前没有提出过采用图像识别技术的白癜风白斑分层方法,也没有提出采用分层面积测量数值进行病情发展以及治疗前后白斑面积变化趋势分析的技术。
发明内容
本发明需要解决的问题是针对现有白癜风白斑评估方法的不足,提供了一种基于图像识别的白癜风白斑评估方法,采用色调计算、色阶计算等现有的图像识别技术,通过一定的计算,分层白斑面积,采用两遍扫描法、种子填充法等现有的图像识别技术分析每一层的连通区域并计算连通区域的面积大小,通过对当前白癜风白斑面积分层测量数据和前一次白癜风白斑面积分层测量数据的对比计算分析白癜风的病情发展及治疗效果趋势,以实现对白癜风白斑评估功能。
为了解决上述技术问题,本发明所采用的具体技术方案如下:
一种基于图像识别的白癜风白斑评估方法,包括步骤:
S1,采用白癜风白斑面积分层测量法对白癜风白斑进行分层处理及面积测量;
S2,采用白癜风白斑趋势分析法对白癜风白斑进行评分及趋势分析。
进一步,所述的白癜风白斑面积分层测量法具体包括以下步骤:
S1.1,利用图像采集设备采集患者白癜风白斑图像,将数据上传至计算机,计算机将图像按像素存储在原始图像二维数组PIC[RPH][RPW]中,RPH为图像的上下长度,RPW为图像的左右宽度,PIC[rph][rpw]用于存储rph、rpw位置像素点原始RGB数值,其中rph为图像数值二维数组的长度标示,1≤rph≤RPH,rpw为图像数值二维数组的宽度标示,1≤rpw≤RPW;
S1.2,采用图像识别技术计算原始图像二维数组PIC[RPH][RPW]的特征数值,计算后得到特征二维数组PICFEA[RPH][RPW],其中PICFEA[rph][rpw]用于存储rph、rpw位置像素点特征数值;
S1.3,设定分层阈值区间LAYRAN[LA],其中LAYRAN[la]为第la层的阈值区间,LAYRAN[la]存储数值为二元组,分别存储LAYRAN[la].LAYleft和LAYRAN[la].LAYright两个数值,LAYRAN[la].LAYleft为第la层左阈值,LAYRAN[la].LAYright为第la层右阈值,LA为总层数,1≤la≤LA;
S1.4,白癜风白斑分层:遍历特征二维数组PICFEA[RPH][RPW]中所有数据,与分层阈值区间LAYRAN[LA]进行阈值区间匹配,得到分层二维数组PICLAY[RPH][RPW],其中PICLAY[rph][rpw]用于存储rph、rpw位置像素点分层数值;
S1.5,分析分层二维数组PICLAY[RPH][RPW]每一层的连通区域并计算连通区域的面积,得到分层连通区域数组PICLAYSTIC[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC[la][ar]存储第la层的第ar个连通区域的面积,ar为la层的连通区域数。
进一步,所述的白癜风白斑趋势分析法具体包括以下步骤:
S2.1,由S1处理患者当前白癜风白斑图像,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数;
S2.2,在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[LA],其中LAYWeight[la]为每一层的权重;设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重;
S2.3,采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS;
S2.4,判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,如果是转到S2.5,否则转到S2.8;
S2.5,读取该患者前一次白癜风白斑面积分层测量数据分层连通区域数组PICLAYSTIC[LA][AR],并作为前一次分层连通区域数组PICLAYSTIC_OLD[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_OLD[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,两次数据的时间差为DATE,单位为天;
S2.6,通过计算比较前后两次白癜风白斑面积分层测量数据,分析该患者的白癜风白斑面积发展趋势,得到发展趋势评分值DE;
S2.7,输出显示前后两次白癜风白斑面积分层测量数据以及发展趋势评分值DE;
S2.8,输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS;
S2.9,处理结束。
进一步,所述白癜风白斑分层计算的具体公式为:
进一步,所述连通区域规定为某像素上、下、左、右、上左、上右、下左、下右八个相邻像素的像素点分层数值相同,则这两个像素在同一个连通区域。
进一步,所述分层权重数组LAYWeight[LA]满足所述区域权重数组ARWeight[LA][AR]满足
进一步,所述当前评分值的计算公式为:
进一步,所述发展趋势评分值的计算公式为:
本发明具有有益效果是:
本发明提供了一种基于图像识别的白癜风白斑评估方法,采用图像识别技术计算原始图像的特征数值,对白癜风白斑进行分层,通过分层可以量化色素较浅或逐渐变深的具体数值;通过对每一层的区域分别设置权重值可以量化散在、多发白斑和局部连通区域白斑的不同数值,引入时间差数值,通过对当前白癜风白斑面积分层测量数据和前一次白癜风白斑面积分层测量数据的对比计算,可以量化病情发展以及治疗前后白斑面积变化趋势,通过具体数值指导临床医师评估和治疗白癜风。
附图说明
图1是白癜风白斑面积分层测量方法工作流程图。
图2是白癜风白斑趋势分析方法工作流程图。
图3是病情发展前具体实施例的图片。
图4是病情发展后具体实施例的图片。
图5是计算病情发展前白斑区域第一层白癍区域面积示意图。
图6是计算病情发展后白斑区域第一层白癍区域面积示意图。
图7是计算病情发展前白斑区域第二层白癍区域面积示意图。
图8是计算病情发展后白斑区域第二层白癍区域面积示意图。
图9是计算病情发展前白斑区域第三层白癍区域面积示意图。
图10是计算病情发展后白斑区域第三层白癍区域面积示意图。
图11是治疗前具体实施例的图片。
图12是治疗后具体实施例的图片。
图13是计算治疗前白斑区域第一层白癍区域面积示意图。
图14是计算治疗后白斑区域第一层白癍区域面积示意图。
图15是计算治疗前白斑区域第二层白癍区域面积示意图。
图16是计算治疗后白斑区域第二层白癍区域面积示意图。
图17是计算治疗前白斑区域第三层白癍区域面积示意图。
图18是计算治疗后白斑区域第三层白癍区域面积示意图。
具体实施方式
下面结合附图和具体实施方式对本实用新型作进一步详细地说明。
一种基于图像识别的白癜风白斑评估方法,包括步骤:
1)采用白癜风白斑面积分层测量法对白癜风白斑进行分层处理及面积测量;
2)采用白癜风白斑趋势分析法对白癜风白斑进行评分及趋势分析。
由图1所示的白癜风白斑面积分层测量法的流程图描述如下:
步骤A1:布置图像采集环境,固定图像采集设备与皮肤之间的拍摄距离,拍摄距离为DP,拍摄设备垂直于皮损面,设置固定的分辨率,分辨率为RP,以像素为单位,图像的上下长度为RPH,图像的左右宽度为RPW。保持正常对焦,避免照片模糊;
步骤A2:利用图像采集设备采集患者白癜风白斑图像,将数据上传至计算机,计算机将图像按像素存储在原始图像二维数组中,原始图像二维数组为PIC[RPH][RPW],其中PIC[rph][rpw]用于存储rph,rpw位置像素点原始RGB数值,rph为图像数值二维数组的长度标示,1≤rph≤RPH,rpw为图像数值二维数组的宽度标示,1≤rpw≤RPW;
步骤A3:采用色调计算、色阶计算等现有的图像识别技术计算原始图像二维数组PIC[RPH][RPW]的特征数值,计算后得到特征二维数组PICFEA[RPH][RPW],其中PICFEA[rph][rpw]用于存储rph,rpw位置像素点特征数值;
步骤A4:设定分层阈值区间LAYRAN[LA],其中LAYRAN[la]为其中第la层的阈值区间,LAYRAN[la]存储数值为二元组,分别存储LAYRAN[la].LAYleft和LAYRAN[la].LAYright两个数值,LAYRAN[la].LAYleft为第la层左阈值,LAYRAN[la].LAYright为第la层右阈值,LA为总层数,1≤la≤LA;
步骤A5:白癜风白斑分层计算,遍历特征二维数组PICFEA[RPH][RPW]中所有数据,与分层阈值区间LAYRAN[LA]进行阈值区间匹配,得到分层二维数组PICLAY[RPH][RPW],其中PICLAY[rph][rpw]用于存储rph,rpw位置像素点分层数值,具体公式为:
步骤A6:采用两遍扫描法、种子填充法等现有的图像识别技术分析分层二维数组PICLAY[RPH][RPW]每一层的连通区域并计算连通区域的面积。连通区域规定为某像素上、下、左、右、上左、上右、下左、下右八个相邻像素的像素点分层数值相同,则这两个像素在同一个连通区域;累加连通区域所有像素点的总数作为连通区域的面积,得到分层连通区域数组PICLAYSTIC[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC[la][ar]存储第la层的第ar个连通区域的面积,ar为la层的连通区域数。
由图2所示的白癜风白斑趋势分析方法的流程图描述如下:
步骤B1:采用白癜风白斑面积分层测量方法对当前白癜风白斑面积分层测量,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数;
步骤B2:在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[LA],其中LAYWeight[la]为每一层的权重,LAYWeight[LA]满足设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重,ARWeight[LA][AR]满足
步骤B3:采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS:
步骤B4:判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,如果是转到B5,否则转到B8;
步骤B5:读取该患者前一次白癜风白斑面积分层测量数据分层连通区域数组PICLAYSTIC[LA][AR],并作为前一次分层连通区域数组PICLAYSTIC_OLD[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_OLD[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,两次数据的时间差为DATE,单位为天;
步骤B6:通过计算比较前后两次白癜风白斑面积分层测量数据,分析该患者的白癜风白斑面积发展趋势,得到发展趋势评分值DE;
具体计算公式为:
步骤B7:输出显示前后两次白癜风白斑面积分层测量数据以及发展趋势评分值DE,评分值DE为正值说明病情发展,分值越高说明发展越显著,评分值DE为负值说明治疗有效,分值越高说明效果越好;
步骤B8:输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS,数值越大白斑程度越严重;
步骤B9:处理结束。
实施例1
图3为病情发展前的白癜风白斑图,图4为病情发展90天后的白癜风白斑图。
(一)采用白癜风白斑面积分层测量法对图3白癜风白斑进行分层处理及面积测量
步骤A1:布置图像采集环境,固定图像采集设备与皮肤之间的拍摄距离,拍摄距离为DP,拍摄设备垂直于皮损面,设置固定的分辨率,分辨率为RP=102400,以像素为单位,图像的上下长度为RPH=320,图像的左右宽度为RPW=320,保持正常对焦,避免照片模糊;
步骤A2:利用图像采集设备采集患者白癜风白斑图像,如图3所示,将数据上传至计算机,计算机将图像按像素存储在原始图像二维数组中,原始图像二维数组为PIC[320][320],其中PIC[rph][rpw]用于存储rph、rpw位置像素点原始RGB数值,rph为图像数值二维数组的长度标示,1≤rph≤320,rpw为图像数值二维数组的宽度标示,1≤rpw≤320;
步骤A3:采用色调计算原始图像二维数组PIC[320][320]的特征数值,色调计算指定图像中每个通道的色调级的数目,然后将像素映射为最接近的匹配级别,从而使图像产生各种特殊的色彩效果;比如计算亮度Y,Y=0.299*R+0.587*G+0.114*B,R、G、B分别为原始图像像素点的红色、绿色、蓝色分量值,计算后得到特征二维数组PICFEA[320][320],其中PICFEA[rph][rpw]用于存储rph、rpw位置像素点特征数值Y;
步骤A4:设定分层阈值区间LAYRAN[4],其中LAYRAN[la]为其中第la层的阈值区间,LAYRAN[la]存储数值为二元组,分别存储LAYRAN[la].LAYleft和LAYRAN[la].LAYright两个数值,LAYRAN[la].LAYleft为第la层左阈值,LAYRAN[la].LAYright为第la层右阈值,LA为总层数,1≤la≤4,其中LAYRAN[1].LAYleft=0,LAYRAN[1].LAYright=18,LAYRAN[2].LAYleft=19,LAYRAN[2].LAYright=32,LAYRAN[3].LAYleft=33,LAYRAN[3].LAYright=60,LAYRAN[4].LAYleft=61,LAYRAN[4].LAYright=100;
步骤A5:白癜风白斑分层计算,遍历特征二维数组PICFEA[320][320]中所有数据,与分层阈值区间LAYRAN[4]进行阈值区间匹配,得到分层二维数组PICLAY[320][320],其中PICLAY[rph][rpw]用于存储rph,rpw位置像素点分层数值,具体公式为公式(1);步骤A6:采用种子填充法分析分层二维数组PICLAY[320][320]每一层的连通区域并计算连通区域的面积,连通区域规定为某像素上、下、左、右、上左、上右、下左、下右八个相邻像素的像素点分层数值相同,则这两个像素在同一个连通区域;计算得到分层连通区域数组PICLAYSTIC[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC[la][ar]存储第la层的第ar个连通区域的面积,ar为la层的连通区域数,图5显示了图3第1层的第1个连通区域,区域面积PICLAYSTIC[1][1]为18069,图7显示了图3第2层的第1个连通区域,区域面积PICLAYSTIC[2][1]为8500,图9显示了图3第3层的第1个连通区域,区域面积PICLAYSTIC[3][1]为68371。
(二)采用白癜风白斑趋势分析法对白癜风白斑进行评分及趋势分析
步骤B1:采用白癜风白斑面积分层测量法对当前白癜风白斑面积分层测量,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,其中区域面积PICLAYSTIC_NOW[1][1]为18069,区域面积PICLAYSTIC_NOW[2][1]为8500,区域面积PICLAYSTIC_NOW[3][1]为68371;
步骤B2:在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[],其中LAYWeight[la]为每一层的权重,LAYWeight[1]=0.5,LAYWeight[2]=0.25,LAYWeight[3]=0.15,LAYWeight[4]=0.1,设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重,ARWeight[1][1]=0.6,ARWeight[1][2]=0.2,ARWeight[1][3]=0.1,ARWeight[1][4]=0.05…,ARWeight[2][1]=0.6,ARWeight[2][2]=0.2,ARWeight[2][3]=0.1,ARWeight[2][4]=0.05…,ARWeight[3][1]=0.6,ARWeight[3][2]=0.2,ARWeight[3][3]=0.1,ARWeight[3][4]=0.05…,ARWeight[4][1]=0.6,ARWeight[4][2]=0.2,ARWeight[4][3]=0.1,ARWeight[4][4]=0.05…,
步骤B3:采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS,由公式(2)计算得到AS=0.125;
步骤B4:判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,转到B8;
步骤B8:输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS=0.125;
步骤B9:处理结束。
(三)采用白癜风白斑面积分层测量法对图4白癜风白斑进行分层处理及面积测量,处理方法同对图3的处理;
图6显示了图4第1层的第1个连通区域,区域面积PICLAYSTIC[1][1]为26256,图8显示了图4第2层的第1个连通区域,区域面积PICLAYSTIC[2][1]为14492,图10显示了图4第3层的第1个连通区域,区域面积PICLAYSTIC[3][1]为78086。
(四)采用白癜风白斑趋势分析法对白癜风白斑进行评分及趋势分析
步骤B1:采用白癜风白斑面积分层测量方法对当前白癜风白斑面积分层测量,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,其中区域面积PICLAYSTIC_NOW[1][1]为26256,区域面积PICLAYSTIC_NOW[2][1]为14492,区域面积PICLAYSTIC_NOW[3][1]为78086;
步骤B2:在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[],其中LAYWeight[la]为每一层的权重,LAYWeight[1]=0.5,LAYWeight[2]=0.25,LAYWeight[3]=0.15,LAYWeight[4]=0.1,设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重,ARWeight[1][1]=0.6,ARWeight[1][2]=0.2,ARWeight[1][3]=0.1,ARWeight[1][4]=0.05…,ARWeight[2][1]=0.6,ARWeight[2][2]=0.2,ARWeight[2][3]=0.1,ARWeight[2][4]=0.05…,ARWeight[3][1]=0.6,ARWeight[3][2]=0.2,ARWeight[3][3]=0.1,ARWeight[3][4]=0.05…,ARWeight[4][1]=0.6,ARWeight[4][2]=0.2,ARWeight[4][3]=0.1,ARWeight[4][4]=0.05…,
步骤B3:采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS,由公式(2)计算得到AS=0.167;
步骤B4:判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,转到B5;
步骤B5:读取该患者前一次白癜风白斑面积分层测量数据分层连通区域数组PICLAYSTIC[LA][AR],并作为前一次分层连通区域数组PICLAYSTIC_OLD[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_OLD[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,区域面积PICLAYSTIC_OLD[1][1]为18069,区域面积PICLAYSTIC_OLD[2][1]为8500,区域面积PICLAYSTIC_OLD[3][1]为68371,两次数据的时间差为DATE=90,单位为天;
步骤B6:通过计算比较前后两次白癜风白斑面积分层测量数据,分析该患者的白癜风白斑面积发展趋势,得到发展趋势评分值DE;
利用公式(3)计算得到DE=0.124,说明病情继续发展;
步骤B7:输出显示前后两次白癜风白斑面积分层测量数据以及发展趋势评分值DE=0.124;
步骤B8:输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS=0.167;
步骤B9:处理结束。
实施例2
图11为治疗前的白癜风白斑图片,图12为治疗60天后的白癜风白斑图片。
(一)采用白癜风白斑面积分层测量方法对图11白癜风白斑进行分层处理及面积测量
步骤A1-A2同实施例1;
步骤A3:采用灰度计算原始图像二维数组PIC[320][320]的特征数值,灰度是每个像素只有一个采样颜色的图像,这类图像通常显示为从最暗的黑色到最亮的白色的灰度。比如计算灰度Gray=(R+G+B)/3,R、G、B分别为原始图像像素点的红色、绿色、蓝色分量值,计算后得到特征二维数组PICFEA[320][320],其中PICFEA[rph][rpw]用于存储rph,rpw位置像素点特征数值Gray;
步骤A4:设定分层阈值区间LAYRAN[3],其中LAYRAN[la]为其中第la层的阈值区间,LAYRAN[la]存储数值为二元组,分别存储LAYRAN[la].LAYleft和LAYRAN[la].LAYright两个数值,LAYRAN[la].LAYleft为第la层左阈值,LAYRAN[la].LAYright为第la层右阈值,LA为总层数,1≤la≤3,其中LAYRAN[1].LAYleft=0,LAYRAN[1].LAYright=30,LAYRAN[2].LAYleft=31,LAYRAN[2].LAYright=80,LAYRAN[3].LAYleft=81,LAYRAN[3].LAYright=150;
步骤A5:同实施例1;
步骤A6:采用两遍扫描法分析分层二维数组PICLAY[320][320]每一层的连通区域并计算连通区域的面积。具体方法同实施例1,图13显示了图11第1层的3个连通区域,区域面积PICLAYSTIC[1][1]为6009,区域面积PICLAYSTIC[1][2]为3267,区域面积PICLAYSTIC[1][3]为999,图15显示了图11第2层的3个连通区域,区域面积PICLAYSTIC[2][1]为8895,区域面积PICLAYSTIC[2][2]为5518,区域面积PICLAYSTIC[2][3]为3270,图17显示了图11第3层的3个连通区域,区域面积PICLAYSTIC[3][1]为31985,区域面积PICLAYSTIC[3][2]为22670,区域面积PICLAYSTIC[3][3]为8769。
(二)采用白癜风白斑趋势分析方法对白癜风白斑进行评分及趋势分析
步骤B1:采用白癜风白斑面积分层测量方法对当前白癜风白斑面积分层测量,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,其中区域面积PICLAYSTIC_NOW[1][1]为3267,区域面积PICLAYSTIC_NOW[1][2]为6009,区域面积PICLAYSTIC_NOW[1][3]为999,区域面积PICLAYSTIC_NOW[2][1]为5518,区域面积PICLAYSTIC_NOW[2][2]为8895,区域面积PICLAYSTIC_NOW[2][3]为3270,区域面积PICLAYSTIC_NOW[3][1]为22670,区域面积PICLAYSTIC_NOW[3][2]为31985,区域面积PICLAYSTIC_NOW[3][3]为8769;
步骤B2:在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[],其中LAYWeight[la]为每一层的权重,LAYWeight[1]=0.5,LAYWeight[2]=0.25,LAYWeight[3]=0.15,LAYWeight[4]=0.1,设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重,ARWeight[1][1]=0.6,ARWeight[1][2]=0.2,ARWeight[1][3]=0.1,ARWeight[1][4]=0.05…,ARWeight[2][1]=0.6,ARWeight[2][2]=0.2,ARWeight[2][3]=0.1,ARWeight[2][4]=0.05…,ARWeight[3][1]=0.6,ARWeight[3][2]=0.2,ARWeight[3][3]=0.1,ARWeight[3][4]=0.05…,ARWeight[4][1]=0.6,ARWeight[4][2]=0.2,ARWeight[4][3]=0.1,ARWeight[4][4]=0.05…,
步骤B3:采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS,由公式(2)计算得到AS=0.060;
步骤B4:判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,转到B8;
步骤B8:输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS=0.060;
步骤B9:处理结束。
(三)采用白癜风白斑面积分层测量方法对图12白癜风白斑进行分层处理及面积测量
步骤A′1-A′5同实施例2A1-A5处理步骤;
步骤A′6:具体处理方法同实施例2A6处理方法,图14显示了图12第1层的3个连通区域,区域面积PICLAYSTIC[1][1]为598,区域面积PICLAYSTIC[1][2]为518,区域面积PICLAYSTIC[1][3]为351,图16显示了图12第2层的3个连通区域,区域面积PICLAYSTIC[2][1]为1713,区域面积PICLAYSTIC[2][2]为3060,区域面积PICLAYSTIC[2][3]为864,图18显示了图12第3层的3个连通区域,区域面积PICLAYSTIC[3][1]为3513,区域面积PICLAYSTIC[3][2]为5681,区域面积PICLAYSTIC[3][3]为1376。
(四)采用白癜风白斑趋势分析方法对白癜风白斑进行评分及趋势分析
步骤B′1:采用白癜风白斑面积分层测量方法对当前白癜风白斑面积分层测量,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,其中区域面积PICLAYSTIC_NOW[1][1]为598,区域面积PICLAYSTIC_NOW[1][2]为518,区域面积PICLAYSTIC_NOW[1][3]为351,区域面积PICLAYSTIC_NOW[2][1]为1713,区域面积PICLAYSTIC_NOW[2][2]为3060,区域面积PICLAYSTIC_NOW[2][3]为864,区域面积PICLAYSTIC_NOW[3][1]为3513,区域面积PICLAYSTIC_NOW[3][2]为5681,区域面积PICLAYSTIC_NOW[3][3]为1376;
步骤B′2:在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[],其中LAYWeight[la]为每一层的权重,LAYWeight[1]=0.5,LAYWeight[2]=0.25,LAYWeight[3]=0.15,LAYWeight[4]=0.1,设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重,ARWeight[1][1]=0.6,ARWeight[1][2]=0.2,ARWeight[1][3]=0.1,ARWeight[1][4]=0.05…,ARWeight[2][1]=0.6,ARWeight[2][2]=0.2,ARWeight[2][3]=0.1,ARWeight[2][4]=0.05…,ARWeight[3][1]=0.6,ARWeight[3][2]=0.2,ARWeight[3][3]=0.1,ARWeight[3][4]=0.05…,ARWeight[4][1]=0.6,ARWeight[4][2]=0.2,ARWeight[4][3]=0.1,ARWeight[4][4]=0.05…,
步骤B′3:采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS,由公式(2)计算得到AS=0.012;
步骤B′4:判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,转到B5;
步骤B′5:读取该患者前一次白癜风白斑面积分层测量数据分层连通区域数组PICLAYSTIC[LA][AR],并作为前一次分层连通区域数组PICLAYSTIC_OLD[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_OLD[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,其中区域面积PICLAYSTIC_OLD[1][1]为3267,区域面积PICLAYSTIC_OLD[1][2]为6009,区域面积PICLAYSTIC_OLD[1][3]为999,区域面积PICLAYSTIC_OLD[2][1]为5518,区域面积PICLAYSTIC_OLD[2][2]为8895,区域面积PICLAYSTIC_OLD[2][3]为3270,区域面积PICLAYSTIC_OLD[3][1]为22670,区域面积PICLAYSTIC_OLD[3][2]为31985,区域面积PICLAYSTIC_OLD[3][3]为8769,两次数据的时间差为DATE=60,单位为天;
步骤B′6:通过计算比较前后两次白癜风白斑面积分层测量数据,分析该患者的白癜风白斑面积发展趋势,得到发展趋势评分值DE;
利用公式(3)计算得到DE=-0.096,说明治疗有效,效果较好;
步骤B′7:输出显示前后两次白癜风白斑面积分层测量数据以及发展趋势评分值DE=-0.096;
步骤B′8:输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS=0.012;
步骤B′9:处理结束。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (6)
1.一种基于图像识别的白癜风白斑评估方法,其特征在于,具体包括以下步骤:
S1,采用白癜风白斑面积分层测量法对白癜风白斑进行分层处理及面积测量;
所述的白癜风白斑面积分层测量法具体包括以下步骤:
S1.1,利用图像采集设备采集患者白癜风白斑图像,将数据上传至计算机,计算机将图像按像素存储在原始图像二维数组PIC[RPH][RPW]中,RPH为图像的上下长度,RPW为图像的左右宽度,PIC[rph][rpw]用于存储rph、rpw位置像素点原始RGB数值,其中rph为图像数值二维数组的长度标示,1≤rph≤RPH,rpw为图像数值二维数组的宽度标示,1≤rpw≤RPW;
S1.2,采用图像识别技术计算原始图像二维数组PIC[RPH][RPW]的特征数值,计算后得到特征二维数组PICFEA[RPH][RPW],其中PICFEA[rph][rpw]用于存储rph、rpw位置像素点特征数值;
S1.3,设定分层阈值区间LAYRAN[LA],其中LAYRAN[la]为第la层的阈值区间,LAYRAN[la]存储数值为二元组,分别存储LAYRAN[la].LAYleft和LAYRAN[la].LAYright两个数值,LAYRAN[la].LAYleft为第la层左阈值,LAYRAN[la].LAYright为第la层右阈值,LA为总层数,1≤la≤LA;
S1.4,白癜风白斑分层:遍历特征二维数组PICFEA[RPH][RPW]中所有数据,与分层阈值区间LAYRAN[LA]进行阈值区间匹配,得到分层二维数组PICLAY[RPH][RPW],其中PICLAY[rph][rpw]用于存储rph、rpw位置像素点分层数值;
S1.5,分析分层二维数组PICLAY[RPH][RPW]每一层的连通区域并计算连通区域的面积,得到分层连通区域数组PICLAYSTIC[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC[la][ar]存储第la层的第ar个连通区域的面积,ar为la层的连通区域数;
S2,采用白癜风白斑趋势分析法对白癜风白斑进行评分及趋势分析;
所述的白癜风白斑趋势分析法具体包括以下步骤:
S2.1,由S1处理患者当前白癜风白斑图像,得到计算结果PICLAYSTIC[LA][AR]作为当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_NOW[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数;
S2.2,在计算机中存储当前分层连通区域数组PICLAYSTIC_NOW[LA][AR],设置分层权重数组LAYWeight[LA],其中LAYWeight[la]为每一层的权重;设置区域权重数组ARWeight[LA][AR],ARWeight[la][ar]为第la层第ar个区域的权重;
S2.3,采用当前分层连通区域数组,分层权重数组和区域权重数组计算当前评分值AS,所述当前评分值其中RP为图像分辨率;
S2.4,判断计算机是否存储该患者前一次白癜风白斑面积分层测量数据,如果是转到S2.5,否则转到S2.8;
S2.5,读取该患者前一次白癜风白斑面积分层测量数据分层连通区域数组PICLAYSTIC[LA][AR],并作为前一次分层连通区域数组PICLAYSTIC_OLD[LA][AR],其中AR为LA层的连通区域数,PICLAYSTIC_OLD[la][ar]代表第la层的第ar个连通区域的面积,ar为la层的连通区域数,两次数据的时间差为DATE,单位为天;
S2.6,通过计算比较前后两次白癜风白斑面积分层测量数据,分析该患者的白癜风白斑面积发展趋势,得到发展趋势评分值DE;
S2.7,输出显示前后两次白癜风白斑面积分层测量数据以及发展趋势评分值DE;
S2.8,输出显示当前白癜风白斑面积分层测量数据以及当前评分值AS;
S2.9,处理结束。
2.根据权利要求1所述的一种基于图像识别的白癜风白斑评估方法,其特征在于,所述白癜风白斑分层计算的具体公式为:
3.根据权利要求1所述的一种基于图像识别的白癜风白斑评估方法,其特征在于,所述连通区域规定为某像素上、下、左、右、上左、上右、下左、下右八个相邻像素的像素点分层数值相同,则这两个像素在同一个连通区域。
4.根据权利要求1所述的一种基于图像识别的白癜风白斑评估方法,其特征在于,所述分层权重数组LAYWeight[LA]满足
5.根据权利要求1所述的一种基于图像识别的白癜风白斑评估方法,其特征在于,所述区域权重数组ARWeight[LA][AR]满足
6.根据权利要求1所述的一种基于图像识别的白癜风白斑评估方法,其特征在于,所述发展趋势评分值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536232.7A CN108648825B (zh) | 2018-05-30 | 2018-05-30 | 一种基于图像识别的白癜风白斑评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536232.7A CN108648825B (zh) | 2018-05-30 | 2018-05-30 | 一种基于图像识别的白癜风白斑评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648825A CN108648825A (zh) | 2018-10-12 |
CN108648825B true CN108648825B (zh) | 2019-07-12 |
Family
ID=63758484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810536232.7A Expired - Fee Related CN108648825B (zh) | 2018-05-30 | 2018-05-30 | 一种基于图像识别的白癜风白斑评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648825B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544534B (zh) * | 2019-08-30 | 2022-04-19 | 中国人民解放军联勤保障部队第九〇〇医院 | 一种皮肤病治疗效果自动评估方法与系统 |
CN110993099B (zh) * | 2019-12-18 | 2020-11-03 | 山东大学齐鲁医院 | 基于深度学习的溃疡性结肠炎严重程度评估方法及系统 |
CN112669959B (zh) * | 2020-12-17 | 2024-03-29 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于图像的白癜风病情自动评估方法 |
CN112420199A (zh) * | 2020-12-17 | 2021-02-26 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于白癜风色度的疗效评估方法 |
CN113053524B (zh) * | 2021-06-02 | 2021-08-27 | 杭州咏柳科技有限公司 | 基于皮肤影像的线上辅助诊疗系统 |
CN116269217B (zh) * | 2023-02-10 | 2024-04-26 | 安徽医科大学 | 一种基于深度学习的白癜风治疗效果量化评估方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2944899B1 (fr) * | 2009-04-23 | 2014-04-25 | Lvmh Rech | Procede et appareil de caracterisation des taches pigmentaires et procede d'appreciation de l'effet de traitement d'une tache pigmentaire par un produit cosmetique |
US8630469B2 (en) * | 2010-04-27 | 2014-01-14 | Solar System Beauty Corporation | Abnormal skin area calculating system and calculating method thereof |
CA2992988A1 (en) * | 2015-07-24 | 2017-02-02 | Clarify Medical, Inc. | Systems and methods for phototherapy control |
CN106108984B (zh) * | 2016-09-09 | 2018-09-11 | 福州大学 | 一种白癜风植皮的个性化负压吸盘制备方法 |
CN107049263A (zh) * | 2017-06-14 | 2017-08-18 | 武汉理工大学 | 基于图像处理的白癜风病情诊断与疗效评估方法与系统 |
-
2018
- 2018-05-30 CN CN201810536232.7A patent/CN108648825B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108648825A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648825B (zh) | 一种基于图像识别的白癜风白斑评估方法 | |
US11562820B2 (en) | Computer classification of biological tissue | |
Chiu | A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue | |
JP2013526930A (ja) | 子宮頸部新生物検出および診断のための画像分析 | |
Hall et al. | Computer screening for early detection of melanoma—is there a future? | |
Kurugol et al. | Automated delineation of dermal–epidermal junction in reflectance confocal microscopy image stacks of human skin | |
CN102282569A (zh) | 宫颈成像中的组织分类方法 | |
US20090279760A1 (en) | Method for displaying measurements and temporal changes of skin surface images | |
Lo et al. | Breast cancer index: a perspective on tongue diagnosis in traditional chinese medicine | |
CN106600585A (zh) | 基于灰度共生矩阵的皮肤状态定量评价方法 | |
WO2008064120A2 (en) | Method for displaying measurements and temporal changes of skin surface images | |
Pogue et al. | Image analysis for discrimination of cervical neoplasia | |
Fink et al. | Design of an algorithm for automated, computer-guided PASI measurements by digital image analysis | |
CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
CN107567631A (zh) | 组织样品分析技术 | |
JP2009082338A (ja) | エントロピーを用いた肌の鑑別方法 | |
Harris et al. | Optimising the measurement of bruises in children across conventional and cross polarized images using segmentation analysis techniques in Image J, Photoshop and circle diameter measurements | |
Obukhova et al. | Automated image analysis in multispectral system for cervical cancer diagnostic | |
Voigt et al. | Computer vision and digital imaging technology in melanoma detection | |
Lu et al. | The JNU-IFM dataset for segmenting pubic symphysis-fetal head | |
Shah et al. | Algorithm mediated early detection of oral cancer from image analysis | |
Perkins et al. | Comparison of accuracy and reproducibility of colposcopic impression based on a single image versus a two-minute time series of colposcopic images | |
Zhang et al. | Evaluation of a new dataset for visual detection of cervical precancerous lesions | |
JP2007252892A (ja) | 皮膚表面の立体形状の目視評価値の推定方法 | |
Chen et al. | Automatic and visualized grading of dental caries using deep learning on panoramic radiographs |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190712 Termination date: 20210530 |