CN109222914A - 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 - Google Patents
基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 Download PDFInfo
- Publication number
- CN109222914A CN109222914A CN201811316175.8A CN201811316175A CN109222914A CN 109222914 A CN109222914 A CN 109222914A CN 201811316175 A CN201811316175 A CN 201811316175A CN 109222914 A CN109222914 A CN 109222914A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- facial diagnosis
- facial
- chinese medicine
- feature
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Alternative & Traditional Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Nursing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,包括面诊信息采集:通过多光谱成像技术采集面诊信息;训练数据处理:将采集的面诊信息、患者的临床症状与对应诊断进行特征编码;面诊特征提取:根据采集到的面诊信息与对应的中医面部特征描述,设计基于面诊的卷积神经网络,进行面诊特征提取;设计级联网络:将基于面诊的卷积神经网络提取的面诊特征与患者的临床症状特征编码,利用全连接网络拟合其对应的诊断;模型训练:基于所述级联网络拟合的诊断结果与采集到的专家诊断结果进行模型训练;诊断结果判定:根据训练所得模型,判断输入信息对应各诊断的概率,进行概率排序,提取最高概率所对应的诊断作为结果。
Description
技术领域
本发明涉及中医自动化技术领域,具体而言,涉及一种基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法。
背景技术
中医通过辨证论治对疾病进行诊疗,其辨证过程则是根据望、闻、问、切四诊信息进行。其中,望,指观气色;闻,指听声息,闻气味;问,指询问症状;切,指摸脉象。中医望诊中的观气色主要是在自然现象下基于中医理论有目的采集可反映中医病机的特征,进而进行判断的方式,但是由于采集脉象信息对仪器的个性化要求较高,现有的脉象仪不能全面客观的反映脉象各种信息,所以脉象仪仍未在临床中应用,也导致了标准的脉象数据难以获得。目前,中医对疾病诊断的主要方式是通过望诊与问诊收集病人的信息,辨证得出诊断结论。
辨证是运用中医的理论方法,进行综合分析确定疾病证候的过程。证是指中医中的证候,是中医治疗以及确定处方的依据,它是一个疾病在某一阶段属于某一类型的在中医范畴的描述,它反映了疾病的成病本质,例如得出阴虚内热,脾虚痰盛或精气亏虚。症状指的是疾病过程中机体内的一系列机能、代谢和形态结构异常变化所引起的病人主观上的异常感觉或某些客观病态改变如面色潮红、五心烦热等等。望诊中,面诊将获取众多关键信息,用于辨证的特征涉及面色、眼部形态、口唇均布特点等等,基于颜色等简单特征的方法不能实现智能化辩证效果。
目前,采用传统的中医诊断方法,一方面效率低,另一方面中医需要长期的经验积累才能得到正确率高的结果,因此中医的诊断准确性较低,所以在中医诊断中迫切需要一种基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法以快速且准确获得患者的诊断结果。
背景技术部分的内容仅仅是发明人所知晓的技术,并不当然代表本领域的现有技术。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,在本发明的一个方面,本发明提供了一种基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其特征在于,包括:
面诊信息采集:通过多光谱成像技术采集面诊信息;
训练数据处理:将采集的面诊信息、患者的临床症状与对应诊断进行特征编码;
面诊特征提取:根据采集到的面诊信息与对应的中医面部特征描述,设计基于面诊的卷积神经网络,进行面诊特征提取;
设计级联网络:将基于面诊的卷积神经网络提取的面诊特征与患者的临床症状特征编码,利用全连接网络拟合其对应的诊断;
模型训练:基于所述级联网络拟合的诊断结果与采集到的专家诊断结果进行模型训练;
诊断结果判定:根据训练所得模型,判断输入信息对应各诊断的概率,进行概率排序,提取最高概率所对应的诊断作为结果。
优选地,上述面诊特征的提取还包括:对采集到的所述面诊信息进行图像增强处理;其中,所述图像增强处理包括在保证所述面诊信息不变的前提下,对所述面诊信息采用平移、缩放、旋转、加噪声的处理方法。
优选地,上述设计基于面诊的卷积神经网络还包括:采用网络公开面部图像的网络参数作为初始网络参数进行迁移学习。
优选地,上述模型训练还包括:采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度。
优选地,上述诊断结果包括:阴虚内热,脾虚痰盛,精气亏虚。
基于以上技术方案,本发明得到一种基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其至少具有如下技术效果或优点:
以病人面部图像以及患者临床症状的问答结果的二值编码信息作为训练数据,建立了级联网络的深度学习辨证模型,达到高效提取面诊特征用以辨证的效果。通过该方法,在获得病人的面诊图像以及病人症状的问答结果后,即可得到病人的证候诊断结果,诊断效率高,且诊断结果的准确性高。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的一个实施例的基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法的流程示意图;
图2为GoogleNet结构示意图;
图3为级联的神经网络结构。
具体实施方式
为了能够更清楚地理解本发明的上述方面、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,是根据本发明的一个优选实施例的基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,包括:
S102:面诊信息采集:通过多光谱成像技术采集面诊信息;
S104:训练数据处理:将采集的面诊信息、患者的临床症状与对应诊断进行特征编码;
S106:面诊特征提取:根据采集到的面诊信息与对应的中医面部特征描述,设计基于面诊的卷积神经网络,进行面诊特征提取;
S108:设计级联网络:将基于面诊的卷积神经网络提取的面诊特征与患者的临床症状特征编码,利用全连接网络拟合其对应的诊断;
S110:模型训练:基于所述级联网络拟合的诊断结果与采集到的专家诊断结果进行模型训练;
S112:诊断结果判定:根据训练所得模型,判断输入信息对应各诊断的概率,进行概率排序,提取最高概率所对应的诊断作为结果。
根据本发明的一个优选实施例,S102中面诊信息采集,具体包括:多光谱摄像头拍摄面诊的光谱图;其中,多光谱摄像头拍摄面诊的光谱图包括但不限于在保证原始面诊数据不变的前提下,提取图像中多个光谱色段的图像信息并标注于图像之上。
根据本发明的一个优选实施例,为了增加数据的多样性,并避免过拟合的发生,S106中面诊特征的提取还包括:对采集到的所述面诊信息进行图像增强处理;其中,所述图像增强处理包括在保证所述面诊信息不变的前提下,对所述面诊信息采用平移、缩放、旋转、加噪声等处理方法。将原面诊数据增加到60000例,三类各有20000例。将图像增强后新获得的面诊数据与原面诊数据所对应的症状信息组合,作为完整的数据。在实验中,所有的数据被随机分到训练集,验证集和测试集中,三者比例为8:1:1。
根据本发明的一个优选实施例,S106中设计基于面诊的卷积神经网络还包括:采用网络公开面部图像的网络参数作为初始网络参数进行迁移学习。并基于对应的中医面部特征描述构建基于卷积神经网络的面诊信息处理模型,分析面诊信息对应的诊断,包括:使用学术论文中公开的已完成训练的GoogleNet的网络参数初始网络结构(如图2所示)。
通过设计设计基于面诊的卷积神经网络(convolutional neural network,CNN),可以实现面诊的特征提取与面诊结果的分类。
CNN由多个卷积层和池化层堆叠构成,利用共享权重的方法减少深度神经网络结构的参数,降低了训练复杂度。网络的输入层实际将图像分成了多个子区域,这些区域被称为局部感受野,再经过每层滤波器的处理,得到更为显著的图像特征。通过这种方法得到的特征对平移、缩放、旋转都具有不变性。
为了提取更有效的特征和减少训练时间,保持面诊特征信息的不变性,采用公开的已完成训练的预训练GoogleNet网络参数作为初始网络,将最后一层全连接层,即原分类层,改为面诊结果的分类层,包含:面色萎黄,两颧潮红,口唇生疮,颜面红肿,面色苍白,面色晦暗,眼胞浮肿,面削颧耸,眼窝凹陷,眼胞下垂,目胞色黑,眼胞红肿,眼球突出,目赤,黑睛灰白。其中GoogleNe,是2014年提出一种改进型深度学习方法可有效降低图像识别中的错误率,本发明采运用GoogleNet所提及的22层网络结构,初始输入为(299*299*3)的图像,经过多层卷积及池化处理,得到1024个通道下(7*7)的特征提取层,利用平均池化,一共得到1024个一维的特征,经全连接层映射为15个面诊的类别,最终经softmax函数得到对应的面诊结果的概率分类,其中卷积层及池化层的设置详见附表1。
表1
GoogleNet的网络结构如图2所示,经过几层卷积输出,再加上之前的输入共同构成下一层的输出,继续向下传播。其中隐函数采用的是ReLU函数:
网络中的多个卷积层相当于整合多个输入,整个网络相当于学习一个恒等变换。由于多个卷积层的拼接结构的存在,卷积层实现的是更多信息的学习,学习的性能比恒等变换的学习更强。该种网络结构极大地保留了输入信息,可以有效地控制每一层产生的误差,使得前向传播更加稳定。
进一步地,加载公开的网络预训练参数作为初始网络提取分类,可以有效地保留面诊的中医辩证信息。将单个面诊的输入记为xi,GoogleNet网络中的权重记为W1,面诊结果的预测函数可以表示为:
在本发明的一个优选实施例中,S108中通过采集病人的面诊及症状数据,将病人的症状进行二值特征编码,将专家的证型判断结果(或)作为标签:收集30000例病人的面诊信息以及症状信息,由名老中医标定患者的中医证候诊断。如图3所示,其中面诊数据由多光谱摄像头采集,采集后作为训练输入数据,统一尺寸为(229*229*3)。症状信息由问诊采集,具体方式是病人与医生共同完成一份包含48个症状表现的问卷,然后利用二值化方法将文本格式的症状描述转化为症状特征编码,得到一个48维的向量。在本实施例中考虑的三种证候类型:阴虚内热,脾虚痰盛与精气亏虚。
级联网络是将提取的面诊分析结果与症状组成二值化的特征编码,再经过多层神经网络,得到该病人的证候判断结果:阴虚内热,脾虚痰盛或精气亏虚。
将病人面诊结果与症状特征(内容详见附表2)进行二值化编码,得到的48维的二值编码特征,将该特征作为多层神经网络(Multi-layer Perceptron,MLP)的输入,经过两个全连接层后按照证候类型个数进行分类,经过softmax函数的全连接层,获得三种证候类型对应的概率:
softmax(x)i=exp(xi)/∑jexp(xj)
其中i与j表示都是证候类型,本例中取值为0或1。最终的输出采用二值化的编码方式,即向量每个维度值只能为0或1,且所有维度的和为1。在本实施例中,用(0,0,1)表示阴虚内热,(0,1,0)表示脾虚痰盛,(1,0,0)表示精气亏虚,根据softmax层输出概率最大的一类取值为1。级联的网络结构如图3所示。
表2
将症状量化特征记为xi',输出的症状类型记为yi,W2、b分别是多层神经网络中的权重和偏置,中医面诊信息处理的网络可以由以下函数表示:
根据本发明的一个优选实施例,S110中采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度,相对熵值为交叉熵与真实分布信息熵的差值,是衡量两个分布之间差异的信息量。而真实分布信息熵为一定值,因此可以采用交叉熵来衡量预测分布与真实分布的偏差,即损失函数:
其中y'是真实的标签,y是模型的输出值,下标i表示的是第i个训练样本,在训练中采用50个训练样本作为一个批次,因此i的取值为0到49。Goolge网络部分的特征处理部分共有5797*1000个参数,该网络使用GoogleNet的预训练网络参数进行初始化,训练采用Adam算法,逐层训练各层参数。全连接网络融合GoogleNet给出的结果与临床症状进行48维的二值编码,作为网络的输入,训练样本每批为50个,因此i的取值为0到49,训练采用Adam算法的方法,逐层训练各层参数。
根据本发明的一个优选实施例,S112中诊断结果判定是根据训练所得模型,判断输入信息对应各诊断的概率,进行概率排序,提取最高概率所对应的诊断作为结果。根据训练模型保留权重,并实现病人的症状判断。网络除最后的判断结果外,还会输出两种证候类型的概率,作为疾病严重程度的得分,在治疗中该得分将有助于治疗方案的确定。
S102~S112是网络训练和优化过程,实际的应用阶段只需要输入病人的面诊以及问诊量化信息,作为图3中网络的输入,输出三种证候类型的概率。其中概率值较大的一个为该方法判断的证候类型结果,以作为确定中医的诊疗方案的依据。
以上结合附图说明了本发明的技术方案,通过本发明的技术方案,在获得患者的面部图像以及患者症状的问答结果后,即可得到病人的症状及严重程度判定,诊断效率高,且诊断结果的准确性高。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其特征在于,包括:
面诊信息采集:通过多光谱成像技术采集面诊信息;
训练数据处理:将采集的面诊信息、患者的临床症状与对应诊断进行特征编码;
面诊特征提取:根据采集到的面诊信息与对应的中医面部特征描述,设计基于面诊的卷积神经网络,进行面诊特征提取;
设计级联网络:将基于面诊的卷积神经网络提取的面诊特征与患者的临床症状特征编码,利用全连接网络拟合其对应的诊断;
模型训练:基于所述级联网络拟合的诊断结果与采集到的专家诊断结果进行模型训练;
诊断结果判定:根据训练所得模型,判断输入信息对应各诊断的概率,进行概率排序,提取最高概率所对应的诊断作为结果。
2.权利要求1所述的基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其特征在于,所述面诊特征提取还包括:
对采集到的所述面诊信息进行图像增强处理;
其中,所述图像增强处理包括在保证所述面诊信息不变的前提下,对所述面诊信息采用平移、缩放、旋转、加噪声的处理方法。
3.权利要求1所述的基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其特征在于,所述设计基于面诊的卷积神经网络还包括:采用网络公开面部图像的网络参数作为初始网络参数进行迁移学习。
4.权利要求1所述的基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其特征在于,所述模型训练还包括:采用计算交叉熵的方式来判断模型对真实概率分布估计的准确程度。
5.权利要求1所述的基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法,其特征在于,所述诊断结果包括:阴虚内热,脾虚痰盛,精气亏虚。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316175.8A CN109222914A (zh) | 2018-11-06 | 2018-11-06 | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316175.8A CN109222914A (zh) | 2018-11-06 | 2018-11-06 | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109222914A true CN109222914A (zh) | 2019-01-18 |
Family
ID=65077033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811316175.8A Pending CN109222914A (zh) | 2018-11-06 | 2018-11-06 | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109222914A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903836A (zh) * | 2019-03-31 | 2019-06-18 | 山西慧虎健康科技有限公司 | 一种基于体质和大数据的饮食智能推荐和匹配系统及方法 |
CN109978873A (zh) * | 2019-03-31 | 2019-07-05 | 山西慧虎健康科技有限公司 | 一种基于中医影像大数据的智能体检系统及其方法 |
CN110853764A (zh) * | 2019-11-28 | 2020-02-28 | 成都中医药大学 | 一种糖尿病证候预测系统 |
CN111488872A (zh) * | 2020-03-31 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111657873A (zh) * | 2020-07-07 | 2020-09-15 | 四川长虹电器股份有限公司 | 一种基于可见光和近红外光谱技术的体质预测方法 |
CN112259229A (zh) * | 2020-06-10 | 2021-01-22 | 北京小白世纪网络科技有限公司 | 一种基于神经网络实现中医诊疗的方法、系统及设备 |
CN112819750A (zh) * | 2020-12-31 | 2021-05-18 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
CN112951412A (zh) * | 2021-03-11 | 2021-06-11 | 深圳大学 | 一种辅助诊断方法及其应用 |
CN113555106A (zh) * | 2020-04-23 | 2021-10-26 | 浙江远图互联科技股份有限公司 | 一种基于生成对抗网络的智能中医远程辅助诊疗平台 |
CN114550860A (zh) * | 2022-01-28 | 2022-05-27 | 中国人民解放军总医院第一医学中心 | 一种基于流程数据与智能网络模型的就医满意度评估方法 |
CN117854713A (zh) * | 2024-03-06 | 2024-04-09 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
CN118037609A (zh) * | 2024-04-11 | 2024-05-14 | 康亲(厦门)控股有限公司 | 一种面诊图像的颜色校正方法、装置、设备及存储介质 |
CN118037609B (zh) * | 2024-04-11 | 2024-07-16 | 康亲(厦门)控股有限公司 | 一种面诊图像的颜色校正方法、装置、设备及存储介质 |
-
2018
- 2018-11-06 CN CN201811316175.8A patent/CN109222914A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978873A (zh) * | 2019-03-31 | 2019-07-05 | 山西慧虎健康科技有限公司 | 一种基于中医影像大数据的智能体检系统及其方法 |
CN109903836A (zh) * | 2019-03-31 | 2019-06-18 | 山西慧虎健康科技有限公司 | 一种基于体质和大数据的饮食智能推荐和匹配系统及方法 |
CN110853764A (zh) * | 2019-11-28 | 2020-02-28 | 成都中医药大学 | 一种糖尿病证候预测系统 |
CN110853764B (zh) * | 2019-11-28 | 2023-11-14 | 成都中医药大学 | 一种糖尿病证候预测系统 |
CN111488872A (zh) * | 2020-03-31 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN113555106A (zh) * | 2020-04-23 | 2021-10-26 | 浙江远图互联科技股份有限公司 | 一种基于生成对抗网络的智能中医远程辅助诊疗平台 |
CN112259229A (zh) * | 2020-06-10 | 2021-01-22 | 北京小白世纪网络科技有限公司 | 一种基于神经网络实现中医诊疗的方法、系统及设备 |
CN112259229B (zh) * | 2020-06-10 | 2024-07-16 | 北京小白世纪网络科技有限公司 | 一种基于神经网络实现中医诊疗的方法、系统及设备 |
CN111657873A (zh) * | 2020-07-07 | 2020-09-15 | 四川长虹电器股份有限公司 | 一种基于可见光和近红外光谱技术的体质预测方法 |
CN112819750B (zh) * | 2020-12-31 | 2024-05-28 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
CN112819750A (zh) * | 2020-12-31 | 2021-05-18 | 北京鹰之眼智能健康科技有限公司 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
CN112951412A (zh) * | 2021-03-11 | 2021-06-11 | 深圳大学 | 一种辅助诊断方法及其应用 |
CN114550860A (zh) * | 2022-01-28 | 2022-05-27 | 中国人民解放军总医院第一医学中心 | 一种基于流程数据与智能网络模型的就医满意度评估方法 |
CN114550860B (zh) * | 2022-01-28 | 2023-02-03 | 中国人民解放军总医院第一医学中心 | 一种基于流程数据与智能网络模型的就医满意度评估方法 |
CN117854713A (zh) * | 2024-03-06 | 2024-04-09 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
CN117854713B (zh) * | 2024-03-06 | 2024-06-04 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
CN118037609A (zh) * | 2024-04-11 | 2024-05-14 | 康亲(厦门)控股有限公司 | 一种面诊图像的颜色校正方法、装置、设备及存储介质 |
CN118037609B (zh) * | 2024-04-11 | 2024-07-16 | 康亲(厦门)控股有限公司 | 一种面诊图像的颜色校正方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109222914A (zh) | 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法 | |
CN111274860B (zh) | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 | |
CN108986912A (zh) | 基于深度学习的中医胃病舌像信息智能化处理方法 | |
CN101576913B (zh) | 基于自组织映射神经网络的舌象自动聚类、可视化和检索方法 | |
Hou et al. | Classification of tongue color based on CNN | |
CN107016438B (zh) | 一种基于中医辨证人工神经网络算法模型的系统 | |
CN108346145A (zh) | 一种病理切片中非常规细胞的识别方法 | |
CN107330889A (zh) | 一种基于卷积神经网络的中医舌色苔色自动分析方法 | |
CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
CN110335653A (zh) | 基于openEHR病历格式的非标准病历解析方法 | |
CN102332162A (zh) | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 | |
Alnussairi et al. | Malaria parasite detection using deep learning algorithms based on (CNNs) technique | |
CN106033540A (zh) | 一种阴道微生态形态学自动分析方法和系统 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN111341437B (zh) | 基于舌图像的消化道疾病判断辅助系统 | |
CN108108757A (zh) | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
Asare et al. | Iron deficiency anemia detection using machine learning models: A comparative study of fingernails, palm and conjunctiva of the eye images | |
Fu et al. | Computerized tongue coating nature diagnosis using convolutional neural network | |
Suvarna et al. | Classification methods of skin burn images | |
CN110443105A (zh) | 自体免疫抗体的免疫荧光影像型态识别方法 | |
Salazar-Jurado et al. | Towards the generation of synthetic images of palm vein patterns: A review | |
CN115294075A (zh) | 一种基于注意力机制的octa图像视网膜血管分割方法 | |
Yadav et al. | Computer‐aided diagnosis of cataract severity using retinal fundus images and deep learning | |
CN116844687A (zh) | 一种基于舌像和知识图谱的处方推荐方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |