CN110222713A - 一种婴幼儿粪便采样图像分类处理系统及方法 - Google Patents

一种婴幼儿粪便采样图像分类处理系统及方法 Download PDF

Info

Publication number
CN110222713A
CN110222713A CN201910366945.8A CN201910366945A CN110222713A CN 110222713 A CN110222713 A CN 110222713A CN 201910366945 A CN201910366945 A CN 201910366945A CN 110222713 A CN110222713 A CN 110222713A
Authority
CN
China
Prior art keywords
image
excrement
infant
classification
subsystem
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
Application number
CN201910366945.8A
Other languages
English (en)
Inventor
秦文健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910366945.8A priority Critical patent/CN110222713A/zh
Publication of CN110222713A publication Critical patent/CN110222713A/zh
Priority to PCT/CN2019/130562 priority patent/WO2020224282A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种婴幼儿粪便采样图像分类处理系统，其包括有：图像采集子系统，用于录入婴幼儿粪便图像；图像分类子系统，用于对图像采集子系统录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。上述采样图像分类处理系统中，首先获取婴幼儿粪便图像，从早期婴幼儿粪便图像中提取相关颜色、纹理等特征信息，再基于深度学习的方式对图像进行分类训练，进而得到分类训练结果，相比现有技术而言，本发明大大提高了图像分类识别的准确率，大大的提高了疾病筛查的效率，为早期婴幼儿疾病的筛查工作起到了较好的辅助作用。

Description

一种婴幼儿粪便采样图像分类处理系统及方法
技术领域
本发明涉及婴幼儿疾病筛查过程中可实现数据统计和处理的计算机系统，尤其涉及一种婴幼儿粪便采样图像分类处理系统及方法。
背景技术
现有技术中，在一些婴幼儿疾病筛查过程中，通常会涉及一些数据统计和处理的方法，以早期婴幼儿胆道闭锁疾病筛查为例：胆道闭锁是最严重的婴幼儿消化道疾病，临床上以黄疸为首发症状，在黄疸出现的同时，粪便亦变成淡黄色，随黄疸加重逐渐趋于偏白甚至陶土样灰白色，因此婴幼儿粪便图像的颜色成为了判别该疾病的重要依据。现有的筛查方法有：使用粪便比色卡进行筛查和根据粪便图像的HSV模型中的饱和度(S)的值来进行筛查。
目前，胆道闭锁是最严重的婴幼儿消化道疾病，占婴幼儿梗阻性黄疸疾病的一半。其发病率为1∶8000-1∶14000个存活出生婴幼儿，但地区和种族有较大差异。以亚洲报道的病例为多，东方民族的发病率高4-5倍，男女之比为1∶ 2。先天性胆道闭锁是一种肝内外胆管出现阻塞，并可导致淤胆性肝硬化先天性胆道闭锁而最终发生肝功能衰竭，是小儿外科领域中最重要的消化外科疾病之一，也是小儿肝移植中最常见的适应证。胆道闭锁的典型病例婴幼儿为足月产，大多数并无异常，粪便色泽正常，黄疸一般在生后2-3周逐渐显露，有些病例的黄疸出现于生后最初几天当时误诊为生理性黄疸。粪便变成棕黄、淡黄米色，以后成为无胆汁的陶土样灰白色。
现有的早期筛查技术包括粪便比色卡和基于粪便图像颜色HSV模型中饱和度(S)的值进行筛查。其中使用粪便比色卡的不足之处在于：一是家长对照比色卡颜色后得出的结论存在误差，据文献报道，患儿家长通过对照比色卡颜色后认为正常的粪便，其实仍是不正常的胆道梗阻粪便，这种失误率高达30％。二是各级医务人员对胆道闭锁的认识和警惕性不高，目前国内大陆地区儿科患儿人数众多，医生稀缺，无法用有限的人力和物力在胆道闭锁等疾病的筛查工作中取得较好的成绩。
由此可见，现有图像数据统计和处理方法中，使用粪便图像的HSV模型中饱和度(S)值来进行筛查存在着不足之处：一是单以HSV模型中的饱和度(S) 的值来进行筛查会出现一定的误差，二是识别判断的准确率不高。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种从婴幼儿粪便图像中提取相关特征信息，利用深度学习的方法对图像进行分类训练，进而提高判断识别的准确率、有助于减少筛查误差的采样图像分类处理系统及方法。
为解决上述技术问题，本发明采用如下技术方案。
一种婴幼儿粪便采样图像分类处理系统，其包括有：图像采集子系统，用于录入婴幼儿粪便图像；图像分类子系统，用于对图像采集子系统录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。
优选地，所述图像采集子系统录入的图像包括用户通过图像摄录装置拍摄的婴幼儿粪便图像以及从医院收集的患儿粪便图像。
优选地，所述图像分类子系统包括：目标区域获取单元，用于获取婴幼儿粪便图像中的目标区域；图像裁剪单元，用于在所述目标区域中裁剪出预设尺寸的图像；特征提取单元，用于对裁剪得到的图像进行特征提取；分类训练单元，用于根据所提取的图像特征，利用预设的分类模型对婴幼儿粪便图像进行分类训练，得出分类训练结果。
优选地，所述图像采集子系统录入的婴幼儿粪便图像是像素大小为256*256 的图像，所述图像裁剪单元用于在所述目标区域中裁剪出像素大小为224*224 的图像。
一种婴幼儿粪便采样图像分类处理方法，该方法基于一系统实现，所述系统包括有图像采集子系统和图像分类子系统，所述方法包括：步骤S1，利用所述图像采集子系统录入婴幼儿粪便图像；步骤S2，利用所述图像分类子系统对图像采集子系统录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。
优选地，所述图像分类子系统包括有目标区域获取单元、图像裁剪单元、特征提取单元和分类训练单元，所述步骤S2的执行过程包括：步骤S20，利用所述目标区域获取单元获取婴幼儿粪便图像中的目标区域；步骤S21，利用所述图像裁剪单元在所述目标区域中裁剪出预设尺寸的图像；步骤S22，利用所述特征提取单元对裁剪得到的图像进行特征提取；步骤S23，所述分类训练单元根据所提取的图像特征，利用预设的分类模型对婴幼儿粪便图像进行分类训练，得出分类训练结果。
优选地，所述步骤S1中，所述图像采集子系统录入的婴幼儿粪便图像是像素大小为256*256的图像，所述步骤S21中，所述图像裁剪单元用于在所述目标区域中裁剪出像素大小为224*224的图像。
优选地，所述分类模型包括VGGNet16模型、ResNet50模型和GoogleNet 中的Inception V3模型，所述步骤S23中，分别利用所述VGGNet16模型、ResNet50模型和GoogleNet中的Inception V3模型进行分类训练。
优选地，所述步骤S23中的分类模型是卷积神经网络。
优选地，所述步骤S22中所提取的图像特征包括图像的纹理特征及颜色特征。
本发明公开的婴幼儿粪便采样图像分类处理系统中，首先获取婴幼儿粪便图像，从早期婴幼儿粪便图像中提取相关颜色、纹理等特征信息，再基于深度学习的方式对图像进行分类训练，进而得到分类训练结果，相比现有技术而言，本发明大大提高了图像分类识别的准确率，大大的提高了疾病筛查的效率，为早期婴幼儿疾病的筛查工作起到了较好的辅助作用。
附图说明
图1为本发明采样图像分类处理系统的组成框图；
图2为本发明采样图像分类处理方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种婴幼儿粪便采样图像分类处理系统，请参见图1，其包括有：
图像采集子系统1，用于录入婴幼儿粪便图像；
图像分类子系统2，用于对图像采集子系统1录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。
上述系统中，首先获取婴幼儿粪便图像，从早期婴幼儿粪便图像中提取相关颜色、纹理等特征信息，再基于深度学习的方式对图像进行分类训练，进而得到分类训练结果，相比现有技术而言，本发明大大提高了图像分类识别的准确率，大大的提高了疾病筛查的效率，为早期婴幼儿疾病的筛查工作起到了较好的辅助作用。
本实施例中，所述图像采集子系统1录入的图像包括用户通过图像摄录装置拍摄的婴幼儿粪便图像以及从医院收集的患儿粪便图像。
作为一种优选方式，所述图像分类子系统2包括：
目标区域获取单元20，用于获取婴幼儿粪便图像中的目标区域；
图像裁剪单元21，用于在所述目标区域中裁剪出预设尺寸的图像；
特征提取单元22，用于对裁剪得到的图像进行特征提取；
分类训练单元23，用于根据所提取的图像特征，利用预设的分类模型对婴幼儿粪便图像进行分类训练，得出分类训练结果。
进一步地，所述图像采集子系统1录入的婴幼儿粪便图像是像素大小为 256*256的图像，所述图像裁剪单元21用于在所述目标区域中裁剪出像素大小为224*224的图像。
为了更好地描述本发明的技术方案，本发明还公开了一种婴幼儿粪便采样图像分类处理方法，结合图1和图2所示，该方法基于一系统实现，所述系统包括有图像采集子系统1和图像分类子系统2，所述方法包括：
步骤S1，利用所述图像采集子系统1录入婴幼儿粪便图像；
步骤S2，利用所述图像分类子系统2对图像采集子系统1录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。
上述方法中，所述图像分类子系统2包括有目标区域获取单元20、图像裁剪单元21、特征提取单元22和分类训练单元23，所述步骤S2的执行过程包括：
步骤S20，利用所述目标区域获取单元20获取婴幼儿粪便图像中的目标区域；
步骤S21，利用所述图像裁剪单元21在所述目标区域中裁剪出预设尺寸的图像；
步骤S22，利用所述特征提取单元22对裁剪得到的图像进行特征提取；
步骤S23，所述分类训练单元23根据所提取的图像特征，利用预设的分类模型对婴幼儿粪便图像进行分类训练，得出分类训练结果。
进一步地，所述步骤S1中，所述图像采集子系统1录入的婴幼儿粪便图像是像素大小为256*256的图像，所述步骤S21中，所述图像裁剪单元21用于在所述目标区域中裁剪出像素大小为224*224的图像。
上述过程中，在进行训练时会出现过拟合的现象，为了减少过拟合对实验结果造成的影响，为此对数据进行数据增强，数据增强的原理是在原有的数据基础上通过一些技术手段来产生新的数据，由于粪便图像数据特点，在进行数据增强之前首选对数据进行感兴趣区域获取。在随后进行的数据增强中使用的是随机裁剪的方法，裁剪的结果是将输入大小为256*256的粪便图像随机裁剪成大小为224*224的图像。将大量婴幼儿粪便数据分布在虚拟云中，实现图像数据的高效安全存储和高速动态读写。随后对获得的粪便图像数据进行特征提取。
作为一种优选方式，所述分类模型包括VGGNet16模型、ResNet50模型和GoogleNet中的Inception V3模型，所述步骤S23中，分别利用所述VGGNet16 模型、ResNet50模型和GoogleNet中的Inception V3模型进行分类训练。进一步地，训练过程中对模型的额参数进行微调，以获得较高的分类准确率，在对这三个分类模型进行参数微调之后，其训练过程的准确率可以达到95％以上，在最后的测试结果中，其准确率也可达到90％以上。
作为一种替换方式，所述步骤S23中的分类模型是卷积神经网络。即利用卷积神经网络来对数据进行训练、测试，进而得到分类的结果。此外也可以采用机器学习二分类方法，如：支持向量机、K近邻算法来对粪便图像数据进行分类。
作为一种优选方式，所述步骤S22中所提取的图像特征包括图像的纹理特征及颜色特征。
本发明公开的婴幼儿粪便采样图像分类处理系统及方法，其可以应用在基于婴幼儿粪便图像数据进行分析处理的多种疾病筛查活动中，下面以婴幼儿早期胆道闭锁疾病筛查为例，对本发明的技术方案进行举例说明：
实施例一
本实施例中婴幼儿粪便采样图像分类处理系统的处理过程如下：首先利用所述图像采集子系统1录入婴幼儿粪便图像，从早期婴幼儿粪便图像中提取相关颜色、纹理等特征信息，再利用所述图像分类子系统2对图像采集子系统1 录入的婴幼儿粪便图像进行分类训练，进而得到分类训练结果，上述处理过程有效提高了图像分类识别的准确率，同时可提高早期胆道闭锁的筛查效率，为早期婴幼儿胆道闭锁疾病的筛查工作起到了较好的辅助作用。
进一步地，所述图像采集子系统1录入的图像包括用户通过图像摄录装置拍摄的婴幼儿粪便图像以及从医院收集的胆道闭锁患儿粪便图像。
在具体的采集过程中，实验数据收集是经过医生或者病人家属对婴幼儿粪便图像进行拍照，随后再由医生对粪便图像进行标定(正常、异常)后得到数据。在数据标定的过程中有两位医生共同对数据进行标定，当两位医生对同一张粪便图像标定的结果一致时，才可区分这张图片为哪一类。当两名医生对同一张粪便图像标定结果不一致的时候，我们就把这张图片忽略，不纳入数据集当中。
具体过程包括：建立大样本正常小孩和胆道闭锁患儿粪便图片数据库，不同手机型号和采集光照条件不同，对图像分析有着重要影响，而且日益增多的图像数据，数据存储和计算也都是很大挑战。通过对图像增强算法，研究基于云计算的医学影像信息存储分析平台，将大量婴幼儿粪便数据和诊断信息分布在虚拟云中，实现图像数据的高效安全存储和高速动态读写；研究基于云平台的数据并行计算，实现特征学习算法和学习分类算法的并行化，开发一套完整移动应用客户终端，实现信息共享，患者家属将数据上传到“云”存储，得到预判结果，患者也可以通过云平台进行专家会诊服务。
所述图像分类子系统2中，采用自动识别异常粪便图片的智能识别技术，通过计算机自动婴幼儿粪便图像量化诊断指标，更加准确、安全的辅助医生完成对疾病的诊断，研究利用深度学习的特征学习方法对图像特征的提取，研究利用弱监督的方法构建分类器对图像的分类。评价网络智能识别技术在胆道闭锁早期诊断中的价值，通过前期采集大样本临床案例，开发一套移动应用客户端，实际应用过程中，可联合多家治疗胆道闭锁的医学中心及多家妇幼保健中心共同参与项目对数据样本的采集，可以连续动态获取病变发展情况，并利用客户端对病例进行随访跟踪，最终评价和验证智能识别算法的可靠性、准确性。
本发明公开的婴幼儿粪便采样图像分类处理系统及方法，利用深度学习的方法对早期胆道闭锁等疾病进行筛查，能够充分的提取到粪便图像的特征，避免了使用粪便比色卡过程中出现的人为的错误因为的影响。同时，本发明可将深度学习算法集成到手机APP软件中，通过手机拍照自动识别正常或者异常的粪便图像，大大的提高了如早期胆道闭锁等疾病的筛查效率。更加准确、安全的辅助医生完成对疾病的诊断。相比先由技术而言，本发明使用深度学习的方法进行筛查，先提取粪便图像特征再进行训练测试，大大的提高了分类识别的准确率。
应当说明的是，本发明提出的婴幼儿粪便采样图像分类处理系统及方法，其实际属于婴幼儿疾病筛查过程中用于实现数据统计与处理的计算机系统和计算机方法，并非某种特定疾病的治疗和筛查手段，同时，本发明对具体的应用场景不作限制，即无论将本发明作为任何一种婴幼儿疾病筛查的辅助计算机解决方案，均应当属于本发明的保护范围。

Claims (10)

1.一种婴幼儿粪便采样图像分类处理系统，其特征在于，包括有：
图像采集子系统(1)，用于录入婴幼儿粪便图像；
图像分类子系统(2)，用于对图像采集子系统(1)录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。
2.如权利要求1所述的婴幼儿粪便采样图像分类处理系统，其特征在于，所述图像采集子系统(1)录入的图像包括用户通过图像摄录装置拍摄的婴幼儿粪便图像以及从医院收集的患儿粪便图像。
3.如权利要求1所述的婴幼儿粪便采样图像分类处理系统，其特征在于，所述图像分类子系统(2)包括：
目标区域获取单元(20)，用于获取婴幼儿粪便图像中的目标区域；
图像裁剪单元(21)，用于在所述目标区域中裁剪出预设尺寸的图像；
特征提取单元(22)，用于对裁剪得到的图像进行特征提取；
分类训练单元(23)，用于根据所提取的图像特征，利用预设的分类模型对婴幼儿粪便图像进行分类训练，得出分类训练结果。
4.如权利要求3所述的婴幼儿粪便采样图像分类处理系统，其特征在于，所述图像采集子系统(1)录入的婴幼儿粪便图像是像素大小为256*256的图像，所述图像裁剪单元(21)用于在所述目标区域中裁剪出像素大小为224*224的图像。
5.一种婴幼儿粪便采样图像分类处理方法，其特征在于，该方法基于一系统实现，所述系统包括有图像采集子系统(1)和图像分类子系统(2)，所述方法包括：
步骤S1，利用所述图像采集子系统(1)录入婴幼儿粪便图像；
步骤S2，利用所述图像分类子系统(2)对图像采集子系统(1)录入的婴幼儿粪便图像进行分类训练，得出分类训练结果。
6.如权利要求5所述的婴幼儿粪便采样图像分类处理方法，其特征在于，所述图像分类子系统(2)包括有目标区域获取单元(20)、图像裁剪单元(21)、特征提取单元(22)和分类训练单元(23)，所述步骤S2的执行过程包括：
步骤S20，利用所述目标区域获取单元(20)获取婴幼儿粪便图像中的目标区域；
步骤S21，利用所述图像裁剪单元(21)在所述目标区域中裁剪出预设尺寸的图像；
步骤S22，利用所述特征提取单元(22)对裁剪得到的图像进行特征提取；
步骤S23，所述分类训练单元(23)根据所提取的图像特征，利用预设的分类模型对婴幼儿粪便图像进行分类训练，得出分类训练结果。
7.如权利要求6所述的婴幼儿粪便采样图像分类处理方法，其特征在于，所述步骤S1中，所述图像采集子系统(1)录入的婴幼儿粪便图像是像素大小为256*256的图像，所述步骤S21中，所述图像裁剪单元(21)用于在所述目标区域中裁剪出像素大小为224*224的图像。
8.如权利要求6所述的婴幼儿粪便采样图像分类处理方法，其特征在于，所述分类模型包括VGGNet16模型、ResNet50模型和GoogleNet中的Inception V3模型，所述步骤S23中，分别利用所述VGGNet16模型、ResNet50模型和GoogleNet中的Inception V3模型进行分类训练。
9.如权利要求6所述的婴幼儿粪便采样图像分类处理方法，其特征在于，所述步骤S23中的分类模型是卷积神经网络。
10.如权利要求6所述的婴幼儿粪便采样图像分类处理方法，其特征在于，所述步骤S22中所提取的图像特征包括图像的纹理特征及颜色特征。
CN201910366945.8A 2019-05-05 2019-05-05 一种婴幼儿粪便采样图像分类处理系统及方法 Pending CN110222713A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910366945.8A CN110222713A (zh) 2019-05-05 2019-05-05 一种婴幼儿粪便采样图像分类处理系统及方法
PCT/CN2019/130562 WO2020224282A1 (zh) 2019-05-05 2019-12-31 一种婴幼儿粪便采样图像分类处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910366945.8A CN110222713A (zh) 2019-05-05 2019-05-05 一种婴幼儿粪便采样图像分类处理系统及方法

Publications (1)

Publication Number Publication Date
CN110222713A true CN110222713A (zh) 2019-09-10

Family

ID=67820311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910366945.8A Pending CN110222713A (zh) 2019-05-05 2019-05-05 一种婴幼儿粪便采样图像分类处理系统及方法

Country Status (2)

Country Link
CN (1) CN110222713A (zh)
WO (1) WO2020224282A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111183917A (zh) * 2019-11-14 2020-05-22 北京海益同展信息科技有限公司 一种动物异常监测、图像处理方法及装置
WO2020224282A1 (zh) * 2019-05-05 2020-11-12 深圳先进技术研究院 一种婴幼儿粪便采样图像分类处理系统及方法
CN112002415A (zh) * 2020-08-23 2020-11-27 吾征智能技术(北京)有限公司 一种基于人体粪便智能认知疾病系统
CN112183674A (zh) * 2020-11-06 2021-01-05 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统
CN113593696A (zh) * 2021-07-12 2021-11-02 金世柱 粪便自主筛选诊断系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023283252A1 (en) * 2021-07-06 2023-01-12 Toi Labs, Inc. System, method and apparatus to detect health abnormality in patients

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120031976A1 (en) * 2010-08-06 2012-02-09 Yan Bao Approach of disposing waste
CN106651883A (zh) * 2016-12-30 2017-05-10 四川沃文特生物技术有限公司 基于机器视觉的粪便形态识别方法
CN106682633A (zh) * 2016-12-30 2017-05-17 四川沃文特生物技术有限公司 基于机器视觉的粪便镜检图像有形成分的分类识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120316421A1 (en) * 2009-07-07 2012-12-13 The Johns Hopkins University System and method for automated disease assessment in capsule endoscopy
CN107066779A (zh) * 2016-10-18 2017-08-18 应继伟 基于生物样本颜色的自助身体参数检查方法及系统
CN108009567B (zh) * 2017-11-10 2021-11-02 电子科技大学 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法
CN110222713A (zh) * 2019-05-05 2019-09-10 深圳先进技术研究院 一种婴幼儿粪便采样图像分类处理系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120031976A1 (en) * 2010-08-06 2012-02-09 Yan Bao Approach of disposing waste
CN106651883A (zh) * 2016-12-30 2017-05-10 四川沃文特生物技术有限公司 基于机器视觉的粪便形态识别方法
CN106682633A (zh) * 2016-12-30 2017-05-17 四川沃文特生物技术有限公司 基于机器视觉的粪便镜检图像有形成分的分类识别方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224282A1 (zh) * 2019-05-05 2020-11-12 深圳先进技术研究院 一种婴幼儿粪便采样图像分类处理系统及方法
CN111183917A (zh) * 2019-11-14 2020-05-22 北京海益同展信息科技有限公司 一种动物异常监测、图像处理方法及装置
CN111183917B (zh) * 2019-11-14 2022-02-01 京东科技信息技术有限公司 一种动物异常监测、图像处理方法及装置
CN112002415A (zh) * 2020-08-23 2020-11-27 吾征智能技术(北京)有限公司 一种基于人体粪便智能认知疾病系统
CN112002415B (zh) * 2020-08-23 2024-03-01 吾征智能技术(北京)有限公司 一种基于人体粪便智能认知疾病系统
CN112183674A (zh) * 2020-11-06 2021-01-05 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统
CN112183674B (zh) * 2020-11-06 2022-06-10 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统
CN113593696A (zh) * 2021-07-12 2021-11-02 金世柱 粪便自主筛选诊断系统

Also Published As

Publication number Publication date
WO2020224282A1 (zh) 2020-11-12

Similar Documents

Publication Publication Date Title
CN110222713A (zh) 一种婴幼儿粪便采样图像分类处理系统及方法
Arias-Londono et al. Artificial intelligence applied to chest X-ray images for the automatic detection of COVID-19. A thoughtful evaluation approach
WO2020207377A1 (zh) 一种图像识别模型训练及图像识别方法、装置及系统
Chen et al. Prediction of chronic kidney disease using adaptive hybridized deep convolutional neural network on the internet of medical things platform
CN109190540B (zh) 活检区域预测方法、图像识别方法、装置和存储介质
CN111524580B (zh) 一种基于神经网络的病毒筛查与防疫系统及方法
Muhaba et al. Automatic skin disease diagnosis using deep learning from clinical image and patient information
CN108922599A (zh) 一种基于mil的医学图像病灶点精确标注方法
Zhang et al. A semi-supervised learning approach for COVID-19 detection from chest CT scans
CN108596174A (zh) 一种皮肤病影像的病灶定位方法
CN114926396B (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Akram et al. Segmentation and classification of skin lesions using hybrid deep learning method in the Internet of Medical Things
Amiri et al. Feature selection for bleeding detection in capsule endoscopy images using genetic algorithm
Bethell et al. A deep transfer learning model for head pose estimation in rhesus macaques during cognitive tasks: Towards a nonrestraint noninvasive 3Rs approach
CN110598724B (zh) 一种基于卷积神经网络的细胞低分辨率图像融合方法
CN108564016A (zh) 一种基于计算机视觉的au分类系统及方法
Gao et al. Turner syndrome prognosis with facial features extraction and selection schemes
CN113380420A (zh) 一种疫情预测方法、装置、电子设备及存储介质
Ramesh et al. Alzheimer's Disease (AD) Diagnosis from Brain MRI Image using Neural Network Algorithm
WO2023158114A1 (ko) 오가노이드 선별 장치 및 방법
Michelle et al. Covid-19 Detection from X-Rays with Aid of Convolutional Neural Network
Rawat et al. A review on automatic COVID-19 lung lesions detection from tomographical image
Saparkhojayev et al. Abnormality Detection in Chest X-ray Images Using Uncertainty Prediction Algorithms
Liu et al. Detection of fetal facial anatomy in standard ultrasonographic sections based on real‐time target detection network
Reifs et al. Tissue segmentation for automatic chronic wound assessment

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190910