CN110236497A - 一种基于舌相和bmi指数的脂肪肝预测方法 - Google Patents

一种基于舌相和bmi指数的脂肪肝预测方法 Download PDF

Info

Publication number
CN110236497A
CN110236497A CN201910618880.1A CN201910618880A CN110236497A CN 110236497 A CN110236497 A CN 110236497A CN 201910618880 A CN201910618880 A CN 201910618880A CN 110236497 A CN110236497 A CN 110236497A
Authority
CN
China
Prior art keywords
fatty liver
model
prediction
tongue phase
tongue
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
CN201910618880.1A
Other languages
English (en)
Inventor
杨青川
代超
何帆
周振
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.)
CHINA POWER HEALTH CLOUD TECHNOLOGY Co.,Ltd.
China Japan Friendship Hospital
Original Assignee
Zhongdian Health Cloud Technology Co Ltd
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 Zhongdian Health Cloud Technology Co Ltd filed Critical Zhongdian Health Cloud Technology Co Ltd
Priority to CN201910618880.1A priority Critical patent/CN110236497A/zh
Publication of CN110236497A publication Critical patent/CN110236497A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—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
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于舌相和BMI指数的脂肪肝预测方法，涉及人工智能技术领域，本发明包括采集若干张舌相图像，对每张舌相图像预处理，得到训练数据集A，采用训练数据集B记录每张舌相图像对应人员的BMI数据，采用标记数据集记录每张舌相图像对应人员是否患有脂肪肝的标记值；基于训练数据集A、训练数据集B和标记数据集，建立包括脂肪肝预测神经网络模型和脂肪肝预测SVM模型的脂肪肝预测模型；利用脂肪肝预测模型对待测图像进行预测，输出最终预测结果，本发明结合脂肪肝预测神经网络模型和脂肪肝预测SVM模型得到脂肪肝预测模型，通过脂肪肝预测模型对待测图像进行预测，能够提高预测准确率。

Description

一种基于舌相和BMI指数的脂肪肝预测方法
技术领域
本发明涉及人工智能技术领域，更具体的是涉及一种基于舌相和BMI指数的脂肪肝预测方法。
背景技术
脂肪肝是指由于各种原因引起的肝细胞内脂肪堆积过多的病变，是一种常见的肝脏病理改变，而非一种独立的疾病。脂肪性肝病正严重威胁国人的健康，成为仅次于病毒性肝炎的第二大肝病，发病率在不断升高，且发病年龄日趋年轻化。正常人肝组织中含有少量的脂肪，如甘油三酯、磷脂、糖脂和胆固醇等，其重量约为肝重量的3％～5％，如果肝内脂肪蓄积太多，超过肝重量的5％或在组织学上肝细胞50％以上有脂肪变性时，就可称为脂肪肝。其临床表现轻者无症状，重者病情凶猛。一般而言，脂肪肝属可逆性疾病，早期诊断并及时治疗常可恢复正常。
目前，对脂肪肝的预测主要是采用概率统计学方法来判别，通过单因素变量建立特征统计模型，基于该特征统计模型分析某种单一变量下发生脂肪肝的概率，再通过各种单一因素下的概率统计来计算综合概率指标，然而特征统计模型的统计逻辑较为简单，可能导致由于一部分因素考虑不充分而造成脂肪肝判别准确率低的问题。
中西医结合治疗是长期以来医学的重要课题，如何将中医的方法运用到西医，为广发人民提供高效快捷的医疗服务，成为学界的难题。当前脂肪肝的发现与诊断主要基于血液检查等诊疗数据，通过某些身体指标去衡量是否患有脂肪肝，而中医认为舌头的变化可以反映患脂肪肝的概率。
申请日为2019.01.25，申请号为201910075821.4的中国发明专利申请公开了一种基于舌相识别的脂肪肝预测方法和装置，利用大量的舌头图像样本对预设脂肪肝预测神经网络进行训练更新，得到脂肪肝预测模型，经过大量图像样本拟合出来的脂肪肝预测模型的网络模型参数具有脂肪肝判别准确率高的特点，对于各种影响因素也可以自动学习到最佳拟合参数，有效增强了脂肪肝预测模型的泛化能力，虽然通过深度学习的方法建立的脂肪肝预测模型的预测准确率较特征统计模型来说更高，但实际上建立的脂肪肝预测模型结构较简单，仅仅是采用卷积层提取舌头图像样本特征，然后利用sigmod分类器进行预测，预测得到的结果的准确率并不理想。
发明内容
本发明的目的在于：为了解决现有的通过深度学习的方法建立的脂肪肝预测模型结构较简单，仅仅通过卷积层提取舌头图像样本特征，然后利用sigmod分类器进行预测，准确率较低的问题，本发明提供一种基于舌相和BMI指数的脂肪肝预测方法，利用深度学习技术提取舌相特征，训练得到脂肪肝预测神经网络模型，利用BMI指数训练SVM分类器得到脂肪肝预测SVM模型，结合脂肪肝预测神经网络模型和脂肪肝预测SVM模型得到脂肪肝预测模型，通过脂肪肝预测模型对待测图像进行预测，能够提高预测准确率。
本发明为了实现上述目的具体采用以下技术方案：
一种基于舌相和BMI指数的脂肪肝预测方法，包括如下步骤：
采集若干张舌相图像，对每张舌相图像预处理，得到训练数据集A，采用训练数据集B记录每张舌相图像对应人员的BMI数据，采用标记数据集记录每张舌相图像对应人员是否患有脂肪肝的标记值；
基于训练数据集A、训练数据集B和标记数据集，建立包括脂肪肝预测神经网络模型和脂肪肝预测SVM模型的脂肪肝预测模型；
利用脂肪肝预测模型对待测图像进行预测，输出最终预测结果。
进一步的，所述脂肪肝预测神经网络模型的建立为：建立神经网络预测模型，基于训练数据集A和标记数据集对神经网络预测模型进行训练更新，最终输出脂肪肝预测神经网络模型。
进一步的，所述脂肪肝预测SVM模型的建立为：利用训练数据集B和标记数据集对SVM分类器进行训练，输出脂肪肝预测SVM模型。
进一步的，对每张舌相图像进行预处理，得到训练数据集A，包括：
按比例分割每张舌相图像，得到与每张舌相图像对应的分割图像组，每个分割图像组中包括舌相图像不同区域的分割图像；
对所有分割图像组中的分割图像进行筛选，得到训练数据集A。
进一步的，按比例分割每张舌相图像，具体为：按照中医学理论对舌相图像进行分割。
进一步的，对所有分割图像组中的分割图像进行筛选，剔除信息量少的区域的分割图像，保留剩余的分割图像形成训练数据集A。
进一步的，所建立的神经网络预测模型，结构为：
输入层连接有MobileNet模型，MobileNet模型输出端连接Full Connect网络A，Full Connect网络A具有两个输出分支，其中一个输出分支连接Center Loss网络，另一个输出分支连接Full Connect网络B，Full Connect网络B的输出端连接AM-Softmax网络。
进一步的，基于训练数据集A和标记数据集对神经网络预测模型进行训练更新，包括：
将训练数据集A输入到神经网络预测模型的输入层中，利用MobileNet模型提取训练数据集A中的舌相特征；
利用Full Connect网络A将MobileNet模型所提取的舌相特征全连接为多维特征；
利用Center Loss算法对多维特征与标记数据集中的标记值进行计算，得到centerloss损失值，计算centerloss损失值的目的旨在减小“患病”与“无病”两类数据间的类内距；
利用Full Connect网络B将多维特征全连接为2维特征，利用AM-Softmax算法对2维特征进行分类，得到相应的预测值，将预测值与标记数据集中的标记值做交叉熵损失，得到AMsoftmax损失值；
对centerloss损失值与AMsoftmax损失值求和，得到总损失值，利用总损失值作为损失函数进行反向求导，更新神经网络预测模型的网络参数，将训练数据集A输入到更新后的神经网络预测模型的输入层中，反复迭代更新，不断减小总损失值，直至满足终止条件，输出脂肪肝预测神经网络模型。
进一步的，所述脂肪肝预测模型为：对脂肪肝预测神经网络模型和脂肪肝预测SVM模型分别赋予权重进行加权求和，得到脂肪肝预测模型。
进一步的，所述脂肪肝预测神经网络模型和脂肪肝预测SVM模型的权重基于多参数正交实验得到的。
本发明的有益效果如下：
1、BMI(Body Mass Index)指数为体质指数，是目前国际上常用来量度体重与身高比例的工具，利用身高和体重之间的比例衡量一个人是否过瘦或过肥，而通常情况下脂肪肝患者往往由于脂肪含量过高较肥胖，因此BMI指数对判定脂肪肝具有辅助作用，本发明利用舌相图像对应人员的BMI数据和该人员是否患有脂肪肝的标记值对SVM分类器进行训练，得到脂肪肝预测SVM模型；
利用大量的舌相图像和每张舌相图像对应人员是否患有脂肪肝的标记值，对神经网络预测模型进行迭代更新，得到脂肪肝预测神经网络模型，将脂肪肝预测神经网络模型与脂肪肝预测SVM模型结合起来，形成脂肪肝预测模型，通过脂肪肝预测模型对待测舌相图像进行预测，能够提高单纯通过舌相进行脂肪肝预测的准确率，确保预测结果的准确性。
2、本发明中通过建立深度学习的神经网络预测模型，采用大量的舌相图像作为训练样本，对神经网络预测模型进行训练，让模型自己学习调整网络参数，而非人为指定统计学模型的参数，这样通过大量数据拟合得到的模型参数具有判别准确率高的特点，对于各种影响因素也自动学习最佳拟合参数，模型泛化能力强。
3、本发明中对神经网络预测模型进行训练更新时，利用AM-Softmax算法对2维特征进行分类，相较于传统的Softmax算法，能够进一步扩大类间距，并且通过Center Loss算法对多维特征与标记数据集中的标记值进行计算，能够减小类内距，通过扩大类间距、减小类内距，能够对“患病”与“无病”两类数据实现更好的分类。
附图说明
图1是本发明的方法流程示意图。
图2是本发明的若干张舌相图像中的一张舌相图像示意图。
图3是本发明按照中医学理论对舌相图像进行分割的示意图。
图4是本发明建立的神经网络预测模型的结构示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示，本实施例提供一种基于舌相和BMI指数的脂肪肝预测方法，包括如下步骤：
采集若干张舌相图像，对每张舌相图像预处理，得到训练数据集A，采用训练数据集B记录每张舌相图像对应人员的BMI数据，采用标记数据集记录每张舌相图像对应人员是否患有脂肪肝的标记值，此处是否患有脂肪肝可通过CT进行诊断；
基于训练数据集A、训练数据集B和标记数据集，建立包括脂肪肝预测神经网络模型和脂肪肝预测SVM模型的脂肪肝预测模型，具体为：
建立神经网络预测模型，基于训练数据集A和标记数据集对神经网络预测模型进行训练更新，最终输出脂肪肝预测神经网络模型；
利用训练数据集B和标记数据集对SVM分类器进行训练，输出脂肪肝预测SVM模型；
对脂肪肝预测神经网络模型和脂肪肝预测SVM模型分别赋予权重进行加权求和，得到脂肪肝预测模型；
利用脂肪肝预测模型对待测图像进行预测，输出最终预测结果。
BMI(Body Mass Index)指数为体质指数，是目前国际上常用来量度体重与身高比例的工具，利用身高和体重之间的比例衡量一个人是否过瘦或过肥，而通常情况下脂肪肝患者往往由于脂肪含量过高较肥胖，因此BMI指数对判定脂肪肝具有辅助作用，本实施例利用舌相图像对应人员的BMI数据和该人员是否患有脂肪肝的标记值对SVM分类器进行训练，得到脂肪肝预测SVM模型；
利用大量的舌相图像和每张舌相图像对应人员是否患有脂肪肝的标记值，对神经网络预测模型进行迭代更新，得到脂肪肝预测神经网络模型，将脂肪肝预测神经网络模型与脂肪肝预测SVM模型结合起来，形成脂肪肝预测模型，通过脂肪肝预测模型对待测舌相图像进行预测，能够提高单纯通过舌相进行脂肪肝预测的准确率，确保预测结果的准确性。
实施例2
本实施例在实施例1的基础之上进一步优化，具体是：
本实施例中采集2000张舌相图像，如图2所示，为2000张舌相图像中的一张舌相图像示意图，对每张舌相图像进行预处理，得到训练数据集A，包括：
按比例分割每张舌相图像，得到与每张舌相图像对应的分割图像组，每个分割图像组中包括舌相图像不同区域的分割图像，分割图像组中所包括的分割图像的数量并不固定，可以是5张、7张、9张或是其他允许的任意张数，可以根据实际情况选择舌相图像的分割比例，如图3所示，本实施例中按照中医学理论将舌相图像分割为9个区域，分别为舌根左图A、舌根中图B、舌根右图C、舌左侧图D、舌中上部图E、舌右侧图F、舌中下左图G、舌中下右图H和舌尖图I；
对所有分割图像组中的分割图像进行筛选，剔除信息量少的区域的分割图像，保留剩余的分割图像形成训练数据集A，由于舌根处的信息量较少，本实施例中选择剔除舌根左图A、舌根中图B和舌根右图C，保留其余6张分割图像形成训练数据集A，本实施例中将舌相图像按特定比例划分为9个区域，剔除舌根处信息量少的3个区域，保留包括舌两侧、舌中和舌尖的6个区域，能够确保训练数据集A中信息的有效性，提高神经网络预测模型的训练效率。
实施例3
本实施例在实施例2的基础之上进一步优化，具体是：
建立如图4所示的神经网络预测模型，其结构为：
输入层连接有MobileNet模型，MobileNet模型输出端连接Full Connect网络A，Full Connect网络A具有两个输出分支，其中一个输出分支连接Center Loss网络，另一个输出分支连接FullConnect网络B，Full Connect网络B的输出端连接AM-Softmax网络；
基于上述神经网络预测模型，利用训练数据集A和标记数据集对其进行训练更新，包括如下步骤：
将训练数据集A输入到神经网络预测模型的输入层中，具体的是将训练数据集A中12000张不同区域的分割图像输入到输入层，利用MobileNet模型提取训练数据集A中的舌相特征；
利用Full Connect网络A将MobileNet模型所提取的舌相特征全连接为多维特征，本实施例中多维特征为128维特征；
利用Center Loss网络的Center Loss算法对128维特征与标记数据集中的标记值进行计算，得到centerloss损失值，本实施例中的标签值为人为设定的，设定“患病”的标签值为1，“未患病”的标签值为0，计算centerloss损失值的目的旨在减小“患病”与“无病”两类数据各自的类内距；
利用Full Connect网络B将128维特征再一次全连接为2维特征，利用AM-Softmax网络对2维特征进行分类，得到相应的预测值，将预测值与标记数据集中的标记值做交叉熵损失，得到AMsoftmax损失值，本实施例中利用AM-Softmax算法比传统的Softmax算法，能够进一步扩大类间距；
对centerloss损失值与AMsoftmax损失值求和，得到总损失值，利用总损失值作为损失函数进行反向求导，更新神经网络预测模型的网络参数，将训练数据集A输入到更新后的神经网络预测模型的输入层中，反复迭代更新，不断减小总损失值，直至满足终止条件，输出脂肪肝预测神经网络模型，本实施例利用AM-Softmax算法对2维特征进行分类，相较于传统的Softmax算法，能够进一步扩大类间距，并且通过Center Loss算法对多维特征与标记数据集中的标记值进行计算，能够减小“患病”与“无病”两类数据间的类内距，通过扩大类间距、减小类内距，能够实现更好的分类。
实施例4
本实施例在上述实施例的基础之上进一步优化，具体是：
所述脂肪肝预测神经网络模型和脂肪肝预测SVM模型的权重是在测试数据集上经过多次基于多参数正交实验得到的，测试数据集包括舌相图像、对应舌相图像人员的BMI数据以及该人员是否患病的标签值，本实施例通过实验得到，当脂肪肝预测神经网络模型的权重为0.6，脂肪肝预测SVM模型的权重为0.4时，脂肪肝预测模型的预测准确率最高。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (10)

1.一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，包括如下步骤：
采集若干张舌相图像，对每张舌相图像预处理，得到训练数据集A，采用训练数据集B记录每张舌相图像对应人员的BMI数据，采用标记数据集记录每张舌相图像对应人员是否患有脂肪肝的标记值；
基于训练数据集A、训练数据集B和标记数据集，建立包括脂肪肝预测神经网络模型和脂肪肝预测SVM模型的脂肪肝预测模型；
利用脂肪肝预测模型对待测图像进行预测，输出最终预测结果。
2.根据权利要求1所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，脂肪肝预测神经网络模型的建立为：
建立神经网络预测模型，基于训练数据集A和标记数据集对神经网络预测模型进行训练更新，最终输出脂肪肝预测神经网络模型。
3.根据权利要求1或2所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，脂肪肝预测SVM模型的建立为：
利用训练数据集B和标记数据集对SVM分类器进行训练，输出脂肪肝预测SVM模型。
4.根据权利要求1所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，对每张舌相图像进行预处理，得到训练数据集A，包括：
按比例分割每张舌相图像，得到与每张舌相图像对应的分割图像组，每个分割图像组中包括舌相图像不同区域的分割图像；
对所有分割图像组中的分割图像进行筛选，得到训练数据集A。
5.根据权利要求4所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，按照中医学理论对舌相图像进行分割。
6.根据权利要求4或5所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，对所有分割图像组中的分割图像进行筛选，剔除信息量少的区域的分割图像，保留剩余的分割图像形成训练数据集A。
7.根据权利要求2所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，建立的神经网络预测模型，结构为：
输入层连接有MobileNet模型，MobileNet模型输出端连接Full Connect网络A，FullConnect网络A具有两个输出分支，其中一个输出分支连接Center Loss网络，另一个输出分支连接Full Connect网络B，Full Connect网络B的输出端连接AM-Softmax网络。
8.根据权利要求7所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，基于训练数据集A和标记数据集对神经网络预测模型进行训练更新，包括：
将训练数据集A输入到神经网络预测模型的输入层中，利用MobileNet模型提取训练数据集A中的舌相特征；
利用Full Connect网络A将MobileNet模型所提取的舌相特征全连接为多维特征；
利用Center Loss算法对多维特征与标记数据集中的标记值进行计算，得到centerloss损失值；
利用Full Connect网络B将多维特征全连接为2维特征，利用AM-Softmax算法对2维特征进行分类，得到相应的预测值，将预测值与标记数据集中的标记值做交叉熵损失，得到AMsoftmax损失值；
对centerloss损失值与AMsoftmax损失值求和，得到总损失值，利用总损失值作为损失函数进行反向求导，更新神经网络预测模型的网络参数，将训练数据集A输入到更新后的神经网络预测模型的输入层中，反复迭代更新，直至满足终止条件，输出脂肪肝预测神经网络模型。
9.根据权利要求1所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，对脂肪肝预测神经网络模型和脂肪肝预测SVM模型分别赋予权重进行加权求和，得到脂肪肝预测模型。
10.根据权利要求9所述的一种基于舌相和BMI指数的脂肪肝预测方法，其特征在于，脂肪肝预测神经网络模型和脂肪肝预测SVM模型的权重基于多参数正交实验得到。
CN201910618880.1A 2019-07-10 2019-07-10 一种基于舌相和bmi指数的脂肪肝预测方法 Pending CN110236497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910618880.1A CN110236497A (zh) 2019-07-10 2019-07-10 一种基于舌相和bmi指数的脂肪肝预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910618880.1A CN110236497A (zh) 2019-07-10 2019-07-10 一种基于舌相和bmi指数的脂肪肝预测方法

Publications (1)

Publication Number Publication Date
CN110236497A true CN110236497A (zh) 2019-09-17

Family

ID=67891660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910618880.1A Pending CN110236497A (zh) 2019-07-10 2019-07-10 一种基于舌相和bmi指数的脂肪肝预测方法

Country Status (1)

Country Link
CN (1) CN110236497A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110786834A (zh) * 2019-12-09 2020-02-14 中电健康云科技有限公司 一种基于舌象特征和bmi指数的脂肪肝预测方法
CN111084609A (zh) * 2019-12-19 2020-05-01 东莞宇龙通信科技有限公司 基于舌象的健康诊断方法、装置、存储介质和电子设备
CN113425254A (zh) * 2021-05-10 2021-09-24 复旦大学 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932976A (zh) * 2018-06-11 2018-12-04 西安医学院 一种非酒精性脂肪性肝病无创性诊断程序
CN109493971A (zh) * 2019-01-25 2019-03-19 中电健康云科技有限公司 基于舌相识别的脂肪肝预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932976A (zh) * 2018-06-11 2018-12-04 西安医学院 一种非酒精性脂肪性肝病无创性诊断程序
CN109493971A (zh) * 2019-01-25 2019-03-19 中电健康云科技有限公司 基于舌相识别的脂肪肝预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MINGCHAO JIANG: "Additive Margin Softmax with Center Loss for Face Recognition", 《INTERNATIONAL CONFERENCE ON VIDEO AND IMAGE》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110786834A (zh) * 2019-12-09 2020-02-14 中电健康云科技有限公司 一种基于舌象特征和bmi指数的脂肪肝预测方法
CN111084609A (zh) * 2019-12-19 2020-05-01 东莞宇龙通信科技有限公司 基于舌象的健康诊断方法、装置、存储介质和电子设备
CN113425254A (zh) * 2021-05-10 2021-09-24 复旦大学 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法

Similar Documents

Publication Publication Date Title
CN108021916B (zh) 基于注意力机制的深度学习糖尿病视网膜病变分类方法
CN113011485B (zh) 多模态多病种长尾分布眼科疾病分类模型训练方法和装置
CN107330449A (zh) 一种糖尿病性视网膜病变体征检测方法及装置
CN109886986A (zh) 一种基于多分支卷积神经网络的皮肤镜图像分割方法
CN108143411A (zh) 一种面向孤独症诊断的静息态脑电分析系统
CN110236497A (zh) 一种基于舌相和bmi指数的脂肪肝预测方法
CN110197493A (zh) 眼底图像血管分割方法
CN109872328A (zh) 一种脑部图像分割方法、装置和存储介质
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN107066814A (zh) 一种基于望闻问切协同的中医智能辅助诊断系统
CN106295139A (zh) 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN106780482A (zh) 一种医学图像分类方法
CN110084803A (zh) 基于人类视觉系统的眼底图像质量评估方法
CN108256452A (zh) 一种基于特征融合的ecg信号分类的方法
CN109497996B (zh) 一种微状态eeg时域特征的复杂网络构建及分析方法
CN110136836A (zh) 一种基于体检报告聚类分析的疾病预测方法
CN109363670A (zh) 一种基于睡眠监测的抑郁症智能检测方法
CN109726743A (zh) 一种基于三维卷积神经网络的视网膜oct图像分类方法
CN109509552A (zh) 一种基于功能连接网络的多层次特征融合的精神病自动判别方法
CN109948719A (zh) 一种基于残差密集模块网络结构的眼底图像质量自动分类方法
CN111080643A (zh) 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN108937934A (zh) 一种基于深度学习的人脑mri海马体检测与分割方法
CN110473634A (zh) 一种基于多域融合学习的遗传代谢病辅助筛查方法
CN115035127A (zh) 一种基于生成式对抗网络的视网膜血管分割方法
CN108962382A (zh) 一种基于乳腺癌临床高维数据的分层重要特征选择方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yang Qingchuan

Inventor after: Chao Dai

Inventor after: He Fan

Inventor after: Zhou Zhen

Inventor after: Yao Shukun

Inventor after: Duan Shaojie

Inventor after: Chen Jialiang

Inventor before: Yang Qingchuan

Inventor before: Chao Dai

Inventor before: He Fan

Inventor before: Zhou Zhen

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210120

Address after: Shuangxin District, Chengdu, Sichuan 610000

Applicant after: CHINA POWER HEALTH CLOUD TECHNOLOGY Co.,Ltd.

Applicant after: China Japan Friendship Hospital (China Japan Friendship Institute of clinical medicine)

Address before: Shuangxin District, Chengdu, Sichuan 610000

Applicant before: CHINA POWER HEALTH CLOUD TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190917