CN111368708A - 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 - Google Patents
一种基于人工智能的烧烫伤图像快速分级识别方法及系统 Download PDFInfo
- Publication number
- CN111368708A CN111368708A CN202010134271.1A CN202010134271A CN111368708A CN 111368708 A CN111368708 A CN 111368708A CN 202010134271 A CN202010134271 A CN 202010134271A CN 111368708 A CN111368708 A CN 111368708A
- Authority
- CN
- China
- Prior art keywords
- burn
- scald
- image
- grading
- artificial intelligence
- 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
- 206010053615 Thermal burn Diseases 0.000 title claims abstract description 105
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000035876 healing Effects 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 47
- 230000001681 protective effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 229920003023 plastic Polymers 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 2
- 206010072170 Skin wound Diseases 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 206010052428 Wound Diseases 0.000 description 33
- 231100000241 scar Toxicity 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000037387 scars Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一种基于人工智能的烧烫伤图像快速分级识别方法及系统：所述方法包括以下步骤:（1）采集烧烫伤创面照片图像；（2）照片图像分级标记；（3）获取分级数据库；（4）获取网络分级器，建立烧烫伤分级模型；(5）优化烧烫伤分级模型；(6)获得烧烫伤分级识别结果；(7)新的烧烫伤创面照片图像追踪愈合结果后进一步扩充原始数据库。本发明还包括一种用于该方法的配套硬件系统。利用本发明，能准确预测烧烫伤患者伤口的愈合时间范围并分级，便于医生或患者本人判断病情；采用基于卷积神经网络的人工智能算法，随着样本量的不断增加及分级模型的不断优化，预测的准确率可以不断提高。
Description
技术领域
本发明涉及医学烧烫伤创面图像处理技术领域，具体涉及一种基于人工智能的烧烫伤图像快速分级识别方法及系统。
背景技术
我国目前每年有大约2000万人受到不同程度的烧烫伤，烧烫伤造成的死亡人数在意外伤害中仅次于交通事故。同时，烧烫伤常遗留严重瘢痕，造成患者残疾、外貌改变等，给患者生活、心理带来巨大影响。
烧烫伤按照热力损伤累及皮肤的层次不同，分为Ⅰ度、浅Ⅱ度、深Ⅱ度和Ⅲ度，不同程度的烧烫伤治疗方式不同，预后不同，早期正确的诊断分级至关重要。然而目前我国大部分基层医院没有烧伤科专科医师，仅少数大型三甲医院设有烧伤科专科。非烧伤科专科医师判断烧烫伤深度的准确率仅50%左右，大量的烧烫伤病人早期得不到准确的诊断和治疗，延误了病情甚至造成患者死亡。
目前人工智能技术已经取得了较大的发展，将人工智能图像识别技术应用于医学图像识别已经有很多成功的案例。如国外将人工智能图像识别技术应用于肺部CT的肿瘤诊断，其判断准确率甚至可以高于专业的影像科医生，显示人工智能技术在医学图像识别应用的美好前景。然而，迄今为止，尚未见到将人工智能图像识别技术应用于烧烫伤创面图像照片预后分级预测的相关报道。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足，提供一种能够用于烧烫伤患者早期创面图像照片的自动识别分级，预测愈合时间，辅助临床医师诊断的基于人工智能的烧烫伤图像快速分级识别方法及系统。
本发明解决其技术问题采用的技术方案是，一种基于人工智能的烧烫伤图像快速分级识别方法，包括使用标准化并根据愈合情况分级的数据库，采用人工智能技术训练得到网络分级器，并最终得到最优烧伤分级模型，具体包括以下步骤，
（1）采集烧烫伤创面照片图像：利用配套图像采集装置采集烧烫伤患者创面图像照片，备用；
（2）照片图像分级标记：根据患者的烧烫伤创面实际愈合时间，将步骤（1）采集的烧烫伤创面图像照片进行分级标记，分为轻、中、重共三级，得到轻、中、重三个子数据集；
（3）获取分级数据库：将步骤（2）所得的轻、中、重三个子数据集分别按比例分为训练集、验证集及测试集，备用；
（4）获取网络分级器，建立烧烫伤分级模型：利用所述训练集与测试集训练得到基于人工智能技术的神经网络分级器；所述人工智能技术采用卷积神经网络中的残差网络，利用ResNet50网络的训练得到专门的神经网络分级器，建立烧烫伤分级模型；
(5）优化烧烫伤分级模型：利用验证集验证步骤（4）中依据神经网络分级器建立的烧烫伤分级模型，并根据验证结果对烧伤分级模型的参数进行调整优化；所述烧伤分级模型的参数包括愈合时间分级标准、所分等级数，输入图像大小、亮度、对比度、ResNet50算法中的具体参数。
(6)获得烧烫伤分级识别结果：利用优化的烧烫伤分级模型实现新的烧烫伤后的皮肤烧烫伤创面图像的分级诊断识别；
(7) 获取新的烧烫伤创面照片图像：根据新的烧烫伤创面照片图像追踪患者实际愈合时间后，进一步扩充分级数据库。
烧烫伤分级模型的不断优化，有助于不断提高对烧烫伤分级的预测准确率。
进一步，步骤（1）中，所述烧烫伤患者创面图像照片的采集数量≥1000张。
进一步，所述标记为轻级的愈合时间为小于10天，标记为中级的愈合时间为10天-21天，标记为重级的愈合时间大于21天。
进一步，所述步骤（3）中轻、中、重三个子数据集分为训练集、验证集及测试集的比例为7:1.5:1.5。
一种基于人工智能的烧烫伤图像快速分级识别系统，包括图像采集装置和信息分析平台，所述图像采集装置包括摄像头和储存卡，所述摄像头用于采集统一规格的烧烫伤创面图像，所述存储卡用于图像照片的储存并可转移图像资料至信息分析平台分析判断或扩充分级数据库；所述信息分析平台包括存储器、处理器和存储在存储器内并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。
进一步，所述图像采集装置还设有冷光源，所述冷光源排列于摄像头镜头四周。
进一步，所述图像采集装置还设有无菌防护罩，所述无菌防护罩通过螺旋卡扣连接于摄像头顶端，将摄像头镜头及冷光源包绕在内。
进一步，所述摄像头为定焦的微距摄像头，可在固定拍摄距离、固定光照下得到标准化的烧烫伤创面照片。得到的标准化的烧烫伤创面照片可用于人工智能训练及识别。
进一步，所述无菌防护罩为圆筒状透明塑料环，安装于摄像头顶端，防护罩高度与摄像头焦距相同；使用时防护罩远端与创面接触，用于固定拍摄距离，防止拍摄条件受外界干扰。
进一步，所述无菌防护罩由无菌一次性材料制成，可拆卸式的安装于摄像头顶端。
烧烫伤位于体表，不同深度烧烫伤临床表现不一。采用人工智能识别分级具有天然的优势，将人工智能图像识别技术应用于烧烫伤患者早期创面的愈合时间预测，证实了其较高的预测准确率且拥有持续提高的能力。同时，开发了配套的图像采集系统，可以获得标准化的烧烫伤创面照片，方便采集统一标准的高质量创面照片，减少干扰因素，利于人工智能识别。
研究表明，采用烧烫伤创面图像分析可以较好地对烧烫伤创面情况进行分级判断。一般而言，烧烫伤如能在10天之内自行愈合，则愈后不遗留疤痕；在10-21天之内自行愈合，则大多遗留色素沉着或疤痕；创面在21天之内还不能自行愈合的，则大多需依赖手术治疗。因此，如能在早期预测可能的愈合时间，则可以更加明确地制定治疗方案，提升治疗效果。假如预测愈合时间大于21天，则可以尽早安排手术，缩短观察住院时间，并减少愈合后疤痕。
利用本发明，能对烧烫伤患者创面早期照片的人工智能自动识别分级，准确预测烧烫伤患者伤口的愈合时间范围，分为轻、中、重共三级；装置操作便捷，可以辅助临床医生提高诊断准确率，便于医师在第一时间内对烧烫伤患者进行正确治疗；采用基于卷积神经网络的人工智能算法，随着样本量的不断增加及烧伤分级模型的不断优化，预测判断的准确率可以持续不断提高。
采用本发明系统可为临床医生诊断烧伤深度，制定治疗方案和判断预后提供重要的依据，大大减少烧烫伤相关后遗症的产生。同时患者本人使用本系统也可以对病情做出初步判断，配合互联网医院等相关设施，可以实现远程医疗，特别适于基层医院使用,具有较大的社会价值。
附图说明
图1为本发明基于人工智能的烧烫伤图像快速分级识别方法实施例的框图；
图2为本发明基于人工智能的烧烫伤图像快速分级识别系统实施例的结构示意图。
图中：1-图像采集装置，2-信息分析平台，11-摄像头，12-储存卡，13-冷光源，14-无菌防护罩。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本发明基于人工智能的烧烫伤图像快速分级识别方法的实施例
参照附图1，本实施例使用标准化并根据愈合情况分级的数据库，采用人工智能技术训练得到网络分级器，并得到优化烧烫伤分级模型，包括以下步骤，
（1）采集烧烫伤创面图像照片图像：利用配套图像采集装置1采集1000张统一规格的烧烫伤患者创面图像照片图像，备用；
（2）照片图像分级标记：根据患者的创面实际愈合时间，将照片图像进行分级标记，分为轻、中、重共三级，得到轻、中、重三个子级据集；标记为轻级的愈合时间少于10天，标记为中级的愈合时间为10天-21天，标记为重级的愈合时间大于21天；
（3）获取分级数据库：将步骤（2）所得的轻、中、重三个子数据集分别按比例分为训练集、验证集及测试集，备用；各子数据集按7:1.5:1.5的比例分为训练集、验证集及测试集。获取分级数据库后，通过对图片的旋转、平移、透视变化、翻转等操作来对数据进行增强，扩充数据集大小，增强模型的泛化能力。
（4）获取网络分级器：利用训练集与测试集训练得到基于人工智能技术的神经网络分级器；所述人工智能技术采用卷积神经网络中的残差网络，利用ResNet50网络的训练得到专门的网络分级器，建立烧烫伤分级模型；按照实验要求来对网络分级部分进行修改，搭建全连接层。
Flatten层是卷积层至全连接层Dense层的过渡层，为减少过拟合添加Dropout层来对数据进行正则化。通过实验比较后选择Adam自适应估计移动作为整个模型的优化器，参数lr表示学习率，beta_1、beta_2分别表示一阶、二阶矩估计的指数衰减因子，epslion设于分母位置，避免分母除零，decay表示学习速率衰减因子；metrics是用来评估训练和测试过程中性能的指标，采用'accuracy'来衡量。具体设置代码如下：
base_model=ResNet50(weights='imagenet',include_top=False,input_shape=(224,224,3))
top_model = Sequential()
top_model.add(Flatten(input_shape=base_model.output_shape[1:]))
top_model.add(Dense(256, activation='relu'))
top_model.add(Dropout(0.5))
top_model.add(Dense(class_num, activation='softmax'))
model = Sequential()
model.add(base_model)
model.add(top_model)
optimizer = Adam(lr=1e-4, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)
model.compile(optimizer=optimizer,loss='categorical_crossentropy',
metrics=['accuracy'])
(5）优化烧烫伤分级模型：利用验证集验证步骤（4）中依据神经网络分级器建立的烧伤分级模型的准确性，并根据验证结果对烧烫伤分级模型的参数进行调整优化；烧伤分级模型的参数包括但不仅限于愈合时间分级标准、所分等级数，输入图像大小、亮度、对比度、ResNet50算法中的具体参数。
(6)获得烧伤分级识别结果：利用优化的烧伤分级模型实现对新的烧烫伤后的皮肤图像的分级诊断识别；优化烧烫伤分级模型即是我们进行烧烫伤早期照片预测分级的主体，模型建立完成后，即可对新的烧烫伤早期照片进行愈合时间预测分级，为临床医生或者患者本人提供参考。
(7) 获取新的烧烫伤创面照片图像：根据新的烧烫伤创面照片图像追踪患者实际愈合时间后，进一步扩充分级数据库。同时新的烧烫伤早期照片通过追踪患者的实际愈合时间并分级后又可以进一步扩充原始数据库。由于人工智能算法本身样本量越大，准确率越高的特点，扩大原始数据库可以进一步提高分级模型本身的准确率。
本发明基于人工智能的烧烫伤图像快速分级识别系统的实施例
本实施例包括图像采集装置1和信息分析平台2，所述图像采集装置1包括摄像头11和储存卡12，所述摄像头12用于采集统一规格的烧烫伤创面照片图像，所述存储卡12用于所采集照片图像的储存并可转移照片图像资料至信息分析平台2分析判断或扩充分级模型图像数据库；所述信息分析平台2包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法实施例的步骤。
所述图像采集装置1还设有冷光源13，所述冷光源13排列于摄像头11镜头四周，冷光源13为一组排列于摄像头11镜头四周的LED光源，用于提供合适的光照亮度，使成像清晰可靠。
所述图像采集装置1还设有无菌防护罩14，所述无菌防护罩14通过螺旋卡扣连接于摄像头11远端，将摄像头11镜头及冷光源13包绕在内。
无菌防护罩14为圆筒状透明塑料环，安装于摄像头11顶端，防护罩高度与摄像头11焦距相同；使用时防护罩远端与创面接触，用于固定拍摄距离，防止拍摄条件受外界干扰。无菌防护罩14为无菌一次性材料制成，可拆卸式的安装于摄像头顶端。
摄像头11为定焦的微距摄像头，可在固定拍摄距离、固定光照下得到标准化的烧烫伤创面照片，得到的标准化的烧烫伤创面照片可用于人工智能训练及识别。
本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也仍在本发明专利的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (10)
1.一种基于人工智能的烧烫伤图像快速分级识别方法，其特征在于：包括使用标准化并根据愈合情况分级的数据库，采用人工智能技术训练得到网络分级器，并最终得到最优烧伤分级模型，具体包括以下步骤，
（1）采集烧烫伤创面照片图像：利用配套图像采集装置采集烧烫伤患者的烧烫伤创面照片图像，备用；
（2）照片图像分级标记：根据患者的烧烫伤创面实际愈合时间，将烧烫伤创面照片图像进行分级标记，分为轻、中、重共三级，得到轻、中、重三个子数据集；
（3）获取分级数据库：将步骤（2）所得的轻、中、重三个子数据集分别按比例分为训练集、验证集及测试集,备用；
（4）获取网络分级器，建立烧烫伤分级模型：利用训练集与测试集训练得到基于人工智能技术的神经网络分级器；所述人工智能技术采用卷积神经网络中的残差网络，利用ResNet50网络的训练得到专门的网络分级器，建立烧烫伤分级模型；
(5）优化烧烫伤分级模型：利用验证集验证步骤（4）中依据神经网络分级器建立的烧烫伤分级模型的准确性，并根据验证结果，对烧烫伤分级模型的参数（包括但不限于愈合时间分级标准、所分等级数，输入图像大小、亮度、对比度，ResNet50算法中的具体参数等）进行调整优化；
(6)获得烧烫伤分级识别结果：利用优化的烧烫伤分级模型实现新的烧烫伤皮肤创面图像的分级诊断识别；
(7)获取新的烧烫伤创面照片图像：根据新的烧烫伤创面照片图像追踪患者实际愈合时间后，进一步扩充分级数据库。
2.根据权利要求1所述的基于人工智能的烧烫伤图像快速分级识别系统的方法，其特征在于：步骤（1）中，所述烧烫伤患者创面照片图像的采集数量≥1000张。
3.根据权利要求1或2所述的基于人工智能的烧烫伤图像快速分级识别系统的方法，其特征在于：所述标记为轻级的愈合时间为小于10天，标记为中级的愈合时间为10天-21天，标记为重级的愈合时间大于21天。
4.根据权利要求1或2或3所述的基于人工智能的烧烫伤图像快速分级识别系统的方法，其特征在于：所述步骤（3）中，轻、中、重三个子数据集分为训练集、验证集及测试集的比例为7:1.5:1.5。
5.一种基于人工智能的烧烫伤图像快速分级识别系统，其特征在于：包括图像采集装置和信息分析平台，所述图像采集装置包括摄像头和储存卡，所述摄像头用于采集统一规格的烧烫伤创面照片图像，所述存储卡用于所采集烧烫伤创面照片图像的储存并可转移照片图像资料至信息分析平台分析判断或扩充烧烫伤创面图像原始数据库；所述信息分析平台包括存储器、处理器和存储在存储器内并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1～4之一所述方法的步骤。
6.根据权利要求4所述的基于人工智能的烧烫伤图像快速分级识别系统，其特征在于：所述图像采集装置设有冷光源，所述冷光源排列于摄像头镜头四周。
7.根据权利要求5所述的基于人工智能的烧烫伤图像快速分级识别系统，其特征在于：所述图像采集装置设有无菌防护罩，所述无菌防护罩通过螺旋卡扣连接于摄像头顶端，将摄像头镜头及冷光源包绕在内。
8.根据权利要求4-6之一所述的基于人工智能的烧烫伤图像快速分级识别系统，其特征在于：所述摄像头为定焦的微距摄像头，可在固定拍摄距离、固定光照下得到标准化的烧烫伤创面照片。
9.根据权利要求6所述的基于人工智能的烧烫伤图像快速分级识别系统，其特征在于：所述无菌防护罩为圆筒状透明塑料环，安装于摄像头顶端，防护罩高度与摄像头焦距相同。
10.根据权利要求6所述的基于人工智能的烧烫伤图像快速分级识别系统，其特征在于：所述无菌防护罩由无菌一次性材料制成，可拆卸式的安装于摄像头顶端。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310858902.8A CN116798024A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
| CN202010134271.1A CN111368708A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134271.1A CN111368708A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310858902.8A Division CN116798024A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111368708A true CN111368708A (zh) | 2020-07-03 |
Family
ID=71208413
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310858902.8A Pending CN116798024A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
| CN202010134271.1A Pending CN111368708A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310858902.8A Pending CN116798024A (zh) | 2020-03-02 | 2020-03-02 | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN116798024A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111935404A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 微距成像系统、方法和装置 |
| CN112289447A (zh) * | 2020-10-30 | 2021-01-29 | 四川大学华西医院 | 一种手术切口愈合等级判别系统 |
| US11238588B2 (en) * | 2016-04-13 | 2022-02-01 | Canon Kabushiki Kaisha | Medical diagnosis support apparatus, information processing method, medical diagnosis support system, and program |
| GB2613347A (en) * | 2021-11-30 | 2023-06-07 | Streamlined Forensic Reporting Ltd | System for wound analysis |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634118A (zh) * | 2018-05-31 | 2019-12-31 | 深圳市安测生命科技有限公司 | 基于人工智能的乳腺影像识别系统及方法 |
-
2020
- 2020-03-02 CN CN202310858902.8A patent/CN116798024A/zh active Pending
- 2020-03-02 CN CN202010134271.1A patent/CN111368708A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634118A (zh) * | 2018-05-31 | 2019-12-31 | 深圳市安测生命科技有限公司 | 基于人工智能的乳腺影像识别系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| MARCO DOMENICO CIRILLO 等: "Time-Independent Prediction of Burn Depth using Deep Convolutional Neural Networks", 《JOURNAL OF BURN CARE & RESEARCH》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11238588B2 (en) * | 2016-04-13 | 2022-02-01 | Canon Kabushiki Kaisha | Medical diagnosis support apparatus, information processing method, medical diagnosis support system, and program |
| CN111935404A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 微距成像系统、方法和装置 |
| CN111935404B (zh) * | 2020-08-14 | 2021-10-15 | 腾讯科技（深圳）有限公司 | 微距成像系统、方法和装置 |
| CN112289447A (zh) * | 2020-10-30 | 2021-01-29 | 四川大学华西医院 | 一种手术切口愈合等级判别系统 |
| CN112289447B (zh) * | 2020-10-30 | 2022-03-08 | 四川大学华西医院 | 一种手术切口愈合等级判别系统 |
| GB2613347A (en) * | 2021-11-30 | 2023-06-07 | Streamlined Forensic Reporting Ltd | System for wound analysis |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116798024A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368708A (zh) | 一种基于人工智能的烧烫伤图像快速分级识别方法及系统 | |
| CN111340819B (zh) | 图像分割方法、装置和存储介质 | |
| CN106202955B (zh) | 基于编码智能适配的诊断相关分组方法及系统 | |
| CN112381178B (zh) | 一种基于多损失特征学习的医学影像分类方法 | |
| CN106372390A (zh) | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 | |
| CN109816661A (zh) | 一种基于深度学习的牙齿ct图像分割方法 | |
| WO2021114130A1 (zh) | 一种无监督自适应乳腺病变分割方法 | |
| CN111767952B (zh) | 一种可解释的肺结节良恶性分类方法 | |
| Chang | Skin cancer reorganization and classification with deep neural network | |
| CN111081353A (zh) | 一种自动化在线学习智能辅助标注医学影像的方法和系统 | |
| CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
| CN115719334A (zh) | 基于人工智能的医学影像评价方法、装置、设备及介质 | |
| CN111428737B (zh) | 眼科影像的实例检索方法、装置、服务器及存储介质 | |
| CN116884559A (zh) | 一种基于语言模型的影像报告生成方法和系统 | |
| CN115147376A (zh) | 一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法 | |
| CN113889229A (zh) | 基于人机结合的医学影像诊断标准的构建方法 | |
| Xiao et al. | Fs3dciot: A few-shot incremental learning network for skin disease differential diagnosis in the consumer iot | |
| CN112397178A (zh) | 一种基于人工智能的医学影像分类处理系统 | |
| TWI554969B (zh) | 具可擴充性之醫療資料收集系統及其方法 | |
| CN109350009A (zh) | 一种基于人脸的健康监控手机 | |
| Excoffier et al. | Local explanation-based method for healthcare risk stratification | |
| Andersen et al. | Automated assessment of peristomal skin discoloration and leakage area using artificial intelligence | |
| CN114972297A (zh) | 口腔健康监测方法及装置 | |
| Fahrudin et al. | SkinMate: Mobile-Based Application for Detecting Multi-Class Skin Diseases Classification Using Pre-Trained MobileNetV2 on CNN Architecture | |
| Omololu et al. | Modelling and Diagnosis of Cervical Cancer Using Adaptive Neuro Fuzzy Inference System |
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: 20200703 |