CN111627555A - 一种基于深度学习的智能检查诊断系统 - Google Patents
一种基于深度学习的智能检查诊断系统 Download PDFInfo
- Publication number
- CN111627555A CN111627555A CN202010474203.XA CN202010474203A CN111627555A CN 111627555 A CN111627555 A CN 111627555A CN 202010474203 A CN202010474203 A CN 202010474203A CN 111627555 A CN111627555 A CN 111627555A
- Authority
- CN
- China
- Prior art keywords
- image
- cloud server
- result
- data
- information table
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000007689 inspection Methods 0.000 title claims abstract description 6
- 201000010099 disease Diseases 0.000 claims abstract description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000007175 bidirectional communication Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2468—Fuzzy queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于深度学习的智能检查诊断系统，具有移动终端设备及装载有智能诊断平台的云服务器；移动终端设备用于获取使用者的图像数据信息，该图像数据信息通过云服务器接口传输至云服务器；云服务器接收移动终端设备上传的使用者的图像数据信息，并对该使用者的图像数据信息分析处理，利用模糊匹配算法配合数据索引器对临床信息表和疾病信息表进行模糊匹配，得到初步疾病诊断结果；再通过智能排序处理器对所述初步疾病诊断结果进行相关度估计后，得到评分结果，利用最优规则集对所述疾病诊断结果进行最优化判定，最终将结果返回给使用者。使用者可随时随地进行检查，能够早发现疾病，早就医诊断，早治疗。
Description
技术领域
本发明涉及移动医疗技术领域，具体地说是利用移动互联网来提供智能诊断辅助系统。
背景技术
目前，人们主要是通过到相应医院进行体检，才能有效了解到自身的身体情况。这模式费时、费事，效率低，甚至有的人为了省事不做体检，导致有的疾病没办法及时发现，错过了最佳治疗时间。
随着互联网技术的普及与发展，手机等移动端应用在生活中的方方面面，给人们带来极大的便捷。如何结合互联网技术进一步推进医疗体系的发展，则成为业界关注及研发的课题。
发明内容
本发明的目的在于提供一种基于深度学习的智能检查诊断系统，达到简单方便的自我检查，有助于疾病能够被早发现、早诊断及早治疗。
为达到上述目的，本发明采用如下技术方案：
一种基于深度学习的智能检查诊断系统，该系统具有移动终端设备及装载有智能诊断平台的云服务器；
所述移动终端设备至少包括：采集模块、云服务器接口；该采集模块的工作模式包括视频模式和拍照模式，用于获取使用者的图像数据信息，该图像数据信息通过云服务器接口传输至云服务器；
所述云服务器接口用于移动终端设备通过网络与云服务器相连，实现移动终端设备与云服务器之间双向通讯；
所述云服务器至少包括：图像处理模块、知识库及数据推理模块；云服务器接收移动终端设备上传的使用者的图像数据信息，并对该使用者的图像数据信息分析处理，最终将结果返回给使用者，其中，
所述图像处理模块至少包括图像预处理和图像识别；
所述知识库至少包括临床信息表、疾病信息表、医学影像数据及数据索引器；该医学影像数据是将人体的诊断数据加以归纳、总结，列出正常与异常临界的数据；该数据索引器是对所述疾病信息表和临床信息表所建立的索引；
所述数据推理模块至少包括：相关度排序处理器、模糊匹配处理器、智能排序处理器及包含最优规则集的最优化判定处理器；该相关度排序处理器对所述临床信息表和疾病信息表里的信息进行分词处理，得到排序后的临床信息表和疾病信息表；该模糊匹配处理器利用模糊匹配算法配合所述数据索引器对临床信息表和疾病信息表进行模糊匹配，得到初步疾病诊断结果；所述智能排序处理器对所述初步疾病诊断结果进行相关度估计后，得到评分结果，并对所述评分结果进行智能化排序，得到排序结果，从所述排序结果中取出前N条数据，作为疾病诊断结果；所述最优化判定处理器利用最优规则集对所述疾病诊断结果进行最优化判定，若所述疾病诊断结果满足所述最优规则集中的任意一条规则，则表示所述疾病诊断结果达到最优，令判定结果为“True”；否则，表示所述疾病诊断结果未达到最优，令判定结果为“False”。
上述方案进一步是，所述图像预处理包括：图像采集、图像变换、特征分析、图像分割及区域形态学处理；
图像采集是通过传感器，将图像信息转化为电信息；图像信息可以是二维的文字和/或图象，也可以是一维的波形，该波形是声波、心电图或脑电图；图像信息还可以是物理量与逻辑值；
图像变换是用正交函数或正交矩阵表示图像，以此对原图像所作的二维线性可逆变换，使其更有利于特征抽取、增强、压缩和图像编码；
特征分析是用于从所接收图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，该表示或描述可以是数值、向量或符号；
图像分割是把所接收图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程；
区域形态学处理是指将数字形态学作为工具从图像中提取对于表达和描绘区域形状有用处的图像分量以及用于预处理或后处理的形态学过滤、细化和修剪；所述图像分量是边界、骨架、凸壳或其结合。
上述方案进一步是，所述图像识别包括：预处理、特征选择和训练过程；其中，
预处理包括A\D、二值化、图象的平滑、变换、增强、恢复及滤波的图象处理；
特征选择在模式识别中，需要进行特征的抽取和选择，在测量空间的原始数据通过变换获得在特征空间最能反映分类本质特征的过程；
所述训练过程包括：分类器设计和分类决策；该分类器设计是建立LSSVM分类器，通过训练确定判决规则，使按此类判决规则分类时，错误率最低；该分类决策是在特征空间中对被识别对象进行分类。
上述方案进一步是，所述LSSVM分类器是首先从训练图像中求得特征空间,然后将训练集和测试集图像投影到特征空间得到投影系数，使用训练样本投影系数训练LSSVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率。
上述方案进一步是，所述的移动终端设备包括手机、平板电脑及其它具有WiFi联网功能的嵌入式设备。
本发明结合现有的互联网技术，利用移动终端设备和云服务器的便捷、高效等特点，使用者可以由移动终端设备采集图像数据信息，通过云服务器接口与云服务器建立连接，传输图像数据至云服务器。云服务器接收图像数据信息并进行一系列处理，最终将结果返回给使用者，使用者根据云服务器反馈的结果了解身体情况，可随时随地进行检查，有效节省体检时间，并能够早发现疾病，早就医诊断，早治疗。
附图说明：
附图1为本发明的连接实施示意图；
附图2为本发明的总体框图；
附图3为本发明的云服务器处理流程图；
附图4为云服务器的图像识别框图；
附图5为云服务器的图像预处理框图。
具体实施方式：
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参阅图1~5所示，本发明提出的一种基于深度学习的智能检查诊断系统，该系统具有移动终端设备10及装载有智能诊断平台的云服务器20。
所述移动终端设备10包括手机、平板电脑及其它具有WiFi联网功能的嵌入式设备，可移动使用，使用简便、快捷。移动终端设备10至少包括：采集模块11、云服务器接口12；该采集模块11的工作模式包括视频模式和拍照模式，用于获取使用者的图像数据信息，该图像数据信息通过云服务器接口12传输至云服务器20。所述云服务器接口12用于移动终端设备10通过网络与云服务器20相连，并达到移动终端设备10与云服务器20之间双向通讯。
所述云服务器20至少包括：图像处理模块21、知识库22及数据推理模块23；云服务器20接收移动终端设备上传的使用者的图像数据信息，并对该使用者的图像数据信息分析处理，最终将结果返回给使用者。其中，所述图像处理模块21包括图像预处理211和图像识别212；所述知识库22包括临床信息表、疾病信息表、医学影像数据及数据索引器；该医学影像数据是将人体的诊断数据加以归纳、总结，列出正常与异常临界的数据；该数据索引器是对所述疾病信息表和临床信息表所建立的索引。所述数据推理模块23包括：相关度排序处理器、模糊匹配处理器、智能排序处理器及包含最优规则集的最优化判定处理器。该相关度排序处理器对所述临床信息表和疾病信息表里的信息进行分词处理，得到排序后的临床信息表和疾病信息表；该模糊匹配处理器利用模糊匹配算法配合所述数据索引器对临床信息表和疾病信息表进行模糊匹配，得到初步疾病诊断结果；所述智能排序处理器对所述初步疾病诊断结果进行相关度估计后，得到评分结果，并对所述评分结果进行智能化排序，得到排序结果，从所述排序结果中取出前N条数据，作为疾病诊断结果；所述最优化判定处理器利用最优规则集对所述疾病诊断结果进行最优化判定，若所述疾病诊断结果满足所述最优规则集中的任意一条规则，则表示所述疾病诊断结果达到最优，令判定结果为“True”；否则，表示所述疾病诊断结果未达到最优，令判定结果为“False”。
云服务器20通过图像处理模块21对使用者的图像数据信息分析处理，然后由数据推理模块23结合知识库22进行疾病诊断，形成诊断结果，云服务器20再将疾病诊断结果和相应提示信息一起发送给移动终端设备10，让使用者获知身体情况，能够早发现疾病，早就医诊断，早治疗。
本发明可以做出APP，也可以嵌入现有的程序，如公众号等，方便、实用。
参阅图1~5所示，本发明所述图像处理模块21中的图像预处理包括：图像采集、图像变换、特征分析、图像分割及区域形态学处理。图像采集是通过传感器，将图像信息转化为电信息；图像信息可以是二维的文字和/或图象，也可以是一维的波形，该波形是声波、心电图或脑电图；图像信息还可以是物理量与逻辑值；满足使用者上传不同的信息，增加诊断功能。图像变换是用正交函数或正交矩阵表示图像，以此对原图像所作的二维线性可逆变换，使其更有利于特征抽取、增强、压缩和图像编码。特征分析是用于从所接收图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，该表示或描述可以是数值、向量或符号。图像分割是把所接收图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。区域形态学处理是指将数字形态学作为工具从图像中提取对于表达和描绘区域形状有用处的图像分量以及用于预处理或后处理的形态学过滤、细化和修剪；所述图像分量是边界、骨架、凸壳或其结合。所述图像处理模块21中的图像识别包括：预处理、特征选择和训练过程；其中，预处理包括A\D、二值化、图象的平滑、变换、增强、恢复及滤波的图象处理。特征选择在模式识别中，需要进行特征的抽取和选择，在测量空间的原始数据通过变换获得在特征空间最能反映分类本质特征的过程。所述训练过程包括：分类器设计和分类决策；该分类器设计是建立LSSVM分类器，通过训练确定判决规则，使按此类判决规则分类时，错误率最低；该分类决策是在特征空间中对被识别对象进行分类。所述LSSVM分类器是首先从训练图像中求得特征空间,然后将训练集和测试集图像投影到特征空间得到投影系数，使用训练样本投影系数训练LSSVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率，有助于后续的疾病诊断推理。
本发明具体实施按如下步骤进行：
步骤1、建立医疗知识库，所述医疗知识库包括：临床信息表，疾病信息表，医学影像数据，数据索引器；
步骤2、建立图像采集，处理模块，云服务器接口；
步骤3、使用者将图像信息通过云服务器接口传输至装载有诊断平台的云服务器，服务器接受信息并进行处理；
步骤4、对图像信息进行相关度排序处理，得到排序后的疾病信息表；
步骤5、利用模糊匹配算法和所述医疗数据索引对所述信息表进行模糊匹配，得到初步疾病诊断结果；
步骤6、对所述初步疾病诊断结果进行相关度估计后，得到评分结果，并对所述评分结果进行智能化排序，得到排序结果；从所述排序结果中取出前N条数据，作为疾病诊断结果；
步骤7、对所述疾病诊断结果进行最优化判定，得到判定结果，并根据所述判断结果生成提示信息；
步骤8、根据所述疾病诊断结果，利用数据索引从所述疾病信息表中选取匹配的所属疾病信息，将结果通过服务器接口传输至移动端，最终反馈给使用者。
本发明结合现有的互联网技术，利用移动终端设备和云服务器的便捷、高效等特点，使用者可以由移动终端设备采集图像数据信息，通过云服务器接口与云服务器建立连接，传输图像数据至云服务器。云服务器接收图像数据信息并进行一系列处理，最终将结果返回给使用者，使用者根据云服务器反馈的结果了解身体情况，可随时随地进行检查，有效节省体检时间，并能够早发现疾病，早就医诊断，早治疗。
以上虽然结合附图描述了本发明的较佳具体实施例，但本发明不应被限制于与以上的描述和附图完全相同的结构和操作，对本技术领域的技术人员来说，在不超出本发明构思和范围的情况下通过逻辑分析、推理或者有限的实验还可对上述实施例作出许多等效改进和变化，但这些改进和变化都应属于本发明要求保护的范围。
Claims (5)
1.一种基于深度学习的智能检查诊断系统，其特征在于，该系统具有移动终端设备及装载有智能诊断平台的云服务器；
所述移动终端设备至少包括：采集模块、云服务器接口；该采集模块的工作模式包括视频模式和拍照模式，用于获取使用者的图像数据信息，该图像数据信息通过云服务器接口传输至云服务器；
所述云服务器接口用于移动终端设备通过网络与云服务器相连，实现移动终端设备与云服务器之间双向通讯；
所述云服务器至少包括：图像处理模块、知识库及数据推理模块；云服务器接收移动终端设备上传的使用者的图像数据信息，并对该使用者的图像数据信息分析处理，最终将结果返回给使用者，其中，
所述图像处理模块至少包括图像预处理和图像识别；
所述知识库至少包括临床信息表、疾病信息表、医学影像数据及数据索引器；该医学影像数据是将人体的诊断数据加以归纳、总结，列出正常与异常临界的数据；该数据索引器是对所述疾病信息表和临床信息表所建立的索引；
所述数据推理模块至少包括：相关度排序处理器、模糊匹配处理器、智能排序处理器及包含最优规则集的最优化判定处理器；该相关度排序处理器对所述临床信息表和疾病信息表里的信息进行分词处理，得到排序后的临床信息表和疾病信息表；该模糊匹配处理器利用模糊匹配算法配合所述数据索引器对临床信息表和疾病信息表进行模糊匹配，得到初步疾病诊断结果；所述智能排序处理器对所述初步疾病诊断结果进行相关度估计后，得到评分结果，并对所述评分结果进行智能化排序，得到排序结果，从所述排序结果中取出前N条数据，作为疾病诊断结果；所述最优化判定处理器利用最优规则集对所述疾病诊断结果进行最优化判定，若所述疾病诊断结果满足所述最优规则集中的任意一条规则，则表示所述疾病诊断结果达到最优，令判定结果为“True”；否则，表示所述疾病诊断结果未达到最优，令判定结果为“False”。
2.根据权利要求1所述的一种基于深度学习的智能检查诊断系统，其特征在于，所述图像预处理包括：图像采集、图像变换、特征分析、图像分割及区域形态学处理；
图像采集是通过传感器，将图像信息转化为电信息；图像信息可以是二维的文字和/或图象，也可以是一维的波形，该波形是声波、心电图或脑电图；图像信息还可以是物理量与逻辑值；
图像变换是用正交函数或正交矩阵表示图像，以此对原图像所作的二维线性可逆变换，使其更有利于特征抽取、增强、压缩和图像编码；
特征分析是用于从所接收图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，该表示或描述可以是数值、向量或符号；
图像分割是把所接收图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程；
区域形态学处理是指将数字形态学作为工具从图像中提取对于表达和描绘区域形状有用处的图像分量以及用于预处理或后处理的形态学过滤、细化和修剪；所述图像分量是边界、骨架、凸壳或其结合。
3.根据权利要求1所述的一种基于深度学习的智能检查诊断系统，其特征在于，所述图像识别包括：预处理、特征选择和训练过程；其中，
预处理包括A\D、二值化、图象的平滑、变换、增强、恢复及滤波的图象处理；
特征选择在模式识别中，需要进行特征的抽取和选择，在测量空间的原始数据通过变换获得在特征空间最能反映分类本质特征的过程；
所述训练过程包括：分类器设计和分类决策；该分类器设计是建立LSSVM分类器，通过训练确定判决规则，使按此类判决规则分类时，错误率最低；该分类决策是在特征空间中对被识别对象进行分类。
4.根据权利要求3所述的一种基于深度学习的智能检查诊断系统，其特征在于，所述LSSVM分类器是首先从训练图像中求得特征空间,然后将训练集和测试集图像投影到特征空间得到投影系数，使用训练样本投影系数训练LSSVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率。
5.根据权利要求1所述的一种基于深度学习的智能检查诊断系统，其特征在于，所述的移动终端设备包括手机、平板电脑及其它具有WiFi联网功能的嵌入式设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010474203.XA CN111627555B (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习的智能检查诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010474203.XA CN111627555B (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习的智能检查诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111627555A true CN111627555A (zh) | 2020-09-04 |
| CN111627555B CN111627555B (zh) | 2023-06-02 |
Family
ID=72260153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010474203.XA Active CN111627555B (zh) | 2020-05-29 | 2020-05-29 | 一种基于深度学习的智能检查诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111627555B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489799A (zh) * | 2020-12-02 | 2021-03-12 | 深圳市罗湖医院集团 | 社区居民健康辅助诊断方法、平台及终端 |
| CN112883923A (zh) * | 2021-03-23 | 2021-06-01 | 久美才仁 | 一种基于人工智能的冬虫夏草识别器 |
| CN117747077A (zh) * | 2024-01-04 | 2024-03-22 | 广东医宝通医疗科技有限公司 | 基于智能化技术的眼科全流程医疗服务系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
| CN107194158A (zh) * | 2017-05-04 | 2017-09-22 | 深圳美佳基因科技有限公司 | 一种基于图像识别的疾病辅助诊断方法 |
| CN110111887A (zh) * | 2019-05-15 | 2019-08-09 | 清华大学 | 临床辅助决策方法及装置 |
-
2020
- 2020-05-29 CN CN202010474203.XA patent/CN111627555B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557653A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
| CN107194158A (zh) * | 2017-05-04 | 2017-09-22 | 深圳美佳基因科技有限公司 | 一种基于图像识别的疾病辅助诊断方法 |
| CN110111887A (zh) * | 2019-05-15 | 2019-08-09 | 清华大学 | 临床辅助决策方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489799A (zh) * | 2020-12-02 | 2021-03-12 | 深圳市罗湖医院集团 | 社区居民健康辅助诊断方法、平台及终端 |
| CN112883923A (zh) * | 2021-03-23 | 2021-06-01 | 久美才仁 | 一种基于人工智能的冬虫夏草识别器 |
| CN117747077A (zh) * | 2024-01-04 | 2024-03-22 | 广东医宝通医疗科技有限公司 | 基于智能化技术的眼科全流程医疗服务系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111627555B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
| CN111627555B (zh) | 一种基于深度学习的智能检查诊断系统 | |
| CN110610181B (zh) | 医学影像识别方法及装置、电子设备及存储介质 | |
| KR102311654B1 (ko) | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
| CN110033023A (zh) | 一种基于绘本识别的图像数据处理方法及系统 | |
| CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
| CN110456050B (zh) | 便携式智能数字化寄生虫体外诊断仪 | |
| CN111370124A (zh) | 一种基于面手部识别和大数据的健康分析系统及方法 | |
| CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
| CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
| CN115147661B (zh) | 一种染色体分类方法、装置、设备及可读存储介质 | |
| CN117408946A (zh) | 图像处理模型的训练方法、图像处理方法 | |
| CN112233102A (zh) | 图像样本集中噪声的识别方法、装置、设备及存储介质 | |
| CN112364905A (zh) | 一种基于注意力机制SENet的Fater R-CNN食物分类和GL值识别方法 | |
| CN109003670A (zh) | 大数据医疗信息处理方法、系统、终端设备及存储介质 | |
| CN113506274B (zh) | 基于视觉显著性差异图的用于人体认知状况的检测系统 | |
| CN113642562A (zh) | 基于图像识别的数据解读方法、装置、设备及存储介质 | |
| CN113033318B (zh) | 人体动作的检测方法、装置及计算机可读存储介质 | |
| CN111696085B (zh) | 一种肺冲击伤伤情现场快速超声评估方法及设备 | |
| GB2616921A (en) | System and methods for classifying magnetic resonance imaging (MRI) image characteristics | |
| CN112001896B (zh) | 一种甲状腺边界不规则度检测装置 | |
| CN206115501U (zh) | 基于OpenCV图像识别技术的LNG加气检定系统 | |
| Martinez et al. | Strategic attention learning for modality translation |
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 |