CN112819750B - 基于深度学习的肥胖症远红外图像证候分型方法和系统 - Google Patents
基于深度学习的肥胖症远红外图像证候分型方法和系统 Download PDFInfo
- Publication number
- CN112819750B CN112819750B CN202011634531.8A CN202011634531A CN112819750B CN 112819750 B CN112819750 B CN 112819750B CN 202011634531 A CN202011634531 A CN 202011634531A CN 112819750 B CN112819750 B CN 112819750B
- Authority
- CN
- China
- Prior art keywords
- syndrome
- image
- thermal imaging
- diagnosis
- infrared thermal
- 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.)
- Active
Links
- 208000008589 Obesity Diseases 0.000 title claims abstract description 53
- 235000020824 obesity Nutrition 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 201000003398 IMAGe syndrome Diseases 0.000 title claims abstract description 21
- 239000003814 drug Substances 0.000 claims abstract description 80
- 238000003745 diagnosis Methods 0.000 claims abstract description 78
- 238000001931 thermography Methods 0.000 claims abstract description 75
- 208000011580 syndromic disease Diseases 0.000 claims abstract description 66
- 208000024891 symptom Diseases 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000007812 deficiency Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 210000000952 spleen Anatomy 0.000 claims description 10
- 206010062717 Increased upper airway secretion Diseases 0.000 claims description 9
- 210000000056 organ Anatomy 0.000 claims description 9
- 208000026435 phlegm Diseases 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 210000004185 liver Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000002784 stomach Anatomy 0.000 claims description 6
- 208000031975 Yang Deficiency Diseases 0.000 claims description 5
- 206010033307 Overweight Diseases 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 16
- 210000001835 viscera Anatomy 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010000060 Abdominal distension Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 206010061245 Internal injury Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000019790 abdominal distention Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000037149 energy metabolism Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 208000030212 nutrition disease Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
-
- 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
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于深度学习的肥胖症远红外图像证候分型方法和系统,包括:步骤一、中医证候诊断:采集信息,对肥胖患者四诊信息进行分析,并进行辨证分型;步骤二、红外热成像图像标记:肥胖患者红外图像;根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明图像所对应的中医证候诊断结果;对每个证候类型获取足够数量的案例数据;步骤三、证候判别模型训练:在模型训练阶段,通过对患者的红外图像进行预处理,通过卷积神经网络对图像进行特征提取,进行算法分析,形成证候判别模型。步骤四、自动化诊断:向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,最终自动输出证候诊断结果。
Description
技术领域
本发明涉及一种诊断系统,具体涉及一种基于深度学习的肥胖症远红外图像证候分型方法和系统。
背景技术
肥胖是机体内脂肪过多引起的慢性疾病,它是心脑血管疾病、癌症、糖尿病等疾病的重要诱因,被世界卫生组织列为威胁人类健康的十大疾病之一。近年来,肥胖的发病率逐年升高,据《中国居民营养与慢性病状况报告(2020年)》显示,中国18岁及以上成年人超重率已达到34.3%、肥胖率达到16.4%。肥胖发生的病因尚不确切,受到饮食、运动、遗传因素等多种因素的综合作用,控制饮食、增加运动是防治肥胖的基础措施。
中医认为肥胖多因年老体弱、过食肥甘、缺乏运动、情志内伤、先天禀赋不足等,导致脏腑功能减退,气血津液运行失常,湿浊痰瘀聚而不行形成脂质过度堆积。肥胖的病性属于本虚标实,本虚多为脾肾气虚,阳气不足,可兼有心肺气虚,标实为胃热、痰湿,且痰湿常与气郁、瘀血等相兼为病。中医对肥胖的认识源远流长,治疗经验丰富,常针对患者关键病机所在,提出个体化的治疗方案,包括中药、针灸、推拿等,以调整脏腑功能,促进人体恢复阴平阳秘状态,达到治疗肥胖的目的。饮食控制、运动干预结合中医治疗后能提高肥胖治疗的有效率,并改善机体健康状态,提高患者的生活质量,因此近些年来中医在肥胖的治疗中发挥越来越重要的作用。
辨证论治是中医学的基本原则,对患者证候分型做出判断是决定治则、治法的关键步骤。由于计算机行业的发展,患病人数的大幅度增加,传统中医诊疗方式需要和现在科技结合以满足患者的诊疗需求。红外热成像技术可接收人体红外辐射强弱信号并进行计算机处理后,用不同颜色表示人体不同区域温度,说明被检测部位的能量代谢情况。利用体表红外热辐射的特点可以分析体内脏腑、经络、气血津液的异常变化,反映脏腑功能的盛衰,辨别疾病的寒热性质,以辅助中医证候诊断,实现肥胖症中医辨证的客观化、可视化,从而推动中医在肥胖治疗中的应用,提高治疗方案的有效率和患者对方案的依从性。但是目前红外热成像在肥胖症中医证候的诊断上应用仍受限制,这与以下因素有关:首先尽管国家大力推广红外热成像技术在中医领域的实践和应用,中医师对红外热成像技术的了解和应用仍不充分;其次,目前缺乏中医证候与红外热成像图像表现相对应的诊断标准;另外,中医证候的诊断需要四诊合参,红外热成像并不能够独立诊断中医证候。综观国内外红外热成像技术在中医应用方面主要存在以下问题:第一,研究的对象往往都局限在某一方面,在中医学最重要的证候诊断方面没有形成较完整的体系。第二,研究的指导思想与中医基础理论结合不够紧密,大多都偏重于现代医学的解剖学,而忽视了中医学理论对人体尤其是脏腑功能的整体认识。第三,研究的方法缺少中医临床的旁证,结论的可信度不高。第四,红外热成像技术对脏腑内部各个器官定位精确度不够,通过一张或几张照片仅能大概估计可能的温度有偏差的内部脏器,影响对温度变化区的精确定位和诊断。
发明内容
针对现有技术存在的问题,本方案旨在提供一种结合专家临床经验和计算机深度学习的肥胖症中医证候分型方法,该方法能够通过结合红外热成像等技术实现肥胖患者中医证候的自动化诊断,并保证中医证候诊断的准确性,为今后进一步推广肥胖的中医治疗提供诊断技术支持。
为实现上述技术目标,根据本发明的一种基于深度学习的肥胖症远红外图像证候分型方法,包括以下步骤:
步骤一、中医证候诊断:采集信息,对肥胖患者四诊信息进行分析,并根据《中医诊断学》标准进行辨证分型;
步骤二、红外热成像图像标记:肥胖患者红外图像;根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明图像所对应的中医证候诊断结果;对每个证候类别获取足够数量的案例数据;
步骤三、诊断模型训练:在模型训练阶段,通过对患者的红外图像进行预处理,通过卷积神经网络对图像进行特征提取,进行算法分析,形成证候判别模型。
步骤四、自动化诊断:向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,最终自动输出证候诊断结果。
进一步,步骤一中采集信息的研究对象为BMI≥24或男性腰围≥90cm、女性腰围≥85cm的超重和肥胖患者。
进一步,步骤一中通过标准格式收集肥胖患者的四诊信息(包括高清舌象图像),并根据《中医诊断学》标准进行辨证分型,肥胖证候类型包括脾虚不运、脾肾阳虚、胃火炽盛、肝郁气滞、痰湿瘀阻等。
进一步,步骤二中,根据肥患者的红外热成像图像及舌象做出的中医证候分型结果,对红外热成像图像进行标注;一份图像可包含1个及以上的证候分型。
进一步,步骤三中,预处理包括图像去噪和图像分割;通过人体温度分布、和各器官与周围组织的温度差异分析,再对图像信息特征进行提取,进行算法分析,形成证候判别模型,最终实现自动化诊断;其中特征提取和分析是基于神经网络算法模型通过对大量肥胖数据进行深度学习,使得算法模型有自动辨识中医证候的能力。
进一步,神经网络算法模型采用的是卷积神经网络,其中包括卷积Convolution、池化Pooling、激活Activation、残差连接Skip Connect、和Dropout网络层级;将通过神经网络各层得到的温度数据的高阶特征形成算法模型后,再经过多次逻辑校验稳定模型的准确率。
进一步,所述视觉特征包括图像的颜色、纹理、形状、像素。
另一方面,本发明提供一种基于深度学习的肥胖症远红外图像证候分型系统,包括采集模块,所述采集模块用于采集信息,对肥胖患者四诊信息进行分析,并根据《中医诊断学》标准进行辨证分型;
红外热成像模块,通过红外热成像仪获取肥胖患者的红外热成像图像信息,根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明图像所对应的中医证候诊断结果;对每个证候类别获取足够数量的案例数据;
算法模块,在模型训练阶段,通过对患者的红外图像进行预处理,通过卷积神经网络对图像进行特征提取,进行算法分析,形成证候判别模型。向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,最终自动输出证候诊断结果。
进一步,通过四诊合参判断的中医证候分型对红外热成像图像进行标注,收集肥胖患者的四诊信息(包括高清舌象图像),并根据《中医诊断学》标准进行辨证分型。
进一步,肥胖证候类型包括脾虚不运、脾肾阳虚、胃火炽盛、肝郁气滞、痰湿瘀阻等。
通过上述技术方案,可以直接根据红外热成像作出中医证候诊断,从而为中医证候的自动化诊断提供了必要的基础技术,为实现中医的现代化检测及评价提供了可能。与中医基础理论结合紧密,是红外热成像技术与中医的深度融合。为通过红外热成像技术直接作出肥胖患者的中医证候诊断提供了最重要的技术支持。
附图说明
图1示出了根据本发明的基于深度学习的肥胖症远红外图像证候分型方法流程统示意图;
图2示出了根据本发明的基于深度学习的肥胖症远红外图像证候分型方法和系统的红外成像的图像;
图3示出了根据本发明的基于深度学习的肥胖症远红外图像证候分型系统的硬件设备结构示意图。
具体实施方式
下面将结合附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的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。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
根据附图1-3,本发明结合临床经验和对红外热成像图像特征的研究,基于计算机深度学习对不同证候分型的自动化辨识,提出肥胖远红外图像证候分型方法。具体实现方法如下:如图1所示,首先进行采集信息并进行辨证分型,肥胖患者红外图像并进行图像标注和分类,证候判别模型训练包括对患者的红外图像进行预处理(包括图像去噪和图像分割),通过卷积神经网络对图像进行特征提取,进行算法分析,形成证候判别模型。最终达到向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,自动输出证候诊断结果的效果。具体地,所述方法包括:
步骤一、中医证候诊断
采集信息,对肥胖患者四诊信息进行分析,并根据《中医诊断学》标准进行辨证分型;
通过设计完善的科研方法进行临床病例的收集。研究对象为BMI≥24或男性腰围≥90cm、女性腰围≥85cm的超重、肥胖患者,排除患有严重慢性疾病的患者及不能符合红外热成像图像采集标准的患者。
通过标准格式收集其四诊信息(包括高清舌象图像),由临床经验丰富的中医专家对肥胖患者四诊信息进行分析,并根据《中医诊断学》标准进行辨证分型。中医辨证分型以脏腑辨证为主,证候类型包括脾虚不运,脾肾阳虚,胃火炽盛,肝郁气滞,痰湿瘀阻等常见的肥胖证候类型。如脾虚不运证常见体形肥胖伴有疲劳乏力,身体困重,脘腹痞闷,或有四肢轻度浮肿,晨轻暮重,劳累后更为明显,饮食如常或偏少,小便不利,大便溏或便秘,舌质淡胖,边有齿痕,苔薄白或白腻,脉濡细。
步骤二、红外热成像图像标记
肥胖患者红外图像;根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明图像所对应的中医证候诊断结果。
采集肥胖患者的红外热成像图像,检测方法应符合医学红外热成像检测标准。
由中医专家根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明本图像所对应的中医证候诊断结果。一份图像可包含1个及以上的证候分型。
收集足够样本量的肥胖患者红外热成像图像及其标注信息。
步骤三、诊断模型训练
在模型训练阶段,通过对患者的红外图像进行预处理,通过卷积神经网络对图像进行特征提取,进行算法分析,形成证候判别模型。
步骤四、自动化诊断:向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,最终自动输出证候诊断结果。
基于《中医诊断学》脏腑辨证为主导,通过人体温度分布、和各器官与周围组织的温度差异分析,将通过神经网络各层得到的温度数据的高阶特征形成算法模型后,再经过多次逻辑校验稳定模型的准确率。特征提取和分析是基于神经网络算法模型通过对大量肥胖数据进行深度学习,使得算法模型有自动辨识中医证候的能力,能够更快速、更准确的对证候类型作出判断。
神经网络算法模型采用的是卷积神经网络,其中包括卷积Convolution、池化Pooling、激活Activation、残差连接Skip Connect、Dropout等网络层级。卷积的特性是先学习图像数据的局部特征,然后将局部特征组合成复杂和抽象的特征。池化的特性是保留数据的整体特征,同时减少数据的维度,减少模型的参数,使训练速度更快。激活的特性是使数据做非线性变换,能够让数据从多维空间表达数据的特征。残差连接特性更好的解决了深度神经网络的退化问题,让网络收敛的更快,但对最终的结果不会受到显著的影响。Dropout层特性是使部分神经元暂时不起作用,起到防止模型过拟合的效果。本模型的设计方案采用卷积神经网络,将通过神经网络各层得到的温度数据的高阶特征形成算法模型,经过多次逻辑校验后稳定模型的准确率。
当模型通过对大量的肥胖数据进行学习之后,模型就有了自己的辨识能力,当向模型输入一例肥胖病人的红外图像信息时,模型就能快速的辨别出病人是属于中医的什么证候。
形成算法模型后,再经过多次逻辑校验稳定模型的准确率。之后,可在保证准确率的前提下,通过红外热成像图像实现对肥胖症患者中医证型的自动化诊断。
中医证候诊断结果的可靠与否与医者的临床经验有密切关系,刚入临床的医生诊断的准确性和治疗的有效率往往低于从事临床工作多年、经验丰富的中医师。故本方案以经验丰富、临床疗效可靠的中医专家作为标准,使得中医证候分型结果具有可靠性。
目前没有根据红外热成像图像诊断中医证候的标准。故本方案通过四诊合参判断的中医证候分型对红外热成像图像进行标注,通过卷积神经网络算法模型自动提取、分析红外热成像证候分型特征。如图2为诊断为肝气郁滞、脾虚不运、痰湿瘀阻型肥胖症的红外热成像图像。
此外,在提升红外热成像技术的定位精确度方面,由于人体并非一张平面,其内部各器官有前后方向、上下方向的重叠和交汇,尤其是脏腑部位,其不同于四肢,对于体表红外热成像的结果来说,其仅能获得平面图像,这对于人体脏腑内部各器官温度的定位和分析具有一定精度上的误差,对此,本发明还对红外热成像技术提出了改进措施。
为了获得精确定位,对人体进行360度红外热成像,以人体上下、左右和前后的最大距离进行计算,获得人体中心点位置,以该中心点位置进行XYZ三维坐标定位,左右方向为X轴,上下方向为Y轴,前后方向为Z轴,然后以正面为基准,沿Y轴方向每间隔30度拍摄一张红外热成像的图像,共获得12张红外热成像图像,根据12张图像的红外热成像关键点的分布位置进行三维定位,通过与标准健康的红外热成像图片相对比,确定各个图像上的关键点位置,并通过多图像进行数据合成,确定关键点在人体肥胖部位的三维坐标,并最终确定出现症状的器官。其中所述关键点是指与正常温度具有偏差超过一定阈值的人体部位,可以是高于正常温度,也可以是低于正常温度。
为了实现红外热成像的同步拍摄,防止因时间偏差而造成的温度偏差,上述12张图像同时拍摄完成并上传至计算机进行融合定位和计算。
如图3所示,实现上述红外热成像技术的硬件设备的改进在于,一种多角度红外热成像设备,所述多角度红外热成像设备包括平台1,所述平台为圆形,患者站立于平台中间位置,平台四周设置12个可移动轨道3,每个可移动轨道3上有设有一台红外热成像仪2,所述每台红外热成像仪2可根据患者身高进行上下方向的调整,并可以根据患者的站立位置进行前后方向的调整,在每台红外线成像仪上都设有测距传感器,根据与人体的距离自动计算确定适合的位置,在自动调整阶段,每台红外热成像仪都可以根据人体中心位置进行自动测距和移动,根据全身图像和局部图像的成像要求进行远近距离的调整。并且12台红外热成像仪可同时同距离拍摄出患者的热成像图片并输入计算机中形成具有三维定位的热成像立体图像,计算机内预存人体肥胖状态下的三维结构图,以及正常人体的三维体表温度的正常分布的温度图,根据患者的三维热成像图,同时与三维结构图和温度图进行对照,确定出温度异常的关键点以及对应的脏腑器官位置并作出特殊标记,有利于后期的分析和诊断。
中医证候诊断是中医所有临床诊疗活动的核心要点,是中医诊疗活动的基础。通过参考本发明的诊断模型,可以直接根据红外热成像作出中医证候诊断,从而为中医证候的自动化诊断提供了必要的基础技术,为实现中医的现代化检测及评价提供了可能。与中医基础理论结合紧密,是红外热成像技术与中医的深度融合。为通过红外热成像技术直接作出中医证候诊断提供了最重要的技术支持。为中医临床肥胖症诊疗活动提供最直接的客观化依据成为可能。
本方案结合现代计算机技术能实现对红外热成像图像的准确的、自动化的诊断。将深度学习和中医专家临床经验结合,实现肥胖症患者红外热成像图像中医证候的自动化诊断。
Claims (9)
1.一种基于深度学习的肥胖症远红外图像证候分型方法,其特征在于,包括以下步骤:
步骤一、中医证候诊断:采集信息,对肥胖患者四诊信息进行分析,并进行辨证分型;
步骤二、红外热成像图像标记:肥胖患者红外图像;根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明图像所对应的中医证候诊断结果;对每个证候类别获取足够数量的案例数据;
步骤三、证候判别模型训练:在模型训练阶段,先对患者的红外图像进行预处理,通过卷积神经网络对图像信息进行特征提取,进行算法分析,形成证候判别模型;
步骤四、自动化诊断:向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,最终自动输出证候诊断结果;
在红外热成像中,为了获得精确定位,对人体进行360度红外热成像,以人体上下、左右和前后的最大距离进行计算,获得人体中心点位置,以该中心点位置进行XYZ三维坐标定位,左右方向为X轴,上下方向为Y轴,前后方向为Z轴,然后以正面为基准,沿Y轴方向每间隔30度拍摄一张红外热成像的图像,共获得12张红外热成像图像,根据12张图像的红外热成像关键点的分布位置进行三维定位,通过与标准健康的红外热成像图片相对比,确定各个图像上的关键点位置,并通过多图像进行数据合成,确定关键点在人体肥胖部位的三维坐标,并最终确定出现症状的器官。
2.根据权利要求1所述的基于深度学习的肥胖症远红外图像证候分型方法,其特征在于,步骤一中采集信息的研究对象为BMI≥24或男性腰围≥90cm、女性腰围≥85cm的超重和肥胖患者。
3.根据权利要求2所述的基于深度学习的肥胖症远红外图像证候分型方法,其特征在于,步骤一中通过标准格式收集肥胖患者的四诊信息,并进行辨证分型,肥胖证候类型包括脾虚不运、脾肾阳虚、胃火炽盛、肝郁气滞、痰湿瘀阻。
4.根据权利要求1所述的基于深度学习的肥胖症远红外图像证候分型方法,其特征在于,步骤二中,根据肥胖患者的四诊信息及舌象做出的中医证候分型结果,对红外热成像图像进行标注;一份图像可包含1个及以上的证候分型。
5.根据权利要求1所述的基于深度学习的肥胖症远红外图像证候分型方法,其特征在于,步骤三中,预处理包括图像去噪和图像分割;通过人体温度分布、和各器官与周围组织的温度差异分析,再对图像信息特征进行提取、分析,进行算法分析,形成证候判别模型,最终实现自动化诊断;其中特征提取和分析是基于神经网络算法模型通过对大量肥胖红外热成像数据进行深度学习,使得算法模型有自动辨识中医证候的能力。
6.根据权利要求5所述的基于深度学习的肥胖症远红外图像证候分型方法,其特征在于,神经网络算法模型采用的是卷积神经网络,其中包括卷积Convolution、池化Pooling、激活Activation、残差连接Skip Connect、和Dropout网络层级;将通过神经网络各层得到的温度数据的高阶特征形成算法模型后,再经过多次逻辑校验稳定模型的准确率。
7.一种基于深度学习的肥胖症远红外图像证候分型系统,其特征在于,采用权利要求1-6任一项所述的基于深度学习的肥胖症远红外图像证候分型方法实现;
包括采集模块,所述采集模块用于采集信息,对肥胖患者四诊信息进行分析,并进行辨证分型;
红外热成像模块,通过红外热成像仪获取肥胖患者的红外热成像图像信息,根据诊断信息做出的中医证候分型结果,对红外热成像图像进行标注,注明图像所对应的中医证候诊断结果;对每个证候类别获取足够数量的案例数据;
算法模块,在模型训练阶段,通过对患者的红外图像进行预处理,通过卷积神经网络对图像进行特征提取,进行算法分析,形成证候判别模型;向模型输入一份肥胖患者红外热成像图像,经过计算机对图像特征进行分析,最终自动输出证候诊断结果。
8.根据权利要求7所述的基于深度学习的肥胖症远红外图像证候分型系统,其特征在于,通过四诊合参判断的中医证候分型对红外热成像图像进行标注,收集肥胖患者的四诊信息,并进行辨证分型。
9.根据权利要求8所述的基于深度学习的肥胖症远红外图像证候分型系统,其特征在于,肥胖证候类型包括脾虚不运、脾肾阳虚、胃火炽盛、肝郁气滞、痰湿瘀阻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634531.8A CN112819750B (zh) | 2020-12-31 | 2020-12-31 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634531.8A CN112819750B (zh) | 2020-12-31 | 2020-12-31 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819750A CN112819750A (zh) | 2021-05-18 |
CN112819750B true CN112819750B (zh) | 2024-05-28 |
Family
ID=75856759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011634531.8A Active CN112819750B (zh) | 2020-12-31 | 2020-12-31 | 基于深度学习的肥胖症远红外图像证候分型方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819750B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342578A (zh) * | 2015-11-19 | 2016-02-24 | 小红象医疗科技有限公司 | 基于红外医学影像的中医健康信息自动分析系统和方法 |
CN106683087A (zh) * | 2016-12-26 | 2017-05-17 | 华南理工大学 | 一种基于深度神经网络的舌苔体质辨别方法 |
CN106971147A (zh) * | 2017-03-06 | 2017-07-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于人脸区域分割的中医面诊系统及面诊方法 |
CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
CN109222914A (zh) * | 2018-11-06 | 2019-01-18 | 北京三医智慧科技有限公司 | 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 |
CN109920535A (zh) * | 2019-02-28 | 2019-06-21 | 彭明德 | 一种移动中医辨证分析方法及装置 |
CN111444896A (zh) * | 2020-05-09 | 2020-07-24 | 北京碧拓科技有限公司 | 一种远红外热成像人体经络关键点定位方法 |
-
2020
- 2020-12-31 CN CN202011634531.8A patent/CN112819750B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342578A (zh) * | 2015-11-19 | 2016-02-24 | 小红象医疗科技有限公司 | 基于红外医学影像的中医健康信息自动分析系统和方法 |
CN106683087A (zh) * | 2016-12-26 | 2017-05-17 | 华南理工大学 | 一种基于深度神经网络的舌苔体质辨别方法 |
CN106971147A (zh) * | 2017-03-06 | 2017-07-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于人脸区域分割的中医面诊系统及面诊方法 |
CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
CN109222914A (zh) * | 2018-11-06 | 2019-01-18 | 北京三医智慧科技有限公司 | 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 |
CN109920535A (zh) * | 2019-02-28 | 2019-06-21 | 彭明德 | 一种移动中医辨证分析方法及装置 |
CN111444896A (zh) * | 2020-05-09 | 2020-07-24 | 北京碧拓科技有限公司 | 一种远红外热成像人体经络关键点定位方法 |
Non-Patent Citations (1)
Title |
---|
运用代谢组学研究肥胖分型探讨;岳子敬 等;《辽宁中医药大学学报》;第18卷(第1期);第150-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819750A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020224123A1 (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
CN112734711A (zh) | 一种基于红外热成像技术的中医证候的诊断方法和系统 | |
CN108986073A (zh) | 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法 | |
Wang et al. | Unobtrusive and automatic classification of multiple people’s abnormal respiratory patterns in real time using deep neural network and depth camera | |
CN110473192A (zh) | 消化道内镜图像识别模型训练及识别方法、装置及系统 | |
CN109102491A (zh) | 一种胃镜图像自动采集系统及方法 | |
CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
CN112102385B (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准系统 | |
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 | |
CN113139962B (zh) | 用于脊柱侧凸概率评估的系统和方法 | |
CN110960193A (zh) | 基于面部和舌部图像采集的中医诊断分析系统及其方法 | |
CN103142211B (zh) | 一种基于极值圆的心脏磁信号处理方法 | |
CN105498100A (zh) | 一种监测生理运动曲线和体表轮廓的方法及系统 | |
CN110660454A (zh) | 一种癌痛实时评估仪及其评估方法 | |
CN111466882A (zh) | 一种智能中医手诊分析系统及方法 | |
CN211862821U (zh) | 一种基于深度学习的孤独症辅助评估系统 | |
CN106462926A (zh) | 健康度判定装置以及健康度判定系统 | |
CN113130066A (zh) | 一种基于人工智能的舌诊图像识别方法 | |
CN112819750B (zh) | 基于深度学习的肥胖症远红外图像证候分型方法和系统 | |
CN110693510A (zh) | 一种注意力缺陷多动障碍辅助诊断装置及其使用方法 | |
Zhang et al. | Computer identification and quantification of fissured tongue diagnosis | |
KR20140057867A (ko) | 열화상을 이용한 스트레스 지수 측정 시스템 | |
Negied | Infrared thermography-based breast cancer detection—comprehensive investigation | |
CN108742533A (zh) | 一种自助体检装置 | |
CN112419246A (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 |
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 |