CN113096811A - 一种基于红外热成像的糖尿病足图像处理和风险预警设备 - Google Patents
一种基于红外热成像的糖尿病足图像处理和风险预警设备 Download PDFInfo
- Publication number
- CN113096811A CN113096811A CN202110477115.XA CN202110477115A CN113096811A CN 113096811 A CN113096811 A CN 113096811A CN 202110477115 A CN202110477115 A CN 202110477115A CN 113096811 A CN113096811 A CN 113096811A
- Authority
- CN
- China
- Prior art keywords
- image
- foot
- infrared
- risk
- temperature
- 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
- 208000008960 Diabetic foot Diseases 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000001931 thermography Methods 0.000 title claims abstract description 19
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 230000010365 information processing Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 206010012601 diabetes mellitus Diseases 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000003759 clinical diagnosis Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 208000025865 Ulcer Diseases 0.000 description 8
- 231100000397 ulcer Toxicity 0.000 description 8
- 230000002265 prevention Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 208000033808 peripheral neuropathy Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000001119 neuropathy Diseases 0.000 description 3
- 230000007823 neuropathy Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001757 thermogravimetry curve Methods 0.000 description 2
- 231100000216 vascular lesion Toxicity 0.000 description 2
- 208000014770 Foot disease Diseases 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000004938 stress stimulation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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]
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于红外热成像的糖尿病足图像处理和风险预警设备,包括:图像采集模块,利用红外图像采集设备在接收到双足发射的红外线时生成多个温度数据值并形成双足的红外图像,利用彩色图像采集设备生成与红外图像配准的彩色图像;通信模块,被配置为接收图像采集设备采集的红外和彩色图像信息,并将接收到的图像输入信息处理模块;人机交互设备,包括输入和显示设备,支持用户手动输入生理数据,并将信息传入信息处理模块;以及用于显示被测量者基础信息、图像处理和预测结果;信息处理模块,用于对足部红外图像和温度数据进行预处理和特征提取,导入训练好的糖尿病足的风险预警模型进行分析预测,将预测结果输出到人机交互界面进行展示;以及电源模块。
Description
技术领域
本发明涉及医疗器械领域,具体来说是一种基于热成像的足部图像采集和处理设备一种基于红外热成像的糖尿病足图像处理和风险预警设备。
背景技术
《中国糖尿病足防治指南(2019版)》指出,糖尿病在我国已从少见病变成流行病,糖尿病足的患病率也明显增加,我国50岁以上的糖尿病患者,糖尿病足的发病率高达8.1%。据估计,全球每20秒钟就有一例糖尿病患者截肢;糖尿病足溃疡患者年死亡率高达11%,而截肢患者死亡率更高达22%;一项回顾19项关于溃疡复发率的兼容研究表明,大约有40%的患者在溃疡愈合后1年内复发,3年内复发的将近60%,5年内复发的将达到65%。相对于非卧床的糖尿病门诊患者,糖尿病足病患者接受住院/急诊诊治、转诊给其他医生以及1年就诊次数分别增加3.4倍、2.1倍和1.9倍,医生花费在诊治上的时间更多;糖尿病足感染患者直接转诊到急诊或住院诊治的概率增加6.7倍。2017年全球糖尿病的医疗费用高达7270亿美元,其中中国为1100亿美元。在发达国家,糖尿病足病占用了12%~15%的糖尿病医疗卫生资源,而在发展中国家,则高达40%。因此,糖尿病足是糖尿病患者致残、致死的主要原因之一,也是造成社会沉重负担的重大公共卫生问题。
2019年发布的《中国糖尿病足防治指南》和国际糖尿病足工作组(IWGDF)发布的《国际糖尿病足病预防与管理临床指南》强调糖尿病足病防治的关键在于:“预防为主、防治结合、分级管理和多学科团队合作”。欧洲心脏病协会(ESC)、欧洲糖尿病协会(EASD)也指出,“早筛查、早干预”有助于防治糖尿病及其慢性并发症。
中国专利“CN104219994A用于指示预溃疡的出现及其发展的方法和装置”提出通过温度传感器获取温度数据形成温谱图,确定所述温谱图是否呈现多个规定图案中的至少一个图案,并产生指示所述至少一只脚内出现预溃疡或者已知预溃疡的发展的输出信息。但是,溃疡发生时,说明糖尿病足已经发展到了一定的程度,这时仅对溃疡风险做出预警不利于糖尿病足的“早筛查,早预防”,因此需要能更早的对糖尿病足风险做出预警的设备。
美国专利“US8868157B1 Thermal optical imager system and method fordetection of peripheral neuropathy”提出一种用于检测周围神经病的热光学成像系统和方法,可用于对糖尿病足神经病变做出预警,但是该方法需要记录足部浸入冷水再移出后15分钟内温度变化曲线,操作较为不便,且不能实时获取结果,另外该方法不能对糖尿病足的不同风险等级做出预测,所以这种方法具有不可避免的局限性。
发明内容
针对现有技术中存在的上述技术问题,本发明提供了一种基于红外热成像的糖尿病足图像处理和风险预警设备,该设备通过彩色图像配准分割以获取精准可靠的包含温度信息的足底红外图像,从而对糖尿病足风险做出预警,且该设备操作简便、结果实时、无需施加额外应力刺激。本发明提供的一种基于红外热成像的糖尿病足图像处理和风险预警设备,能够方便准确评估使用者的足部生理情况,及时对潜在的糖尿病足患者做出预警。该设备:(1)设计简单易操作。消除了操作人员偏差,也不需要经验丰富的操作者。(2)便携。该设备的体积小,方便实时测评。(3)实时、快速、普适性强。硬件技术简单,可以随时随地完成测评,便于大规模推广和人群普查。(4)测量姿势要求不太严格,具有较好的适应性、重复性和稳定性。
本发明为解决技术问题采用如下技术方案:
一种基于红外热成像的糖尿病足图像处理和风险预警设备,包括:图像采集模块,通信模块,人机交互设备,信息处理模块和电源模块;
所述的图像采集模块,包括至少一个红外图像采集设备和一个彩色图像采集设备,所述红外图像采集设备在接收到双足发射的红外线时生成多个温度数据值,并依据所述温度数据值形成所述双足的红外图像;所述彩色图像采集设备被配置为与所述红外图像采集设备相同的视场角和拍摄角度,以生成与红外图像配准的彩色图像;
所述的通信模块,被配置为接收图像采集设备采集的红外和彩色图像信息,并将接收到的图像输入信息处理模块;
所述的人机交互设备,包括输入和显示设备,支持用户手动输入生理数据,所述的生理数据至少包括性别、年龄、身高、体重、BMI,并将信息传入信息处理模块;以及用于显示被测量者基础信息、图像处理和预测结果;
所述的信息处理模块,包括处理器和存储器,所述存储器其上存储有计算机可执行指令和训练好的糖尿病足风险预警模型,所述处理器执行所述计算机可执行指令时,对足部红外图像和温度数据进行预处理和特征提取,将提取后的特征和生理数据导入训练好的糖尿病足的风险预警模型进行分析预测,将预测结果输出到人机交互界面进行展示;
所述的电源模块,被配置为向所述一种基于红外热成像的糖尿病足图像处理和风险预警设备供电。
进一步的,所述的通信模块被配置为有线和无线两种数据传输模式。
进一步的,所述的信息处理模块在执行所述计算机可执行指令时对足部红外图像和温度数据进行预处理,包括:
1)对所述的彩色图像进行图像分割,将足部图像从周围环境中区分出来;
2)将彩色图像分割出的足部图像配准到红外图像中,以获取精准的足底红外图像;
3)将足底红外图像划分成左、右足,两张子图;
4)对左足红外图像进行镜像翻转。
进一步的,所述存储器中存储的糖尿病足风险预警模型,其是通过如下方式构建的:
1)获取足底红外图像和生理数据,包括年龄、性别、身高、体重、BMI;
2)根据临床诊断意见设置糖尿病足风险标签;
3)根据足底红外图像、生理数据及风险标签,采用机器学习方法训练糖尿病足风险预警模型。
进一步的,所述采用机器学习方法训练糖尿病足风险评估模型,具体包括:
获取足底红外图像和生理数据,根据预定义的特征结合生理数据构建糖尿病足风险预警模型;
获取足底红外图像和生理数据,将红外图像整体作为输入构建糖尿病足风险预警模型。
进一步的,所述信号处理模块对足部红外图像和温度数据进行预处理和特征提取,提取的预定义特征包括红外图像纹理特征参数以及温度特征参数。
进一步的,所述预定义的红外图像纹理特征参数主要为灰度共生矩阵描述子,包括:
ASM(angular second moment),即每个矩阵元素的平方和;
对比度(contrast),一个像素在整个图像上与其相邻像素之间的灰度对比度的测度;
逆差矩(inverse different moment),反映图像纹理的同质性,度量图像纹理局部变化的多少;
熵(entropy),是图像所具有的信息量的度量;
自相关(correlation),反应图像纹理的一致性。
进一步的,所述预定义的温度特征参数包括:
单足平均温度Taverage,即足底各点温度的平均值;
单足最高温度Tmax,即足底最大温度值;
单足最低温度Tmin,即足底最小温度值;
单足温度标准差SD,即足底温度的标准差;
单足温度梯度强度特征GM,即足底各点温度梯度在不同梯度强度范围内的归一化概率;
单足温度梯度方向特征GD,即足底各点温度梯度在不同梯度方向范围内的归一化概率。
有益效果:
与现有技术相比,本发明一种基于红外热成像的糖尿病足图像处理和风险预警设备的优点在于:本发明的风险预警设备主要面向足部无明显症状的人群,通过拍摄足底红外图像,提取得到多种红外图像特征以及温度特征,无需额外应力刺激,相比溃疡筛查类仪器,可以更早的对糖尿病足风险做出预警。本发明提出的糖尿病足预警检测装置体积小,重量轻,准确度高且便于用户自测,大大提高了糖尿病足早期预警检测的效率。
附图说明
图1为本发明一种基于红外热成像的糖尿病足图像处理和风险预警设备的结构框图;
图2为本发明人机交互设备结果展示示意图;
图3为本发明实施例中基于红外图像的糖尿病足风险预警模型的构建流程图;
图4为对原始图像进行预处理的流程图;
图5(a)彩色图像;
图5(b)红外图像;
图5(c)彩色图像分割结果配准红外图像后获得的足底红外图像;
图5(d)左右足红外图像子图;
图5(e)左足红外图像镜像翻转。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清晰,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。
为了保持本公开实施例的以下说明清楚且简明,本公开省略了已知功能和已知部件的详细说明。
为了更加准确和实时的对糖尿病足做出早期预警,本申请提供一种基于红外热成像的糖尿病足图像处理和风险预警设备。
根据本申请实施例,提供一种基于红外热成像的糖尿病足图像处理和风险预警设备100,如图1所示,包括图像采集模块110,通信模块120,人机交互设备130,信息处理模块140和电源模块150;
一种基于红外热成像的糖尿病足图像处理和风险预警设备100中,图像采集模块110通过彩色摄像仪111采集受试者足部彩色图像和红外摄像仪112采集受试者足部红外图像:
具体的,彩色图像采集设备被配置为与所述红外图像采集设备相同的视场角和拍摄角度,以生成与红外图像配准的彩色图像。
糖尿病足风险检测设备100中,通信模块120被配置为接收图像采集模块110中彩色摄像仪111采集到的受试者足部彩色图像和红外摄像仪112采集到的受试者足部红外图像,并将接收到的图像文件传输到信号处理模块140中,其传输方式包括有线和无线两种方式。
人机交互设备130支持手动输入生理数据,至少包括性别、年龄、身高、体重、BMI等信息,并将这些生理数据传输到信息处理模块140中,同时人机交互设备130还可以被配置为显示用户糖尿病足风险预警等信息,人机交互设备130可以通过曲线、表格、文本、图片等多种形式显示预处理后的足底红外图像,并标注最高温度点、最低温度点、平均温度等,如图2所示。还可以显示用户糖尿病足风险预测结果以及糖尿病足预防建议等信息。
糖尿病足风险检测设备100中,信号处理模块140包括存储器和处理器,所述存储器上其上存储有计算机可执行指令和训练好的糖尿病足风险预警模型,所述处理器执行所述计算机可执行指令时,对足底红外图像和温度数据进行预处理和特征提取,将提取后的特征和生理数据导入训练好的糖尿病足的风险预警模型进行分析预测,将预测结果输出到人机交互界面进行展示,所述处理器可选的为CPU或MCU,所述处理器通过执行相关指令依次完成以下步骤:
(1)对采集到的足部彩色图像和红外图像进行预处理,包括彩色图像的分割、彩色图像与红外图像的配准、红外图像左右足子图的划分、左足红外图像的镜像翻转;
(2)提取足底红外图像和温度数据特征,包括红外图像纹理特征参数以及温度特征参数;
(3)接收操作人员通过人机交互界面输入的被测量者生理数据;
(4)将提取的纹理特征和温度特征,结合生理数据输入训练好的风险评估模型;
(5)得到预测结果,并将预测结果传输给人机交互设备用于显示。
所述基于红外热成像的糖尿病足图像处理和风险预警设备还包括电源模块150,电源模块150被配置为向糖尿病足预警检测设备供电。
如图3所示,根据本发明的实施例,所述存储器中存储的训练好的糖尿病足风险预警模型是基于足底红外图像、温度数据和生理数据构建得到的,具体包括以下步骤:
步骤S101、获取足部图像和生理数据,其中足部图像包括彩色图像和红外图像;
步骤S102、根据临床诊断意见设置糖尿病足风险标签,包括:
综合风险标签:低危、中危、高危;
神经病变风险标签:低危、中危、高危;
血管病变风险标签:低危、中危、高危;
步骤S103、对足部图像进行预处理:彩色图像的分割、彩色图像与红外图像的配准、红外图像左右足子图的划分、左足红外图像的镜像翻转,如图4所示,具体包括如下子步骤:
S1031、对彩色图像(图5a)进行分割。具体的,使用合适的分割方法对彩色图像进行分割,例如K-means聚类、U-Net神经网络或Skin阈值等方法对原始彩色图像进行分割处理。
S1032、利用彩色图像的分割结果配准到红外图像(图5b、c)上,从而将足底红外图像与背景分割开来。
S1033、将足底红外图像分割成左、右足两张子图(图5d)。
S1034、将左足图像进行镜像翻转,使得所有图像具有一致的脚方向(图5e)。
步骤S104、获取模型输入,其中包括:
1.将预处理好的单足红外图像整体作为输入;
2.将预定的特征作为输入,具体包括红外图像纹理特征及温度特征,其中红外图像纹理特征参数主要为灰度共生矩阵描述子,至少包括:
温度特征参数至少包括:
2)单足最高温度Tmax,即足底最大温度值;
3)单足最低温度Tmin,即足底最小温度值;
5)单足温度梯度强度特征GM,即足底各点温度梯度在不同梯度强度范围内的归一化概率;
6)单足温度梯度方向特征GD,即足底各点温度梯度在不同梯度方向范围内的归一化概率。
步骤S105、模型训练及验证:将步骤S104所提取的特征和生理数据作为输入,选取机器学习方法(如决策树、随机森林、SVM、Adaboost、神经网络等)作为分类方法,在PC端编写程序,结合糖尿病足风险标签进行有监督分类学习,分别训练模型参数并在测试集上验证。其中分类结果的划分应与风险标签一致:
综合风险标签:低危、中危、高危;
神经病变风险标签:低危、中危、高危;
血管病变风险标签:低危、中危、高危。
另外程序语言包括但不限于Java、C、C++等。
步骤S106、糖尿病足风险预警模型移植:因为模型的训练过程花费时间长、计算量大,所以需要先在PC端进行模型训练,然后将训练好的模型移植到糖尿病足风险预警设备的存储器中供CPU执行。例如,采用Java、等语言移植训练好的模型。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,包括:图像采集模块,通信模块,人机交互设备,信息处理模块和电源模块;
所述的图像采集模块,包括至少一个红外图像采集设备和一个彩色图像采集设备,所述红外图像采集设备在接收到双足发射的红外线时生成多个温度数据值,并依据所述温度数据值形成所述双足的红外图像;所述彩色图像采集设备被配置为与所述红外图像采集设备相同的视场角和拍摄角度,以生成与红外图像配准的彩色图像;
所述的通信模块,被配置为接收图像采集设备采集的红外和彩色图像信息,并将接收到的图像输入信息处理模块;
所述的人机交互设备,包括输入和显示设备,支持用户手动输入生理数据,所述的生理数据至少包括性别、年龄、身高、体重、BMI,并将信息传入信息处理模块;以及用于显示被测量者基础信息、图像处理和预测结果;
所述的信息处理模块,包括处理器和存储器,所述存储器其上存储有计算机可执行指令和训练好的糖尿病足风险预警模型,所述处理器执行所述计算机可执行指令时,对足部红外图像和温度数据进行预处理和特征提取,将提取后的特征和生理数据导入训练好的糖尿病足的风险预警模型进行分析预测,将预测结果输出到人机交互界面进行展示;
所述的电源模块,被配置为向所述一种基于红外热成像的糖尿病足图像处理和风险预警设备供电。
2.根据权利要求1所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述的通信模块被配置为有线和无线两种数据传输模式。
3.根据权利要求1所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述的信息处理模块在执行所述计算机可执行指令时对足部红外图像和温度数据进行预处理,包括:
1)对所述的彩色图像进行图像分割,将足部图像从周围环境中区分出来;
2)将彩色图像分割出的足部图像配准到红外图像中,以获取精准的足底红外图像;
3)将足底红外图像划分成左、右足,两张子图;
4)对左足红外图像进行镜像翻转。
4.根据权利要求1所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述存储器中存储的糖尿病足风险预警模型,其是通过如下方式构建的:
1)获取足底红外图像和生理数据,包括年龄、性别、身高、体重、BMI;
2)根据临床诊断意见设置糖尿病足风险标签;
3)根据足底红外图像、生理数据及风险标签,采用机器学习方法训练糖尿病足风险预警模型。
5.根据权利要求4所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述采用机器学习方法训练糖尿病足风险评估模型,具体包括:
获取足底红外图像和生理数据,根据预定义的特征结合生理数据构建糖尿病足风险预警模型;
获取足底红外图像和生理数据,将红外图像整体作为输入构建糖尿病足风险预警模型。
6.根据权利要求1所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述信号处理模块对足部红外图像和温度数据进行预处理和特征提取,提取的预定义特征包括红外图像纹理特征参数以及温度特征参数。
7.根据权利要求6所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述预定义的红外图像纹理特征参数主要为灰度共生矩阵描述子,包括:
ASM(angular second moment),即每个矩阵元素的平方和;
对比度(contrast),一个像素在整个图像上与其相邻像素之间的灰度对比度的测度;
逆差矩(inverse different moment),反映图像纹理的同质性,度量图像纹理局部变化的多少;
熵(entropy),是图像所具有的信息量的度量;
自相关(correlation),反应图像纹理的一致性。
8.根据权利要求6所述的一种基于红外热成像的糖尿病足图像处理和风险预警设备,其特征在于,所述预定义的温度特征参数包括:
单足平均温度Taverage,即足底各点温度的平均值;
单足最高温度Tmax,即足底最大温度值;
单足最低温度Tmin,即足底最小温度值;
单足温度标准差SD,即足底温度的标准差;
单足温度梯度强度特征GM,即足底各点温度梯度在不同梯度强度范围内的归一化概率;
单足温度梯度方向特征GD,即足底各点温度梯度在不同梯度方向范围内的归一化概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110477115.XA CN113096811B (zh) | 2021-04-29 | 2021-04-29 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110477115.XA CN113096811B (zh) | 2021-04-29 | 2021-04-29 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096811A true CN113096811A (zh) | 2021-07-09 |
CN113096811B CN113096811B (zh) | 2024-06-07 |
Family
ID=76681438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110477115.XA Active CN113096811B (zh) | 2021-04-29 | 2021-04-29 | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096811B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670446A (zh) * | 2021-08-07 | 2021-11-19 | 郑州海威光电科技有限公司 | 一种红外热图像去除背景的方法 |
CN116548926A (zh) * | 2023-06-26 | 2023-08-08 | 中科(安徽)G60智慧健康创新研究院 | 一种基于冷刺激的糖尿病足筛查系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112244803A (zh) * | 2020-10-30 | 2021-01-22 | 中国科学院合肥物质科学研究院 | 一种糖尿病足风险检测设备 |
CN112489806A (zh) * | 2020-11-27 | 2021-03-12 | 南通市第一人民医院 | 一种糖尿病足患者病状信息智能化管理方法及系统 |
-
2021
- 2021-04-29 CN CN202110477115.XA patent/CN113096811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112244803A (zh) * | 2020-10-30 | 2021-01-22 | 中国科学院合肥物质科学研究院 | 一种糖尿病足风险检测设备 |
CN112489806A (zh) * | 2020-11-27 | 2021-03-12 | 南通市第一人民医院 | 一种糖尿病足患者病状信息智能化管理方法及系统 |
Non-Patent Citations (5)
Title |
---|
MA ZUCHANG: "A Hypertension Risk Prediction Model Based on BP Neural Network", 《2019 INTERNATIONAL CONFERENCE ON NETWORKING AND NETWORK APPLICATIONS》, 31 October 2019 (2019-10-31) * |
刘砚燕;姚静静;袁长蓉;: "红外温度检测足部皮肤温度预防糖尿病足并发症效果的Meta分析", 解放军护理杂志, no. 23, 10 December 2011 (2011-12-10) * |
唐杰露;李艳娇;孙迎燕;王涛;赵毅玲;: "高频超声下糖尿病周围神经病变声像图表现与神经电生理特征的相关性研究", 牡丹江医学院学报, no. 02, 15 April 2020 (2020-04-15) * |
宋青凤;张斌青;张敏;郭会利;: "红外热成像诊断足底筋膜炎", 中国中医骨伤科杂志, no. 04, 15 April 2018 (2018-04-15) * |
马祖长: "漫反射光谱技术快速无创检测皮肤胆固醇", 《光谱学与光谱分析》, 15 October 2016 (2016-10-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670446A (zh) * | 2021-08-07 | 2021-11-19 | 郑州海威光电科技有限公司 | 一种红外热图像去除背景的方法 |
CN113670446B (zh) * | 2021-08-07 | 2023-06-16 | 郑州海威光电科技有限公司 | 一种红外热图像去除背景的方法 |
CN116548926A (zh) * | 2023-06-26 | 2023-08-08 | 中科(安徽)G60智慧健康创新研究院 | 一种基于冷刺激的糖尿病足筛查系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113096811B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897573B (zh) | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 | |
RU2686627C1 (ru) | Автоматическое создание ориентированной на показатели продольной области для просмотра показателей пациента | |
Bevilacqua et al. | A novel approach to evaluate blood parameters using computer vision techniques | |
CN111325745B (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
US20160228008A1 (en) | Image diagnosis device for photographing breast by using matching of tactile image and near-infrared image and method for aquiring breast tissue image | |
CN112088394A (zh) | 生物组织的计算机分类 | |
Karnati et al. | A novel multi-scale based deep convolutional neural network for detecting COVID-19 from X-rays | |
CN113096811A (zh) | 一种基于红外热成像的糖尿病足图像处理和风险预警设备 | |
Huang et al. | A systematic review of machine learning and automation in burn wound evaluation: A promising but developing frontier | |
KR20210108980A (ko) | 신체 분석 | |
CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
CN115862831B (zh) | 一种智能在线预约诊疗管理系统及方法 | |
KR20220166368A (ko) | 온도 측정 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 저장 매체 | |
Manasa et al. | Skin Cancer Detection Using VGG-16. | |
Bhavani et al. | Image registration for varicose ulcer classification using KNN classifier | |
CN109902574A (zh) | 人体表象变化测定人体情绪的高危人员检测装置及方法 | |
Niri et al. | A superpixel-wise fully convolutional neural network approach for diabetic foot ulcer tissue classification | |
CN113724244A (zh) | 健康监测方法、装置及系统、健康检查设备及介质 | |
Cassidy et al. | Artificial intelligence for automated detection of diabetic foot ulcers: A real-world proof-of-concept clinical evaluation | |
Ríos et al. | A deep learning model for classification of diabetic retinopathy in eye fundus images based on retinal lesion detection | |
CN113688205A (zh) | 一种基于深度学习的疾病检测方法 | |
WO2022141929A1 (zh) | 一种健康自测系统、服务器及健康检测系统 | |
Amruthalingam et al. | Objective hand eczema severity assessment with automated lesion anatomical stratification | |
Srinivasan et al. | Development of AI classification model for angiosome-wise interpretive substantiation of plantar feet thermal asymmetry in type 2 diabetic subjects using infrared thermograms | |
Baskaran et al. | Using facial landmark detection on thermal images as a novel prognostic tool for emergency departments |
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 |