CN113749642B - 量化皮肤潮红反应程度的方法、系统、介质及终端 - Google Patents

量化皮肤潮红反应程度的方法、系统、介质及终端 Download PDF

Info

Publication number
CN113749642B
CN113749642B CN202110766996.7A CN202110766996A CN113749642B CN 113749642 B CN113749642 B CN 113749642B CN 202110766996 A CN202110766996 A CN 202110766996A CN 113749642 B CN113749642 B CN 113749642B
Authority
CN
China
Prior art keywords
distribution
flushing
skin
response
flushing response
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
Application number
CN202110766996.7A
Other languages
English (en)
Other versions
CN113749642A (zh
Inventor
陈涛
刘海春
张杏林
徐文祚
马思悦
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.)
Shanghai Naixin Technology Co ltd
Original Assignee
Shanghai Naixin 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 Shanghai Naixin Technology Co ltd filed Critical Shanghai Naixin Technology Co ltd
Priority to CN202110766996.7A priority Critical patent/CN113749642B/zh
Publication of CN113749642A publication Critical patent/CN113749642A/zh
Application granted granted Critical
Publication of CN113749642B publication Critical patent/CN113749642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1032—Determining colour for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A61B10/0035—Vaccination diagnosis other than by injuring the skin, e.g. allergy test patches
    • 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
    • A61B5/004—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 adapted for image acquisition of a particular organ or body part
    • 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
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Dermatology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种量化皮肤潮红反应程度的方法、系统、介质及终端；所述方法包括以下步骤：获取待测者的潮红反应图像；在潮红反应图像上识别出潮红反应区域；获取潮红反应区域对应的Cr分布、Cb分布及相应的颜色分布特征；将Cr分布、Cb分布及颜色分布特征输入至量化预测模型中，使其输出量化值，以根据该量化值预测待测者的患病概率；本发明采用基于机器学习算法搭建的神经网络量化预测模型实现对皮肤潮红反应程度的量化评估，通过获取皮肤潮红反应区域面积以及皮肤颜色分布特征等参数，进行科学客观地量化，摒除了现有人工观察评估量化的主观因素的影响，实现了皮肤潮红反应程度量化结果的一致性，提高了后续对用户患病概率预测的准确可靠性。

Description

量化皮肤潮红反应程度的方法、系统、介质及终端
技术领域
本发明属于皮肤潮红反应技术领域，特别是涉及一种量化皮肤潮红反应程度的方法、系统、介质及终端。
背景技术
目前，目测法作为医疗领域判定皮肤潮红反应程度较为普及的方法，具有如下一些局限性：
(1)目测法的评估打分均为主观评估，缺乏一定的客观性，而对皮肤反应程度的量化方法则需要具有相对准确的客观性；现有目测法中对于皮肤潮红反应程度的评估词汇主要基于轻度、重度和水肿等这类带有主观因素的词汇，这些评估词汇本身的客观定义也较为困难，而基于这类定义模糊的词汇，进行的人工评估中掺杂的主观因素过多，缺乏客观性，同时评估的结果误差也会较大。
(2)不同医生使用目测法，在相同的皮肤潮红反应下，考虑到目测法的指标均为主观指标，不同医生的主观指标本身就有一定的差异，这也会使所评估的结果一致性较差。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种量化皮肤潮红反应程度的方法、系统、介质及终端，用于解决现有技术中，使用目测法判定皮肤潮红反应程度存在的判定结果误差大、结果一致性不可控的问题。
为实现上述目的及其他相关目的，本发明提供一种量化皮肤潮红反应程度的方法，包括以下步骤：获取待测者的潮红反应图像；所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像；在所述潮红反应图像上识别出潮红反应区域；在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征；将所述Cr分布、所述Cb分布及所述颜色分布特征输入至一量化预测模型中，以使所述量化预测模型输出一量化值；所述量化值用于反映所述待测者的皮肤潮红反应程度。
于本发明的一实施例中，获取待测者的潮红反应图像包括以下步骤：获取所述待测者在一预设时间段内，每间隔第二预设时间对应的潮红反应图像。
于本发明的一实施例中，在所述潮红反应图像上识别出潮红反应区域包括以下步骤：根据所述皮肤潮红反应试剂贴片的位置，在所述潮红反应图像上初步定位出潮红反应位置，获取潮红大致区域；识别所述潮红大致区域的边界；对所述边界进行预处理，获取所述潮红反应区域。
于本发明的一实施例中，获取所述潮红反应区域对应的Cr分布和Cb分布包括以下步骤：读取所述潮红反应区域上每一像素点对应的RGB值；基于所述RGB值，获取所述像素点对应的Cr值和Cb值；统计所述潮红反应区域上所有所述像素点对应的所述Cr值和所述Cb值，产生相应的所述Cr分布和所述Cb分布。
于本发明的一实施例中，所述方法还包括以下步骤：搭建所述量化预测模型；所述量化预测模型包括：输入层、隐藏层及输出层；其中，所述输入层与所述隐藏层连接，用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述隐藏层；所述输出层与所述隐藏层连接，用于输出所述量化值；训练所述量化预测模型，获取训练好的量化预测模型，以将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述训练好的量化预测模型。
于本发明的一实施例中，所述方法还包括以下步骤：获取患病概率表，以基于所述患病概率表和所述量化值，确定所述待测者的患病概率；所述患病概率表中至少包括一量化值及其对应的患病概率。
于本发明的一实施例中，所述Cr分布和所述Cb分布均为一概率密度图；所述颜色分布特征为基于所述Cr分布和所述Cb分布计算出的矩。
本发明提供一种量化皮肤潮红反应程度的系统，包括：第一获取模块、图像识别模块、第二获取模块及量化模块；所述第一获取模块用于获取待测者的潮红反应图像；所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像；所述图像识别模块用于在所述潮红反应图像上识别出潮红反应区域；所述第二获取模块用于在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征；所述量化模块用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至一量化预测模型中，以使所述量化预测模型输出一量化值；所述量化值用于反映所述待测者的皮肤潮红反应程度。
本发明提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的量化皮肤潮红反应程度的方法。
本发明提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的量化皮肤潮红反应程度的方法。
如上所述，本发明所述的量化皮肤潮红反应程度的方法、系统、介质及终端，具有以下有益效果：
与现有技术相比，本发明采用基于机器学习算法搭建的神经网络量化预测模型实现对皮肤潮红反应程度的量化评估，通过获取皮肤潮红反应的反应区域面积以及皮肤颜色分布特征等参数，进行科学客观地量化，最终得到客观结果—量化值，该量化预测模型可实现对参数的准确评估，摒除了现有人工手段观察评估量化的主观因素的影响，即使在不同医生的操作下，在相同的皮肤潮红反应下，所得到的的量化值也一定是相同的，从而实现了皮肤潮红反应程度量化结果的一致性，提高了后续对用户患病概率预测的准确可靠性。
附图说明
图1显示为本发明的量化皮肤潮红反应程度的方法于一实施例中的流程图。
图2显示为本发明的在潮红反应图像上识别出潮红反应区域于一实施例中的流程图。
图3显示为本发明的获取潮红反应区域对应的Cr分布和Cb分布于一实施例中的流程图。
图4显示为本发明的潮红反应区域于一实施例中的结构示意图。
图5显示为本发明的量化皮肤潮红反应程度的系统于一实施例中的结构示意图。
图6显示为本发明的终端于一实施例中的结构示意图。
标号说明
51 第一获取模块
52 图像识别模块
53 第二获取模块
54 量化模块
61 处理器
62 存储器
S1～S7 步骤
S21～S23 步骤
S31～S33 步骤
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的量化皮肤潮红反应程度的方法、系统、介质及终端，与现有技术相比，本发明采用基于机器学习算法搭建的神经网络量化预测模型实现对皮肤潮红反应程度的量化评估，通过获取皮肤潮红反应的反应区域面积以及皮肤颜色分布特征等参数，进行科学客观地量化，最终得到客观结果—量化值，该量化预测模型可实现对参数的准确评估，摒除了现有人工手段观察评估量化的主观因素的影响，即使在不同医生的操作下，在相同的皮肤潮红反应下，所得到的的量化值也一定是相同的，从而实现了皮肤潮红反应程度量化结果的一致性，提高了后续对用户患病概率预测的准确可靠性。
于一实施例中，将本发明的量化皮肤潮红反应程度的方法应用于量化烟酸皮肤潮红反应程度；当然，还可应用于其它会引起皮肤潮红反应的反应程度量化中。
需要说明的是，烟酸是一种水溶性维生素，通过接触人体皮肤可引起皮肤潮红反应。
如图1所示，于一实施例中，该量化皮肤潮红反应程度的方法包括以下步骤：
步骤S1、获取待测者的潮红反应图像。
需要说明的是，所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像。
需要说明的是，该第一预设时间为预先设置好的，其具体设为多少，不作为限制本发明的条件，可视不同的实际应用场景来设定；诸如，于一实施例中，将该第一预设时间设置为1分钟。
优选地，获取待测者前臂皮肤的潮红反应图像；具体地，将待测者的前臂平放于一前臂固定装置上，然后将皮肤潮红反应试剂贴片贴在该待测者的前臂皮肤上，并持续一段时间后，再将其从该待测者的前臂皮肤上取下，通过统一型号参数的图像采集设备(摄像头)采集待测者前臂皮肤图像(潮红反应图像)。
需要说明的是，在进行皮肤潮红反应过程中，将上述的图像采集设备在固定的图像采集位置对待测者的前臂上对应皮肤潮红反应试剂贴片位置的皮肤进行图像采集，获取步骤S1中的潮红反应图像。
进一步地，上述的前臂固定装置和图像采集设备均采用领域内常规的技术手段，其具体的结构组成及连接关系，均不作为限制本发明的条件，所以，在此也不再详细赘述。
于一实施例中，获取待测者的潮红反应图像包括以下步骤：获取所述待测者在一预设时间段内，每间隔第二预设时间对应的潮红反应图像。
具体地，在预设时间段内，每间隔第二预设时间，获取一次待测者的潮红反应图像，以在整个潮红反应过程中，收集对应不同时间点的潮红反应图像，后续进行皮肤潮红反应程度量化时，将该多个对应不同时间点的潮红反应图像均作为输入参数，输入至量化预测模型中，提高了对皮肤潮红反应量化的准确可靠性。
需要说明的是，该预设时间段和第二预设时间均是预先设置好的(第二预设时间小于或等于预设时间段)，其具体为多少，不作为限制本发明的条件，可视不同的实际应用场景来设定；诸如，于一实施例中，将该预设时间段设为20分钟，第二预设时间设为5分钟，即从皮肤潮红反应试剂贴片从该待测者的前臂皮肤上取下时开始计时，每隔5分钟，采集一次该待测者的前臂潮红反应图像，直至经过20分钟后为止(一共采集了4次潮红反应图像，分别在5分钟、10分钟、15分钟、20分钟处)。
步骤S2、在所述潮红反应图像上识别出潮红反应区域。
如图2所示，于一实施例中，在所述潮红反应图像上识别出潮红反应区域包括以下步骤：
步骤S21、根据所述皮肤潮红反应试剂贴片的位置，在所述潮红反应图像上初步定位出潮红反应位置，获取潮红大致区域。
具体地，基于皮肤潮红反应试剂贴片贴在该待测者皮肤上的位置，初步定位出潮红反应位置，获取相应的潮红大致区域。
步骤S22、识别所述潮红大致区域的边界。
具体地，利用图像识别算法，识别步骤S21中获取的潮红大致区域的边界。
需要说明的是，该图像识别算法采用的是领域内常规的技术手段，通过该图像识别算法识别出潮红大致区域的边界的具体方法流程不作为限制本发明的条件，所以，在此也不再详细赘述。
步骤S23、对所述边界进行预处理，获取所述潮红反应区域。
具体地，对步骤S22中，识别出来的潮红大致区域的边界进行模糊去噪处理(均值处理)，去除该潮红大致区域上的噪声，最终获取潮红反应区域(如图4所示)。
步骤S3、在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征。
需要说明的是，通过YCrCb颜色体系，将潮红反应区域分为三个维度的正交颜色层；YcrCb颜色体系即YUV，主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视，与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽(RGB要求三个独立的视频信号同时传输)；其中“Y”表示明亮度(Luminance或Luma)，也就是灰阶值；而“U”和“V”表示的则是色度(Chrominance或Chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色；“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起；“色度”则定义了颜色的两个方面—色调与饱和度，分别用Cr和Cb来表示；其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异；Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。
进一步地，由于亮度“Y”与潮红反应没有关联，所以，于本实施例中，通过降维，剔除了YcrCb中，没有关联的分量，即只需要获取Cr和Cb分量即可。
如图3所示，于一实施例中，获取所述潮红反应区域对应的Cr分布和Cb分布包括以下步骤：
步骤S31、读取所述潮红反应区域上每一像素点对应的RGB值。
需要说明的是，经步骤S2获取的潮红反应区域上，包含有多个像素点，所有像素点的总个数即为该潮红反应区域的面积。
步骤S32、基于所述RGB值，获取所述像素点对应的Cr值和Cb值。
具体地，基于步骤S31中，读取的潮红反应区域上每一像素点的RGB值(包括R(Red，红色)值、G(Green，绿色)值及B(Blue，蓝色)值)，利用公式转换，计算出像素点对应的Cr值和Cb值，具体计算公式如下：
Y＝0.299R+0.587G+0.114B；
Cb＝0.564(B-Y)；
Cr＝0.713(R-Y)。
步骤S33、统计所述潮红反应区域上所有所述像素点对应的所述Cr值和所述Cb值，产生相应的所述Cr分布和所述Cb分布。
具体地，经上述步骤S32，获取每一像素点对应的Cr值和Cb值后，统计该潮红反应区域上所有像素点的Cr值和Cb值(在潮红反应图像上，除潮红反应区域以外的区域，Cr值和Cb值均为0)，产生对应的Cr分布和Cb分布。
需要说明的是，该Cr分布是指对应同一个Cr值，有多少个对应的像素点，通过统计该潮红反应区域所有像素点的Cr值，获得该Cr分布；该Cb分布对应同一个Cb值，有多少个对应的像素点，通过统计该潮红反应区域所有像素点的Cb值，获得该Cb分布。
诸如，于一实施例中，通过上述步骤S32，计算出该潮红反应区域所有像素点的Cr值分布在100-200之间，统计对应100-200之间每一个值，对应有多少个像素点，获得相应的Cr分布；同理，可获得相应的Cb分布。
于一实施例中，所述Cr分布和所述Cb分布均为一概率密度图；所述颜色分布特征为基于所述Cr分布和所述Cb分布计算出的矩，即将该矩理解为Cr分布和Cb分布的特征。
需要说明的是，矩(moment)是对变量分布和形态特点的一组度量，n阶矩被定义为一变量的n次方与其概率密度函数(Probability Density Function，PDF)之积的积分，在文献中直接使用变量计算的矩被称为原始矩(raw moment)，移除均值后计算的矩被称为中心矩(central moment)；变量的一阶原始矩等价于数学期望(expectation)，二至四阶中心矩被定义为方差(variance)、偏度(skewness)和峰度(kurtosis)。
进一步地，对连续变量x和其单变量概率密度函数P(x)或积累分布函数(Cumulative Distribution Function，CDF)C(x)，其n阶矩μ'n被定义为：
μ'n＝∫xndC(x)＝∫xnP(x)dx；
若变量x为离散变量，则μ'n也可表示为：
μ'n＝∑xnP(x)。
于一实施例中，通过计算所述Cr分布和所述Cb分布对应的矩，作为其相应的颜色分布特征。
需要说明的是，计算Cr分布和Cb分布对应的几阶矩不作为限制本发明的条件，即可只计算出Cr分布和Cb分布分别对应的一阶矩，或者是计算出Cr分布和Cb分布分别对应的一阶矩和二阶矩，等等。
优选地，于一实施例中，计算出Cr分布和Cb分布分别对应的一阶矩至十阶矩，并将一阶矩至三阶矩定义为低阶矩，将四阶矩至十阶矩定义为高阶矩。
于一实施例中，Cr分布和Cb分布及其分别对应的颜色分布特征(一阶矩至十阶矩)如下表1和表2所示：
表1：Cr分布及其颜色分布特征
Figure BDA0003152130680000081
表2：Cb分布及其颜色分布特征
Figure BDA0003152130680000082
如图1所示，于一实施例中，所述方法还包括以下步骤：
步骤S4、搭建量化预测模型。
步骤S5、训练所述量化预测模型，获取训练好的量化预测模型。
步骤S6、将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述训练好的量化预测模型，以使所述训练好的量化预测模型输出一量化值。
需要说明的是，训练好的量化预测模型的输入数据除上述的Cr分布、Cb分布及相应的颜色分布特征外，还包括其它的数据，诸如，根据Cr值和Cb值处理得到的中间产物。
需要说明的是，该量化预测模型采用领域内常规的神经网络模型架构；具体地，所述量化预测模型包括但并不限于输入层、隐藏层及输出层；其中，所述输入层与所述隐藏层连接，用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述隐藏层；该隐藏层相当于一复合函数，用于对该Cr分布、Cb分布及颜色分布特征进行处理，产生所述量化值，该隐藏层包括多层网络结果，每一层都是一层非线性的降维处理，该隐藏层一点点降维，直至一维；所述输出层与所述隐藏层连接，用于输出所述量化值(一维)。
需要说明的是，于步骤S5中，在训练所述量化预测模型之前，首先，需要收集训练数据；具体地，该训练数据是以多个已知是正常人和多个已知是潮红反应异常人作为训练样本，通过获取其相应的潮红反应图像；然后，根据该潮红反应图像获取Cr分布、Cb分布及相应的颜色分布特征；最后，再将这些Cr分布、Cb分布及颜色分布特征输入至该量化预测模型，实现对该量化预测模型的训练；在训练数据量和质量都达到一定程度后，停止训练，获取最终的量化预测模型，即作为训练好的量化预测模型。
进一步地，在获取训练好的量化预测模型后，将上述经步骤S3，获取的对应待测者的Cr分布、Cb分布及颜色分布特征输入至该训练好的量化预测模型中，该训练好的量化预测模型即会输出对应该待测者皮肤潮红反应程度的一量化值。
需要说明的是，所述量化值用于量化反映所述待测者的皮肤潮红反应程度，该量化预测模型只能程度分离病人和普通人的特征，使得病人的量化概率更高，而普通人的量化概率更低。
进一步地，皮肤潮红反应可作为判断患者一些病症的依据(结合医学相关知识)，诸如，大量的实验数据已经证明烟酸皮肤潮红反应异常是精神分裂症的内表型特征之一，所以，于本发明中，通过获取该量化值，可用来判断待测者是否患有精神分裂症，或者是患有精神分裂症的概率。
于一实施例中，所述方法还包括以下步骤：
步骤S7、获取患病概率表，以基于所述患病概率表和所述量化值，确定所述待测者的患病概率。
需要说明的是，所述患病概率表是通过大数据统计获得的，大数据内容不同，所得到的的该患病概率表也有所不同，该患病概率表是不断更新的，用于指导判断患者的患病概率，该患病概率表中至少包括一量化值及其对应的患病概率。
具体地，经上述步骤S6获取一量化值后，在该患病概率表中，查找该量化值所对应的患病概率，当在该患病概率表中，不存在该量化值对应的患病概率时，也可将一最接近该量化值的量化值所对应的患病概率，作为该待测者的患病概率值。
诸如，该患病概率表中包括了0-100这些量化值分别对应的患病概率，经步骤S6最终获得的量化值也在0-100之间，假设，于一实施例中，经步骤S6获得的量化值为50，在该患病概率表中，量化值50对应的患病概率为40％，则即可得知该待测者的患病概率为40％。
优选地，该量化值越大，对应的患病概率越高。
需要说明的是，现有烟酸皮肤潮红反应的目测法分为两大部分，第一部分是针对烟酸反应的红肿面积的评估，总分为3分，具体的分数分布与反应情况的对应关系为：0＝无皮肤反应；1＝不完全皮肤红斑；2＝完全覆盖贴片面积的皮肤红斑；3＝红斑范围超过贴片覆盖的范围；第二部分是针对烟酸反应的红肿程度的评估，总分为7分，具体的分数分布与反应情况的对应关系为：1＝无皮肤反应；2＝红点低于总贴片面积的50％；3＝轻度发红/贴片出的红点超过贴片面积的50％；4＝重度发红/均匀红斑整个贴片面积；5＝成片的红肿，或可见红肿；6＝可见水肿，包括整个贴片面积；7＝可见水肿，开始蔓延，水肿面积超过贴片，即目测法的评分体系中，面积评估分为三档，红肿颜色评估分为七档，是基于有限个评估档位且评估档位不连续的方法；而本发明中，机器学习量化预测模型最终得到的是一个0到100的量化值，具有无限档位且档位相互连续的性质，相比于现有技术的目测法，该量化值能更细节地反映烟酸皮肤潮红反应的程度；同时，即使是有经验的医生，对于这些有限个档位做出评估所花费的时间也会较长，而本发明通过电子工程手段融合了图像采集、处理以及量化预测模型，通过高性能的处理器可在皮肤反应测试完成后的数十秒后给出详细的量化数值供医生诊断作参考。
需要说明的是，本发明所述的量化皮肤潮红反应程度的方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
如图5所示，于一实施例中，本发明的量化皮肤潮红反应程度的系统包括第一获取模块51、图像识别模块52、第二获取模块53及量化模块54。
所述第一获取模块51用于获取待测者的潮红反应图像；所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像。
所述图像识别模块52用于在所述潮红反应图像上识别出潮红反应区域。
所述第二获取模块53用于在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征。
所述量化模块54用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至一量化预测模型中，以使所述量化预测模型输出一量化值；所述量化值用于反映所述待测者的皮肤潮红反应程度。
需要说明的是，所述量化皮肤潮红反应程度的系统的工作原理与上述量化皮肤潮红反应程度的方法的工作原理相同，故在此不再赘述。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-On-a-Chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的量化皮肤潮红反应程度的方法。所述存储介质包括：只读存储器(Read-Only Memory，ROM)、随机访问存储器(Random Access Memory，RAM)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图6所示，本发明的终端包括处理器61及存储器62。
所述存储器62用于存储计算机程序；优选地，所述存储器62包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器61与所述存储器62相连，用于执行所述存储器62存储的计算机程序，以使所述终端执行上述的量化皮肤潮红反应程度的方法。
优选地，所述处理器61可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明的量化皮肤潮红反应程度的系统可以实现本发明的量化皮肤潮红反应程度的方法，但本发明的量化皮肤潮红反应程度的方法的实现装置包括但不限于本实施例列举的量化皮肤潮红反应程度的系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明的量化皮肤潮红反应程度的方法、系统、介质及终端，与现有技术相比，本发明采用基于机器学习算法搭建的神经网络量化预测模型实现对皮肤潮红反应程度的量化评估，通过获取皮肤潮红反应的反应区域面积以及皮肤颜色分布特征等参数，进行科学客观地量化，最终得到客观结果—量化值，该量化预测模型可实现对参数的准确评估，摒除了现有人工手段观察评估量化的主观因素的影响，即使在不同医生的操作下，在相同的皮肤潮红反应下，所得到的的量化值也一定是相同的，从而实现了皮肤潮红反应程度量化结果的一致性，提高了后续对用户患病概率预测的准确可靠性；所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种量化皮肤潮红反应程度的方法，其特征在于，包括以下步骤：
获取待测者的潮红反应图像；所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像；
在所述潮红反应图像上识别出潮红反应区域；在所述潮红反应图像上识别出潮红反应区域包括以下步骤：
根据所述皮肤潮红反应试剂贴片的位置，在所述潮红反应图像上初步定位出潮红反应位置，获取潮红区域；
识别所述潮红区域的边界；
对所述边界进行预处理，获取所述潮红反应区域；
在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征；所述Cr分布是指对应同一个Cr值，有多少个对应的像素点，通过统计所述潮红反应区域所有像素点的Cr值，获得所述Cr分布；所述Cb分布是指对应同一个Cb值，有多少个对应的像素点，通过统计所述潮红反应区域所有像素点的Cb值，获得所述Cb分布；所述Cr分布和所述Cb分布均为一概率密度图；所述颜色分布特征为基于所述Cr分布和所述Cb分布计算出的矩；所述矩是对变量分布和形态特点的一组度量，n阶矩被定义为一变量的n次方与其概率密度函数之积的积分；
将所述Cr分布、所述Cb分布及所述颜色分布特征输入至一量化预测模型中，以使所述量化预测模型输出一量化值；所述量化值用于反映所述待测者的皮肤潮红反应程度。
2.根据权利要求1所述的量化皮肤潮红反应程度的方法，其特征在于，获取待测者的潮红反应图像包括以下步骤：
获取所述待测者在一预设时间段内，每间隔第二预设时间对应的潮红反应图像。
3.根据权利要求1所述的量化皮肤潮红反应程度的方法，其特征在于，获取所述潮红反应区域对应的Cr分布和Cb分布包括以下步骤：
读取所述潮红反应区域上每一像素点对应的RGB值；
基于所述RGB值，获取所述像素点对应的Cr值和Cb值；
统计所述潮红反应区域上所有所述像素点对应的所述Cr值和所述Cb值，产生相应的所述Cr分布和所述Cb分布。
4.根据权利要求1所述的量化皮肤潮红反应程度的方法，其特征在于，所述方法还包括以下步骤：
搭建所述量化预测模型；所述量化预测模型包括：输入层、隐藏层及输出层；其中，所述输入层与所述隐藏层连接，用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述隐藏层；所述输出层与所述隐藏层连接，用于输出所述量化值；
训练所述量化预测模型，获取训练好的量化预测模型，以将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述训练好的量化预测模型。
5.一种量化皮肤潮红反应程度的系统，其特征在于，包括：第一获取模块、图像识别模块、第二获取模块及量化模块；
所述第一获取模块用于获取待测者的潮红反应图像；所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像；
所述图像识别模块用于在所述潮红反应图像上识别出潮红反应区域；在所述潮红反应图像上识别出潮红反应区域包括以下步骤：
根据所述皮肤潮红反应试剂贴片的位置，在所述潮红反应图像上初步定位出潮红反应位置，获取潮红区域；
识别所述潮红区域的边界；
对所述边界进行预处理，获取所述潮红反应区域；
所述第二获取模块用于在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征；所述Cr分布是指对应同一个Cr值，有多少个对应的像素点，通过统计所述潮红反应区域所有像素点的Cr值，获得所述Cr分布；所述Cb分布是指对应同一个Cb值，有多少个对应的像素点，通过统计所述潮红反应区域所有像素点的Cb值，获得所述Cb分布；所述Cr分布和所述Cb分布均为一概率密度图；所述颜色分布特征为基于所述Cr分布和所述Cb分布计算出的矩；所述矩是对变量分布和形态特点的一组度量，n阶矩被定义为一变量的n次方与其概率密度函数之积的积分；
所述量化模块用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至一量化预测模型中，以使所述量化预测模型输出一量化值；所述量化值用于反映所述待测者的皮肤潮红反应程度。
6.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4中任一项所述的量化皮肤潮红反应程度的方法。
7.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至4中任一项所述的量化皮肤潮红反应程度的方法。
CN202110766996.7A 2021-07-07 2021-07-07 量化皮肤潮红反应程度的方法、系统、介质及终端 Active CN113749642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110766996.7A CN113749642B (zh) 2021-07-07 2021-07-07 量化皮肤潮红反应程度的方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110766996.7A CN113749642B (zh) 2021-07-07 2021-07-07 量化皮肤潮红反应程度的方法、系统、介质及终端

Publications (2)

Publication Number Publication Date
CN113749642A CN113749642A (zh) 2021-12-07
CN113749642B true CN113749642B (zh) 2022-09-23

Family

ID=78787605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110766996.7A Active CN113749642B (zh) 2021-07-07 2021-07-07 量化皮肤潮红反应程度的方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN113749642B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115568838A (zh) * 2022-10-08 2023-01-06 深圳市龙华区人民医院 血运观察分析方法
CN116385760B (zh) * 2023-01-15 2024-04-30 西安电子科技大学广州研究院 一种皮肤烟酸反应分类设备
CN116206759B (zh) * 2023-01-17 2023-11-28 西安电子科技大学 一种基于图像分析的心理健康评估装置、设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7728904B2 (en) * 2005-11-08 2010-06-01 Qualcomm Incorporated Skin color prioritized automatic focus control via sensor-dependent skin color detection
US20100158363A1 (en) * 2008-12-19 2010-06-24 Qualcomm Incorporated System and method to detect skin color in an image
US8861847B2 (en) * 2012-12-21 2014-10-14 Intel Corporation System and method for adaptive skin tone detection
US20170262985A1 (en) * 2016-03-14 2017-09-14 Sensors Unlimited, Inc. Systems and methods for image-based quantification for allergen skin reaction
WO2019100282A1 (zh) * 2017-11-23 2019-05-31 深圳和而泰智能控制股份有限公司 一种人脸肤色识别方法、装置和智能终端
WO2019162054A1 (en) * 2018-02-20 2019-08-29 Koninklijke Philips N.V. System and method for client-side physiological condition estimations based on a video of an individual
US11804301B2 (en) * 2018-07-06 2023-10-31 Sri International Systems and methods involving predictive modeling of hot flashes
KR102260214B1 (ko) * 2019-08-21 2021-06-03 엘지전자 주식회사 인공지능 기반 수면 분석 방법 및 수면 분석 기능을 구비한 지능형 디바이스
CN111557672B (zh) * 2020-05-15 2023-06-27 上海市精神卫生中心（上海市心理咨询培训中心） 一种烟酸皮肤反应图像分析方法和设备

Also Published As

Publication number Publication date
CN113749642A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113749642B (zh) 量化皮肤潮红反应程度的方法、系统、介质及终端
Chiu A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue
US9779503B2 (en) Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data
Davis et al. Vision-based, real-time retinal image quality assessment
Kolář et al. Detection of glaucomatous eye via color fundus images using fractal dimensions
JP4487535B2 (ja) 健康度測定システムおよびプログラム
TWI684997B (zh) 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法
TW202008211A (zh) 一種圖像處理方法、電子設備及儲存介質
TW202023467A (zh) 眼底圖像定量分析的前置處理方法及存放裝置
Jin et al. Perceptual Gradient Similarity Deviation for Full Reference Image Quality Assessment.
Huang et al. HEp-2 cell images classification based on textural and statistic features using self-organizing map
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
CN116152270B (zh) 图像处理方法、装置、设备和介质
CN116453171A (zh) 白睛区域内血脉颜色的检测方法、装置、电子设备和介质
Singla et al. A framework for detection of jaundice in new born babies using homomorphic filtering based image processing
WO2022044673A1 (ja) 画像処理装置、検査システムおよび検査方法
CN114241565A (zh) 一种面部表情、目标对象状态分析方法、装置及设备
Motta et al. The evaluation of the healing process of diabetic foot wounds using image segmentation and neural networks classification
Azevedo-Marques et al. Segmentation of dermatological ulcers using clustering of color components
JP7436066B2 (ja) 眼底画像における動脈及び静脈を識別する方法
Uchqun o‘g‘li et al. Contrasting as a Method of Processing Medical Images in the Study of Fatty Liver Disease
Abdullah et al. Computer-aided diseases diagnosis system based on tongue color analysis: A review
CN117788897B (zh) 大脑年龄预测方法、装置、设备及存储介质
CN116206759B (zh) 一种基于图像分析的心理健康评估装置、设备及存储介质
Hassan et al. A study on palmistry color reflectance related to personality of subject

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