CN113822881B - 一种用于瘢痕图片评分的方法、系统及存储介质 - Google Patents
一种用于瘢痕图片评分的方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113822881B CN113822881B CN202111383385.0A CN202111383385A CN113822881B CN 113822881 B CN113822881 B CN 113822881B CN 202111383385 A CN202111383385 A CN 202111383385A CN 113822881 B CN113822881 B CN 113822881B
- Authority
- CN
- China
- Prior art keywords
- picture
- data
- scar
- pictures
- index information
- 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
Images
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
- A61B5/44—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
- A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
Abstract
本发明涉及图像处理技术领域,公开了一种用于瘢痕图片评分的方法、系统及存储介质,该方法包括获取待评分图片;采用预设的目标网络模型提取待评分图片的指标信息,指标信息包括色泽数据、血管分布数据、柔软度数据和厚度数据;根据色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的评分结果。全面考虑了瘢痕的指标信息,根据色泽数据、血管分布数据、柔软度数据和厚度数据实现对瘢痕图片的全面评价,且,采用预设的目标网络模型,可以快速的得到瘢痕图片的评分结果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于瘢痕图片评分的方法、系统及存储介质。
背景技术
瘢痕是人体创伤修复过程中的必然产物,如果生长过度则会出现毁容、发红、疼痛或瘙痒等并发症,甚至以挛缩形式出现,限制关节及肌肉功能,给患者带来严重的心理和生理上的痛苦。对于此类发病机制复杂、治疗周期长、个体差异大的顽固性皮肤疾病,需要一套正确、客观、有效的评价体系,来针对不同个体、在不同的阶段做出准确客观的评估,继而决定相应治疗手段,这种评估可以有目的性地观察瘢痕的发展趋势及最后结果,减少临床工作中的盲目性,解除患者对瘢痕转归的担心。
温哥华瘢痕量表 (Vancouver scar scale,VSS),简称VSS量表,是目前国际上较为通用、接受范围最广的评定方法,医生通过肉眼观察,从而给出VSS打分,最终根据VSS总分高低来评定瘢痕的严重程度以及对应的治疗方案。但这种方法在实际应用中存在评价主观性强、一致性差的缺陷。例如,瘢痕色泽、血管分布、柔软度、厚度等标准依赖医生的主观判断,不同医生的评价标准不一致,评价客观性不足。例如,环境亮度、衣着颜色等可能影响医生对瘢痕色泽、血管分布的判断,手部的力度、皮肤干燥程度等可能影响医生对瘢痕柔软的判断,以上因素会导致同一名医生,在不同时间段,对同一瘢痕的评价结果存在差异,导致评价的一致性不足。
发明内容
本发明提供了一种用于瘢痕图片评分的方法、系统及存储介质,以解决现有技术中存在的问题。
为了实现上述目的,本发明通过如下的技术方案来实现:
第一方面,本发明提供一种用于瘢痕图片评分的方法,包括:
获取待评分图片;
采用预设的目标网络模型提取所述待评分图片的指标信息,所述指标信息包括色泽数据、血管分布数据、柔软度数据和厚度数据;
根据所述色泽数据、血管分布数据、柔软度数据和厚度数据确定所述待评分图片对应的评分结果;
所述采用预设的网络模型提取所述待评分图片的指标信息之前,所述方法还包括:
采集瘢痕图片和非瘢痕图片共N张图片,N为正整数;
构建分数细化模块;
采用所述分数细化模块提取所述N张图片的粗粒度视觉特征和细粒度视觉特征;
根据所述粗粒度视觉特征和细粒度视觉特征确定所述N张图片所属类别;
根据所述N张图片、所述N张图片所属类别和所述N张图片对应的指标信息训练得到所述预设的目标网络模型。
可选地,所述根据所述N张图片、所述N张图片所属类别和所述N张图片对应的指标信息训练得到目标网络模型,包括:
确定所述N张图片对应的指标信息;
将所述N张图片、所述N张图片所属类别作为网络模型的输入,所述N张图片对应的指标信息作为网络模型的输出,进行迭代训练,得到目标网络模型。
可选地,所述采用预设的目标网络模型提取所述待评分图片的指标信息,包括:
将所述待评分图片转换为灰度图片;
将所述灰度图片划分为若干个子块;
采用预设的网络模型提取每一个子块的像素信息,根据所述像素信息生成每一个子块中的色泽数据、血管分布数据、柔软度数据和厚度数据;
根据所有子块的色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的指标信息。
可选地,所述获取待评分图片,包括:
基于预设条件获取待评分图片,所述预设条件用于表示采集所述待评分图片时,采集仪器与采集对象之间的距离范围为30-80cm。
第二方面,本申请实施例提供一种用于瘢痕图片评分的系统,包括:处理器和存储器;所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述移动终端执行根据第一方面所述的方法步骤。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的方法步骤。
有益效果:
本发明提供的用于瘢痕图片评分的方法,采用预设的目标网络模型提取待评分图片的指标信息,指标信息包括色泽数据、血管分布数据、柔软度数据和厚度数据;根据色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的评分结果。这样,全面考虑了瘢痕的指标信息,根据色泽数据、血管分布数据、柔软度数据和厚度数据实现对瘢痕图片的全面评价,且,采用预设的目标网络模型,可以统一瘢痕指标信息的评价标准,提取瘢痕图片数字化特征,快速的得到瘢痕组织的客观化、一致化的评分结果。
附图说明
图1为本发明优选实施例的一种用于瘢痕图片评分的方法的流程图;
图2为本发明优选实施例的一种萎缩性瘢痕示意图之一;
图3为本发明优选实施例的一种萎缩性瘢痕示意图之二;
图4为本发明优选实施例的一种萎缩性瘢痕示意图之三;
图5为本发明优选实施例的一种增生性瘢痕示意图之一;
图6为本发明优选实施例的一种增生性瘢痕示意图之二;
图7为本发明优选实施例的一种增生性瘢痕示意图之三;
图8为本发明优选实施例的一种瘢痕疙瘩示意图之一;
图9为本发明优选实施例的一种瘢痕疙瘩示意图之二;
图10为本发明优选实施例的一种瘢痕疙瘩示意图之三;
图11为本发明优选实施例的一种瘢痕癌示意图之一;
图12为本发明优选实施例的一种瘢痕癌示意图之二;
图13为本发明优选实施例的一种瘢痕癌示意图之三。
具体实施方式
下面对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
除非另作定义,本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
请参见图1,本申请实施例提供一种用于瘢痕图片评分的方法,包括:
获取待评分图片;
采用预设的目标网络模型提取待评分图片的指标信息,指标信息包括色泽数据、血管分布数据、柔软度数据和厚度数据;
根据色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的评分结果。
在本实施例中,获取待评分图片,可以通过采集仪器获取,例如,可以通过拍片获取,也可以通过手机拍照获取,也可以通过摄像机获取。此处仅作示例,不做限定,但不论其获取的方式作何变换,都在本申请保护的范围之内。
上述的用于瘢痕图片评分的方法,采用预设的目标网络模型提取待评分图片的指标信息,指标信息包括色泽数据、血管分布数据、柔软度数据和厚度数据;根据色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的评分结果。这样,全面考虑了瘢痕的指标信息,根据色泽数据、血管分布数据、柔软度数据和厚度数据实现对瘢痕图片的全面评价,且,采用预设的目标网络模型,可以快速的得到瘢痕图片的评分结果。本申请中,网络模型采用固定的分析方法,通过提取图片数据的数字化信息特征,实现客观评价;采用一致的特征提取方式,实现统一标准。可以较好地弥补人工评价客观性差、一致性不足的缺陷,实现客观、准确、快速的评价。
可选地,采用预设的网络模型提取待评分图片的指标信息之前,上述的用于瘢痕图片评分的方法还包括:
采集瘢痕图片和非瘢痕图片共N张图片,N为正整数;
构建分数细化模块;
采用分数细化模块提取N张图片的粗粒度视觉特征和细粒度视觉特征;
根据粗粒度视觉特征和细粒度视觉特征确定N张图片所属类别;
根据N张图片、N张图片所属类别和N张图片对应的指标信息训练得到预设的目标网络模型。
在本可选的实施方式中,瘢痕图片可以在临床图片中采集,例如,临床图片中,瘢痕图片可以包括增生性瘢痕图片、萎缩性瘢痕图片、瘢痕疙瘩图片、瘢痕癌图片等,此处仅作示例,不做限定。但不论其作何变换,都在本申请实施例保护的范围之内。
在实际中,可以根据图片的粗粒度视觉特征确定该图片是否为瘢痕图片,进一步地,可以根据图片的细粒度视觉特征确定该图片具体为哪一种类别的瘢痕图片。这样,对图片进行分类,可以便于更好的区分每一张图片,在后续步骤中,针对不同类别的图片进行分析,可以使得分析结果更加贴近实际情况,使得分析结果更加准确。
可选地,根据N张图片、N张图片所属类别和N张图片对应的指标信息训练得到目标网络模型,包括:
确定N张图片对应的指标信息;
将N张图片、N张图片所属类别作为网络模型的输入,N张图片对应的指标信息作为网络模型的输出,进行迭代训练,得到目标网络模型。
在本可选的实施方式中,确定N张图片对应的评分的步骤,可以通过获取3个以上的医生针对每一张图片给出的VSS评分的平均值,将该平均值作为该图片对应的评分,这样,可以缩小医生的主观感受对瘢痕柔软度、色泽评价造成的偏差,同时平均值也可以更好地代表多数医生对此瘢痕严重程度的判断结果。
具体而言,在迭代训练网络模型时,可以将N张图片分为训练集和测试集,首先使用测试集检测本方法的可行性,看是否能够区分瘢痕的粗粒度和细粒度特征,是否能够对瘢痕的色泽、血管分布、柔软度、厚度进行评价。经训练集对模型进行训练后,整理一批未经机器识别和学习的瘢痕临床图像作为验证集,模拟临床应用,由机器和医生分别对瘢痕进行评分并对比,来验证网络模型是否符合要求。例如:对于同一个病人,机器每次给的分数和不同医生给出的分数之间的变动差异大小,机器的变动差异越小,说明模型越符合前面所述的需求。这样,可以提高网络模型的准确率和客观性。
可选地,所述采用预设的目标网络模型提取所述待评分图片的指标信息,包括:
将所述待评分图片转换为灰度图片;
将所述灰度图片划分为若干个子块;
采用预设的网络模型提取每一个子块的像素信息,根据所述像素信息生成每一个子块中的色泽数据、血管分布数据、柔软度数据和厚度数据;
根据所有子块的色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的指标信息。
需要说明的是,可以通过本申请中的目标网络模型快速确定待评分图片对应的指标信息,如图2-13所示,不同类型的瘢痕的指标信息不同,例如,图8-图10中的瘢痕疙瘩的厚度大于图6-图7中的增生性瘢痕的厚度。这样,通过图片中的瘢痕的厚度,快速确定该图片中的瘢痕的种类,便于为医生提供瘢痕图片信息,无需医生针对每一张图片进行查看,可以直接获取到大量的瘢痕图片信息,缩小医生的主观感受对瘢痕柔软度、色泽评价造成的偏差,可以实现快速且智能的对待评分图片进行分析。
可选地,获取待评分图片,包括:
基于预设条件获取待评分图片,预设条件用于表示采集待评分图片时,采集仪器与采集对象之间的距离范围为30-80cm。
在本可选的实施方式中,使用手机在距离瘢痕组织的相对左侧或者相对右侧的30-80厘米处拍摄瘢痕影响,可以准确的获取瘢痕的厚度数据和体积数据,例如,使用手机在距离瘢痕组织的相对左侧或者相对右侧的30厘米处、60厘米处或者80厘米处拍摄瘢痕影响,这样,通过获取瘢痕的厚度数据和体积数据,可以突破人工智能在二维层面的识别功能,纳入厚度等三维指标,实现对瘢痕、甚至有突起的皮损的全面评价。其中,对于采集仪器与采集对象之间的距离可以根据医生的经验设置,此处仅作示例,不做限定。
在实际应用时,本申请实施例中的用于瘢痕图片评分的方法,基于预设的目标网络模型,可以快速且智能实现对大量图片的评分,客观性高、时效性强,可以节省医护工作者的时间,减少人力成本。且,可以减少评分过程中受人为主观的影响,能使得评分结果更加准确、客观、一致,为医护人员提供更加精准的医疗信息,例如,对于不同亚型的瘢痕,都能够以机器识别的客观标准进行评价;对一例瘢痕的转归过程,能够实现不同时间的评价一致性;对医生而言,可以客观严密地观测瘢痕生长和预后情况,可以节约时间成本,指导治疗方案,对患者而言,可以解除对瘢痕转归的担心,指导自我护理,有利于推进医疗工作的展开。
本申请实施例还提供一种用于瘢痕图片评分的系统,包括:处理器和存储器;所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述移动终端执行上述的方法步骤。
上述的用于瘢痕图片评分的系统,可以实现上述的用于瘢痕图片评分的方法的各个实施例,且能达到相同的有益效果,此处,不做赘述。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法步骤。该可读存储介质可以实现上述的用于瘢痕图片评分的方法的各个实施例,且能达到相同的有益效果,此处,不做赘述。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种用于瘢痕图片评分的方法,其特征在于,包括:
获取待评分图片;
采用预设的目标网络模型提取所述待评分图片的指标信息,所述指标信息包括色泽数据、血管分布数据、柔软度数据和厚度数据;
根据所述色泽数据、血管分布数据、柔软度数据和厚度数据确定所述待评分图片对应的评分结果;
所述采用预设的网络模型提取所述待评分图片的指标信息之前,所述方法还包括:
采集瘢痕图片和非瘢痕图片共N张图片,N为正整数;
构建分数细化模块;
采用所述分数细化模块提取所述N张图片的粗粒度视觉特征和细粒度视觉特征;
根据所述粗粒度视觉特征和细粒度视觉特征确定所述N张图片所属类别;
根据所述N张图片、所述N张图片所属类别和所述N张图片对应的指标信息训练得到所述预设的目标网络模型。
2.根据权利要求1所述的用于瘢痕图片评分的方法,其特征在于,所述根据所述N张图片、所述N张图片所属类别和所述N张图片对应的指标信息训练得到目标网络模型,包括:
确定所述N张图片对应的指标信息;
将所述N张图片、所述N张图片所属类别作为网络模型的输入,所述N张图片对应的指标信息作为网络模型的输出,进行迭代训练,得到目标网络模型。
3.根据权利要求1所述的用于瘢痕图片评分的方法,其特征在于,所述采用预设的目标网络模型提取所述待评分图片的指标信息,包括:
将所述待评分图片转换为灰度图片;
将所述灰度图片划分为若干个子块;
采用预设的网络模型提取每一个子块的像素信息,根据所述像素信息生成每一个子块中的色泽数据、血管分布数据、柔软度数据和厚度数据;
根据所有子块的色泽数据、血管分布数据、柔软度数据和厚度数据确定待评分图片对应的指标信息。
4.根据权利要求1所述的用于瘢痕图片评分的方法,其特征在于,所述获取待评分图片,包括:
基于预设条件获取待评分图片,所述预设条件用于表示采集所述待评分图片时,采集仪器与采集对象之间的距离范围为30-80cm。
5.一种用于瘢痕图片评分的系统,其特征在于,包括:处理器和存储器;所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以执行根据权利要求1至4中任一项所述的方法步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383385.0A CN113822881B (zh) | 2021-11-22 | 2021-11-22 | 一种用于瘢痕图片评分的方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383385.0A CN113822881B (zh) | 2021-11-22 | 2021-11-22 | 一种用于瘢痕图片评分的方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822881A CN113822881A (zh) | 2021-12-21 |
CN113822881B true CN113822881B (zh) | 2022-03-15 |
Family
ID=78918008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111383385.0A Active CN113822881B (zh) | 2021-11-22 | 2021-11-22 | 一种用于瘢痕图片评分的方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822881B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678794B (zh) * | 2016-03-01 | 2018-04-17 | 上海电力学院 | 一种基于图像处理的瘢痕治疗效果的评估方法 |
KR102031668B1 (ko) * | 2018-03-27 | 2019-10-14 | 중앙대학교 산학협력단 | 의사결정모델 기반 군날개 수술 여부 진단 장치 및 그 방법 |
US11375984B2 (en) * | 2018-08-31 | 2022-07-05 | Seno Medical Instruments, Inc. | Method and system for managing feature reading and scoring in ultrasound and/or optoacoustic images |
CN111311566B (zh) * | 2020-02-11 | 2023-07-18 | 常州市第一人民医院 | 存活心肌评价方法 |
CN113077440A (zh) * | 2021-03-31 | 2021-07-06 | 中南大学湘雅医院 | 病理图像的处理方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-22 CN CN202111383385.0A patent/CN113822881B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113822881A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN111161290B (zh) | 一种图像分割模型的构建方法、图像分割方法及系统 | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
CN107103601B (zh) | 一种乳腺癌评分系统中的细胞有丝分裂检测方法 | |
CN111671448A (zh) | 一种基于深度学习的骨龄检测方法和装置 | |
CN110338759B (zh) | 一种正面疼痛表情数据采集方法 | |
CN106821324A (zh) | 一种基于舌面和舌下综合分析的舌诊辅助医疗系统 | |
CN106530294A (zh) | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
CN110246109A (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
CN106169084A (zh) | 一种基于高斯核参数选择的svm乳腺分类方法 | |
CN105286768A (zh) | 基于手机平台下的人体健康状态的舌苔诊断装置 | |
CN114947756B (zh) | 基于皮肤图像的特应性皮炎严重程度的智能评估决策系统 | |
CN110495888B (zh) | 一种基于中医舌、面图像的标准色卡及其应用 | |
CN110348477A (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
CN113130066A (zh) | 一种基于人工智能的舌诊图像识别方法 | |
CN109241963A (zh) | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 | |
CN113822881B (zh) | 一种用于瘢痕图片评分的方法、系统及存储介质 | |
CN113053517B (zh) | 一种基于动态区域量化指标的面瘫级别评估方法 | |
CN116779093B (zh) | 一种医学影像结构化报告的生成方法、装置和计算机设备 | |
Tang et al. | MRI image segmentation system of uterine fibroids based on AR-Unet network | |
Smith et al. | Automated torso contour extraction from clinical cardiac MR slices for 3D torso reconstruction | |
CN111951950A (zh) | 基于深度学习的三维数据医疗分类系统、方法和装置 | |
CN111938655B (zh) | 基于关键点信息的眼眶软组织形态评价方法、系统及设备 | |
CN106580275A (zh) | 一种手腕处脉搏信号处理系统 |
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 |