CN114494189A - 一种护理的伤口图像识别检测方法及装置 - Google Patents

一种护理的伤口图像识别检测方法及装置 Download PDF

Info

Publication number
CN114494189A
CN114494189A CN202210089777.4A CN202210089777A CN114494189A CN 114494189 A CN114494189 A CN 114494189A CN 202210089777 A CN202210089777 A CN 202210089777A CN 114494189 A CN114494189 A CN 114494189A
Authority
CN
China
Prior art keywords
image
wound
wound area
area
nursing
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.)
Pending
Application number
CN202210089777.4A
Other languages
English (en)
Inventor
杨俏兰
廖禄明
雷艳梅
朱兵
姚芳琴
汤枚
钟小燕
何雅婷
李晓如
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.)
Guangdong No 2 Peoples Hospital
Original Assignee
Guangdong No 2 Peoples Hospital
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 Guangdong No 2 Peoples Hospital filed Critical Guangdong No 2 Peoples Hospital
Priority to CN202210089777.4A priority Critical patent/CN114494189A/zh
Publication of CN114494189A publication Critical patent/CN114494189A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种护理的伤口图像识别检测方法，包括以下：预建立各类药剂的剂量与伤口面积的映射关系；获取用户的伤口区域图像；对所述伤口区域图像进行图像识别并计算得到伤口面积；获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。首先通过建立各类药剂的种类与剂量与伤口面积的映射，接着通过对每一个患者的伤口图像进行识别，确定患者的伤口的面积，最后根据患者的伤口的面积以及医护人员提供的药剂的种类自动确定当前药剂的剂量。能够智能化的根据伤口的大小以及护理药物的种类确定护理药物的用量，以辅助医护人员对患者进行快速准确的护理。

Description

一种护理的伤口图像识别检测方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种护理的伤口图像识别检测方法及装置。
背景技术
当受伤后前往医院求诊时，往往医护人员只能较为准确的确定需要使用的护理药物，却不能确定护理药物的剂量，这样一来，一方面可能会因为剂量选取的不够而导致治疗过程延缓亦或是治疗效果不佳，另一方面可能会因为剂量选取的过多而导致浪费等情况出现；
当今市场需要伤口图像的自动检测方法，能够对伤口图像进行识别，确定伤口的大小，进而根据伤口的大小以及护理药物的种类确定护理药物的用量，以辅助医护人员对患者进行快速准确的护理。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供一种护理的伤口图像识别检测方法及装置。
为了实现上述目的，本发明采用以下的技术方案，
具体的，提出一种护理的伤口图像识别检测方法，包括以下：
预建立各类药剂的剂量与伤口面积的映射关系；
获取用户的伤口区域图像；
对所述伤口区域图像进行图像识别并计算得到伤口面积；
获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。
进一步，具体的，预建立各类药剂的剂量与伤口面积的映射关系，包括以下，
通过BP神经网络建立各类药剂的剂量与伤口面积的映射关系，以药剂的类型与伤口面积作为BP神经网络的输入量，以药剂的类型所对应的剂量作为BP神经网络的输出量，具体的，
对网络进行初始化，预设输入层的节点数目为n，隐含层的节点个数为l，输出层的节点个数为m，输入层至隐含层的权重为wij，隐含层到输出层的权重为wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习速率为η，激励函数为Sigmoid函数g(x)，则有：
Figure BDA0003488726390000021
隐含层的输出为，
Figure BDA0003488726390000022
输出层的输出为，
Figure BDA0003488726390000023
误差的计算为，
Figure BDA0003488726390000024
其中，Yk为期望的输出层的输出
权重的更新为，
Figure BDA0003488726390000025
其中，ek＝Yk-Ok，
偏置的更新为，
Figure BDA0003488726390000026
判断BP神经网络是否收敛的条件为，
当网络中的相邻两次的误差的差的绝对值小于第一阈值时，判断网络收敛。
进一步，具体的，对所述伤口区域图像进行图像识别并计算得到伤口面积，包括以下，将用户的伤口区域图像作为第一图像；
对所述第一图像进行图像预处理得到降噪后的第二图像；
对所述第二图像进行边缘检测操作得到第二图像的轮廓图像；
对所述轮廓图像进行角点检测得到轮廓图像的多个角点；
将多个所述角点以相邻位置进行依次直线连接得到多边形，并计算所述多边形的面积S1；
对所述轮廓图像按照以正交的方式进行上、下、左、右的逐次扫描，每次扫描时均以出现灰度阶跃情况时停止，最终得到水平的两根直线以及竖直的两根直线，这四根直线共同形成矩形框，计算所述矩形框的面积S2；
计算得到伤口面积S，
Figure BDA0003488726390000031
进一步，具体的，第二图像的轮廓图像通过使用opencv基于sobel算子对第二图像进行处理得到。
进一步，具体的，轮廓图像的多个角点通过基于Freeman链码的角点检测方法得到。
进一步，所述方法还包括，
在每一次确定所需药剂的剂量时，还会获取医护人员的诊疗反馈信息，当所述诊疗反馈信息出现疗效异常时，将该次的药剂的种类、剂量以及伤口区域图像与对应的用户的身份信息进行绑定并形成日志，将所述日志予以存储以供医护人员查阅分析。
本发明还提出一种护理的伤口图像识别检测装置，包括以下：
第一数据库，用于预建立各类药剂的剂量与伤口面积的映射关系；
图像获取模块，用于获取用户的伤口区域图像；
面积计算模块，用于对所述伤口区域图像进行图像识别并计算得到伤口面积；
剂量确定模块，用于获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。
进一步，所述装置还包括，
日志生成模块，用于在每一次确定所需药剂的剂量时，还会获取医护人员的诊疗反馈信息，当所述诊疗反馈信息出现疗效异常时，将该次的药剂的种类、剂量以及伤口区域图像与对应的用户的身份信息进行绑定并形成日志，将所述日志予以存储以供医护人员查阅分析。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述一种护理的伤口图像识别检测方法的步骤。
本发明的有益效果为：
本发明提出一种护理的伤口图像识别检测方法，首先通过建立各类药剂的种类与剂量与伤口面积的映射，接着通过对每一个患者的伤口图像进行识别，确定患者的伤口的面积，最后根据患者的伤口的面积以及医护人员提供的药剂的种类自动确定当前药剂的剂量。能够智能化的根据伤口的大小以及护理药物的种类确定护理药物的用量，以辅助医护人员对患者进行快速准确的护理。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本发明一种护理的伤口图像识别检测方法的流程图；
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，实施例1，本发明提出一种护理的伤口图像识别检测方法，包括以下：
步骤110、预建立各类药剂的剂量与伤口面积的映射关系；
步骤120、获取用户的伤口区域图像；
步骤130、对所述伤口区域图像进行图像识别并计算得到伤口面积；
步骤140、获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。
在本实施例中，首先通过建立各类药剂的种类与剂量与伤口面积的映射，接着通过对每一个患者的伤口图像进行识别，确定患者的伤口的面积，最后根据患者的伤口的面积以及医护人员提供的药剂的种类自动确定当前药剂的剂量。能够智能化的根据伤口的大小以及护理药物的种类确定护理药物的用量，以辅助医护人员对患者进行快速准确的护理。
作为本发明的优选实施方式，具体的，预建立各类药剂的剂量与伤口面积的映射关系，包括以下，
通过BP神经网络建立各类药剂的剂量与伤口面积的映射关系，以药剂的类型与伤口面积作为BP神经网络的输入量，以药剂的类型所对应的剂量作为BP神经网络的输出量，具体的，
对网络进行初始化，预设输入层的节点数目为n，隐含层的节点个数为l，输出层的节点个数为m，输入层至隐含层的权重为wij，隐含层到输出层的权重为wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习速率为η，激励函数为Sigmoid函数g(x)，则有：
Figure BDA0003488726390000041
隐含层的输出为，
Figure BDA0003488726390000051
输出层的输出为，
Figure BDA0003488726390000052
误差的计算为，
Figure BDA0003488726390000053
其中，Yk为期望的输出层的输出
权重的更新为，
Figure BDA0003488726390000054
其中，ek＝Yk-Ok，
偏置的更新为，
Figure BDA0003488726390000055
判断BP神经网络是否收敛的条件为，
当网络中的相邻两次的误差的差的绝对值小于第一阈值时，判断网络收敛。
作为本发明的优选实施方式，具体的，对所述伤口区域图像进行图像识别并计算得到伤口面积，包括以下，
将用户的伤口区域图像作为第一图像；
对所述第一图像进行图像预处理得到降噪后的第二图像；
对所述第二图像进行边缘检测操作得到第二图像的轮廓图像；
对所述轮廓图像进行角点检测得到轮廓图像的多个角点；
将多个所述角点以相邻位置进行依次直线连接得到多边形，并计算所述多边形的面积S1；
对所述轮廓图像按照以正交的方式进行上、下、左、右的逐次扫描，每次扫描时均以出现灰度阶跃情况时停止，最终得到水平的两根直线以及竖直的两根直线，这四根直线共同形成矩形框，计算所述矩形框的面积S2；
计算得到伤口面积S，
Figure BDA0003488726390000061
在本优选实施方式中，通过分别计算相邻角点连线的面积以及举行框面积得到两处预估面积，再对两处预估面积进行合并最终得到伤口面积，使伤口面积较为准确。
作为本发明的优选实施方式，具体的，第二图像的轮廓图像通过使用opencv基于sobel算子对第二图像进行处理得到。
在本优选实施方式中，通过采用sobel算子的方式对第二图像进行边缘检测得到其轮廓图像，Sobel边缘检测的核心在于像素矩阵的卷积，卷积对于数字图像处理非常重要，很多图像处理算法都是做卷积来实现的。卷积运算的本质就是对制定的图像区域的像素值进行加权求和的过程，其计算过程为图像区域中的每个像素值分别与卷积模板的每个元素对应相乘，将卷积的结果作求和运算，运算到的和就是卷积运算的结果。所以此处使用sobel算子进行边缘检测较为适宜，当然其他合理的算子只要能够实现本发明的目的均可进行替换。
作为本发明的优选实施方式，具体的，轮廓图像的多个角点通过基于Freeman链码的角点检测方法得到。
在本优选实施方式中，采用基于轮廓链码的角点检测方法，基于Freeman链码的角点检测。这类检测方法主要分为三个步骤：首先，图像预处理后，对图像进行分割；然后，对分割后的图像抽取边界的Freeman的链码，得到边缘轮廓链码；最后，根据轮廓链码将方向迅速改变的点标记为角点。Freeman链码是指相邻两像素连线的八种可能方向值，由曲线起始点a1到终点an，整个链码的序列可写成A＝a1，a2，...，an，将图像边缘用链码形式表示出来后，在边缘的每个像素点处利用k曲率公式判断角点的存在。用在本发明中较为适宜，当然其他合理且适宜的方法均可进行替换。
作为本发明的优选实施方式，所述方法还包括，
在每一次确定所需药剂的剂量时，还会获取医护人员的诊疗反馈信息，当所述诊疗反馈信息出现疗效异常时，将该次的药剂的种类、剂量以及伤口区域图像与对应的用户的身份信息进行绑定并形成日志，将所述日志予以存储以供医护人员查阅分析。
本发明还提出一种护理的伤口图像识别检测装置，包括以下：
第一数据库，用于预建立各类药剂的剂量与伤口面积的映射关系；
图像获取模块，用于获取用户的伤口区域图像；
面积计算模块，用于对所述伤口区域图像进行图像识别并计算得到伤口面积；
剂量确定模块，用于获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。
作为本发明的优选实施方式，所述装置还包括，
日志生成模块，用于在每一次确定所需药剂的剂量时，还会获取医护人员的诊疗反馈信息，当所述诊疗反馈信息出现疗效异常时，将该次的药剂的种类、剂量以及伤口区域图像与对应的用户的身份信息进行绑定并形成日志，将所述日志予以存储以供医护人员查阅分析。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述一种护理的伤口图像识别检测方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包括的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (9)

1.一种护理的伤口图像识别检测方法，其特征在于，包括以下：
预建立各类药剂的剂量与伤口面积的映射关系；
获取用户的伤口区域图像；
对所述伤口区域图像进行图像识别并计算得到伤口面积；
获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。
2.根据权利要求1所述的一种护理的伤口图像识别检测方法，其特征在于，具体的，预建立各类药剂的剂量与伤口面积的映射关系，包括以下，
通过BP神经网络建立各类药剂的剂量与伤口面积的映射关系，以药剂的类型与伤口面积作为BP神经网络的输入量，以药剂的类型所对应的剂量作为BP神经网络的输出量，具体的，
对网络进行初始化，预设输入层的节点数目为n，隐含层的节点个数为l，输出层的节点个数为m，输入层至隐含层的权重为wij，隐含层到输出层的权重为wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习速率为η，激励函数为Sigmoid函数g(x)，则有：
Figure FDA0003488726380000011
隐含层的输出为，
Figure FDA0003488726380000012
输出层的输出为，
Figure FDA0003488726380000013
误差的计算为，
Figure FDA0003488726380000014
其中，Yk为期望的输出层的输出
权重的更新为，
Figure FDA0003488726380000015
其中，ek＝Yk-Ok，
偏置的更新为，
Figure FDA0003488726380000021
判断BP神经网络是否收敛的条件为，
当网络中的相邻两次的误差的差的绝对值小于第一阈值时，判断网络收敛。
3.根据权利要求2所述的一种护理的伤口图像识别检测方法，其特征在于，具体的，对所述伤口区域图像进行图像识别并计算得到伤口面积，包括以下，
将用户的伤口区域图像作为第一图像；
对所述第一图像进行图像预处理得到降噪后的第二图像；
对所述第二图像进行边缘检测操作得到第二图像的轮廓图像；
对所述轮廓图像进行角点检测得到轮廓图像的多个角点；
将多个所述角点以相邻位置进行依次直线连接得到多边形，并计算所述多边形的面积S1；
对所述轮廓图像按照以正交的方式进行上、下、左、右的逐次扫描，每次扫描时均以出现灰度阶跃情况时停止，最终得到水平的两根直线以及竖直的两根直线，这四根直线共同形成矩形框，计算所述矩形框的面积S2；
计算得到伤口面积S，
Figure FDA0003488726380000022
4.根据权利要求3所述的一种护理的伤口图像识别检测方法，其特征在于，具体的，第二图像的轮廓图像通过使用opencv基于sobel算子对第二图像进行处理得到。
5.根据权利要求3所述的一种护理的伤口图像识别检测方法，其特征在于，具体的，轮廓图像的多个角点通过基于Freeman链码的角点检测方法得到。
6.根据权利要求1所述的一种护理的伤口图像识别检测方法，其特征在于，所述方法还包括，
在每一次确定所需药剂的剂量时，还会获取医护人员的诊疗反馈信息，当所述诊疗反馈信息出现疗效异常时，将该次的药剂的种类、剂量以及伤口区域图像与对应的用户的身份信息进行绑定并形成日志，将所述日志予以存储以供医护人员查阅分析。
7.一种护理的伤口图像识别检测装置，其特征在于，包括以下：
第一数据库，用于预建立各类药剂的剂量与伤口面积的映射关系；
图像获取模块，用于获取用户的伤口区域图像；
面积计算模块，用于对所述伤口区域图像进行图像识别并计算得到伤口面积；
剂量确定模块，用于获取伤口所需药剂的种类，并结合所述伤口面积根据预设的映射关系确定所需药剂的剂量。
8.根据权利要求7所述的一种护理的伤口图像识别检测装置，其特征在于，所述装置还包括，
日志生成模块，用于在每一次确定所需药剂的剂量时，还会获取医护人员的诊疗反馈信息，当所述诊疗反馈信息出现疗效异常时，将该次的药剂的种类、剂量以及伤口区域图像与对应的用户的身份信息进行绑定并形成日志，将所述日志予以存储以供医护人员查阅分析。
9.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法的步骤。
CN202210089777.4A 2022-01-25 2022-01-25 一种护理的伤口图像识别检测方法及装置 Pending CN114494189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210089777.4A CN114494189A (zh) 2022-01-25 2022-01-25 一种护理的伤口图像识别检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210089777.4A CN114494189A (zh) 2022-01-25 2022-01-25 一种护理的伤口图像识别检测方法及装置

Publications (1)

Publication Number Publication Date
CN114494189A true CN114494189A (zh) 2022-05-13

Family

ID=81474161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210089777.4A Pending CN114494189A (zh) 2022-01-25 2022-01-25 一种护理的伤口图像识别检测方法及装置

Country Status (1)

Country Link
CN (1) CN114494189A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274242A (zh) * 2023-11-17 2023-12-22 简阳市人民医院 一种基于图像识别的创面检测方法和系统
CN117392117A (zh) * 2023-12-04 2024-01-12 四川省医学科学院·四川省人民医院 一种基于OpenCV图像处理的压疮检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274242A (zh) * 2023-11-17 2023-12-22 简阳市人民医院 一种基于图像识别的创面检测方法和系统
CN117274242B (zh) * 2023-11-17 2024-01-26 简阳市人民医院 一种基于图像识别的创面检测方法和系统
CN117392117A (zh) * 2023-12-04 2024-01-12 四川省医学科学院·四川省人民医院 一种基于OpenCV图像处理的压疮检测方法
CN117392117B (zh) * 2023-12-04 2024-02-13 四川省医学科学院·四川省人民医院 一种基于OpenCV图像处理的压疮检测方法

Similar Documents

Publication Publication Date Title
US20220375242A1 (en) Deep learning automated dermatopathology
CN108537784B (zh) 一种基于深度学习的ct图肺结节检测方法
CN114494189A (zh) 一种护理的伤口图像识别检测方法及装置
Zhang et al. Exudate detection in color retinal images for mass screening of diabetic retinopathy
CN110310287B (zh) 基于神经网络的危及器官自动勾画方法、设备和存储介质
CN107909622B (zh) 模型生成方法、医学成像的扫描规划方法及医学成像系统
CN108615237A (zh) 一种肺部图像处理方法及图像处理设备
WO2020238044A1 (zh) 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质
CN109840280B (zh) 一种文本分类方法、装置及计算机可读存储介质
WO2022001237A1 (zh) 鼻咽癌原发肿瘤图像自动识别方法及系统
CN107516004A (zh) 医学影像图片的识别处理方法及装置
JP2700440B2 (ja) 物品識別システム
CN112767383B (zh) 人脸痘痘定位识别方法
CN109583358A (zh) 一种医疗卫生监督快速精准执法方法
CN111563492B (zh) 一种跌倒检测方法、跌倒检测装置及存储装置
WO2023178972A1 (zh) 智能医疗阅片方法、装置、设备及存储介质
CN116883372A (zh) 一种基于血管区域图像自适应识别肿瘤的方法及系统
CN111161240A (zh) 血管分类方法、计算机设备和可读存储介质
CN116778579A (zh) 多人姿态的识别方法、装置、存储介质及电子设备
CN116433976A (zh) 图像处理方法、装置、设备和存储介质
TSAI Automatic segmentation of liver structure in CT images using a neural network
CN111178453B (zh) 一种基于svm的医疗图像智能化匹配方法及存储介质
CN110458087B (zh) 一种基于深度学习的患者问题部位标注方法
CN113962953A (zh) 一种图像处理方法和系统
CN117877691B (zh) 一种基于图像识别的智能化伤口信息采集系统

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