CN114581410B - 一种神经网络的训练系统及方法 - Google Patents
一种神经网络的训练系统及方法 Download PDFInfo
- Publication number
- CN114581410B CN114581410B CN202210213517.3A CN202210213517A CN114581410B CN 114581410 B CN114581410 B CN 114581410B CN 202210213517 A CN202210213517 A CN 202210213517A CN 114581410 B CN114581410 B CN 114581410B
- Authority
- CN
- China
- Prior art keywords
- burn
- matrix
- value
- neural network
- processor
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30088—Skin; Dermal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明一种神经网络的训练系统包括图像获取模块、信息显示模块、第一数据库、第一处理器,其用于将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;所述第一处理器通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级。本发明通过获取第一图像后对所述第一图像划分网格得到第一网格群,并通过第一神经网络方法对第一网格群的的分析得出烧伤比例,根据神经网络的计算方法得出烧伤比例的轻重情况最终输出烧伤建议等级供医生参考,快速判断烧伤的大致面积,提高就医速度,有效减轻皮肤科医生的工作强度并同时提高科学性。
Description
技术领域
本发明涉及一种医疗领域,特别是涉及一种依靠图像输入、多层次计算并分析、提高烧伤诊断速度的一种神经网络的训练系统。
背景技术
烧伤一般指热力,包括热液、蒸气、高温气体、火焰、炽热金属液体或固体等所引起的组织损害,皮肤和/或黏膜,严重者也可伤及皮下或/和黏膜下组织,如肌肉、骨、关节甚至内脏。评价烧伤程度需要包括计算烧伤大致的面积和程度,医学专业人员依靠手绘的图表和其他方法来进行计算和诊断,但培育一位皮肤科的医生所需的时间成本很高导致皮肤科医生数量较少,烧伤评估需要的时间较长,这使得皮肤科容易出现患者积压的情况,烧伤程度包括面积、程度、部位等多方面因素影响;
神经网络可自行设置隐藏层内的多层次的计算方式,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
因此,目前亟需一种依靠图像输入、多层次计算并分析、提高烧伤诊断速度的一种神经网络的训练系统。
发明内容
本发明要解决的技术问题是提供一种依靠图像输入、多层次计算并分析、提高烧伤诊断速度的一种神经网络的训练系统。
本发明一种神经网络的训练系统,包括
图像获取模块,其用于获取第一图像;
信息显示模块,其用于显示烧伤建议等级;
第一数据库,其用于存储颜色所对应的rgb值;
第一处理器,其用于将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;
所述第一处理器通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级。
本发明一种神经网络的训练系统,其中所述第一划分方法为将所述第一图像按照横向分为第四数量个第一网格,纵向分为第五数量个第一网格。
本发明一种神经网络的训练系统,其中所述图像获取模块装有照明设备。
本发明一种神经网络的训练系统,其中所述第一神经网络方法的步骤包括:
所述图像获取模块还能够获取第一肤色;
所述第一处理器将所述第一网格群转换为第一矩阵,将第一网格群内的灰度值大于第二数值的网格转换为数值为“0”的元素,其他网格转换为数值为“2”的元素,所述第一处理器识别所述第一矩阵中的数值为“2”的个数得到第二数量;
所述第一处理器识别第一肤色的rgb值,将第一肤色的rgb值转化为第一肤色的灰度值,再将所述第一肤色的灰度值转化为第一数值,所述第一处理器将所述第一数值分别增加和减少第二变量后生成第一区间,所述第一处理器将所述第一网格群内灰度值位于第一区间内的第一网格在所述第一矩阵中的所对应的元素的数值由“2”转换为“1”进而得到第二矩阵,并将所述第二矩阵中的数值为“2”的个数得到第三数量;
所述第一处理器计算所述第三数量占所述第二数量的比例进而得到烧伤比例。
本发明一种神经网络的训练系统,其中将所述第一矩阵转换为第一数串,所述第一处理器识别所述第一数串中的数值为“2”的个数得到第二数量。
本发明一种神经网络的训练系统,其中将所述第二矩阵转换为第二数串,所述第一处理器识别所述第二数串中的数值为“2”的个数得到第三数量。
本发明一种神经网络的训练系统,其中
所述信息显示模块还显示烧伤程度建议等级;
所述第一处理器将所述第二矩阵中数值为2的元素转换为所对应的所述第一网格群内的第一网格的rgb值转换成的灰度值,将所述第二矩阵中数值为1的元素转换为X,将所述第二矩阵中数值为0的元素转换为Y,进而得到第三矩阵;
所述第一处理器将所述第三矩阵转换为第三数串,判断第三数串中是否含有小于第一阈值的数值,若有则输出三级烧伤,若没有则判断是否存在大于第一阈值并小于第三阈值的数值,若存在则输出为二级烧伤,若不存在则输出为一级烧伤。
本发明一种神经网络的训练系统,其中所述信息显示模块为显示屏。
本发明一种神经网络的训练系统,其中所述图像获取模块为曲面图像扫描设备。
本发明一种神经网络的训练方法,包括如下步骤:
存储颜色所对应的rgb值;
获取第一图像;
将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;
通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级。
本发明一种神经网络的训练系统与现有技术不同之处在于本发明一种神经网络的训练系统通过获取第一图像后对所述第一图像划分网格得到第一网格群,并通过第一神经网络方法对第一网格群的的分析得出烧伤比例,根据神经网络的计算方法得出烧伤比例的轻重情况最终输出烧伤建议等级供医生参考,快速判断烧伤的大致面积,提高就医速度,有效减轻皮肤科医生的工作强度并同时提高科学性。
下面结合附图对本发明的一种神经网络的训练系统作进一步说明。
附图说明
图1是一种神经网络的训练系统的流程示意图;
图2是所述第一图像的示意图;
图3是第五矩阵的示意图;
图4是神经网络卷积计算第一示意图;
图5是神经网络卷积计算第二示意图;
图6是神经网络卷积计算第三示意图;
图7是第一网格群的示意图;
图8是第二矩阵的示意图。
具体实施方式
如图1~8所示,参见图2,一种神经网络的训练系统,包括
图像获取模块,其用于获取第一图像;
信息显示模块,其用于显示烧伤建议等级;
第一数据库,其用于存储颜色所对应的rgb值;
第一处理器,其用于将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;
所述第一处理器通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级。
本发明通过获取第一图像后对所述第一图像划分网格得到第一网格群,并通过第一神经网络方法对第一网格群的的分析得出烧伤比例,根据神经网络的计算方法得出烧伤比例的轻重情况最终输出烧伤建议等级供医生参考,快速判断烧伤的大致面积,提高就医速度,有效减轻皮肤科医生的工作强度并同时提高科学性。
其中,所述第一划分方法为划分为1000*1000的第一网格群。
其中,所述第一方法为计算所述第一图像中黑色面积占所述第一图像的面积的比例进而生成烧伤比例。
例如,一位烧伤患者来到门诊就诊,操作人员使用仪器对患者进行拍摄进而得到第一图像,所述第一处理器通过第一方法将第一图像划分为1000*1000的网格群,并通过第一方法得出烧伤比例为8.2%,参照表1,并输出烧伤建议等级为中等面积烧伤。
烧伤比例 | (0,5) | [5,15) | [15,100] |
烧伤建议等级 | 小面积烧伤 | 中等面积烧伤 | 大面积烧伤 |
表1
作为对本发明的进一步解释,所述第一划分方法为将所述第一图像按照横向分为第四数量个第一网格,纵向分为第五数量个第一网格。
本发明按照第四数量和第五数量划分网格,进而在划分网格时更能够适应不同形状的图像,为神经网络的隐藏层运算做铺垫,避免背景面积过大导致无用的计算量和图像生成工作。
其中,第四数量可为192~384,优选为240,第五数量可为192~384,优选为240。
本发明通过设置第四数量可为192~384,优选为240,第五数量可为192~384,优选为240,进而达到使单个网格内出现两种及以上的颜色的可能性尽可能减小,网格对图像的表达的增强精确性。
其中,所述第一网格可为长方形或正方形。
其中,如图2所示,所述图像获取模块通过在固定距离、固定缩放焦距进行全景拍照的方式进行拍摄,进而使得图像中的身体部位位于图像的中心区域以便进行分析,能够准确的框选图片最中心的区域的轮廓,此技术为现有技术此处不赘述。例如,可以为人脸识别模块,可以准确步骤人脸的中心,以鼻子为中心将人脸放置于中心区域,并剔除人脸轮廓以外的东西为白色背景,并将轮廓转换为第一中心。
其中,根据患者的身体肤色分布情况选取距离烧伤区域最近的正常皮肤作为获取第一肤色的方式,进而避免晒黑、胎记等影响。
其中,所述第一方法为将所述第一网格群转化为第一数串,所述第一数据库存储有与所述第一数串所对应的烧伤比例。
其中,第一数据库已存储了多种第一代码所对应的烧伤比例,所述烧伤比例采用能够对应多种训练样本对神经网络训练得到的结果。
作为对本发明的进一步解释,图像获取模块装有照明设备。
本发明通过设置图像获取模块装有照明设备,进而保证多角度拍摄所述第一图像时不存在阴影等影响。
作为对本发明的进一步解释,参见图2、7、8,所述第一神经网络方法的步骤包括:
所述图像获取模块还能够获取第一图像的第一肤色;
所述第一处理器将所述第一网格群转换为第一矩阵,将第一网格群内的灰度值大于第二数值的网格转换为数值为“0”的元素,其他网格转换为数值为“2”的元素,所述第一处理器识别所述第一矩阵中的数值为“2”的个数得到第二数量;
所述第一处理器识别第一肤色的rgb值,将第一肤色的rgb值转化为第一肤色的灰度值,再将所述第一肤色的灰度值转化为第一数值,所述第一处理器将所述第一数值分别增加和减少第二变量后生成第一区间,所述第一处理器将所述第一网格群内灰度值位于第一区间内的第一网格在所述第一矩阵中的所对应的元素的数值由“2”转换为“1”进而得到第二矩阵,并将所述第二矩阵中的数值为“2”的个数得到第三数量;
所述第一处理器计算所述第三数量占所述第二数量的比例进而得到烧伤比例。
本发明通过所述第一处理器将第一图像即为神经网络的输入层先转换为第一网格群,进而将背景色和肤色进行统一筛选,避免出现影响烧伤程度的判断,再由第一网格群内的各个网格的灰度值进而使所述第一网格群变为识别难度较小、识别速度更快的第一矩阵,此过程即神经网络隐藏层的运算过程,提高第一处理器的处理速度将图像、色块的对比转换为简单数字的统计和比例,最终得到烧伤比例即神经网络的输出层,有效对患者的烧伤的部分的比例进行评估。
其中,通过所述第一肤色进而得到的第一区间并进行选取,进而有效面对为光线明暗、晒黑等情况的影响,为所述第一肤色的选取提供一定的缓冲区域。
例如,某患者的烧伤后需要进行医学评估,由于皮肤科患者较多人为识别皮肤的颜色和烧伤部分的不规则面积的计算较难,因此使用第一处理器将首先对所述第一图像内的背景网格进行筛选并使其元素为0,其他网格的元素为2,进而得到所述第一图相中的患者的身体的面积的代表即第二数量为560,再选取烧伤部分周围的皮肤的颜色为第一肤色,并转换为第一区间,识别后将位于第一区间内的灰度值的网格所对应的元素由由“2”转换为“1”,就此得到的第二矩阵中正常皮肤为1,烧伤皮肤为2,背景色为0,所述第一处理器通过对数值的快速运算得出所述第三数量占所述第二数量的比例为8.2%并输出。
其中,所述“所述第一处理器将所述第一数值分别增加和减少第二变量后生成第一区间”的步骤为,第一数值增加第二变量变为第一区间的右端点,第一数值减少第二变量变为第一区间的左端点,第一区间的左端点和右端点可以取到。
其中,所述“所述第一处理器计算所述第三数量占所述第二数量的比例进而得到烧伤比例”的步骤可为:按照九分法对患者进行的烧伤比例进行判定。
其中,所述第二变量可为2~4,优选为3。
本发明通过设置所述第二变量可为2~4,优选为3,进而为人体不同部位的肤色差提供一定的缓冲区域,避免误判。
其中,所述“将所述第一矩阵转换为第一数串”的步骤可为从第一矩阵的第一行开始从左到右依次排列,并在一行结束时自动跳转至下一行直至所有元素都完成排序,所述第二矩阵和第二数串的转换过程同理。
其中,网格内所有像素点的平均值输出为网格的灰度平均值。
其中,从灰度值公式中可以看出在rgb值转换为灰度值中g值占主导地位,因此g值越高则灰度值越高。
其中,所述“所述第一处理器识别第一肤色的rgb值转化为灰度值”的步骤可为:首先将颜色的RGB转换为LAB值,以LAB模式为中介,然后在LAB值中使A、B均为零,并依此生成一个RGB等值的灰阶,最后再根据该灰阶向灰度空间转换,进而得到灰度值,此技术为现有技术此处不在赘述。
作为对本发明的进一步解释,将所述第一矩阵转换为第一数串,所述第一处理器识别所述第一数串中的数值为“2”的个数得到第二数量。
本发明通过将第一矩阵转化为第一数串进而增强第一处理器的处理速度。
作为对本发明的进一步解释,将所述第二矩阵转换为第二数串,所述第一处理器识别所述第二数串中的数值为“2”的个数得到第三数量。
本发明通过将第二矩阵转化为第二数串进而增强第一处理器的处理速度。
作为对本发明的进一步解释,所述信息显示模块还显示烧伤程度建议等级;
所述第一处理器将所述第二矩阵中数值为2的元素转换为所对应的所述第一网格群内的第一网格的rgb值转换成的灰度值,将所述第二矩阵中数值为1的元素转换为X,将所述第二矩阵中数值为0的元素转换为Y,进而得到第三矩阵;
所述第一处理器将所述第三矩阵转换为第三数串,判断第三数串中是否含有小于第一阈值的数值,若有则输出三级烧伤,若没有则判断是否存在大于第一阈值并小于第三阈值的数值,若存在则输出为二级烧伤,若不存在则输出为一级烧伤。
本发明通过先将背景色和正常皮肤剔除后,识别烧伤部分的皮肤的颜色并将其转换为rgb值,再经rgb值转换为灰度值来表达烧伤强度,进而将颜色的深浅的比较转化为运算速度更快的数值大小的比较,进而更快的判断烧伤程度建议等级,灰度值在第三阈值以上的通常为粉红色既轻度烧伤,灰度值在第三阈值至第一阈值之间的深红色即中度烧伤,出现黑色则灰度值在第一阈值以下则说明产生焦黑状为严重烧伤,进而在为医护人员提供该患者的烧伤程度。
例如,某患者经过皮肤科护士对烧伤部分进行清创后得到所述第一图像,并通过第一图像得到第二矩阵,所述第一处理器识别第二矩阵中不存在小于第一阈值80的数字,因此排除三级烧伤,并发现62个元素的数值大于第一阈值80并小于第三阈值190,最终判定烧伤程度建议等级为二级烧伤。
其中,所述第一阈值可为60~90,优选为80。
本发明通过设置所述第一阈值可为60~90,优选为80,进而达到筛选烧伤程度较重的区域。
其中,所述第二阈值可为170~210,优选为190。
本发明通过设置所述第二阈值可为170~210,优选为190,进而达到筛选烧伤程度较轻的区域。
其中,所述第一图像的背景为白底。
其中,将所述第二矩阵中数值为1的元素转换为X,将所述第二矩阵中数值为0的元素转换为Y以防止两者数值小于第一阈值导致误判为烧伤面积。
作为对本发明的进一步解释,所述信息显示模块为显示屏。
本发明通过设置所述信息显示模块为显示屏,进而更加直观的为医护人员显示患者的诊断情况。
作为对本发明的进一步解释,所述图像获取模块为曲面图像扫描设备。
本发明通过设置所述图像获取模块为曲面图像扫描设备,进而更精确的获取不同患者的躯干的烧伤情况。
作为对本发明的进一步解释,所述图像获取模块为曲面图像扫描设备。
本发明通过设置所述图像获取模块为曲面图像扫描设备,进而更精确的获取不同患者的躯干的烧伤情况。
本发明一种神经网络的训练方法,包括如下步骤:
S1.1、存储颜色所对应的rgb值;
S1.2、获取第一图像;
S1.3、将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;
S1.4、通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级。
本发明通过该方法进而快速输出烧伤建议等级,为烧伤患者减少了诊断时间。
作为对本发明的进一步解释,参见图1,所述第一处理器判断所述烧伤程度建议等级是否为三级烧伤,若否则不动作,若是则对所述第四数量增加第一变量得到第六数量,第五数量增加第一变量得到第七数量,进而得到由横向由第六数量个第二网格、纵向由第七数量个第二网格组成的第三网格群;
所述信息显示模块还用于显示烧伤综合建议等级;
所述图像获取模块从新获取第三网格群内的灰度值,所述第一处理器将第三网格群内的灰度值大于第二数值(背景)的网格转换为数值为“0”的元素,将所述第三网格群内灰度值位于第一区间(皮肤)内的网格转换为数值为“1”的元素,将其他第二网格转化为数值为各自的rgb值所对应的灰度值的元素,进而构成第四矩阵;
所述第一处理器对所述第四矩阵除0、1的元素进行判断是否含有小于第一阈值的数值,若含有则输出小于第一阈值的元素的数值为“X”,若不含有则判断是否存在大于第一阈值且小于第二阈值的数值,若存在则输出在第三网格群内大于第一阈值且小于第二阈值的灰度值在所述第五矩阵内的所对应的元素的数值为“3”,若不存在则判断是否存在大于第二阈值的数值,若是则更改第三网格群内大于第二阈值的灰度值在所述第五矩阵内的所对应的元素的数值为“2”,若否则不动作,进而生成第五矩阵;
第一步,所述第一处理器按照第六数量的第四比例生成第一个数,并按照第七数量的第五比例生成第二个数,判断第一个数和第二个数中是否存在小于第五阈值的数字,若否则不动作,若是则将小于第五阈值的第一个数或第二个数的数字替换为第五阈值所对应的数字,并按照横向第一个数、纵向第二个数生成第一卷积核,通过第一卷积核与所述第五矩阵的元素通过第一卷积方法生成第一次级矩阵,并更改第一次级矩阵中X的值为“第一个数、第二个数和3三者的乘积”;
第二步,所述第一处理器将第一次级矩阵转换为第一次级数串,并判断所述第一次级数串中大于X的值的个数是否超过“第一个数与第二个数的乘积”的第一倍数,若是则输出烧伤综合建议等级为四级,若否则判断所述第一次级数串中大于X的值的个数是否超过“第一个数与第二个数的乘积”的第二倍数,若是则输出烧伤综合建议等级为三级,若否则判断所述第一次级数串中大于X的值的个数是否超过“第一个数与第二个数的乘积”的第二倍数,若是则输出烧伤综合建议等级为二级,若否则输出烧伤综合建议等级为一级;
第三步,判断烧伤综合建议等级是否超过三级,若否则输出,若是则判断所述第一个数和第二个数中是否小于第四阈值,若是则输出,若否则分别对所述第四比例的第三变量生成所述第六比例、第五比例的第三变量生成第七比例,并用所述第六比例替换第四比例,使用第七比例替换第五比例,将第一次级矩阵替换为第五矩阵,删除第六比例、第七比例、第一次级矩阵、第一次级数串,并跳转至第一步;
本发明通过所述第一卷积核方法得到第一次级矩阵,进而在最大程度上保留所述第一图像的特征的情况下对图片进行合理简化,通过神经网络卷积运算整合并减少图片的像素,进而提高烧伤综合建议等级较低的处理速度,同时针对烧伤综合建议等级较高的患者通过不断减少第一卷积核的大小和并增大划分网格的数量来提高第一次级矩阵的对所述第五矩阵的特征的保留力度,进而兼顾了烧伤综合建议等级的输出速度和准确性,该方法适用于像素较高的图像时能够获得更加显著的使用效果,使图像处理更迅速的同时保留关键特征,由于不便显示因此采用元素数量较少的第五矩阵进行演示。
例如,参见图3、4,针对某6*6的第五矩阵,使用3*3的第一卷积核进行操作,得到了2*2的第一次级矩阵,如图4所示,经判断后第一次级矩阵中,判断后得出所述第一次级数串中大于X的值的个数超过“第一个数与第二个数的乘积”的第一倍数3/5,因此得到烧伤综合建议等级为四级,为进一步增强准确性,使用了2*2的第一卷积核进行操作,如图5所示,得到一个3*3的第一次级矩阵,经判断后第一次级矩阵中,判断后得出所述第一次级数串中大于X的值的个数不超过“第一个数与第二个数的乘积”的第一倍数3/5,超过“第一个数与第二个数的乘积”的第二倍数1/2,因此输出烧伤综合建议等级为三级。
其中,所述第一倍数可为3/4~2/3,所述第二倍数2/3~1/2,所述第三倍数1/3~1/4。
其中,所述“判断烧伤综合建议等级是否超过三级”中即判断是否为三级或四级。
其中,所述“第六数量的第四比例生成第一个数、第七数量的第五比例生成第二个数”的步骤为第六数量的第四比例的乘积取整数部分生成第一个数,第七数量的第五比例的乘积取整数部分生成第二个数。
其中,所述“所述第一处理器按照第六数量的第四比例生成第一个数,并按照第七数量的第五比例生成第二个数”的步骤可为使用退一法取整进行输出,即“1.9=1”使得保证第一个数和第二个数变小,进而提高识别精度。
其中,所述第四比例可为3~8,优选为5%,所述第五比例可为3~8,优选为5%。
本发明通过设置所述第四比例和所述第五比例的数值,进而影响所述第一卷积核的大小。
其中,所述第四矩阵由0、1和灰度值组成。
其中,所述第四阈值为2~5,优选为3。
本发明通过设置所述第四阈值为2~5,优选为3,进而避免对卷积核进行过度缩放。
其中,所述第五阈值可为2~4,优选为2。
本发明通过设置最小的卷积核进而提高卷积处理后的准确性。
其中,烧伤综合建议等级与所述第三变量的对照关系如下表2所示
表2
其中,所述第一卷积核内的所有元素都是1。
本发明通过设置所述第一卷积核内的所有元素都是1,进而达到保持选取的矩阵的部分不变。
其中,所述第一卷积方法为随机选取4个元素构成第一次级矩阵。
作为对本发明的进一步解释,参见图3、4、5、6,所述“通过第一卷积核与所述第五矩阵的元素通过第一卷积方法生成第一次级矩阵”中的所述第一卷积方法包括如下步骤:
S4.1、命n和m都为1;
S4.2、将第五矩阵第n排第m列的元素作为定位点;
S4.3、以定位点为基准,横向截取第一个数、纵向截取第二个数所构成的矩阵为第一预备矩阵,将所述第一卷积核与所述第一预备矩阵相乘得到次级元素,将次级元素排列至第一预备数串中;
S4.4、判断n是否为最后一排,
若否则判断m是否为最后一列,若m不是最后一列则判断向右移动第四个数的格数后是否位于最后一列的右端,若位于最后一列或最后一列的右端则选取最后一列做为列数w,若位于最后一列的左端则选取“m+第四个数”作为列数w;若m是最后一列则判断向下移动第五个数后是否位于最后一排的下端,若位于最后一排或最后一排的下端则选取最后一排作为排数v,并输出第一信号,若位于后一排的上端则选取“n+第五个数”作为排数v;
若是则判断m是否为最后一列,若是则输出第一预备数串和清算信号;若否则判断向右移动第四个数的格数后是否位于最后一列的右端,若位于最后一列或最后一列的右端则选取最后一列做为列数w,若位于最后一列的左端则选取“m+第四个数”作为列数w;
S4.5、将排数v转换为n、列数w转换为m,并跳转至S4.2;
所述第一处理器在收到清算信号后统计第一信号的个数作为第六个数,将第一预备数串平均分为“第六个数+1”段,按照段数的顺序排列后生成所述第一次级矩阵;
所述第一数据库存储有与烧伤综合建议等级相对应的第四个数和第五个数。
本发明通过烧伤综合建议等级的情况进而修改第四个数和第五个数,最终通过卷积神经网络计算后生成不同的第一次级矩阵,烧伤综合建议等级越高则第一卷积核左右和上下移动的动作越小,因此得到的第一次级矩阵越大,运算和处理的速度越慢,但保留的关键信息特征越多越准确,适用于医护人员帮助烧伤严重的患者快速分析病情。
例如,参见图6,所述第一卷积核的大小没有变化,所述第五矩阵的元素大小和行列数都没有变化,但由于卷积运算过程中所述第一卷积核移动的距离变小了,导致得到的第一次级矩阵由3*3的矩阵变味了5*5的矩阵,保留的关键信息和特征更多了,该方法适用于像素较高的图像时能够获得更加显著的使用效果,由于不便显示因此采用元素数量较少的第五矩阵进行演示。
其中,所述“按照段数的顺序排列后生成第一次级矩阵”的步骤为:将第一段作为第一次级矩阵的第一排,将第二段作为第一次级矩阵的第二排,以此类推。
其中,烧伤综合建议等级相对应的第四个数和第五个数的对照关系如下
表2所示;
表2
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种神经网络的训练系统,其特征在于:包括
图像获取模块,其用于获取第一图像;
信息显示模块,其用于显示烧伤建议等级;
第一数据库,其用于存储颜色所对应的rgb值;
第一处理器,其用于将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;
所述第一处理器通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级;
所述第一神经网络方法的步骤包括:
所述图像获取模块还能够获取第一肤色;
根据患者的身体肤色分布情况选取距离烧伤区域最近的正常皮肤作为获取第一肤色的方式;
所述第一处理器将所述第一网格群转换为第一矩阵,将第一网格群内的灰度值大于第二数值的网格转换为数值为“0”的元素,其他网格转换为数值为“2”的元素,所述第一处理器识别所述第一矩阵中的数值为“2”的个数得到第二数量;
所述第一处理器识别第一肤色的rgb值,将第一肤色的rgb值转化为第一肤色的灰度值,再将所述第一肤色的灰度值转化为第一数值,所述第一处理器将所述第一数值分别增加和减少第二变量后生成第一区间,所述第一处理器将所述第一网格群内灰度值位于第一区间内的第一网格在所述第一矩阵中的所对应的元素的数值由“2”转换为“1”进而得到第二矩阵,并将所述第二矩阵中的数值为“2”的个数得到第三数量;
所述第一处理器计算所述第三数量占所述第二数量的比例进而得到烧伤比例。
2.根据权利要求1所述的一种神经网络的训练系统,其特征在于:所述第一划分方法为将所述第一图像按照横向分为第四数量个第一网格,纵向分为第五数量个第一网格。
3.根据权利要求1所述的一种神经网络的训练系统,其特征在于:图像获取模块装有照明设备。
4.根据权利要求1所述的一种神经网络的训练系统,其特征在于:将所述第一矩阵转换为第一数串,所述第一处理器识别所述第一数串中的数值为“2”的个数得到第二数量。
5.根据权利要求1所述的一种神经网络的训练系统,其特征在于:将所述第二矩阵转换为第二数串,所述第一处理器识别所述第二数串中的数值为“2”的个数得到第三数量。
6.根据权利要求1所述的一种神经网络的训练系统,其特征在于:
所述信息显示模块还显示烧伤程度建议等级;
所述第一处理器将所述第二矩阵中数值为2的元素转换为所对应的所述第一网格群内的第一网格的rgb值转换成的灰度值,将所述第二矩阵中数值为1的元素转换为X,将所述第二矩阵中数值为0的元素转换为Y,进而得到第三矩阵;
所述第一处理器将所述第三矩阵转换为第三数串,判断第三数串中是否含有小于第一阈值的数值,若有则输出三级烧伤,若没有则判断是否存在大于第一阈值并小于第三阈值的数值,若存在则输出为二级烧伤,若不存在则输出为一级烧伤。
7.根据权利要求1所述的一种神经网络的训练系统,其特征在于:所述信息显示模块为显示屏。
8.根据权利要求1所述的一种神经网络的训练系统,其特征在于:所述图像获取模块为曲面图像扫描设备。
9.基于权利要求1-8任意一项的神经网络的训练系统的训练方法,其特征在于包括如下步骤:
存储颜色所对应的rgb值;
获取第一图像;
将第一图像通过第一划分方法得到个由第一网格组成的第一网格群;
通过第一神经网络方法将所述第一网格群输出为烧伤比例,并根据所述烧伤比例得输出烧伤建议等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213517.3A CN114581410B (zh) | 2022-03-04 | 2022-03-04 | 一种神经网络的训练系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213517.3A CN114581410B (zh) | 2022-03-04 | 2022-03-04 | 一种神经网络的训练系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581410A CN114581410A (zh) | 2022-06-03 |
CN114581410B true CN114581410B (zh) | 2023-03-21 |
Family
ID=81778860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213517.3A Active CN114581410B (zh) | 2022-03-04 | 2022-03-04 | 一种神经网络的训练系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581410B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN108511060A (zh) * | 2018-03-20 | 2018-09-07 | 东华大学 | 一种考虑皮肤厚度分布的三维人体烧伤算法 |
CN111709305A (zh) * | 2020-05-22 | 2020-09-25 | 东南大学 | 一种基于局部图像块的人脸年龄识别方法 |
CN112132833A (zh) * | 2020-08-25 | 2020-12-25 | 沈阳工业大学 | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 |
CN112634291A (zh) * | 2020-12-31 | 2021-04-09 | 杭州电子科技大学 | 一种基于神经网络的烧伤创面区域自动分割方法 |
CN112686336A (zh) * | 2021-01-28 | 2021-04-20 | 杭州电子科技大学 | 一种基于神经网络的烧伤创面深度分类系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11304604B2 (en) * | 2014-10-29 | 2022-04-19 | Spectral Md, Inc. | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification |
US11931166B2 (en) * | 2020-07-07 | 2024-03-19 | Applied Research Associates, Inc. | System and method of determining an accurate enhanced Lund and Browder chart and total body surface area burn score |
-
2022
- 2022-03-04 CN CN202210213517.3A patent/CN114581410B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN108511060A (zh) * | 2018-03-20 | 2018-09-07 | 东华大学 | 一种考虑皮肤厚度分布的三维人体烧伤算法 |
CN111709305A (zh) * | 2020-05-22 | 2020-09-25 | 东南大学 | 一种基于局部图像块的人脸年龄识别方法 |
CN112132833A (zh) * | 2020-08-25 | 2020-12-25 | 沈阳工业大学 | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 |
CN112634291A (zh) * | 2020-12-31 | 2021-04-09 | 杭州电子科技大学 | 一种基于神经网络的烧伤创面区域自动分割方法 |
CN112686336A (zh) * | 2021-01-28 | 2021-04-20 | 杭州电子科技大学 | 一种基于神经网络的烧伤创面深度分类系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114581410A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2688465B1 (de) | Einrichtung und verfahren zur ermittlung eines hautentzündungswertes | |
Jaleel et al. | Computer aided detection of skin cancer | |
CN102289808B (zh) | 一种图像融合质量评估方法和系统 | |
Guy et al. | Prospective in (primate) dental analysis through tooth 3D topographical quantification | |
US20210133473A1 (en) | Learning apparatus and learning method | |
JP2002515772A (ja) | 対象の運動を相殺する画像装置および方法 | |
TWI709147B (zh) | 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統 | |
KR102097648B1 (ko) | 3차원 ct 영상으로부터 자동 선택된 치아 ct 슬라이스 상에 악궁 형상에 대응하는 커브를 자동으로 생성하는 방법 | |
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 | |
CN106023151A (zh) | 一种开放环境下中医舌象目标检测方法 | |
CN103458765B (zh) | 图像处理装置 | |
Ghaedi et al. | An automated dental caries detection and scoring system for optical images of tooth occlusal surface | |
DE112015002822T5 (de) | Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm | |
Achakanalli et al. | Statistical analysis of skin cancer image–A case study | |
CN112819818A (zh) | 图像识别模块训练方法和装置 | |
CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
CN114581410B (zh) | 一种神经网络的训练系统及方法 | |
CN111862123A (zh) | 一种基于深度学习的ct腹部动脉血管分级识别方法 | |
CN112991333B (zh) | 一种内窥镜手术中基于语音分析的图像处理方法及系统 | |
CN103561631A (zh) | 图像处理装置和图像处理方法 | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
Nor’azam et al. | Arm Injury Classification on a Small Custom Dataset Using CNNs and Augmentation | |
CN117877691B (zh) | 一种基于图像识别的智能化伤口信息采集系统 | |
Vanmathi et al. | Detection of Blood Vessels in Retinal Images using Line Tracking Algorithm | |
CN117788461B (zh) | 一种基于图像分析的磁共振图像质量评估系统 |
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 |