CN114947756B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114947756B CN114947756B CN202210910084.7A CN202210910084A CN114947756B CN 114947756 B CN114947756 B CN 114947756B CN 202210910084 A CN202210910084 A CN 202210910084A CN 114947756 B CN114947756 B CN 114947756B
- Authority
- CN
- China
- Prior art keywords
- skin damage
- human body
- patient
- module
- skin
- 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
-
- 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
- A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dermatology (AREA)
- Fuzzy Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种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,该系统包括:身份信息管理模块,用于创建及管理患者的身份识别信息;采集模块,用于智能化采集患者的特应性皮炎临床图像,并将皮炎临床图像与身份识别信息完成匹配;识别模块,用于将皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积;评估模块,与识别模块连接,用于接收患者根据自身主观感受录入的健康干扰指标,以及根据健康干扰指标、皮损类型、皮损等级和皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示。通过本申请,解决了现有技术中对于特应性皮炎识别评估准确率和效率较低的问题,提升了识别效率和识别准确率。
Description
技术领域
本申请涉及智能医疗器械领域,特别是涉及一种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。
背景技术
特应性皮炎(Atopic Dermatitis,AD)是具有遗传倾向的一种过敏反应性皮肤病。
随着计算机技术在医疗行业的应用,在相关技术中,通过摄像装置采集患者的特应性皮炎部位的图像并存储,医生通过PC电脑、移动终端等设备,调取并查看该图像。进一步的,医生结合自身经验对图像进行评估,再按照预设的格式,对患者的皮损严重程度和皮损覆盖面积进行信息录入。该种方法具备一定程度的便捷度,同时也提升了评估效率。
但是,上述方法对患者皮损状态的评估仍然依赖于医生的专业经验,不同医生评判标准可能不同,并且,初级和中级医生,其评估结果的严谨性也可能有限。因此,上述方式存在准确率和效率较低的问题。
发明内容
本申请实施例提供了一种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,以至少解决相关技术中,对于特应性皮炎识别评估过程中,存在的准确率和效率较低的问题。
第一方面,本申请实施例提供了一种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,所述系统包括:
身份信息管理模块,用于创建及管理患者的身份识别信息;
采集模块,与所述身份信息管理模块连接,用于智能化采集患者的皮炎临床图像,并将所述皮炎临床图像与所述身份识别信息完成匹配,其中,所述皮炎临床图像是特应性皮炎的临床图像,针对于同一患者的相同部位,每次智能化采集时的拍摄距离和拍摄角度相同;
识别模块,与所述采集模块连接,用于将所述皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积,
其中,所述人体二级区域是在人体一级部位的划分基础上,按照预设规则进一步划分得到;
评估模块,与所述识别模块连接,用于接收患者根据自身主观感受录入的健康干扰指标,
以及,根据所述健康干扰指标、所述皮损类型、所述皮损等级和所述皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示。
在其中一些实施例中,所述采集模块包括首次采集模块和非首次采集模块,其中,
所述首次采集模块用于,在患者目标部位是首次采集的情况下,直接采集所述目标部位的所述皮炎临床图像,并获取该患者的人体轮廓信息,以及将所述人体轮廓与所述身份识别信息匹配并保存在数据库中;
所述非首次采集模块用于,在目标部位不是首次采集的情况下,从所述数据库中获取该患者的人体轮廓信息,并从人体轮廓信息中确定所述目标部位的辅助轮廓信息,以及,
根据所述辅助轮廓信息确定拍摄距离和拍摄角度之后,拍摄所述目标部位的所述皮炎临床图像。
在其中一些实施例中,所述评估模块包括:患者主观信息采集模块、皮损等级评估模块、皮损面积评估模块和综合评估模块,其中,
所述患者主观信息采集模块,用于采集所述健康干扰指标,其中,所述健康干扰指标包括睡眠干扰等级指标和瘙痒等级指标,所述睡眠干扰等级指标和瘙痒等级指标介于1-10的预设范围内;
所述皮损等级评估模块,用于根据各个人体二级区域的皮损等级,回归得到人体皮损等级评分,其中,每个人体二个皮损区域的皮损等级介于0-3的预设范围内;
所述皮损面积评估模块用于,计算各个人体二级区域中所述皮损面积的占比得到皮损初始值,以及通过如下预设公式,得到人体皮损面积评分;
所述综合评估模块用于,根据所述健康干扰指标、所述人体皮损等级评分和所述人体皮损面积评分,进行人体皮损综合评估。
在其中一些实施例中,所述综合评估模块包括客观评估模块和总分评估模块,其中,
所述客观评估模块,用于根据所述人体皮损等级评分和所述人体皮损面积评分,计算得到患者的皮损情况客观评分,并根据其确定人体皮损严重程度;
所述总分评分模块用于,根据所述客观评分、所述睡眠干扰等级信息和瘙痒等级信息,通过求和运算得到患者的皮损情况综合评分,并根据其确定人体皮损严重程度。
在其中一些实施例中,所述系统还包括逻辑运算模块,所述逻辑运算模块用于:
根据患者各个维度的评分结果进行逻辑运算,生成患者的病情趋势变化数据,并将所述病情趋势变化数据,发送至所述终端进行可视化展示,其中
所述多个维度的评分结果是所述人体皮损等级评分、所述人体皮损面积评分、所述皮损情况客观评分和所述皮损情况综合评分中的一种或多种。
在其中一些实施例中,所述皮损类型反映所述特应性皮炎的不同类型,包括:红斑、丘疹或水肿、渗出或结痂、表皮剥脱、苔藓样变和皮肤干燥;
所述皮损等级反映各种类型的特应性皮炎的严重程度,其按照从无到严重分为0-N个等级。
在其中一些实施例中,所述识别模块,通过实例分割模型,将所述皮炎临床图像分割为多个人体二级区域,
其中,所述分割过程中采用的预设规则包括:根据医学基础规则,将人体皮肤分为多个人体一级部位,在所述人体一级部位的基础上,根据特应性皮炎的综合发病区域,将所述人体一级部位划分为细粒度的人体二级区域。
在其中一些实施例中,所述实例分割模型的网格结构为SwinTransform结构;
所述实例分割模型,通过所述SwinTransform结构,结合自然语言识别中的编解码能力和注意力机制,在所述皮炎临床图像的分割和识别过程中,进行网络特征提取。
第二方面,本申请实施例还提供了一种检查数据的处理方法,其特征在于,应用于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,该系统包括身份信息管理模块、采集模块,识别模块和评估模块,所述采集模块分别与所述身份信息管理模块和所述识别模块连接,所述识别模块与所述评估模块连接,所述方法包括:
通过身份信息管理模块,创建及管理患者的身份识别信息;
通过采集模块,智能化采集患者的皮炎临床图像,并将所述皮炎临床图像与所述身份识别信息完成匹配,其中,所述皮炎临床图像是特应性皮炎的临床图像,针对于同一患者的相同部位,每次智能化采集时的拍摄距离和拍摄角度相同;
通过识别模块,将所述皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积,其中,所述人体二级区域是在人体一级部位的划分基础上,按照预设规则进一步划分得到;
通过所述评估模块,接收患者根据自身主观感受录入的健康干扰指标,以及,根据所述健康干扰指标、所述皮损类型、所述皮损等级和所述皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示。
在其中一些实施例中,所述采集模块包括首次采集模块和非首次采集模块,其中,
所述首次采集模块用于,在患者目标部位是首次采集的情况下,直接采集目标部位的所述皮炎临床图像,并获取该患者的人体轮廓信息,以及将人体轮廓与身份识别信息匹配并保存在数据库中;
所述非首次采集模块用于,在目标部位不是首次采集的情况下,从数据库中获取该患者的人体轮廓信息,并从人体轮廓信息中确定目标部位的辅助轮廓信息,以及根据辅助轮廓信息确定拍摄距离和拍摄角度之后,拍摄目标部位的皮炎临床图像。
相比于相关技术,本申请实施例提供的一种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,包括身份信息管理模块、采集模块、识别模块和评估模块,其中,身份信息管理模块用于创建及管理患者的身份识别信息;采集模块用于智能化采集患者的皮炎临床图像,并将皮炎临床图像与身份识别信息完成匹配;识别模块用于将皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积;评估模块用于接收患者根据自身主观感受录入的健康干扰指标,以及根据健康干扰指标、皮损类型、皮损等级和皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示。通过本系统,解决了特应性皮炎识别评估过程中,存在的准确率和效率较低的问题,无需医学专业知识,即可自动化的对患者的皮损情况进行识别评估,避免了人为主观因素干扰,提升了识别的准确性和效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种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的结构框图;
图2是根据本申请实施例的人体二级区域的划分示意图;
图3是根据本申请实施例的实施例的皮损类型的严重程度示意图;
图4是根据本申请实施例的一种人体二级区域的权重系数的示意图;
图5是根据本申请实施例的另一种人体二级区域的权重系数的示意图;
图6是根据本申请实施例的又一种人体二级区域的权重系数的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(模块)的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可以还包括没有列出的步骤或模块,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
图1是根据本申请实施例的一种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的结构框图,如图1所示,该系统包括:身份信息管理模块10、采集模块11、识别模块12和评估模块13,其中;
身份信息管理模块10,其用于创建及管理患者的身份识别信息。该身份识别信息用于识别区分各个患者,其由患者的身份ID和其他辅助信息组成,可选的,该身份ID可以是患者的身份证号码或者是其他具备唯一性的标识号码,进一步的,辅助信息则可以是患者的年龄、性别、升高、体重和既往病史等。
采集模块11,与身份信息管理模块10连接,用于智能化采集患者的皮炎临床图像,并将皮炎临床图像与身份识别信息完成匹配,其中,该皮炎临床图像是特应性皮炎的临床图像,针对于同一患者的相同部位,每次智能化采集时的拍摄距离和拍摄角度相同。
其中,采集模块11按照上述方式采集患者临床图像,可以保证在患者的不同就诊阶段,对于同一目标的采集位置尽可能一致,从而为复查时提供准确严谨的基础依据。
识别模块12,与采集模块11连接,用于将皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积,其中,人体二级区域是在人体一级部位的划分基础上,按照预设规则进一步划分得到;
需要说明的是,上述人体一级部位是按照中国新九分法对人体进行划分得到的,具体包括:头颈、躯干、上肢和下肢。本申请实施例中,在此基础上,进一步的进行更细粒度的划分,将一级部位划分为多个人体二级区域,这样能够更准确的计算部位面积,同时为计算特应性皮炎的多个特征程度和计算皮损面积提供更高的准确度;
具体的,头颈部位被划分为:额面、头顶、颈前、颈后;躯干部位被划分为:胸腹、背部和会阴部;上肢部位被划分为:左臂前、左臂后、右臂前、右臂后、左下臂前、左下臂后、右下臂前、右下臂后、双手掌和双手;下肢部位被划分为:臀部、大腿前、大腿后、大腿外、小腿后、双足背和双足底。图2是根据本申请实施例的人体二级区域的划分示意图。
另外,上述识别模块12获取各个人体二级区域的皮损类型、皮损等级和皮损面积,该过程可以利用实例分割模型(SwinTransformMaskrcnn)实现。通过该模型,将图像中的各个二级部位区域依次分割出来,同时识别出某个区域下是否出现特应性皮炎,以及特应性皮炎的具体类型、严重程度和受损区域面积。
评估模块13,与识别模块12连接,用于接收患者根据自身主观感受录入的健康干扰指标,以及根据健康干扰指标、皮损类型、皮损等级和皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示。
通过本系统,相比较于现有方式中,医生通过观察电子图像进行主观判断后填写反映患者皮损情况电子表格的方式,本申请技术方案无需专业医护人员参与即可实现自动化的评估,摒除了人为主观因素干扰,提升了识别效率和识别准确率。
进一步的,本申请技术方案,实现了一套自动化的科学严谨的特应性皮炎的数据处理流程。应用本申请的识别处理流程以后,将按照划分好的部位收集图片数据,根据这些数据进行自动识别图像和计算得到多个维度的评分,无论是皮损区域或是人体部位,都按标准路径严格规范,确保最后结果的准确性。医生通过客观评分变化趋势提供有效的治疗方案的同时,病人也可以通过总评分来判断治疗效果的好坏。
结合实际应用情况说明:本申请技术方案已经在实际的特应性皮炎评估处理过程中进行了应用,从一年的应用情况来看,使用本系统的医生按照标准识别操作流程,在保证科室医生人数不变的情况下,从最初的每天接诊50位患者增至100位甚至更多。节约了大量的人力成本,处理效率显著提高,并为医生和医院提供了精准的数据支持,同时对于那些实习或初中级医生,根据本发明给患者提供准确的治疗方案,可以和经验丰富的医生的评估结果相媲美。
在其中一些实施例中,采集模块11包括首次采集模块和非首次采集模块,其中,
首次采集模块用于,在患者目标部位是首次采集的情况下,直接采集目标部位的皮炎临床图像,并同时获取该患者的人体轮廓信息,以及将人体轮廓与身份识别信息匹配并保存在数据库中;
非首次采集模块用于,在目标部位非首次采集的情况下,从数据库中获取该患者的人体轮廓信息,并从人体轮廓信息中确定目标部位的辅助轮廓信息,以及,根据辅助轮廓信息确定拍摄距离和拍摄角度之后,拍摄目标部位的皮炎临床图像,从而保证在患者的不同就诊阶段,对于同一目标的采集位置尽可能一致,从而为复查时提供准确严谨的基础依据。
在其中一些实施例中,评估模块13包括:患者主观信息采集模块、皮损等级评估模块、皮损面积评估模块和综合评估模块,其中,
患者主观信息采集模块,用于采集健康干扰指标,其中,健康干扰指标包括睡眠干扰等级指标和瘙痒等级指标,其中,睡眠干扰等级指标和瘙痒等级指标介于1-10的预设范围内;
在采集健康干扰指标时,可以为用户提供用于录入信息的界面,该界面中分别显示睡眠干扰等级选项和瘙痒等级选项。用户可以通过触摸屏幕、或通过操作键盘、鼠标等外部设备,根据界面上的提示信息进行信息录入。
皮损等级评估模块,用于根据各个人体二级区域的皮损等级,回归出人体皮损等级评分,其中,每个人体二个皮损区域的皮损等级介于0-3的预设范围内;
需要说明的是,对于一个患者,在不同区域的严重程度可能是不同的。例如,在二级区域“左上臂前”识别得到皮损类型为“红斑”,皮损等级为3级,而在二级区域“大腿前”识别得到的皮损类型为“红斑”,皮损等级则是1级。在该种情况下,对“红斑”皮损类型,需要以最高等级3表示该类型的人体整体皮损等级评分;
进一步的,按照上述方式依次计算其他类型的皮损等级得分,具体的,红斑(a)、丘疹或水肿(b)、渗出或结痂(c)、表皮剥脱(d)、苔藓样变(e)和皮肤干燥(f)。可以根据上述各项特征的得分,通过求和运算a+b+c+d+e+f,得到人体皮损等级得分。
图3是根据本申请实施例的实施例的皮损类型的严重程度示意图。
皮损面积评估模块用于,计算各个人体二级区域中皮损面积的占比得到皮损初始值,以及通过如下预设公式,得到人体皮损面积评分;
其中,是所述人体皮损面积评分,是所述皮损初始值,是所述人体二级皮损
区域中的皮损面积,是所述人体二级区域的面积,是各个人体二级皮损区域对应的权
重系数。需要说明的是,由于人体的生长发育,在不同年龄段,相同二级皮损区域对应的的
权重系数可能不同的。可选的,可以通过图4、图5和图6确定不同年龄段的各个人体二级区
域的权重参数。
图4是根据本申请实施例的一种人体二级区域的权重系数的示意图;
图5是根据本申请实施例的另一种人体二级区域的权重系数的示意图;
图6是根据本申请实施例的又一种人体二级区域的权重系数的示意图。
综合评估模块用于,根据健康干扰指标、人体皮损等级评分和人体皮损面积评分,进行人体皮损综合评估。进一步的,综合评估模块包括客观评估模块和总分评估模块,其中,客观评估模块,用于根据人体皮损等级评分和人体皮损面积评分,计算得到患者的皮损情况客观评分,并根据其确定人体皮损严重程度;
总分评分模块用于,根据客观评分、睡眠干扰等级信息和瘙痒等级信息,通过求和运算得到患者的皮损情况综合评分,并根据其确定人体皮损严重程度。
具体的,在得到客观评分和综合评分之后,分别按照如下表1和表2划分严重程度。
表1
表2
在其中一些实施例中,为了方便医生和患者观察和判断病情变化趋势(恢复情况),本系统还提供有逻辑运算模块,逻辑运算模块用于:
根据患者各个维度的评分结果进行逻辑运算,生成患者的病情趋势变化数据,并将病情趋势变化数据,发送至终端进行可视化展示,其中
多个维度的评分结果是人体皮损等级评分、人体皮损面积评分、皮损情况客观评分和皮损情况综合评分中的一种或多种。即相当于,医生或患者,通过本系统不仅可以从整体角度,观察病情变化趋势,也可以进一步观察某个单独维度(例如皮损面积、皮损类型或者人体二级区域)的病情变化情况。
在其中一些实施例中,为了提升图像分割识别的精准度,本申请实施例中:实例分割模型具备如下特点:
该实例分割模型的网络结构为SwinTransform,其是将Transform在NLP(自然语言识别)中的编码、解码和注意力机制技术应用到CV(计算机视觉)领域下的图片分类中网络特征提取环节,通过结合编解码机制和注意力机制,相比于原来基于CNN(卷积神经网络)为基础的结构,在提取准确度方面得到很大的提高。
进一步的,本实施例还提供了一种检查数据的处理方法,用于对特应性皮炎的数据进行自动化处理,得到的处理结果可以反映患者的皮炎情况。
上述方法应用于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,该系统包括身份信息管理模块、采集模块,识别模块和评估模块,采集模块分别与身份信息管理模块和识别模块连接,识别模块与评估模块连接,方法流程包括:
通过身份信息管理模块,创建及管理患者的身份识别信息;
通过采集模块,智能化采集患者的皮炎临床图像,并将皮炎临床图像与身份识别信息完成匹配,其中,该皮炎临床图像是特应性皮炎的临床图像,针对于同一患者的相同部位,每次智能化采集时的拍摄距离和拍摄角度相同;
通过识别模块,将皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积,其中,人体二级区域是在人体一级部位的划分基础上,按照预设规则进一步划分得到;
通过评估模块,接收患者根据自身主观感受录入的健康干扰指标,以及,根据健康干扰指标、皮损类型、皮损等级和皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种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,其特征在于,所述系统包括:
身份信息管理模块,用于创建及管理患者的身份识别信息;
采集模块,与所述身份信息管理模块连接,用于智能化采集患者的皮炎临床图像,并将所述皮炎临床图像与所述身份识别信息完成匹配,其中,所述皮炎临床图像是特应性皮炎的临床图像,针对于同一患者的相同部位,每次智能化采集时的拍摄距离和拍摄角度相同;
识别模块,与所述采集模块连接,用于通过实例分割模型将所述皮炎临床图像分割为多个人体二级区域,以及识别获取各个人体二级区域的皮损类型、皮损等级和皮损面积,
其中,所述人体二级区域是在人体一级部位的划分基础上,按照预设规则进一步划分得到,分割过程中采用的预设规则包括:根据医学基础规则,将人体皮肤分为多个人体一级部位,在所述人体一级部位的基础上,根据特应性皮炎的综合发病区域,将所述人体一级部位划分为细粒度的人体二级区域,
所述实例分割模型的网格结构为SwinTransform结构,所述实例分割模型通过所述SwinTransform结构,结合自然语言识别中的编解码能力和注意力机制,在所述皮炎临床图像的分割和识别过程中,进行网络特征提取;
评估模块,与所述识别模块连接,用于接收患者根据自身主观感受录入的健康干扰指标,
以及,根据所述健康干扰指标、所述皮损类型、所述皮损等级和所述皮损面积进行综合评分,得到多个维度的评分结果,并将其发送至终端进行可视化显示,其中,所述评估模块包括:患者主观信息采集模块、皮损等级评估模块和皮损面积评估模块;
所述患者主观信息采集模块,用于采集所述健康干扰指标,其中,所述健康干扰指标包括睡眠干扰等级指标和瘙痒等级指标,所述睡眠干扰等级指标和瘙痒等级指标介于1-10的预设范围内;
所述皮损等级评估模块,用于根据各个人体二级区域的皮损等级,回归得到人体皮损等级评分,其中,每个人体二个皮损区域的皮损等级介于0-3的预设范围内;
所述皮损面积评估模块用于,计算各个人体二级区域中所述皮损面积的占比得到皮损初始值,以及通过如下预设公式,得到人体皮损面积评分;
2.根据权利要求1所述的系统,其特征在于,所述采集模块包括首次采集模块和非首次采集模块,其中,
所述首次采集模块用于,在患者目标部位是首次采集的情况下,直接采集所述目标部位的所述皮炎临床图像,并获取该患者的人体轮廓信息,以及将所述人体轮廓与所述身份识别信息匹配并保存在数据库中;
所述非首次采集模块用于,在目标部位不是首次采集的情况下,从所述数据库中获取该患者的人体轮廓信息,并从人体轮廓信息中确定所述目标部位的辅助轮廓信息,以及,
根据所述辅助轮廓信息确定拍摄距离和拍摄角度之后,拍摄所述目标部位的所述皮炎临床图像。
3.根据权利要求1所述的系统,其特征在于,所述评估模块还包括:综合评估模块,其中,
所述综合评估模块用于,根据所述健康干扰指标、所述人体皮损等级评分和所述人体皮损面积评分,进行人体皮损综合评估。
4.根据权利要求3所述的系统,其特征在于,所述综合评估模块包括客观评估模块和总分评估模块,其中,
所述客观评估模块,用于根据所述人体皮损等级评分和所述人体皮损面积评分,计算得到患者的皮损情况客观评分,并根据其确定人体皮损严重程度;
所述总分评估模块用于,根据所述客观评分、所述睡眠干扰等级信息和瘙痒等级信息,通过求和运算得到患者的皮损情况综合评分,并根据其确定人体皮损严重程度。
5.根据权利要求4所述的系统,其特征在于,所述系统还包括逻辑运算模块,所述逻辑运算模块用于:
根据患者各个维度的评分结果进行逻辑运算,生成患者的病情趋势变化数据,并将所述病情趋势变化数据,发送至所述终端进行可视化展示,其中
所述多个维度的评分结果是所述人体皮损等级评分、所述人体皮损面积评分、所述皮损情况客观评分和所述皮损情况综合评分中的一种或多种。
6.根据权利要求1所述的系统,其特征在于,
所述皮损类型反映所述特应性皮炎的不同类型,包括:红斑、丘疹或水肿、渗出或结痂、表皮剥脱、苔藓样变和皮肤干燥;
所述皮损等级反映各种类型的特应性皮炎的严重程度,其按照从无到严重分为0-N个等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210910084.7A CN114947756B (zh) | 2022-07-29 | 2022-07-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210910084.7A CN114947756B (zh) | 2022-07-29 | 2022-07-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114947756A CN114947756A (zh) | 2022-08-30 |
CN114947756B true CN114947756B (zh) | 2022-11-22 |
Family
ID=82969421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210910084.7A Active CN114947756B (zh) | 2022-07-29 | 2022-07-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114947756B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115954101A (zh) * | 2023-03-14 | 2023-04-11 | 南京轶诺科技有限公司 | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 |
CN116458945B (zh) * | 2023-04-25 | 2024-01-16 | 杭州整形医院有限公司 | 一种儿童面部美容缝合路线的智能引导系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN103619238A (zh) * | 2011-03-24 | 2014-03-05 | 瑞得.索肤特信息技术-服务有限公司 | 用于确定皮炎值的装置和方法 |
CN107049263A (zh) * | 2017-06-14 | 2017-08-18 | 武汉理工大学 | 基于图像处理的白癜风病情诊断与疗效评估方法与系统 |
CN111110192A (zh) * | 2019-12-26 | 2020-05-08 | 北京中润普达信息技术有限公司 | 一种皮肤异常症状辅助诊断系统 |
CN112967285A (zh) * | 2021-05-18 | 2021-06-15 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的黄褐斑图像识别方法、系统和装置 |
CN113066119A (zh) * | 2021-06-02 | 2021-07-02 | 杭州咏柳科技有限公司 | 一种皮损信息的分析系统 |
CN113159227A (zh) * | 2021-05-18 | 2021-07-23 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于神经网络的痤疮图像识别方法、系统和装置 |
CN113257391A (zh) * | 2021-06-02 | 2021-08-13 | 杭州咏柳科技有限公司 | 一种皮肤病的病程管理系统 |
WO2022030685A1 (ko) * | 2020-08-07 | 2022-02-10 | 주식회사 에이아이포펫 | 휴대용 단말기를 이용한 피부질환 측정 시스템 및 피부질환 관리방법 |
CN114299068A (zh) * | 2022-03-07 | 2022-04-08 | 中南大学湘雅医院 | 基于皮肤图像评估银屑病严重程度的智能决策系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009074683A2 (en) * | 2007-12-12 | 2009-06-18 | Galderma Research & Development | Online skin lesion evaluation tool |
US20140378810A1 (en) * | 2013-04-18 | 2014-12-25 | Digimarc Corporation | Physiologic data acquisition and analysis |
CN107624192B (zh) * | 2015-05-11 | 2020-10-27 | 西门子公司 | 通过内窥镜组织分化的外科引导和术中病理的系统和方法 |
US10255484B2 (en) * | 2016-03-21 | 2019-04-09 | The Procter & Gamble Company | Method and system for assessing facial skin health from a mobile selfie image |
CN107203999B (zh) * | 2017-04-28 | 2020-01-24 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN108154503A (zh) * | 2017-12-13 | 2018-06-12 | 西安交通大学医学院第附属医院 | 一种基于图像处理的白癜风病情诊断系统 |
EP3750481A1 (en) * | 2019-06-13 | 2020-12-16 | RaySearch Laboratories AB | System and method for providing an extended image of a patient |
US11484245B2 (en) * | 2020-03-05 | 2022-11-01 | International Business Machines Corporation | Automatic association between physical and visual skin properties |
CN113053524B (zh) * | 2021-06-02 | 2021-08-27 | 杭州咏柳科技有限公司 | 基于皮肤影像的线上辅助诊疗系统 |
CN113706545B (zh) * | 2021-08-23 | 2024-03-26 | 浙江工业大学 | 一种基于双分支神经判别降维的半监督图像分割方法 |
-
2022
- 2022-07-29 CN CN202210910084.7A patent/CN114947756B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103619238A (zh) * | 2011-03-24 | 2014-03-05 | 瑞得.索肤特信息技术-服务有限公司 | 用于确定皮炎值的装置和方法 |
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN107049263A (zh) * | 2017-06-14 | 2017-08-18 | 武汉理工大学 | 基于图像处理的白癜风病情诊断与疗效评估方法与系统 |
CN111110192A (zh) * | 2019-12-26 | 2020-05-08 | 北京中润普达信息技术有限公司 | 一种皮肤异常症状辅助诊断系统 |
WO2022030685A1 (ko) * | 2020-08-07 | 2022-02-10 | 주식회사 에이아이포펫 | 휴대용 단말기를 이용한 피부질환 측정 시스템 및 피부질환 관리방법 |
CN112967285A (zh) * | 2021-05-18 | 2021-06-15 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的黄褐斑图像识别方法、系统和装置 |
CN113159227A (zh) * | 2021-05-18 | 2021-07-23 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于神经网络的痤疮图像识别方法、系统和装置 |
CN113066119A (zh) * | 2021-06-02 | 2021-07-02 | 杭州咏柳科技有限公司 | 一种皮损信息的分析系统 |
CN113257391A (zh) * | 2021-06-02 | 2021-08-13 | 杭州咏柳科技有限公司 | 一种皮肤病的病程管理系统 |
CN114299068A (zh) * | 2022-03-07 | 2022-04-08 | 中南大学湘雅医院 | 基于皮肤图像评估银屑病严重程度的智能决策系统 |
Non-Patent Citations (3)
Title |
---|
Automatic Segmentation And Classification Of Eczema Skin Lesions Using Supervised Learning;Humaira Nisar;《IEEE》;20201231;第25-30页 * |
基于视觉的皮肤皮损检测量化分析系统研究;吴倩;《中国优秀硕士学位论文全文数据库(医药卫生科技辑)》;20190915;第E075-4页 * |
特应性皮炎严重程度的评估;王珊等;《中国医学文摘(皮肤科学)》;20160415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114947756A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Veredas et al. | Wound image evaluation with machine learning | |
CN105431089B (zh) | 根据肝脏扫描确定肝功能的系统和方法 | |
Quellec et al. | Automated assessment of diabetic retinopathy severity using content-based image retrieval in multimodal fundus photographs | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN113011485A (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
CN111563891B (zh) | 基于颜色认知的疾病预测系统 | |
CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
CN110338763A (zh) | 一种智能中医诊测的图像处理方法及装置 | |
Wu et al. | Diabetic macular edema grading based on improved Faster R-CNN and MD-ResNet | |
CN114694236A (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
Marín et al. | Detection of melanoma through image recognition and artificial neural networks | |
JP2016085490A (ja) | 顔形態の評価システム及び評価方法 | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
JP6258084B2 (ja) | 医用画像表示装置、医用画像表示システムおよび医用画像表示プログラム | |
Li et al. | Research on data analysis network of TCM tongue diagnosis based on deep learning technology | |
CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
CN111062936A (zh) | 用于面部变形诊疗效果的量化指标评估方法 | |
Tuan et al. | Shape prediction of nasal bones by digital 2D-photogrammetry of the nose based on convolution and back-propagation neural network | |
Chiang et al. | Plus disease in retinopathy of prematurity: development of composite images by quantification of expert opinion | |
CN114240934B (zh) | 一种基于肢端肥大症的图像数据分析方法及系统 | |
CN113077894A (zh) | 基于图卷积神经网络的皮肤诊断系统、方法、设备及介质 | |
CN113256638A (zh) | 基于卷积神经网络模型的眼球角膜神经分割方法及装置 | |
Gunasekara et al. | A feasibility study for deep learning based automated brain tumor segmentation using magnetic resonance images | |
CN115607113B (zh) | 基于深度学习模型的冠心病患者手诊数据处理方法及其系统 |
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 |