CN116309501B - 一种疮面类型预测方法、电子设备和存储介质 - Google Patents

一种疮面类型预测方法、电子设备和存储介质 Download PDF

Info

Publication number
CN116309501B
CN116309501B CN202310304394.9A CN202310304394A CN116309501B CN 116309501 B CN116309501 B CN 116309501B CN 202310304394 A CN202310304394 A CN 202310304394A CN 116309501 B CN116309501 B CN 116309501B
Authority
CN
China
Prior art keywords
infrared image
image
sore surface
prediction model
sore
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
CN202310304394.9A
Other languages
English (en)
Other versions
CN116309501A (zh
Inventor
王乐平
李洪娟
刘佳慧
杨银
邢彦哲
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.)
Beijing Eagle Eye Intelligent Health Technology Co ltd
Original Assignee
Beijing Eagle Eye Intelligent Health 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 Beijing Eagle Eye Intelligent Health Technology Co ltd filed Critical Beijing Eagle Eye Intelligent Health Technology Co ltd
Priority to CN202310304394.9A priority Critical patent/CN116309501B/zh
Publication of CN116309501A publication Critical patent/CN116309501A/zh
Application granted granted Critical
Publication of CN116309501B publication Critical patent/CN116309501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • 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
    • G06T2207/10048—Infrared image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种疮面类型预测方法，所述方法包括：获取目标融合图像和对应的基础信息；所述目标融合图像通过融合目标对象对应的疮面红外图像和标定红外图像得到；基于所述目标融合图像和对应的基础信息，利用所述疮面类型预测模型进行预测，得到对应的疮面类型；所述疮面类型预测模型包括第一预测模型和第二预测模型。本发明能够提高疮面类型预测的准确性和效率。

Description

一种疮面类型预测方法、电子设备和存储介质
技术领域
本发明涉及图像技术在医疗领域的应用，具体涉及一种疮面类型预测方法、电子设备和存储介质。
背景技术
对于疮面，中医理论上分为阳疮、阳疮和半阴半阳疮。当前对于疮面的判断基本上都是依靠经验进行判断。这种依靠经验判断的方法会存在主观性导致的判断误差以及费时费力等缺点。
发明内容
针对上述技术问题，本发明采用的技术方案为：
本发明实施例提供一种疮面类型预测方法，所述方法包括：
S100，获取目标融合图像和对应的基础信息；所述目标融合图像通过融合目标对象对应的疮面红外图像和标定红外图像得到；
S200，基于所述目标融合图像和对应的基础信息，利用所述疮面类型预测模型进行预测，得到对应的疮面类型；所述疮面类型预测模型包括第一预测模型和第二预测模型；
其中，所述疮面类型预测模型通过如下步骤获取：
S10，获取样本数据集，所述样本数据集包括n个融合图像和对应的基础信息，其中，第i个融合图像通过融合对象i对应的疮面红外图像和标定红外图像得到；所述疮面红外图像中包含有疮面，所述标定红外图像中没有包含所述疮面，所述标定红外图像对应的身体区域的温度与所述疮面红外图像对应的身体区域的温度之间的差值小于设定阈值；i的取值为1到n；
S20，基于所述融合图像获取第一训练数据D1＝(T1，T2，…，Ti，…，Tn)，Ti＝(ti1，ti2，…，tij，…，tif(i))，tij为第i个融合图像中的第j个像素点的温度值，j的取值为1到f(i)，f(i)为第i个融合图像中的像素点的数量；
S30，将所述第一训练数据输入第一初始预测模型中进行训练，得到训练后的第一初始预测模型并作为第一预测模型，以及得到第一输出结果集；所述第一输出结果集包括{R11，R12，…，R1i，…，R1n}，其中，第i个第一输出结果R1i＝{(Pi1，Ti1)，(Pi2，Ti2)，…，(Pij，Tij)，…，(Pif(i)，Tif(i))}，Pij为第i个融合图像中的第j个像素，Tij为Pij对应的类型标签，所述类型标签包括正常标签和异常标签；
S40，基于第一输出结果获取异常像素点集组Pu＝{P1 u，P2 u，…，Pi u，…，Pm u}，第i个异常像素点集Pi u由R1i中的类型标签为异常标签的像素点构成；
S50，获取第二训练数据D2＝(S1，S2，…，Si，…，Sn)，Si＝(Gi1，Gi2，…，Gis，…，Gih(i)，bi1，bi2，…，bis，…，bim)，其中，Gis＝(xis，yis)，xis和yis分别为Pi u中的第s个像素点的横坐标和纵坐标，bis为获取的对象i的第s个基础信息的赋值，s的取值为1到m，m为基础信息的数量；
S60，将所述第二训练数据输入第二初始预测模型中进行训练，得到训练后的第二初始预测模型并作为第二预测模型，以及得到第二输出结果集；所述第二输出结果集包括{R21，R22，…，R2i，…，R2n}，第i个第二输出结果R2i＝(Ci，Li)，Ci为第i个融合图像的ID，Li为第i个融合图像对应的疮面类型的标签。
本发明实施例提供一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现前述方法。
本发明实施例提供一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
本发明至少具有以下有益效果：
本发明实施例提供的疮面类型预测方法，能够通过训练好的疮面类型预测类型自动对疮面类型进行判断，能够提高疮面类型判断的准确性和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
图1为本发明实施例提供的疮面类型预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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。
图1为本发明实施例提供的疮面类型预测方法的流程图。
本发明实施例提供一种疮面类型预测方法，所述方法包括：
S100，获取目标融合图像和对应的基础信息；所述目标融合图像通过融合目标对象对应的疮面红外图像和标定红外图像得到。
在本发明实施例中，目标对象为人。疮面红外图像为对应的身体区域包含疮面的图像，标定红外图像为对应的身体区域没有包含疮面的图像。疮面红外图像和标定红外图像的大小相同，并且标定红外图像对应的身体区域的温度与疮面红外图像对应的身体区域的温度之间的差值小于设定阈值，即标定红外图像对应的身体区域的温度与疮面红外图像对应的身体区域的温度相近。
在本发明实施例中，基础信息可为与疮面存在关联的信息，在一个示意性实施例中，可包括病史信息和疮面信息，所述病史信息至少包括疾病类型和对应的患病年限，所述疮面信息至少包括疮面位置和疮面状态，其中，疾病类型为根据经验确定为能够诱发疮面的疾病，例如，静脉炎、糖尿病、淋巴管疾病等。疮面位置包括疮面发生在身体区域的一侧和发生在身体区域的两侧，例如，小腿的一侧或者两侧，疮面状态可包括疮面内部是否有脓，疮面表面是否结痂等。
在本发明一实施例中，标定红外图像可基于如下步骤获取：
S1，获取分别位于疮面红外图像对应的身体区域的上侧和下侧并与疮面红外图像对应的身体区域邻接的上区域红外图像和下区域红外图像；所述疮面红外图像、所述上区域红外图像和所述下区域红外图像的大小相同，例如32*32像素。
在本发明实施例中，可通过标定模板获取疮面红外图像、上区域红外图像和下区域红外图像。具体地，标定模板包括自上而下依次连接的三个大小相同的标定框，对于通过红外拍摄设备拍摄的包含疮面的图像，可将标定模板拖动至图像的设定位置处，即可同时获取得到疮面红外图像、上区域红外图像和下区域红外图像。
S2，基于所述上区域红外图像和所述下区域红外图像获取所述标定红外图像。
在本发明实施例中，基于所述上区域红外图像和所述下区域红外图像获取的标定红外图像中的任一像素点的温度值tb为上区域红外图像和下区域红外图像中对应的像素点的温度值tu和td的均值，即tb＝(tu+td)/2。
在本发明另一实施例中，如果疮面发生在腿部例如小腿内侧，并且如果疮面区域上方和/或者下方区域不满足标定要求，例如，上方和/或下方区域存在较多的疤痕或者痣等，则可使用疮面区域对称的区域的红外图像作为标定图像。由于腿部的对称原理，可容易获得疮面区域的对称区域的红外图像。例如，可拍摄双腿按照设定姿势放置在标定板上的双腿图像，然后使用标定模板同时获取疮面红外图像和标定红外图像。标定板包括对称设置的两个放腿区和对称轴。标定模板可包括对称轴和设置在对称轴两侧的两个标定框。
S200，基于所述目标融合图像和对应的基础信息，利用所述疮面类型预测模型进行预测，得到对应的疮面类型；所述疮面类型预测模型包括第一预测模型和第二预测模型。
在本发明实施例中，所述疮面类型基于中医理论确定。具体地，可包括阴疮、阳疮和半阴半阳疮。在一个具体实施例中，阳疮可具有如下特点：疮面有黄脓或脓苔，较多坏死组织,腐肉不脱。疮周红肿压痛。阴疮可具有如下特点：疮面色淡暗,平塌无肉芽,分泌物清稀或干枯。疮周淡暗。半阴半阳疮可具有如下特点：疮面多色淡暗或紫暗,少脓,腐肉少许,新肉不生。
在本发明实施例中，第一预测模型和第二预测模型可为现有的神经网络模型。优选为基于小样本的神经网络模型。
进一步地，在本发明实施例中，所述疮面类型预测模型可通过如下步骤获取：
S10，获取样本数据集，所述样本数据集包括n个融合图像和对应的基础信息，其中，第i个融合图像通过融合对象i对应的疮面红外图像和标定红外图像得到；所述疮面红外图像中包含有疮面，所述标定红外图像中没有包含所述疮面；i的取值为1到n。
在本发明实施例中，n个疮面红外图像和n个标定红外图像的获取方式可参考前述描述的内容获取。融合图像的数量可基于实际需要设置，只要能够满足模型训练要求即可。
S20，基于所述融合图像获取第一训练数据D1＝(T1，T2，…，Ti，…，Tn)，Ti＝(ti1，ti2，…，tij，…，tif(i))，tij为第i个融合图像中的第j个像素点的温度值，j的取值为1到f(i)，f(i)为第i个融合图像中的像素点的数量。
在本发明实施例中，tij＝a1*f(t1 ij)+a2*f(t2 ij)，f(t1 ij)为与第i个融合图像对应的疮面红外图像中的第j个像素点的温度相关的函数，f(t2 ij)为与第i个融合图像对应的标定红外图像中的第j个像素点的温度相关的函数，a1和a2分别为第一设定系数和第二设定系数，可为经验值。
进一步地，在一个示意性实施例中，tij＝t1 ij-t2 ij。
进一步地，在另一个示意性实施例中，taij 2h为第i个融合图像对应的标定红外图像中的第j个像素点的邻接像素点中的第h个像素点，h的取值为1到g(i，j)，g(i，j)为第i个融合图像对应的标定红外图像中的第j个像素点的邻接像素点的数量，在第j个像素点位于图像的角部时，对应的邻接像素点的数量为3个，在第j个像素点位于图像的边缘时，对应的邻接像素点的数量为5个，在第j个像素点位于图像的除角部和边缘之外的区域时，对应的邻接像素点的数量为9个。该实施例与前述实施例相比，对于标定红外图像中的某个像素点的温度使用了改像素点和邻接像素点的温度的均值，因此，能够避免由于该像素点位于疤痕区域等导致的误差，具体，如果该像素点为与疤痕区域，其温度会低于其它区域的温度，这样，与疮面红外图像的对应像素点的温度进行作差时，会导致较大误差。
S30，将所述第一训练数据输入第一初始预测模型中进行训练，得到训练后的第一初始预测模型并作为第一预测模型，以及得到第一输出结果集；所述第一输出结果集包括{R11，R12，…，R1i，…，R1n}，其中，第i个第一输出结果R1i＝{(Pi1，Ti1)，(Pi2，Ti2)，…，(Pij，Tij)，…，(Pif(i)，Tif(i))}，Pij为第i个融合图像中的第j个像素，Tij为Pij对应的类型标签，所述类型标签包括正常标签和异常标签，正常标签可用1表示，异常标签可用0表示。
本发明实施例中，使用包含疮面的图像和不包含疮面的图像的温度差作为训练数据，与单独使用包含疮面的图像进行训练，能够提高准确性。
S40，基于第一输出结果获取异常像素点集组Pu＝{P1 u，P2 u，…，Pi u，…，Pm u}，第i个异常像素点集Pi u由R1i中的类型标签为异常标签的像素点构成。
S50，获取第二训练数据D2＝(S1，S2，…，Si，…，Sn)，Si＝(Gi1，Gi2，…，Gis，…，Gih(i)，bi1，bi2，…，bis，…，bim)，其中，Gis＝(xis，yis)，xis和yis分别为Pi u中的第s个像素点的横坐标和纵坐标，bis为获取的对象i的第s个基础信息的赋值，s的取值为1到m，m为基础信息的数量。
本发明实施例中，由于使用了像素点的位置和基础信息作为训练数据，能够使得训练的模型的预测结果更加准确。
S60，将所述第二训练数据输入第二初始预测模型中进行训练，得到训练后的第二初始预测模型并作为第二预测模型，以及得到第二输出结果集；所述第二输出结果集包括{R21，R22，…，R2i，…，R2n}，第i个第二输出结果R2i＝(Ci，Li)，Ci为第i个融合图像的ID，Li为第i个融合图像对应的疮面类型的标签。
在本发明一个实施例中，疮面类型的标签可分别设置为00,01,10。具体可通过方程：w1*G1+w2*G2+…+ws*Gs+…+wh(i)*Gh(i)+w(h(i)+1)*b1+w(h(i)+2)*b2+…+w(h(i)+s)*bs+…+w(h(i)+m)*bm＝00，w1*G1+w2*G2+…+ws*Gs+…+wh(i)*Gh(i)+w(h(i)+1)*b1+w(h(i)+2)*b2+…+w(h(i)+s)*bs+…+w(h(i)+m)*bm＝01，w1*G1+w2*G2+…+ws*Gs+…+wh(i)*Gh(i)+w(h(i)+1)*b1+w(h(i)+2)*b2+…+w(h(i)+s)*bs+…+w(h(i)+m)*bm＝10来预测疮面类型的标签，w1至w(h(i)+m)为第二预测模型的网络参数。
进一步地，S200可具体包括：
S201，将所述目标融合图像对应的像素点的温度值作为第一输入数据输入到所述第一预测模型中，得到第一输出结果。
S202，如果第一输出结果中的异常像素点的数量小于设定阈值，说明疮面红外图像拍摄不准确例如，没有拍摄到完整的疮面区域，则输出提示信息，否则，基于第一输出结果中的异常像素点的位置和对应的基础信息形成第二输入数据输入到所述第二预测模型中，得到对应的疮面类型。在本发明实施例中，设定阈值可为经验值，例如，可为min(q1，q2，…，qt，…，qk)，qt为在预设历史时间段例如1年内获取的k个疮面区域中的第t个疮面区域所包含的像素点数量，t的取值为1到k。又例如，设定阈值可为Avg(q1，q2，…，qt，…，qk)。
本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
本发明的实施例还提供了一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
本发明的实施例还提供一种计算机程序产品，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。

Claims (7)

1.一种疮面类型预测方法，其特征在于，所述方法包括：
S100，获取目标融合图像和对应的基础信息；所述目标融合图像通过融合目标对象对应的疮面红外图像和标定红外图像得到；
S200，基于所述目标融合图像和对应的基础信息，利用所述疮面类型预测模型进行预测，得到对应的疮面类型；所述疮面类型预测模型包括第一预测模型和第二预测模型；
其中，所述疮面类型预测模型通过如下步骤获取：
S10，获取样本数据集，所述样本数据集包括n个融合图像和对应的基础信息，其中，第i个融合图像通过融合对象i对应的疮面红外图像和标定红外图像得到；所述疮面红外图像中包含有疮面，所述标定红外图像中没有包含所述疮面，所述标定红外图像对应的身体区域的温度与所述疮面红外图像对应的身体区域的温度之间的差值小于设定阈值；i的取值为1到n；
S20，基于所述融合图像获取第一训练数据D1＝(T1，T2，…，Ti，…，Tn)，Ti＝(ti1，ti2，…，tij，…，tif(i))，tij为第i个融合图像中的第j个像素点的温度值，j的取值为1到f(i)，f(i)为第i个融合图像中的像素点的数量；
S30，将所述第一训练数据输入第一初始预测模型中进行训练，得到训练后的第一初始预测模型并作为第一预测模型，以及得到第一输出结果集；所述第一输出结果集包括{R11，R12，…，R1i，…，R1n}，其中，第i个第一输出结果R1i＝{(Pi1，Ti1)，(Pi2，Ti2)，…，(Pij，Tij)，…，(Pif(i)，Tif(i))}，Pij为第i个融合图像中的第j个像素，Tij为Pij对应的类型标签，所述类型标签包括正常标签和异常标签；
S40，基于第一输出结果获取异常像素点集组Pu＝{P1 u，P2 u，…，Pi u，…，Pm u}，第i个异常像素点集Pi u由R1i中的类型标签为异常标签的像素点构成；
S50，获取第二训练数据D2＝(S1，S2，…，Si，…，Sn)，Si＝(Gi1，Gi2，…，Gis，…，Gih(i)，bi1，bi2，…，bis，…，bim)，其中，Gis＝(xis，yis)，xis和yis分别为Pi u中的第s个像素点的横坐标和纵坐标，bis为获取的对象i的第s个基础信息的赋值，s的取值为1到m，m为基础信息的数量；
S60，将所述第二训练数据输入第二初始预测模型中进行训练，得到训练后的第二初始预测模型并作为第二预测模型，以及得到第二输出结果集；所述第二输出结果集包括{R21，R22，…，R2i，…，R2n}，第i个第二输出结果R2i＝(Ci，Li)，Ci为第i个融合图像的ID，Li为第i个融合图像对应的疮面类型的标签；
其中，tij＝a1*f(t1 ij)+a2*f(t2 ij)，f(t1 ij)为与第i个融合图像对应的疮面红外图像中的第j个像素点的温度的相关函数，f(t2 ij)为与第i个融合图像对应的标定红外图像中的第j个像素点的温度的相关函数，a1和a2分别为第一设定系数和第二设定系数；
或者，/>taij 2h为第i个融合图像对应的标定红外图像中的第j个像素点的邻接像素点中的第h个像素点，h的取值为1到g(i，j)，g(i，j)为第i个融合图像对应的标定红外图像中的第j个像素点的邻接像素点的数量。
2.根据权利要求1所述的方法，其特征在于，所述标定红外图像基于如下步骤获取：
S1，获取分别位于疮面红外图像对应的身体区域的上侧和下侧并与疮面红外图像对应的身体区域邻接的上区域红外图像和下区域红外图像；所述疮面红外图像、所述上区域红外图像和所述下区域红外图像的大小相同；
S2，基于所述上区域红外图像和所述下区域红外图像获取所述标定红外图像。
3.根据权利要求2所述的方法，其特征在于，基于所述上区域红外图像和所述下区域红外图像获取的标定红外图像中的任一像素点的温度值为上区域红外图像和下区域红外图像中对应的像素点的温度值的均值。
4.根据权利要求1所述的方法，其特征在于，S200具体包括：
S201，将所述目标融合图像对应的像素点的温度值作为第一输入数据输入到所述第一预测模型中，得到第一输出结果；
S202，如果第一输出结果中的异常像素点的数量小于设定阈值，则输出提示信息，否则，基于第一输出结果中的异常像素点的位置和对应的基础信息形成第二输入数据输入到所述第二预测模型中，得到对应的疮面类型。
5.根据权利要求1所述的方法，其特征在于，所述疮面类型基于中医理论确定。
6.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-5中任意一项的所述方法。
7.一种电子设备，其特征在于，包括处理器和权利要求6中所述的非瞬时性计算机可读存储介质。
CN202310304394.9A 2023-03-27 2023-03-27 一种疮面类型预测方法、电子设备和存储介质 Active CN116309501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310304394.9A CN116309501B (zh) 2023-03-27 2023-03-27 一种疮面类型预测方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310304394.9A CN116309501B (zh) 2023-03-27 2023-03-27 一种疮面类型预测方法、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN116309501A CN116309501A (zh) 2023-06-23
CN116309501B true CN116309501B (zh) 2024-02-02

Family

ID=86788519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310304394.9A Active CN116309501B (zh) 2023-03-27 2023-03-27 一种疮面类型预测方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116309501B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461168A (zh) * 2018-10-15 2019-03-12 腾讯科技（深圳）有限公司 目标对象的识别方法和装置、存储介质、电子装置
CN112734711A (zh) * 2020-12-31 2021-04-30 北京鹰之眼智能健康科技有限公司 一种基于红外热成像技术的中医证候的诊断方法和系统
WO2021117013A1 (en) * 2019-12-13 2021-06-17 Hearthcore S.A.P.I. De C.V. Determination of medical condition risk using thermographic images
CN112971718A (zh) * 2021-02-05 2021-06-18 北京鹰之眼智能健康科技有限公司 证候识别方法、装置、电子设备及存储介质
CN114863257A (zh) * 2022-05-12 2022-08-05 上海商汤智能科技有限公司 图像处理方法、装置、设备及存储介质
CN115346083A (zh) * 2022-08-12 2022-11-15 广东电网有限责任公司 一种温度异常检测模型训练方法、装置、设备及介质
CN115620106A (zh) * 2022-10-24 2023-01-17 武汉华中天经通视科技有限公司 一种可见光和红外多模态图像融合目标识别方法
WO2023004546A1 (zh) * 2021-07-26 2023-02-02 京东方科技集团股份有限公司 中医体质识别方法、装置、电子设备、存储介质及程序
CN115761212A (zh) * 2022-11-02 2023-03-07 北京鹰之眼智能健康科技有限公司 一种基于红外图像的人体状态预警系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012009359A2 (en) * 2010-07-12 2012-01-19 The Johns Hopkins University Three-dimensional thermal imaging for the detection of skin lesions and other natural and abnormal conditions
AU2019357949B2 (en) * 2018-10-09 2022-09-29 Light AI Inc. Image processing of streptococcal infection in pharyngitis subjects

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461168A (zh) * 2018-10-15 2019-03-12 腾讯科技（深圳）有限公司 目标对象的识别方法和装置、存储介质、电子装置
WO2021117013A1 (en) * 2019-12-13 2021-06-17 Hearthcore S.A.P.I. De C.V. Determination of medical condition risk using thermographic images
CN112734711A (zh) * 2020-12-31 2021-04-30 北京鹰之眼智能健康科技有限公司 一种基于红外热成像技术的中医证候的诊断方法和系统
CN112971718A (zh) * 2021-02-05 2021-06-18 北京鹰之眼智能健康科技有限公司 证候识别方法、装置、电子设备及存储介质
WO2023004546A1 (zh) * 2021-07-26 2023-02-02 京东方科技集团股份有限公司 中医体质识别方法、装置、电子设备、存储介质及程序
CN114863257A (zh) * 2022-05-12 2022-08-05 上海商汤智能科技有限公司 图像处理方法、装置、设备及存储介质
CN115346083A (zh) * 2022-08-12 2022-11-15 广东电网有限责任公司 一种温度异常检测模型训练方法、装置、设备及介质
CN115620106A (zh) * 2022-10-24 2023-01-17 武汉华中天经通视科技有限公司 一种可见光和红外多模态图像融合目标识别方法
CN115761212A (zh) * 2022-11-02 2023-03-07 北京鹰之眼智能健康科技有限公司 一种基于红外图像的人体状态预警系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
. A. Farooq."Infrared Imaging for Human Thermography and Breast Tumor Classification using Thermal Images".《2020 31st Irish Signals and Systems Conference (ISSC)》.2020,第1-6页. *
Martínez-Jiménez MA等."Development and validation of an algorithm to predict the treatment modality of burn wounds using thermographic scans: Prospective cohort study".《PLoS ONE》.2018,第13卷(第11期),第1-16页. *
朱应燕."甲状腺疾病的红外热成像检测方法研究".《中国优秀硕士学位论文全文数据库 医药卫生科技辑》.2022,(第5期),E065-5. *
高少茹."骶尾部不同分期压疮疮面温度测量与分析".《护理学报》.2010,第17卷(第3期),第4-6页. *
高玉宝."一种高精度医学红外热像图的实现方法".《红外技术》.2020,第42卷(第11期),第1111-1118页. *

Also Published As

Publication number Publication date
CN116309501A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US11961227B2 (en) Method and device for detecting and locating lesion in medical image, equipment and storage medium
CN110135503B (zh) 一种装配机器人零件深度学习识别方法
WO2018210124A1 (zh) 穿衣推荐方法以及穿衣推荐装置
WO2018108129A1 (zh) 用于识别物体类别的方法及装置、电子设备
WO2022012110A1 (zh) 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质
CN110569703B (zh) 计算机执行的从图片中识别损伤的方法及装置
TWI716012B (zh) 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置
WO2022042348A1 (zh) 医学影像标注方法和装置、设备及存储介质
WO2023241272A1 (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN113705297A (zh) 检测模型的训练方法、装置、计算机设备和存储介质
Raj et al. Multivariate regression-based convolutional neural network model for fundus image quality assessment
CN115393351B (zh) 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置
CN114937025A (zh) 图像分割方法、模型训练方法、装置、设备及介质
CN112464760A (zh) 一种目标识别模型的训练方法和装置
CN111401219A (zh) 一种手掌关键点检测方法和装置
CN115588099A (zh) 一种感兴趣区域显示方法、电子设备和存储介质
CN116189856A (zh) 一种面向舌象特征的轻量级多分类方法及其系统
CN115690400A (zh) 一种红外图像显示方法
CN116309501B (zh) 一种疮面类型预测方法、电子设备和存储介质
CN115019382A (zh) 区域确定方法、装置、设备、存储介质和程序产品
CN109190489A (zh) 一种基于修复自动编码器残差的异常人脸检测方法
JP2010097341A (ja) 入力画像から検出対象物の像を検出する画像処理装置
CN116416513A (zh) 信息获取方法、装置、电子设备及计算机可读存储介质
CN114694215A (zh) 年龄估计模型的训练及估计方法、装置、设备及存储介质
Zhang Detection of the Additive Manufacturing In-Process Failures via Deep Learning

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