CN116884623A - 基于激光扫描成像的医疗康复预测系统 - Google Patents
基于激光扫描成像的医疗康复预测系统 Download PDFInfo
- Publication number
- CN116884623A CN116884623A CN202311142801.7A CN202311142801A CN116884623A CN 116884623 A CN116884623 A CN 116884623A CN 202311142801 A CN202311142801 A CN 202311142801A CN 116884623 A CN116884623 A CN 116884623A
- Authority
- CN
- China
- Prior art keywords
- medical
- representing
- medical rehabilitation
- rehabilitation prediction
- module
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 35
- 241000283153 Cetacea Species 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 10
- 230000018109 developmental process Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Surgery (AREA)
- Multimedia (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机技术领域,尤其为基于激光扫描成像的医疗康复预测系统,包括:扫描成像模块:用于通过激光扫描成像的方式获取医疗图像数据;图像处理模块:用于对获取的医疗图像数据进行预处理;特征提取模块:用于对预处理后的医疗图像数据进行特征提取;模型搭建模块:用于基于提取获得的医疗图像数据特征搭建医疗康复预测模型并进行训练优化;康复预测模块:用于根据训练优化获得的医疗康复预测模型进行医疗康复预测。本发明通过对激光成像对患者的患处成像进行特征提取,并搭建基于改进鲸鱼优化算法优化的医疗康复预测模型,其大大缩短了计算时间,提升了医疗康复预测效率。
Description
技术领域
本发明涉及计算机技术领域,尤其是基于激光扫描成像的医疗康复预测系统。
背景技术
随着医学成像技术的不断突破,计算机辅助诊断成为人工智能领域的热门研究内容之一。医学成像技术与深度学习结合可以为疾病的临床诊断和医师决策提供很好的支持。激光扫描可探测患者患处情况,故其常被应用于医疗领域中。对于患者的患处康复程度的判定,需要依赖训练有素的专业医生。但是,在医疗资源薄弱的地区可能无法配备专业医生,易导致患者的病情延误,无法得到及时治疗。现有技术中,基于深度学习的方法对医疗康复时间进行预测,但是其计算耗费大量时间,故本发明提出基于激光扫描成像的医疗康复预测系统,通过对激光成像进行特征提取,并搭建优化的康复预测模型,缩短计算时间,提升预测效率。
发明内容
本发明的目的是通过提出基于激光扫描成像的医疗康复预测系统,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供基于激光扫描成像的医疗康复预测系统,包括:
扫描成像模块:用于通过激光扫描成像的方式获取医疗图像数据;
图像处理模块:用于对获取的医疗图像数据进行预处理;
特征提取模块:用于对预处理后的医疗图像数据进行特征提取;
模型搭建模块:用于基于提取获得的医疗图像数据特征搭建医疗康复预测模型并进行训练优化;
康复预测模块:用于根据训练优化获得的医疗康复预测模型进行医疗康复预测。
作为本发明的一种优选技术方案:所述图像处理模块的预处理操作具体包括图像转换、图像分割和区域形态学处理。
作为本发明的一种优选技术方案:所述特征提取模块通过图像特征检测算法进行医疗图像数据的特征提取。
作为本发明的一种优选技术方案:所述图像特征检测算法通过检测函数进行检测:
;
其中,表示高斯窗口函数,/>和/>分别表示像素坐标位置和/>处的像素灰度值,其中,/>、/>分别为/>方向和/>方向的像素坐标变化值,/>和/>分别表示像素灰度值在/>方向和/>方向上的梯度值;
选取医疗图像上像素点的8邻域模板标准差作为自适应阈值进行特征点提取,
;
其中, 为医疗图像模板中的像素判别函数,/>表示像素坐标位置为的像素灰度值,/>表示统计的像素点个数;
通过特征函数对由统计的像素特征点进行特征提取:
;
其中,表示特征函数。
作为本发明的一种优选技术方案:所述模型搭建模块基于所述特征提取模块提取的像素特征点数据搭建医疗康复预测模型。
作为本发明的一种优选技术方案:所述模型搭建模块搭建医疗康复具体如下:
将统计的特征点数据映射至高维空间中,并在高维空间/>中构造回归函数:
;
将上式转化为目标函数:
;
引入松弛变量,得到:
;
引入核函数,得到预测模型/>:
;
其中,表示输入的特征点数据,/>表示特征点数据的总数,/>表示高维空间的转置,/>表示/>的转置,/>表示非线性映射,/>表示回归阈值,/>表示惩罚因子,/>、/>表示敏感变量,/>表示支持向量,/>表示支持向量的共轭向量,/>表示高维空间中的第/>个高维特征数据,/>表示测试数据的真实康复时间,/>表示测试数据的回归预测康复时间,/>表示松弛向量的共轭向量。
作为本发明的一种优选技术方案:所述模型搭建模块通过改进鲸鱼优化算法对惩罚因子和核函数中的参数进行寻优。
作为本发明的一种优选技术方案:所述改进鲸鱼优化算法具体如下:
在寻优之前,对所得的引领者执行指数加权平均操作:
;
其中,为学习因子,/>为第/>个个体第/>次迭代的第d维位置,/>为第/>个个体第/>次迭代的第d维位置;
搜索阶段鲸鱼个体按照下式更新位置:
鲸鱼个体根据彼此位置随机搜寻猎物:
;
其中,表示随机个体的第d维位置,/>为第/>个个体第/>次迭代的第d维位置,/>为当前迭代次数,/>为均为系数向量,
;
其中,为自适应学习因子,/>表示/>之间的随机数,
;
其中,为数学常量,/>为(0,2]间的随机数;
开发阶段鲸鱼个体按照下式更新位置:
令鲸鱼个体沿螺线形路径在周围移动;
;
其中,为第/>个个体第/>次迭代后的第d维位置,/>为第/>个个体第/>次迭代前的第d维位置,/>为限定螺旋形状的参数,/>为/>之间的随机数;
开发阶段过程中实行包围机制的鲸鱼个体,按照下式更新位置:
;
其中,为第/>个个体实行包围机制时第/>次迭代后的第d维位置,/>为第/>个个体实行包围机制时第/>次迭代前的第d维位置,/>为历史最优个体的第/>维位置,/>为之间的随机数;
以此寻优获得全局最优解。
作为本发明的一种优选技术方案:所述模型搭建模块基于寻优获取的惩罚因子和核函数中的参数搭建医疗康复预测模型并通过医疗数据库中的样本数据进行训练优化。
作为本发明的一种优选技术方案:所述康复预测模块基于训练优化获得的医疗康复预测模型对患者进行医疗康复预测。
本发明提供的基于激光扫描成像的医疗康复预测系统,与现有技术相比,其有益效果有:
本发明通过对激光成像对患者的患处成像进行特征提取,基于特征函数提取患处成像的特征数据,并搭建基于改进鲸鱼优化算法优化的医疗康复预测模型,通过改进的鲸鱼优化算法,借助引领者的历史信息来提高算法搜索的有效性,提升算法的寻优能力,能够克服对于不同解空间的探索和开发不平衡问题,提升优化效果,通过引入自适应学习因子,在有效迭代次数下,提高算法的收敛性以及算法的多样性,通过改进鲸鱼优化算法优化的医疗康复预测模型进行患者的康复预测,能够提升康复预测性能,提升了医疗康复预测的效率。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为:100、扫描成像模块;200、图像处理模块;300、特征提取模块;400、模型搭建模块;500、康复预测模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,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,本领域普通技术人员在没有做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。
参照图1,本发明优选实施例提供了基于激光扫描成像的医疗康复预测系统,包括:
扫描成像模块100:用于通过激光扫描成像的方式获取医疗图像数据;
图像处理模块200:用于对获取的医疗图像数据进行预处理;
特征提取模块300:用于对预处理后的医疗图像数据进行特征提取;
模型搭建模块400:用于基于提取获得的医疗图像数据特征搭建医疗康复预测模型并进行训练优化;
康复预测模块500:用于根据训练优化获得的医疗康复预测模型进行医疗康复预测。
所述图像处理模块200的预处理操作具体包括图像转换、图像分割和区域形态学处理。
所述特征提取模块300通过图像特征检测算法进行医疗图像数据的特征提取。
所述图像特征检测算法通过检测函数进行检测:
;
其中,表示高斯窗口函数,/>和/>分别表示像素坐标位置和/>处的像素灰度值,其中,/>、/>分别为/>方向和/>方向的像素坐标变化值,/>和/>分别表示像素灰度值在/>方向和/>方向上的梯度值;
选取医疗图像上像素点的8邻域模板标准差作为自适应阈值进行特征点提取,
;
其中,为医疗图像模板中的像素判别函数,/>表示像素坐标位置为/>的像素灰度值,/>表示统计的像素点个数;
通过特征函数对由统计的像素特征点进行特征提取:
;
其中,表示特征函数。
所述模型搭建模块400基于所述特征提取模块300提取的像素特征点数据搭建医疗康复预测模型。
所述模型搭建模块400搭建医疗康复具体如下:
将统计的特征点数据映射至高维空间中,并在高维空间/>中构造回归函数/>:
;
将上式转化为目标函数:
;
引入松弛变量,得到:
;
引入核函数,得到预测模型/>:
;
其中,表示输入的特征点数据,/>表示特征点数据的总数,/>表示高维空间的转置,/>表示/>的转置,/>表示非线性映射,/>表示回归阈值,/>表示惩罚因子,/>、/>表示敏感变量,/>表示支持向量,/>表示支持向量的共轭向量,/>表示高维空间中的第/>个高维特征数据,/>表示测试数据的真实康复时间,/>表示测试数据的回归预测康复时间,/>表示松弛向量的共轭向量。
所述模型搭建模块400通过改进鲸鱼优化算法对惩罚因子和核函数中的参数进行寻优。
所述改进鲸鱼优化算法具体如下:
在寻优之前,对所得的引领者执行指数加权平均操作:
;
其中,为学习因子,/>为第/>个个体第/>次迭代的第d维位置,/>为第/>个个体第/>次迭代的第d维位置;
搜索阶段鲸鱼个体按照下式更新位置:
鲸鱼个体根据彼此位置随机搜寻猎物:
;
其中,表示随机个体的第d维位置,/>为第/>个个体第/>次迭代的第d维位置,/>为当前迭代次数,/>和/>为均为系数向量,
;
其中,为自适应学习因子,/>表示/>之间的随机数,
;
其中,为数学常量,/>为/>间的随机数;
开发阶段鲸鱼个体按照下式更新位置:
令鲸鱼个体沿螺线形路径在周围移动;
;
其中,为第/>个个体第/>次迭代后的第d维位置,/>为第/>个个体第/>次迭代前的第d维位置,/>为限定螺旋形状的参数,/>为/>之间的随机数;
开发阶段过程中实行包围机制的鲸鱼个体,按照下式更新位置:
;
其中,为第/>个个体实行包围机制时第/>次迭代后的第d维位置,/>为第/>个个体实行包围机制时第/>次迭代前的第d维位置,/>为历史最优个体的第/>维位置,/>为之间的随机数;
以此寻优获得全局最优解。
所述模型搭建模块400基于寻优获取的惩罚因子和核函数中的参数搭建医疗康复预测模型并通过医疗数据库中的样本数据进行训练优化。
所述康复预测模块500基于训练优化获得的医疗康复预测模型对患者进行医疗康复预测。
本实施例中,扫描成像模块100通过激光束扫描患者的伤处生成医疗图像数据,其中,例如患者骨折时,则医疗图像数据可以是患者患处的X光片,若患者受皮外伤时,则医疗图像数据可以是患者患处的拍摄图像等,图像处理模块200对获取的医疗图像数据进行图像转换、图像分割和区域形态学处理等预处理操作,例如对采集的图像的放大或缩小处理,或者从图像中提取分割患处图像,或者改变图像数据中的像素形态,对图像进行增强处理等,为后续处理做准备。特征提取模块300通过检测函数对医疗图像数据进行检测:
;
其中,表示高斯窗口函数,/>和/>分别表示像素坐标位置和/>处的像素灰度值,/>和/>分别表示像素灰度值在/>方向和/>方向上的梯度值;
选取医疗图像上像素点的8邻域模板标准差作为自适应阈值,将8邻域模板在医疗图像数据上滑动,计算模板与每个像素点灰度差的绝对值的同时与阈值/>比较,进行特征点的提取,
;
其中,为医疗图像模板中的像素判别函数,/>表示像素坐标位置为/>的像素灰度值,/>表示统计的像素点个数;当/>时,说明该像素点为孤立点或者噪声点,当/>,说明该像素点处于边缘处,当/>时,选取该像素点作为特征点,
通过特征函数对由/>统计的像素特征点进行特征提取:
模型搭建模块400基于特征提取的像素特征点数据搭建医疗康复:
将统计的特征点数据映射至高维空间中,并在高维空间/>中构造回归函数/>:
;
将上式转化为目标函数:
;
引入松弛变量,得到:
;
引入核函数,得到预测模型/>:
;
其中,表示输入的特征点数据,/>表示特征点数据的总数,/>表示高维空间的转置,/>表示/>的转置,/>表示非线性映射,/>表示回归阈值,/>表示惩罚因子,/>、/>表示敏感变量,/>表示支持向量,/>表示支持向量的共轭向量,/>表示高维空间中的第/>个高维特征数据,/>表示测试数据的真实康复时间,/>表示测试数据的回归预测康复时间,/>表示松弛向量的共轭向量。
对于其中的惩罚因子和核函数中的参数难以寻优的问题,通过鲸鱼优化算法进行优化:
在寻优之前,对所得的引领者执行指数加权平均操作:
;
其中,为学习因子,/>为第/>个个体第8次迭代的第d维位置,/>为第/>个个体第7次迭代的第d维位置;
搜索阶段鲸鱼个体按照下式更新位置:
鲸鱼个体根据彼此位置随机搜寻猎物:
;
其中,表示随机个体的第d维位置,/>为第/>个个体第9次迭代的第d维位置,/>为均为系数向量,
;
其中,为自适应学习因子,/>表示/>之间的随机数,
;
其中,为数学常量,/>为/>间的随机数;
开发阶段鲸鱼个体按照下式更新位置:
对解空间进行开发令鲸鱼个体沿螺线形路径在周围移动;
;
其中,为第/>个个体第11次迭代后的第d维位置,/>为第/>个个体第11次迭代前的第d维位置,/>为限定螺旋形状的参数,/>为/>之间的随机数;
开发阶段过程中实行包围机制的鲸鱼个体,按照下式更新位置:
;
其中,为第/>个个体实行包围机制时第11次迭代后的第d维位置,/>为第/>个个体实行包围机制时第11次迭代前的第d维位置,/>为历史最优个体的第/>维位置,/>为之间的随机数;
以此寻优获得全局最优解,改进鲸鱼优化算法中,借助引领者的历史信息来提高算法搜索的有效性,提升算法的寻优能力,通过引入自适应学习因子,在有效迭代次数下,提高算法的收敛性以及算法的多样性,通过模拟座头鲸一边收缩包围圈,一边螺旋向上进行狩猎的行为,能够实现惩罚因子和核函数中的参数优化搜索的目的。原有鲸鱼优化算法中,/>为/>之间的随机数,其作用于引领者,易导致对不同的解空间的探索和开发不平衡,影响预测模型的预测效率,故对/>的作用对象及取值范围进行调整,鲸鱼个体可以根据取值空间寻优,提升搜索模式的搜索效果,提升预测模型性能。
模型搭建模块400基于寻优获取的惩罚因子和核函数中的参数搭建医疗康复预测模型并通过医疗数据库中的样本数据进行训练优化。
康复预测模块500基于训练优化获得的医疗康复预测模型根据患者的患处医疗成像数据对患者进行医疗康复预测。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.基于激光扫描成像的医疗康复预测系统,其特征在于:包括:
扫描成像模块(100):用于通过激光扫描成像的方式获取医疗图像数据;
图像处理模块(200):用于对获取的医疗图像数据进行预处理;
特征提取模块(300):用于对预处理后的医疗图像数据进行特征提取;
模型搭建模块(400):用于基于提取获得的医疗图像数据特征搭建医疗康复预测模型并进行训练优化;
康复预测模块(500):用于根据训练优化获得的医疗康复预测模型进行医疗康复预测。
2.根据权利要求1所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述图像处理模块(200)的预处理操作具体包括图像转换、图像分割和区域形态学处理。
3.根据权利要求1所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述特征提取模块(300)通过图像特征检测算法进行医疗图像数据的特征提取。
4.根据权利要求3所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述图像特征检测算法通过检测函数进行检测:
;
其中,表示高斯窗口函数,/>和/>分别表示像素坐标位置和/>处的像素灰度值,其中,/>、/>分别为/>方向和/>方向的像素坐标变化值,/>和/>分别表示像素灰度值在/>方向和/>方向上的梯度值;
选取医疗图像上像素点的8邻域模板标准差作为自适应阈值进行特征点提取,
;
其中,为医疗图像模板中的像素判别函数,/>表示像素坐标位置为的像素灰度值,/>表示统计的像素点个数;
通过特征函数对由统计的像素特征点进行特征提取:
;
其中,表示特征函数。
5.根据权利要求4所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述模型搭建模块(400)基于所述特征提取模块(300)提取的像素特征点数据搭建医疗康复预测模型。
6.根据权利要求5所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述模型搭建模块(400)搭建医疗康复预测模型具体如下:
将统计的特征点数据映射至高维空间中,并在高维空间/>中构造回归函数/>:
;
将上式转化为目标函数:
;
引入松弛变量,得到:
;
引入核函数,得到预测模型/>:
;
其中,表示输入的特征点数据,n表示特征点数据的总数,/>表示高维空间的转置,表示/>的转置,/>表示非线性映射,/>表示回归阈值,/>表示惩罚因子,/>、/>表示敏感变量,/>表示支持向量,/>表示支持向量的共轭向量,/>表示高维空间中的第/>个高维特征数据,/>表示测试数据的真实康复时间,/>表示测试数据的回归预测康复时间,/>表示松弛向量的共轭向量。
7.根据权利要求6所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述模型搭建模块(400)通过改进鲸鱼优化算法对惩罚因子和核函数中的参数进行寻优。
8.根据权利要求7所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述改进鲸鱼优化算法具体如下:
在寻优之前,对所得的引领者执行指数加权平均操作:
;
其中,为学习因子,/>为第/>个个体第/>次迭代的第d维位置,/>为第/>个个体第/>次迭代的第d维位置;
搜索阶段鲸鱼个体按照下式更新位置:
鲸鱼个体根据彼此位置随机搜寻猎物:
;
其中,表示随机个体的第d维位置,/>为第/>个个体第/>次迭代的第d维位置,t为当前迭代次数,A为均为系数向量,
;
其中,为自适应学习因子,/>表示/>之间的随机数,
;
其中,为数学常量,/>为/>间的随机数;
开发阶段鲸鱼个体按照下式更新位置:
令鲸鱼个体沿螺线形路径在周围移动;
;
其中,为第/>个个体第/>次迭代后的第d维位置,/>为第/>个个体第/>次迭代前的第d维位置,/>为限定螺旋形状的参数,/>为/>之间的随机数;
开发阶段过程中实行包围机制的鲸鱼个体,按照下式更新位置:
;
其中,为第/>个个体实行包围机制时第/>次迭代后的第d维位置,为第j个个体实行包围机制时第G次迭代前的第d维位置,/>为历史最优个体的第维位置,/>为/>之间的随机数;
以此寻优获得全局最优解。
9.根据权利要求8所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述模型搭建模块(400)基于寻优获取的惩罚因子和核函数中的参数搭建医疗康复预测模型并通过医疗数据库中的样本数据进行训练优化。
10.根据权利要求9所述的基于激光扫描成像的医疗康复预测系统,其特征在于:所述康复预测模块(500)基于训练优化获得的医疗康复预测模型对患者进行医疗康复预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142801.7A CN116884623B (zh) | 2023-09-06 | 2023-09-06 | 基于激光扫描成像的医疗康复预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142801.7A CN116884623B (zh) | 2023-09-06 | 2023-09-06 | 基于激光扫描成像的医疗康复预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116884623A true CN116884623A (zh) | 2023-10-13 |
CN116884623B CN116884623B (zh) | 2023-12-15 |
Family
ID=88262499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311142801.7A Active CN116884623B (zh) | 2023-09-06 | 2023-09-06 | 基于激光扫描成像的医疗康复预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116884623B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238486A (zh) * | 2023-11-14 | 2023-12-15 | 西南医科大学附属医院 | 一种基于元胞自动机的脊髓损伤评定方法及系统 |
CN117409930A (zh) * | 2023-12-13 | 2024-01-16 | 江西为易科技有限公司 | 基于ai技术实现的医疗康复数据处理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869783A (zh) * | 2014-03-18 | 2014-06-18 | 东北大学 | 一种精矿产量在线预测方法 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN106056046A (zh) * | 2016-05-20 | 2016-10-26 | 北京集创北方科技股份有限公司 | 从图像中提取特征的方法和装置 |
CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
CN113096806A (zh) * | 2021-04-15 | 2021-07-09 | 王小娟 | 基于医学影像算法和区块链的疾病预测系统 |
CN113326969A (zh) * | 2021-04-29 | 2021-08-31 | 淮阴工学院 | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 |
KR20220085256A (ko) * | 2020-12-15 | 2022-06-22 | 영남대학교 산학협력단 | 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 |
CN114758771A (zh) * | 2022-03-26 | 2022-07-15 | 广东天普生化医药股份有限公司 | 一种基于约束型鲸鱼优化算法的肝癌生存预测方法 |
CN116468181A (zh) * | 2023-04-26 | 2023-07-21 | 山东工商学院 | 一种基于改进鲸鱼优化方法 |
CN116525109A (zh) * | 2023-03-15 | 2023-08-01 | 中国医科大学附属盛京医院 | 一种缺血性脑卒中患者康复预测模型建立方法 |
-
2023
- 2023-09-06 CN CN202311142801.7A patent/CN116884623B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869783A (zh) * | 2014-03-18 | 2014-06-18 | 东北大学 | 一种精矿产量在线预测方法 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN106056046A (zh) * | 2016-05-20 | 2016-10-26 | 北京集创北方科技股份有限公司 | 从图像中提取特征的方法和装置 |
CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
KR20220085256A (ko) * | 2020-12-15 | 2022-06-22 | 영남대학교 산학협력단 | 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법 |
CN113096806A (zh) * | 2021-04-15 | 2021-07-09 | 王小娟 | 基于医学影像算法和区块链的疾病预测系统 |
CN113326969A (zh) * | 2021-04-29 | 2021-08-31 | 淮阴工学院 | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 |
CN114758771A (zh) * | 2022-03-26 | 2022-07-15 | 广东天普生化医药股份有限公司 | 一种基于约束型鲸鱼优化算法的肝癌生存预测方法 |
CN116525109A (zh) * | 2023-03-15 | 2023-08-01 | 中国医科大学附属盛京医院 | 一种缺血性脑卒中患者康复预测模型建立方法 |
CN116468181A (zh) * | 2023-04-26 | 2023-07-21 | 山东工商学院 | 一种基于改进鲸鱼优化方法 |
Non-Patent Citations (4)
Title |
---|
DOMENICO 等: ""Development and validation of a predictive model for function outcome after stroke rehabilitation: the Maugeri model"", 《STROKE》, vol. 48, no. 12, pages 3308 - 3315 * |
周有荣;王凯;: "改进鲸鱼算法优化混合核支持向量机在径流预测中的应用", 中国农村水利水电, no. 07, pages 56 - 59 * |
周瑜 等: ""激光成像引信的目标识别方法研究"", 《激光技术》, vol. 47, no. 2, pages 267 - 271 * |
李广强 等: ""基于改进鲸鱼优化算法的AUV三维路径规划"", 《系统工程与电子技术》, vol. 45, no. 7, pages 2170 - 2180 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238486A (zh) * | 2023-11-14 | 2023-12-15 | 西南医科大学附属医院 | 一种基于元胞自动机的脊髓损伤评定方法及系统 |
CN117238486B (zh) * | 2023-11-14 | 2024-02-02 | 西南医科大学附属医院 | 一种基于元胞自动机的脊髓损伤评定方法及系统 |
CN117409930A (zh) * | 2023-12-13 | 2024-01-16 | 江西为易科技有限公司 | 基于ai技术实现的医疗康复数据处理方法及系统 |
CN117409930B (zh) * | 2023-12-13 | 2024-02-13 | 江西为易科技有限公司 | 基于ai技术实现的医疗康复数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116884623B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Deep learning assisted predict of lung cancer on computed tomography images using the adaptive hierarchical heuristic mathematical model | |
Sori et al. | DFD-Net: lung cancer detection from denoised CT scan image using deep learning | |
Shanmugam et al. | Alzheimer’s disease classification using pre-trained deep networks | |
Das | Adaptive UNet-based lung segmentation and ensemble learning with CNN-based deep features for automated COVID-19 diagnosis | |
Sori et al. | Multi-path convolutional neural network for lung cancer detection | |
US20170249739A1 (en) | Computer analysis of mammograms | |
CN110472676A (zh) | 基于深度神经网络的胃早癌组织学图像分类系统 | |
Gyawali et al. | Semi-supervised medical image classification with global latent mixing | |
CN107886514A (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN116884623B (zh) | 基于激光扫描成像的医疗康复预测系统 | |
Wu et al. | U-GAN: Generative adversarial networks with U-Net for retinal vessel segmentation | |
Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
CN112784879A (zh) | 一种基于小样本域自适应的医学影像分割或分类方法 | |
CN114663426B (zh) | 一种基于关键骨区定位的骨龄评估方法 | |
Priyadharshini et al. | A novel hybrid Extreme Learning Machine and Teaching–Learning-Based Optimization algorithm for skin cancer detection | |
Yang et al. | RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
Hemalatha et al. | Skin Cancer Detection Using Deep Learning Technique | |
Amiriebrahimabadi et al. | A Comprehensive Survey of Multi-Level Thresholding Segmentation Methods for Image Processing | |
Mandal et al. | Usage of particle swarm optimization in digital images selection for monkeypox virus prediction and diagnosis | |
Zhou et al. | Subcellular structure segmentation from cryo-electron tomograms via machine learning | |
Tripathi et al. | An object aware hybrid U-net for breast tumour annotation | |
Radhika et al. | Effective Deep Learning Network Model for Multi-Class Skin Cancer Classification. | |
Kumar et al. | RETRACTED ARTICLE: Optimized convolutional neural network for automatic lung nodule detection with a new active contour segmentation | |
Shekerbek et al. | APPLICATION OF MATHEMATICAL METHODS AND MACHINE LEARNING ALGORITHMS FOR CLASSIFICATION OF X-RAY IMAGES. |
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 |