CN117351317B - 一种末次大便性状图片自动识别方法及系统 - Google Patents
一种末次大便性状图片自动识别方法及系统 Download PDFInfo
- Publication number
- CN117351317B CN117351317B CN202311387687.4A CN202311387687A CN117351317B CN 117351317 B CN117351317 B CN 117351317B CN 202311387687 A CN202311387687 A CN 202311387687A CN 117351317 B CN117351317 B CN 117351317B
- Authority
- CN
- China
- Prior art keywords
- stool
- image
- picture
- inspector
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000013872 defecation Effects 0.000 claims abstract description 101
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 49
- 210000001035 gastrointestinal tract Anatomy 0.000 claims abstract description 35
- 238000002360 preparation method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 239000002893 slag Substances 0.000 claims abstract description 9
- 230000000968 intestinal effect Effects 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 210000003608 fece Anatomy 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000008141 laxative Substances 0.000 abstract description 6
- 230000002475 laxative effect Effects 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000002052 colonoscopy Methods 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000002429 large intestine Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 210000000436 anus Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000028774 intestinal disease Diseases 0.000 description 1
- 230000009856 intestinal mucosal lesion Effects 0.000 description 1
- 229940125722 laxative agent Drugs 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种末次大便性状图片自动识别方法及系统,属于医学图像分析技术领域。本发明解决了现有患者难以自行判断排便状态是否满足肠镜准备需求的问题,通过将图片识别服务器装载在检查者手机端,在保证患者服用泻药后饮水量≥1500ml,已排便次数≥3次后采集大便图片,基于GCN图卷积神经网络和SWI N‑Transformer提取图片特征,将特征进行融合连同检查者排便次数和饮水量输入Transformer网络进行识别,由此判断当前肠道准备是否合格;若结果显示大便清亮无渣,则表明当前为末次大便,并向检查者手机端发出合格提示;反之,则继续进行肠道清洁工作;从而便于检查者准确了解自身当前排便状态是否满足肠镜检查需求,降低了检查者看病的繁琐性。
Description
技术领域
本发明涉及医学图像分析技术领域,具体为一种末次大便性状图片自动识别方法及系统。
背景技术
结肠镜是一支细长可弯曲的医学仪器,直径大约1厘米,结肠镜通过肛门进入直肠,直到大肠,可让医生观察到结肠和大肠的内部情况;结肠镜检查是医生诊疗肠道黏膜病变的一个金标准,而肠道准备质量与肠道疾病检出率息息相关。在进行结肠镜检查之前,医生会给病人开泻药配合饮用适量温水来促进肠道蠕动排空大便,以清除肠道内的食物和粪便。
然而,现有的结肠镜检查做为查体项目之一,通常是由医生为患者开具泻药,再由患者在家中自行服药后进行饮水以促进排便,在保证足够饮水量及排便次数后,肠道准备过程中的末次大便性状与肠道准备质量呈正相关,但由于患者高龄、文化程度差异,非医学背景等原因导致对医生所提出的排便观察要求难以准确理解,因此不能准确判断自己当前排便是否为末次大便,是否符合结肠镜检查需求,从而降低患者在肠道准备质量以及增加知识缺乏带来的心理压力。
因此,不满足现有的需求,对此我们提出了一种末次大便性状图片自动识别方法及系统。
发明内容
本发明的目的在于提供一种末次大便性状图片自动识别方法及系统,在保证患者在服用泻药后饮水量≥1500ml,已排便次数≥3次,可通过装载在检查者手机端图片识别服务器,采集大便图片后,基于GCN图卷积神经网络和SWIN-Transformer提取图片特征,将特征进行融合连同检查者排便次数和饮水量输入Transformer网络进行识别,由此判断当前肠道准备是否合格;若结果显示大便清亮无渣,则表明当前为末次大便,并向检查者手机端发出合格提示;反之,则继续进行肠道清洁工作;从而便于检查者准确了解自身当前排便状态是否满足肠镜检查需求,进而降低了检查者看病的繁琐性,解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种末次大便性状图片自动识别方法,包括以下步骤:
S1、通过将图片识别服务器装载在检查者手机端,由此登录并运行末次大便性状图片自动识别系统;
S2、通过手机端相机功能进行采集检查者当前大便图片,并将大便图片上传至图片调整单元进行图片预处理,以确保大便图片清晰度;
S3、基于GCN图卷积神经网络和SWIN-Transformer对处理后的大便图片进行医学图像特征提取,并将两者所提取的特征进行融合,再录入检查者当前排便次数和饮水量,同时输入到Transformer网络中进行识别处理,由此判断出当前肠道准备是否合格,并给出相应的提示指令;
S4、检查者基于所给出的提示指令做出相应的措施。
进一步的,所述S1中通过将图片识别服务器装载在检查者手机端并运行末次大便性状图片自动识别系统后,注册检查者身份账号,并填写检查者真实身份信息以及录入检查者当前医学受检因素。
进一步的,所述S3中基于GCN图卷积神经网络和SWIN-Transformer对大便图片进行医学图像特征提取,并将所提取特征进行融合后再输入到Transformer网络中进行分类,具体为:
通过创建GCN图卷积神经网络模型,并对处理后的大便图像进行编码处理,即获得特征向量集;并将特征向量集导入GCN图卷积神经网络模型中进行训练,由此输出大便图像特征;将大便图像中的像素或特征表示作为图的节点,并根据大便图像中包含的所有节点构建出多个区域;再通过GCN图卷积神经网络的层层传递和聚合捕捉到大便图像中不同区域之间的关系,由此提取出大便图像的结构特征;
通过创建SWIN-Transformer网络模型,并将所获取的大便图像切割分成若干个重叠的窗口块,由此得到若干个小块大便图像;将若干个小块大便图像分为训练集和测试集,并将训练集导入SWIN-Transformer网络模型中进行训练,由此获得训练后的SWIN-Transformer网络模型,再将测试集导入训练后的SWIN-Transformer网络模型中进行测试,由此得到测试集的测试结果;再通过自注意力机制捕捉到窗口块内不同位置之间的上下文信息,由此提取出全局感知的特征;
再将GCN图卷积神经网络和SWIN-Transformer所提取的特征之间使用concat进行融合,将融合后的特征作为输入特征集,并传递给Transformer网络进行分类;Transformer网络通过自注意力机制对特征进行建模,并利用多层的自注意力模块对全局上下文进行编码,由此获得大便图像的结构信息、全局感知的特征和全局上下文信息。
进一步的,将大便图像中的像素或特征表示作为图的节点,并根据大便图像中包含的所有节点构建出多个区域,具体为:
基于大便图像的三通道图,确定出大便图像中所有像素点在三通道图中每个通道的数值,计算出大便图像在每个通道的均值,并计算出大便图像中每个像素点在每个通道的数值与大便图像在对应通道的均值的差值,作为像素点的通道数值偏差值;
并将大便图像中所有像素点在单个通道的通道数值偏差值从大到小进行排序,获得单个通道的偏差值序列;
将筛选占比梯度列表中的每个筛选占比和大便图像中包含的像素点总数的乘积,当作筛选占比的目标筛选数量;其中,筛选占比梯度列表即为包含按照从小到大的梯度分布的预设的筛选占比的列表,筛选占比即为筛选出的像素点的目标筛选数量在大便图像中所有像素点总数中的占比;
将对应通道的偏差值序列中前目标筛选数量的通道数值偏差值构成的部分偏差值序列,并确定出部分偏差值序列对应的像素点,当作大便图像在对应通道和对应筛选占比下的节点集群;
基于大便图像在每个通道和筛选占比梯度列表中的每个筛选占比下的节点集群,在大便图像中构建出多个区域;
其中,节点集群即为大便图像的特征表示。
进一步的,基于大便图像在每个通道和筛选占比梯度列表中的每个筛选占比下的节点集群,在大便图像中构建出多个区域,具体为:
基于单个节点集群拟合出节点轮廓;
将大便图像在单个通道的所有节点集群对应的节点轮廓,按照对应筛选占比在筛选占比梯度列表中从小到大的顺序进行排序,获得节点轮廓序列;
判断出所有通道的节点轮廓序列中是否包含可以围成封闭轮廓的节点轮廓,若是,则将所有可以围成封闭轮廓的节点轮廓所围成的区域当作大便图像中的多个区域;
否则,计算出所有通道的节点轮廓序列中所有节点轮廓中包含的每个节点在所有通道的节点轮廓序列中的重合度,包括:
式中,/>为当前计算的节点在所有通道的节点轮廓序列中的重合度,/>为所有通道的节点轮廓序列中包含的所有节点轮廓中包含当前节点的节点轮廓的总数,/>为第/>个通道的节点轮廓序列中包含的节点轮廓的总数;
对重合度大于重合度阈值的节点进行光滑拟合直至获得可以围成封闭区域的轮廓,并将所有确定出的轮廓围成的区域当作大便图像的区域。
进一步的,所述S3中通过录入检查者当前排便次数和饮水量,判断当前肠道准备是否合格,并给出相应的提示指令,具体为:
通过信息输入接口录入体检者当前为第几次大便,已喝多少毫升水,并结合图片特征信息同时输入到Transformer网络中进行识别处理,从而获得大便图片识别结果;若识别结果显示当前大便为清亮无渣,则表明当前排便状态为末次大便,并向检查者手机端发出合格提示,以提醒检查者当前肠道准备已符合肠镜检查需求;
若识别结果显示当前大便为混浊、且粪渣较多,则表明当前排便状态并非为并末次大便,并向检查者手机端发出不合格提示,以提醒检查者当前肠道准备不符合肠镜检查需求,继续进行肠道清洁工作。
一种末次大便性状图片自动识别系统,包括:
图片识别服务器,用于装载在检查者手机端,检查者基于手机端登录末次大便性状图片自动识别系统,由此运行末次大便性状图片自动识别系统;
图片采集单元,基于手机端相机功能用于采集检查者大便的图像信息,并将采集到的图像信息上传至图片调整单元进行预处理;
图片调整单元,用于接收检查者大便图像信息,对大便图像进行边界裁剪处理后,并对大便图像的亮度、颜色增强和对比度进行增强处理,确保图片清晰度,再将处理后的图片上传至图像处理单元进行图像特征提取;
信息输入接口,基于手机端登录并运行末次大便性状图片自动识别系统,用于输入检查者当前排便次数和饮水量,并将输入后的数据信息上传至图像处理单元;
图像处理单元,用于接收处理后的大便图片,并基于GCN图卷积神经网络和SWIN-Transformer对处理后的大便图片进行医学图像特征提取,再将GCN图卷积神经网络和SWIN-Transformer提取的特征之间使用concat进行融合,并将融合后的特征与检查者当前排便次数和饮水量信息同时输入到Transformer网络中进行识别处理,由此输出大便图像的结构信息、全局感知的特征和全局上下文信息,从而判断出当前肠道准备是否合格;
指令收发单元,用于接收当前大便图片的评判结果,并基于评判结果发出适宜的医疗指导指令,检查者根据所提示的医疗指导指令做出相应的措施。
进一步的,所述图像处理单元包括:
模型创建模块,基于GCN图卷积神经网络和SWIN-Transformer分别创建GCN图卷积神经网络模型和SWIN-Transformer网络模型,用于通过双通道提取大便图像的特征信息;
编码处理模块,用于对处理后的大便图像进行编码处理,得到特征向量集;
模型训练模块,用于将特征向量集导入GCN图卷积神经网络模型中进行训练,由此输出大便图像特征;还用于将训练集与检查者当前排便次数和饮水量信息同时导入SWIN-Transformer网络模型中进行训练,再将测试集与检查者当前排便次数和饮水量信息同时导入训练后的SWIN-Transformer网络模型中进行测试,由此得到测试集的测试结果;
结果输出模块,用于输出GCN图卷积神经网络模型和SWIN-Transformer网络模型所获得的大便图片识别结果。
进一步的,所述图像处理单元还包括:
数据导入模块,用于导入信息输入接口所输入的检查者当前排便次数和饮水量数据;
结果分析模块,基于大便图像的结构信息和全局感知的特征分析当前大便图像的清澈度,并结合检查者当前排便次数和饮水量数据进行参照,由此获得当前大便图片的判断结果;其判断结果包括:已符合肠镜检查需求和不符合肠镜检查需求;
结果传输模块,用于将结果分析模块所得出的判断结果传输至指令收发单元。
进一步的,所述指令收发单元包括;
结果接收模块,用于接收图像处理单元所传输的大便图片判断结果;
指令发送模块,基于判断结果做出相应的适宜的医疗指导指令,具体为:若判断结果显示当前大便为末次排便状态,则发出已符合肠镜检查需求指令;若判断结果显示当前大便并非为末次排便状态,则发出不符合肠镜检查需求,且继续进行肠道清洁工作指令。
与现有技术相比,本发明的有益效果是:
本发明,通过将图片识别服务器装载在检查者手机端,在保证患者服用泻药后饮水量≥1500ml,已排便次数≥3次后采集当前大便图片,基于GCN图卷积神经网络和SWIN-Transformer对大便图片进行特征提取,将特征进行融合后连同检查者排便次数和饮水量输入Transformer网络进行识别,由此判断当前肠道准备是否合格;若当前识别结果显示大便为清亮无渣,则表明当前排便状态为末次大便,则向检查者手机端发出合格提示,以提醒检查者当前肠道准备已符合肠镜检查需求;若当前识别结果显示大便为混浊、且粪渣较多,则表明当前排便状态并非为并末次大便,并向检查者手机端发出不合格提示,以提醒检查者当前肠道准备不符合肠镜检查需求,还需继续进行肠道清洁工作;从而便于检查者准确了解自身当前排便状态是否满足肠镜检查需求,进而降低了检查者看病的繁琐性。
附图说明
图1为本发明的一种末次大便性状图片自动识别方法流程图;
图2为本发明的一种末次大便性状图片自动识别系统组成图。
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。
为了解决现有患者由于年龄不同,文化程度不同,导致对医生所提出的排便观察要求难以深刻了解,因此难以准确判断自己当前排便状态是否符合肠镜检查需求,从而增加了患者看病繁琐性的技术问题,请参阅图1-图2,本实施例提供以下技术方案:
一种末次大便性状图片自动识别方法,包括以下步骤:
S1、通过将图片识别服务器装载在检查者手机端,由此登录并运行末次大便性状图片自动识别系统;在通过将图片识别服务器装载在检查者手机端并运行末次大便性状图片自动识别系统后,还需注册检查者身份账号,并填写检查者真实身份信息以及录入检查者当前医学受检因素;具体的,检查者通过手机端登录图片识别服务器后,对检查者身份信息进行注册;在一实施例中,如:检查者通过手机号作为图片识别服务器的登录账号,并设定所属密码;再将检查者的身份信息及当前医学受检因素进行详细填写,如:填写检查者姓名、性别、年龄、身份证号码、地址、联系方式以及送检机构所属医院名称、送检日期、责任医生和就诊原因,以便于审核受检病例的真实性。
S2、通过手机端相机功能进行采集检查者当前大便图片,并将大便图片上传至图片调整单元进行图片预处理,以确保大便图片清晰度;具体的,通过PS图像处理技术对大便图像信息进行图像亮度处理、颜色处理和对比度处理,从而提高大便图片的清晰度,进而提升大便图片性状识别处理的精准度。
S3、基于GCN图卷积神经网络和SWIN-Transformer对处理后的大便图片进行医学图像特征提取,并将两者所提取的特征进行融合,再录入检查者当前排便次数和饮水量,同时输入到Transformer网络中进行识别处理,由此判断出当前肠道准备是否合格,并给出相应的提示指令;具体为:通过创建GCN图卷积神经网络模型,并对处理后的大便图像进行编码处理,即获得特征向量集;并将特征向量集导入GCN图卷积神经网络模型中进行训练,由此输出大便图像特征;将大便图像中的像素或特征表示作为图的节点,并根据大便图像中包含的所有节点构建出多个区域;再通过GCN图卷积神经网络的层层传递和聚合捕捉到大便图像中不同区域之间的关系,由此提取出大便图像的结构特征;通过创建SWIN-Transformer网络模型,并将所获取的大便图像切割分成若干个重叠的窗口块,由此得到若干个小块大便图像;将若干个小块大便图像分为训练集和测试集,并将训练集导入SWIN-Transformer网络模型中进行训练,由此获得训练后的SWIN-Transformer网络模型,再将测试集导入训练后的SWIN-Transformer网络模型中进行测试,由此得到测试集的测试结果;再通过自注意力机制捕捉到窗口块内不同位置之间的上下文信息,由此提取出全局感知的特征;再将GCN图卷积神经网络和SWIN-Transformer所提取的特征之间使用concat进行融合,将融合后的特征作为输入特征集,并传递给Transformer网络进行分类;Transformer网络通过自注意力机制对特征进行建模,并利用多层的自注意力模块对全局上下文进行编码,由此获得大便图像的结构信息、全局感知的特征和全局上下文信息,即通过查看大便图像的结构信息、全局感知的特征和全局上下文信息以便于判断当前大便状态是否符合肠镜检查准备需求;
其中,将大便图像中的像素或特征表示作为图的节点,并根据大便图像中包含的所有节点构建出多个区域,具体为:
基于大便图像的三通道图,确定出大便图像中所有像素点在三通道图中每个通道的数值(即为像素点的R值、G值、B值),计算出大便图像在每个通道的均值(即为大便图像中所有像素点在单个通道的数值的均值),并计算出大便图像中每个像素点在每个通道的数值与大便图像在对应通道的均值的差值,作为像素点的通道数值偏差值;
并将大便图像中所有像素点在单个通道的通道数值偏差值从大到小进行排序,获得单个通道的偏差值序列;
将筛选占比梯度列表(即为包含按照从小到大的梯度分布的预设的筛选占比的列表,筛选占比即为筛选出的像素点的目标筛选数量在大便图像中所有像素点总数中的占比)中的每个筛选占比和大便图像中包含的像素点总数的乘积,当作筛选占比的目标筛选数量(即为基于筛选占比确定出的需要在大便图像中筛选出的像素点数量);
将对应通道的偏差值序列中前目标筛选数量的通道数值偏差值构成的部分偏差值序列,并确定出部分偏差值序列对应的像素点,当作大便图像在对应通道和对应筛选占比下的节点集群(即为在大便图像的单个通道的偏差值序列中筛选出的目标筛选数量满足单个筛选占比的节点构成的集群);
基于大便图像在每个通道和筛选占比梯度列表中的每个筛选占比下的节点集群,在大便图像中构建出多个区域;
其中,节点集群即为大便图像的特征表示;
上述过程基于预设的筛选占比对大便图像的三通道图像中每个通道与通道均值偏差大的像素点的筛选,获得不同的通道的不同筛选占比的节点集群,进而在大便图像中筛选出以不同通道的数值为依据的具有明显显示特征的节点作为大便图像的特征表示,进而基于大便图像的特征表示构建出区域,即实现了对大便图像的特征分析过程。
其中,基于大便图像在每个通道和筛选占比梯度列表中的每个筛选占比下的节点集群,在大便图像中构建出多个区域,具体为:
基于单个节点集群拟合出节点轮廓(即为由单个节点集群中包含的所有节点拟合而成的轮廓线);
将大便图像在单个通道的所有节点集群对应的节点轮廓,按照对应筛选占比在筛选占比梯度列表中从小到大的顺序进行排序,获得节点轮廓序列;
判断出所有通道的节点轮廓序列中是否包含可以围成封闭轮廓的节点轮廓,若是,则将所有可以围成封闭轮廓的节点轮廓所围成的区域当作大便图像中的多个区域;
否则,计算出所有通道的节点轮廓序列中所有节点轮廓中包含的每个节点在所有通道的节点轮廓序列中的重合度(即为将所有通道的节点轮廓序列中包含的所有节点轮廓中包含当前节点的节点轮廓的总数与所有通道的节点轮廓序列中包含的所有节点轮廓的总数之比,当作当前节点的重合度),包括:
式中,为当前计算的节点在所有通道的节点轮廓序列中的重合度,/>为所有通道的节点轮廓序列中包含的所有节点轮廓中包含当前节点的节点轮廓的总数,为第/>个通道的节点轮廓序列中包含的节点轮廓的总数;
对重合度大于重合度阈值(即为预设的用于筛选出最终用来被光滑连接形成围成大便图像的区域的轮廓的节点时所依据的重合度的筛选阈值)的节点进行光滑拟合直至获得可以围成封闭区域的轮廓,并将所有确定出的轮廓围成的区域当作大便图像的区域。
上述过程基于节点轮廓中直接包含的可围成封闭轮廓的节点轮廓围成的区域或者由所有节点轮廓中重合度较高的节点光滑拟合后获得的可以围成封闭区域的轮廓,实现了基于大便图像的特征表示精准划分出具有明显轮廓特征的大便图像中的区域。
其次,S3中通过录入检查者当前排便次数和饮水量,判断当前肠道准备是否合格,并给出相应的提示指令,具体为:
通过信息输入接口录入体检者当前为第几次大便,已喝多少毫升水,并结合图片特征信息同时输入到Transformer网络中进行识别处理,从而获得大便图片识别结果;若识别结果显示当前大便为清亮无渣,则表明当前排便状态为末次大便,并向检查者手机端发出合格提示,以提醒检查者当前肠道准备已符合肠镜检查需求;
若识别结果显示当前大便为混浊、且粪渣较多,则表明当前排便状态并非为并末次大便,并向检查者手机端发出不合格提示,以提醒检查者当前肠道准备不符合肠镜检查需求,继续进行肠道清洁工作。
S4、检查者基于所给出的提示指令做出相应的措施,具体为:若识别结果显示当前大便为末次排便状态,则向检查者手机端发出已符合肠镜检查需求指令;若识别结果显示当前大便并非为末次排便状态,则向检查者手机端发出不符合肠镜检查需求,且继续进行肠道清洁工作指令。
一种末次大便性状图片自动识别系统,包括:
图片识别服务器,用于装载在检查者手机端,检查者基于手机端登录末次大便性状图片自动识别系统,由此运行末次大便性状图片自动识别系统;具体的,图片识别服务器为末次大便性状图片自动识别系统的运行软件,该图片识别服务器与末次大便性状图片自动识别系统云端处理器相连接;通过将图片识别服务器装载于检查者的手机端,检查者可基于自己手机端登录并运行末次大便性状图片自动识别系统;接上述实施例,如:检查者通过手机端登录并运行末次大便性状图片自动识别系统,并注册所属账号及填写个人信息及送检机构所属医院名称、送检日期、责任医生和就诊原因,以便于审核受检病例的真实性,防止出现恶意上传图片造成受检通道拥堵的现象。
图片采集单元,基于手机端相机功能用于采集检查者大便的图像信息,并将采集到的图像信息上传至图片调整单元进行预处理;接上述实施例,如:检查者通过手机端登录并运行末次大便性状图片自动识别系统,并将末次大便性状图片自动识别系统与手机端相机功能进行授权,在保证自身服用泻药后饮水量≥1500ml,已排便次数≥3次后,基于手机端相机功能对大便进行拍摄,并将所拍摄的大便图片进行上传,并做清晰预处理,以确保大便图片性状识别处理的精准度。
图片调整单元,用于接收检查者大便图像信息,对大便图像进行边界裁剪处理后,并对大便图像的亮度、颜色增强和对比度进行增强处理,确保图片清晰度,再将处理后的图片上传至图像处理单元进行图像特征提取;接上述实施例,如:检查者基于手机端相机功能对大便进行拍摄并上传,图片调整单元对大便图片中多余背景及边缘进行裁剪,以确保图片中大便性状处于中部位置;并对图片进行清晰度处理,对图像亮度、颜色以及对比度的指数进行适当调整,从而提高图片的清晰度,防止年纪大检查者所拍摄的大便图片模糊,或由于蹲坑或马桶中水位的高低,导致大便成像不清晰,从而导致系统难以精准识别大便性状。
信息输入接口,基于手机端登录并运行末次大便性状图片自动识别系统,用于输入检查者当前排便次数和饮水量,并将输入后的数据信息上传至图像处理单元;接上述实施例,如:检查者通过手机端登录并运行末次大便性状图片自动识别系统,并输入对应的送检日期;此时检查者通过信息输入接口输入当前为第几次排便,以喝多少毫升水;如:送检日期为:XX年XX月XX日,检查者为:李某某,当前为XX年XX月XX日的第三次排便,XX年XX月XX日已喝水2000毫升;基于此,将上述信息上传至图像处理单元中作为识别参考因素,与图像特征同时导入Transformer网络中进行识别处理,从而提高末次大便判断的精准度。
图像处理单元,用于接收处理后的大便图片,并基于GCN图卷积神经网络和SWIN-Transformer对处理后的大便图片进行医学图像特征提取,再将GCN图卷积神经网络和SWIN-Transformer提取的特征之间使用concat进行融合,并将融合后的特征与检查者当前排便次数和饮水量信息同时输入到Transformer网络中进行识别处理,由此输出大便图像的结构信息、全局感知的特征和全局上下文信息,从而判断出当前肠道准备是否合格;图像处理单元包括:模型创建模块,基于GCN图卷积神经网络和SWIN-Transformer分别创建GCN图卷积神经网络模型和SWIN-Transformer网络模型,用于通过双通道提取大便图像的特征信息;编码处理模块,用于对处理后的大便图像进行编码处理,得到特征向量集;模型训练模块,用于将特征向量集导入GCN图卷积神经网络模型中进行训练,由此输出大便图像特征;还用于将训练集与检查者当前排便次数和饮水量信息同时导入SWIN-Transformer网络模型中进行训练,再将测试集与检查者当前排便次数和饮水量信息同时导入训练后的SWIN-Transformer网络模型中进行测试,由此得到测试集的测试结果;结果输出模块,用于输出GCN图卷积神经网络模型和SWIN-Transformer网络模型所获得的大便图片识别结果;具体的,通过使用双通道进行特征提取,如将GCN和SWIN-Transformer用于图像特征提取,然后通过特征融合将提取的特征输入到Transformer中进行分类;进一步的描述为:首先使用GCN对医学图像进行特征提取,将医学图像中的像素或特征表示作为图的节点,并根据图像的结构关系建立图的连接;再通过GCN的层层传递和聚合,可以有效地捕捉到图像中不同区域之间的关系,从而提取出图像的结构特征;接下来利用SWIN-Transformer对医学图像进行特征提取,将图像分成若干重叠的窗口块,并利用SWIN-Transformer的窗口化自注意力机制在每个块内对特征进行建模;通过自注意力机制,可以捕捉到窗口块内不同位置之间的上下文信息,并提取全局感知的特征;然后在GCN和SWIN-Transformer提取的特征之间使用concat进行融合,将融合后的特征作为输入,传递给Transformer网络进行分类;最后使用Transformer网络对融合后的特征及检查者当前排便次数和饮水量信息进行识别处理;Transformer是非常适用于图像分类等任务,它通过自注意力机制对特征进行建模,并利用多层的自注意力模块对全局上下文进行编码,从而可以对融合后的特征进行准确的分类,上述这种方法可以综合考虑图像的结构信息、全局感知的特征和全局上下文,从而提高医学图像分类的准确性和性能。
指令收发单元,用于接收当前大便图片的评判结果,并基于评判结果发出适宜的医疗指导指令,检查者根据所提示的医疗指导指令做出相应的措施;接上述实施例,如:送检日期为:XX年XX月XX日,检查者为:李某某,当前为XX年XX月XX日的第三次排便,XX年XX月XX日已喝水2000毫升;当前显示结果表明大便为清亮无渣,则表明当前排便状态为末次大便,并向检查者手机端发出合格提示,以提醒检查者当前肠道准备已符合肠镜检查需求;又如:送检日期为:XX年XX月XX日,检查者为:李某某,当前为XX年XX月XX日的第三次排便,XX年XX月XX日已喝水2000毫升;当前显示结果表明大便为混浊、且粪渣较多,则表明当前排便状态并非为并末次大便,并向检查者手机端发出不合格提示,以提醒检查者当前肠道准备不符合肠镜检查需求,还需继续进行肠道清洁工作。
图像处理单元还包括:
数据导入模块,用于导入信息输入接口所输入的检查者当前排便次数和饮水量数据;具体的,通过数据导入模块将信息接口模块所输入的检查者信息导入至图像处理单元中进行训练,以作为末次大便图片性状识别的参考因素,进而确保末次大便判断的精准度。
结果分析模块,基于大便图像的结构信息和全局感知的特征分析当前大便图像的清澈度,由此获得当前大便图片的判断结果;其判断结果包括:已符合肠镜检查需求和不符合肠镜检查需求;接上述实施例,如:检查者为:李某某,当前为XX年XX月XX日的第三次排便,XX年XX月XX日已喝水2000毫升;当前大便所提取的特征为清亮无渣,则表明当前排便状态为末次大便;又如:检查者为:李某某,当前为XX年XX月XX日的第三次排便,XX年XX月XX日已喝水2000毫升;当前大便所提取的特征为混浊、且粪渣较多,则表明当前排便状态并非为并末次大便。
结果传输模块,用于将结果分析模块所得出的判断结果传输至指令收发单元;接上述实施例,如:通过分析判断得出检查者李某某,XX年XX月XX日的第三次排便为末次大便;又如:通过分析判断得出检查者李某某,XX年XX月XX日的第三次排便并非为末次大便;基于此,通过将上述两种结果的可能性发送至指令收发单元做出相应的指令。
指令收发单元包括;
结果接收模块,用于接收图像处理单元所传输的大便图片判断结果;
指令发送模块,基于判断结果做出相应的适宜的医疗指导指令,具体为:若判断结果显示当前大便为末次排便状态,则发出已符合肠镜检查需求指令;若判断结果显示当前大便并非为末次排便状态,则发出不符合肠镜检查需求,且继续进行肠道清洁工作指令;接上述实施例,如:通过分析判断得出检查者李某某,XX年XX月XX日的第三次排便为末次大便,则通过指令发送模块向检查者手机端发出合格提示,以提醒检查者当前肠道准备已符合肠镜检查需求;又如:通过分析判断得出检查者李某某,XX年XX月XX日的第三次排便并非为末次大便,则通过指令发送模块向检查者手机端发出不合格提示,以提醒检查者当前肠道准备不符合肠镜检查需求,还需继续进行肠道清洁工作;从而有效帮助检查者自行判断当前排便状态是否符合肠镜准备需求。
上述内容的工作原理:通过将图片识别服务器装载在检查者手机端,在保证患者在服用泻药后饮水量≥1500ml,已排便次数≥3次后,并基于相机功能采集当前大便图片,通过GCN图卷积神经网络和SWIN-Transformer双通道对大便图片特征进行提取,并将两者特征融合后再连同检查者排便次数和饮水量输入Transformer网络进行识别,由此判断当前肠道准备是否合格;若结果显示当前大便为清亮无渣,则表明当前排便状态为末次大便,则向检查者手机端发出合格提示;反之,则表明当前排便状态并非为并末次大便,并向检查者手机端发出不合格提示,以提醒检查者需继续进行肠道清洁工作;从而便于检查者准确了解自身当前排便状态是否满足肠镜检查需求,进而降低了检查者看病的繁琐性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种末次大便性状图片自动识别方法,其特征在于,包括以下步骤:
S1、通过将图片识别服务器装载在检查者手机端,由此登录并运行末次大便性状图片自动识别系统;
S2、通过手机端相机功能进行采集检查者当前大便图片,并将大便图片上传至图片调整单元进行图片预处理,以确保大便图片清晰度;
S3、基于GCN图卷积神经网络和SWIN-Transformer对处理后的大便图片进行医学图像特征提取,并将两者所提取的特征进行融合,再录入检查者当前排便次数和饮水量,同时输入到Transformer网络中进行识别处理,由此判断出当前肠道准备是否合格,并给出相应的提示指令;
S4、检查者基于所给出的提示指令做出相应的措施。
2.根据权利要求1所述的一种末次大便性状图片自动识别方法,其特征在于:所述S1中通过将图片识别服务器装载在检查者手机端并运行末次大便性状图片自动识别系统后,注册检查者身份账号,并填写检查者真实身份信息以及录入检查者当前医学受检因素。
3.根据权利要求1所述的一种末次大便性状图片自动识别方法,其特征在于:所述S3中基于GCN图卷积神经网络和SWIN-Transformer对大便图片进行医学图像特征提取,并将所提取特征进行融合后再输入到Transformer网络中进行分类,具体为:
通过创建GCN图卷积神经网络模型,并对处理后的大便图像进行编码处理,即获得特征向量集;并将特征向量集导入GCN图卷积神经网络模型中进行训练,由此输出大便图像特征;将大便图像中的像素或特征表示作为图的节点,并根据大便图像中包含的所有节点构建出多个区域;再通过GCN图卷积神经网络的层层传递和聚合捕捉到大便图像中不同区域之间的关系,由此提取出大便图像的结构特征;
通过创建SWIN-Transformer网络模型,并将所获取的大便图像切割分成若干个重叠的窗口块,由此得到若干个小块大便图像;将若干个小块大便图像分为训练集和测试集,并将训练集导入SWIN-Transformer网络模型中进行训练,由此获得训练后的SWIN-Transformer网络模型,再将测试集导入训练后的SWIN-Transformer网络模型中进行测试,由此得到测试集的测试结果;再通过自注意力机制捕捉到窗口块内不同位置之间的上下文信息,由此提取出全局感知的特征;
再将GCN图卷积神经网络和SWIN-Transformer所提取的特征之间使用concat进行融合,将融合后的特征作为输入特征集,并传递给Transformer网络进行分类;Transformer网络通过自注意力机制对特征进行建模,并利用多层的自注意力模块对全局上下文进行编码,由此获得大便图像的结构信息、全局感知的特征和全局上下文信息。
4.根据权利要求1所述的一种末次大便性状图片自动识别方法,其特征在于:将大便图像中的像素或特征表示作为图的节点,并根据大便图像中包含的所有节点构建出多个区域,具体为:
基于大便图像的三通道图,确定出大便图像中所有像素点在三通道图中每个通道的数值,计算出大便图像在每个通道的均值,并计算出大便图像中每个像素点在每个通道的数值与大便图像在对应通道的均值的差值,作为像素点的通道数值偏差值;
并将大便图像中所有像素点在单个通道的通道数值偏差值从大到小进行排序,获得单个通道的偏差值序列;
将筛选占比梯度列表中的每个筛选占比和大便图像中包含的像素点总数的乘积,当作筛选占比的目标筛选数量;其中,筛选占比梯度列表为包含按照从小到大的梯度分布的预设的筛选占比的列表,筛选占比即为筛选出的像素点的目标筛选数量在大便图像中所有像素点总数中的占比;
将对应通道的偏差值序列中前目标筛选数量的通道数值偏差值构成的部分偏差值序列,并确定出部分偏差值序列对应的像素点,当作大便图像在对应通道和对应筛选占比下的节点集群;
基于大便图像在每个通道和筛选占比梯度列表中的每个筛选占比下的节点集群,在大便图像中构建出多个区域;
其中,节点集群即为大便图像的特征表示。
5.根据权利要求4所述的一种末次大便性状图片自动识别方法,其特征在于:基于大便图像在每个通道和筛选占比梯度列表中的每个筛选占比下的节点集群,在大便图像中构建出多个区域,具体为:
基于单个节点集群拟合出节点轮廓;
将大便图像在单个通道的所有节点集群对应的节点轮廓,按照对应筛选占比在筛选占比梯度列表中从小到大的顺序进行排序,获得节点轮廓序列;
判断出所有通道的节点轮廓序列中是否包含可以围成封闭轮廓的节点轮廓,若是,则将所有可以围成封闭轮廓的节点轮廓所围成的区域当作大便图像中的多个区域;
否则,计算出所有通道的节点轮廓序列中所有节点轮廓中包含的每个节点在所有通道的节点轮廓序列中的重合度,包括:
式中,/>为当前计算的节点在所有通道的节点轮廓序列中的重合度,/>为所有通道的节点轮廓序列中包含的所有节点轮廓中包含当前节点的节点轮廓的总数,/>为第/>个通道的节点轮廓序列中包含的节点轮廓的总数;
对重合度大于重合度阈值的节点进行光滑拟合直至获得可以围成封闭区域的轮廓,并将所有确定出的轮廓围成的区域当作大便图像的区域。
6.根据权利要求1所述的一种末次大便性状图片自动识别方法,其特征在于:所述S3中通过录入检查者当前排便次数和饮水量,判断当前肠道准备是否合格,并给出相应的提示指令,具体为:
通过信息输入接口录入体检者当前为第几次大便,已喝多少毫升水,并结合图片特征信息同时输入到Transformer网络中进行识别处理,从而获得大便图片识别结果;若识别结果显示当前大便为清亮无渣,则表明当前排便状态为末次大便,并向检查者手机端发出合格提示,以提醒检查者当前肠道准备已符合肠镜检查需求;
若识别结果显示当前大便为混浊、且粪渣较多,则表明当前排便状态并非为并末次大便,并向检查者手机端发出不合格提示,以提醒检查者当前肠道准备不符合肠镜检查需求,继续进行肠道清洁工作。
7.一种末次大便性状图片自动识别系统,应用于权利要求1-6任一项所述的末次大便性状图片自动识别方法中,其特征在于:包括:
图片识别服务器,用于装载在检查者手机端,检查者基于手机端登录末次大便性状图片自动识别系统,由此运行末次大便性状图片自动识别系统;
图片采集单元,基于手机端相机功能用于采集检查者大便的图像信息,并将采集到的图像信息上传至图片调整单元进行预处理;
图片调整单元,用于接收检查者大便图像信息,对大便图像进行边界裁剪处理后,并对大便图像的亮度、颜色增强和对比度进行增强处理,确保图片清晰度,再将处理后的图片上传至图像处理单元进行图像特征提取;
信息输入接口,基于手机端登录并运行末次大便性状图片自动识别系统,用于输入检查者当前排便次数和饮水量,并将输入后的数据信息上传至图像处理单元;
图像处理单元,用于接收处理后的大便图片,并基于GCN图卷积神经网络和SWIN-Transformer对处理后的大便图片进行医学图像特征提取,再将GCN图卷积神经网络和SWIN-Transformer提取的特征之间使用concat进行融合,并将融合后的特征与检查者当前排便次数和饮水量信息同时输入到Transformer网络中进行识别处理,由此输出大便图像的结构信息、全局感知的特征和全局上下文信息,从而判断出当前肠道准备是否合格;
指令收发单元,用于接收当前大便图片的评判结果,并基于评判结果发出适宜的医疗指导指令,检查者根据所提示的医疗指导指令做出相应的措施。
8.根据权利要求7所述的一种末次大便性状图片自动识别系统,其特征在于:所述图像处理单元包括:
模型创建模块,基于GCN图卷积神经网络和SWIN-Transformer分别创建GCN图卷积神经网络模型和SWIN-Transformer网络模型,用于通过双通道提取大便图像的特征信息;
编码处理模块,用于对处理后的大便图像进行编码处理,得到特征向量集;
模型训练模块,用于将特征向量集导入GCN图卷积神经网络模型中进行训练,由此输出大便图像特征;还用于将训练集与检查者当前排便次数和饮水量信息同时导入SWIN-Transformer网络模型中进行训练,再将测试集与检查者当前排便次数和饮水量信息同时导入训练后的SWIN-Transformer网络模型中进行测试,由此得到测试集的测试结果;
结果输出模块,用于输出GCN图卷积神经网络模型和SWIN-Transformer网络模型所获得的大便图片识别结果。
9.根据权利要求8所述的一种末次大便性状图片自动识别系统,其特征在于:所述图像处理单元还包括:
数据导入模块,用于导入信息输入接口所输入的检查者当前排便次数和饮水量数据;
结果分析模块,基于大便图像的结构信息和全局感知的特征分析当前大便图像的清澈度,并结合检查者当前排便次数和饮水量数据进行参照,由此获得当前大便图片的判断结果;其判断结果包括:已符合肠镜检查需求和不符合肠镜检查需求;
结果传输模块,用于将结果分析模块所得出的判断结果传输至指令收发单元。
10.根据权利要求7所述的一种末次大便性状图片自动识别系统,其特征在于:所述指令收发单元包括;
结果接收模块,用于接收图像处理单元所传输的大便图片判断结果;
指令发送模块,基于判断结果做出相应的适宜的医疗指导指令,具体为:若判断结果显示当前大便为末次排便状态,则发出已符合肠镜检查需求指令;若判断结果显示当前大便并非为末次排便状态,则发出不符合肠镜检查需求,且继续进行肠道清洁工作指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387687.4A CN117351317B (zh) | 2023-10-25 | 2023-10-25 | 一种末次大便性状图片自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387687.4A CN117351317B (zh) | 2023-10-25 | 2023-10-25 | 一种末次大便性状图片自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351317A CN117351317A (zh) | 2024-01-05 |
CN117351317B true CN117351317B (zh) | 2024-04-09 |
Family
ID=89355549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311387687.4A Active CN117351317B (zh) | 2023-10-25 | 2023-10-25 | 一种末次大便性状图片自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351317B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012218416A1 (de) * | 2012-10-10 | 2014-04-10 | Siemens Aktiengesellschaft | Automatische Tumordetektion |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN110070938A (zh) * | 2019-04-26 | 2019-07-30 | 河南萱闱堂医疗信息科技有限公司 | 一种辅助患者进行肠道准备的方法 |
KR20190114132A (ko) * | 2018-03-29 | 2019-10-10 | 권동혁 | 대소변 분석을 이용한 건강상태 모니터링 시스템 |
CN112907544A (zh) * | 2021-02-24 | 2021-06-04 | 广东省中医院(广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院) | 基于机器学习的粪水性状识别方法及系统、手持智能设备 |
CN114822738A (zh) * | 2022-04-11 | 2022-07-29 | 复旦大学附属中山医院 | 一种基于手机终端的患者肠道准备情况评估系统及方法 |
CN114936266A (zh) * | 2022-05-11 | 2022-08-23 | 西安交通大学医学院第二附属医院 | 基于门控机制的多模态融合谣言早期检测方法及系统 |
CN114937178A (zh) * | 2022-06-30 | 2022-08-23 | 抖音视界(北京)有限公司 | 基于多模态的图像分类方法、装置、可读介质和电子设备 |
WO2022254702A1 (ja) * | 2021-06-04 | 2022-12-08 | オリンパス株式会社 | 検査ガイド装置および検査ガイド方法 |
CN115690874A (zh) * | 2022-10-19 | 2023-02-03 | 华南理工大学 | 基于人体关键点检测和Transformer模型的老人吃药检测方法和系统 |
CN115700789A (zh) * | 2021-07-26 | 2023-02-07 | 惠州市中心人民医院 | 一种基于多模态医学数据的肺炎预检分诊系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2021208546A1 (en) * | 2020-01-15 | 2022-09-01 | Dark Canyon Laboratories, Llc | Systems and methods for assessing colonoscopy preparation |
-
2023
- 2023-10-25 CN CN202311387687.4A patent/CN117351317B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012218416A1 (de) * | 2012-10-10 | 2014-04-10 | Siemens Aktiengesellschaft | Automatische Tumordetektion |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
KR20190114132A (ko) * | 2018-03-29 | 2019-10-10 | 권동혁 | 대소변 분석을 이용한 건강상태 모니터링 시스템 |
CN110070938A (zh) * | 2019-04-26 | 2019-07-30 | 河南萱闱堂医疗信息科技有限公司 | 一种辅助患者进行肠道准备的方法 |
CN112907544A (zh) * | 2021-02-24 | 2021-06-04 | 广东省中医院(广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院) | 基于机器学习的粪水性状识别方法及系统、手持智能设备 |
WO2022254702A1 (ja) * | 2021-06-04 | 2022-12-08 | オリンパス株式会社 | 検査ガイド装置および検査ガイド方法 |
CN115700789A (zh) * | 2021-07-26 | 2023-02-07 | 惠州市中心人民医院 | 一种基于多模态医学数据的肺炎预检分诊系统 |
CN114822738A (zh) * | 2022-04-11 | 2022-07-29 | 复旦大学附属中山医院 | 一种基于手机终端的患者肠道准备情况评估系统及方法 |
CN114936266A (zh) * | 2022-05-11 | 2022-08-23 | 西安交通大学医学院第二附属医院 | 基于门控机制的多模态融合谣言早期检测方法及系统 |
CN114937178A (zh) * | 2022-06-30 | 2022-08-23 | 抖音视界(北京)有限公司 | 基于多模态的图像分类方法、装置、可读介质和电子设备 |
CN115690874A (zh) * | 2022-10-19 | 2023-02-03 | 华南理工大学 | 基于人体关键点检测和Transformer模型的老人吃药检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
satish kumar et al..advances towards automatic detection and classification of parasites microscopic images using deep convolutional neural network:methods,models and research directions.《archives of computational methods in engineering》.2022,第2013-2039页. * |
基于机器视觉技术的猪行为活动无接触识别系统;吴世海;鲍义东;陈果;陈秋实;;计算机系统应用;20200415(第04期);第117-121页 * |
综合判断法对结肠镜诊疗患者肠道准备质量的影响;高桃;刘晶;刘荣耀;杨晓彤;;齐鲁护理杂志;20160120(第02期);第93-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117351317A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11087462B2 (en) | System and method for determining a colonoscopy image | |
CN110197714B (zh) | 图像解析方法、装置、学习后的深度学习算法的生成方法 | |
CN108553081A (zh) | 一种基于舌苔图像的诊断系统 | |
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 | |
CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
CN110428410A (zh) | 眼底医学图像处理方法、装置、设备及存储介质 | |
CN109785311B (zh) | 一种疾病诊断装置、电子设备及存储介质 | |
CN110197474B (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN113989284B (zh) | 一种幽门螺杆菌辅助检测系统及检测装置 | |
CN109447985A (zh) | 结肠镜图像分析方法、装置及可读存储介质 | |
WO2019098415A1 (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치 | |
CN113012162A (zh) | 一种内窥镜检查区域的清洁度检测方法、装置及相关设备 | |
CN113470037A (zh) | 数据处理方法、装置及系统 | |
CN108962356A (zh) | 基于深度学习的肠镜操作实时辅助系统及其操作方法 | |
US20210208081A1 (en) | Analysis of urine test strips with mobile camera analysys and providing recommendation by customising data | |
CN114612389A (zh) | 基于多源多尺度特征融合的眼底图像质量评价方法和装置 | |
CN111738992A (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN117351317B (zh) | 一种末次大便性状图片自动识别方法及系统 | |
CN114119511A (zh) | 基于EfficientNet结构的结肠镜图像评价方法及系统 | |
WO2023236773A1 (zh) | 用于视网膜血管不确定边界精准分割的三支U-Net方法 | |
CN108937871A (zh) | 一种消化道微光学相干断层成像图像分析系统及方法 | |
CN110110750B (zh) | 一种原始图片的分类方法及装置 | |
CN113143201A (zh) | 基于舌苔舌质图像的诊断系统 | |
CN116797554A (zh) | 图像处理方法以及装置 |
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 |