-
BEREICH DER ERFINDUNG
-
Die vorliegende Erfindung bezieht sich auf das Gebiet der biomedizinischen Technik.
-
Insbesondere bezieht sich die vorliegende Erfindung auf künstliche Intelligenz und IoT-basierte intelligente Gesundheitssysteme.
-
Insbesondere bezieht sich die vorliegende Erfindung auf ein auf künstlicher Intelligenz und IoT basierendes intelligentes Gesundheitssystem, das Bildverarbeitung und Deep Learning nutzt, um chronische Magen-Darm-Erkrankungen zu verhindern und vorherzusagen.
-
HINTERGRUND DER ERFINDUNG
-
Bei dem im Abschnitt „Hintergrund“ behandelten Gegenstand sollte nicht davon ausgegangen werden, dass er allein aufgrund seiner Erwähnung im Abschnitt „Hintergrund“ zum Stand der Technik gehört. Ebenso sollte nicht davon ausgegangen werden, dass ein im Hintergrundabschnitt erwähntes oder mit dem Gegenstand des Hintergrundabschnitts verbundenes Problem bereits im Stand der Technik erkannt worden ist. Der Gegenstand des Hintergrundabschnitts stellt lediglich verschiedene Ansätze dar, die für sich genommen ebenfalls Erfindungen sein können.
-
Erkrankungen des Magen-Darm-Trakts sind ein globales Gesundheitsproblem von großer Bedeutung, und eine frühzeitige Diagnose und Behandlung kann die Prognose für Patienten mit diesen Erkrankungen erheblich verbessern. Herkömmliche Methoden zur Erkennung und Überwachung sind jedoch häufig invasiv und erfordern die Beteiligung eines Experten. Mit Hilfe des Internets der Dinge (IoT) und der Technologie des maschinellen Lernens soll dieses System eine Methode zur Verfügung stellen, die sowohl genau ist als auch keine invasiven Verfahren zur Diagnose von Magen-Darm-Erkrankungen und zur Bestimmung des Risikos für chronische Magen-Darm-Erkrankungen erfordert.
-
CN115444359 ENDOSKOPVORRICHTUNG ZUR GASTROINTESTINALEN TUMORERKENNUNG Die Erfindung stellt eine Endoskopvorrichtung zur gastrointestinalen Tumorerkennung bereit, wobei die Endoskopvorrichtung zur gastrointestinalen Tumorerkennung einen Bildprozessor umfasst, eine Seite des Bildprozessors fest mit einem Katheter verbunden ist, ein Ende des Katheters fest mit einer Einführsäule verbunden ist, die untere Fläche der Einführsäule fest mit einer Objektivlinse verbunden ist, und die Objektivlinse fest mit dem Bildprozessor verbunden ist. Gemäß der Endoskopvorrichtung zur gastrointestinalen Tumordetektion kann sich eine Hülsenplatte auf einer Seitenwelle drehen, eine bewegliche Stange kann sich in der Hülsenplatte auf und ab bewegen, eine erste Feder ist zwischen einer unteren Stange und der Hülsenplatte verbunden, unter dem Zusammenwirken der Seitenwelle und der Hülsenplatte und dem Zusammenwirken der beweglichen Stange und der unteren Stange dreht sich die untere Platte und wird gezogen, und die erste Feder wird gedehnt; der Katheter wird gefaltet und dann zwischen der ersten Befestigungshülse und der Klemmplatte platziert, wenn die erste Feder sich zurückstellt, kann sich die Bodenplatte in die Richtung nahe der ersten Befestigungshülse bewegen, und die Klemmplatte klemmt den Katheter ein, so dass der Katheter bequem gebunden wird, der Platzierungsbereich des Katheters reduziert wird und das gesamte Endoskop bequem platziert wird.
-
CN107920722 REKONSTRUKTION MIT OBJEKTERKENNUNG FÜR MIT EINER KAPSELKAMERA AUFGENOMMENE BILDER Ein Verfahren zur Verarbeitung von mit einer Kapselkamera aufgenommenen Bildern wird offenbart. Gemäß einer Ausführungsform werden zwei Bilder empfangen, die als Referenzbild und Schwebebild bezeichnet werden, wobei das Schwebebild einem aufgenommenen Kapselbild entspricht und das Referenzbild einem zuvor zusammengesetzten Bild oder einem anderen aufgenommenen Kapselbild vor dem Schwebebild entspricht. Auf das Float-Bild und das Referenzbild wird eine automatische Segmentierung angewandt, um alle Nicht-GI-Bereiche (Nicht-Gastrointestinalbereich) zu erkennen.
-
Die Nicht-GI-Regionen werden beim Abgleich zwischen dem Referenzbild und einem deformierten Float-Bild während des Registrierungsprozesses ausgeschlossen. Die beiden Bilder werden zusammengefügt, indem die beiden Bilder an einer gemeinsamen Koordinate gerendert werden. In einer anderen Ausführungsform werden große Bereiche der Nicht-GI-Regionen direkt aus dem Eingangsbild entfernt, und die verbleibenden Teile werden zu einem neuen Bild zusammengefügt, ohne dass eine Bildregistrierung durchgeführt wird.
-
WO/2017/030747 REKONSTRUKTION MIT OBJEKTERKENNUNG FÜR MIT EINER KAPSELKAMERA AUFGENOMMENE BILDER Ein Verfahren zur Verarbeitung von mit einer Kapselkamera aufgenommenen Bildern wird offenbart. Gemäß einer Ausführungsform werden zwei Bilder empfangen, die als Referenzbild und Schwebebild bezeichnet werden, wobei das Schwebebild einem aufgenommenen Kapselbild entspricht und das Referenzbild einem zuvor zusammengesetzten Bild oder einem anderen aufgenommenen Kapselbild vor dem Schwebebild entspricht. Auf das Float-Bild und das Referenzbild wird eine automatische Segmentierung angewandt, um alle Nicht-GI-Bereiche (Nicht-Gastrointestinalbereich) zu erkennen. Die Nicht-GI-Regionen werden beim Abgleich zwischen dem Referenzbild und einem deformierten Float-Bild während des Registrierungsprozesses ausgeschlossen. Die beiden Bilder werden zusammengefügt, indem die beiden Bilder an einer gemeinsamen Koordinate gerendert werden. In einer anderen Ausführungsform werden große Bereiche der Nicht-GI-Regionen direkt aus dem Eingangsbild entfernt, und die verbleibenden Teile werden zu einem neuen Bild zusammengefügt, ohne dass eine Bildregistrierung durchgeführt wird.
-
US20170046825 REKONSTRUKTION MIT OBJEKTERKENNUNG FÜR MIT EINER KAPSELKAMERA AUFGENOMMENE BILDER Ein Verfahren zur Verarbeitung von mit einer Kapselkamera aufgenommenen Bildern wird offenbart. Gemäß einer Ausführungsform werden zwei Bilder empfangen, die als Referenzbild und Schwebebild bezeichnet werden, wobei das Schwebebild einem aufgenommenen Kapselbild entspricht und das Referenzbild einem zuvor zusammengesetzten Bild oder einem anderen aufgenommenen Kapselbild vor dem Schwebebild entspricht. Auf das Float-Bild und das Referenzbild wird eine automatische Segmentierung angewandt, um alle Nicht-GI-Bereiche (Nicht-Gastrointestinalbereich) zu erkennen.
-
Die Nicht-GI-Regionen werden beim Abgleich zwischen dem Referenzbild und einem deformierten Float-Bild während des Registrierungsprozesses ausgeschlossen. Die beiden Bilder werden zusammengefügt, indem die beiden Bilder an einer gemeinsamen Koordinate gerendert werden. In einer anderen Ausführungsform werden große Bereiche der Nicht-GI-Regionen direkt aus dem Eingangsbild entfernt, und die verbleibenden Teile werden zu einem neuen Bild zusammengefügt, ohne dass eine Bildregistrierung durchgeführt wird.
-
US20210267441 VERFAHREN UND VORRICHTUNG ZUR ERKENNUNG VON VERMISSTEN BEREICHEN WÄHREND DER ENDOSKOPIE Ein Verfahren zur Verarbeitung von Bildern, die unter Verwendung eines Endoskops mit einer Kamera aufgenommen wurden, wird offenbart. Nach diesem Verfahren werden regelmäßige Bilder, die von der Kamera aufgenommen werden, empfangen, während sich das Endoskop durch einen menschlichen Magen-Darm-Trakt (GI) bewegt. Die regulären Bilder werden zu einem Mosaik zusammengesetzt, um jeden verpassten oder unzureichend abgebildeten Bereich in einem Abschnitt des menschlichen GI-Trakts zu bestimmen, den das Endoskop bereits durchlaufen hat. Wird ein übersehener oder unzureichend abgebildeter Bereich erkannt, werden Informationen über den übersehenen oder unzureichend abgebildeten Bereich bereitgestellt. Wenn ein Zielbereich in den regulären Bildern keine Parallaxe aufweist, wird der Zielbereich als ein verpasster Bereich bestimmt und ein Rand, der einer Struktur des menschlichen Lumens entspricht, hervorgehoben. Bei einem Kapselendoskop kann das Endoskop so konfiguriert werden, dass es so gesteuert wird, dass es sich bewegt, um den verpassten oder unzureichend abgebildeten Bereich erneut abzubilden.
-
US20210274089 VERFAHREN UND VORRICHTUNG ZUR ERKENNUNG VON VERMISSTEN BEREICHEN WÄHREND DER ENDOSKOPIE Ein Verfahren zur Verarbeitung von Bildern, die unter Verwendung eines Endoskops mit einer Kamera aufgenommen wurden, wird offenbart. Gemäß diesem Verfahren werden regelmäßige Bilder, die von der Kamera aufgenommen werden, empfangen, während das Endoskop von einem Bediener manövriert wird, um sich durch einen menschlichen Gastrointestinaltrakt (GI) zu bewegen. Die regulären Bilder werden mosaikartig zusammengesetzt, um jeden ausgelassenen oder unzureichend abgebildeten Bereich in einem Abschnitt des menschlichen GI-Trakts zu bestimmen, den das Endoskop bereits durchlaufen hat. Wird ein übersehener oder unzureichend abgebildeter Bereich festgestellt, erhält der Bediener Informationen über den übersehenen oder unzureichend abgebildeten Bereich.
-
CN113331769 VERFAHREN UND VORRICHTUNG ZUR ERKENNUNG VON VERMISSTEN BEREICHEN WÄHREND DER ENDOSKOPIE Die Erfindung bezieht sich auf ein Verfahren und eine Vorrichtung zur Erkennung von verpassten Bereichen während der Endoskopie. Das Verfahren zur Verarbeitung von Bildern, die mit einem Endoskop mit Kamera aufgenommen wurden, wird offenbart. Nach diesem Verfahren werden regelmäßige Bilder, die von der Kamera aufgenommen werden, empfangen, während sich das Endoskop durch einen menschlichen Magen-Darm-Trakt (GI) bewegt. Die regulären Bilder werden zu einem Mosaik zusammengesetzt, um jeden verpassten oder unzureichend abgebildeten Bereich in einem Abschnitt des menschlichen GI-Trakts zu bestimmen, den das Endoskop bereits durchlaufen hat. Wird ein übersehener oder unzureichend abgebildeter Bereich festgestellt, werden Informationen über den übersehenen oder unzureichend abgebildeten Bereich bereitgestellt.
-
IN202341007098 KÜNSTLICHE INTELLIGENZ UND IOT-BASIERTES AUTOMATISCHES INTELLIGENTES GESUNDHEITSSYSTEM ZUR VORBEUGUNG UND VORHERSAGE VON CHRONISCHEN MAGEN-DARM-ERKRANKUNGEN UND CHRONISCHEM KREBS MIT HILFE VON BILDVERARBEITUNGS- UND DEEP-LEARNING-ALGORITHMEN Künstliche Intelligenz und IoT-basiertes automatisches intelligentes Gesundheitssystem zur Vorbeugung und Vorhersage von chronischen Magen-Darm-Erkrankungen und chronischem Krebs mit Hilfe von Bildverarbeitungs- und Deep-Learning-Algorithmen Das Internet der Dinge und die Cloud erleichtern unser Leben, indem sie eine ständige Verbindung zwischen uns und unseren Geräten herstellen. Mit der Einführung von immer komplizierteren KI- und maschinellen Lerntechniken kann die prädiktive Analytik im medizinischen Bereich die Gesundheitsbranche dabei unterstützen, von einem reaktiven zu einem proaktiven Modus überzugehen. Dies ist jetzt dank „Big Data“ möglich. Deep Learning ist eine Form des maschinellen Lernens, die das Potenzial hat, die Geschwindigkeit und Genauigkeit, mit der wir große Datenmengen analysieren, neues Wissen gewinnen und komplexe Probleme lösen können, erheblich zu verbessern. Es ist von entscheidender Bedeutung, Krankheiten genau und rechtzeitig vorhersagen zu können, damit Risikopersonen ohne Verzögerung eine präventive Therapie und Hilfe erhalten können. Mit der zunehmenden Verwendung elektronischer Gesundheitsakten ist es von entscheidender Bedeutung, Deep-Learning-Techniken wie rekurrente neuronale Netze anzuwenden, die sequenzielle Zeitreihendaten verwalten können. Der Grund dafür ist, dass elektronische Gesundheitsakten immer präzisere Vorhersagemodelle erfordern. Das vorgeschlagene System nutzt IoT-Gerätedaten, um prädiktive Analysen zu den in der Cloud gespeicherten elektronischen klinischen Daten eines Patienten durchzuführen, die sich auf die Krankengeschichte des Patienten beziehen. Bi-LSTM ist die Intelligenz, die einem Gesundheitssystem zugrunde liegt, das das Risiko einer Herzerkrankung überwacht und vorhersagt.
-
CN109118485 SYSTEM ZUR KLASSIFIZIERUNG VON GASTROINTESTINALEN ENDOSKOPISCHEN BILDERN UND ZUR ERKENNUNG VON FRÜHKREBS AUF DER BASIS EINES MULTI-TASK NEURALEN NETZES Die Erfindung gehört zum technischen Gebiet der intelligenten Verarbeitung medizinischer Bilder, insbesondere zu einem System zur Klassifizierung von gastrointestinalen endoskopischen Bildern und zur Erkennung von Krebs im Frühstadium auf der Basis eines neuronalen Multi-Task-Netzwerks. Das System der Erfindung umfasst: (1) ein Merkmalsextraktions-Backbone-Netzwerk; (2) Klassifizierung von gastrointestinalen endoskopischen Bildern; (3) regionalen Erkennungszweig von frühem gastrointestinalem Krebs. Die Erfindung nimmt eine Multi-Task-Tiefe neuronale Netzstruktur, und klassifiziert und erkennt zwei Aufgaben zu teilen eine Vielzahl von Faltungsschichten. Endoskopische Bilder werden in das neuronale Netzwerkmodell eingegeben, und die Erkennungs- und Klassifizierungsergebnisse können gleichzeitig nach einer Vorwärtspropagation erhalten werden, wodurch die Rechenlast effektiv reduziert und die Klassifizierungs- und Erkennungsgenauigkeit verbessert werden kann. Die experimentellen Ergebnisse zeigen, dass die Erfindung die endoskopischen Bilder genau in normale und frühe Krebsarten klassifizieren und die unregelmäßigen Läsionsbereiche in den frühen Krebsbildern erkennen kann, den Einfluss menschlicher Faktoren reduziert und die Effizienz der klinischen Diagnose verbessert.
-
KR1020210109830 METHOD FOR PROVIDING DIGESTIVE ENDOSCOPIC IMAGE INFORMATION ANALYSIS SERVICE BASED ON INTEGRATED VISUAL LEARNING AND DETECTION MODEL Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Bereitstellung eines digestiven endoskopischen Bildinformations-Analysedienstes auf der Grundlage eines integrierten visuellen Lern- und Erkennungsmodells, das die Zuverlässigkeit und Genauigkeit der Endoskopie erhöht, und eine Vorrichtung dafür. Gemäß einer Ausführungsform der vorliegenden Erfindung umfasst die Vorrichtung: eine Lerndaten-Erstellungseinheit, die ein Lernmodell, das endoskopischen Bildinformationen entspricht, auf der Grundlage von Vor-Lerndaten aufbaut; eine Analyse-Verarbeitungseinheit, die Echtzeit-Bildinformationen, die von einer Endoskopvorrichtung empfangen werden, unter Verwendung eines oder mehrerer Lernmodelle, die gemäß den Lerndaten erzeugt werden, analysiert; und eine Berichterstattungseinheit, die ein Analyseergebnis der Analyse-Verarbeitungseinheit verarbeitet, um Berichterstattungsinformationen, die den Echtzeit-Bildinformationen entsprechen, für ein Benutzerterminal oder ein Administratorterminal bereitzustellen. Die Analyseverarbeitungseinheit führt eine auf visuellem Lernen basierende Multi-Label-Klassifizierungsanalyse und eine auf Segmentierungsdekodierung basierende Erkennungsverarbeitung von gastrointestinalen Endoskopie-Bilddaten auf der Grundlage eines aufgebauten integrierten visuellen Lernmodells durch.
-
Wie in der vorliegenden Beschreibung und in den folgenden Ansprüchen verwendet, schließt die Bedeutung von „ein“, „eine“ und „die“ den Plural ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt. Wie in der vorliegenden Beschreibung verwendet, schließt die Bedeutung von „in“ auch „in“ und „am“ ein, sofern der Kontext nicht eindeutig etwas anderes vorschreibt.
-
Die Aufzählung von Wertebereichen dient lediglich als Kurzbezeichnung für jeden einzelnen Wert, der in den Bereich fällt. Sofern hier nicht anders angegeben, wird jeder einzelne Wert in die Spezifikation aufgenommen, als ob er hier einzeln aufgeführt wäre.
-
Die Verwendung von Beispielen oder beispielhaften Formulierungen (z. B. „wie“) in Bezug auf bestimmte Ausführungsformen dient lediglich der besseren Veranschaulichung der Erfindung und stellt keine Einschränkung des Umfangs der ansonsten beanspruchten Erfindung dar. Keine Formulierung in der Beschreibung ist als Hinweis auf ein nicht beanspruchtes Element zu verstehen, das für die Ausübung der Erfindung wesentlich ist.
-
Die in diesem Abschnitt „Hintergrund“ offengelegten Informationen dienen lediglich dem besseren Verständnis des Hintergrunds der Erfindung und können daher Informationen enthalten, die nicht zum Stand der Technik gehören und die einem Fachmann in diesem Land bereits bekannt sind.
-
ZUSAMMENFASSUNG
-
Bevor die vorliegenden Systeme und Methoden beschrieben werden, sei darauf hingewiesen, dass diese Anwendung nicht auf die beschriebenen Systeme und Methoden beschränkt ist, da es mehrere mögliche Ausführungsformen geben kann, die in der vorliegenden Offenlegung nicht ausdrücklich dargestellt sind. Es ist auch zu verstehen, dass die in der Beschreibung verwendete Terminologie nur zur Beschreibung der besonderen Versionen oder Ausführungsformen dient und nicht dazu gedacht ist, den Umfang der vorliegenden Anwendung zu begrenzen.
-
Die vorliegende Erfindung behebt und löst hauptsächlich die technischen Probleme des Standes der Technik. Als Antwort auf diese Probleme offenbart die vorliegende Erfindung ein auf künstlicher Intelligenz und IoT basierendes intelligentes Gesundheitssystem, das Bildverarbeitung und Deep Learning nutzt, um chronische Magen-Darm-Erkrankungen zu verhindern und vorherzusagen.
-
Ein Aspekt der vorliegenden Erfindung besteht darin, ein System zur Vorbeugung und Vorhersage der Wahrscheinlichkeit, chronische Magen-Darm-Erkrankungen zu bekommen, unter Verwendung von IoT und maschinellem Lernen" vorzustellen, dadurch gekennzeichnet, dass: Eine Bilddatenverarbeitungs- und - analyseeinheit zum Verarbeiten von Magen-Darm-Bildern, die von einem Endoskop oder einer anderen Bildgebungsvorrichtung aufgenommen wurden; eine Bilddatenbank, die zum Speichern der vom Endoskop erhaltenen oder von der externen Vorrichtung empfangenen Magen-Darm-Bilder verwendet wird; ein Modul für maschinelles Lernen zum Analysieren der verarbeiteten Magen-Darm-Bilder, um Anzeichen von Magen-Darm-Erkrankungen zu erkennen; eine Kommunikationseinheit, die zum Übermitteln der verarbeiteten Informationen an jede der Komponenten des Systems und an beliebige externe Geräte unter Verwendung von drahtloser Kommunikation verwendet wird; Ein auf dem Internet der Dinge basierendes Computergerät zur Überwachung und Sammlung von Daten in Bezug auf die Magen-Darm-Gesundheit eines Patienten, einschließlich, aber nicht beschränkt auf Ernährung, Medikation und Lebensstil; und eine Steuereinheit zur Integration der verarbeiteten Magen-Darm-Bilder und der gesammelten Daten, um die Wahrscheinlichkeit der Entwicklung einer chronischen Magen-Darm-Erkrankung vorherzusagen und Präventivmaßnahmen bereitzustellen.
-
Figurenliste
-
Um verschiedene Aspekte einiger Ausführungsbeispiele der vorliegenden Erfindung zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen, die in der beigefügten Zeichnung dargestellt sind, gegeben. Es wird davon ausgegangen, dass diese Zeichnung zeigt nur illustrierte Ausführungsformen der Erfindung und sind daher nicht als Einschränkung ihres Umfangs zu betrachten. Die Erfindung wird mit zusätzlicher Spezifität und Detail durch die Verwendung der beigefügten Zeichnung beschrieben und erläutert.
-
Damit die Vorteile der vorliegenden Erfindung leicht verstanden werden, wird im Folgenden eine detaillierte Beschreibung der Erfindung in Verbindung mit der beigefügten Zeichnung erörtert, die jedoch nicht als Beschränkung des Umfangs der Erfindung auf die beigefügte Zeichnung angesehen werden sollte, in der:
- zeigt ein Blockdiagramm eines auf maschinellem Lernen und künstlicher Intelligenz basierenden IoT-basierten intelligenten Gesundheitssystems (10), das Bildverarbeitung und Deep Learning nutzt, um chronische Magen-Darm-Erkrankungen zu verhindern und vorherzusagen.
-
DETAILLIERTE BESCHREIBUNG
-
Die vorliegende Erfindung bezieht sich auf ein auf künstlicher Intelligenz und IoT basierendes intelligentes Gesundheitssystem, das Bildverarbeitung und Deep Learning nutzt, um chronische Magen-Darm-Erkrankungen zu verhindern und vorherzusagen.
-
zeigt ein detailliertes Blockdiagramm eines auf maschinellem Lernen und künstlicher Intelligenz basierenden IoT-basierten intelligenten Gesundheitssystems (10), das Bildverarbeitung und Deep Learning nutzt, um chronische Magen-Darm-Erkrankungen zu verhindern und vorherzusagen.
-
Obwohl die vorliegende Offenlegung mit dem Zweck der künstlichen Intelligenz und loT-basierte intelligente Gesundheitssystem mit Bildverarbeitung und tiefes Lernen zu verhindern und vorherzusagen, die Chancen auf chronische Magen-Darm-Erkrankungen beschrieben wurde, sollte es geschätzt werden, dass das gleiche wurde nur getan, um die Erfindung in einer beispielhaften Weise zu veranschaulichen und jeden anderen Zweck oder Funktion, für die erklärte Strukturen oder Konfigurationen verwendet werden könnte und ist innerhalb des Anwendungsbereichs der vorliegenden Offenlegung abgedeckt.
-
Das auf maschinellem Lernen, künstlicher Intelligenz und IoT basierende intelligente Gesundheitssystem (10), das Bildverarbeitung und tiefes Lernen verwendet, um chronische Magen-Darm-Erkrankungen zu verhindern und vorherzusagen, wird offengelegt.
-
Das auf maschinellem Lernen, künstlicher Intelligenz und IoT basierende intelligente Gesundheitssystem (10), das Bildverarbeitung und tiefes Lernen verwendet, um die Wahrscheinlichkeit chronischer Magen-Darm-Erkrankungen zu verhindern und vorherzusagen, umfasst eine Bilddatenverarbeitungs- und - analyseeinheit (1), eine Bilddatenbank (2), ein maschinelles Lernmodul (3), eine Kommunikationseinheit (4), eine auf dem Internet der Dinge basierende Rechenvorrichtung (5) und eine Steuereinheit (6).
-
Die Bilddatenverarbeitungs- und -analyseeinheit (1) wird zur Verarbeitung von Magen-Darm-Bildern verwendet, die mit einem Endoskop oder einem anderen bildgebenden Gerät aufgenommen wurden.
-
Die Bilddatenbank (2) dient zur Speicherung der Bilder des Magen-Darm-Trakts, die mit dem Endoskop aufgenommen oder von einem externen Gerät empfangen wurden.
-
Das Modul für maschinelles Lernen (3) wird zur Analyse der verarbeiteten Magen-Darm-Bilder verwendet, um Anzeichen von Magen-Darm-Erkrankungen zu erkennen.
-
Die Kommunikationseinheit (4) dient zur Übermittlung der verarbeiteten Informationen an die einzelnen Komponenten des Systems und an externe Geräte mittels drahtloser Kommunikation
-
Das auf dem Internet der Dinge basierende Computergerät (5) wird zur Überwachung und Erfassung von Daten im Zusammenhang mit der Magen-Darm-Gesundheit eines Patienten verwendet, einschließlich, aber nicht beschränkt auf Ernährung, Medikamente und Lebensstil.
-
Die Steuereinheit (6) ist mit der Bilddatenverarbeitungs- und -analyseeinheit (1), der Bilddatenbank (2), dem maschinellen Lernmodul (3), der Kommunikationseinheit (4) und der auf dem Internet der Dinge basierenden Recheneinheit (5) verbunden.
-
Die Steuereinheit (6) dient zur Integration der verarbeiteten Magen-Darm-Bilder und der gesammelten Daten, um die Wahrscheinlichkeit der Entwicklung einer chronischen Magen-Darm-Erkrankung vorherzusagen und Präventivmaßnahmen anzubieten.
-
Das Modul für maschinelles Lernen (3) umfasst ein neuronales Faltungsnetzwerk (CNN) oder ein rekurrentes neuronales Netzwerk (RNN) zur Analyse der verarbeiteten Magen-Darm-Bilder.
-
Die auf dem Internet der Dinge basierende Datenverarbeitungsvorrichtung (5) umfasst ein tragbares Gerät, ein mobiles Gerät oder ein Hausüberwachungssystem.
-
Die Steuereinheit (6) umfasst ein Entscheidungssystem zur Bereitstellung personalisierter Präventivmaßnahmen auf der Grundlage des prognostizierten Risikos des Patienten, eine chronische gastrointestinale Störung zu entwickeln.
-
Die Abbildung und die vorangehende Beschreibung zeigen Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Blockdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden, und es müssen auch nicht unbedingt alle Aktionen ausgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt.
-
Obwohl Ausführungsformen der Erfindung in einer für strukturelle Merkmale und/oder Methoden spezifischen Sprache beschrieben wurden, sind die beigefügten Ansprüche nicht notwendigerweise auf die beschriebenen spezifischen Merkmale oder Methoden beschränkt. Vielmehr werden die spezifischen Merkmale und Methoden als Beispiele für Ausführungsformen der Erfindung offenbart.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- CN 115444359 [0006]
- CN 107920722 [0007]
- WO 2017/030747 [0009]
- US 20170046825 [0010]
- US 20210267441 [0012]
- US 20210274089 [0013]
- CN 113331769 [0014]
- IN 202341007098 [0015]
- CN 109118485 [0016]
- KR 1020210109830 [0017]