掌桥专利:专业的专利平台
掌桥专利
首页

一种基于人工智能的黄疸实时识别系统

文献发布时间:2023-06-19 18:37:28


一种基于人工智能的黄疸实时识别系统

技术领域

本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的黄疸实时识别系统。

背景技术

黄疸的主要表征为:由于体内胆红素沉积在皮肤表面而表现出的皮肤、巩膜等组织的黄染,症状加深时,尿、痰、泪液以及汗液也被黄染,粪便的颜色可变浅,甚至呈陶白色样。目前在医院的诊疗过程中,黄疸体征的识别一般是以人工识别为主,图像识别为辅,图像识别需要时间等待,无法做到实时识别,主要靠医生的经验判断。然而,因为不同医院、不同医生的经验不一,导致识别能力参差不齐,存在着较大的误差。如果采用现有黄疸图像识别技术,需要使用标准物品进行合照,保存到程序上面,再提交上传,然后返回识别结果,在这种情况下,由于重复识别需要重复拍摄,即需要用户多次重复拍摄需要识别到图像,因此针对连续拍照的场景产生了增加重复建设和重复调用图像获取模块资源的缺点。

因此,现有技术存在缺陷,需要改进。

发明内容

本发明的目的是克服现有技术的不足,提供一种基于人工智能的实时识别黄疸的系统。

本发明的技术方案如下:提供一种基于人工智能的实时识别黄疸的系统,包括:

相互连接的算法模型平台、显示界面以及图像获取模块;

所述图像获取模块用以获取患者部位的图像信息,并将获取的画面数据传送到算法模型平台;

所述算法模型平台用以将接收到的图像进行预处理,并基于ResNet-50算法模型计算出黄疸体征的识别数据,将数据保存;

所述显示界面用以将ResNet-50算法所计算出的识别结果进行实时显示反馈。

进一步地,所述算法模型平台对图像获取模块所获取的画面进行的预处理,先用Python第三方库scikit-image的random_noise添加噪声,将生成的噪声与原图像进行加和得到噪声图像,然后对图像中的每个像素的像素值进行重新计算,假设窗口大小ksize=3,则将像素点在3x3的领域窗口内进行计算,计算3x3窗口内的平均值或中值进行填充,从而一步步实现图像的去噪。

进一步地,所述ResNet-50算法模型计算黄疸体征的识别数据以及模型训练的步骤为:将黄疸体征样本的图片与非黄疸体征样本图片作为二分类,输入到模型中进行训练,通过数据处理模块将图片转换成三维向量值,模型通过对转换后的数据和结果进行拟合,从而达到区分效果。

进一步地,所述ResNet-50算法模型可以分成七个部分,第一部分不包含残差块,主要对输入进行卷积、正则化、激活函数、最大池化的计算;第二、三、四、五部分结构都包含了残差块;在ResNet-50网络结构中,残差块有三层卷积,因此ResNet-50网络共有1+3×(3+4+6+3)=49个卷积层;网络的输入为224×224×3,经过前五个部分的卷积计算,输出为7×7×2048,池化层会将其转化成一个特征向量,最后分类器会对这个特征向量进行计算并输出类别概率。

采用上述方案,本发明通过将图片转换成三维向量值,并通过ResNet-50算法对拍摄后上传的图片所转换的三维向量值进行分析比对,从而在不需要重复输入对比图片的情况下,自动分析比对,以此判断拍摄的图片中的患部是否为黄疸体征,从而提高患部的识别效率,并减少识别过程中的人为参与度,提高判断的准确性,满足诊疗分析的需求。

附图说明

图1为本发明的流程示意图。

图2为ResNet-50算法的算法流程图。

图3为函数f与函数g的对应关系示意图。

具体实施方式

以下结合附图和具体实施例,对本发明进行详细说明。

请参阅图1,本发明提供一种基于人工智能的实时识别黄疸的系统,包括:

相互连接的算法模型平台、显示界面以及图像获取模块;

所述图像获取模块用以获取患者部位的图像信息,并将获取的画面数据传送到算法模型平台;

所述算法模型平台用以将接收到的图像进行预处理,并基于ResNet-50算法模型计算出黄疸体征的识别数据,将数据保存;

所述显示界面用以将ResNet-50算法所计算出的识别结果进行实时显示反馈。

具体流程步骤为:

步骤1:打开程序,唤醒图像获取模块,系统接收到图像获取模块唤醒信号后,启动算法模型平台。采用相机作为图像获取模块,可以实时获取清晰的患者患部的图像,以便于将图像上传至算法模型平台进行处理与分析。

步骤2:用户将图像获取模块定位到需要识别的患者部位,程序开始捕捉画面,并将数据传送回算法模型平台。

步骤3:根据步骤2中图像获取模块所捕捉的画面实时传送给算法模型平台,算法模型平台接收到图像数据,对图像进行预处理。

图像预处理,即对图像进行去噪,是指减少图像中噪声的过程。现实中的图像会受到各种因素的影响而含有一定的噪声,噪声主要有以下几类:椒盐噪声(脉冲噪声)、加性噪声、乘性噪声、以及高斯噪声。图像去噪的方法有很多种,其中均值滤波、中值滤波等方法比较基础且成熟,还有一些基于数学中偏微分方程的去噪方法,此外,还有基于频域的小波去噪方法。

在进行降噪时,先用Python第三方库scikit-image的random_noise添加噪声,将生成的噪声与原图像进行加和得到噪声图像,然后对图像中的每个像素的像素值进行重新计算,假设窗口大小ksize=3,则将像素点在3x3的领域窗口内进行计算,计算3x3窗口内的平均值或中值进行填充,从而一步步实现图像的去噪。

步骤4:完成预处理后,基于ResNet-50算法计算出黄疸体征的识别数据,将数据保存。

所述ResNet-50算法模型计算黄疸体征的识别数据以及模型训练的步骤为:将黄疸体征样本的图片与非黄疸体征样本图片作为二分类,输入到模型中进行训练,通过数据处理模块将图片转换成三维向量值,size为(224,224),模型通过对转换后的数据和结果进行拟合(卷积和最大池化层),从而达到区分效果。拟合输出层为softmax以及sigmoid。

请参阅图2,ResNet-50算法模型中包含了49个卷积层以及1个全连接层。ResNet-50算法模型可以分成七个部分,第一部分不包含残差块,主要对输入进行卷积、正则化、激活函数、最大池化的计算。第二、三、四、五部分结构都包含了残差块。在ResNet-50网络结构中,残差块有三层卷积,因此ResNet-50网络共有1+3×(3+4+6+3)=49个卷积层。网络的输入为224×224×3,经过前五个部分的卷积计算,输出为7×7×2048,池化层会将其转化成一个特征向量,最后分类器会对这个特征向量进行计算并输出类别概率。通过ResNet-50算法对图像数据进行识别,从而输出判定结果,以此便于进行诊疗。

卷积:通过两个生成第三个函数的一种数学算子,表征函数f与经过翻转和平移的函数g的乘积函数所围成的曲边梯形的面积,既是内积。函数f代表系统输入,函数g代表卷积核。函数f和函数g都是抽象函数,在不同的系统中具有不同的形式。

当一个信号经过一个系统之后产生的输出,实际上就是输入f(x)和系统的g(x)的卷积。图像的卷积的具体过程是:将卷积核翻转并在图像上滑动,滑动的步长为1,图像上的灰度值与卷积核上对应的值相乘,最后所有乘积的和作为卷积核中心像素所对应位置的灰度值。军妓完成后,输出图像和原图像的尺寸不相等,输出图像相对于原图像少了一圈像素。为了解决这个问题,需要对边界填充,一般采用补零或边界复制等方法。

求图像和卷积核的卷积,有如下计算公式:

将其展开得到:

请参阅图3,可得出,函数f实际为函数g翻转180°。

最大池化层:即取值最大的点。

每张不同的图片都能映射到不同的多维向量值上,而不同的多维向量可以实现区分图片中不同图元的效果。ResNet-50算法通过卷积等算法函数,对多维向量值进行分析比对,从而将图片进行分析,识别图片中的患部是否属于黄疸体征。黄疸体征指由于体内胆红素沉积在皮肤表面而表现出的皮肤、巩膜等组织的黄染,症状加深时,尿、痰、泪液以及汗液也被黄染,粪便的颜色可变浅,甚至呈陶白色样。通过图像获取模块对患部进行图像获取,并将通过ResNet-50算法对图像进行分析,从而对患部是否属于黄疸体征进行识别。

在本发明的实施例中,提取的特征是图片中患者的额头、前胸、手臂以及腿部的三维向量,根据这四个部位的三维向量判断患者是否患有黄疸。

步骤5:在算法模型给出识别结果后,程序将实时把识别数据结果反馈到显示界面。

步骤6:医护人员通过查看显示界面的反馈结果,即可得知识别的部位是否为黄疸体征,为后续判断提供参考。

在工作时,启动系统,打开图像获取模块,并将图像获取模块对准需要识别黄疸体征的部位,对患部进行拍照,上传至系统中。一般是对患者的额头、前胸、手臂以及腿部这四个部位中的一处或多处进行拍摄,上述四个部分是黄疸症状的常见表相处,通过获取图像并进行分析,可以对患者的状况进行判别。获取系统对图像获取模块所获取的图像进行处理,并通过ResNet-50算法进行检测。完成检测后,系统会根据检测结果判别患部是否为黄疸体征,并实时反馈到显示界面上,便于医护人员进行相应的诊疗。

本发明通过将图片转换成三维向量值,并通过ResNet-50算法对拍摄后上传的图片所转换的三维向量值进行分析比对,从而在不需要重复输入对比图片的情况下,自动分析比对,以此判断拍摄的图片中的患部是否为黄疸体征,从而提高患部的识别效率,并减少识别过程中的人为参与度,提高判断的准确性,满足诊疗分析的需求。

以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

技术分类

06120115631932