一种基于图像识别算法的医疗影像分析和智能大健康管理系统

技术领域

本发明创造涉及图像识别及人工智能领域，具体涉及一种基于图像识别算法的医疗影像分析和智能大健康管理系统。

背景技术

随着科学技术的飞速发展，图像识别和人工智能已成为如今新兴技术的重要分支，图像识别和人工智能作为现阶段研究热点，需配备科学、合理机器学习算法满足社会需求，并提升图像识别效率，结合人工智能技术，借助各类训练优化算法，增强图像识别准确性，降低图像处理难度，增强机器学习能力，此外，为使图像识别和人工智能领域有所突破，还应将传统机器算法予以优化升级，同时结合图像识别技术，全面提升图像识别处理能力。

机器学习是由模式识别、人工智能计算学习理论为基础所转变的一类计算机科学分支，被广泛应用至各相关领域中，机器学习是一项多领域综合学科，涉及算法复杂度理论、逼近论、统计学及概率论等多项理论，此学科将计算机如何模拟及实现人类学习行为作为主要研究内容，探究计算机获取新知识、技能方式，将已存在知识结构予以重新组织，实现自身性能不断优化，机器学习为人工智能核心，也为使计算机拥有智能的基本方式，现已逐渐应用至与人工智能相关的各领域中，主要为综合及归纳而并非演绎，据研究表明，多数状态下，处理数据规模越大，机器学习模型效率越高，所以，机器学习是大数据智能分析的主要方式，机器学习为现阶段大数据重要处理方式，能将多种优势予以结合，针对具体问题选取最为适宜处理方式，机器学习能将人为因素所造成的局限性予以突破，借助深度学习、决策树及神经网络等，将图像予以科学处理，并将图像处理速度予以有效提升，现阶段统计调查、商业活动及信息网络等均会产生大量数据，而传统图像处理手段已难以满足此类图像处理需求，急需机器学习予以处理。

一种基于图像识别算法的医疗影像分析和智能大健康管理系统，通过CCD摄像机获取固定时隙下的人体影像，结合信息技术，采用ME-FAST-R-CNN网络对人体影像进行特征提取并提高图像检测时的精度，采用DMEM算法对人体影像进行处理分析，识别各种不同模式的人体影像，采用模糊神经网络PID控制算法对医疗影像分析系统进行智能控制，有效提升了医疗影像分析系统的性能，为医疗影像分析系统提供了更优的方案，且所有数据均可追溯，有效提高医疗影像分析系统的工作效果，为医疗影像分析系统提供更为全面、准确地技术支撑，为安全、科学、高效地医疗影像分析系统提供更好的决策支持，提高了人们的生活便利性，同时，本发明结合图像检测算法、图像识别算法、神经网络、优化算法及机器学习分类训练算法多种神经网络及机器学习算法，为人们提供高质量且高时效的医疗影像分析系统，也能为其他应用领域的发展巩固基础，在人工智能鼎盛发展的时代，多种机器学习算法的融合为人工智能的发展打下了坚实的基础，且多种机器学习算法的融合能应用于市场中的多个行业及领域，为图像识别和人工智能方向提供了新的发展方向，拓展应用领域，在图像检测、图像识别、图像存储和智能控制方面都有明显效果。

发明内容

针对上述问题，本发明旨在提供一种基于图像识别算法的医疗影像分析和智能大健康管理系统。

本发明创造的目的通过以下技术方案实现：

一种基于图像识别算法的医疗影像分析和智能大健康管理系统，人体影像获取端、人体影像检测端、人体影像识别端、医疗影像分析系统智能控制端，人体影像获取端包括人体影像获取模块，人体影像获取模块采用CCD摄像机获取固定时隙下的人体影像，人体影像检测端包括人体影像检测模块和智能存储模块，人体影像检测模块采用ME-FAST-R-CNN网络对人体影像获取端获取的图像进行特征提取并提高图像检测时的精度，智能存储模块采用云存储方式将图像检测结果进行智能存储，影像识别模块采用DMEM算法对人体影像检测端检测后的图像进行处理分析，识别各种不同模式的人体影像，医疗影像分析系统智能控制端包括智能控制模块，智能控制模块采用模糊神经网络PID控制算法对医疗影像分析系统进行智能控制。

进一步的，人体影像获取模块依据设定的固定时隙，采用CCD摄像机不间断的对人体影像进行拍摄采集，并将采集后的人体影像传送至人体影像检测模块进行图像检测处理。

进一步的，人体影像检测模块采用ME-FAST-R-CNN网络对人体影像获取端获取的图像进行特征提取并提高图像检测时的精度。

进一步的，ME-FAST-R-CNN网络首先对采集的人体影像进行特征提取，通过R-CNN网络将人体影像转换为特征图，并将特征图发送至区域建议网络RNP，然后对图像进行特征融合和候选区域生成，采用多任务增强RPN来增加Faster-R-CNN的搜索能力，并选择合适的锚盒大小和尺寸来提高图像检测的精度，最后对图像进行检测处理，并采用随机森林算法获得分类和回归结果，ME-FAST-R-CNN网络由两个子网络组成，即RPN网络和FAST-R-CNN网络，共享Faster-R-CNN网络的前五个卷积层，其训练过程如下：首先，将采集的人体影像数据集划分为训练集D

最后，采用随机森林算法获得分类和回归结果，随机森林算法首先需要选择提取的属性和数据参数，然后随机选择人体影像，形成一个对应于原始人体影像集的属性系统，由下式表示：S＝{U,A,V,f}，其中，U为属性体系，A为人体影像的条件属性和决策属性集的交集，V表示相应选定属性的范围，f表示决策属性的信息函数，则能将原始数据集中要选择的任何人体影像表示为m

进一步的，智能存储模块采用云存储方式将图像检测后的图像进行存储，云存储方式通过集群应用及分布式文件系统功能将网络中大量各种不同类型的存储设备通过各种应用软件集合起来协同工作，共同对外提供数据存储和管理的云计算系统，将图像检测后的图像放到云端上进行存储。

进一步的，影像识别模块采用DMEM算法对人体影像检测端检测后的图像进行处理分析，识别各种不同模式的人体影像。

进一步的，DMEM算法的图像识别取决于匹配准则的相似度，匹配标准为平均绝对误差MAD(u,v)，MAD(u,v)如下：

其中，/>

进一步的，智能控制模块采用模糊神经网络PID控制算法实现对医疗影像分析系统的智能控制，采用改进的粒子群优化算法离线优化控制器的初始参数，采用梯度下降算法在线训练网络参数，提供良好的动态性能和稳态精度。

进一步的，模糊神经网络PID控制算法如下：u(k)＝u(k-1)+K

模糊神经网络PID控制算法采用改进的PSO算法对模糊神经网络的初始参数进行优化，并采用BP算法对网络参数进行调整，改进的PSO算法对模糊神经网络初始参数优化过程如下：在n维搜索空间中，存在粒子群X＝(X

本发明创造的有益效果：本发明结合图像检测算法、图像识别算法、神经网络、优化算法及机器学习分类训练算法，有效提升了医疗影像分析系统的性能，为医疗影像分析系统提供了更优的方案，通过CCD摄像机获取固定时隙下的人体影像，结合信息技术，采用ME-FAST-R-CNN网络对人体影像进行特征提取并提高图像检测时的精度，采用DMEM算法对人体影像进行处理分析，识别各种不同模式的人体影像，采用模糊神经网络PID控制算法对医疗影像分析系统进行智能控制，所有数据均可追溯，有效提高医疗影像分析系统的工作效果，为医疗影像分析系统提供更为全面、准确地技术支撑，为安全、科学、高效地医疗影像分析系统提供更好的决策支持，提高了人们的生活便利性，同时，本发明结合图像检测算法、图像识别算法、神经网络、优化算法及机器学习分类训练算法多种神经网络及机器学习算法，为人们提供高质量且高时效的医疗影像分析系统，也能为其他应用领域的发展巩固基础，在人工智能鼎盛发展的时代，多种机器学习算法的融合为人工智能的发展打下了坚实的基础，且多种机器学习算法的融合能应用于市场中的多个行业及领域，为图像识别和人工智能方向提供了新的发展方向，为大数据时代贡献了重要应用价值。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，一种基于图像识别算法的医疗影像分析和智能大健康管理系统，包括人体影像获取端、人体影像检测端、人体影像识别端、医疗影像分析系统智能控制端，人体影像获取端包括人体影像获取模块，人体影像获取模块采用CCD摄像机获取固定时隙下的人体影像，人体影像检测端包括人体影像检测模块和智能存储模块，人体影像检测模块采用ME-FAST-R-CNN网络对人体影像获取端获取的图像进行特征提取并提高图像检测时的精度，智能存储模块采用云存储方式将图像检测结果进行智能存储，影像识别模块采用DMEM算法对人体影像检测端检测后的图像进行处理分析，识别各种不同模式的人体影像，医疗影像分析系统智能控制端包括智能控制模块，智能控制模块采用模糊神经网络PID控制算法对医疗影像分析系统进行智能控制。

优选的，人体影像获取模块依据设定的固定时隙，采用CCD摄像机不间断的对人体影像进行拍摄采集，并将采集后的人体影像传送至人体影像检测模块进行图像检测处理。

优选的，人体影像检测模块采用ME-FAST-R-CNN网络对人体影像获取端获取的图像进行特征提取并提高图像检测时的精度。

具体的，ME-FAST-R-CNN网络首先对采集的人体影像进行特征提取，通过R-CNN网络将人体影像转换为特征图，并将特征图发送至区域建议网络RNP，该网络是一种全卷积网络，用于和Fast-R-CNN目标检测网络共享计算资源，然后对图像进行特征融合和候选区域生成，采用多任务增强RPN来增加Faster-R-CNN的搜索能力，并选择合适的锚盒大小和尺寸来提高图像检测的精度，最后对图像进行检测处理，并采用随机森林算法获得分类和回归结果，ME-FAST-R-CNN网络由两个子网络组成，即RPN网络和FAST-R-CNN网络，共享Faster-R-CNN网络的前五个卷积层，其训练过程如下：首先，将采集的人体影像数据集划分为训练集D

优选的，采用随机森林算法获得分类和回归结果，随机森林算法首先需要选择提取的属性和数据参数，然后随机选择人体影像，形成一个对应于原始人体影像集的属性系统，由下式表示：S＝{U,A,V,f}，其中，U为属性体系，A为人体影像的条件属性和决策属性集的交集，V表示相应选定属性的范围，f表示决策属性的信息函数，则将原始数据集中要选择的任何人体影像表示为m

优选的，智能存储模块采用云存储方式将图像检测后的图像进行存储，云存储方式通过集群应用及分布式文件系统功能将网络中大量各种不同类型的存储设备通过各种应用软件集合起来协同工作，共同对外提供数据存储和管理的云计算系统，将图像检测后的图像放到云端上进行存储，云存储方式更加安全，有效防止图像数据的丢失。

优选的，影像识别模块采用DMEM算法对人体影像检测端检测后的图像进行处理分析，识别各种不同模式的人体影像。

具体的，DMEM算法的图像识别取决于匹配准则的相似度，良好的匹配准则能降低深度图估计的复杂度，匹配标准为平均绝对误差MAD(u,v)，MAD(u,v)如下：

优选的，智能控制模块采用模糊神经网络PID控制算法实现对医疗影像分析系统的智能控制，采用改进的粒子群优化算法离线优化控制器的初始参数，采用梯度下降算法在线训练网络参数，最大超调量和调节时间有了明显的改善，控制精度得到了提高，系统具有良好的动态性能和稳态精度。

具体的，模糊神经网络PID控制算法如下：u(k)＝u(k-1)+K

模糊神经网络分为输入层、模糊层、模糊推理层、规范化层和输出层，网络的输入误差信号e(k)和误差信号de(k)的微分，输出是对PID控制器参数的调整，即△K

梯度下降法具有很弱的全局搜索能力，容易陷入局部最优，并且由于初始参数是随机生成的，不同的初始参数对网络的性能有很大影响，它们容易导致局部最优，无法实现局部最优以取得满意的控制效果，模糊神经网络PID控制算法采用改进的PSO算法对模糊神经网络的初始参数进行优化，并采用BP算法对网络参数进行调整，以达到良好的性能，改进的PSO算法对模糊神经网络初始参数优化过程如下：在n维搜索空间中，存在粒子群X＝(X

通过CCD摄像机获取固定时隙下的人体影像，结合信息技术，采用ME-FAST-R-CNN网络对人体影像进行特征提取并提高图像检测时的精度，采用DMEM算法对人体影像进行处理分析，识别各种不同模式的人体影像，采用模糊神经网络PID控制算法对医疗影像分析系统进行智能控制，有效提升了医疗影像分析系统的性能，为医疗影像分析系统提供了更优的方案，且所有数据均可追溯，有效提高医疗影像分析系统的工作效果，为医疗影像分析系统提供更为全面、准确地技术支撑，为安全、科学、高效地医疗影像分析系统提供更好的决策支持，提高了人们的生活便利性，同时，本发明结合图像检测算法、图像识别算法、神经网络、优化算法及机器学习分类训练算法多种神经网络及机器学习算法，为人们提供高质量且高时效的医疗影像分析系统，也能为其他应用领域的发展巩固基础，在人工智能鼎盛发展的时代，多种机器学习算法的融合为人工智能的发展打下了坚实的基础，且多种机器学习算法的融合能应用于市场中的多个行业及领域，为图像识别和人工智能方向提供了新的发展方向，为大数据时代贡献了重要应用价值。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改，而不脱离本发明技术方案的实质和范围。