CN111524580B - 一种基于神经网络的病毒筛查与防疫***及方法 - Google Patents
一种基于神经网络的病毒筛查与防疫***及方法 Download PDFInfo
- Publication number
- CN111524580B CN111524580B CN202010282869.5A CN202010282869A CN111524580B CN 111524580 B CN111524580 B CN 111524580B CN 202010282869 A CN202010282869 A CN 202010282869A CN 111524580 B CN111524580 B CN 111524580B
- Authority
- CN
- China
- Prior art keywords
- virus
- user
- neural network
- colloidal gold
- image data
- 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
- 241000700605 Viruses Species 0.000 title claims abstract description 132
- 238000012216 screening Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002265 prevention Effects 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 123
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 62
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 21
- 230000003612 virological effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 25
- 241000711573 Coronaviridae Species 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 4
- 238000013399 early diagnosis Methods 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 208000015181 infectious disease Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 206010035664 Pneumonia Diseases 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000008707 rearrangement Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 208000032370 Secondary transmission Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000001528 Coronaviridae Infections Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010460 detection of virus Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012827 research and development 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于神经网络的病毒筛查与防疫***与方法,包括:获取用户信息及病毒试剂检测盒采集到的特异性病毒胶体金抗体检测图像数据;利用训练好的病毒分类筛查神经网络模型对图像进行识别,得到该用户对应的病毒试剂检测识别结果;将所得病毒试剂检测识别结果,由线上医生进行随机审核再发送给对应的用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户。本发明所提供的防疫方法基于前沿生物医学研究和胶体金试剂,再与物联网技术、大数据结合构建低成本、覆盖广的针对新冠状病毒的疾病实时检测与监测***,为病人提供远程疾病检测筛查服务,做到疾病早筛早诊,为疾控中心提供及时的疫情信息。
Description
技术领域
本发明涉及互联网医疗大数据技术领域,特别涉及一种基于神经网络的病毒筛查与防疫***及方法。
背景技术
随着生物医学研究的发展,为了加快流行病毒的检测,已有相应的胶体金试剂监测条应运而生,胶体金试剂的出现使得当前流行病毒的检测不仅仅依赖于临床医生的判断、医疗设备的检测结果。以当前世界难题新型冠状病毒为例,新冠状病毒(2019-nCoV)是一种具有极强的传染性,可导致感染者出现发热、咳嗽、呼吸困难,甚至死亡的冠状病毒新毒株。对于新冠状病毒肺炎的筛查一般需要综合临床症状、血常规、CT检查或核酸检查的结果进行判断。CT检查和核酸检查均需要独立的场所、昂贵的设备及专业的人员,相应的临床诊断耗费时间,且容易引起医护人员被感染的风险,因此无法满足目前对大范围人群进行筛查的需求。新冠状病毒感染导致的肺炎潜伏期为1-14天,感染者在整个病程中均具有明显的传染性,因此早期、及时地诊断可有效控制疾病的传染,并有助于提前给予患者医疗支持改善其疾病结局。基于免疫胶体金技术开发的新冠状病毒快速检测产品具有快速、简便、稳定性高、廉价、可自我检测的优点,可有效解决当前疾病全人群普筛的要求。
但是目前的免疫胶体金技术开发的新冠状病毒快速检测产品的使用需要在医疗机构完成,很难渗透到人群中;并且对试剂检测结果的判断需要专业医生完成,降低了检测效率;因此,即使能够完成病毒的快速检测,也无法在一定时效内根据检测结果对疫情进行有效的防控。并且当病毒疫情蔓延,由于医疗资源的限制,很多患者在获得检测结果后也无法及时获得医学解释及医疗建议;检测结果无法长期保存,无法为后续的研究提供数据;相关医疗服务机构无法获取其流行病学数据,因此急需一种可实现体外快速检测产品无线化监测的方法来弥补其渗透面狭窄、成本高效率低、服务单薄缺乏沟通、缺少客观证据保存以及无法进行大数据统计的缺点。
发明内容
本发明的目的在于克服现有技术中所存在的试剂检测结果依赖于医生的主观诊断、时效性不高、缺乏针对病毒检测的数据存储与分析的问题,提供一种基于神经网络的病毒筛查与防疫***及方法,实时接收用户(患者)上传的试剂检测图像,并配置相应的病毒识别模型,对图像进行识别,得到识别检测结果,通过数据共享的方式将数据结果快速发送给用户及相应的医疗服务平台(疾控中心、医院等)。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于神经网络的病毒筛查与防疫方法,包括:
步骤1,获取用户信息及病毒试剂检测盒采集到的特异性病毒胶体金抗体检测图像数据;
步骤2,利用训练好的病毒分类筛查神经网络模型对所述特异性病毒胶体金抗体检测图像数据进行识别,得到该用户对应的病毒试剂检测识别结果;
步骤3,将步骤2所得病毒试剂检测识别结果发送给对应的用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户。
优选的,还包括:对一段时间内获取到的多个用户的用户信息与用户对应的识别结果进行关联计算分析,生成相应的疫情分析地图发送给所述医疗服务平台;其中,所述用户信息包括:用户身份信息和用户位置信息。
优选的,所述步骤1包括:
步骤101,对用户上传的身份信息进行验证,若验证为合格,则进入步骤102;若不合格,则提醒用户重新上传所述身份信息;
步骤102,通过定位获取当前用户的位置信息,以得到包括用户身份信息和用户位置信息的用户信息;
步骤103,由所述病毒试剂检测盒基于预设时间对所述特异性病毒胶体金抗体检测图像数据进行采集,以获取所述特异性病毒胶体金抗体检测图像数据。
优选的,所述步骤2包括:
对采集到的特异性病毒胶体金抗体检测图像数据进行预处理,将预处理后的特异性病毒胶体金抗体检测图像数据输入至所述训练好的病毒分类筛查神经网络模型进行识别,得到病毒试剂检测识别结果;其中,所述识别结果包括:无效图片、阴性图片、阳性图片。
进一步的,识别结果会经过医生的线上审核(医生随机审核或者对部分难以辨别的进行审核),以确保识别结果的准确性。
优选的,所述预处理包括:直方图均衡化处理、高斯滤波处理以及边缘检测处理。
优选的,采集一定数量的带有分类标注的特异性病毒胶体金抗体检测图像数据,得到第一训练样本数据;
对所述带有分类标注的特异性病毒胶体金抗体检测图像数据进行旋转或镜像或缩放操作,生成第二训练样本数据;
利用所述第一训练样本数据和所述第二训练样本数据对所述病毒分类筛查神经网络模型进行训练,以得到所述训练好的病毒分类筛查神经网络模型。
优选的,采用融合FPN、Resnet、Shufflenet的神经网络模型构建所述病毒分类筛查神经网络模型;所述病毒分类筛查神经网络模型采用全卷积层代替网络架构中的全连接层;并且所述病毒分类筛查神经网络模型选用加权交叉熵损失函数为其损失函数。
在本发明进一步的实施例中还提供一种基于神经网络的病毒筛查与防疫***,包括:
病毒试剂检测盒,包括病毒试剂检测条以及设置于所述病毒试剂检测条上方的图像采集模块;用于基于预设时间对病毒试剂检测条显示的特异性病毒胶体金抗体检测图像数据进行采集,获取所述特异性病毒胶体金抗体检测图像数据并发送给所述云计算分析模块;
数据采集模块,用于获取用户信息并发送给所述云计算分析模块;
云计算分析模块,用于存储所述训练好的病毒分类筛查神经网络模型,并接收所述用户信息及病毒试剂检测盒上传的特异性病毒胶体金抗体检测图像数据;以及,利用训练好的病毒分类筛查神经网络模型对所获取的特异性病毒胶体金抗体检测图像数据进行识别,得到该用户对应的识别结果,存储所述识别结果并将所述识别结果发送至所述数据共享模块;
数据共享模块,用于将用户对应的识别结果发送给用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户。
进一步的,所述图像采集模块包括:微距摄像头、主控芯片、蓝牙模块以及电池;
其中,所述电池用于为所述微距摄像头、主控芯片、蓝牙模块供电;
所述主控芯片分别与所述微距摄像头、蓝牙模块信号连接;用于控制所述微距摄像头基于预设时间对病毒试剂检测条显示的特异性病毒胶体金抗体检测图像数据进行采集,并将微距摄像头采集到的特异性病毒胶体金抗体检测图像数据通过所述蓝牙模块上传至所述云计算分析模块。
进一步的,所述云计算分析模块还包括疫情地图生成子模块;
所述疫情地图生成子模块用于将一段时间内多个用户的用户信息与该用户对应的识别结果进行关联计算分析,生成相应的疫情分析地图发送给所述医疗服务平台;其中,所述用户信息包括:用户身份信息和用户位置信息。
与现有技术相比,本发明的有益效果:
本发明通过在相应的胶体金试剂检测条上方设置一个前端图像采集模块,从而使胶体金试剂检测条上显示的特异性病毒胶体金抗体检测图像数据能够直接上传至***的云计算分析模块,由云计算分析模块进行识别计算,能够快速得到用户的识别结果,并传至相应的医疗服务平台进行监控;由此构建了一种“体外快速检测试剂盒+物联网+AI+大数据”的新型冠状病毒肺炎筛查与防疫***,本***满足在多个不同场景(居家、单位、医院)对疾病筛查结果的无线化监测,尽可能发现更多的有症状无法及时就医以及无症状感染人群,由此了构建低成本、覆盖广的针对新冠状病毒的疾病实时检测与监测***,为病人提供远程疾病检测筛查服务,做到疾病早筛早诊,为疾控中心提供及时的疫情信息;并且本***通过APP客户端向用户共享专利医疗机构的防疫防护指导意见,消除其紧张及焦虑的情绪,切断其二次传播的途径;同时还可通过与社区、地区、国家的相关诊疗和管理机构相关联,实现数据的及时共享,有的放矢,合理分配医疗资源,全面有效解决目前存在的人群感染率不明确、传染途径难控制、流行病数据收集困难等疾病控制现状。
本发明基于目前的新冠病毒试剂检测技术,配置了相应的病毒分类筛查神经网络模型,该网络模型融合FPN、Resnet、Shufflenet的神经网络模型构建所述病毒分类筛查神经网络模型;用于保证网络能够抽取大小的不同的目标特征、加入了跨层的连接,能够使网络更深,更有可能提取到高维度的特征;分组卷积带来的通道重排,主要为了增强模型的鲁棒性;所述病毒分类筛查神经网络模型采用全卷积层代替网络架构中的全连接层,以处理图像的不同分辨率;
通过在病毒分类筛查神经网络模型中设置加权交叉熵损失函数损失函数能够有效抵抗样本不均衡带来的网络误差率问题,有效提高模型精度。
附图说明:
图1为本发明示例性实施例的一种基于神经网络的病毒筛查与防疫方法流程图。
图2为本发明示例性实施例的一种基于神经网络的病毒筛查与防疫***结构框图。
图3为本发明示例性实施例的仅有C线显色的特异性病毒胶体金抗体检测图像数据。
图4为本发明示例性实施例的三线均显色的特异性病毒胶体金抗体检测图像数据。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的一种基于神经网络的病毒筛查与防疫方法,包括:步骤1,获取用户信息及病毒试剂检测盒采集的特异性病毒胶体金抗体检测图像数据(也称病毒试剂检测图像);
具体的,我们通过在相应的胶体金试剂检测条上方设置一个前端图像采集模块,该设置类似于现有的血糖仪检测设备,内设有采集装置,可以使其中的控制芯片直接接收用户的血糖检测结果,并对结果进行分析。该病毒试剂检测图像采集模块包括:微距摄像头、主控芯片、蓝牙模块、电池;其中,所述电池用于为所述微距摄像头、主控芯片、蓝牙模块、电池供电;所述主控芯片分别与微距摄像头、蓝牙模块连接,用于控制所述微距摄像头基于预设时间对用户的特异性病毒胶体金抗体检测图像数据进行采集,并将微距摄像头采集到的特异性病毒胶体金抗体检测图像数据通过蓝牙模块传到终端APP中的云计算分析模块。该预设时间与病毒试剂盒显色时长有关,并且会有多次采集,本实例中,我们预设时间为15min,采集十次。因此,在用户使用本***时,首先,接收用户通过终端APP上传的其身份证信息,通过人脸识别的方式对用户进行身份认证和身份信息绑定,利用用户的身份证图像和用户的人脸图像进行匹配,若匹配为合格,则通过定位功能获取用户位置;若不合格,则提醒用户重新上传他的身份信息。最后,在用户注入自己的血液在胶体金试剂检测盒中后,病毒试剂检测图像采集模块通过微距摄像头对该用户特异性病毒胶体金抗体检测图像数据进行采集,再通过蓝牙模块传至终端APP,等待云计算分析模块的处理。
步骤2,利用训练好的病毒分类筛查神经网络模型对所获取的特异性病毒胶体金抗体检测图像数据进行识别,得到该用户对应的病毒试剂检测识别结果;
具体的,针对不同的病毒胶体试剂检测技术。首先采用微距摄像头基于预设时间采集一定数量的带有分类标注(由医生诊断识别批注好的)的特异性病毒胶体金抗体检测图像数据,得到第一训练样本数据。对所述带有分类标注的特异性病毒胶体金抗体检测图像数据进行旋转或镜像或缩放操作,生成第二训练样本数据;利用所述第一训练样本数据和所述第二训练样本数据对所述病毒分类筛查神经网络模型进行训练,以得到所述训练好的病毒分类筛查神经网络模型。对采集到的特异性病毒胶体金抗体检测图像数据进行预处理(例如:去噪处理、显色处理等),将预处理后的特异性病毒胶体金抗体检测图像数据输入至所述训练好的病毒分类筛查神经网络模型进行识别,得到带有识别标记的特异性病毒胶体金抗体检测图像数据;其中,所述识别结果至少包括:第一类无效图片,第二类阳性图片、第三类阴性图片等。相应的识别结果种类与该病毒对应的试剂检测技术有关。病毒分类筛查神经网络模型在进行图像识别的过程中会对图片信息进行标记,比如分析出该张图片是无效、阳性或者阴性,因为是多次采集,如果用户检测多张图片中有一张判别出来时阳性就会认定是阳性,输出一个阳性识别结果。
步骤3,将步骤2所得识别结果发送给对应的用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户。
具体的,通过互联网与相应的医疗服务平台(各大医院的网络平台、疾控中心等)进行数据交互,将带有识别标记的特异性病毒胶体金抗体检测图像数据发送给相应的医疗服务平台,接收所述医疗服务平台反馈的远程指导意见,并将识别结果与对应的远程指导意见一起发送给对应的用户。相应的远程指导意见除了疾病治疗意见还包括医生的心里疏导意见,以便于用户得到及时的心理疏导。
最后,对一段时间内(可以设为半天或一天)多个用户的用户信息与用户对应的识别结果进行关联计算分析,运用相应的云计算技术生成相应的疫情分析地图发送给所述医疗服务平台(疾控中心),以便于相应的医疗服务平台根据疫情地图生成对应的疾病防控预案,对疫情进行及时有效的防控。
进一步,图2示出了本发明示例性实施例的一种基于神经网络的病毒筛查与防疫***,包括:
病毒试剂检测盒,包括病毒试剂检测条以及设置于所述病毒试剂检测条上方的图像采集模块;用于基于预设时间对病毒试剂检测条显示的特异性病毒胶体金抗体检测图像数据进行采集,获取所述特异性病毒胶体金抗体检测图像数据并发送给所述云计算分析模块;
数据采集模块,用于获取用户信息并发送给所述云计算分析模块;
云计算分析模块,用于存储所述训练好的病毒分类筛查神经网络模型,并接收所述用户信息及病毒试剂检测盒上传的特异性病毒胶体金抗体检测图像数据;以及,利用训练好的病毒分类筛查神经网络模型对所获取的特异性病毒胶体金抗体检测图像数据进行识别,得到该用户对应的识别结果,存储所述识别结果并将所述识别结果发送至所述数据共享模块;
数据共享模块,用于将用户对应的识别结果发送给用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户。
进一步的,所述图像采集模块包括:微距摄像头、主控芯片、蓝牙模块以及电池;
其中,所述电池用于为所述微距摄像头、主控芯片、蓝牙模块供电;所述主控芯片分别与所述微距摄像头、蓝牙模块信号连接;用于控制所述微距摄像头基于预设时间对病毒试剂检测条显示的特异性病毒胶体金抗体检测图像数据进行采集,并将微距摄像头采集到的特异性病毒胶体金抗体检测图像数据通过所述蓝牙模块上传至所述云计算分析模块。
并且所述云计算分析模块还包括疫情地图生成子模块;所述疫情地图生成子模块用于将一段时间内多个用户的用户信息与该用户对应的识别结果进行关联计算分析,生成相应的疫情分析地图发送给所述医疗服务平台;其中,所述用户信息包括:用户身份信息和用户位置信息。
在本实施例中,我们通过在相应的胶体金试剂检测条上方设置一个前端图像采集模块,从而使胶体金试剂检测条上显示的图像数据能够直接上传至***的云计算分析模块进行识别计算,能够快速得到用户的识别结果,并传至相应的医疗服务平台进行监控;由此构建了一种“体外快速检测试剂盒+物联网+AI+大数据”的新型冠状病毒肺炎筛查与防疫***,满足在多个不同场景(居家、单位、医院)对疾病筛查结果的无线化监测,尽可能发现更多的有症状无法及时就医以及无症状感染人群,并通过APP客户端向用户共享专利医疗机构的防疫防护指导意见,消除其紧张及焦虑的情绪,切断其二次传播的途径;同时还可通过与社区、地区、国家的相关诊疗和管理机构相关联,实现数据的及时共享,有的放矢,合理分配医疗资源,全面有效解决目前存在的人群感染率不明确、传染途径难控制、流行病数据收集困难等疾病控制现状。研发***基于前沿生物医学研究和胶体金试剂,再与物联网技术、大数据结合构建低成本、覆盖广的针对新冠状病毒的疾病实时检测与监测***,为病人提供远程疾病检测筛查服务,做到疾病早筛早诊,为疾控中心提供及时的疫情信息。
实施例2
在本发明进一步的实施例中,我们针对当前难题新型冠状病毒做了病毒检测模型的针对性研究,检测试剂盒选用有三条检测线新冠肺炎筛查试剂盒,其中C线为控制线,T1、T2两条线别代表IGM、IGG抗体检测线。胶体金检测为动态过程,超出一定时间检测无效。具体的模型识别过程为:首先控制线c线显色较为明显,采用基于边缘特征的匹配算法,定位c线,如果无法找到控制线C,则说明检测无效。通过c线中心位置,推断T1、T2线的位置。通过判断控制线C,测试线T1、T2与试剂条背景的平均显色差,来判断各个线条是否变色。若C线判定为变色,则本次检测有效,T1线判定为变色,则IGM呈阳性,T2线判定为变色,则IGG呈阳性。从而得到相应的识别结果,共有五种识别结果:1、无效标签C线不显色;2、阴性标签仅有C线显色(如图3所示,为采集到的某用户的图像识别结果);3、阳性标签C、T1、T2均显色(如图4所示),则为IGM阳性、IGG阳性;4、弱阳性标签C、T1显色,则为IGM阳性、IGG阴性;5、假阳性标签C、T2显色,则为IGM阴性、IGG阳性(病理上未患病)。
通过带医生标注(5分类标注)的试剂盒检测结果图片,训练神经网络,得到分类模型,通过分类模型预测未标注的试剂盒检测结果图片,得到其分类预测结果。具体流程如下:图像预处理:通过以下几个步骤进行图像预处理:直方图均衡化(HistogramEqualization)。图像处理领域中利用图像直方图对对比度进行调整,增强局部的对比度而不影响整体的对比度。该步骤主要是消除训练集中的不同图像间的均值对比度的不同。高斯滤波(Gauss filter)。通过高斯滤波对图像进行平滑处理,减少噪声对训练结果的影响。使用如下的二维高斯核。
边缘检测:使用Sobel、Canny等边缘检测算子提取图像边缘,将图像的边缘和原始图像叠加,用于增加图像的高频特征。图像增强:对300张图像(200个阴性患者+100个阳性患者)进行旋转、镜像、缩放等操作,得到更多的训练图像,以便让训练的模型具有更好的鲁棒性。神经网络设计:损失函数:由于输入是图像,使用卷积网络提取图像特征,并进行端到端的分类。本模型使用加权交叉熵损失作为神经网络的分类损失。如下
其中i类是少数类(通常是阳性类别),为了加大分错第i类的成本,在交叉熵上给第i类乘以一个大于1的系数,这样如果分错第i类的话,交叉熵loss就会增加。随着图像的收集,阴性样本会远大于阳性样本;通过该损失函数的设置能够有效抵抗样本不均衡带来的网络误差率问题,有效提高模型精度。
网络结构:网络中除了常规的卷积层、池化层,还应具备以下模块的融合FPN(Feature pyramid networks,特征金字塔),用于保证网络能够抽取大小的不同的目标特征;Resnet(ResidualNeuralNetwork,残差神经网络),加入了跨层的连接,能够使网络更深,更有可能提取到高维度的特征;Shufflenet:分组卷积带来的通道重排,主要为了增强模型的鲁棒性;全卷积层:用于替代网络最上层的全连接层,为了处理图像缩放后不同的分辨率;训练策略:采用批梯度下降+adam下降算法。
在本实施例中,我们基于目前的新冠病毒试剂检测技术,配置了相应的病毒分类筛查神经网络模型,该网络模型融合FPN、Resnet、Shufflenet的神经网络模型构建所述病毒分类筛查神经网络模型;用于保证网络能够抽取大小的不同的目标特征、加入了跨层的连接,能够使网络更深,更有可能提取到高维度的特征;分组卷积带来的通道重排,主要为了增强模型的鲁棒性;所述病毒分类筛查神经网络模型采用全卷积层代替网络架构中的全连接层,以处理图像的不同分辨率。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的病毒筛查与防疫方法,其特征在于,包括:
步骤1,获取用户信息及病毒试剂检测盒采集到的特异性病毒胶体金抗体检测图像数据;
步骤2,利用训练好的病毒分类筛查神经网络模型对所述特异性病毒胶体金抗体检测图像数据进行识别,得到该用户对应的病毒试剂检测识别结果;其中,采用融合FPN、Resnet、Shufflenet的神经网络模型构建所述病毒分类筛查神经网络模型;所述病毒分类筛查神经网络模型采用全卷积层代替网络架构中的全连接层;所述病毒分类筛查神经网络模型选用加权交叉熵损失函数为其损失函数;
以及,对一段时间内获取到的多个用户的用户信息与用户对应的识别结果进行关联计算分析,生成相应的疫情分析地图发送给医疗服务平台;其中,所述用户信息包括:用户身份信息和用户位置信息;
步骤3,将步骤2所得病毒试剂检测识别结果发送给对应的用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户。
2.如权利要求1所述的方法,其特征在于,所述步骤1包括:
步骤101,对用户上传的身份信息进行验证,若验证为合格,则进入步骤102;若不合格,则提醒用户重新上传所述身份信息;
步骤102,通过定位获取当前用户的位置信息,以得到包括用户身份信息和用户位置信息的用户信息;
步骤103,由所述病毒试剂检测盒基于预设时间对所述特异性病毒胶体金抗体检测图像数据进行采集,以获取所述特异性病毒胶体金抗体检测图像数据。
3.如权利要求1所述的方法,其特征在于,所述步骤2包括:
对采集到的特异性病毒胶体金抗体检测图像数据进行预处理,将预处理后的特异性病毒胶体金抗体检测图像数据输入至所述训练好的病毒分类筛查神经网络模型进行识别,得到病毒试剂检测识别结果;其中,所述识别结果包括:无效图片、阴性图片、阳性图片。
4.如权利要求3所述的方法,其特征在于,所述预处理包括:直方图均衡化处理、高斯滤波处理以及边缘检测处理。
5.如权利要求1或4所述的方法,其特征在于,采集一定数量的带有分类标注的特异性病毒胶体金抗体检测图像数据,得到第一训练样本数据;
对所述带有分类标注的特异性病毒胶体金抗体检测图像数据进行旋转或镜像或缩放操作,生成第二训练样本数据;
利用所述第一训练样本数据和所述第二训练样本数据对所述病毒分类筛查神经网络模型进行训练,以得到所述训练好的病毒分类筛查神经网络模型。
6.一种基于神经网络的病毒筛查与防疫***,其特征在于,包括:
病毒试剂检测盒,包括病毒试剂检测条以及设置于所述病毒试剂检测条上方的图像采集模块;用于基于预设时间对病毒试剂检测条显示的特异性病毒胶体金抗体检测图像数据进行采集,获取所述特异性病毒胶体金抗体检测图像数据并发送给云计算分析模块;
数据采集模块,用于获取用户信息并发送给所述云计算分析模块;
云计算分析模块,用于存储训练好的病毒分类筛查神经网络模型,并接收所述用户信息及病毒试剂检测盒上传的特异性病毒胶体金抗体检测图像数据;以及,利用训练好的病毒分类筛查神经网络模型对所获取的特异性病毒胶体金抗体检测图像数据进行识别,得到该用户对应的识别结果,存储所述识别结果并将所述识别结果发送至数据共享模块;其中,采用融合FPN、Resnet、Shufflenet的神经网络模型构建所述病毒分类筛查神经网络模型;所述病毒分类筛查神经网络模型采用全卷积层代替网络架构中的全连接层;所述病毒分类筛查神经网络模型选用加权交叉熵损失函数为其损失函数;
数据共享模块,用于将用户对应的识别结果发送给用户与医疗服务平台;以及,接收所述医疗服务平台反馈的远程指导意见,发送给对应的用户;
所述云计算分析模块还包括疫情地图生成子模块;
所述疫情地图生成子模块用于将一段时间内多个用户的用户信息与该用户对应的识别结果进行关联计算分析,生成相应的疫情分析地图发送给所述医疗服务平台;其中,所述用户信息包括:用户身份信息和用户位置信息。
7.如权利要求6所述的***,其特征在于,所述图像采集模块包括:微距摄像头、主控芯片、蓝牙模块以及电池;
其中,所述电池用于为所述微距摄像头、主控芯片、蓝牙模块供电;
所述主控芯片分别与所述微距摄像头、蓝牙模块信号连接;用于控制所述微距摄像头基于预设时间对病毒试剂检测条显示的特异性病毒胶体金抗体检测图像数据进行采集,并将微距摄像头采集到的特异性病毒胶体金抗体检测图像数据通过所述蓝牙模块上传至所述云计算分析模块。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282869.5A CN111524580B (zh) | 2020-04-13 | 2020-04-13 | 一种基于神经网络的病毒筛查与防疫***及方法 |
PCT/CN2020/085416 WO2021208091A1 (zh) | 2020-04-13 | 2020-04-17 | 一种基于神经网络的病毒筛查与防疫***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282869.5A CN111524580B (zh) | 2020-04-13 | 2020-04-13 | 一种基于神经网络的病毒筛查与防疫***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524580A CN111524580A (zh) | 2020-08-11 |
CN111524580B true CN111524580B (zh) | 2024-04-19 |
Family
ID=71902663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010282869.5A Active CN111524580B (zh) | 2020-04-13 | 2020-04-13 | 一种基于神经网络的病毒筛查与防疫***及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111524580B (zh) |
WO (1) | WO2021208091A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012101A (zh) * | 2021-02-05 | 2021-06-22 | 深圳讯安健康信息科技有限责任公司 | 疾病检测*** |
CN114636819A (zh) * | 2022-03-29 | 2022-06-17 | 杭州微纳核芯电子科技有限公司 | 病毒检测装置、设备、***及疫情监测平台 |
CN115035332B (zh) * | 2022-05-24 | 2024-05-03 | 上海弘青石科技有限公司 | 基于图像识别的抗原检测结果认证方法 |
CN114974607B (zh) * | 2022-06-01 | 2023-08-25 | 平安盐野义有限公司 | 疾病传播预防方法、社交***、服务器装置、存储介质 |
CN115290890A (zh) * | 2022-08-10 | 2022-11-04 | 北京华科泰生物技术股份有限公司 | 新冠抗原定量监测预警方法及装置 |
CN117007825B (zh) * | 2023-10-07 | 2023-12-22 | 北京众驰伟业科技发展有限公司 | 一种全自动凝血测试仪的试剂自动识别与定位***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070111112A (ko) * | 2006-05-17 | 2007-11-21 | 유경진 | 네트워크를 이용한 원격 건강 관리 서비스 방법 |
CN107895598A (zh) * | 2017-12-12 | 2018-04-10 | 梁昌业 | 一种基于电子地图的防疫管理*** |
CN109330560A (zh) * | 2018-09-10 | 2019-02-15 | 天津大学 | 一种皮肤病识别与检测盒 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2044431B1 (en) * | 2006-07-17 | 2019-04-24 | H. Lee Moffitt Cancer Center & Research Institute, Inc. | Computer systems and methods for selecting subjects for clinical trials |
CN105911277A (zh) * | 2016-04-25 | 2016-08-31 | 成都盛泰尔生物医药科技有限公司 | 一种动物疫病抗体类病毒胶体金定量检测***及制备方法 |
CN108122618A (zh) * | 2016-11-29 | 2018-06-05 | 深圳市宝贝好健康服务有限公司 | 一种用于流行病分布监测的智能客户端和*** |
US11011275B2 (en) * | 2018-02-12 | 2021-05-18 | Ai.Skopy, Inc. | System and method for diagnosing gastrointestinal neoplasm |
CN108565017A (zh) * | 2018-04-23 | 2018-09-21 | 杜欣欣 | 一种宫颈病变的临床决策***及其方法 |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
CN110472596A (zh) * | 2019-08-20 | 2019-11-19 | 同舟智慧(威海)科技发展有限公司 | 一种农业精细化种植及灾害预防控制*** |
CN110600139A (zh) * | 2019-10-25 | 2019-12-20 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于gis的区域性人口传染病预警方法 |
-
2020
- 2020-04-13 CN CN202010282869.5A patent/CN111524580B/zh active Active
- 2020-04-17 WO PCT/CN2020/085416 patent/WO2021208091A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070111112A (ko) * | 2006-05-17 | 2007-11-21 | 유경진 | 네트워크를 이용한 원격 건강 관리 서비스 방법 |
CN107895598A (zh) * | 2017-12-12 | 2018-04-10 | 梁昌业 | 一种基于电子地图的防疫管理*** |
CN109330560A (zh) * | 2018-09-10 | 2019-02-15 | 天津大学 | 一种皮肤病识别与检测盒 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2021208091A1 (zh) | 2021-10-21 |
CN111524580A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524580B (zh) | 一种基于神经网络的病毒筛查与防疫***及方法 | |
WO2020207377A1 (zh) | 一种图像识别模型训练及图像识别方法、装置及*** | |
US10565705B2 (en) | Systems and methods for collecting and transmitting assay results | |
WO2021093448A1 (zh) | 图像处理方法、装置、服务器、医疗图像处理设备及存储介质 | |
Bevilacqua et al. | A novel approach to evaluate blood parameters using computer vision techniques | |
CN109948719B (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
Dimauro et al. | Detecting clinical signs of anaemia from digital images of the palpebral conjunctiva | |
WO2014186838A1 (en) | A system and method for remote medical diagnosis | |
KR102155381B1 (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 | |
WO2019098415A1 (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치 | |
US11721023B1 (en) | Distinguishing a disease state from a non-disease state in an image | |
CN110222713A (zh) | 一种婴幼儿粪便采样图像分类处理***及方法 | |
CN110010245A (zh) | 一种精神疾病脑影像处理*** | |
CN112802000A (zh) | 多模态医学影像智能辅助诊疗*** | |
WO2022246294A1 (en) | Automated segmentation of artifacts in histopathology images | |
Hu et al. | ACCV: automatic classification algorithm of cataract video based on deep learning | |
Muthalagu et al. | Developmental screening tool: accuracy and feasibility of non-invasive anaemia estimation | |
CN116703837B (zh) | 一种基于mri图像的肩袖损伤智能识别方法及装置 | |
KR20210033902A (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 | |
CN117237351A (zh) | 一种超声图像分析方法以及相关装置 | |
CN117011892A (zh) | 一种基于深度学习的超声图像自动分析与诊断*** | |
WO2022190891A1 (ja) | 情報処理システム及び情報処理方法 | |
Alwash et al. | Detection of COVID-19 based on chest medical imaging and artificial intelligence techniques | |
CN109376635B (zh) | 一种护理质量考核***及安全事件上报方法 | |
JP2021174201A (ja) | プログラム、情報処理装置、情報処理方法及び学習モデルの生成方法 |
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 |