CN112289447B - 一种手术切口愈合等级判别*** - Google Patents
一种手术切口愈合等级判别*** Download PDFInfo
- Publication number
- CN112289447B CN112289447B CN202011189093.9A CN202011189093A CN112289447B CN 112289447 B CN112289447 B CN 112289447B CN 202011189093 A CN202011189093 A CN 202011189093A CN 112289447 B CN112289447 B CN 112289447B
- Authority
- CN
- China
- Prior art keywords
- layer
- incision
- cbl
- module
- network
- 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
- 230000035876 healing Effects 0.000 title claims abstract description 44
- 208000002847 Surgical Wound Diseases 0.000 title claims abstract description 21
- 208000033809 Suppuration Diseases 0.000 claims abstract description 32
- 206010018852 Haematoma Diseases 0.000 claims abstract description 31
- 230000008961 swelling Effects 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 6
- 206010060708 Induration Diseases 0.000 abstract description 3
- 241000521257 Hydrops Species 0.000 abstract description 2
- 206010030113 Oedema Diseases 0.000 abstract description 2
- 230000002980 postoperative effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 210000001685 thyroid gland Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 208000009146 rhinoscleroma Diseases 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010003011 Appendicitis Diseases 0.000 description 1
- 206010063045 Effusion Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010042674 Swelling Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
Images
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种手术切口愈合等级判别***,其包括图像采集模块、切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块、切口化脓判别模块、愈合等级判别模块、数据存储模块、图像分类模块和增量学习模块。本***可以安装在患者的移动设备中,在无医生和护士操作的情况下,通过移动设备拍摄患者身上的手术切口图像,并通过本***对手术切口愈合图像进行切口红肿、硬结、血肿、积液和化脓五个指标进行识别,结合手术类型给出患者切口的状态,解决了患者出院后无法对手术切口进行有效识别与管理的问题。
Description
技术领域
本发明涉及术后切口管理领域,具体涉及一种手术切口愈合等级判别***。
背景技术
目前我国每年需要进行超千万台外科手术,其中75%的手术患者需要对术后切口进行管理。根据外科手术类型和切口的污染程度,手术切口分为清洁切口(Ⅰ类切口)、可能污染切口(Ⅱ类切口)和污染切口(Ⅲ类切口);根据切口愈合处炎症和化脓程度,切口愈合分为甲级愈合、乙级愈合和丙级愈合。目前术后切口管理依靠患者住院接受护士和医生的人为判断管控,效率低下,易受医生和护士个人经验水平的影响;出院后手术医生和护理人员缺乏对患者手术切口的愈合情况进行直接的观察和掌握,患者不能获得手术医生和护士对切口愈合情况的指导,非常畏惧和害怕,很多患者因此不愿意出院,使得医院病床紧张,造成医疗资源未物尽其用的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种手术切口愈合等级判别***解决了患者出院后无法对手术切口进行有效识别与管理的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种手术切口愈合等级判别***,其包括图像采集模块、切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块、切口化脓判别模块、愈合等级判别模块、数据存储模块、图像分类模块和增量学习模块;
图像采集模块,用于获取手术切口处的图像;
图像分类模块,用于对图像采集模块获取的图像进行手术类型标注;
切口红肿判别网络模块,包括红肿特征获取网络和第一高门限分类器,红肿特征获取网络用于获取图像采集模块所获取的图像中的切口红肿特征;第一高门限分类器用于限制低于阈值的切口红肿特征输出;
切口硬结判别网络模块,包括硬结特征获取网络和第二高门限分类器,硬结特征获取网络用于获取图像采集模块所获取的图像中的切口硬结特征;第二高门限分类器用于限制低于阈值的切口硬结特征输出;
切口血肿判别网络模块,包括血肿特征获取网络和第三高门限分类器,血肿特征获取网络用于获取图像采集模块所获取的图像中的切口血肿特征;第三高门限分类器用于限制低于阈值的切口血肿特征输出;
切口积液判别模块,包括积液特征获取网络和第四高门限分类器,积液特征获取网络用于获取图像采集模块所获取的图像中的切口积液特征;第四高门限分类器用于限制低于阈值的切口积液特征输出;
切口化脓判别模块,包括化脓特征获取网络和第五高门限分类器,化脓特征获取网络用于获取图像采集模块所获取的图像中的切口化脓特征;第五高门限分类器用于限制低于阈值的切口化脓特征输出;
愈合等级判别模块,包括输入层、隐藏层和输出层,用于根据输入的手术类型选取对应的神经元权重,将切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块和切口化脓判别模块的输出通过神经元权重相乘叠加到隐藏层,通过隐藏层中的激活函数进行非线性映射,并根据隐藏层到输出层的权重关系,获取切口愈合等级;
增量学习模块,用于将被高门限分类器阻拦所对应的图像上传至云端进行识别,接收从云端返回的识别结果,将该图像与识别结果用于训练对应的特征获取网络。
进一步地,红肿特征获取网络、硬结特征获取网络、血肿特征获取网络、积液特征获取网络和化脓特征获取网络均包括依次相连的第一CBM层、第一CSP层、第二CBM层、第二CSP层、第三CBM层、第三CSP层、第四CBM层、第五CBM层、第四CSP层、第六CBM层、第七CBM层、第五CSP层、第八CBM层、第一CBL层、SPP层、第二CBL层、第三CBL层、第一上采样层、第一Concat层、第四CBL层、第五CBL层、第二上采样层、第二Concat层、第六CBL层、第七CBL层和第一卷积层;
第四CBM层的输出还连接第八CBL层,第八CBL层连接第二Concat层;第六CBM层的输出还连接第九CBL层,第九CBL层连接第一Concat层;
第二CBL层的输出还连接第三Concat层;第四CBL层的输出还连接第四Concat层;第六CBL层的输出还连接第十CBL层,第十CBL层连接第四Concat层;第四Concat层依次连接第十一CBL层、第十二CBL层和第二卷积层;
第十一CBL层的输出还连接第十三CBL层,第十三CBL层连接第三Concat层;第三Concat层依次连接第十四CBL层、第十五CBL层和第三卷积层。
进一步地,每个CBM层由Conv+BN+Mish激活函数组成,其中Conv为卷积层,BN为线性激活层。
进一步地,每个CBL层由Conv+BN+Leaky_relu激活函数组成,其中Conv为卷积层,BN为线性激活层,Leaky_relu为非线性激活函数。
进一步地,每个CSP层包括依次连接的第十六CBL层、Res Unit层、第十七CBL层和第五Concat层,以及设置在第五Concat层前的第十八CBL层;第十六CBL层和第十八CBL层的输入端同为CSP层的输入端,第五Concat层的输出端为CSP层的输出端。
进一步地,Res Unit层包括依次连接的第十九CBL层、第二十CBL层和叠加层,第十九CBL层的输入端和叠加层的另一个输入端同为Res Unit层的输入端,叠加层的输出端为Res Unit层的输出端。
进一步地,每个SPP层包括3个并联的5×5、9×9和13×13的最大池化层,每个最大池化层的输出端均与第六Concat层相连接,每个最大池化层的输入端和第六Concat层的第四个输入端同为SPP层的输入端,第六Concat层的输出端为SPP层的输出端。
进一步地,每个的高门限分类器包括公式:
其中fij为高门限分类器的输出结果;x为高门限分类器的输入;ci和cj为分属类的训练向量;λ为常量;exp为以自然常数e为底的指数函数。
进一步地,常量λ的值为0.5。
本发明的有益效果为:
1、本***可以安装在患者的移动设备中,在无医生和护士操作的情况下,通过移动设备拍摄患者身上的手术切口图像,并通过本***对手术切口愈合图像进行切口红肿、硬结、血肿、积液和化脓五个指标进行识别,结合手术类型给出患者切口的状态,解决了患者出院后无法对手术切口进行有效识别与管理的问题。同时对于本地无法识别的图像,可以通过云端来进行识别,可大大提高手术切口等级检测的效率和准确率,实现智能终端的患者自检,能大大减少外科手术后患者的住院时间,避免由于护士或医生的经验不足导致的手术切口愈合等级的判断失误。
2、本***可以将不确定的图像上传至云端进行人工或更进一步的判别,并将判别结果用于本***参数的持续训练,可提高***的识别准确率。
3、传统的分类网络不论判断结果与真实结果相差多少,哪怕这个结果是错误的都会输出,该方式在医疗临床上是决不允许的。本***设置的高门限分类器仅输出高准确率的判断结果,可以规避网络的错误输出。
4、传统的网络在分类问题上采用的一次性得到最终输出,这种网络复杂度高,训练起来时间长,由于网络中对图像特征信息的降维,容易出现欠拟合的现象,且检测精度低。本***采用并行的模块化网络,通过多个网络模块进行定性判断,再将判断结果传入愈合等级判别模块中得到最终结果。通过云端服务器的并行运算能力,采用多网络同时训练的方式提升网络模块的训练速度,再将训练后的参数发送至移动终端,避免了每个移动终端均需要单独训练参数的问题。
5、本***可以记录患者术后切口愈合过程中的图像和判别结果,便于后期医生对手术切口干预管理。
附图说明
图1为本装置的结构框图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该手术切口愈合等级判别***包括图像采集模块、切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块、切口化脓判别模块、愈合等级判别模块、数据存储模块、图像分类模块和增量学习模块;
图像采集模块,用于获取手术切口处的图像;
图像分类模块,用于对图像采集模块获取的图像进行手术类型标注;
切口红肿判别网络模块,包括红肿特征获取网络和第一高门限分类器,红肿特征获取网络用于获取图像采集模块所获取的图像中的切口红肿特征;第一高门限分类器用于限制低于阈值的切口红肿特征输出;
切口硬结判别网络模块,包括硬结特征获取网络和第二高门限分类器,硬结特征获取网络用于获取图像采集模块所获取的图像中的切口硬结特征;第二高门限分类器用于限制低于阈值的切口硬结特征输出;
切口血肿判别网络模块,包括血肿特征获取网络和第三高门限分类器,血肿特征获取网络用于获取图像采集模块所获取的图像中的切口血肿特征;第三高门限分类器用于限制低于阈值的切口血肿特征输出;
切口积液判别模块,包括积液特征获取网络和第四高门限分类器,积液特征获取网络用于获取图像采集模块所获取的图像中的切口积液特征;第四高门限分类器用于限制低于阈值的切口积液特征输出;
切口化脓判别模块,包括化脓特征获取网络和第五高门限分类器,化脓特征获取网络用于获取图像采集模块所获取的图像中的切口化脓特征;第五高门限分类器用于限制低于阈值的切口化脓特征输出;
愈合等级判别模块,包括输入层、隐藏层和输出层,用于根据输入的手术类型选取对应的神经元权重,将切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块和切口化脓判别模块的输出通过神经元权重相乘叠加到隐藏层,通过隐藏层中的激活函数进行非线性映射,并根据隐藏层到输出层的权重关系,获取切口愈合等级;
增量学习模块,用于将被高门限分类器阻拦所对应的图像上传至云端进行识别,接收从云端返回的识别结果,将该图像与识别结果用于训练对应的特征获取网络。
红肿特征获取网络、硬结特征获取网络、血肿特征获取网络、积液特征获取网络和化脓特征获取网络均包括依次相连的第一CBM层、第一CSP层、第二CBM层、第二CSP层、第三CBM层、第三CSP层、第四CBM层、第五CBM层、第四CSP层、第六CBM层、第七CBM层、第五CSP层、第八CBM层、第一CBL层、SPP层、第二CBL层、第三CBL层、第一上采样层、第一Concat层、第四CBL层、第五CBL层、第二上采样层、第二Concat层、第六CBL层、第七CBL层和第一卷积层;
第四CBM层的输出还连接第八CBL层,第八CBL层连接第二Concat层;第六CBM层的输出还连接第九CBL层,第九CBL层连接第一Concat层;
第二CBL层的输出还连接第三Concat层;第四CBL层的输出还连接第四Concat层;第六CBL层的输出还连接第十CBL层,第十CBL层连接第四Concat层;第四Concat层依次连接第十一CBL层、第十二CBL层和第二卷积层;
第十一CBL层的输出还连接第十三CBL层,第十三CBL层连接第三Concat层;第三Concat层依次连接第十四CBL层、第十五CBL层和第三卷积层。
每个CBM层由Conv+BN+Mish激活函数组成,其中Conv为卷积层,BN为线性激活层。
每个CBL层由Conv+BN+Leaky_relu激活函数组成,其中Conv为卷积层,BN为线性激活层,Leaky_relu为非线性激活函数。
每个CSP层包括依次连接的第十六CBL层、Res Unit层、第十七CBL层和第五Concat层,以及设置在第五Concat层前的第十八CBL层;第十六CBL层和第十八CBL层的输入端同为CSP层的输入端,第五Concat层的输出端为CSP层的输出端。
Res Unit层包括依次连接的第十九CBL层、第二十CBL层和叠加层,第十九CBL层的输入端和叠加层的另一个输入端同为Res Unit层的输入端,叠加层的输出端为Res Unit层的输出端。
每个SPP层包括3个并联的5×5、9×9和13×13的最大池化层,每个最大池化层的输出端均与第六Concat层相连接,每个最大池化层的输入端和第六Concat层的第四个输入端同为SPP层的输入端,第六Concat层的输出端为SPP层的输出端。
每个的高门限分类器包括公式:
其中fij为高门限分类器的输出结果;x为高门限分类器的输入;ci和cj为分属类的训练向量;λ为常量;exp为以自然常数e为底的指数函数;常量λ的值为0.5。
在具体实施过程中,各个网络模块的参数可以通过已知标签的数据进行训练得到。云端保留本***的所有数据,并根据各个移动终端上传的无法识别图像,通过专家进行手动判别,将判别后的图像输入位于云端的本***,对本***的参数进行不断更新校正。本***还可以设置数据更新模块,用于获取位于云端的参数,并将本地参数同步为云端参数,进行***在线更新,提高本***的判别准确率。
在具体实施过程,各个网络模块的输出可以用-1来表示不能通过高门限分类器,用1表示识别出了相应症状,用0表示正常。每个切口可以拍摄多张不同角度的照片,用于获取更加丰富的切口特征信息,提高判别准确率。如表1所示,不同的手术类型在相同切口图像情况下可能存在不同的判别结果,由于手术种类众多,无法在此一一列举,本申请仅以甲状腺手术、断指再植术和化脓性阑尾炎为例给出本***的判别结果,其余手术对应的判别过程类似。
表1:部分手术的判别情况
如果患者是一名甲状腺次全切除术,并且切口出现红肿,无化脓现象。在运行本***后,需要患者手动输入:甲状腺次全切除术,然后对切口进行多角度拍照,根据上述症状,安装有本***的移动终端显示的内容为I-2-红肿;表示切口清洁,切口处红肿,愈合状况欠佳。
如果患者是一名断指再植术患者,并且切口处红肿,需要患者手动输入:断指再植术,且多角度拍摄拍照,安装有本***的移动终端显示的内容为Π-2-红肿;表示切口可能污染,切口处出现红肿,愈合状况欠佳。
如果患者是一名断指再植术患者,并且切口处化脓,需要患者手动输入:断指再植术,且多角度拍摄拍照,安装有本***的移动终端显示的内容为Π-3-化脓;表示切口可能污染,切口处出现化脓,需要切开引流。
在本发明的另一个实施例中,移动终端仅需要设置图像采集模块、数据存储模块、愈合等级判别模块和图像分类模块即可,将切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块、切口化脓判别模块和增量学习模块均设置在云端,此实施例中通过图像采集模块将采集的图像发送至云端,通过云端的判别模块进行判别,接收云端的判别数据,并通过移动终端的愈合等级判别模块给出最终的判别结果,数据存储模块存储本***运行所需要的数据及运行过程中产生的数据。该实施例可以减少移动终端的运算量,但是增加了移动终端的数据传输量,且依赖于通畅的网络,无法进行离线使用;将各个模块均设置在移动终端中可以减少移动终端的数据传输量,可以进行离线使用,但移动终端的运算量较大,对移动终端有一定的硬件要求。本***支持上述两种实施方案,可以根据患者情况灵活选取。
综上所述,本发明可以安装在患者的移动设备中,在无医生和护士操作的情况下,通过移动设备拍摄患者身上的手术切口图像,并通过本***对手术切口愈合图像进行切口红肿、硬结、血肿、积液和化脓五个指标进行识别,结合手术类型给出患者切口的状态,解决了患者出院后无法对手术切口进行有效识别与管理的问题。同时对于本地无法识别的图像,可以通过云端来进行识别,可大大提高手术切口等级检测的效率和准确率,实现智能终端的患者自检,能大大减少外科手术后患者的住院时间,避免由于护士或医生的经验不足导致的手术切口愈合等级的判断失误。
Claims (9)
1.一种手术切口愈合等级判别***,其特征在于,包括图像采集模块、切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块、切口化脓判别模块、愈合等级判别模块、数据存储模块、图像分类模块和增量学习模块;
所述图像采集模块,用于获取手术切口处的图像;
所述图像分类模块,用于对图像采集模块获取的图像进行手术类型标注;
所述切口红肿判别网络模块,包括红肿特征获取网络和第一高门限分类器,红肿特征获取网络用于获取图像采集模块所获取的图像中的切口红肿特征;第一高门限分类器用于限制低于阈值的切口红肿特征输出;
所述切口硬结判别网络模块,包括硬结特征获取网络和第二高门限分类器,硬结特征获取网络用于获取图像采集模块所获取的图像中的切口硬结特征;第二高门限分类器用于限制低于阈值的切口硬结特征输出;
所述切口血肿判别网络模块,包括血肿特征获取网络和第三高门限分类器,血肿特征获取网络用于获取图像采集模块所获取的图像中的切口血肿特征;第三高门限分类器用于限制低于阈值的切口血肿特征输出;
所述切口积液判别模块,包括积液特征获取网络和第四高门限分类器,积液特征获取网络用于获取图像采集模块所获取的图像中的切口积液特征;第四高门限分类器用于限制低于阈值的切口积液特征输出;
所述切口化脓判别模块,包括化脓特征获取网络和第五高门限分类器,化脓特征获取网络用于获取图像采集模块所获取的图像中的切口化脓特征;第五高门限分类器用于限制低于阈值的切口化脓特征输出;
所述愈合等级判别模块,包括输入层、隐藏层和输出层,用于根据输入的手术类型选取对应的神经元权重,将切口红肿判别网络模块、切口硬结判别网络模块、切口血肿判别网络模块、切口积液判别模块和切口化脓判别模块的输出通过神经元权重相乘叠加到隐藏层,通过隐藏层中的激活函数进行非线性映射,并根据隐藏层到输出层的权重关系,获取切口愈合等级;
所述增量学习模块,用于将被高门限分类器阻拦所对应的图像上传至云端进行识别,接收从云端返回的识别结果,将该图像与识别结果用于训练对应的特征获取网络。
2.根据权利要求1所述的手术切口愈合等级判别***,其特征在于,所述红肿特征获取网络、硬结特征获取网络、血肿特征获取网络、积液特征获取网络和化脓特征获取网络均包括依次相连的第一CBM层、第一CSP层、第二CBM层、第二CSP层、第三CBM层、第三CSP层、第四CBM层、第五CBM层、第四CSP层、第六CBM层、第七CBM层、第五CSP层、第八CBM层、第一CBL层、SPP层、第二CBL层、第三CBL层、第一上采样层、第一Concat层、第四CBL层、第五CBL层、第二上采样层、第二Concat层、第六CBL层、第七CBL层和第一卷积层;
所述第四CBM层的输出还连接第八CBL层,所述第八CBL层连接第二Concat层;所述第六CBM层的输出还连接第九CBL层,所述第九CBL层连接第一Concat层;
所述第二CBL层的输出还连接第三Concat层;所述第四CBL层的输出还连接第四Concat层;所述第六CBL层的输出还连接第十CBL层,第十CBL层连接第四Concat层;所述第四Concat层依次连接第十一CBL层、第十二CBL层和第二卷积层;
所述第十一CBL层的输出还连接第十三CBL层,第十三CBL层连接第三Concat层;所述第三Concat层依次连接第十四CBL层、第十五CBL层和第三卷积层。
3.根据权利要求2所述的手术切口愈合等级判别***,其特征在于,每个所述CBM层由Conv+BN+Mish激活函数组成,其中Conv为卷积层,BN为线性激活层。
4.根据权利要求2所述的手术切口愈合等级判别***,其特征在于,每个所述CBL层由Conv+BN+Leaky_relu激活函数组成,其中Conv为卷积层,BN为线性激活层,Leaky_relu为非线性激活函数。
5.根据权利要求2所述的手术切口愈合等级判别***,其特征在于,每个所述CSP层包括依次连接的第十六CBL层、Res Unit层、第十七CBL层和第五Concat层,以及设置在第五Concat层前的第十八CBL层;所述第十六CBL层和第十八CBL层的输入端同为CSP层的输入端,第五Concat层的输出端为CSP层的输出端。
6.根据权利要求5所述的手术切口愈合等级判别***,其特征在于,所述Res Unit层包括依次连接的第十九CBL层、第二十CBL层和叠加层,所述第十九CBL层的输入端和叠加层的另一个输入端同为Res Unit层的输入端,叠加层的输出端为Res Unit层的输出端。
7.根据权利要求2所述的手术切口愈合等级判别***,其特征在于,每个所述SPP层包括3个并联的5×5、9×9和13×13的最大池化层,每个最大池化层的输出端均与第六Concat层相连接,每个最大池化层的输入端和第六Concat层的第四个输入端同为SPP层的输入端,第六Concat层的输出端为SPP层的输出端。
9.根据权利要求8所述的手术切口愈合等级判别***,其特征在于,常量λ的值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189093.9A CN112289447B (zh) | 2020-10-30 | 2020-10-30 | 一种手术切口愈合等级判别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189093.9A CN112289447B (zh) | 2020-10-30 | 2020-10-30 | 一种手术切口愈合等级判别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112289447A CN112289447A (zh) | 2021-01-29 |
CN112289447B true CN112289447B (zh) | 2022-03-08 |
Family
ID=74353671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189093.9A Active CN112289447B (zh) | 2020-10-30 | 2020-10-30 | 一种手术切口愈合等级判别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112289447B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113017564B (zh) * | 2021-02-24 | 2023-02-24 | 西安交通大学医学院第一附属医院 | 一种儿童口腔手术后的护理***及方法 |
CN114266292A (zh) * | 2021-12-01 | 2022-04-01 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、***、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
CN109843176A (zh) * | 2016-07-29 | 2019-06-04 | 诺瓦达克技术有限公司 | 用于利用机器学习来表征受验者的组织的方法和*** |
CN110532908A (zh) * | 2019-08-16 | 2019-12-03 | 中国民航大学 | 一种基于卷积神经网络的手指静脉图像散射去除方法 |
KR20200021733A (ko) * | 2018-08-21 | 2020-03-02 | 주식회사 더마프로 | 딥러닝 기반 주름 평가 장치 |
CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
CN111368708A (zh) * | 2020-03-02 | 2020-07-03 | 中南大学湘雅医院 | 一种基于人工智能的烧烫伤图像快速分级识别方法及*** |
-
2020
- 2020-10-30 CN CN202011189093.9A patent/CN112289447B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109843176A (zh) * | 2016-07-29 | 2019-06-04 | 诺瓦达克技术有限公司 | 用于利用机器学习来表征受验者的组织的方法和*** |
CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
KR20200021733A (ko) * | 2018-08-21 | 2020-03-02 | 주식회사 더마프로 | 딥러닝 기반 주름 평가 장치 |
CN110532908A (zh) * | 2019-08-16 | 2019-12-03 | 中国民航大学 | 一种基于卷积神经网络的手指静脉图像散射去除方法 |
CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
CN111368708A (zh) * | 2020-03-02 | 2020-07-03 | 中南大学湘雅医院 | 一种基于人工智能的烧烫伤图像快速分级识别方法及*** |
Non-Patent Citations (2)
Title |
---|
Neural Correlates of Visual Aesthetics – Beauty as the Coalescence of Stimulus and Internal State;Richard H A H,Jacobs 等;《PloS one》;万方医学;20181113;第7卷(第2期);第e31248(1-8)页 * |
基于BP神经网络的骨折愈合强度仿真初探;王小平 等;《四川大学学报(医学版)》;20051230;第36卷(第6期);第885-887页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112289447A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112289447B (zh) | 一种手术切口愈合等级判别*** | |
Mustafa et al. | Systematic reviews and meta-analyses of the accuracy of HPV tests, visual inspection with acetic acid, cytology, and colposcopy | |
Piepho | An algorithm for a letter-based representation of all-pairwise comparisons | |
WO2019085064A1 (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
CN109785303A (zh) | 肋骨标记方法、装置、设备以及图像分割模型的训练方法 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
CN1804868A (zh) | 机器自动图像识别方法及装置 | |
CN111091536A (zh) | 医学图像处理方法、装置、设备、介质以及内窥镜 | |
CN114565763A (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN111403029B (zh) | 一种提高评估质量的信息处理方法及装置 | |
CN108055454A (zh) | 医用内窥镜人工智能芯片的体系架构及图像处理方法 | |
CN108492886B (zh) | 微创手术相似病案推荐方法、装置、设备及介质 | |
CN113362314A (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN110277166A (zh) | 一种宫腹腔镜辅助诊断***及方法 | |
CN105512473A (zh) | 一种***镜图像的智能识别方法及装置 | |
WO2023098806A1 (zh) | 手术等级确定方法、装置、***、设备及介质 | |
CN117036947A (zh) | 基于图像识别的农险出险预警方法、装置、设备及介质 | |
CN111061811A (zh) | 基于区块链和云服务的健康大数据管理*** | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN115761501A (zh) | 植物病害识别模型构建方法、装置及模型构建*** | |
CN110841143A (zh) | 一种用于预测输液管路状态的方法及*** | |
CN112183359B (zh) | 视频中的暴力内容检测方法、装置及设备 | |
CN113989643B (zh) | 管道状态检测方法、装置、介质及计算设备 | |
CN115346169A (zh) | 一种睡岗行为检测方法及*** |
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 |