申请/专利权人：中国人民解放军总医院第六医学中心

申请日：2024-04-03

公开（公告）日：2024-06-07

公开（公告）号：CN117994255B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/13;G06T5/70;G06T5/30;G06N7/01;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明公开了外科检测技术领域的基于深度学习的肛裂检测系统，系统包括图像质量增强模块、特征映射构建模块、逻辑关系解析模块、模型参数优化模块、概率评估构建模块、综合决策支持模块、性能反馈优化模块。本发明中，通过图像质量增强模块和特征映射构建模块，提升了图像预处理和特征提取的准确性，使得肛裂的识别更为精准和高效。此外，通过逻辑关系解析模块和概率评估构建模块不仅强化了图像特征与医学知识库之间的连接，还引入贝叶斯方法对诊断结果的不确定性进行量化分析，增强了诊断决策的信息支持力度。通过综合决策支持模块使得诊断过程中能够综合考虑图像识别结果、逻辑推理分析与概率评估，提供了全面的决策依据。

主权项：1.基于深度学习的肛裂检测系统，其特征在于，所述系统包括图像质量增强模块、特征映射构建模块、逻辑关系解析模块、模型参数优化模块、概率评估构建模块、综合决策支持模块、性能反馈优化模块；所述图像质量增强模块对输入的肛裂图像进行预处理，包括去除噪声，执行腐蚀与膨胀操作，突出图像中的肛裂特征，通过开运算和闭运算增强图像对比度和边缘清晰度，生成优化的图像集；所述特征映射构建模块以优化的图像集为基础，提取图像中的关键的视觉特征，包括边缘检测、颜色强度分析和形态特征，构建描述肛裂及其周围组织的特征向量，生成特征向量集；所述逻辑关系解析模块利用特征向量集，将图像特征与预定义的医学知识库中的肛裂特征进行匹配，分析特征之间的逻辑关系，并构建对应的逻辑关系图，生成特征逻辑分析结果；所述逻辑关系解析模块包括特征与医学标准对比子模块、特征逻辑关系分析子模块、医学逻辑关系图构建子模块；所述特征与医学标准对比子模块逐项扫描特征向量集中的每个特征，与医学知识库内记录的肛裂特征进行对照，采用余弦相似度算法对特征相似度进行评分，利用递归特征消除法，进行关键指标的筛选，得到关键特征匹配结果；所述余弦相似度算法按照式I: ，计算特征向量与医学知识库内记录的肛裂特征向量之间的余弦值评估相似度，生成关键特征匹配结果；其中，为特征向量集中的一个特征向量，为医学知识库中的肛裂特征向量，代表与向量关联的上下文信息向量，代表与向量关联的上下文信息向量，为权重系数，和分别表示向量和的模或长度，和分别表示上下文信息向量和的模或长度，为余弦相似度值；所述特征逻辑关系分析子模块接收关键特征匹配结果，评估特征之间的空间排列和相互作用，利用排列组合原则，识别存在诊断价值的特征组合，通过定性分析选定特征组合的逻辑关系，得到逻辑关系模型；所述医学逻辑关系图构建子模块基于逻辑关系模型，展现特征组合之间的逻辑联系以及与肛裂诊断标准的对应关系图，得到特征逻辑分析结果；所述模型参数优化模块以特征向量集为输入，执行参数调优操作，包括调整网络层次结构、学习率和正则化参数，优化模型在识别和分类肛裂图像的能力，生成优化的模型参数；所述概率评估构建模块基于特征逻辑分析结果和优化的模型参数，执行概率分析，使用贝叶斯方法对诊断结果的不确定性进行量化，通过计算多种诊断假设下的概率分布，生成概率评估结果；所述概率评估构建模块包括概率模型构建子模块、诊断结果可变性分析子模块、诊断假设概率计算子模块；所述概率模型构建子模块分析特征逻辑分析结果和优化后的模型参数的数据，设定每个诊断假设的初始概率，并采用条件概率表与贝叶斯网络，根据特征与假设之间的相互作用调整条件概率，生成基础概率框架；所述贝叶斯网络按照式II: 式II计算参照上下文信息后的条件概率值，生成基础概率框架；其中，为条件概率，为在假设为真时证据的概率，为假设的先验概率，为证据出现的无条件概率，为与假设关联的上下文信息的概率，为权重系数；所述诊断结果可变性分析子模块采用基础概率框架，通过分析框架中每个假设的概率分布，识别引起诊断结果变动的关键因素，并对因素进行概率调整，得到优化的概率框架；所述诊断假设概率计算子模块利用优化的概率框架，为每个诊断假设计算综合概率值，调整框架内参数，反映当前诊断信息，得到概率评估结果；所述综合决策支持模块结合特征逻辑分析结果和概率评估结果，解析诊断结果的变化来源和概率评估对诊断决策的影响，整合全部分析内容和推荐的诊断方向，生成综合分析信息集；所述综合决策支持模块包括可变性因素来源识别子模块、概率评估影响分析子模块、诊断建议综合子模块；所述可变性因素来源识别子模块查看概率评估结果，辨识引起诊断变化的关键变量，包括数据稀疏性或特征歧义性，定位影响诊断精确度的因素，生成关键变量识别结果；所述概率评估影响分析子模块利用关键变量识别结果，量化变量对诊断概率影响的程度，通过简化模拟实验，测算多个变量改变时对结果的影响大小，确立影响权重，得到影响权重评估结果；所述诊断建议综合子模块依托影响权重评估结果，汇总所述特征逻辑分析结果和概率评估结果的信息，比较每个诊断假设的综合支持力度，形成综合分析信息集；所述性能反馈优化模块基于综合分析信息集，收集医生和患者的反馈，并根据收集到的反馈进行模型和流程的迭代优化，生成性能优化模型。

全文数据：

权利要求：

百度查询： 中国人民解放军总医院第六医学中心 基于深度学习的肛裂检测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD