申请/专利权人:吉林大学
申请日:2024-05-14
公开(公告)日:2024-07-09
公开(公告)号:CN118173270B
主分类号:G16H50/30
分类号:G16H50/30;G06F18/213;G06F18/25;G06N3/09;G16H50/70;A61B5/00;A61B5/0205;G06F123/02
优先权:
专利状态码:有效-授权
法律状态:2024.07.09#授权;2024.06.28#实质审查的生效;2024.06.11#公开
摘要:本申请公开了一种患者术后感染风险评估系统及方法,涉及医疗信息处理技术领域,其采用基于深度学习的人工智能技术对患者的伤口状态图像进行图像分析,提取出患者的伤口状态特征,同时,调取患者的体温和心率数据,挖掘出患者体征的时序变化模式,并基于患者体征和伤口状态的多模态融合特征对患者的伤口感染情况进行综合表征,从而智能识别伤口是否发生感染。这样,可以有效识别和管理患者术后感染的风险,以便于及时地针对患者伤口感染情况进行预防和治疗,从而提高手术成功率和患者满意度。
主权项:1.一种患者术后感染风险评估系统,其特征在于,包括:伤口状态监控模块,用于获取由摄像头采集的被监控患者对象的伤口状态图像;体温心率监控模块,用于调取所述被监控患者对象在采集所述伤口状态图像前的预定时间段内的体温值的时间序列和心率值的时间序列;时序模式特征提取模块,用于对所述体温值的时间序列和所述心率值的时间序列进行时序模式特征提取以得到体温时序关联特征向量和心率时序关联特征向量;体征综合表征模块,用于使用动态元素级特征融合模块对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到体征时序模式特征向量;伤口状态特征提取模块,用于对所述伤口状态图像进行伤口状态特征提取和多尺度空间强化以得到空间显化伤口状态特征图;感染风险评估模块,用于基于所述空间显化伤口状态特征图和所述体征时序模式特征向量之间的跨模态关联特征,确定评估结果;其中,所述体征综合表征模块,用于:以如下动态元素级特征融合公式对所述体温时序关联特征向量和所述心率时序关联特征向量进行语义融合以得到所述体征时序模式特征向量,其中,所述动态元素级特征融合公式为: ;其中,表示所述体温时序关联特征向量,表示所述心率时序关联特征向量,表示所述体征时序模式特征向量,表示连接操作,是变换向量,是偏置参数,表示激活函数,为门限值,且;其中,所述时序模式特征提取模块,用于:将所述体温值的时间序列和所述心率值的时间序列分别按照时间维度排列为体温时序输入向量和心率时序输入向量后通过基于一维卷积神经网络模型的时序模式特征提取器以得到所述体温时序关联特征向量和所述心率时序关联特征向量;其中,所述伤口状态特征提取模块,包括:图像特征提取单元,用于将所述伤口状态图像通过基于卷积神经网络模型的伤口状态特征提取器以得到伤口状态特征图;空间显化单元,用于将所述伤口状态特征图通过多尺度泛空间注意力模块以得到所述空间显化伤口状态特征图;其中,所述空间显化单元,用于:以如下泛空间注意力强化公式对所述伤口状态特征图进行特征强化处理以得到所述空间显化伤口状态特征图,其中,所述泛空间注意力强化公式为: ; ;其中,为所述伤口状态特征图,为所述伤口状态特征图的空间尺寸,、和分别表示所述伤口状态特征图沿空间维度的平均池化特征矩阵、最大池化特征矩阵和随机池化特征矩阵,表示拼接处理,表示进行基于N×N卷积核的卷积操作,为激活函数,表示空间注意力权重矩阵,表示哈达玛积,表示所述空间显化伤口状态特征图;其中,所述感染风险评估模块,包括:跨模态关联编码单元,用于将所述空间显化伤口状态特征图和所述体征时序模式特征向量通过基于元网络的跨模态关联编码器以得到伤口感染多模态综合表征特征图;分类单元,用于将所述伤口感染多模态综合表征特征图通过基于分类器的感染风险评估器以得到所述评估结果,所述评估结果用于表示是否发生伤口感染;其中,所述跨模态关联编码单元,用于:将所述体征时序模式特征向量通过点卷积层以得到第一卷积特征向量;将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量;将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量;将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量;融合所述第二修正卷积特征向量与所述空间显化伤口状态特征图以得到所述伤口感染多模态综合表征特征图。
全文数据:
权利要求:
百度查询: 吉林大学 患者术后感染风险评估系统及方法
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。