【技术实现步骤摘要】
本专利技术涉及医学，尤其涉及基于神经网络和深度学习的红外热成像评估方法。
技术介绍
1、伤口评估对病情判断、治疗护理方案制定以及治疗护理的效果评价具有重要的临床现实意义，因此如何更加客观、准确且快速地评估伤口至关重要。
2、目前传统的方式一般通过医务人员对患者的伤口进行评估，但是伤口面积测量和计算不仅加重护理人员的工作负担，特别是大多数伤口呈不规则创面，从而简单的人工方法进行面积计算往往存在明显的误差。
技术实现思路
1、本专利技术的目的在于提供基于神经网络和深度学习的红外热成像评估方法，旨在解决传统的伤口评估方法误差较大的问题。
2、为实现上述目的，本专利技术提供了基于神经网络和深度学习的红外热成像评估方法，包括以下步骤：
3、采集患者初始伤口红外热成像图；
4、对所述初始伤口红外热成像图进行划分，得到伤口划分图；
5、基于神将网络算法和专家分析方法生成伤口评估模型；
6、通过所述伤口评估模型对伤口划分图进行伤口评估，得到伤口评估数据。
7、其中，所述采集患者初始伤口红外热成像图，包括：
8、患者脱下伤口处衣物；
9、通过所述红外检测装置对患者伤口进行采集，得到初始伤口红外热成像图。
10、其中，所述通过所述红外检测装置对患者伤口进行采集，得到初始伤口红外热成像图，包括：
11、将患者伤口处对准红外检测装置；
12、所述红外检测装置对患者
13、通过传输模块将伤口采集数据传输至显示器，得到初始伤口红外热成像图。
14、其中，所述对所述初始伤口红外热成像图进行划分，得到伤口划分图，包括：
15、对所述初始伤口红外热成像图进行分析，得到分析数据；
16、基于所述分析数据对所述初始伤口红外热成像图进行划分，得到伤口划分图。
17、其中，所述基于神将网络算法和专家分析方法生成伤口评估模型，包括：
18、通过神将网络算法对模型进行训练，得到训练模型；
19、基于专家分析方法对所述训练模型进行训练，得到伤口评估模型。
20、其中，所述通过所述伤口评估模型对伤口划分图进行伤口评估，得到伤口评估数据，包括：
21、将所述伤口划分图输入所述伤口评估模型进行处理，得到伤口计算数据；
22、对所述伤口计算数据进行判断，得到伤口评估数据。
23、其中，所述对所述伤口计算数据进行判断，得到伤口评估数据，包括：
24、通过所述初始伤口红外热成像图与所述伤口计算数据进行对比，得到对比数据；
25、对所述对比数据进行计算，得到误差数据；
26、对所述误差数据进行判断，得到伤口评估数据。
27、本专利技术的基于神经网络和深度学习的红外热成像评估方法，包括以下步骤：采集患者初始伤口红外热成像图；对所述初始伤口红外热成像图进行划分，得到伤口划分图；基于神将网络算法和专家分析方法生成伤口评估模型；通过所述伤口评估模型对伤口划分图进行伤口评估，得到伤口评估数据，患者进入检查室根据伤口位置脱下对应位置的衣物将伤口处露出，患者根据指示将伤口位置对应所述红外检测装置的采集口，通过所述黄外检测装置对患者的伤口处进行伤口采集，得到伤口采集数据，通过所述传输模块将患者的所述伤口采集数据传输至显示器处进行存储，并对患者的信息进行备注，得到患者的初始伤口红外热成像图，对患者的所述初始伤口红外热成像图进行分析得到患者伤口处的分析数据，划分模块基于所述分析数据对患者的所述初始伤口红外热成像图进行等比例划分，得到伤口划分图，通过所述网络算法模型对初始模型进行训练得到神将网络算法训练模型，通过所述专家分析方法对上述步骤得到的所述神将网络算法训练模型进行训练，最终生成所述伤口评估模型，将上述步骤中得到的所述伤口划分图输入至所述伤口评估模型中，通过所述伤口评估模型对所述伤口划分图进行处理，得到所述伤口的计算数据，将所述初始伤口红外热成像图与所述伤口计算数据进行对比，得到对比数据，将所述对比数据作为计算误差值的支撑，通过对所述对比数据的计算，得到伤口评估模型的计算误差值对所述误差数据进行盘软，若所述计算误差值小于预设误差值，则输出伤口评估数据，若所述计算误差值大于预设误差值，则输出误差信息重新对伤口进行评估。本方法通过神将网络算法和专家分析方法对模型进行训练生成伤口评估模型，通过所述伤口评估模型对患者的伤口面积进行评估，有效提高了伤口评估效率降低了患者伤口评估的误差，且有效降低了医务人员的工作强度，同时提高了患者的就医效率，从而解决了决传统的伤口评估方法误差较大的问题。
本文档来自技高网...【技术保护点】
1.基于神经网络和深度学习的红外热成像评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
3.如权利要求2所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
4.如权利要求3所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
5.如权利要求4所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
6.如权利要求5所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
7.如权利要求6所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
【技术特征摘要】
1.基于神经网络和深度学习的红外热成像评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
3.如权利要求2所述的基于神经网络和深度学习的红外热成像评估方法，其特征在于，
4.如权利要求3所述的基于神经网络和深度学...
【专利技术属性】
技术研发人员：郭毅，吴士明，杨名娟，
申请(专利权)人：浙江极地光谱医疗器械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。