System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及烧伤医疗诊断,尤其涉及一种基于深度学习模型的烧伤深度人工智能鉴别方法及系统。
技术介绍
1、烧伤事故频繁发生,对于烧伤深度的鉴别对于后续治疗方案的确定非常关键。按照烧伤深度分度可将烧伤分为i度、浅ii度、深ii度、iii度,按照严重程度可分为轻度烧伤、中度烧伤、重度烧伤、特重烧伤。
2、1.烧伤深度:
3、(1)i度:仅伤及表皮浅层,生发层健在。表面红斑状、干燥,可有烧灼感。
4、(2)浅ii度:伤及表皮的生发层和真皮乳头层。局部红肿明显,有大小不一的水疱,内含淡黄色澄清液体,剥脱后创面红润、潮湿,伴明显疼痛。
5、(3)深ii度:伤及真皮乳头层以下,但仍残留部分网状层,深浅不一,可有水疱,去除水疱皮后,创面湿润,红白相间,痛觉较迟钝。
6、(4)iii度:也称焦痂型烧伤,全层皮肤烧伤,可深及肌肉、骨骼、内脏器官等。创面焦黄,甚至炭化,较硬,干燥无渗液,发凉,针刺和拔毛无痛觉。
7、2.严重程度:
8、(1)轻度烧伤:ii度烧伤面积在10%以下。
9、(2)中度烧伤:ii度烧伤面积在10%-30%,或伴有iii度烧伤,面积在10%以下。
10、(3)重度烧伤:烧伤总面积在30%-50%,或iii度烧伤面积在10%-20%,或ii、iii度烧伤面积虽及上述百分比,但发生休克、吸入性损伤、复合伤等。
11、(4)特重烧伤:烧伤总面积超过50%,或iii度烧伤超过20%。
12、传统上,皮肤
13、作为人工智能的一个重要子集,深度学习正在迅速发展,并在疾病的辅助诊断和治疗方面取得了显著成功。此外,在各种深度学习模型中,卷积神经网络(cnn)的监督学习已经得到了广泛开发,在从mri、ct到病理图像的许多成像相关领域已经达到或超过了医学专家的水平。通过从手机拍摄到皮肤镜的照片,cnn已被应用于皮肤相关疾病的研究,如黑色素瘤、基底细胞癌或不同类型的炎症性皮肤病的识别。虽然cnn皮肤相关疾病领域的应用潜力和卓越的质量已经得到了很好的报道,但仍处于初级阶段,在烧伤深度人工智能鉴别方面还没有成熟的应用。
14、mobilenetv2是一种轻量级的卷积神经网络,旨在提高计算效率和减少模型大小。它采用了两个主要策略:深度可分离卷积和线性瓶颈。mobilenetv2采用了深度可分离卷积和线性瓶颈等技术来实现轻量级网络设计。然而在烧伤深度人工智能鉴别方面也有成熟的应用方案。
15、因此存在能够根据深度学习模型进行烧伤深度人工智能鉴别技术方案的需求。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习模型的烧伤深度人工智能鉴别方法及系统,基于mobilenet或resnet卷积神经网络构建的深度学习模型实现对于烧伤深度的快速准确的智能鉴别。
2、本专利技术一方面提供了一种基于深度学习模型的烧伤深度人工智能鉴别方法,基于mobilenet或resnet卷积神经网络实现,包括:
3、s1,数据集构建;
4、s2,建立初始深度学习模型;
5、s3,训练初始深度学习模型从而获得最优深度学习模型;
6、s4,基于最优深度学习模型确定烧伤深度。
7、优选的,所述s1包括:
8、s11,获取原始烧伤照片;所述原始烧伤照片在治疗前基于数码相机或手机拍摄,其中所有患者信息被隐藏;所述原始烧伤照片的纳入标准包括完整清晰地显示感兴趣区域roi;所述原始烧伤照片的排除标准包括是否存在其他皮肤问题、纹身或歧义;
9、s12,对原始烧伤照片进行有效区域剪切,获得分型的皮肤图像,所述分型依据皮肤的烧伤表征确定,与烧伤深度关联;所述分型包括四种类型,所述四种类型为一度,浅二度,深二度,三度烧伤;
10、s13,基于分型的皮肤图像进行数据集划分,分成训练集、验证集和测试集,训练集用于模型训练,验证集用于模型参数优化,测试集用于评价模型的准确性。
11、优选的,所述s2包括:
12、s21,确定烧伤识别的深度学习模型框架;确定mobilenetv1、mobilenetv2或mobilenetv3卷积神经网络模型作为烧伤识别的深度学习模型框架;或者基于resnet-50卷积神经网络模型作为烧伤识别的模型框架,resnet-50包含50个卷积层,4组残差结构,每组分别由两个1×1卷积核和一个3×3卷积核组成,在每组残差结构中,卷积层的通道数相同;
13、s22,基于深度学习模型基本架构确定用于模型训练的训练方式、模型输入的图像参数以及损失函数;
14、s23,确定用于训练的关键参数,所述关键参数包括批大小、初始学习率以及迭代次数。
15、优选的,所述训练方式为迁移学习的方式,预训练权重参数采用的是在大型公开数据库imagenet上训练好的参数;所述模型输入的图像大小设置为512×512像素;采用交叉熵损失函数作为损失函数。
16、优选的,所述s3包括:
17、s31,确定训练方式;采用数据增强和权重参数衰减两种手段同时进行训练;对于数据增强,采用水平翻转、垂直翻转、随机旋转、添加高斯噪声和随机裁剪方法;对于权重参数衰减,采用l2正则化方法,衰减系数设置为1e-4;所述最优模型选择基准以调优数据集上的评价指标dice系数确定,最终选择验证集中准确率最高的模型作为最优模型;
18、s32,基于所述训练方式迭代训练初始深度学习模型;
19、s33,基于最优模型选择基准选定最优深度学习模型;
20、优选的,所述s4包括:
21、s41,获取实时的烧伤图片,将所述实时的烧伤图片输入最优深度学习模型;其中,所述实时的烧伤图片获取后进行自动预处理或者手动预处理,所述自动预处理包括图像捕获和数据预处理的自动化;
22、s42,获得烧伤深度人工智能鉴别结果。
23、优选的,所述mobilenet卷积神经网络或所述resnet卷积神经网络均基于正常和烧伤皮肤的图片进行训练;或者均基于包括其他共存的皮肤病变的皮肤和烧伤皮肤的图片进行训练,训练中配合机器学习防止干扰所述烧伤深度的人工智能鉴别;所述其他共存的皮肤病变包括脂溢性角化病、色素痣、湿疹和特应性皮炎中的一种或多种。
24、本专利技术的第二方面在于提供一种基于深度学习模型的烧伤深度人工智能鉴别系统,基于mobilenet或resnet卷积神经网络实现,包括:
25本文档来自技高网...
【技术保护点】
1.一种基于深度学习模型的烧伤深度人工智能鉴别方法,基于MobileNet或ResNet卷积神经网络实现,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述S1包括:
3.根据权利要求2所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述S2包括:
4.根据权利要求3所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述训练方式为迁移学习的方式,预训练权重参数采用的是在大型公开数据库ImageNet上训练好的参数;所述模型输入的图像大小设置为512×512像素;采用交叉熵损失函数作为损失函数。
5.根据权利要求4所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述S3包括:
6.根据权利要求5所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述S4包括:
7.根据权利要求6所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述MobileNet卷积神经网络或所述Res
8.一种基于深度学习模型的烧伤深度人工智能鉴别系统,基于MobileNet或ResNet卷积神经网络实现,其特征在于,包括:
9.一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
...【技术特征摘要】
1.一种基于深度学习模型的烧伤深度人工智能鉴别方法,基于mobilenet或resnet卷积神经网络实现,其特征在于,包括:
2.根据权利要求1所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述s1包括:
3.根据权利要求2所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述s2包括:
4.根据权利要求3所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述训练方式为迁移学习的方式,预训练权重参数采用的是在大型公开数据库imagenet上训练好的参数;所述模型输入的图像大小设置为512×512像素;采用交叉熵损失函数作为损失函数。
5.根据权利要求4所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,所述s3包括:
6.根据权利要求5所述的一种基于深度学习模型的烧伤深度人工智能鉴别方法,其特征在于,...
【专利技术属性】
技术研发人员:李东杰,孙佳辰,张文,李鹏程,刘海亮,申传安,
申请(专利权)人:中国人民解放军总医院第四医学中心,
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。