[go: up one dir, main page]

CN118552533A - 一种癌性伤口监测数据分析处理方法、装置及存储介质 - Google Patents

一种癌性伤口监测数据分析处理方法、装置及存储介质 Download PDF

Info

Publication number
CN118552533A
CN118552533A CN202411017242.1A CN202411017242A CN118552533A CN 118552533 A CN118552533 A CN 118552533A CN 202411017242 A CN202411017242 A CN 202411017242A CN 118552533 A CN118552533 A CN 118552533A
Authority
CN
China
Prior art keywords
wound
data
cancerous
image
boundary
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.)
Granted
Application number
CN202411017242.1A
Other languages
English (en)
Other versions
CN118552533B (zh
Inventor
韩蓉
苏南
顾晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Tumor Hospital (nantong No5 People's Hospital)
Original Assignee
Nantong Tumor Hospital (nantong No5 People's Hospital)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Tumor Hospital (nantong No5 People's Hospital) filed Critical Nantong Tumor Hospital (nantong No5 People's Hospital)
Priority to CN202411017242.1A priority Critical patent/CN118552533B/zh
Publication of CN118552533A publication Critical patent/CN118552533A/zh
Application granted granted Critical
Publication of CN118552533B publication Critical patent/CN118552533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及癌性伤口技术领域，具体为一种癌性伤口监测数据分析处理方法、装置及存储介质，包括以下步骤：基于采集的癌性伤口图像数据，利用卷积神经网络，从伤口图像中抽取边缘特征，包括纹理和颜色深度，并对图像中的癌变区域进行辨识，获得癌变特征描述信息。本发明中，通过深度分析癌性伤口图像数据，提高了伤口监测的准确性和效率，采用图像处理技术抽取伤口的边缘、纹理和颜色深度，能更精细地描述伤口特征，从而提升了诊断的准确度，通过边缘检测技术对伤口的几何边界进行识别，并通过形态学操作分析伤口结构的变化，使得医疗人员能够实时监控伤口愈合过程中的每一次细微变化，循环神经网络的应用进一步分析了伤口尺寸和形状的动态变化。

Description

一种癌性伤口监测数据分析处理方法、装置及存储介质
技术领域
本发明涉及癌性伤口技术领域，尤其涉及一种癌性伤口监测数据分析处理方法、装置及存储介质。
背景技术
癌性伤口是因癌细胞侵蚀正常组织而形成的，常见于晚期癌症患者，伤口会因为癌细胞的不断生长而难以愈合，且常伴有感染、臭味和出血等问题。有效的癌性伤口管理需集成多学科的治疗方法，包括适当的清洁、消毒、药物治疗及现代医疗技术的应用，应用包括但不限于使用生物材料和高级敷料，进行疼痛管理，以及应用各种生物技术和信息技术来监测伤口的状态和进展，旨在改善患者的生活质量，减轻病痛，并尽可能地控制伤口相关的并发症。
其中，癌性伤口监测数据分析处理方法指的是一种通过技术手段收集和分析癌性伤口相关数据的方法，用于实时监控伤口的治疗进展和病理状态，包括伤口大小、形态变化、伤口分泌物的化学成分及其变化等数据的收集和分析，其主要用途是为医疗专业人员提供准确的数据支持，辅助做出更有效的治疗决策，并及时调整护理措施，从而加速伤口愈合，减少感染风险，提高患者的生存质量和治疗效果。
传统方法中的数据分析多依赖于间断性的物理评估和定期的医疗检查，无法提供持续的伤口状态监测，导致对伤口变化的响应不及时，导致无法准确追踪伤口的恶化或改善，特别是在癌性伤口恶化迅速的情况下，导致治疗决策延误，此外，传统方法在分析伤口的形态和结构变化时，缺乏足够的数据支持，难以形成全面的风险评估，影响治疗效果的最大化，限制了医疗专业人员对癌性伤口管理的能力。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种癌性伤口监测数据分析处理方法、装置及存储介质。
为了实现上述目的，本发明采用了如下技术方案：一种癌性伤口监测数据分析处理方法，包括以下步骤：
S1：基于采集的癌性伤口图像数据，利用卷积神经网络，从伤口图像中抽取边缘特征，包括纹理和颜色深度，并对图像中的癌变区域进行辨识，获得癌变特征描述信息；
S2：基于所述癌变特征描述信息，运用边缘检测技术识别癌性伤口的几何边界，通过形态学操作，分析伤口的结构变化，并确定伤口区域，获取边界特性验证数据；
S3：基于所述边界特性验证数据，应用循环神经网络，对连续的癌性伤口图像进行分析，计算图像序列中的伤口尺寸和形状变化，并分析恶性指标的时间序列数据，获取伤口变化记录；
S4：基于所述伤口变化记录，整合伤口尺寸和形态变化数据，评估变化数据对癌性伤口的恶化风险，生成伤口风险评估指标。
本发明改进有，所述从伤口图像中抽取边缘特征的步骤具体为：
S111：基于采集的癌性伤口图像数据，对癌性伤口图像进行去噪和灰度处理；
S112：应用索贝尔算子，采用公式：
；
计算图像的水平和垂直梯度，其中，为边缘强度，为水平梯度的权重系数，为垂直梯度的权重系数，为图像在水平方向上的梯度，为图像在垂直方向上的梯度，为非线性函数，定义为，用于优化边缘的对比度，为非线性优化系数；
S113：对边缘强度图像执行阈值化处理，通过比较每个像素的边缘强度与动态阈值，使用公式：
；
其中，为边缘二值化图像的像素值，为计算得到的边缘强度，为像素坐标，为基础阈值，为自适应调整系数，为边缘方向角，为边缘方向角的正弦值；
S114：从边缘二值化图像中抽取连续的边缘线信息，获得图像的边缘特征信息。
本发明改进有，所述癌变特征描述信息的获取步骤具体为：
S121：提取所述边缘特征的颜色深度C和纹理T，使用公式：
和
；
其中，为图像中的像素总数，为第个像素的亮度值，和分别代表第个像素点的颜色深度和纹理复杂度权重，、和是调整亮度影响的参数；
S122：应用卷积神经网络对提取的图像特征进行分析，识别图像中的癌变区域，采用公式：
；
其中，是位置的第个特征图，是第个特征图的权重矩阵中的元素，位于位置，是输入图像在位置的像素值，是激活函数，用于引入非线性，是第个特征图的偏置项；
S123：将识别的癌变区域特征与图像颜色和纹理特征进行结合，使用特征聚合公式：
；
获得癌变特征描述信息，其中，是CNN识别的癌变区域特征向量， 、 和是权重参数，用于优化特征描述。
本发明改进有，所述几何边界数据的识别步骤具体为：
S211：基于所述癌变特征描述信息，初始化边缘检测操作，使用公式：
；
设定初始化边界检测参数，其中，为癌变特征描述信息中的特征向量组，是调节边缘敏感性的常数，是归一化参数；
S212：在初始化参数基础上，进行形态学操作，采用公式：
；
细化边界特征，其中，表示选择的窗口区域，是获得的初始化边界检测参数，为形态学处理后的边界数据；
S213：根据形态学处理后的边界数据，比较和判断伤口区域的边界，使用公式：
；
其中，是阈值调整参数，是确定边界的阈值，用于判断目标区域是否属于癌变区域的边界，为几何边界识别数据，代表在位置上经过形态学处理后的值。
本发明改进有，所述边界特性验证数据的获取步骤具体为：
S221：根据所述几何边界数据，应用边界强度测量公式：
；
进行边界特性量化，其中，是处理窗口，为位置的形态学处理后的边界数据，和是调节因子，用于调整每个像素在总量化中的影响力和偏置，是用于调整量化级别的幂指数，表示边界的量化特性，为处理窗口中的像素总数；
S222：基于量化的边界特性数据，应用公式：
；
验证边界数据是否符合标准，其中，和是调节参数，用于调整量化特性值的线性变换，是决定边界的阈值，是边界特性验证结果。
本发明改进有，所述伤口尺寸和形状变化的计算步骤具体为：
S311：基于所述边界特性验证数据，对连续的癌性伤口图像进行分析，从每个图像中提取伤口的尺寸和形状特征，使用公式：
；
得到每帧的特征数据，其中，表示第帧图像中伤口的尺寸，表示第帧图像中伤口的形状特征，和是调节形状特征的系数，代表每帧图像的特征数据；
S312：使用循环神经网络分析特征数据的时间序列，识别尺寸和形状的变化趋势，采用公式：
；
其中，是序列中帧的特征数据集，是RNN模型的参数，是用于调整变化趋势幅度的系数，表示时间序列中伤口尺寸和形状的变化趋势；
S313：根据循环神经网络的输出，评估伤口的变化，采用公式：
；
其中，是RNN分析的结果，是伤口尺寸和形状变化信息。
本发明改进有，所述分析恶性指标的时间序列数据的步骤具体为：
S321：对所述伤口尺寸和形状变化数据进行迭代分析，与临床患者的恶性指标数据结合，应用公式：
；
其中，是第时刻的伤口尺寸和形状变化数据，是同一时刻的临床恶性指标数据，是权重参数，用于平衡尺寸数据和恶性指标的影响，表示整合的时间序列数据；
S322：应用统计模型对时间序列数据进行分析，使用公式：
；
识别潜在的恶性发展趋势，其中，FFT表示快速傅里叶变换，用于分析时间序列中的频率成分，是比例系数，用于调整分析结果的比例，是从时间序列数据中提取的恶性发展趋势；
S323：根据分析结果，评估和记录恶性指标的变化趋势，使用公式：
；
获得伤口变化记录，其中，max函数用于捕捉分析结果中的最大值，是的恶性发展趋势记录。
本发明改进有，所述伤口风险评估指标的获取步骤具体为：
S411：基于所述伤口变化记录，计算变化指数，采用公式：
；
其中，表示第时刻的伤口尺寸数据，表示形状数据，和是权重因子，调整尺寸和形状数据的关键性，为常数，规避对数运算中的数值为零，表示从伤口变化记录中计算的变化指数；
S412：根据变化指数，应用逻辑回归模型评估伤口恶化的风险，采用公式：
；
其中，是风险模型的系数，是模型的截距，用于调整风险评估的基线，表示伤口恶化风险的评估结果；
S413：基于伤口恶化风险的评估结果，应用公式：
判断伤口的风险状态，为伤口风险评估指标。
一种癌性伤口监测数据分析处理装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的癌性伤口监测数据分析处理方法的步骤。
一种癌性伤口监测数据分析处理的存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的癌性伤口监测数据分析处理方法的步骤。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过深度分析癌性伤口图像数据，提高了伤口监测的准确性和效率，采用图像处理技术抽取伤口的边缘、纹理和颜色深度，能更精细地描述伤口特征，从而提升了诊断的准确度，通过边缘检测技术对伤口的几何边界进行识别，并通过形态学操作分析伤口结构的变化，使得医疗人员能够实时监控伤口愈合过程中的每一次细微变化，循环神经网络的应用进一步分析了伤口尺寸和形状的动态变化，提供了持续更新的数据流，提高了治疗过程中的数据支持。
附图说明
图1为本发明提出一种癌性伤口监测数据分析处理方法的流程图；
图2为本发明提出一种癌性伤口监测数据分析处理方法中从伤口图像中抽取边缘特征的流程示意图；
图3为本发明提出一种癌性伤口监测数据分析处理方法中癌变特征描述信息的获取流程示意图；
图4为本发明提出一种癌性伤口监测数据分析处理方法中几何边界数据的识别流程示意图；
图5为本发明提出一种癌性伤口监测数据分析处理方法中边界特性验证数据的获取流程示意图；
图6为本发明提出一种癌性伤口监测数据分析处理方法中伤口尺寸和形状变化的计算流程示意图；
图7为本发明提出一种癌性伤口监测数据分析处理方法中分析恶性指标的时间序列数据的流程示意图；
图8为本发明提出一种癌性伤口监测数据分析处理方法中伤口风险评估指标的获取流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”“宽度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例
请参阅图1，本发明提供一种技术方案：一种癌性伤口监测数据分析处理方法，包括以下步骤：
S1：基于采集的癌性伤口图像数据，利用卷积神经网络，从伤口图像中抽取边缘特征，包括纹理和颜色深度，并对图像中的癌变区域进行辨识，获得癌变特征描述信息；
S2：基于癌变特征描述信息，运用边缘检测技术识别癌性伤口的几何边界，通过形态学操作，分析伤口的结构变化，并确定伤口区域，获取边界特性验证数据；
S3：基于边界特性验证数据，应用循环神经网络，对连续的癌性伤口图像进行分析，计算图像序列中的伤口尺寸和形状变化，并分析恶性指标的时间序列数据，获取伤口变化记录；
S4：基于伤口变化记录，整合伤口尺寸和形态变化数据，评估变化数据对癌性伤口的恶化风险，生成伤口风险评估指标。
癌变特征描述信息包括边缘锐度信息、纹理复杂度信息、色彩对比度，伤口变化记录包括尺寸变异数据、形态变异数据、标记指标，伤口风险评估指标包括风险等级、变化速率信息、响应评估结果。
请参阅图2，从伤口图像中抽取边缘特征的步骤具体为：
S111：基于采集的癌性伤口图像数据，对癌性伤口图像进行去噪和灰度处理；
S112：应用索贝尔算子，采用公式：
；
计算图像的水平和垂直梯度，其中，为边缘强度，为水平梯度的权重系数，用于调节在总梯度中的影响力，为垂直梯度的权重系数，用于调节在总梯度中的影响力，为图像在水平方向上的梯度，为图像在垂直方向上的梯度，为非线性函数，定义为，用于优化边缘的对比度，为非线性优化系数；
S113：对边缘强度图像执行阈值化处理，通过比较每个像素的边缘强度与动态阈值，使用公式：
；
其中，为边缘二值化图像的像素值，为计算得 到的边缘强度，为像素坐标，为基础阈值，为自适应调整系数，用于根据边缘强度的局部变化动态调整阈值，为边缘方向角，用于优化阈值的动态适应性，为边缘方向角的正弦值；
S114：从边缘二值化图像中抽取连续的边缘线信息，获得图像的边缘特征信息。
边缘强度中，假设有以下数值：
（假设一个点的水平和垂直梯度值）；
（假定等权重）；
（非线性系数）。
计算非线性函数的值：
；
代入所有值：
；
边缘二值化图像中，假设有以下数值：
（基础阈值）；
（自适应调整系数）；
（边缘方向为45度）。
计算阈值调整：
；
由于，大于107.07，所以。
请参阅图3，癌变特征描述信息的获取步骤具体为：
S121：提取边缘特征的颜色深度C和纹理T，使用公式：
和
；
其中，为图像中的像素总数，为第个像素的亮度值，和分别代表第个像素点的颜色深度和纹理复杂度权重，、和是调整亮度影响的参数；
S122：应用卷积神经网络对提取的图像特征进行分析，识别图像中的癌变区域，采用公式：
；
其中，是位置的第个特征图，是第个特征图的权重矩阵中的元素，位于位置，是输入图像在位置的像素值，是激活函数，用于引入非线性，是第个特征图的偏置项；
S123：将识别的癌变区域特征与图像颜色和纹理特征进行结合，使用特征聚合公式：
；
获得癌变特征描述信息，其中，是CNN识别的癌变区域特征向量， 、 和是权重参数，用于优化特征描述。
图像特征提取：
假设有以下数值：
，假设处理的是一个包含100个像素的小区域；
，每个像素的亮度、颜色深度和纹理复杂度的示例值；，为了调整亮度的影响，选择这些值。
计算过程：
计算C：
；
计算T：
；
癌变区域识别：
假设有以下数值：
权重值；
像素值；
。
计算过程：
计算：
；
如果使用Sigmoid激活函数：
特征聚合与描述：
假设有以下数值：
；
。
计算过程：
计算：
；
计算显示如何从图像数据中提取并利用数值特征来识别和描述癌变特征。
请参阅图4，几何边界数据的识别步骤具体为：
S211：基于癌变特征描述信息，初始化边缘检测操作，使用公式：
；
设定初始化边界检测参数，其中，为癌变特征描述信息中的特征向量组，表示图像中每个像素的特征强度，是调节边缘敏感性的常数，用于优化边缘检测的初始阶段，是归一化参数；
S212：在初始化参数基础上，进行形态学操作，采用公式：
；
细化边界特征，其中，表示选择的窗口区域，是获得的初始化边界检测参数，为形态学处理后的边界数据，表示窗口内邻近像素差值的正弦值的平均；
S213：根据形态学处理后的边界数据，比较和判断伤口区域的边界，使用公式：
；
其中，是阈值调整参数，是确定边界的阈值，用于判断目标区域是否属于癌变区域的边界，为几何边界识别数据，代表在位置上经过形态学处理后的值。
边界检测初始化：
假设有以下数值：
假设有3个特征向量：；
。
计算流程：
计算特征向量的平方根并求和：
；
应用归一化和指数函数：
；
形态学操作：
假设有以下数值：
为简化模型，假设包括四个像素；
窗口大小。
计算流程：
计算相邻像素差的正弦值并求和：
；
计算示例数值：
；
伤口区域边界确认：
假设有以下数值：
。
计算流程：
应用对数和乘法操作：
；
比较结果与阈值：
因此，不满足边界条件。
请参阅图5，边界特性验证数据的获取步骤具体为：
S221：根据几何边界数据，应用边界强度测量公式：
；
进行边界特性量化，其中，是处理窗口，为位置的形态学处理后的边界数据，和是调节因子，用于调整每个像素在总量化中的影响力和偏置，是用于调整量化级别的幂指数，表示边界的量化特性，为处理窗口中的像素总数；
S222：基于量化的边界特性数据，应用公式：
；
验证边界数据是否符合标准，其中，和是调节参数，用于调整量化特性值的线性变换，是决定边界的阈值，是边界特性验证结果。
边界特性量化：
假设有以下数值：
；
，假设窗口大小为4。
计算流程：
计算每个像素的加权和偏置后的值，并平方：
；
；
；
；
求和并平均后取幂：
；
边界特性验证：
应用线性变换和阈值判断：
假设，=1.8；
；
因此=“Valid”
通过这种方法，计算和验证了边界特性，确保了图像分析的准确性和可靠性。
请参阅图6，伤口尺寸和形状变化的计算步骤具体为：
S311：基于边界特性验证数据，对连续的癌性伤口图像进行分析，从每个图像中提取伤口的尺寸和形状特征，使用公式：
；
得到每帧的特征数据，其中，表示第帧图像中伤口的尺寸，表示第帧图像中伤口的形状特征，和是调节形状特征的系数，代表每帧图像的特征数据，使用指数函数强调形状影响；
S312：使用循环神经网络分析特征数据的时间序列，识别尺寸和形状的变化趋势，采用公式：
；
其中，是序列中帧的特征数据集，是RNN模型的参数，是用于调整变化趋势幅度的系数，表示时间序列中伤口尺寸和形状的变化趋势；
S313：根据循环神经网络的输出，评估伤口的变化，采用公式：
；
其中，是RNN分析的结果，是伤口尺寸和形状变化信息。
提取尺寸和形状数据：
假设有以下数值：
为第帧图像中伤口的尺寸，假设为10；
为第帧图像中伤口的形状特征，假设为3；
为形状特征的调节系数，用于强化形状特征的影响，假设为0.5；
为形状特征的缩放参数，用于调整形状特征对结果的影响敏感度，假设为2。
计算过程：
计算尺寸平方：
；
计算形状影响：
；
结合尺寸与形状的影响：
；
分析时间序列变化：
假设有以下数值：
假设为[102.24，103.68，101.12]，即连续三帧的特征数据；
为RNN模型参数；
用于调整最小值影响的系数，假设为1。
计算过程：
假设RNN输出为序列平均值：
；
计算最小值的影响：
；
结合RNN输出与最小值影响：
；
输出伤口尺寸和形状变化：
假设有以下数值：
从上步计算得到的1.22；
假设变化趋势的最大值为1.50，最小值为1.00。
计算过程：
计算变化范围：
；
计算变化记录：
；
请参阅图7，分析恶性指标的时间序列数据的步骤具体为：
S321：对伤口尺寸和形状变化数据进行迭代分析，与临床患者的恶性指标数据结合，应用公式：
；
其中，是第时刻的伤口尺寸和形状变化数据，是同一时刻的临床恶性指标数据，是权重参数，用于平衡尺寸数据和恶性指标的影响，表示整合的时间序列数据；
S322：应用统计模型对时间序列数据进行分析，使用公式：
；
识别潜在的恶性发展趋势，其中，FFT表示快速傅里叶变换，用于分析时间序列中的频率成分，是比例系数，用于调整分析结果的比例，是从时间序列数据中提取的恶性发展趋势；
S323：根据分析结果，评估和记录恶性指标的变化趋势，使用公式：
；
获得伤口变化记录，其中，max函数用于捕捉分析结果中的最大值，用于表示恶性发展的趋势，是的恶性发展趋势记录。
集成恶性指标数据：
假设有以下数值：
假设在第时刻的伤口尺寸变化为2.5；
同一时刻的临床恶性指标数据，假设为45；
为增强尺寸变化的平方影响的权重系数，假设为0.8；
为调整恶性指标的线性影响的权重系数，假设为1.2；
为用于规范化恶性指标，防止高恶性值的过度影响，假设为10。
计算过程：
计算尺寸变化的平方影响：
；
计算恶性指标的调整影响：
；
综合计算：
；
时间序列分析：
假设有以下数值：
上步计算得到的5.982；
FFT为快速傅里叶变换，用于分析频率成分；
为比例系数，调整结果规模，假设为0.95。
计算过程：
假设FFT的输出为1.2
计算结果：
；
输出恶性发展趋势记录：
上步计算得到的1.14，因只有一个值，所以最大值就是1.14。
请参阅图8，伤口风险评估指标的获取步骤具体为：
S411：基于伤口变化记录，计算变化指数，采用公式：
；
其中，表示第时刻的伤口尺寸数据，表示形状数据，和是权重因子，调整尺寸和形状数据的关键性，为常数，规避对数运算中的数值为零，表示从伤口变化记录中计算的变化指数；
S412：根据变化指数，应用逻辑回归模型评估伤口恶化的风险，采用公式：
；
其中，是风险模型的系数，是模型的截距，用于调整风险评估的基线，表示伤口恶化风险的评估结果；
S413：基于伤口恶化风险的评估结果，应用公式：
判断伤口的风险状态，为伤口风险评估指标。
假设有以下数值：
，为某时刻的伤口尺寸（厘米）；
，为相应时刻的形状系数（无量纲）；
，为尺寸数据的权重因子，加强尺寸变化对评估指标的贡献；
，为形状数据的权重因子，体现形状变化在综合指数中的重要性；
，为防止对数运算中的数值为零，一个小的常数。
整合伤口变化数据：
计算过程：
对于数据应用平方根和权重：
；
对形状数据应用对数（加上小的常数避免错误）：
；
将两部分加起来得到综合变化指数：
；
评估癌性伤口恶化风险：
假设有以下数值：
，为风险模型的调整系数，确定综合变化指数对最终风险评估的影响程度；
，为模型的截距，用于调整风险评估的基线，以适应不同的阈值。
计算过程：
应用综合变化指数于逻辑回归模型：
；
生成伤口风险评估指标
由于大于0.5，因此：。
一种癌性伤口监测数据分析处理装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的癌性伤口监测数据分析处理方法的步骤。
一种癌性伤口监测数据分析处理的存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的癌性伤口监测数据分析处理方法的步骤。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种癌性伤口监测数据分析处理方法，其特征在于，包括以下步骤：
基于采集的癌性伤口图像数据，利用卷积神经网络，从伤口图像中抽取边缘特征，包括纹理和颜色深度，并对图像中的癌变区域进行辨识，获得癌变特征描述信息；
基于所述癌变特征描述信息，运用边缘检测技术识别癌性伤口的几何边界，通过形态学操作，分析伤口的结构变化，并确定伤口区域，获取边界特性验证数据；
基于所述边界特性验证数据，应用循环神经网络，对连续的癌性伤口图像进行分析，计算图像序列中的伤口尺寸和形状变化，并分析恶性指标的时间序列数据，获取伤口变化记录；
基于所述伤口变化记录，整合伤口尺寸和形态变化数据，评估变化数据对癌性伤口的恶化风险，生成伤口风险评估指标。
2.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述从伤口图像中抽取边缘特征的步骤具体为：
基于采集的癌性伤口图像数据，对癌性伤口图像进行去噪和灰度处理；
应用索贝尔算子，采用公式：
；
计算图像的水平和垂直梯度，其中，为边缘强度，为水平梯度的权重系数，为垂直梯度的权重系数，为图像在水平方向上的梯度，为图像在垂直方向上的梯度，为非线性函数，定义为，用于优化边缘的对比度，为非线性优化系数；
对边缘强度图像执行阈值化处理，通过比较每个像素的边缘强度与动态阈值，使用公式：
；
其中，为边缘二值化图像的像素值，为计算得到的边缘强度，为像素坐标，为基础阈值，为自适应调整系数，为边缘方向角，为边缘方向角的正弦值；
从边缘二值化图像中抽取连续的边缘线信息，获得图像的边缘特征信息。
3.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述癌变特征描述信息的获取步骤具体为：
提取所述边缘特征的颜色深度C和纹理T，使用公式：
，
和
；
其中，为图像中的像素总数，为第个像素的亮度值，和分别代表第个像素点的颜色深度和纹理复杂度权重，、和是调整亮度影响的参数；
应用卷积神经网络对提取的图像特征进行分析，识别图像中的癌变区域，采用公式：
；
其中，是位置的第个特征图，是第个特征图的权重矩阵中的元素，位于位置，是输入图像在位置的像素值，是激活函数，用于引入非线性，是第个特征图的偏置项；
将识别的癌变区域特征与图像颜色和纹理特征进行结合，使用特征聚合公式：
；
获得癌变特征描述信息，其中，是CNN识别的癌变区域特征向量， 、 和是权重参数，用于优化特征描述。
4.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述几何边界数据的识别步骤具体为：
基于所述癌变特征描述信息，初始化边缘检测操作，使用公式：
；
设定初始化边界检测参数，其中，为癌变特征描述信息中的特征向量组，是调节边缘敏感性的常数，是归一化参数；
在初始化参数基础上，进行形态学操作，采用公式：
；
细化边界特征，其中，表示选择的窗口区域，是获得的初始化边界检测参数，为形态学处理后的边界数据；
根据形态学处理后的边界数据，比较和判断伤口区域的边界，使用公式：
；
其中，是阈值调整参数，是确定边界的阈值，用于判断目标区域是否属于癌变区域的边界，为几何边界识别数据，代表在位置上经过形态学处理后的值。
5.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述边界特性验证数据的获取步骤具体为：
根据所述几何边界数据，应用边界强度测量公式：
；
进行边界特性量化，其中，是处理窗口，为位置的形态学处理后的边界数据，和是调节因子，用于调整每个像素在总量化中的影响力和偏置，是用于调整量化级别的幂指数，表示边界的量化特性，为处理窗口中的像素总数；
基于量化的边界特性数据，应用公式：
；
验证边界数据是否符合标准，其中，和是调节参数，用于调整量化特性值的线性变换，是决定边界的阈值，是边界特性验证结果。
6.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述伤口尺寸和形状变化的计算步骤具体为：
基于所述边界特性验证数据，对连续的癌性伤口图像进行分析，从每个图像中提取伤口的尺寸和形状特征，使用公式：
；
得到每帧的特征数据，其中，表示第帧图像中伤口的尺寸，表示第帧图像中伤口的形状特征，和是调节形状特征的系数，代表每帧图像的特征数据；
使用循环神经网络分析特征数据的时间序列，识别尺寸和形状的变化趋势，采用公式：
；
其中，是序列中帧的特征数据集，是RNN模型的参数，是用于调整变化趋势幅度的系数，表示时间序列中伤口尺寸和形状的变化趋势；
根据循环神经网络的输出，评估伤口的变化，采用公式：
；
其中，是RNN分析的结果，是伤口尺寸和形状变化信息。
7.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述分析恶性指标的时间序列数据的步骤具体为：
对所述伤口尺寸和形状变化数据进行迭代分析，与临床患者的恶性指标数据结合，应用公式：
；
其中，是第时刻的伤口尺寸和形状变化数据，是同一时刻的临床恶性指标数据，是权重参数，用于平衡尺寸数据和恶性指标的影响，表示整合的时间序列数据；
应用统计模型对时间序列数据进行分析，使用公式：
；
识别潜在的恶性发展趋势，其中，FFT表示快速傅里叶变换，用于分析时间序列中的频率成分，是比例系数，用于调整分析结果的比例，是从时间序列数据中提取的恶性发展趋势；
根据分析结果，评估和记录恶性指标的变化趋势，使用公式：
；
获得伤口变化记录，其中，max函数用于捕捉分析结果中的最大值，是的恶性发展趋势记录。
8.根据权利要求1所述的癌性伤口监测数据分析处理方法，其特征在于，所述伤口风险评估指标的获取步骤具体为：
基于所述伤口变化记录，计算变化指数，采用公式：
；
其中，表示第时刻的伤口尺寸数据，表示形状数据，和是权重因子，调整尺寸和形状数据的关键性，为常数，规避对数运算中的数值为零，表示从伤口变化记录中计算的变化指数；
根据变化指数，应用逻辑回归模型评估伤口恶化的风险，采用公式：
；
其中，是风险模型的系数，是模型的截距，用于调整风险评估的基线，表示伤口恶化风险的评估结果；
基于伤口恶化风险的评估结果，应用公式：
；
判断伤口的风险状态，为伤口风险评估指标。
9.一种癌性伤口监测数据分析处理装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的癌性伤口监测数据分析处理方法的步骤。
10.一种癌性伤口监测数据分析处理的存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的癌性伤口监测数据分析处理方法的步骤。
CN202411017242.1A 2024-07-29 2024-07-29 一种癌性伤口监测数据分析处理方法、装置及存储介质 Active CN118552533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411017242.1A CN118552533B (zh) 2024-07-29 2024-07-29 一种癌性伤口监测数据分析处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411017242.1A CN118552533B (zh) 2024-07-29 2024-07-29 一种癌性伤口监测数据分析处理方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN118552533A true CN118552533A (zh) 2024-08-27
CN118552533B CN118552533B (zh) 2024-10-29

Family

ID=92455170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411017242.1A Active CN118552533B (zh) 2024-07-29 2024-07-29 一种癌性伤口监测数据分析处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN118552533B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119151934A (zh) * 2024-11-19 2024-12-17 山东衡昊信息技术有限公司 一种基于图像处理的心外术后监控系统及方法
CN120259295A (zh) * 2025-06-04 2025-07-04 中国人民解放军空军军医大学 一种联合影像学分析的直肠癌放疗效果动态监测系统
CN120859446A (zh) * 2025-09-25 2025-10-31 中国人民解放军联勤保障部队第九六八医院 伤口复温舱加压过程的形变可视化监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013049153A2 (en) * 2011-09-27 2013-04-04 Board Of Regents, University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
CN117635616A (zh) * 2024-01-26 2024-03-01 江西科技学院 用于医学检查结果互认的影像诊断系统
CN117854163A (zh) * 2024-03-06 2024-04-09 深圳市品生科技有限公司 一种掌静脉识别方法、系统及储存介质
CN118037698A (zh) * 2024-03-13 2024-05-14 中国人民解放军总医院第一医学中心 一种用于野战的伤口智能监测与管理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013049153A2 (en) * 2011-09-27 2013-04-04 Board Of Regents, University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
CN117635616A (zh) * 2024-01-26 2024-03-01 江西科技学院 用于医学检查结果互认的影像诊断系统
CN117854163A (zh) * 2024-03-06 2024-04-09 深圳市品生科技有限公司 一种掌静脉识别方法、系统及储存介质
CN118037698A (zh) * 2024-03-13 2024-05-14 中国人民解放军总医院第一医学中心 一种用于野战的伤口智能监测与管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李天钢, 王素品: "基于形态学方法的胃癌病理细胞图像的边缘检测", 中国图象图形学报, no. 10, 25 October 2004 (2004-10-25), pages 90 - 94 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119151934A (zh) * 2024-11-19 2024-12-17 山东衡昊信息技术有限公司 一种基于图像处理的心外术后监控系统及方法
CN120259295A (zh) * 2025-06-04 2025-07-04 中国人民解放军空军军医大学 一种联合影像学分析的直肠癌放疗效果动态监测系统
CN120859446A (zh) * 2025-09-25 2025-10-31 中国人民解放军联勤保障部队第九六八医院 伤口复温舱加压过程的形变可视化监测方法及系统

Also Published As

Publication number Publication date
CN118552533B (zh) 2024-10-29

Similar Documents

Publication Publication Date Title
CN118552533B (zh) 一种癌性伤口监测数据分析处理方法、装置及存储介质
Rajan et al. Brain tumor detection and segmentation by intensity adjustment
CN104599270B (zh) 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
CN111695644B (zh) 基于光密度变换的肿瘤超声图像分类方法、装置及介质
CN116630762B (zh) 一种基于深度学习的多模态医学图像融合方法
Jeyavathana et al. A survey: analysis on pre-processing and segmentation techniques for medical images
CN108492300B (zh) 管状结构增强与能量函数结合的肺部血管树分割方法
CN116645384B (zh) 基于人工智能的干细胞区域快速分割方法
CN118657756B (zh) 用于脑肿瘤患者护理的智能辅助决策系统及方法
CN119579623B (zh) 一种用于脊柱外科手术的ct影像分割方法
Qiao et al. Edge extraction method for medical images based on improved local binary pattern combined with edge-aware filtering
Jia et al. A parametric optimization oriented, AFSA based random forest algorithm: application to the detection of cervical epithelial cells
Zhang et al. Object localization improved grabcut for lung parenchyma segmentation
CN119399219A (zh) 一种基于自适应特征融合的医疗超声图像分割方法及系统
CN103455821B (zh) 基于bi-rads的图像分析装置和方法
CN114862799A (zh) 一种用于flair-mri序列的全自动脑体积分割算法
Faisal et al. Computer assisted diagnostic system in tumor radiography
Masood et al. Automated segmentation of skin lesions: Modified Fuzzy C mean thresholding based level set method
Mouzai et al. Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging
Priyanka et al. Optimizing breast cancer detection: machine learning for pectoral muscle segmentation in mammograms
Pawar et al. Machine learning approach towards mammographic breast density measurement for breast cancer risk prediction: an overview
Yang et al. An effective approach for CT lung segmentation using region growing
CN118898605A (zh) 智能化mri影像分析辅助系统
CN118967607A (zh) 一种泌尿生殖系统图像分析与评估方法
Zhang et al. MCs Detection with Combined Image Features and Twin Support Vector Machines.

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