【技术实现步骤摘要】
一种基于图像识别算法的医疗影像分析和智能大健康管理系统
[0001]本专利技术创造涉及图像识别及人工智能领域，具体涉及一种基于图像识别算法的医疗影像分析和智能大健康管理系统。
技术介绍
[0002]随着科学技术的飞速发展，图像识别和人工智能已成为如今新兴技术的重要分支，图像识别和人工智能作为现阶段研究热点，需配备科学、合理机器学习算法满足社会需求，并提升图像识别效率，结合人工智能技术，借助各类训练优化算法，增强图像识别准确性，降低图像处理难度，增强机器学习能力，此外，为使图像识别和人工智能领域有所突破，还应将传统机器算法予以优化升级，同时结合图像识别技术，全面提升图像识别处理能力。
[0003]机器学习是由模式识别、人工智能计算学习理论为基础所转变的一类计算机科学分支，被广泛应用至各相关领域中，机器学习是一项多领域综合学科，涉及算法复杂度理论、逼近论、统计学及概率论等多项理论，此学科将计算机如何模拟及实现人类学习行为作为主要研究内容，探究计算机获取新知识、技能方式，将已存在知识结构予以重新组织，实现自身性能不断优化，机器学习为人工智能核心，也为使计算机拥有智能的基本方式，现已逐渐应用至与人工智能相关的各领域中，主要为综合及归纳而并非演绎，据研究表明，多数状态下，处理数据规模越大，机器学习模型效率越高，所以，机器学习是大数据智能分析的主要方式，机器学习为现阶段大数据重要处理方式，能将多种优势予以结合，针对具体问题选取最为适宜处理方式，机器学习能将人为因素所造成的局限性予以突破，借助深度学习、决策树及神经网络等，...
【技术保护点】
【技术特征摘要】
1.一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，包括人体影像获取端、人体影像检测端、人体影像识别端、医疗影像分析系统智能控制端，人体影像获取端包括人体影像获取模块，人体影像获取模块采用CCD摄像机获取固定时隙下的人体影像，人体影像检测端包括人体影像检测模块和智能存储模块，人体影像检测模块采用ME
‑
FAST
‑
R
‑
CNN网络对人体影像获取端获取的图像进行特征提取并提高图像检测时的精度，智能存储模块采用云存储方式将图像检测结果进行智能存储，影像识别模块采用DMEM算法对人体影像检测端检测后的图像进行处理分析，识别各种不同模式的人体影像，医疗影像分析系统智能控制端包括智能控制模块，智能控制模块采用模糊神经网络PID控制算法对医疗影像分析系统进行智能控制。2.根据权利要求1所述的一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，人体影像获取模块依据设定的固定时隙，采用CCD摄像机不间断的对人体影像进行拍摄采集，并将采集后的人体影像传送至人体影像检测模块进行图像检测处理。3.根据权利要求1所述的一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，人体影像检测模块采用ME
‑
FAST
‑
R
‑
CNN网络对人体影像获取端获取的图像进行特征提取并提高图像检测时的精度。4.根据权利要求3所述的一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，ME
‑
FAST
‑
R
‑
CNN网络首先对采集的人体影像进行特征提取，通过R
‑
CNN网络将人体影像转换为特征图，并将特征图发送至区域建议网络RNP，然后对图像进行特征融合和候选区域生成，采用多任务增强RPN来增加Faster
‑
R
‑
CNN的搜索能力，并选择合适的锚盒大小和尺寸来提高图像检测的精度，最后对图像进行检测处理，并采用随机森林算法获得分类和回归结果，ME
‑
FAST
‑
R
‑
CNN网络由两个子网络组成，即RPN网络和FAST
‑
R
‑
CNN网络，共享Faster
‑
R
‑
CNN网络的前五个卷积层，其训练过程如下：首先，将采集的人体影像数据集划分为训练集S
t
和测试集S，并将其他字段中的人体影像作为辅助训练集D
s
，然后，将D
s
输入到5级CNN中将图像转换为特征图，再将获得的特征图输入到多任务增强RPN网络中进行训练，最后，使用人体影像训练集S
t
的小样本对CNN进行端到端微调并得到一系列候选区域，为提高FAST
‑
R
‑
CNN对图像检测的精度，在FAST
‑
R
‑
CNN训练前先进行RPN网络的训练，IoU重叠率定义为：其中，S
anchorBox
为锚盒，S
foregroundTruth
为人体影像真值盒，将一个二进制分类标签分配给每个锚盒，如果锚盒和某个人体影像真值盒之间的IoU＜0.7，则锚盒称为正样本，如果两者之间的IoU＜0.3，则锚盒称为负样本，其余锚盒既不为正也不为负，它们将在训练过程中被抛弃，将回归输出的人体影像真值框和候选框的位置差作为损失函数，并用梯度下降法训练网络，网络损耗函数为：其中，i为在一个小批量中的第i个锚点，p
i
表示i的锚定框成为目标的概率，介于[0,1]，正样本的为1，负样本的为0，t
i
为候选框的位置，为人体影像真值框的位置，为分类损失函数，为回归损失函数，为仅对正样本执行回归，分类和回归操作分别输出候选框作为目标的概率p
i
和候选框的位置t
i
，N
cls
为小批量的大小，N
reg
为锚点的数量，N
cls
、N
reg
和平衡
权重λ用于归一化p
i
和t
i
，分类损失函数具体如下：具体如下：回归损失函数具体如下：其中，损失函数具体如下：边界回归的四个坐标定义为：其中，x和y为预测框的坐标，x
α
和y
α
为锚框的坐标，x
*
为人体影像真值框的坐标，w为锚箱宽度，h为锚箱高度，通过获得的候选区域捕获原始图像作为FAST
‑
R
‑
CNN的输入，然后通过特征提取、目标分类和边界盒回归获得网络参数，作为FAST
‑
R
‑
CNN的初始参数，基于共享卷积层，使用经过良好训练的网络参数初始化RPN，然后对RPN的三个专有层进行微调，卷积的参数即为前一步骤中训练的参数，在卷积层固定的情况下，使用人体影像数据集D
s
调整FAST
‑
R
‑
CNN的FC层；最后，采用随机森林算法获得分类和回归结果，随机森林算法首先需要选择提取的属性和数据参数，然后随机选择人体影像，形成一个对应于原始人体影像集的属性系统，由下式表示：S＝{U,A,V,f}，其中，U为属性体系，A为人体影像的条件属性和决策属性集的交集，V表示相应选定属性的范围，f表示决策属性的信息函数，则能将原始数据集中要选择的任何人体影像表示为m
ij
，并且人体影像的相应选择参数为：其中，C为条件属性集，D为决策属性集，f表示决策属性的信息函数，依据上式获得参数的计算结果，确定训练样本数据集的选定数据量，并根据不同的图像类型进行编号，随机森林算法基于训练样本数据生成单个决策树，然后根据集合分裂模式获得随机森林，为了优化随机森林并实现并行分类功能，在建立模型的过程中设置控制参数，以控制决策树的分裂和生长，根据单个决策树的增益规则，对每个非叶节点进行二分，并将当前要分类的项目划分为两个子集，以实现决策树的增长，假设单个决策树由n个连续数据组成，则必须有n
‑
1个分裂点，随机森林模型中任何训练样本的预期分类信息定义为：I(s1,s2,
…
,s
n
)＝∑log2P
i
，其中，s1为第1个样本数据，s2为第2个样本数据，s
n
为第n个样本数据，P
i
为样本属于类型C的概率，然后，根据参数λ
ij
的计算结果，将单个决策树对应的数据集本身划分为多个，相应的数据分割增益Gain(λ
ij
)由下式表示：Gain(λ
ij
)＝I(s1,s2,
…
,s
n
)，其中，s1为第1个样本数据，s2为第2个样本数据，s
n
为第n个样本数据，基于所建立的随机森林模型，分别计算决策树之间的距离权重和单个决策树中叶节点的权重，并根据计算结果实现随机森林模型的加权优化，人体影像和样本数据的距离权重分别定义为w
p
和w
t
，并行计算样本距离权重和人体影像距离权重，计算人体影像距离权重的公式如下：其中，F为人体影像的量化函数，X用于表示人体影像中图像的位置，r用于表示指定图像与其相关图像之间的距离，参数是图像平滑参数，计算对应于样本训练数据集的决策树的权重，并且通过合成所有方面的权重来获得距离权重，然后通过以下步骤实现初始随机森林算法的加权优化：首
先用基本参数确定原始算法，并随机设置预测样本数N和随机属性数m的初始值，在建立的随机森林模型中，计算距离权重，加权随机森林的优化步骤由下式计算：f
wRF
(x)＝argmax{∑w
i
}，其中，f
WRF
(x)为加权随机森林的优化结果，i的值分别为p和t，最后，将随机森林中的所有决策树作为拟合值进行迭代，并确定模型的参数，然后实现原始随机森林模型的加权优化。5.根据权利要求1所述的一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，智能存储模块采用云存储方式将图像检测后的图像进行存储，云存储方式通过集群应用及分布式文件系统功能将网络中大量各种不同类型的存储设备通过各种应用软件集合起来协同工作，共同对外提供数据存储和管理的云计算系统，将图像检测后的图像放到云端上进行存储。6.根据权利要求1所述的一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，影像识别模块采用DMEM算法对人体影像检测端检测后的图像进行处理分析，识别各种不同模式的人体影像。7.根据权利要求6所述的一种基于图像识别算法的医疗影像分析和智能大健康管理系统，其特征在于，DMEM算法的图像识别取决于匹配准则的相似度，匹配标准为平均绝对误差MAD(u,v)，MAD(u,v)如下：其中，C
t
为亮度的绝对强度差，G
t
为梯度的绝对强度差，(u,v)为运动向量，为C
t
和G
t
之间的一个权重值，C
t
(u,v)具体如下：其中，I
...
【专利技术属性】
技术研发人员：王洪平，
申请(专利权)人：深圳市普兴医疗设备有限公司，
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。