CN119399192A 一种压力性损伤图像检测及评估方法 （四川大学华西医院）

本发明涉及医疗图像处理与机器学习技术2实时采集患者皮肤的视频图像数据，并对采集到计算每个初始损伤预测区域的质心位置点，并根据质心位置点的各项特征指标数据，将压力性损伤预测区域对应的检测结果以图表和报告形式进行输出，通过显示器对采集到的视频图像数据进行预览，确认采集内容符通过主机对接收到的视频图像数据进行图像去噪处理和亮度均衡将预处理数据集中的视频序列视为三维时空的亮度信号，对亮度信号进行时域滤波，根据预设的放大因子对空间滤波后的亮度信号进对亮度信号数据集进行K均值聚类处理，设定聚类数量为2，并随计算每个像素点亮度信号与两个初始聚类中心的距离，将通过迭代计算，直到聚类中心不再发生显著变化或达到预设的迭代根据聚类结果，将属于潜在压力性损伤区域的聚类簇所对应的像素3计算每个初始压力性损伤预测区域内所有像素点的横坐标提取质心位置点与对应的邻近像素点的亮度信号，并计算亮度信号的时根据特征指标数据，对初始压力性损伤预测区域的边界进行自适应扩展或收通过迭代调整，直到所有初始压力性损伤预测区域的边界达到稳6.如权利要求5所述的压力性损伤图像检测方法，其特征在于，所述根据特征指标数根据每个特征指标对于压力性损伤图像检测的相对重要性，对每7.一种压力性损伤图像评估方法，基于如权利要求1_6任一项所述的压力性损伤图像通过边缘检测算法，识别压力性损伤预测区域的边缘特征，得到压力性对压力性损伤预测区域的边缘检测结果进行轮廓识别，筛选出符对压力性损伤预测区域轮廓进行纹理分析，提取压力性损伤预测区域轮廓的纹理特将最终的压力性损伤预测区域对应的检测结果以图表、报告或可视化界面的形式输8.如权利要求7所述的压力性损伤图像评估方法，其特征在于，所述通过边缘检测算对压力性损伤预测区域应用Canny边缘检测算法；使用高斯滤波器对压力性损伤预测通过轮廓分析算法，对压力性损伤预测区域的边缘检测结果进行轮根据预设的压力性损伤区域的形状指标，结合轮廓分析结果，对每4计算筛选后的轮廓质心位置，并与压力性损伤预测对满足形状和位置要求的轮廓，标记为符合压力性损伤特征的压在选定的偏移量和角度下，计算压力性损伤预测区域轮廓内像素灰度值的共生频率，根据对应的灰度共生矩阵，计算并分析压力性损伤预测区域的纹通过若干种缩放比例对压力性损伤预测区域的图像进行缩放处理，将每种缩放比例对应的纹理特征量与预设的压力性损伤纹理特征56通过显示器对采集到的视频图像数据进行预览，确认采集内容符合检测要求后，理数据集。根据预设的放大因子对空间滤波后的亮度信号进7对压力性损伤预测区域应用Canny边缘检测算法；使用高斯滤波器对压力性损伤8将每种缩放比例对应的纹理特征量与预设的压力性损伤纹理特征量进行对比分提高检测效率与准确性：通过实时采集患者皮肤的视频图像数据并进行预处理，结合视频放大处理和聚类算法进行图像分割，能够自动识别并划分出压力性损伤预测区定个性化的护理计划。9[0025]通过显示器对采集到的视频图像数据进行预览，确认采理算法根据视频图像的特点和后续处理的需求进行选择置合适的带宽以捕获目标频率成分。带宽的选择根据压力性损伤的特征频率范围进行确征指标设置对应加权系数，加权系数反映了不同特征指标在评估皮肤状态时的贡献程度；每次调整都基于当前的加权融合值和阈值比较告或可视化界面分发给相关的医护人员或患者家属，确保他们能够理解这些结果和建议，对压力性损伤预测区域应用Canny边缘检测算法；使用高斯滤波器对压力性损伤伤预测区域轮廓内的每个像素，计算其在选定偏移量和角度下与相邻像素的灰度值组合出点和检测需求，选择对压力性损伤敏感的纹理特征量作为后续分析的基础。建立或获取正常皮肤的纹理特征量数据库，作为对比基准；将压力性损伤预测区域的纹理特征量与正常[0049]将每种缩放比例对应的纹理特征量与预设的压力性损伤纹理特征量进行对比分为一个一维数据，则目标区域内N个像素点的亮度值集合可以表示为Q={q1,q2,…,qw}，素点亮度值的均值；lqr-cyl表示像素点qi与聚类中心cj之间差的绝对值，即第i个像素点的横坐标；yi表示图像中第i个像素点的纵坐标；n代表聚类分割出的初始压代调整，直到所有初始压力性损伤预测区域的边界达到稳定状态或满足预设的迭代条件，对压力性损伤预测区域应用Canny边缘检测算法；使用高斯滤波器对压力性损伤表示压力性损伤区域的期望形状；perimeter(contour每个压力性损伤预测区域轮廓的形状进行评估，筛选出符合压力性损伤典型特征的轮廓；[0076]其中，HY表示相似性值;相似性值反映了图像中灰度值相近的像素对出现的频例下的纹理特征；将每种缩放比例对应的纹理特征量与预设的压力性损伤纹理特征量进[0081]其中，n表示特征点的数量；(wo)9表示第9个特征点的边缘检测结果的权重；表示第9