CN108492862A - 基于分布式ct终端机的医学影像云成像与判读方法及系统 - Google Patents
基于分布式ct终端机的医学影像云成像与判读方法及系统 Download PDFInfo
- Publication number
- CN108492862A CN108492862A CN201810101982.1A CN201810101982A CN108492862A CN 108492862 A CN108492862 A CN 108492862A CN 201810101982 A CN201810101982 A CN 201810101982A CN 108492862 A CN108492862 A CN 108492862A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- imaging
- cloud
- distributed
- 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
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开的一种基于分布式CT终端机的医学影像云成像与判读系统,解决了现有技术中高度集成化的CT只能集中部署在大医院、辐射危害大、难以汇集成影像大数据、不能进行影像自动智能判读等问题;该系统成本低廉,易于推广;可充分利用云计算资源优势,使采用高分辨率成像算法成为可能。本发明还公开了一种基于分布式CT终端机的医学影像云成像与判读方法,该方法可以解决医疗影像大数据的汇集与共享问题;同时可避免疲劳、情绪等人为干扰因素,从而降低误诊率。
Description
技术领域
本发明属于医学成像及影像判读方法技术领域,具体涉及一种基于分布式CT终端机的医学影像云成像与判读方法。本发明还涉及一种基于分布式CT终端机的医学影像云成像与判读系统。
背景技术
计算机断层扫描(Computed Tomography,CT)是通过X射线对人体某一部位进行断层扫描,利用探测器接收衰减的X射线信号,形成原始数据,即RawData,然后应用成像算法将其转化为一系列断层图像的方法。现有医疗CT机由断层扫描单元和成像工作站构成,其中断层扫描单元(用于数据采集)经过40多年的发展已经非常成熟,其成本较低。成像工作站由配备有多块GPU计算卡的高性能计算机、成像软件和存储系统组成,完成数据校正、图像重建、图像显示和存储等功能。而GPU成像计算机、成像软件及存储系统是造成CT机昂贵的主要原因。传统高度集成化的CT设备存在价格昂贵、维护困难、成像软件更新效率低、存储容量有限等诸多不足之处。更为突出的是,目前所用的CT机仅仅是一种医学成像专用设备,尚无标配的自动影像判读功能。
大数据时代对医疗领域带来了前所未有的机遇,尤其是云计算、GPU计算和分布式计算等技术为高分辨率和低剂量成像迭代重建算法的应用带来了机遇;深度学习技术使得计算机智能判读医学影像成为可能;高速互联网为医学影像生数据(raw data)和影像数据(image data)高效传输提供了良好的通信条件。应用这些新技术,本发明提出了一种基于分布式CT终端机的数据采集、数据传输、云端成像和智能影像判读等技术为一体的医学影像中心系统实现方法。该系统打破了传统的医学影像检查工作方式,形成了医学影像应用的全新模式。本系统的应用能够有效解决传统CT硬件成本高且普及难度大、无法使用先进迭代重建算法、数据分散难以支持影像大数据分析等诸多难题,从而对缓解百姓“看病难、看病贵”等社会矛盾提供可行的技术途径,具有重要的社会价值和巨大的商业价值。
发明内容
本发明的基于分布式CT终端机的医学影像云成像与判读系统,解决了现有CT成像技术所存在的CT硬件成本高且普及难度大、无法使用先进迭代重建算法、数据分散难以支持影像大数据分析等诸多难题,特别是高度集成化的CT因其成本高一般集中部署在大医院,成像辐射剂量偏高,难以汇集成影像大数据,不便于影像自动智能判读技术推广应用等缺陷。
本发明的一个技术方案为,本发明公开了一种基于分布式CT终端机的医学影像云成像与判读系统,包括分别依次连接的分布式CT终端、数据通信模块、云成像模块、云影像判读模块以及影像诊断报告发布模块。
分布式CT终端包括若干个CT终端机,CT终端机包括相互连接的扫描单元及本地工作站;本地工作站包括相互连接的边缘计算单元、数据通信单元以及数据存储单元。
云成像模块包括依次连接的前端Hbase、成像单元以及后端Hbase;前端Hbase和后端Hbase均分别由若干个相互独立的磁盘组成;每个成像单元均由相互连接的解密解压单元和迭代成像单元组成。
云影像判读模块包括若干个影像判读诊断模块;每个影像判读诊断模块都与诊断报告数据库连接。
本发明的另一个技术方案是,一种基于分布式CT终端机的医学影像云成像与判读方法,具体步骤如下:
步骤1:分布式CT终端获取人体断层扫描数据;
步骤1.1:由CT扫描单元对人体进行断层扫描,获得初始数据;
步骤1.2:初始数据经本地工作站进行边缘计算,生成人体断层扫描数据包;其中边缘计算包括对所述初始数据进行滤波、非线性校正形成生数据,再对生数据进行压缩、加密,并与快速成像算法形成的预成像数据一起形成人体断层扫描数据,人体断层扫描数据通过数据缓存单元进行缓存。
步骤2:人体断层扫描数据由数据通信模块传输到云成像模块,并由云成像模块将人体断层扫描数据生成通用格式影像文件;
步骤2.1:数据通信模块向云成像模块发起传输请求,由云成像模块分配数据接收端,同时数据通信模块与云成像模块协商压缩、加密方式及密钥;
步骤2.2:数据通信模块通过专用协议连接分配到的数据接收端,并通过专用信道将所述的人体断层扫描数据传输至数据接收端;
步骤2.3:数据接收端接收所述人体断层扫描数据并校验完整性;
步骤2.4:云成像模块将数据接收端收到的人体断层扫描数据还原为生数据和初始影像,然后使用成像算法形成通用格式影像数据文件,并保存于影像大数据存储系统中。
具体来说,步骤2.4包括:
步骤a:Flume监听数据源HBase,一旦发现有传输完成的加密文件,将其发送到Flume Channel排队;
步骤b:由Sink获取加密文件,并实现解密、解压,再还原为生数据和初始影像;
步骤c:对生数据运用图像重建算法形成通用格式影像数据文件;其中初始影像作为图像重建算法的初始值;
步骤d:将通用格式影像数据文件写入影像大数据存储系统中。
步骤3:云影像判读模块对通用格式影像文件进行智能判读形成通用影像分析和针对特定疾病的辅助诊断报告;
步骤3.1:Flume Agent监听到HBase有新的通用格式影像数据文件写入完成,便自动将其信息发送到Flume Channel排队;
步骤3.2:由Sink调用深度学习影像判读算法实现自动影像判读,并生成通用影像分析和针对特定疾病的辅助诊断报告;
步骤3.3:将通用影像分析和针对特定疾病的辅助诊断报告存入影像大数据存储系统中。
步骤4:通用影像分析和针对特定疾病的辅助诊断报告经专家审核后由影像诊断报告发布模块进行发布。
步骤4.1:专家阅读所述通用格式影像数据文件,审核对应的深度学习影像判读算法所生成的通用影像分析和针对特定疾病的辅助诊断报告;
步骤4.2:经专家审核的通用影像分析和针对特定疾病的辅助诊断报告由影像诊断报告发布模块进行发布;
步骤4.3:所述通用格式影像数据文件及其对应的已审核过的通用影像分析和针对特定疾病的辅助诊断报告存入影像大数据存储系统。
本发明的有益效果是:本发明的基于分布式CT终端机的医学影像云成像与判读系统,其中分布式CT终端机是简化版的CT机,成本低廉,易于推广。它只进行断层扫描,不成像或进行快速初步预成像,最终成像在云端实现。分布式CT终端机省去了CT成像功能部分或仅需要配置简单计算设备,能够有效地减少硬件成本。由于成像在云端进行,成像软件更新时只需要对云服务器上的软件更新操作即可。这样可大幅提升维护效率,降低维护成本,便于CT终端机下到农村、走进基层医院和体检机构。
云影像智能判读系统比人工判读效率更高、误判率更低。影像中心云计算系统并行化运行影像判读算法,判读效率极高,而且其影像判读算法可以通过影像中心积累的影像数据不断提升,判读准确率高于专家水平,同时还可避免医生因疲劳、情绪不佳等因素所引起的误诊。
本发明的基于分布式CT终端机的医学影像云成像与判读方法,其中云成像方法可充分利用云计算资源优势,使采用高分辨率成像算法成为可能。传统CT机集成的计算机系统受硬件成本因素制约,其计算能力有限,成像算法仅以解析算法为主。解析法的优点是速度快,但当低剂量扫描时(含降低X线球管曝光条件或探测采样不足等),相应生数据中噪声大信噪比低,这类算法的成像效果便不甚理想,难以实现高分辨率成像,导致影像诊断的高误诊率。使用云计算成像系统(模块),可充分发挥影像中心云计算集群GPU计算资源,且可使用比解析算法更具优势的迭代重建算法来实现高分辨率成像(传统非高配CT设备的计算机系统配置低而无法运行这类算法)。本发明研发了自己独有的(超)低剂量迭代重建算法以实现云成像。
云成像方法可以解决医疗影像大数据的汇集与共享问题。传统的CT成像在医院进行,影像数据分散在各个医院,难以汇集为大数据。而云成像系统所生成的CT图像,集中存储在云影像中心,可有效地解决医疗影像数据汇集与共享问题,为深度学习得到高精度判读模型做好数据准备。
附图说明
图1为本发明的基于分布式CT终端机的医学影像云成像与判读系统的总体架构图;
图2为本发明的基于分布式CT终端机的医学影像云成像与判读系统的技术架构图;
图3为本发明的基于分布式CT终端机的医学影像云成像与判读系统中分布式CT终端机的结构示意图;
图4为本发明的基于分布式CT终端机的医学影像云成像与判读系统中云成像模块的结构示意图;
图5为本发明的基于分布式CT终端机的医学影像云成像与判读系统中数据通信模块的结构示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明进行详细说明。
本发明公开了一种基于分布式CT终端机的医学影像云成像与判读系统,如图1所示,包括分别依次连接的分布式CT终端、数据通信模块、云成像模块、云影像判读模块以及影像诊断报告发布模块。
如图2所示,分布式CT终端包括若干个CT终端机,如图3所示,CT终端机包括相互连接的扫描单元及本地工作站;本地工作站包括相互连接的边缘计算单元、数据通信单元以及数据存储单元。
如图4所示,云成像模块包括依次连接的前端Hbase、成像单元以及后端Hbase;前端Hbase和后端Hbase均分别由若干个相互独立的磁盘组成;每个成像单元均由相互连接的解密解压单元和迭代成像单元组成。
云影像判读模块包括若干个影像判读诊断模块;每个影像判读诊断模块都与诊断报告数据库连接。
扫描单元包括X射线管、探测器、准直器、滤过器、对数放大器、模数转换器(A/D)、接口电路等。
本地工作站由简单配置的计算机构成,其中包括边缘计算单元、数据缓存单元和数据通信单元。边缘计算单元实现滤波等数据预处理、对数变换等非线性校正和快速预成像等功能;数据缓存单元实现对扫描单元获取的生数据和预成像数据等暂存;数据通信单元主要负责以Fasp或其他协议进行本地到云端数据传输,获取边缘计算软件升级信息等。
需要说明的是,CT终端机可以为多个,各CT终端机之间彼此独立。本地工作站可采用一般的计算机工作站,例如使用内存64GB、主频2.6GB Hz双核CPU、Nvidia GTX1080GPU和RAID卡管理12块4TBSATA硬盘存储即可。边缘计算单元中的快速成像算法(如FBP等)主要用于网络异常等特殊情况使用,或者作为后续云端迭代成像算法初值。
数据通信模块主要对生数据进行压缩、加密,通过专用信道高速传输到影像中心分布式数据库。数据传输由CT接入网关进行协调,采用专用协议(如Fasp),实现点对点高速数据传输。CT接入网关负责为需要发送数据的CT终端提供可用的数据接收端及密钥的协商。
数据传输包括三个部分,数据发送端、信道和数据接收端。数据发送端位于本地工作站上,负责将经过压缩、加密后的生数据和预成像结果数据发送到对应的数据接收端。信道是高速传输的保障,为数据发送方和接收方提供足够的带宽。数据接收端位于影像中心分布式数据库,用于从信道中接收高速数据,并生成完整的数据包。传输中采用数据分块、校验和重发机制,保证数据的完整性。数据加密采用RSA非对称加密算法。数据通信单元实现过程如图5所示。
本发明还公开了一种基于分布式CT终端机的医学影像云成像与判读方法,具体步骤如下:
步骤1:分布式CT终端获取人体断层扫描数据;
步骤1.1:由CT扫描单元对人体进行断层扫描,获得初始数据;
步骤1.2:初始数据经本地工作站进行边缘计算,生成人体断层扫描数据包;其中边缘计算包括对所述初始数据进行滤波、非线性校正形成生数据,再对生数据进行压缩、加密,并与快速成像算法形成的预成像数据一起形成人体断层扫描数据,人体断层扫描数据通过数据缓存单元进行缓存。
步骤2:人体断层扫描数据由数据通信模块传输到云成像模块,并由云成像模块将人体断层扫描数据生成通用格式影像文件;
步骤2.1:数据通信模块向云成像模块发起传输请求,由云成像模块分配数据接收端,同时数据通信模块与云成像模块协商压缩、加密方式及密钥;
步骤2.2:数据通信模块通过专用协议连接分配到的数据接收端,并通过专用信道将所述的人体断层扫描数据传输至数据接收端;
步骤2.3:数据接收端接收所述人体断层扫描数据并校验完整性;
步骤2.4:云成像模块将数据接收端收到的人体断层扫描数据还原为生数据和初始影像,然后使用成像算法形成通用格式影像数据文件,并保存于影像大数据存储系统中。
具体来说,步骤2.4包括:
步骤a:Flume监听数据源HBase,一旦发现有传输完成的加密文件,将其发送到Flume Channel排队;
步骤b:由Sink获取加密文件,并实现解密、解压,再还原为生数据和初始影像;
步骤c:对生数据运用图像重建算法形成通用格式影像数据文件;其中初始影像作为图像重建算法的初始值;
步骤d:将通用格式影像数据文件写入影像大数据存储系统中。
步骤3:云影像判读模块对通用格式影像文件进行智能判读形成通用影像分析和针对特定疾病的辅助诊断报告;
步骤3.1:Flume Agent监听到HBase有新的通用格式影像数据文件写入完成,便自动将其信息发送到Flume Channel排队;
步骤3.2:由Sink调用深度学习影像判读算法实现自动影像判读,并生成通用影像分析和针对特定疾病的辅助诊断报告;
步骤3.3:将通用影像分析和针对特定疾病的辅助诊断报告存入影像大数据存储系统中。
步骤4:通用影像分析和针对特定疾病的辅助诊断报告经专家审核后由影像诊断报告发布模块进行发布。
步骤4.1:专家阅读所述通用格式影像数据文件,审核对应的深度学习影像判读算法所生成的通用影像分析和针对特定疾病的辅助诊断报告;
步骤4.2:经专家审核的通用影像分析和针对特定疾病的辅助诊断报告由影像诊断报告发布模块进行发布;
步骤4.3:所述通用格式影像数据文件及其对应的已审核过的通用影像分析和针对特定疾病的辅助诊断报告存入影像大数据存储系统。
需要说明的是,云端图像重建算法可根据成像需求,如低剂量成像、高分辨率成像等,选择不同的成像算法,如滤波反投影算法、有序子集迭代算法、惩罚加权最小二乘算法、L1/2稀疏压缩传感迭代分布式算法等,实现512*512、1024*1024或更高分辨率成像。
云影像判读模块对云成像模块生成的DICOM图像进行判读,形成影像通用判读报告,及专用疾病辅助诊断报告。
在本系统运行初期,本发明所使用的影像主要基于使用有疾病标识的CT图像及基于断层图像生成的3D图像进行深度网络训练(如CNN)的结果。随着所研发系统的应用,根据对病人后续诊疗的反馈,带有疾病标签的图像数据库不断积累,可供训练的样本也会越来越多,当样本积累到一定程度后,可在线学习,以获得判读精度更高的模型,可进一步对云影像判读模型升级。影像智能判读模块可提供各种脏器如肝、胃、肺、乳腺和甲状腺等器官CT图像的智能判读,达到甚至超过专家人工判读水平。
影像分析报告发布模块提供专家审核CT报告、发布诊断结果以及患者浏览CT图像、CT报告等功能。
通过上述方式,本发明的基于分布式CT终端机的医学影像云成像与判读系统以及方法,解决了现有CT成像技术所存在的CT硬件成本高且普及难度大、无法使用先进迭代重建算法、数据分散难以支持影像大数据分析等诸多难题,特别是高度集成化的CT因其成本高一般集中部署在大医院,成像辐射剂量偏高,难以汇集成影像大数据,不便于影像自动智能判读技术推广应用等缺陷。
本发明的基于分布式CT终端机的医学影像云成像与判读系统,其中分布式CT终端机是简化版的CT机,成本低廉,易于推广。它只进行断层扫描,不成像或进行快速初步预成像,最终成像在云端实现。分布式CT终端机省去了CT成像功能部分或仅需要配置简单计算设备,能够有效地减少硬件成本。由于成像在云端进行,成像软件更新时只需要对云服务器上的软件更新操作即可。这样可大幅提升维护效率,降低维护成本,便于CT终端机下到农村、走进基层医院和体检机构。
云影像智能判读系统比人工判读效率更高、误判率更低。影像中心云计算系统并行化运行影像判读算法,判读效率极高,而且其影像判读算法可以通过影像中心积累的影像数据不断提升,判读准确率高于专家水平,同时还可避免医生因疲劳、情绪不佳等因素所引起的误诊。
本发明的基于分布式CT终端机的医学影像云成像与判读方法,其中云成像方法可充分利用云计算资源优势,使采用高分辨率成像算法成为可能。传统CT机集成的计算机系统受硬件成本因素制约,其计算能力有限,成像算法仅以解析算法为主。解析法的优点是速度快,但当低剂量扫描时(含降低X线球管曝光条件或探测采样不足等),相应生数据中噪声大信噪比低,这类算法的成像效果便不甚理想,难以实现高分辨率成像,导致影像诊断的高误诊率。使用云计算成像系统(模块),可充分发挥影像中心云计算集群GPU计算资源,且可使用比解析算法更具优势的迭代重建算法来实现高分辨率成像(传统非高配CT设备的计算机系统配置低而无法运行这类算法)。本发明研发了自己独有的(超)低剂量迭代重建算法以实现云成像。
云成像方法可以解决医疗影像大数据的汇集与共享问题。传统的CT成像在医院进行,影像数据分散在各个医院,难以汇集为大数据。而云成像系统所生成的CT图像,集中存储在云影像中心,可有效地解决医疗影像数据汇集与共享问题,为深度学习得到高精度判读模型做好数据准备。
Claims (10)
1.基于分布式CT终端机的医学影像云成像与判读方法,其特征在于:
步骤1:分布式CT终端获取人体断层扫描数据;
步骤2:人体断层扫描数据由数据通信模块传输到云成像模块,并由云成像模块将所述人体断层扫描数据生成通用格式影像文件;
步骤3:云影像判读模块对所述通用格式影像文件进行智能判读形成通用影像分析和针对特定疾病的辅助诊断报告;
步骤4:所述通用影像分析和针对特定疾病的辅助诊断报告经专家审核后由影像诊断报告发布模块进行发布。
2.如权利要求1所述的一种基于分布式CT终端机的医学影像云成像与判读方法,其特征在于,所述步骤1具体包括:
步骤1.1:由CT扫描单元对人体进行断层扫描,获得初始数据;
步骤1.2:所述初始数据经本地工作站进行边缘计算,生成人体断层扫描数据包;其中边缘计算包括对所述初始数据进行滤波、非线性校正形成生数据,再对所述生数据进行压缩、加密,并与快速成像算法形成的预成像数据一起形成人体断层扫描数据,所述人体断层扫描数据通过数据缓存单元进行缓存。
3.如权利要求2所述的一种基于分布式CT终端机的医学影像云成像与判读方法,其特征在于,所述步骤2具体包括:
步骤2.1:数据通信模块向云成像模块发起传输请求,由云成像模块分配数据接收端,同时数据通信模块与云成像模块协商压缩、加密方式及密钥;
步骤2.2:数据通信模块通过专用协议连接分配到的数据接收端,并通过专用信道将所述的人体断层扫描数据传输至数据接收端;
步骤2.3:数据接收端接收所述人体断层扫描数据并校验完整性;
步骤2.4:云成像模块将数据接收端收到的人体断层扫描数据还原为生数据和初始影像,然后使用成像算法形成通用格式影像数据文件,并保存于影像大数据存储系统中。
4.如权利要求3所述的一种基于分布式CT终端机的医学影像云成像与判读方法,其特征在于,所述步骤2.4具体包括:
步骤a:Flume监听数据源HBase,一旦发现有传输完成的加密文件,将其发送到FlumeChannel排队;
步骤b:由Sink获取加密文件,并实现解密、解压,再还原为生数据和初始影像;
步骤c:对生数据运用图像重建算法形成通用格式影像数据文件;其中初始影像作为图像重建算法的初始值;
步骤d:将通用格式影像数据文件写入影像大数据存储系统中。
5.如权利要求4所述的一种基于分布式CT终端机的医学影像云成像与判读方法,其特征在于,所述步骤3具体包括:
步骤3.1:Flume Agent监听到HBase有新的通用格式影像数据文件写入完成,便自动将其信息发送到Flume Channel排队;
步骤3.2:由Sink调用深度学习影像判读算法实现自动影像判读,并生成通用影像分析和针对特定疾病的辅助诊断报告;
步骤3.3:将通用影像分析和针对特定疾病的辅助诊断报告存入影像大数据存储系统中。
6.如权利要求5所述的一种基于分布式CT终端机的医学影像云成像与判读方法,其特征在于,所述步骤4具体包括:
步骤4.1:专家阅读所述通用格式影像数据文件,审核对应的深度学习影像判读算法所生成的通用影像分析和针对特定疾病的辅助诊断报告;
步骤4.2:经专家审核的通用影像分析和针对特定疾病的辅助诊断报告由影像诊断报告发布模块进行发布;
步骤4.3:所述通用格式影像数据文件及其对应的已审核过的通用影像分析和针对特定疾病的辅助诊断报告存入影像大数据存储系统。
7.一种基于分布式CT终端机的医学影像云成像与判读系统,其特征在于,包括分别依次连接的分布式CT终端、数据通信模块、云成像模块、云影像判读模块以及影像诊断报告发布模块。
8.如权利要求7所述的一种基于分布式CT终端机的医学影像云成像与判读系统,其特征在于,所述的分布式CT终端包括若干个CT终端机,所述CT终端机包括相互连接的扫描单元及本地工作站;所述的本地工作站包括相互连接的边缘计算单元、数据通信单元以及数据存储单元。
9.如权利要求7所述的一种基于分布式CT终端机的医学影像云成像与判读系统,其特征在于,所述的云成像模块包括依次连接的前端Hbase、成像单元以及后端Hbase;所述前端Hbase和所述后端Hbase均分别由若干个相互独立的磁盘组成;每个所述成像单元均由相互连接的解密解压单元和迭代成像单元组成。
10.如权利要求7所述的一种基于分布式CT终端机的医学影像云成像与判读系统,其特征在于,所述的云影像判读模块包括若干个影像判读诊断模块;每个所述影像判读诊断模块都与诊断报告数据库连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810101982.1A CN108492862B (zh) | 2018-02-01 | 2018-02-01 | 基于分布式ct终端机的医学影像云成像与判读方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810101982.1A CN108492862B (zh) | 2018-02-01 | 2018-02-01 | 基于分布式ct终端机的医学影像云成像与判读方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492862A true CN108492862A (zh) | 2018-09-04 |
CN108492862B CN108492862B (zh) | 2019-10-22 |
Family
ID=63344261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810101982.1A Active CN108492862B (zh) | 2018-02-01 | 2018-02-01 | 基于分布式ct终端机的医学影像云成像与判读方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492862B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473623A (zh) * | 2019-07-16 | 2019-11-19 | 武汉联影医疗科技有限公司 | 医疗服务系统 |
CN111613322A (zh) * | 2020-04-17 | 2020-09-01 | 上海数创医疗科技有限公司 | 一种远程心电诊断质控方法、装置及管理系统 |
CN111724451A (zh) * | 2020-06-09 | 2020-09-29 | 中国科学院苏州生物医学工程技术研究所 | 基于云计算的断层图像重建加速方法、系统、终端以及存储介质 |
CN114584552A (zh) * | 2022-02-28 | 2022-06-03 | 西安交通大学 | 面向分布式ct文件传输的调度方法、系统、设备及介质 |
CN115622819A (zh) * | 2022-12-20 | 2023-01-17 | 首都医科大学附属北京胸科医院 | 一种影像文件的处理方法及系统 |
CN116646061A (zh) * | 2023-04-28 | 2023-08-25 | 西安交通大学 | 分布式ct成像和智能诊疗系统及方法 |
US11776116B1 (en) * | 2019-04-17 | 2023-10-03 | Terrence J. Kepner | System and method of high precision anatomical measurements of features of living organisms including visible contoured shapes |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104202368A (zh) * | 2013-05-27 | 2014-12-10 | 沈阳东软医疗系统有限公司 | 基于云平台的医疗影像数据共享的方法、云平台和系统 |
CN105512336A (zh) * | 2015-12-29 | 2016-04-20 | 中国建设银行股份有限公司 | 一种基于Hadoop的海量数据处理方法和装置 |
CN106878263A (zh) * | 2016-12-20 | 2017-06-20 | 杭州联众医疗科技股份有限公司 | 一种云医学影像存储系统与通讯系统 |
CN107506605A (zh) * | 2017-09-11 | 2017-12-22 | 深圳市前海安测信息技术有限公司 | 基于医疗云平台的影像大数据分析系统及方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
-
2018
- 2018-02-01 CN CN201810101982.1A patent/CN108492862B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104202368A (zh) * | 2013-05-27 | 2014-12-10 | 沈阳东软医疗系统有限公司 | 基于云平台的医疗影像数据共享的方法、云平台和系统 |
CN105512336A (zh) * | 2015-12-29 | 2016-04-20 | 中国建设银行股份有限公司 | 一种基于Hadoop的海量数据处理方法和装置 |
CN106878263A (zh) * | 2016-12-20 | 2017-06-20 | 杭州联众医疗科技股份有限公司 | 一种云医学影像存储系统与通讯系统 |
CN107506605A (zh) * | 2017-09-11 | 2017-12-22 | 深圳市前海安测信息技术有限公司 | 基于医疗云平台的影像大数据分析系统及方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11776116B1 (en) * | 2019-04-17 | 2023-10-03 | Terrence J. Kepner | System and method of high precision anatomical measurements of features of living organisms including visible contoured shapes |
CN110473623A (zh) * | 2019-07-16 | 2019-11-19 | 武汉联影医疗科技有限公司 | 医疗服务系统 |
CN111613322A (zh) * | 2020-04-17 | 2020-09-01 | 上海数创医疗科技有限公司 | 一种远程心电诊断质控方法、装置及管理系统 |
CN111724451A (zh) * | 2020-06-09 | 2020-09-29 | 中国科学院苏州生物医学工程技术研究所 | 基于云计算的断层图像重建加速方法、系统、终端以及存储介质 |
CN114584552A (zh) * | 2022-02-28 | 2022-06-03 | 西安交通大学 | 面向分布式ct文件传输的调度方法、系统、设备及介质 |
CN114584552B (zh) * | 2022-02-28 | 2023-06-23 | 西安交通大学 | 面向分布式ct文件传输的调度方法、系统、设备及介质 |
CN115622819A (zh) * | 2022-12-20 | 2023-01-17 | 首都医科大学附属北京胸科医院 | 一种影像文件的处理方法及系统 |
CN115622819B (zh) * | 2022-12-20 | 2023-05-05 | 首都医科大学附属北京胸科医院 | 一种影像文件的处理方法及系统 |
CN116646061A (zh) * | 2023-04-28 | 2023-08-25 | 西安交通大学 | 分布式ct成像和智能诊疗系统及方法 |
CN116646061B (zh) * | 2023-04-28 | 2024-01-26 | 西安交通大学 | 分布式ct成像和智能诊疗系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108492862B (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492862B (zh) | 基于分布式ct终端机的医学影像云成像与判读方法及系统 | |
Hiraiwa et al. | A deep-learning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography | |
CN109035234B (zh) | 一种结节检测方法、装置和存储介质 | |
CN102656608B (zh) | 重建感兴趣对象 | |
US7218766B2 (en) | Computer aided detection (CAD) for 3D digital mammography | |
CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
JP4219130B2 (ja) | 医用イメージングの経時的変化を検出するために時間的サブトラクションをアプリケーション・サービス・プロバイダとして実現するための圧縮/レジストレーション併用技法 | |
Lie et al. | Obstetric imaging diagnostic platform based on cloud computing technology under the background of smart medical big data and deep learning | |
US10817753B2 (en) | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device | |
CN104881568A (zh) | 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法 | |
US20040030585A1 (en) | Method and system for remote image reconstitution and processing and imaging data collectors communicating with the system | |
CN102028492A (zh) | 用于在医学技术中的断层造影成像方法的集中的图像重建 | |
US20220313176A1 (en) | Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System | |
CN108922601A (zh) | 一种医学影像处理系统 | |
US20140276030A1 (en) | Distributed microwave image processing system | |
Bellotti et al. | Distributed medical images analysis on a Grid infrastructure | |
Sarno et al. | Advanced Monte Carlo application for in-silico clinical trials in x-ray breast imaging | |
CN112004471A (zh) | 用于成像系统快捷模式的系统和方法 | |
Alyafei et al. | Image fusion system using PACS for MRI, CT, and PET images | |
CN105125228B (zh) | 一种胸透dr图像肋骨抑制的图像处理方法 | |
JP2004113730A (ja) | コンピュータ読影支援システム | |
CN107320123A (zh) | 基于扫描前端与成像后端分离的ct影像链重组方法 | |
CN110246578A (zh) | 一种肺癌样本快速检测方法 | |
Harris et al. | A clinical comparison between traditional planar V/Q images and planar images generated from SPECT V/Q scintigraphy | |
Nechyporenko et al. | Deep learning based image segmentation for detection of odontogenic maxillary sinusitis |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230315 Address after: Room 1507, No. 9, Zhifeng Street, Huangpu District, Guangzhou City, Guangdong Province, 510555 Patentee after: Guangzhou Benying Medical Technology Co.,Ltd. Address before: 28 / F, building a, No.1 International, No.9, North Yanta Road, Beilin District, Xi'an City, Shaanxi Province, 710054 Patentee before: XI'AN INSTITUTE OF BIG DATA AND ARTIFICIAL INTELLIGENCE |