CN110543364A - 一种医学影像快速加载方法及系统 - Google Patents

一种医学影像快速加载方法及系统 Download PDF

Info

Publication number
CN110543364A
CN110543364A CN201910719144.5A CN201910719144A CN110543364A CN 110543364 A CN110543364 A CN 110543364A CN 201910719144 A CN201910719144 A CN 201910719144A CN 110543364 A CN110543364 A CN 110543364A
Authority
CN
China
Prior art keywords
medical image
medical
image
data
module
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.)
Pending
Application number
CN201910719144.5A
Other languages
English (en)
Inventor
张月强
张伟
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.)
Liaocheng Guangming Hospital
Original Assignee
Liaocheng Guangming 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 Liaocheng Guangming Hospital filed Critical Liaocheng Guangming Hospital
Priority to CN201910719144.5A priority Critical patent/CN110543364A/zh
Publication of CN110543364A publication Critical patent/CN110543364A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables

Abstract

本发明属于医学影像技术领域，公开了一种医学影像快速加载方法及系统，利用医学影像设备采集患者医学影像数据，通过压缩程序对影像资料等比压缩；利用分类程序对采集的医学影像进行分类处理；通过影像分类模块建立有效的智能预测模型，从而能将卷积神经医学影像应用到医学影像分类中，为医护人员提供辅助决策的参考。本发明节约人力资源的同时提高效率；同时，通过影像分析模块对医学影像进行配准，可补偿呼吸运动引起的偏差，减小干扰；对医学影像进行数据增益可自动扩充有效数据，增强神经医学影像模型的训练效果。本发明对医学影像进行正则项约束可增强神经医学影像模型参数的表达能力；提高了医学影像分析准确性，效率高。

Description

一种医学影像快速加载方法及系统
技术领域
本发明属于医学影像技术领域，尤其涉及一种医学影像快速加载方法及系统。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医学成像系统(medicalimagingsystem)和医学图像处理(medicalimageprocessing)。前者是指图像行成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。然而，现有医学影像都是采用人工识别、文字分类的方法，工作量大、识别难度大，效率低；同时；对超声造影影像的分析一般由医生根据先验知识进行人为判断，不仅耗时长，而且极易受伪影干扰、准确性较差。
综上所述，现有技术存在的问题是：现有医学影像都是采用人工识别、文字分类的方法，工作量大、识别难度大，效率低；同时；对超声造影影像的分析一般由医生根据先验知识进行人为判断，不仅耗时长，而且极易受伪影干扰、准确性较差。
发明内容
针对现有技术存在的问题，本发明提供了一种医学影像快速加载方法。
本发明是这样实现的，一种医学影像快速加载方法，所述医学影像快速加载方法包括以下步骤：
步骤一，通过影像采集模块利用医学影像设备采集患者医学影像数据，通过压缩程序对影像资料等比压缩。
步骤二，中央控制模块通过影像分类模块利用分类程序对采集的医学影像进行分类处理。具体包括：(1)通过分类程序分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分，并分别记录训练文件名和验证文件名。
(2)加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录，对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理，对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值，对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值。
(3)响应于对分类器的训练指令，根据记录的训练文件名获取若干训练文件，将所述若干训练文件作为自动编码器的输入，通过对所述自动编码器进行预处理生成用于分类训练的卷积核。其中，所述分类器包括分类输入层、所述自动编码器、至少一全连接层和分类输出层，所述自动编码器包括至少一卷积层和一池化层。
(4)根据生成的所述卷积核，对分类器中的参数进行微调获得最优医学影像结构。
(5)响应于分类器的分类指令，根据获得所述最优医学影像结构的分类器，对输入的待分类医学影像进行分类，生成所述待分类医学影像的预测值，根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果。
步骤三，通过医学影像通信模块利用网卡接入互联网与医学影像服务器进行通信。
步骤四，通过加载判断模块利用判断程序判断向医学影像服务器发出医学影像加载请求是否加载成功。通过缓存模块利用内存卡根据判断结果将加载成功的医学影像进行保存处理。
步骤五，通过影像分析模块利用分析程序对医学影像进行分析操作。具体包括：1)通过医学影像设备获取目标区域的医学影像和视频。
2)基于所述视频，对所述医学影像进行配准，以补偿呼吸运动引起的偏差。
3)构建神经医学影像模型，所述神经医学影像模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层。
4)利用经配准的医学影像对所述神经医学影像模型进行训练，以生成经配准的医学影像的特征向量，其中，对经配准的医学影像进行数据增益和正则项约束。
5)计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型。
步骤六，通过显示模块利用显示器显示加载的患者医学影像数据。
进一步，步骤5)中，构建预测诊断模型的方法包括：
步骤1、获取若干医学影像的区域板块列表中区域板块的DNS记录，接收医学影像请求数据，以获取所述DNS记录中使用过CDN医学影像的区域板块发布的资源。
步骤2、分别采用公共区域板块解析器和本地区域板块解析器访问所述使用过CDN医学影像的区域板块发布的资源，获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息。
步骤3、由处理器将医学影像分成多个医学影像组，其中，每个医学影像组在该医学影像中具有唯一标识，由处理器从所述多个医学影像组中的医学影像组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括医学影像数量、医学影像的联系、医学影像的交互、医学影像密切性和医学影像发表的帖子中的至少一个。
步骤4、获取医学影像中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件。
步骤5、分析公共区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息与本地区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息的差异。以及评估公共区域板块解析器和本地区域板块解析器的性能，选择适当的区域板块解析器进行医学影像访问。
步骤6、获取上层应用的信息需求。将上层应用的信息需求用特定的信息转换为医学影像数据收集的策略，并将所述策略下达给深度包检测单元。
步骤7、采用图形化界面帮助医学影像管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上。运用增量算法，对已有的匹配结果进行增量计算。
步骤8、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂医学影像的结构和功能特性，计算医学影像特征参数，通过分析医学影像特征参数的变化来分析交往视野中的医学影像表现状况。
进一步，所述深度包检测单元用于：从医学影像中收集相应的数据。同时，深度包检测单元将收集的数据提交到数据库单元中，数据库单元用于根据收集的数据建立数据库，数据挖掘单元和联机分析处理单元基于数据库中的数据，进行挖掘和联机分析处理，得到上层应用需要的信息，并将得到的信息提交给上层应用实体使用。
进一步，利用目标的位置参数，依据Granger因果检验方法来定量评估目标间的因果关联度，所依据的基本计算公式如下：
其中，Pi，Pj为目标i，j的运动轨迹，εit，εjt为模型的误差项。将此因果关联度赋予相应医学影像节点间边的权值，如权值为0则节点为孤立节点，从而构建三类因果认知复杂医学影像模型，从宏观尺度上建立人群行为的表达。
进一步，获取医学影像中的原始数据的具体方法为：
步骤一、获取医学影像数据包，根据解析对象将该医学影像数据包的分析内容划分为多个任务，并确定该多个任务的执行顺序。
步骤二、创建与该多个任务一一对应的多个消息队列和多个计算节点组，其中，每个计算节点组包括至少一个计算节点。
进一步，步骤二后，还需进行：
将该医学影像数据包缓存至与该多个任务中的起始任务对应的消息队列。
将医学影像数据包中的多个社交变量中的社交变量与多个热力学变量中的热力学变量等同，其中，所述多个热力学变量包括分子、体积、内能、压力、温度、熵、质量、粘度、密度、功、以及分子之间的键合中的至少一个。
基于所述多个社交变量确定所述多个热力学变量的定量值，其中，通过控制一个或多个热状态来确定所述定量值。
根据该执行顺序每个计算节点组依次执行以下动作直至最后一个任务被执行：获取与计算节点组自身对应的消息队列中的所有数据，并执行与该计算节点组对应的任务，以及将执行的结果发送至下一个任务对应的消息队列。
进一步，所述对所述医学影像进行配准包括：
将所述视频向量化，并计算所述视频的每一帧与其余帧对应的向量的内积值，选择最大内积值对应的帧作为参考帧。
使用基于灰度的图像配准算法，选择互信息作为目标函数，计算参考帧与其余帧的配准变换参数。
将所述配准变换参数应用于同一帧的医学影像以实现医学影像的配准。
本发明另一目的在于提供一种实现所述医学影像快速加载方法的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的医学影像快速加载方法。
本发明另一目的在于提供一种医学影像快速加载系统，所述医学影像快速加载系统包括：
影像采集模块，与中央控制模块连接，用于通过医学影像设备采集患者医学影像数据。
中央控制模块，与影像采集模块、影像分类模块、医学影像通信模块、加载判断模块、缓存模块、影像分析模块、显示模块连接，用于通过单片机控制各个模块正常工作。
影像分类模块，与中央控制模块连接，用于通过分类程序对采集的医学影像进行分类处理。
医学影像通信模块，与中央控制模块、医学影像服务器连接，用于通过网卡接入互联网与医学影像服务器进行通信。
加载判断模块，与中央控制模块连接，用于通过判断程序判断向医学影像服务器发出医学影像加载请求是否加载成功。缓存模块，与中央控制模块连接，用于通过内存卡根据判断结果将加载成功的医学影像进行保存处理。
影像分析模块，与中央控制模块连接，用于通过分析程序对医学影像进行分析操作。
显示模块，与中央控制模块连接，用于通过显示器显示加载的患者医学影像数据。
影像压缩模块，与中央控制模块连接，用于通过压缩程序对影像资料等比压缩。
本发明的优点及积极效果为：
本发明通过影像分类模块对输入的待分类医学影像进行分类，生成所述待分类医学影像的预测值，根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果，通过监督学习的方法建立有效的智能预测模型，从而能将卷积神经医学影像应用到医学影像分类中，为医护人员提供辅助决策的参考，节约人力资源的同时提高效率。同时，通过影像分析模块对医学影像进行配准，可补偿呼吸运动引起的偏差，减小干扰。对医学影像进行数据增益可自动扩充有效数据，增强神经医学影像模型的训练效果。对医学影像进行正则项约束可增强神经医学影像模型参数的表达能力。提高医学影像分析准确性，效率高。进行等比压缩，可以在没有降低待加载影像资料质量的前提下，减小待加载影像资料的大小，从而减小加载影像资料过程中的医学影像流量，提高加载速度。
本发明构建预测诊断模型的方法中，进行：步骤1、获取若干医学影像的区域板块列表中区域板块的DNS记录，接收医学影像请求数据，以获取所述DNS记录中使用过CDN医学影像的区域板块发布的资源。
步骤2、分别采用公共区域板块解析器和本地区域板块解析器访问所述使用过CDN医学影像的区域板块发布的资源，获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息。
步骤3、由处理器将医学影像分成多个医学影像组，其中，每个医学影像组在该医学影像中具有唯一标识，由处理器从所述多个医学影像组中的医学影像组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括医学影像数量、医学影像的联系、医学影像的交互、医学影像密切性和医学影像发表的帖子中的至少一个。
步骤4、获取医学影像中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件。
步骤5、分析公共区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息与本地区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息的差异。以及评估公共区域板块解析器和本地区域板块解析器的性能，选择适当的区域板块解析器进行医学影像访问。
步骤6、获取上层应用的信息需求。将上层应用的信息需求用特定的信息转换为医学影像数据收集的策略，并将所述策略下达给深度包检测单元。
步骤7、采用图形化界面帮助医学影像管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上。运用增量算法，对已有的匹配结果进行增量计算。
步骤8、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂医学影像的结构和功能特性，计算医学影像特征参数，通过分析医学影像特征参数的变化来分析交往视野中的医学影像表现状况。提高了图像的处理能力。
附图说明
图1是本发明实施例提供的医学影像快速加载方法流程图。
图2是本发明实施例提供的医学影像快速加载系统结构框图。
图中：1、影像采集模块；2、中央控制模块；3、影像分类模块；4、医学影像通信模块；5、医学影像服务器；6、加载判断模块；7、缓存模块；8、影像分析模块；9、显示模块；10、影像压缩模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
现有医学影像都是采用人工识别、文字分类的方法，工作量大、识别难度大，效率低。同时。对超声造影影像的分析一般由医生根据先验知识进行人为判断，不仅耗时长，而且极易受伪影干扰、准确性较差。
为解决上述问题，下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的医学影像快速加载方法包括以下步骤：
S101，通过影像采集模块利用医学影像设备采集患者医学影像数据，通过压缩程序对影像资料等比压缩。
S102，中央控制模块通过影像分类模块利用分类程序对采集的医学影像进行分类处理。
S103，通过医学影像通信模块利用网卡接入互联网与医学影像服务器进行通信。
S104，通过加载判断模块利用判断程序判断向医学影像服务器发出医学影像加载请求是否加载成功。通过缓存模块利用内存卡根据判断结果将加载成功的医学影像进行保存处理。
S105，通过影像分析模块利用分析程序对医学影像进行分析操作。
S106，通过显示模块利用显示器显示加载的患者医学影像数据。
如图2所示，本发明实施例提供的医学影像快速加载系统包括：影像采集模块1、中央控制模块2、影像分类模块3、医学影像通信模块4、医学影像服务器5、加载判断模块6、缓存模块7、影像分析模块8、显示模块9。
影像采集模块1，与中央控制模块2连接，用于通过医学影像设备采集患者医学影像数据。
中央控制模块2，与影像采集模块1、影像分类模块3、医学影像通信模块4、加载判断模块6、缓存模块7、影像分析模块8、显示模块9连接，用于通过单片机控制各个模块正常工作。
影像分类模块3，与中央控制模块2连接，用于通过分类程序对采集的医学影像进行分类处理。
医学影像通信模块4，与中央控制模块2、医学影像服务器5连接，用于通过网卡接入互联网与医学影像服务器5进行通信。
加载判断模块6，与中央控制模块2连接，用于通过判断程序判断向医学影像服务器发出医学影像加载请求是否加载成功。
缓存模块7，与中央控制模块2连接，用于通过内存卡根据判断结果将加载成功的医学影像进行保存处理。
影像分析模块8，与中央控制模块2连接，用于通过分析程序对医学影像进行分析操作。
显示模块9，与中央控制模块2连接，用于通过显示器显示加载的患者医学影像数据。
影像压缩模块10，与中央控制模块2连接，用于通过压缩程序对影像资料等比压缩。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明提供的影像分类模块3分类方法如下：
(1)通过分类程序分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分，并分别记录训练文件名和验证文件名。
(2)加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录，对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理，对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值，对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值。
(3)响应于对分类器的训练指令，根据记录的训练文件名获取若干训练文件，将所述若干训练文件作为自动编码器的输入，通过对所述自动编码器进行预处理生成用于分类训练的卷积核。其中，所述分类器包括分类输入层、所述自动编码器、至少一全连接层和分类输出层，所述自动编码器包括至少一卷积层和一池化层。
(4)根据生成的所述卷积核，对分类器中的参数进行微调获得最优医学影像结构。
(5)响应于分类器的分类指令，根据获得所述最优医学影像结构的分类器，对输入的待分类医学影像进行分类，生成所述待分类医学影像的预测值，根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果。
实施例2
本发明提供的影像分析模块8分析方法如下：
1)通过医学影像设备获取目标区域的医学影像和视频。
2)基于所述视频，对所述医学影像进行配准，以补偿呼吸运动引起的偏差。
3)构建神经医学影像模型，所述神经医学影像模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层。
4)利用经配准的医学影像对所述神经医学影像模型进行训练，以生成经配准的医学影像的特征向量，其中，对经配准的医学影像进行数据增益和正则项约束。
5)计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型。
实施例3
本发明提供的对所述医学影像进行配准包括：
将所述视频向量化，并计算所述视频的每一帧与其余帧对应的向量的内积值，选择最大内积值对应的帧作为参考帧。
使用基于灰度的图像配准算法，选择互信息作为目标函数，计算参考帧与其余帧的配准变换参数。
将所述配准变换参数应用于同一帧的医学影像以实现医学影像的配准。
实施例4
本发明的影像压缩方法包括以下步骤：
拆解影像为数个区块，这些区块位于不同位置、或者部份的这些区块位于同一位置但对应于不同参数。分析各个区块中灰阶值码的一使用分布。依据各个使用分布，以数个流水压缩码重新编码各个区块的灰阶值码。于各个区块中，流水压缩码的位元数小于灰阶值码的位元数，流水压缩码涵盖灰阶值码的使用分布。储存流水压缩码、及流水压缩码与灰阶值码的对应关系。
实施例5
本发明构建预测诊断模型的方法包括：
步骤1、获取若干医学影像的区域板块列表中区域板块的DNS记录，接收医学影像请求数据，以获取所述DNS记录中使用过CDN医学影像的区域板块发布的资源。
步骤2、分别采用公共区域板块解析器和本地区域板块解析器访问所述使用过CDN医学影像的区域板块发布的资源，获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息。
步骤3、由处理器将医学影像分成多个医学影像组，其中，每个医学影像组在该医学影像中具有唯一标识，由处理器从所述多个医学影像组中的医学影像组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括医学影像数量、医学影像的联系、医学影像的交互、医学影像密切性和医学影像发表的帖子中的至少一个。
步骤4、获取医学影像中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件。
步骤5、分析公共区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息与本地区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息的差异。以及评估公共区域板块解析器和本地区域板块解析器的性能，选择适当的区域板块解析器进行医学影像访问。
步骤6、获取上层应用的信息需求。将上层应用的信息需求用特定的信息转换为医学影像数据收集的策略，并将所述策略下达给深度包检测单元。
步骤7、采用图形化界面帮助医学影像管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上。运用增量算法，对已有的匹配结果进行增量计算。
步骤8、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂医学影像的结构和功能特性，计算医学影像特征参数，通过分析医学影像特征参数的变化来分析交往视野中的医学影像表现状况。
所述深度包检测单元用于：从医学影像中收集相应的数据。同时，深度包检测单元将收集的数据提交到数据库单元中，数据库单元用于根据收集的数据建立数据库，数据挖掘单元和联机分析处理单元基于数据库中的数据，进行挖掘和联机分析处理，得到上层应用需要的信息，并将得到的信息提交给上层应用实体使用。
利用目标的位置参数，依据Granger因果检验方法来定量评估目标间的因果关联度，所依据的基本计算公式如下：
其中，Pi，Pj为目标i，j的运动轨迹，εit，εjt为模型的误差项。将此因果关联度赋予相应医学影像节点间边的权值，如权值为0则节点为孤立节点，从而构建三类因果认知复杂医学影像模型，从宏观尺度上建立人群行为的表达。
获取医学影像中的原始数据的具体方法为：
步骤一、获取医学影像数据包，根据解析对象将该医学影像数据包的分析内容划分为多个任务，并确定该多个任务的执行顺序。
步骤二、创建与该多个任务一一对应的多个消息队列和多个计算节点组，其中，每个计算节点组包括至少一个计算节点。
步骤二后，还需进行：
将该医学影像数据包缓存至与该多个任务中的起始任务对应的消息队列。
将医学影像数据包中的多个社交变量中的社交变量与多个热力学变量中的热力学变量等同，其中，所述多个热力学变量包括分子、体积、内能、压力、温度、熵、质量、粘度、密度、功、以及分子之间的键合中的至少一个。
基于所述多个社交变量确定所述多个热力学变量的定量值，其中，通过控制一个或多个热状态来确定所述定量值。
根据该执行顺序每个计算节点组依次执行以下动作直至最后一个任务被执行：获取与计算节点组自身对应的消息队列中的所有数据，并执行与该计算节点组对应的任务，以及将执行的结果发送至下一个任务对应的消息队列。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机医学影像、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个医学影像站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字医学影像线(DSL)或无线(例如红外、无线、微波等)方式向另一个医学影像站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是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，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种医学影像快速加载方法，其特征在于，所述医学影像快速加载方法包括以下步骤：
步骤一，通过影像采集模块利用医学影像设备采集患者医学影像数据，通过压缩程序对影像资料等比压缩；
步骤二，中央控制模块通过影像分类模块利用分类程序对采集的医学影像进行分类处理；具体包括：(1)通过分类程序分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分，并分别记录训练文件名和验证文件名；
(2)加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录，对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理，对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值，对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值；
(3)响应于对分类器的训练指令，根据记录的训练文件名获取若干训练文件，将所述若干训练文件作为自动编码器的输入，通过对所述自动编码器进行预处理生成用于分类训练的卷积核；其中，所述分类器包括分类输入层、所述自动编码器、至少一全连接层和分类输出层，所述自动编码器包括至少一卷积层和一池化层；
(4)根据生成的所述卷积核，对分类器中的参数进行微调获得最优医学影像结构；
(5)响应于分类器的分类指令，根据获得所述最优医学影像结构的分类器，对输入的待分类医学影像进行分类，生成所述待分类医学影像的预测值，根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果；
步骤三，通过医学影像通信模块利用网卡接入互联网与医学影像服务器进行通信；
步骤四，通过加载判断模块利用判断程序判断向医学影像服务器发出医学影像加载请求是否加载成功；通过缓存模块利用内存卡根据判断结果将加载成功的医学影像进行保存处理；
步骤五，通过影像分析模块利用分析程序对医学影像进行分析操作；具体包括：1)通过医学影像设备获取目标区域的医学影像和视频；
2)基于所述视频，对所述医学影像进行配准，以补偿呼吸运动引起的偏差；
3)构建神经医学影像模型，所述神经医学影像模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层；
4)利用经配准的医学影像对所述神经医学影像模型进行训练，以生成经配准的医学影像的特征向量，其中，对经配准的医学影像进行数据增益和正则项约束；
5)计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型；
步骤六，通过显示模块利用显示器显示加载的患者医学影像数据。
2.如权利要求1所述的医学影像快速加载方法，其特征在于，步骤5)中，构建预测诊断模型的方法包括：
步骤1、获取若干医学影像的区域板块列表中区域板块的DNS记录，接收医学影像请求数据，以获取所述DNS记录中使用过CDN医学影像的区域板块发布的资源；
步骤2、分别采用公共区域板块解析器和本地区域板块解析器访问所述使用过CDN医学影像的区域板块发布的资源，获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息；
步骤3、由处理器将医学影像分成多个医学影像组，其中，每个医学影像组在该医学影像中具有唯一标识，由处理器从所述多个医学影像组中的医学影像组挖掘数据，从所述数据中识别多个社交变量，其中，所述多个社交变量包括医学影像数量、医学影像的联系、医学影像的交互、医学影像密切性和医学影像发表的帖子中的至少一个；
步骤4、获取医学影像中的原始数据，并将原始数据进行存储，对所述原始数据进行统一化处理，使得原始数据生成固定格式的数据文件；
步骤5、分析公共区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息与本地区域板块解析器访问获取CDN医学影像的负载均衡信息、内容发布质量信息和跨域通信量信息的差异；以及评估公共区域板块解析器和本地区域板块解析器的性能，选择适当的区域板块解析器进行医学影像访问；
步骤6、获取上层应用的信息需求；将上层应用的信息需求用特定的信息转换为医学影像数据收集的策略，并将所述策略下达给深度包检测单元；
步骤7、采用图形化界面帮助医学影像管理图数据，构建模式图及可视化查询结果，查询引擎调用分布式算法执行结构匹配计算，同时对匹配结果进行评估，选取top-K个结果，并将它们可视化在图形界面上；运用增量算法，对已有的匹配结果进行增量计算；
步骤8、依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂医学影像的结构和功能特性，计算医学影像特征参数，通过分析医学影像特征参数的变化来分析交往视野中的医学影像表现状况。
3.如权利要求2所述的医学影像快速加载方法，其特征在于，所述深度包检测单元用于：从医学影像中收集相应的数据；同时，深度包检测单元将收集的数据提交到数据库单元中，数据库单元用于根据收集的数据建立数据库，数据挖掘单元和联机分析处理单元基于数据库中的数据，进行挖掘和联机分析处理，得到上层应用需要的信息，并将得到的信息提交给上层应用实体使用。
4.如权利要求2所述的医学影像快速加载方法，其特征在于，利用目标的位置参数，依据Granger因果检验方法来定量评估目标间的因果关联度，所依据的基本计算公式如下：
其中，Pi，Pj为目标i，j的运动轨迹，εit，εjt为模型的误差项；将此因果关联度赋予相应医学影像节点间边的权值，如权值为0则节点为孤立节点，从而构建三类因果认知复杂医学影像模型，从宏观尺度上建立人群行为的表达。
5.如权利要求2所述的医学影像快速加载方法，其特征在于，获取医学影像中的原始数据的具体方法为：
步骤一、获取医学影像数据包，根据解析对象将该医学影像数据包的分析内容划分为多个任务，并确定该多个任务的执行顺序；
步骤二、创建与该多个任务一一对应的多个消息队列和多个计算节点组，其中，每个计算节点组包括至少一个计算节点。
6.如权利要求5所述的医学影像快速加载方法，其特征在于，步骤二后，还需进行：
将该医学影像数据包缓存至与该多个任务中的起始任务对应的消息队列；
将医学影像数据包中的多个社交变量中的社交变量与多个热力学变量中的热力学变量等同，其中，所述多个热力学变量包括分子、体积、内能、压力、温度、熵、质量、粘度、密度、功、以及分子之间的键合中的至少一个；
基于所述多个社交变量确定所述多个热力学变量的定量值，其中，通过控制一个或多个热状态来确定所述定量值；
根据该执行顺序每个计算节点组依次执行以下动作直至最后一个任务被执行：获取与计算节点组自身对应的消息队列中的所有数据，并执行与该计算节点组对应的任务，以及将执行的结果发送至下一个任务对应的消息队列。
7.如权利要求1所述的医学影像快速加载方法，其特征在于，所述对所述医学影像进行配准包括：
将所述视频向量化，并计算所述视频的每一帧与其余帧对应的向量的内积值，选择最大内积值对应的帧作为参考帧；
使用基于灰度的图像配准算法，选择互信息作为目标函数，计算参考帧与其余帧的配准变换参数；
将所述配准变换参数应用于同一帧的医学影像以实现医学影像的配准。
8.一种实现权利要求1-6任意一项所述医学影像快速加载方法的信息数据处理终端。
9.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的医学影像快速加载方法。
10.一种医学影像快速加载系统，其特征在于，所述医学影像快速加载系统包括：
影像采集模块，与中央控制模块连接，用于通过医学影像设备采集患者医学影像数据；
中央控制模块，与影像采集模块、影像分类模块、医学影像通信模块、加载判断模块、缓存模块、影像分析模块、显示模块连接，用于通过单片机控制各个模块正常工作；
影像分类模块，与中央控制模块连接，用于通过分类程序对采集的医学影像进行分类处理；
医学影像通信模块，与中央控制模块、医学影像服务器连接，用于通过网卡接入互联网与医学影像服务器进行通信；
加载判断模块，与中央控制模块连接，用于通过判断程序判断向医学影像服务器发出医学影像加载请求是否加载成功；缓存模块，与中央控制模块连接，用于通过内存卡根据判断结果将加载成功的医学影像进行保存处理；
影像分析模块，与中央控制模块连接，用于通过分析程序对医学影像进行分析操作；
显示模块，与中央控制模块连接，用于通过显示器显示加载的患者医学影像数据；
影像压缩模块，与中央控制模块连接，用于通过压缩程序对影像资料等比压缩。
CN201910719144.5A 2019-07-21 2019-07-21 一种医学影像快速加载方法及系统 Pending CN110543364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910719144.5A CN110543364A (zh) 2019-07-21 2019-07-21 一种医学影像快速加载方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910719144.5A CN110543364A (zh) 2019-07-21 2019-07-21 一种医学影像快速加载方法及系统

Publications (1)

Publication Number Publication Date
CN110543364A true CN110543364A (zh) 2019-12-06

Family

ID=68710223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910719144.5A Pending CN110543364A (zh) 2019-07-21 2019-07-21 一种医学影像快速加载方法及系统

Country Status (1)

Country Link
CN (1) CN110543364A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061811A (zh) * 2019-12-16 2020-04-24 张云峰 基于区块链和云服务的健康大数据管理系统
CN112951384A (zh) * 2021-02-04 2021-06-11 慧影医疗科技（北京）有限公司 用于医学影像设备的数据模拟发生方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020591A (zh) * 2012-11-21 2013-04-03 燕山大学 一种基于因果网络分析的中等规模人群异常行为检测方法
CN103870534A (zh) * 2012-12-12 2014-06-18 塔塔咨询服务有限公司 社交网络分析
CN103873604A (zh) * 2014-03-24 2014-06-18 成都博宇科技有限公司 一种基于分析cdn网络数据的网络访问方法
CN105007200A (zh) * 2015-07-31 2015-10-28 携程计算机技术（上海）有限公司 网络数据包的分析方法及系统
CN105138600A (zh) * 2015-08-06 2015-12-09 四川长虹电器股份有限公司 基于图结构匹配的社交网络分析方法
CN105354234A (zh) * 2015-10-09 2016-02-24 武汉烽火网络有限责任公司 基于深度包检测的网络实时大数据系统及大数据分析方法
CN108875909A (zh) * 2018-01-22 2018-11-23 深圳市铱硙医疗科技有限公司 医学影像的分类方法及装置
CN109191425A (zh) * 2018-07-23 2019-01-11 中国科学院自动化研究所 医学影像分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020591A (zh) * 2012-11-21 2013-04-03 燕山大学 一种基于因果网络分析的中等规模人群异常行为检测方法
CN103870534A (zh) * 2012-12-12 2014-06-18 塔塔咨询服务有限公司 社交网络分析
CN103873604A (zh) * 2014-03-24 2014-06-18 成都博宇科技有限公司 一种基于分析cdn网络数据的网络访问方法
CN105007200A (zh) * 2015-07-31 2015-10-28 携程计算机技术（上海）有限公司 网络数据包的分析方法及系统
CN105138600A (zh) * 2015-08-06 2015-12-09 四川长虹电器股份有限公司 基于图结构匹配的社交网络分析方法
CN105354234A (zh) * 2015-10-09 2016-02-24 武汉烽火网络有限责任公司 基于深度包检测的网络实时大数据系统及大数据分析方法
CN108875909A (zh) * 2018-01-22 2018-11-23 深圳市铱硙医疗科技有限公司 医学影像的分类方法及装置
CN109191425A (zh) * 2018-07-23 2019-01-11 中国科学院自动化研究所 医学影像分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061811A (zh) * 2019-12-16 2020-04-24 张云峰 基于区块链和云服务的健康大数据管理系统
CN111061811B (zh) * 2019-12-16 2023-09-15 浙江和仁科技股份有限公司 基于区块链和云服务的健康大数据管理系统
CN112951384A (zh) * 2021-02-04 2021-06-11 慧影医疗科技（北京）有限公司 用于医学影像设备的数据模拟发生方法及系统

Similar Documents

Publication Publication Date Title
Li et al. Application on traffic flow prediction of machine learning in intelligent transportation
CN107273925B (zh) 基于局部感受野和半监督深度自编码的肺实质ct影像处理装置
EP1941460B1 (en) Image processing system, particularly for use with diagnostic images
CN112651511A (zh) 一种训练模型的方法、数据处理的方法以及装置
CN113420152B (zh) 基于模糊逻辑的业务处理方法、装置和系统
CN110543364A (zh) 一种医学影像快速加载方法及系统
Gang et al. Recognition of honeycomb lung in CT images based on improved MobileNet model
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
CN113627422A (zh) 一种图像分类方法及其相关设备
CN117217280A (zh) 神经网络模型优化方法、装置及计算设备
Manocha et al. A novel deep fusion strategy for COVID-19 prediction using multimodality approach
Chitra et al. Prediction of heart disease and chronic kidney disease based on internet of things using RNN algorithm
Heena et al. Machine learning based biomedical image processing for echocardiographic images
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
CN113421228A (zh) 一种基于参数迁移的甲状腺结节识别模型训练方法及系统
CN111382807B (zh) 图像处理方法、装置、计算机设备和存储介质
CN114758787A (zh) 区域疫情信息处理方法、装置和系统
CN110363240A (zh) 一种医学影像分类方法与系统
CN111275059A (zh) 一种图像处理方法、装置和计算机可读存储介质
CN113743543B (zh) 一种图像分类训练方法、装置、服务器及存储介质
Sandhya et al. An optimized elman neural network for contactless palm-vein recognition framework
CN115035608A (zh) 活体检测方法、装置、设备及系统
CN109711467B (zh) 数据处理装置及方法、计算机系统
CN113824989A (zh) 一种视频处理方法、装置和计算机可读存储介质
CN113221762A (zh) 代价平衡决策方法、保险理赔决策方法、装置和设备

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191206