CN110600124B - 一种灰度图像融合的诊断监控综合医疗系统及其融合方法 - Google Patents

一种灰度图像融合的诊断监控综合医疗系统及其融合方法 Download PDF

Info

Publication number
CN110600124B
CN110600124B CN201910856852.3A CN201910856852A CN110600124B CN 110600124 B CN110600124 B CN 110600124B CN 201910856852 A CN201910856852 A CN 201910856852A CN 110600124 B CN110600124 B CN 110600124B
Authority
CN
China
Prior art keywords
image
cloud server
fusion
diagnosis
images
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.)
Active
Application number
CN201910856852.3A
Other languages
English (en)
Other versions
CN110600124A (zh
Inventor
赵志宇
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910856852.3A priority Critical patent/CN110600124B/zh
Publication of CN110600124A publication Critical patent/CN110600124A/zh
Application granted granted Critical
Publication of CN110600124B publication Critical patent/CN110600124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种灰度图像融合的诊断监控综合医疗系统及其融合方法,包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上传至云端服务器，工作站与云端服务器之间使用加密算法进行通信,使用CT图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像。

Description

一种灰度图像融合的诊断监控综合医疗系统及其融合方法
技术领域
本发明属综合医疗领域，特别涉及一种灰度图像融合的诊断监控综合医疗系统。
背景技术
医学图像融合技术在整合来自不同成像方式的解剖和功能信息方面提供了卓越的性能，这些信息甚至有助于在早期进行疾病的准确诊断。因此，多模态医学图像融合在医学领域的信息集成中起着至关重要的作用。
由于医疗数据通常是高度敏感和私密的，如果使用或披露不当，可能会危害患者的隐私并危及他们的生命。个人健康信息的安全性、隐私性和保密性是人们对医疗信息系统最关心的问题。因此，医疗信息系统的安全性和可靠性要求很高。
国内外医学界的诊疗决策尤其是诊断决策方法大都是根据各种医疗仪器对病人的检查结果，由医生凭借自身的医学知识和多年积累的临床诊断经验，对病情进行分析判断，从而做出相应的决策。这种决策方法的有效性取决于医生的业务水平，主观因素影响较大。
发明内容
本发明要解决的技术问题是如何快速获取患者病灶区域更加详细的图像，对此本发明提供一种灰度图像融合的诊断监控综合医疗系统，包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，患者用户通过客户端上传患者用户的基本信息至云端服务器，决策用户通过工作站上传案例概况信息、患者用户主要症状和体征、化验结果、病理信息、患者用户病情的基本判断、治疗手段、手术后症状、护理建议和策略至云端服务器，云端服务器存储有诊疗案例库，云端服务器对上传的各类信息综合形成案例，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，图像采集装置包括CT机、超声仪和核磁共振仪，生理参数传感器包括心率采集传感器、血压计、血氧仪和加速度计，其为可穿戴设备，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上至云端服务器，工作站与云端服务器之间使用加密算法进行通信。
其中，使用CT图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像，其融合过程如下：
步骤1，图像A为参考图像，图像B为标准图像，取得图像A、B的灰度函数，分别为fA(i，j)，fB(i，j)；
步骤2，两幅图像的平均灰度值μA、μB，
Figure BDA0002197650760000021
Figure BDA0002197650760000031
其中，M和N是图像二维像素尺寸；
步骤2.计算两幅图像的标准偏差σA、σB：
Figure BDA0002197650760000032
Figure BDA0002197650760000033
步骤3.计算修正系数cr：
Figure BDA0002197650760000034
步骤4.计算平均灰度值校正项μc：
μc＝μA-(cr×μB)；
步骤5.计算标准图像B的匹配图像灰度函数f′B，
f′B＝(fB(i，j)×cr)+μc；
步骤6，计算参考图像A以及匹配灰度后的图像B的梯度，
Figure BDA0002197650760000035
Figure BDA0002197650760000036
其中，
Figure BDA0002197650760000037
Figure BDA0002197650760000038
Figure BDA0002197650760000041
Figure BDA0002197650760000042
Figure BDA0002197650760000043
Figure BDA0002197650760000044
Figure BDA0002197650760000045
Figure BDA0002197650760000046
其中，
Figure BDA0002197650760000047
为原始图像A、B在点(i，j)处的梯度，Gi()、Gj()、Gij()、Gji()为点(i，j)处的横向、竖向、45°斜向、135°斜向变化函数，fA(i，j)、f′B(i，j)为参考图像A以及匹配灰度后的图像B在点(i，j)处的灰度分量；
步骤7，融合，
Figure BDA0002197650760000048
其中，FAB(i，j)为在点(i，j)处融合后的灰度分量。
由此得到融合的灰度图像。
其中，图像A为超声图像或核磁共振图像，图像B为CT图像。
本发明的有益效果：
(1)通过图像融合实现了患者病灶图像的细节显示，为医生诊断提供有力的依据；
(2)通过运动状态的判断实现了患者姿态的识别，实时监控病人的状态；
(3)通过加密通信有效保证了患者的隐私不被泄露；
(4)通过相似度匹配寻找与患者最为接近的案例，从而为医生诊断提供可靠的依据治疗方案以及病人治疗环境的选择提供依据，从而极大减少了医生的劳动强度。
附图说明
图1为本发明的系统框图；
图2为本发明的灰度图像融合流程图；
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
本发明的实施例参考图1-2示。
一种灰度图像融合的诊断监控综合医疗系统，包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，患者用户通过客户端上传患者用户的基本信息至云端服务器，决策用户通过工作站上传案例概况信息、患者用户主要症状和体征、化验结果、病理信息、患者用户病情的基本判断、治疗手段、手术后症状、护理建议和策略至云端服务器，云端服务器存储有诊疗案例库，云端服务器对上传的各类信息综合形成案例，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，图像采集装置包括CT机、超声仪和核磁共振仪，生理参数传感器包括心率采集传感器、血压计、血氧仪和加速度计，其为可穿戴设备，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上至云端服务器，工作站与云端服务器之间使用加密算法进行通信。
其中，使用CT图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像，其融合过程如下：
步骤1，图像A为参考图像，图像B为标准图像，取得图像A、B的灰度函数，分别为fA(i，j)，fB(i，j)；
步骤2，两幅图像的平均灰度值μA、μB，
Figure BDA0002197650760000061
Figure BDA0002197650760000062
其中，M和N是图像二维像素尺寸；
步骤2.计算两幅图像的标准偏差σA、σB：
Figure BDA0002197650760000063
Figure BDA0002197650760000071
步骤3.计算修正系数cr：
Figure BDA0002197650760000072
步骤4.计算平均灰度值校正项μc：
μc＝μA-(cr×μB)；
步骤5.计算标准图像B的匹配图像灰度函数f′B，
f′B＝(fB(i，j)×cr)+μc；
步骤6，计算参考图像A以及匹配灰度后的图像B的梯度，
Figure BDA0002197650760000073
Figure BDA0002197650760000074
其中，
Figure BDA0002197650760000075
Figure BDA0002197650760000076
Figure BDA0002197650760000077
Figure BDA0002197650760000078
Figure BDA0002197650760000079
Figure BDA0002197650760000081
Figure BDA0002197650760000082
Figure BDA0002197650760000083
其中，
Figure BDA0002197650760000084
为原始图像A、B在点(i，j)处的梯度，Gi()、Gj()、Gij()、Gji()为点(i，j)处的横向、竖向、45°斜向、135°斜向变化函数，fA(i，j)、f′B(i，j)为参考图像A以及匹配灰度后的图像B在点(i，j)处的灰度分量；
步骤7，融合，
Figure BDA0002197650760000085
其中，FAB(i，j)为在点(i，j)处融合后的灰度分量。
由此得到融合的灰度图像。
其中，图像A为超声图像或核磁共振图像，图像B为CT图像。其中，采用超声图像和核磁共振图像生成聚焦彩色图像，其融合过程如下：
步骤1，通过HSV变换将图像A、B从RGB空间转化到HSV空间，并获得H、S、V三个分量；
步骤2，通过邻域叠加得到融合后的H分量；
步骤3，通过梯度计算得到融合后的S分量和V分量；
步骤4，根据上述步骤的H分量、S分量和V分量，通过HSV逆变换构成最终的融合图像。
其中，图像A为超声图像或核磁共振图像，图像B为核磁共振图像或超声图像。
其中，工作站与云端服务器之间使用加密算法进行通信，其加密解密过程如下：
步骤1，发送方与接收方双方密钥共享，根据接收方的公钥生成共享密钥；
步骤2，发送方使用共享密钥和其他可选择参数作为密钥求导函数的输入，求导结果构成对称加密密钥和MAC密钥对；
步骤3，使用对称加密算法将对称加密密钥和明文作为输入，生成密文；
步骤4，使用加密信息、MAC密钥和其他公共参数作为输入，选用MAC函数生成标识；
步骤5，发送方使用临时公钥、标识以及密文组成加密信息发送给接收方；
步骤6，接收方接收加密信息，并且获知发送方的临时公钥、标识以及密文，从而将加密信息分解；
步骤7，接收方将接收的临时公钥和接收方的私钥进行乘积；
步骤8，使用共享密钥和其他发送方也使用的公共参数，接收方进行和发送方相同的求导过程，从而得到加密密钥和MAC密钥对；
步骤9，使用加密信息、MAC密钥和发送方使用的其他公共参数作为输入，接收方计算出新的标识，并与接收到的标识进行比较，如果新的标识和接收到的标识不同，则验证失败，拒绝接收密文；
步骤10，如果新的标识和接收到的标识相同，则接收方继续解密流程，使用对称解密算法，以加密信息和解密密钥作为输出，输出发送方的明文。
其中，工作站或云端服务器作为发送方，云端服务器或工作站作为接收方。
其中，生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
将获取的加速度数据生成为加速度时间序列数据，采用滑动窗口为加速度时间序列数据的时域加窗，对每个加窗得到的加速度时间序列数据进行处理和识别，滑动窗口使用时间轴来分段提取序列，定义窗口长度w以及重叠窗口长度o。
对于一段加速度时间序列{x1，x2...xn...}，第一个窗口为{x1，x2...xw}，第二个窗口为{xw-o，xw-o+1...x2w-o-1}，第三个窗口为{x2w-2o-1，x2w-2o...x3w-2o-2}，第n各窗口为{xn(w-o)-n+1，xn(w-o)-n+2...xn(w-o)+w-n}，其中，w＝60，o＝10。xn为加速度时间序列数据。
重叠的作用是减轻频谱泄漏，减少信号截断对信息的破坏。
步骤3，数据特征生成，
加速度数据特征包括时域特征和频域特征，时域特征包括加速的在窗口长度w内的平均值、均方根、方差和绝对平均差，频域特征为窗口长度w内的能量。
均值
Figure BDA0002197650760000111
为加速度数值的平均大小，是加速的直流分量，其计算公式为：
Figure BDA0002197650760000112
均方根D为加速度值的总体大小，其计算公式如下：
Figure BDA0002197650760000113
方差σx为加速度的分散程度，其计算公式如下：
Figure BDA0002197650760000114
方差明显的反映了数据变化的剧烈程度，其中
Figure BDA0002197650760000117
是加速度的均值。
绝对平均差K的计算为：
Figure BDA0002197650760000115
能量E的计算方法是对信号做FFT之后，各个分量的幅值平方和，其公式为：
Figure BDA0002197650760000116
Fi为加速度时间FFT之后第i个分量的幅度，N为分量个数。
通过上述平均值、均方根、方差、绝对平均差、能量的计算分别得到多个窗口的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列。
特征生成在模式识别的任务中是至关重要的，给定了测度集合，特征生成的目标是探索获取数据的固有模式和信息的重表示。一个良好的特征生成过程会将数据的基本信息压缩，同时剔除冗余的信息，从而减少原始数据空间的维数。
步骤4匹配识别，
生成样本序列，样本序列包括在行走状态、奔跑状态、跳跃状态、跌倒状态、静止状态下各个平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列，样本序列为预先设置或者通过用户本身通过执行相应的状态进行设置；
将上述得到的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列分别匹配不同状态下的样本序列，将匹配度最高的样本序列的状态作为当前用户的运动状态。
其中，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，具体步骤如下：
步骤1，根据医学临床诊疗特点，定义源决策案例的特征属性，建立诊疗案例库；
步骤2，患者用户就诊后，通过人机交互界面输入特征属性信息，并提取特征向量；
其中，特征向量包括：
案例概况信息向量，其包括案例编号，案例名，案例发生时间，主治医生姓名，住院医师姓名，护理人员姓名在内的特征属性；
病人基本信息向量，其包括患者用户性别，年龄，身高，体重，家族史，健康史，药物过敏史，入院日期，出院日期在内的特征属性；
患者用户主要症状和体征的向量，其包括患者用户主观异常感觉，患者用户体征在内的特征属性；
化验结果向量，包括血常规，免疫组合，凝血象，尿常规，血气分析，B超检查，CT检查，心电，血压，血氧饱和度在内的特征属性；
病理信息向量，包括来自理报告中的肿瘤大小、受侵淋巴结数、有无结节冒、恶性肿瘤程度，肿块位置、肿块所在象限，分布特征，生长特征在内的特征属性；
患者用户病情的基本判断向量，包括决策用户的主观判断结果，即恶性、良性、易复发和不易复发在内的特征属性；
治疗向量，包括病情描述，诊断过程，是否放疗，治疗过程，治疗效果以及中间的检查情况在内的特征属性；
手术后症状向量，即治疗后的乳腺癌患者用户症状描述在内的特征属性；
患者用户具体病情以及症状特征的护理建议和策略的向量。
步骤3，输入特征向量，模糊诊疗知识发现程序在诊疗案例库发现相关案例；
步骤4，通过遗传算法获取各特征向量中各特征属性的最优权重；具体为：
步骤4.1，将特征属性进行编码；
步骤4.2，生成各特征属性的初始权重；
步骤4.3，计算适应度并保持优选的染色体；
步骤4.4，发现准确值；
步骤4.5，用轮盘赌选择方法进行复制和选择；
步骤4.6，交叉；
步骤4.7，变异；
步骤4.8，优选染色体；
步骤4.9，替代现有染色体；
步骤4.10，进化迭代次数是否达到上限，是则停止迭代，进入步骤11，否则返回步骤3，继续迭代；
步骤4.11，将当前染色体逆编码，生成最优权重；
步骤5，结合最优权重和各特征属性，通过案例检索程序在诊疗案例库中进行检索，进行相似度分析获取最相似的案例，具体为：
步骤5.1，确定决策用户的正负理想案例，构造模糊矩阵并进行规范化；
步骤5.2，对模糊矩阵进行加权计算；
步骤5.3，对正负理想案例各属性指标值加权；
步骤5.4，计算正负理想案例、目标案例与输入案例的距离，
Figure BDA0002197650760000141
Figure BDA0002197650760000142
Figure BDA0002197650760000143
其中，i为特征向量序数；j为特征属性序数；n为特征向量总数；l为特征属性总数；xij为第i个特征向量的第j个特征属性值；
Figure BDA0002197650760000144
为到正理想点的距离；
Figure BDA0002197650760000145
为到负理想点的距离；IDT为各案例与目标案例的距离；
Figure BDA0002197650760000146
为正理想点值，
Figure BDA0002197650760000147
为负理想点值，xT为目标点值，d(，)为模糊数之间的距离函数；
步骤5.5，计算贴合度，确定各个案例之间的顺序，找到与目标案例最相似的案例，计算各个案例与目标案例之间的贴近度，
Figure BDA0002197650760000151
其中，TH为贴合度，TH值越高表示两个案例越相近，选择贴合度最高的案例作为最相似的案例；
步骤6，返回最相似的案例给决策用户，如满足要求，则生成诊断案例，并进入步骤7；如不满足要求，则决策用户输入特定需求，启动案例修正程序，对获取的案例进行修正，直至满足要求的案例，并进入步骤7；
步骤7：决策用户审查和评估检索得到的案例价值，如果认为该案例有价值，则生成相应的诊断结论，并存入诊疗案例库，如果认为该案例没有有价值，则生成相应的诊断结论，并退出。
以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种灰度图像融合的诊断监控综合医疗系统,包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，患者用户通过客户端上传患者用户的基本信息至云端服务器，决策用户通过工作站上传案例概况信息、患者用户主要症状和体征、化验结果、病理信息、患者用户病情的基本判断、治疗手段、手术后症状、护理建议和策略至云端服务器，云端服务器存储有诊疗案例库，云端服务器对上传的各类信息综合形成案例，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到最相似的案例，图像采集装置包括CT机、超声仪和核磁共振仪，生理参数传感器包括心率采集传感器、血压计、血氧仪和加速度计，其为可穿戴设备，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上至云端服务器，工作站与云端服务器之间使用加密算法进行通信,使用CT图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像，其融合过程如下：
步骤1，图像A为参考图像，图像B为标准图像，取得图像A、B的灰度函数，分别为fA(i,j)，fB(i,j)；
步骤2，两幅图像的平均灰度值μA、μB，
Figure FDA0003900375190000011
Figure FDA0003900375190000021
其中，M和N是图像二维像素尺寸；
步骤3.计算两幅图像的标准偏差σA、σB：
Figure FDA0003900375190000022
Figure FDA0003900375190000023
步骤4.计算修正系数cr：
Figure FDA0003900375190000024
步骤5.计算平均灰度值校正项μc：
μc＝μA-(cr×μB)；
步骤6.计算标准图像B的匹配图像灰度函数f′B，
f′B＝(fB(i,j)×cr)+μc；
步骤7，计算参考图像A以及匹配灰度后的图像B的梯度；
步骤8，融合，
Figure FDA0003900375190000025
其中，FAB(i,j)为在点(i,j)处融合后的灰度分量；
由此得到融合的灰度图像；
步骤7具体为：
Figure FDA0003900375190000026
Figure FDA0003900375190000027
其中，
Figure FDA0003900375190000031
Figure FDA0003900375190000032
Figure FDA0003900375190000033
Figure FDA0003900375190000034
Figure FDA0003900375190000035
Figure FDA0003900375190000036
Figure FDA0003900375190000037
Figure FDA0003900375190000038
其中，
Figure FDA0003900375190000039
为原始图像A、B在点(i,j)处的梯度，Gi()、Gj()、Gij()、Gji()为点(i,j)处的横向、竖向、45°斜向、135°斜向变化函数，fA(i,j)、f′B(i,j)为参考图像A以及匹配灰度后的图像B在点(i,j)处的灰度分量。
2.根据权利要求1所述的一种灰度图像融合的诊断监控综合医疗系统，其特征在于：图像A为超声图像或核磁共振图像，图像B为CT图像。
3.根据权利要求1所述的一种灰度图像融合的诊断监控综合医疗系统，其特征在于：生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
步骤3,数据特征生成，
步骤4匹配识别。
4.根据权利要求1所述的一种灰度图像融合的诊断监控综合医疗系统，其特征在于：采用超声图像和核磁共振图像生成聚焦彩色图像，其融合过程如下：
步骤1，通过HSV变换将图像A、B从RGB空间转化到HSV空间，并获得H、S、V三个分量；
步骤2，通过邻域叠加得到融合后的H分量；
步骤3，通过梯度计算得到融合后的S分量和V分量；
步骤4，根据上述步骤的H分量、S分量和V分量，通过HSV逆变换构成最终的融合图像。
5.一种如权利要求1所述的灰度图像融合的诊断监控综合医疗系统的灰度图像融合方法。
6.根据权利要求5所述的灰度图像融合方法，其特征在于步骤7具体为：图像A为超声图像或核磁共振图像，图像B为CT图像。
CN201910856852.3A 2019-09-10 2019-09-10 一种灰度图像融合的诊断监控综合医疗系统及其融合方法 Active CN110600124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910856852.3A CN110600124B (zh) 2019-09-10 2019-09-10 一种灰度图像融合的诊断监控综合医疗系统及其融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910856852.3A CN110600124B (zh) 2019-09-10 2019-09-10 一种灰度图像融合的诊断监控综合医疗系统及其融合方法

Publications (2)

Publication Number Publication Date
CN110600124A CN110600124A (zh) 2019-12-20
CN110600124B true CN110600124B (zh) 2023-04-07

Family

ID=68858673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910856852.3A Active CN110600124B (zh) 2019-09-10 2019-09-10 一种灰度图像融合的诊断监控综合医疗系统及其融合方法

Country Status (1)

Country Link
CN (1) CN110600124B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840066B1 (en) * 2005-11-15 2010-11-23 University Of Tennessee Research Foundation Method of enhancing a digital image by gray-level grouping
CN101930603A (zh) * 2010-08-06 2010-12-29 华南理工大学 中高速传感器网络图像数据融合的方法
CN102169576A (zh) * 2011-04-02 2011-08-31 北京理工大学 一种图像拼接算法定量评价方法
CN104200418A (zh) * 2014-09-29 2014-12-10 北京中美联医学科学研究院有限公司 基于移动互联网的智能居家诊疗系统和方法
CN105469364A (zh) * 2015-10-26 2016-04-06 厦门理工学院 一种联合小波变换域和空间域的医学图像融合方法
CN106920224A (zh) * 2017-03-06 2017-07-04 长沙全度影像科技有限公司 一种评估拼接图像清晰度的方法
CN107016647A (zh) * 2017-04-26 2017-08-04 武汉大学 全景图像色调一致性纠正方法及系统
CN107093190A (zh) * 2017-04-17 2017-08-25 哈尔滨理工大学 一种基于多图谱标签融合的医学图像配准算法
CN107203696A (zh) * 2017-06-19 2017-09-26 深圳源广安智能科技有限公司 一种基于图像融合的智能医疗系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840066B1 (en) * 2005-11-15 2010-11-23 University Of Tennessee Research Foundation Method of enhancing a digital image by gray-level grouping
CN101930603A (zh) * 2010-08-06 2010-12-29 华南理工大学 中高速传感器网络图像数据融合的方法
CN102169576A (zh) * 2011-04-02 2011-08-31 北京理工大学 一种图像拼接算法定量评价方法
CN104200418A (zh) * 2014-09-29 2014-12-10 北京中美联医学科学研究院有限公司 基于移动互联网的智能居家诊疗系统和方法
CN105469364A (zh) * 2015-10-26 2016-04-06 厦门理工学院 一种联合小波变换域和空间域的医学图像融合方法
CN106920224A (zh) * 2017-03-06 2017-07-04 长沙全度影像科技有限公司 一种评估拼接图像清晰度的方法
CN107093190A (zh) * 2017-04-17 2017-08-25 哈尔滨理工大学 一种基于多图谱标签融合的医学图像配准算法
CN107016647A (zh) * 2017-04-26 2017-08-04 武汉大学 全景图像色调一致性纠正方法及系统
CN107203696A (zh) * 2017-06-19 2017-09-26 深圳源广安智能科技有限公司 一种基于图像融合的智能医疗系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Poisson image fusion based on Markov random field fusion model;Jian Sun 等;《Information Fusion》;20120917;第14卷(第3期);第241-254页 *
基于互信息相关比的多模态医学图像配准算法的研究;丁敏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第1期);第I138-4690页 *
基于生物视觉特性的红外与可见光图像融合方法;李敏等;《计算机工程与科学》;20120915(第09期);第83-87页 *
复杂背景灰度图像下的多特征融合运动目标跟踪;江山 等;《中国光学》;20160615;第9卷(第3期);第320-328页 *

Also Published As

Publication number Publication date
CN110600124A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110584605B (zh) 一种相似度匹配的诊断监控综合医疗系统及其匹配方法
CN110600109B (zh) 一种彩色图像融合的诊断监控综合医疗系统及其融合方法
Jiang et al. MRI based radiomics approach with deep learning for prediction of vessel invasion in early-stage cervical cancer
WO2002039895A1 (en) A method and a system for combining automated psychiatric profiling from combined input images of brain scans with observed expert and automated interpreter using a neural network
CN110575178B (zh) 一种运动状态判断的诊断监控综合医疗系统及其判断方法
Liu et al. Big medical data decision-making intelligent system exploiting fuzzy inference logic for prostate cancer in developing countries
Nandihal et al. Glioma Detection using Improved Artificial Neural Network in MRI Images
CN110580951B (zh) 一种通信加密的诊断监控综合医疗系统及其通信加密方法
JP2019532397A (ja) 対象者データ管理システム
Sangeetha et al. A Combined Image Segmentation and Classification Approach for COVID-19 Infected Lungs.
Soundrapandiyan et al. AI-based wavelet and stacked deep learning architecture for detecting coronavirus (COVID-19) from chest X-ray images
Naik et al. Detection of Lung Diseases using Deep Learning
Dhanalakshmi et al. Convolutional Neural Network Model based Deep Learning Approach for Osteoporosis Fracture Detection
CN110600124B (zh) 一种灰度图像融合的诊断监控综合医疗系统及其融合方法
Chen et al. Enhancement of Breast Mammography to Rapid Screen Abnormalities Using 2D Spatial Fractional‐Order Feature Extraction and Multilayer Machine Vision Classifier
Al Smadi et al. Information systems in medical settings: A covid-19 detection system using x-ray scans
Kandukuri et al. Heart Stroke Detection Using KNN Algorithm
Majji et al. Smart iot in breast cancer detection using optimal deep learning
CN115935404A (zh) 用于从原始数据集生成合成数据集的系统和方法
ES2695178T3 (es) Procedimientos de cuantificación y formación de imágenes de la característica de ecotextura
Anurekha et al. Enhancing security of neurological health information using cryptography in wireless sensor network
K Santhi Computer Tomography Image Based Interconnected Antecedence Clustering Model Using Deep Convolution Neural Network for Prediction of COVID-19
Alagarsamy et al. Classification of covid patient image dataset using modified deep convolutional neural network system
Mallios et al. A virtual doctor prototype for quick diagnosis and secure health information exchange
CN116013552B (zh) 一种基于区块链的远程会诊方法及系统

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