CN110910991B - 一种医用自动图像处理系统 - Google Patents
一种医用自动图像处理系统 Download PDFInfo
- Publication number
- CN110910991B CN110910991B CN201911147357.1A CN201911147357A CN110910991B CN 110910991 B CN110910991 B CN 110910991B CN 201911147357 A CN201911147357 A CN 201911147357A CN 110910991 B CN110910991 B CN 110910991B
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- image
- layer
- map
- 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
Links
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明请求保护一种医用自动图像处理系统,通过将图像数据挖掘理论研究与实际应用紧密结合,探讨了目前医学图像数据挖掘的主流技术,基于统计学习理论和决策树分类算法以及关联规则算法和粗糙集决策树算法的改进,以及关联规则分类的方法,关联规则分类中存在的问题,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录,去除了冗余特征,进行了属性约简,提高了分类效率并降低了处理时间,同时,医疗知识图谱的构建可以将关键技术应用到了计算机辅助诊断中,构建了一个基于图像数据挖掘技术的医用自动图像处理系统。
Description
技术领域
本发明涉及图像识别和知识图谱技术领域,特别是涉及一种医用自动图像处理系统。
背景技术
医学图像的数据挖掘旨在从海量的图像数据中挖掘出有效的模型、关联、规则、变化、不规则以及普遍的规律,以加速医生决策诊断的过程和提高其决策诊断的准确度。随着医疗数字化设备的快速发展,医学信息数据库中不仅包括病人的结构化的信息,还包括病人大量非结构化的医学图像信息,为医学图像的数据挖掘提供了丰富的数据源。
知识图谱作为一种深度检索挖掘的方法被广泛应用于大数据信息的精准获取。近年来,医 学领域内探索以知识图谱为基础的AI诊疗已取得了一定的研究成果,例如一种基于深度学习 的中文医学知识图谱构建方法。但是,目前国内还没有成熟的医学影像知识图谱的构建先例,基于医学影像与对应的医学文本记录交叉对比方面还属于空白阶段。因此,需要一种适用于医 学影像特征和相关医学诊断知识提取,并能够使之相结合的知识图谱构建方法。故本专利特别提出一种医用自动图像处理系统,以期能够为临床诊断提供辅助决策信息。
但现存的计算机辅助医学诊断系统基本上都是基于知识的专家系统,往往存在知识获取的瓶颈、知识的脆弱性、推理的单调性等方面的缺陷。这些系统在知识的获取与表达上存在困难,且带有一定的主观性,智能性和鲁棒性都比较差。并且现有医学知识图谱大都以文本型非结 构化病例、文献等进行构建,而非基于医学影像,无法对影像数据进行挖掘和利用。常用图像分割技术通常存在归类困难、关联对比效果不好、影像识别颗粒度不够细致等问题,不适用医学影像的处理。
发明内容
为解决上述问题,本专利将医学图像的处理技术与数据挖掘技术有机结合,研究医学图像数据的特征提取和加载方法、医学图像数据的分类方法。通过从海量的图像数据中挖掘出关联规则与有用的信息,帮助医生找出疾病高发的人群,疾病程度与各种隐含信息的关系,辅助决策诊断过程,提高准确度。该项研究具有重要的理论意义与广阔的应用前景。
具体的,本发明请求保护一种医用自动图像处理系统,其特征在于,包括接口通信层、图像采集层、聚类分析层、数据存储层,所述接口通信层连接聚类分析层和图像采集层,数据存储层和聚类分析层通过导出层相连接,具体地:
图像采集层,采集多源医疗设备图像信息,包括采集开放链接数据集内容,所述开放链接数据集提供了可供下载的仓库地址,用户同意许可后即可从所述开放链接数据集中下载图像内容,和/或采集医疗信息图谱采集,和/或采集医疗影像系统图像采集;
聚类分析层,采用粗糙集决策树方法,对归一化的多源医疗设备数据进行聚类分析,形成图像聚类子目录及子目录下的图像元数据和数据图谱;
接口通信层,将图像采集层采集的多源医疗设备数据进行归一化处理,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录;
数据存储层,存储聚类分析层聚类后的图像聚类子目录和子目录下的图像元数据和数据图谱,将所述图像聚类子目录和子目录下的图像元数据和数据图谱集成存储。
本发明将图像数据挖掘理论研究与实际应用紧密结合,探讨了目前医学图像数据挖掘的主流技术, 基于统计学习理论和决策树分类算法以及关联规则算法和粗糙集决策树算法的改进,以及关联规则分类的方法,关联规则分类中存在的问题,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录,去除了冗余特征,进行了属性约简,提高了分类效率并降低了处理时间,同时,医疗知识图谱的构建可以将关键技术应用到了计算机辅助诊断中,构建了一个基于图像数据挖掘技术的医用自动图像处理系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
附图1为本发明的一种医用自动图像处理系统的模块结构图。
附图2为本发明的一种医用自动图像处理系统各模块的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照附图1,本发明请求保护一种医用自动图像处理系统,其特征在于,包括接口通信层、图像采集层、聚类分析层、数据存储层,所述接口通信层连接聚类分析层和图像采集层,数据存储层和聚类分析层通过导出层相连接,具体地:
参照附图2,本发明的一种医用自动图像处理系统各模块的工作流程图,其中:
图像采集层,采集多源医疗设备图像信息,包括采集开放链接数据集内容,所述开放链接数据集提供了可供下载的仓库地址,用户同意许可后即可从所述开放链接数据集中下载图像内容,和/或采集医疗信息图谱采集,和/或采集医疗影像系统图像采集;
聚类分析层,采用粗糙集决策树方法,对归一化的多源医疗设备数据进行聚类分析,形成图像聚类子目录及子目录下的图像元数据和数据图谱;
接口通信层,将图像采集层采集的多源医疗设备数据进行归一化处理,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录;
数据存储层,存储聚类分析层聚类后的图像聚类子目录和子目录下的图像元数据和数据图谱,将所述图像聚类子目录和子目录下的图像元数据和数据图谱集成存储。
优选的,图像采集层,采集多源医疗设备图像信息,包括采集开放链接数据集内容,所述开放链接数据集提供了可供下载的仓库地址,用户同意许可后即可从所述开放链接数据集中下载图像内容,和/或采集医疗信息图谱采集,和/或采集医疗影像系统图像采集,具体包括:
医疗大数据,包括结构化以及非结构化和半结构化的数据,所述釆集层需要采集各种格式的数据,实现与各种医疗系统进行对接,通过相应的API读取数据;
和/或选取一部分医疗图谱URL作为采集的种子,将这些种子医疗图谱URL放入待抓取医疗图谱URL队列中,从待抓取医疗图谱URL队列中取出一部分待抓取在医疗图谱URL,通过HTTP连接将医疗图谱URL对应的图谱下载下来,存储在己下载图谱库中,同时将这些医疗图谱URL放进已抓取医疗图谱URL队列;第4步,从刚下载的图谱中分析新的医疗图谱URL,并将这些新的医疗图谱URL放入待抓取医疗图谱URL队列;
和/或将所述医疗影像系统的采集数据划分为多个子数据集合,触发所述多个计算节点分别计算所述多个子数据集合的子医疗影像,将多个子医疗图像合并形成集成的多源医疗数据图像集合,其中,所述子数据集合的个数与所述多个计算节点的个数一致,将所述多个子数据集合的子医疗影像生成与所述采集数据对应的医疗影像。
多源医疗设备图像信息包括DICOM医学图像,该DICOM医学图像通过从相应DICOM文件中删除或者修改一个或多个患者的标签,并除去可能存在的包含患者相关信息的图像区域而被匿名化。在DICOM图像中,包含除采集之外的其它信息的图像区域定义在 DICOM标签中,并且通过替换这些区域能够容易掩盖该图像区域。DICOM标签还包含文本形式或者二进制形式的患者信息。对此,优选地,与该文件相关联的识别包括与用于执行检查的采集设备相关的信息,从 而通过使用根据采集设备的识别选择的一个或多个掩模能够除去图像上的像素。
进一步地,聚类分析层,采用粗糙集决策树方法,对归一化的多源医疗设备数据进行聚类分析,形成图像聚类子目录及子目录下的图像元数据和数据图谱,具体包括:
利用训练集建立并精化一棵决策树,采用粗糙集方法,使用向量空间模型和余弦相似度模型,在考虑医疗图像间属性相似性的基础上加入医疗图像间的相互关系,为医疗图像本身相似度和关联医疗图像相似度的属性分配不同权重;
使用基于Spark的Skyline查询算法SkyGrid,加权求和计算相似度,为每个向量建立倒排表,通过键值生成候选对,使用余弦相似性函数计算每个候选对的向量相似性,输出结果;
通过合理的决策树局部分区,先把一部分数据医疗图像分解到导出层进行子医疗图像计算,再把汇总后的医疗图像在导出层进行多因素过滤与合并预处理,调用该区域的已预算的倒排区域索引进行局部Skyline查询,并利用频率Skyline格技术对决策树局部被剪枝区域进行快速标记;
选择具有最高信息增益或最大熵压缩的属性作为当前节点的测试属性,利用生成完毕的决策树对输入数据进行分类,对输入的记录,从根节点依次测试记录的属性值,直到到达某个叶子节点,提取该叶子节点的特征;
在特征提取后,医学图像被分成若干小方块的模糊熵映射显示,使用粗糙集理论对属性进行剪枝,剪枝时使用遗传算法来产生多个剪枝;
计算每个剪枝的重要度,并对剪枝进行排序,剪掉不重要的剪枝,约简重要度根据粗糙集理论来计算;
在医学图像校正前,将待校正图像分为目标图 像和背景图像,并综合考虑校正精度和校正时间两个重要因素,将图像灰度分别映射到不同灰度级;
使用关联规则经典算法 Apriori 算法对每个剪枝产生频繁项集和规则;
计算每个规则的规则重要度,剪掉规则重要度低的规则,并根据规则重要度对规则进行排序;
新数据根据已经排序好的规则进行匹配分类。
处理新增医学图像,包括医学图像的格式转换、尺度归一化和去噪与增强;
采用基于密度聚类的医学图像分割方法分别识别出每幅样本医学图像中待分析的局部区域;分别提取出每幅样本医学图像中局部区域的特征,形成新增医学图像样本数据,这些特征包括:均值,它反映的是一副医学图像的平均灰度值、方差,它反映的是一副医学图像灰度在数值上的离散分布情况、倾斜度,它反映的是医学图像直方图分布的不对称程度、峰态,它反映的是医学图像灰度分布在接近均值时的大致状态、能量,它反映的是灰度分布的均匀程度、熵,它反映的是直方图灰度分布的均匀性和聚类特征。
关联规则算法是一种挖掘关联规则的频繁项集算法,主要的实现有演绎推理Apriori 算法跟 FP-树频集算法,销售、保险等多个领域已经广泛使用该算法。
该算法的基本思想是:首先找出所有的项集,这些项集出现的统计概率必须不小于系统设定的最小支持度(minimal support value),然后由项集产生强关联规则,这些规则必须不小于最小支持度和最小置信度。然后根据一开始项集产生的规则,产生只包含集合项的所有规则,其中每一条规则的右部只有一项,那么只有那些大于系统给定的最小置信度的规则才被留下来。算法可以使用使用了递归的方式来生成所有频繁项集。
找出所有的频繁项集:根据频繁项集的定义,找出那些事务的支持度大于或等于最小支持度的项目的集合。用频繁项集来产生强关联规则:根据强关联规则的定义,选择规则大于或等于最小支持度和最小置信度的规则。在此也可以加上兴趣度度量。
根据规则中所涉及数据的维数分类,可分为一维的和多维的关联规则。一维关联规则,也称维内关联规则,是指其中的项或属性的数据只有一个维度。一般通过事务数据库进行挖掘。多维关联规则,是指关联规则中的项或属的数据有两个或多个维数。一般通过关系数据库或数据仓库来进行挖掘。在多维关联规则中,又根据它的数据维是否重复出现,可分为重复维关联规则和单一关联规则。同一数据的维数重复出现的是重复维关联规则;不重复出现的是单一关联规则。
优选的,所述接口通信层,将图像采集层采集的多源医疗设备数据进行归一化处理,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录,具体包括:
将来自不同数据源的数据结合在一起;
对数据进行检查,检查所述多源医疗设备数据是否都是有用的,并且重新设置多源医疗设备数据类型数据的格式,将所有数据类型进行统一化处理;
在得到所述归一化格式数据与所述待归一化多源数据之间的差异信息之后,确定该源端设备的聚类类型中的待归一化多源数据量是否超过阈值,在该第一聚类类型中的待归一化多源数据量超过阈值的情况下,对该第一聚类区间补充聚类点,以将该第一聚类类型分成新的多个聚类类型。
进一步地,所述数据存储层,存储聚类分析层聚类后的图像聚类子目录和子目录下的图像元数据和数据图谱,将所述图像聚类子目录和子目录下的图像元数据和数据图谱集成存储,具体包括:
将每个医疗图像中所包括的地区按元数据和图谱划分为若干个更小的纵向排列和横向排列的,为每个医疗图像对应生成一个压缩医疗图像,生成压缩医疗图像过程中对每一个的原始医疗数据作如下处理:
通过网络与一个或多个其它网络终端相连接,索引数据、待查数据及其之间的对应关系中的至少一项通过网络被存储在至少一个网络终端上,所述索引数据、待查数据及其之间的对应关系可以存储在同一个网络终端上,也可以分别存储在三个不同的网络终端上,或者在更多的网络终端上保存多个副本作为备份;
比较和计算该的各点的原始医疗数据,取最小值作为基准值,将该原始医疗数据中各点的医疗值与基准值比较,计算得到各点的医疗值与基准值之间的差值,将该内所有差值的最大值作为本的最大差值,根据最大差值为本确定一个差值存储的种类值;
所述数据存储层还包括验证服务器,保存与所述待查数据相对应的允许查询或读取该待查数据的条件,所述在查询或读取该待查数据时,只有符合所述允许查询或读取该待查数据的条件,才允许该待查数据被查询到或被读取;
将该医疗数据按如下格式存储到压缩医疗图像中:
对每个压缩医疗图像建立两级索引,所述两级索引的第一级索引为指针,所述指针指向一纵列或一横列的第二级索引的起始地址,所述两级索引的第二级索引为该的医疗数据在所述压缩医疗图像中的存储地址。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (4)
1.一种医用自动图像处理系统,其特征在于,包括接口通信层、图像采集层、聚类分析层、数据存储层、导出层,所述接口通信层连接聚类分析层和图像采集层,数据存储层和聚类分析层通过导出层相连接,具体地:
图像采集层,采集多源医疗设备图像信息,包括采集开放链接数据集内容,所述开放链接数据集提供了可供下载的仓库地址,用户同意许可后即可从所述开放链接数据集中下载图像内容,和/或采集医疗信息图谱,和/或采集医疗影像系统图像;
聚类分析层,采用粗糙集决策树方法,对归一化的多源医疗设备数据进行聚类分析,形成图像聚类子目录及子目录下的图像元数据和数据图谱;
接口通信层,将图像采集层采集的多源医疗设备数据进行归一化处理,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录;
数据存储层,存储聚类分析层聚类后的图像聚类子目录和子目录下的图像元数据和数据图谱,将所述图像聚类子目录和子目录下的图像元数据和数据图谱集成存储;
聚类分析层,采用粗糙集决策树方法,对归一化的多源医疗设备数据进行聚类分析,形成图像聚类子目录及子目录下的图像元数据和数据图谱,具体包括:
利用训练集建立并精化一棵粗糙集决策树,采用粗糙集方法,使用向量空间模型和余弦相似度模型,在考虑医疗图像间属性相似性的基础上加入医疗图像间的相互关系,为医疗图像本身相似度和关联医疗图像相似度的属性分配不同权重;
使用基于Spark的Skyline查询算法SkyGrid,加权求和计算相似度,为每个向量建立倒排表,通过键值生成候选对,使用余弦相似性函数计算每个候选对的向量相似性,输出结果;
通过合理的粗糙集决策树局部分区,先把一部分数据医疗图像分解到导出层进行子医疗图像计算,再把汇总后的医疗图像在导出层进行多因素过滤与合并预处理,调用已预算的倒排区域索引进行局部Skyline查询,并对粗糙集决策树局部被剪枝区域进行快速标记;
选择具有最高信息增益或最大熵压缩的属性作为当前节点的测试属性,利用生成完毕的粗糙集决策树对输入数据进行分类,对输入的记录,从根节点依次测试记录的属性值,直到到达某个叶子节点,提取该叶子节点的特征;
在特征提取后,医学图像被分成若干小方块的模糊熵映射显示,使用粗糙集理论对属性进行剪枝,剪枝时使用遗传算法来产生多个剪枝;
计算每个剪枝的重要度,并对剪枝进行排序,剪掉不重要的剪枝,约简重要度根据粗糙集理论来计算;
在医学图像校正前,将待校正图像分为目标图像和背景图像,并综合考虑校正精度和校正时间两个重要因素,将图像灰度分别映射到不同灰度级;
使用关联规则经典算法 Apriori 算法对每个剪枝产生频繁项集和规则;
计算每个规则的规则重要度,剪掉规则重要度低的规则,并根据规则重要度对规则进行排序;
新数据根据已经排序好的规则进行匹配分类。
2.如权利要求1所述的医用自动图像处理系统,其特征在于,包括:
图像采集层,采集多源医疗设备图像信息,包括采集开放链接数据集内容,所述开放链接数据集提供了可供下载的仓库地址,用户同意许可后即可从所述开放链接数据集中下载图像内容,和/或采集医疗信息图谱,和/或采集医疗影像系统图像,具体包括:
医疗大数据,包括结构化以及非结构化和半结构化的数据,所述图像采集层需要采集各种格式的数据,实现与各种医疗系统进行对接,通过相应的API读取数据;
和/或选取一部分医疗图谱URL作为采集的种子,将这些种子医疗图谱URL放入待抓取医疗图谱URL队列中,从待抓取医疗图谱URL队列中取出一部分待抓取在医疗图谱URL,通过HTTP连接将医疗图谱URL对应的图谱下载下来,存储在己下载图谱库中,同时将这些医疗图谱URL放进已抓取医疗图谱URL队列;第4步,从刚下载的图谱中分析新的医疗图谱URL,并将这些新的医疗图谱URL放入待抓取医疗图谱URL队列;
和/或将所述医疗影像系统的采集数据划分为多个子数据集合,触发多个计算节点分别计算所述多个子数据集合的子医疗影像,将多个子医疗图像合并形成集成的多源医疗数据图像集合,其中,所述多个子数据集合的个数与所述多个计算节点的个数一致,将所述多个子数据集合的子医疗影像生成与所述采集数据对应的医疗影像。
3.如权利要求1所述的医用自动图像处理系统,其特征在于,包括:
所述接口通信层,将图像采集层采集的多源医疗设备数据进行归一化处理,将多源医疗设备数据的格式进行封装,采用统一的处理接口形成归一数据目录,具体包括:
将来自不同数据源的数据结合在一起;
对数据进行检查,看所述多源医疗设备数据是否都是有用的,并且重新设置多源医疗设备数据类型数据的格式,将所有数据类型进行统一化处理;
在得到归一化格式数据与待归一化多源数据之间的差异信息之后,确定该多源医疗设备的聚类类型中的待归一化多源数据量是否超过阈值,在该聚类类型中的待归一化多源数据量超过阈值的情况下,对该聚类区间补充聚类点,以将该聚类类型分成新的多个聚类类型。
4.如权利要求1所述的医用自动图像处理系统,其特征在于,包括:
所述数据存储层,存储聚类分析层聚类后的图像聚类子目录和子目录下的图像元数据和数据图谱,将所述图像聚类子目录和子目录下的图像元数据和数据图谱集成存储,具体包括:
将每个医疗图像中所包括的地区按元数据和图谱划分为若干个更小的纵向排列和横向排列的,为每个医疗图像对应生成一个压缩医疗图像,生成压缩医疗图像过程中对每一个的原始医疗数据作如下处理:
通过网络与一个或多个其它网络终端相连接,索引数据、待查数据及其之间的对应关系中的至少一项通过网络被存储在至少一个网络终端上,所述索引数据、待查数据及其之间的对应关系可以存储在同一个网络终端上,也可以分别存储在三个不同的网络终端上,或者在更多的网络终端上保存多个副本作为备份;
比较和计算该压缩医疗图像的各点的原始医疗数据,取最小值作为基准值,将该原始医疗数据中各点的医疗值与基准值比较,计算得到各点的医疗值与基准值之间的差值,将所有差值的最大值作为本的最大差值,根据最大差值为本确定一个差值存储的种类值;
所述数据存储层还包括验证服务器,保存与所述待查数据相对应的允许查询或读取该待查数据的条件,在查询或读取该待查数据时,只有符合所述允许查询或读取该待查数据的条件,才允许该待查数据被查询到或被读取;
将该医疗数据按如下格式存储到压缩医疗图像中:
对每个压缩医疗图像建立两级索引,所述两级索引的第一级索引为指针,所述指针指向一纵列或一横列的第二级索引的起始地址,所述两级索引的第二级索引为该压缩医疗图像的医疗数据在所述压缩医疗图像中的存储地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147357.1A CN110910991B (zh) | 2019-11-21 | 2019-11-21 | 一种医用自动图像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147357.1A CN110910991B (zh) | 2019-11-21 | 2019-11-21 | 一种医用自动图像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910991A CN110910991A (zh) | 2020-03-24 |
CN110910991B true CN110910991B (zh) | 2020-09-01 |
Family
ID=69818328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911147357.1A Active CN110910991B (zh) | 2019-11-21 | 2019-11-21 | 一种医用自动图像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910991B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666439B (zh) * | 2020-05-28 | 2021-07-13 | 广东唯仁医疗科技有限公司 | 针对云端环境快速提取和划分医学影像大数据的工作方法 |
CN111858836B (zh) * | 2020-08-14 | 2024-02-09 | 连接派(杭州)互联网有限公司 | 数据处理及提供方法、装置、系统及存储介质 |
CN116741350B (zh) * | 2023-08-16 | 2023-10-31 | 枣庄市山亭区妇幼保健院 | 一种用于医院x射线影像的档案管理系统 |
CN117376108B (zh) * | 2023-12-07 | 2024-03-01 | 深圳市亲邻科技有限公司 | 一种物联网设备智能运维方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924472A (zh) * | 2015-06-03 | 2018-04-17 | 英乐爱有限公司 | 通过脑部计算机介面的图像分类 |
CN110175626A (zh) * | 2019-04-15 | 2019-08-27 | 哈尔滨理工大学 | 一种基于云平台下svm图像识别系统及方法 |
US10460839B1 (en) * | 2018-11-29 | 2019-10-29 | Richard Ricci | Data mining of dental images |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9116981B2 (en) * | 2012-07-05 | 2015-08-25 | Canon Kabushiki Kaisha | Systems and methods for cluster analysis with relational truth |
CN103955703A (zh) * | 2014-04-25 | 2014-07-30 | 杭州电子科技大学 | 一种基于朴素贝叶斯的医疗影像疾病分类方法 |
CN109766904A (zh) * | 2015-07-27 | 2019-05-17 | 蚌埠医学院 | 医学领域图像语义相似度矩阵的改进算法 |
CN106909778B (zh) * | 2017-02-09 | 2019-08-27 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
US10152571B1 (en) * | 2017-05-25 | 2018-12-11 | Enlitic, Inc. | Chest x-ray differential diagnosis system |
US10304564B1 (en) * | 2017-12-13 | 2019-05-28 | International Business Machines Corporation | Methods and systems for displaying an image |
US10916341B2 (en) * | 2017-12-15 | 2021-02-09 | International Business Machines Corporation | Automated report generation based on cognitive classification of medical images |
CN108389614B (zh) * | 2018-03-02 | 2021-01-19 | 西安交通大学 | 基于图像分割与卷积神经网络构建医学影像图谱的方法 |
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
CN108831519A (zh) * | 2018-09-05 | 2018-11-16 | 上海麦色智能科技有限公司 | 一种基于形态学和临床实践的皮肤疾病分类装置 |
CN109360208A (zh) * | 2018-09-27 | 2019-02-19 | 华南理工大学 | 一种基于单程多任务卷积神经网络的医学图像分割方法 |
CN109461494A (zh) * | 2018-10-29 | 2019-03-12 | 北京青燕祥云科技有限公司 | 一种ris平台与影像辅助诊断系统例数据同步方法 |
CN109300534A (zh) * | 2018-11-30 | 2019-02-01 | 上海藤核智能科技有限公司 | 一种医学影像知识库的构建方法及应用 |
-
2019
- 2019-11-21 CN CN201911147357.1A patent/CN110910991B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924472A (zh) * | 2015-06-03 | 2018-04-17 | 英乐爱有限公司 | 通过脑部计算机介面的图像分类 |
US10460839B1 (en) * | 2018-11-29 | 2019-10-29 | Richard Ricci | Data mining of dental images |
CN110175626A (zh) * | 2019-04-15 | 2019-08-27 | 哈尔滨理工大学 | 一种基于云平台下svm图像识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110910991A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910991B (zh) | 一种医用自动图像处理系统 | |
CN109446341A (zh) | 知识图谱的构建方法及装置 | |
US20080114725A1 (en) | Method and System for High Performance Data Metatagging and Data Indexing Using Coprocessors | |
CN111326236A (zh) | 一种医疗图像自动处理系统 | |
WO2008063973A2 (en) | Method and system for high performance data metatagging and data indexing using coprocessors | |
US20060288029A1 (en) | Sentence classification device and method | |
US10776516B2 (en) | Electronic medical record datasifter | |
CN112349369A (zh) | 医疗影像大数据智能分析方法、系统及存储介质 | |
Karrar | The effect of using data pre-processing by imputations in handling missing values | |
CN111581193A (zh) | 数据处理方法、设备、计算机系统及存储介质 | |
CN114153995B (zh) | 医学术语的处理方法、装置、计算机设备和存储介质 | |
CN115438040A (zh) | 一种病理档案信息管理方法及系统 | |
CN117037990A (zh) | 一种基于病案质量的智能分类存储方法及装置 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN114168751B (zh) | 一种基于医学知识概念图的医学文本标签识别方法及系统 | |
CN114495137B (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
Chen et al. | Topological transduction for hybrid few-shot learning | |
Sailaja et al. | Rough set based feature selection approach for text mining | |
CA2613936C (en) | Image classification and search | |
CN118116611B (zh) | 基于多源医养大数据融合集成的数据库构建方法 | |
Nohuddin et al. | Social network trend analysis using frequent pattern mining and self organizing maps | |
Jo et al. | Data encoding | |
Wang | Automatic classification of document resources based on Naive Bayesian classification algorithm | |
Soundararajan et al. | Knowledge discovery tools and techniques | |
Ahsan et al. | Using entity identification and classification for automated integration of spatial-temporal data |
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 |