CN111863232B - 基于区块链和医学影像的远程疾病智能诊断系统 - Google Patents

基于区块链和医学影像的远程疾病智能诊断系统 Download PDF

Info

Publication number
CN111863232B
CN111863232B CN202010786403.9A CN202010786403A CN111863232B CN 111863232 B CN111863232 B CN 111863232B CN 202010786403 A CN202010786403 A CN 202010786403A CN 111863232 B CN111863232 B CN 111863232B
Authority
CN
China
Prior art keywords
medical image
pixel
particle
medical
iteration
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
CN202010786403.9A
Other languages
English (en)
Other versions
CN111863232A (zh
Inventor
王奔
罗春华
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.)
SHENZHEN KENID JUMAO MEDICAL EQUIPMENT Co.,Ltd.
Original Assignee
Shenzhen Kenid Jumao Medical Equipment Co ltd
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 Shenzhen Kenid Jumao Medical Equipment Co ltd filed Critical Shenzhen Kenid Jumao Medical Equipment Co ltd
Priority to CN202010786403.9A priority Critical patent/CN111863232B/zh
Publication of CN111863232A publication Critical patent/CN111863232A/zh
Application granted granted Critical
Publication of CN111863232B publication Critical patent/CN111863232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H40/67—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 remote operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)

Abstract

基于区块链和医学影像的远程疾病智能诊断系统，包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块，所述第一医学图像获取模块和第二医学图像获取模块用于获取医学图像，所述医学图像处理模块用于对获取的医学图像进行处理，所述区块链存储模块用于存储处理后的带疾病诊断结果标签的医学图像，所述智能诊断模块用于提取医学图像的特征，并根据提取的医学图像的特征对患者进行疾病诊断。本发明的有益效果：实现了通过医学图像对患者进行远程疾病智能诊断，从而提高了疾病诊断结果的准确性的同时，节省了病人的时间和精力。

Description

基于区块链和医学影像的远程疾病智能诊断系统
技术领域
本发明创造涉及疾病诊断领域，具体涉及一种基于区块链和医学影像的远程疾病智能诊断系统。
背景技术
随着我国经济社会的快速发展，人们越来越关注自己的身体健康，希望能获得快捷完善的医疗服务。但是由于我国医疗资源分布非常不均衡，导致许多医疗条件落后的地区无法及时获得完善的医疗服务。而远程医疗的出现正好解决了这一难题。这种医疗模式借助于先进的信息技术、计算机网络通信技术、医疗设备等，突破了医疗资源的分布以及在时间和空间方面的诸多限制。
发明内容
针对上述问题，本发明旨在提供一种基于区块链和医学影像的远程疾病智能诊断系统。
本发明创造的目的通过以下技术方案实现：
基于区块链和医学影像的远程疾病智能诊断系统，包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块，所述第一医学图像获取模块用于获取带有疾病诊断结果标签的医学图像，并将获取的带有疾病诊断结果标签的医学图像传输至医学图像处理模块进行处理，将处理后的带有疾病诊断结果标签的医学图像传输至区块链存储模块进行存储，所述第二医学图像获取模块用于获取患者的医学图像，并将获取的患者的医学图像传输至医学图像处理模块进行处理，将处理后的患者的医学图像传输至智能诊断模块，所述智能诊断模块包括特征提取单元和智能诊断单元，所述特征提取单元用于调取区块链存储模块中存储的带有疾病诊断结果标签的医学图像，并对调取的带有疾病诊断结果标签的医学图像进行特征提取，将提取的带有疾病诊断结果的医学图像的特征和其对应的疾病诊断结果标签作为智能诊断单元的训练数据集，所述特征提取单元对处理后的患者的医学图像进行特征提取，并将提取的患者的医学图像的特征作为智能诊断单元的输入数据，所述智能诊断单元采用BP神经网络对患者进行疾病诊断，采用所述训练数据集对智能诊断单元采用的BP神经网络进行训练，并将提取的患者的医学图像的特征作为训练好的BP神经网络的输入数据，所述训练好的BP神经网络的输出数据即为患者的疾病诊断结果。
本发明创造的有益效果：通过对患者的医学图像进行处理、特征提取和智能诊断模型的构建，实现了通过医学图像对患者进行远程疾病智能诊断，从而提高了疾病诊断结果的准确性的同时，节省了病人的时间和精力。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的基于区块链和医学影像的远程疾病智能诊断系统，包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块，所述第一医学图像获取模块用于获取带有疾病诊断结果标签的医学图像，并将获取的带有疾病诊断结果标签的医学图像传输至医学图像处理模块进行处理，将处理后的带有疾病诊断结果标签的医学图像传输至区块链存储模块进行存储，所述第二医学图像获取模块用于获取患者的医学图像，并将获取的患者的医学图像传输至医学图像处理模块进行处理，将处理后的患者的医学图像传输至智能诊断模块，所述智能诊断模块包括特征提取单元和智能诊断单元，所述特征提取单元用于调取区块链存储模块中存储的带有疾病诊断结果标签的医学图像，并对调取的带有疾病诊断结果标签的医学图像进行特征提取，将所提取的带有疾病诊断结果的医学图像的特征和其对应的疾病诊断结果标签作为智能诊断单元的训练数据集，所述特征提取单元对处理后的患者的医学图像进行特征提取，并将提取的患者的医学图像的特征作为智能诊断单元的输入数据，所述智能诊断单元采用BP神经网络对患者进行疾病诊断，采用所述训练数据集对智能诊断单元采用的BP神经网络进行训练，并将提取的患者的医学图像的特征作为训练好的BP神经网络的输入数据，所述训练好的BP神经网络的输出数据即为患者的疾病诊断结果。
本优选实施例通过对患者的医学图像进行处理、特征提取和智能诊断模型的构建，实现了通过医学图像对患者进行远程疾病智能诊断，从而提高了疾病诊断结果的准确性的同时，节省了病人的时间和精力。
优选地，所述医学图像处理模块用于对医学图像进行处理，包括图像去噪单元和图像分割单元，所述图像去噪单元用于对医学图像进行去噪处理，所述图像分割单元用于对去噪后的医学图像进行图像分割，获取医学图像中的目标区域图像。
优选地，所述图像去噪单元采用双边滤波算法对医学图像进行去噪处理，设I表示待处理的医学图像，I(x,y)表示医学图像I中坐标(x,y)处的像素，对像素I(x,y)进行滤波处理，设Ω(x,y)表示像素I(x,y)的局部邻域，且Ω(x,y)为以像素I(x,y)为中心的(2m+1)×(2m+1)的局部邻域，f′(x,y)表示像素I(x,y)经去噪处理后的灰度值，则f′(x,y)的值为：
Figure GDA0002799005320000031
式中，I(i,j)表示医学图像I中坐标(i,j)处的像素，f(i,j)表示像素I(i,j)的灰度值，ω(i,j)表示像素I(i,j)的滤波权重，且ω(i,j)的值为：
Figure GDA0002799005320000032
式中，δd表示空间相似度因子，δr表示灰度相似度因子，f(x,y)表示像素I(x,y)的灰度值，η(i,j)表示像素I(i,j)的空间域检测系数，η(x,y)表示像素I(x,y)的空间域检测系数，且η(x,y)和η(i,j)的值分别为：
Figure GDA0002799005320000033
式中，I(a,b)表示医学图像I中坐标(a,b)处的像素，f(a,b)表示像素I(a,b)的灰度值，I(a+1,b)表示医学图像I中坐标(a+1,b)处的像素，f(a+1,b)表示像素I(a+1,b)的灰度值，I(a,b+1)表示医学图像I中坐标(a,b+1)处的像素，f(a,b+1)表示像素I(a,b+1)的灰度值，f(max)和f(min)分别表示医学图像I中像素的最大和最小灰度值；
Figure GDA0002799005320000034
式中，Ω(i,j)表示像素I(i,j)的局部邻域，且Ω(i,j)为以像素I(i,j)为中心的(2m+1)×(2m+1)的局部邻域，I(c,d)表示医学图像I中坐标(c,d)处的像素，f(c,d)表示像素I(c,d)的灰度值，I(c+1,d)表示医学图像I中坐标(c+1,d)处的像素，f(c+1,d)表示像素I(c+1,d)的灰度值，I(c,d+1)表示医学图像I中坐标(c,d+1)处的像素，f(c,d+1)表示像素I(c,d+1)的灰度值；
α(x,y)和β(x,y)分别表示调节参数，且α(x,y)和β(x,y)的值分别为：
Figure GDA0002799005320000041
β(x,y)＝1-α(x,y)
式中，η(max)和η(min)分别表示医学图像I中像素的最大和最小空间域检测系数。
本优选实施例采用双边滤波算法对医学图像进行去噪处理，传统的双边滤波算法在重噪声区域受保持边缘的影响，抑制噪声能力下降，甚至使得边缘结构受到一定程度的破坏，针对上述情况，本优选实施例对双边滤波算法的滤波权重进行改进，所述滤波权重通过衡量待去噪像素和其邻域像素之间的灰度值差值来衡量这两个像素在灰度域中的相似性，通过计算待去噪像素和其邻域像素的空间域检测系数之间的差值来衡量这两个像素在空间域中结构的相似性，所述空间域检测系数通过计算像素的局部邻域中相邻像素的变化情况来衡量所述像素所处的空间域的结构特性，当像素的空间域检测系数较大时，表明该像素处于边缘结构，当像素的空间域检测系数较小时，表明该像素可能处于高噪声区域或者纹理细节区域，因此，通过计算两个像素的空间域检测系数之间的差值能够有效的衡量找两个像素在空间域中结构的相似性，引入调节参数对滤波权重中各项的影响程度进行调节，所述调节参数随着待去噪像素的空间域检测系数的值的变化而变化，使得当待去噪像素处于边缘结构时，增加像素在灰度域中的相似性在滤波权重中的比重，从而保证了参与滤波的邻域像素和待去噪像素处于同一侧边缘，当待去噪像素处于高噪声区域或者纹理细节区域时，增加像素在空间域中的相似性的比重，从而减小了邻域噪声像素对待去噪像素的影响，并且保证了参与滤波的邻域像素和待去噪像素在空间域中结构的相似性，因此，通过本优选实施例提出的空间域检测系数和调节参数来对滤波权重进行调节，能够使得本优选实施例采用的双边滤波算法在滤除噪声平滑细节的同时，能够保持明显的边缘等结构信息。
优选地，所述图像分割单元采用Otsu阈值分割算法对去噪处理后的医学图像进行图像分割，并采用粒子群算法确定所述Otsu阈值分割算法的阈值，所述粒子群算法采用最大类间方差作为适应度函数，适应度函数值越大代表粒子的寻优结果越好，设置所述粒子群算法根据下式更新粒子的速度和位置：
Vl(r+1)＝Ql(r)Vl(r)+c1r1(Pbestl(r)-Xl(r))+c2r2(Gbest(r)-Xl(r))
Xl(r+1)＝Xl(r)+Vl(r+1)
其中，Vl(r+1)和Xl(r+1)分别表示粒子群中第l个粒子在第(r+1)次迭代时的速度和位置，Vl(r)和Xl(r)分别表示粒子群中第l个粒子在第r次迭代时的速度和位置，r1和r2分别表示产生0到1之间的随机数，Pbestl(r)表示粒子群中第l个粒子在第r次迭代时的个体最优解，Gbest(r)表示粒子群中粒子在第r次迭代时的全局最优解，c1和c2表示学习因子，且c1,c2＝2，Ql(r)表示粒子群中第l个粒子在第r次迭代时的惯性权重因子，且Ql(r)的值采用下列方式确定：
设Zl(r)表示对粒子群中第l个粒子在第r次迭代时设置的子群，所述子群Zl(r)由Nl(r)个辅助寻优粒子组成，将子群Zl(r)中的辅助寻优粒子的初始位置均设置为Xl(r)，并设置子群Zl(r)中的辅助寻优粒子按照下列方式进行一次速度和位置的更新：
Figure GDA0002799005320000051
Figure GDA0002799005320000052
式中，
Figure GDA0002799005320000053
和
Figure GDA0002799005320000054
分别表示子群Zl(r)中第u个辅助寻优粒子在第(r+1)次迭代时的速度和位置，
Figure GDA0002799005320000055
表示子群Zl(r)中的第u个辅助寻优粒子的惯性权重因子，且
Figure GDA0002799005320000056
的值为：
Figure GDA0002799005320000057
式中，Qmax和Qmin分别表示给定的最大惯性权重因子和最小惯性权重因子，且Qmax＝0.9，Qmin＝0.4；
设Bl(r)表示粒子群中第l个粒子在第r次迭代时的参考粒子集合，在子群Zl(r)中选取辅助寻优粒子加入到集合Bl(r)中，设
Figure GDA0002799005320000058
表示位置
Figure GDA0002799005320000059
对应的适应度函数值，S(Xl(r))表示位置Xl(r)对应的适应度函数值，当
Figure GDA00027990053200000510
时，则将子群Zl(r)中的第u个辅助寻优粒子加入到集合Bl(r)中；
则Ql(r)的表达式为：
Figure GDA00027990053200000511
式中，
Figure GDA00027990053200000512
表示参考粒子集合Bl(r)中的第g个辅助寻优粒子在第(r+1)次迭代时的位置，
Figure GDA00027990053200000513
表示位置
Figure GDA00027990053200000514
对应的适应度函数值，
Figure GDA00027990053200000515
表示参考粒子集合Bl(r)中的第g个辅助寻优粒子对应的惯性权重因子；
给定周期T，T为可以被Rmax整除的正整数，且T<Rmax，设置粒子群中的粒子每隔周期T按照上述方式重新计算其对应的惯性权重因子，即设t表示粒子群算法的第t次迭代，当r≤t<r+T时，则粒子群中第l个粒子在第t次迭代时的惯性权重因子Ql(t)＝Ql(r)，当t＝r+T时，则按照上述方式重新计算粒子群中第l个粒子在第t次迭代时的惯性权重因子，其中，r＝0,T,2T,…,C*T，
Figure GDA0002799005320000061
本优选实施例采用粒子群算法确定Otsu阈值分割算法中的最佳阈值，从而提高了图像分割的准确度，在所述粒子群算法中提出一种新的确定各粒子的惯性权重因子的方式，在确定粒子在当前迭代时的惯性权重因子时，对该粒子设置子群，并将子群中的辅助寻优粒子的初始位置设置为所述粒子在当前迭代时的位置，对子群中的辅助寻优粒子设置不同的惯性权重因子进行寻优，子群中辅助寻优粒子的寻优结果越好，表明其采用的惯性权重因子具有较好的寻优结果，因此，根据子群中寻优结果较好的辅助寻优粒子采用的惯性权重因子确定所述粒子的惯性权重因子，并且所述辅助寻优粒子的寻优结果越好，其采用的惯性权重因子在确定所述粒子的惯性权重因子中的权值越大，从而使得确定的所述粒子的惯性权重因子值能够使得所述粒子具有较好的寻优结果；当确定了粒子在当前迭代时的惯性权重因子值时，设置粒子采用该惯性权重因子一段时间后再重新计算所述粒子的惯性权重因子，从而使得确定的粒子的惯性权重因子使得所述粒子具有较好的寻优结果的同时，能够有效的避免影响粒子群算法的收敛速度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.基于区块链和医学影像的远程疾病智能诊断系统，其特征是，包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块，所述第一医学图像获取模块用于获取带有疾病诊断结果标签的医学图像，并将获取的带有疾病诊断结果标签的医学图像传输至医学图像处理模块进行处理，将处理后的带有疾病诊断结果标签的医学图像传输至区块链存储模块进行存储，所述第二医学图像获取模块用于获取患者的医学图像，并将获取的患者的医学图像传输至医学图像处理模块进行处理，将处理后的患者的医学图像传输至智能诊断模块，所述智能诊断模块包括特征提取单元和智能诊断单元，所述特征提取单元用于调取区块链存储模块中存储的带有疾病诊断结果标签的医学图像，对调取的带有疾病诊断结果标签的医学图像进行特征提取，将提取的带有疾病诊断结果的医学图像的特征和其对应的疾病诊断结果标签作为智能诊断单元的训练数据集，所述特征提取单元对处理后的患者的医学图像进行特征提取，并将提取的患者的医学图像的特征作为智能诊断单元的输入数据，所述智能诊断单元采用BP神经网络对患者进行疾病诊断，采用所述训练数据集对智能诊断单元采用的BP神经网络进行训练，并将提取的患者的医学图像的特征作为训练好的BP神经网络的输入数据，所述训练好的BP神经网络的输出数据即为患者的疾病诊断结果；所述医学图像处理模块用于对医学图像进行处理，包括图像去噪单元和图像分割单元，所述图像去噪单元用于对医学图像进行去噪处理，所述图像分割单元用于对去噪后的医学图像进行图像分割，获取医学图像中的目标区域图像；所述图像去噪单元采用双边滤波算法对医学图像进行去噪处理，设I表示待处理的医学图像，I(x，y)表示医学图像I中坐标(x，y)处的像素，对像素I(x，y)进行滤波处理，设Ω(x，y)表示像素I(x，y)的局部邻域，且Ω(x，y)为以像素I(x，y)为中心的(2m+1)×(2m+1)的局部邻域，f′(x，y)表示像素I(x，y)经去噪处理后的灰度值，则f′(x，y)的值为：
Figure FDA0002799005310000011
式中，I(i，j)表示医学图像I中坐标(i，j)处的像素，f(i，j)表示像素I(i，j)的灰度值，ω(i，j)表示像素I(i，j)的滤波权重，且ω(i，j)的值为：
Figure FDA0002799005310000012
式中，δd表示空间相似度因子，δr表示灰度相似度因子，f(x，y)表示像素I(x，y)的灰度值，η(i，j)表示像素I(i，j)的空间域检测系数，η(x，y)表示像素I(x，y)的空间域检测系数，且η(x，y)和η(i，j)的值分别为：
Figure FDA0002799005310000021
式中，I(a，b)表示医学图像I中坐标(a，b)处的像素，f(a，b)表示像素I(a，b)的灰度值，I(a+1，b)表示医学图像I中坐标(a+1，b)处的像素，f(a+1，b)表示像素I(a+1，b)的灰度值，I(a，b+1)表示医学图像I中坐标(a，b+1)处的像素，f(a，b+1)表示像素I(a，b+1)的灰度值，f(max)和f(min)分别表示医学图像I中像素的最大和最小灰度值；
Figure FDA0002799005310000022
式中，Ω(i，j)表示像素I(i，j)的局部邻域，且Ω(i，j)为以像素I(i，j)为中心的(2m+1)×(2m+1)的局部邻域，I(c，d)表示医学图像I中坐标(c，d)处的像素，f(c，d)表示像素I(c，d)的灰度值，I(c+1，d)表示医学图像I中坐标(c+1，d)处的像素，f(c+1，d)表示像素I(c+1，d)的灰度值，I(c，d+1)表示医学图像I中坐标(c，d+1)处的像素，f(c，d+1)表示像素I(c，d+1)的灰度值；
α(x，y)和β(x，y)分别表示调节参数，且α(x，y)和β(x，y)的值分别为：
Figure FDA0002799005310000023
β(x，y)＝1-α(x，y)
式中，η(max)和η(min)分别表示医学图像I中像素的最大和最小空间域检测系数。
2.根据权利要求1所述的基于区块链和医学影像的远程疾病智能诊断系统，其特征是，所述图像分割单元采用Otsu阈值分割算法对去噪处理后的医学图像进行图像分割，并采用粒子群算法确定所述Otsu阈值分割算法的阈值，设置所述粒子群算法根据下式更新粒子的速度和位置：
Vl(r+1)＝Ql(r)Vl(r)+c1r1(Pbestl(r)-Xl(r))+c2r2(Gbest(r)-Xl(r))
Xl(r+1)＝Xl(r)+Vl(r+1)
其中，Vl(r+1)和Xl(r+1)分别表示粒子群中第l个粒子在第(r+1)次迭代时的速度和位置，Vl(r)和Xl(r)分别表示粒子群中第l个粒子在第r次迭代时的速度和位置，r1和r2分别表示产生0到1之间的随机数，Pbestl(r)表示粒子群中第l个粒子在第r次迭代时的个体最优解，Gbest(r)表示粒子群中粒子在第r次迭代时的全局最优解，c1和c2表示学习因子，且c1，c2＝2，Ql(r)表示粒子群中第l个粒子在第r次迭代时的惯性权重因子。
3.根据权利要求2所述的基于区块链和医学影像的远程疾病智能诊断系统，其特征是，所述粒子群中第l个粒子在第r次迭代时的惯性权重因子Ql(r)的值采用下列方式确定：
设Zl(r)表示对粒子群中第l个粒子在第r次迭代时设置的子群，所述子群Zl(r)由Nl(r)个辅助寻优粒子组成，将子群Zl(r)中的辅助寻优粒子的初始位置均设置为Xl(r)，并设置子群Zl(r)中的辅助寻优粒子按照下列方式进行一次速度和位置的更新：
Figure FDA0002799005310000031
Figure FDA0002799005310000032
式中，
Figure FDA0002799005310000033
和
Figure FDA0002799005310000034
分别表示子群Zl(r)中第u个辅助寻优粒子在第(r+1)次迭代时的速度和位置，
Figure FDA0002799005310000035
表示子群Zl(r)中的第u个辅助寻优粒子的惯性权重因子，且
Figure FDA0002799005310000036
的值为：
Figure FDA0002799005310000037
式中，Qmax和Qmin分别表示给定的最大惯性权重因子和最小惯性权重因子，且Qmax＝0.9，Qmin＝0.4；
设Bl(r)表示粒子群中第l个粒子在第r次迭代时的参考粒子集合，在子群Zl(r)中选取辅助寻优粒子加入到集合Bl(r)中，设
Figure FDA0002799005310000038
表示位置
Figure FDA0002799005310000039
对应的适应度函数值，S(Xl(r))表示位置Xl(r)对应的适应度函数值，当
Figure FDA00027990053100000310
时，则将子群Zl(r)中的第u个辅助寻优粒子加入到集合Bl(r)中；
则Ql(r)的表达式为：
Figure FDA00027990053100000311
式中，
Figure FDA0002799005310000041
表示参考粒子集合Bl(r)中的第g个辅助寻优粒子在第(r+1)次迭代时的位置，
Figure FDA0002799005310000042
表示位置
Figure FDA0002799005310000043
对应的适应度函数值，
Figure FDA0002799005310000044
表示参考粒子集合Bl(r)中的第g个辅助寻优粒子对应的惯性权重因子；
给定周期T，T为可以被Rmax整除的正整数，且T＜Rmax，设置粒子群中的粒子每隔周期T按照上述方式重新计算其对应的惯性权重因子，即设t表示粒子群算法的第t次迭代，当r≤t＜r+T时，则粒子群中第l个粒子在第t次迭代时的惯性权重因子Ql(t)＝Ql(r)，当t＝r+T时，则按照上述方式重新计算粒子群中第l个粒子在第t次迭代时的惯性权重因子，其中，r＝0，T，2T，...，C*T，
Figure FDA0002799005310000045
CN202010786403.9A 2020-08-06 2020-08-06 基于区块链和医学影像的远程疾病智能诊断系统 Active CN111863232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010786403.9A CN111863232B (zh) 2020-08-06 2020-08-06 基于区块链和医学影像的远程疾病智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010786403.9A CN111863232B (zh) 2020-08-06 2020-08-06 基于区块链和医学影像的远程疾病智能诊断系统

Publications (2)

Publication Number Publication Date
CN111863232A CN111863232A (zh) 2020-10-30
CN111863232B true CN111863232B (zh) 2021-02-19

Family

ID=72972551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010786403.9A Active CN111863232B (zh) 2020-08-06 2020-08-06 基于区块链和医学影像的远程疾病智能诊断系统

Country Status (1)

Country Link
CN (1) CN111863232B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837799B (zh) * 2021-01-29 2021-10-15 广东德澳智慧医疗科技有限公司 基于区块链的远程互联网大数据智慧医疗系统
CN113096793A (zh) * 2021-04-15 2021-07-09 王小娟 基于医学影像、算法和区块链的远程医疗诊断系统
CN113096806A (zh) * 2021-04-15 2021-07-09 王小娟 基于医学影像算法和区块链的疾病预测系统
CN114820550B (zh) * 2022-05-11 2023-04-07 云南升玥信息技术有限公司 基于区块链和医学影像的疾病预测系统
CN115965626B (zh) * 2023-03-16 2023-05-23 邦世科技(南京)有限公司 一种基于人工智能算法的医学图像处理方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100081886A (ko) * 2009-01-07 2010-07-15 한양대학교 산학협력단 적응형 톤 매핑 장치 및 방법, 그리고 이를 이용한 영상 처리 시스템
CN103455969A (zh) * 2013-08-28 2013-12-18 腾讯科技(成都)有限公司 图像处理的方法及装置
CN105913396A (zh) * 2016-04-11 2016-08-31 湖南源信光电科技有限公司 一种噪声估计的图像边缘保持混合去噪方法
CN106846281A (zh) * 2017-03-09 2017-06-13 广州四三九九信息科技有限公司 图像美化方法以及终端设备
CN107945870A (zh) * 2017-12-13 2018-04-20 四川大学 基于深度神经网络的早产儿视网膜病变检测方法及装置
CN108038859A (zh) * 2017-11-09 2018-05-15 深圳大学 基于pso和综合评价准则的pcnn图分割方法及装置
CN108053398A (zh) * 2017-12-19 2018-05-18 南京信息工程大学 一种半监督特征学习的黑色素瘤自动检测方法
CN108346140A (zh) * 2018-01-10 2018-07-31 哈尔滨理工大学 基于改进PSO的Otsu肺部图像分割方法
CN108492269A (zh) * 2018-03-23 2018-09-04 西安电子科技大学 基于梯度正则卷积神经网络的低剂量ct图像去噪方法
CN109635846A (zh) * 2018-11-16 2019-04-16 哈尔滨工业大学（深圳） 一种多类医学图像判断方法和系统
CN110009600A (zh) * 2019-02-14 2019-07-12 腾讯科技（深圳）有限公司 一种医学图像区域过滤方法、装置及存储介质
CN110378299A (zh) * 2019-07-24 2019-10-25 上海适享文化传播有限公司 一种室内灯光条件下的衣着识别系统
CN110755045A (zh) * 2019-10-30 2020-02-07 湖南财政经济学院 一种皮肤病综合数据分析诊断辅助系统及信息处理方法
CN111127344A (zh) * 2019-12-06 2020-05-08 昆明理工大学 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法
CN111161879A (zh) * 2020-02-24 2020-05-15 梅里医疗科技(洋浦)有限责任公司 一种基于大数据的疾病预测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446872A (zh) * 2016-11-07 2017-02-22 湖南源信光电科技有限公司 一种低照度下的视频人脸检测识别方法
US11049221B2 (en) * 2018-04-27 2021-06-29 Imam Abdulrahman Bin Faisal University Gradient vector orientation based nonlinear diffusion filter
CN110299202A (zh) * 2019-07-01 2019-10-01 泰康保险集团股份有限公司 智能疾病诊断方法、装置、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100081886A (ko) * 2009-01-07 2010-07-15 한양대학교 산학협력단 적응형 톤 매핑 장치 및 방법, 그리고 이를 이용한 영상 처리 시스템
CN103455969A (zh) * 2013-08-28 2013-12-18 腾讯科技(成都)有限公司 图像处理的方法及装置
CN105913396A (zh) * 2016-04-11 2016-08-31 湖南源信光电科技有限公司 一种噪声估计的图像边缘保持混合去噪方法
CN106846281A (zh) * 2017-03-09 2017-06-13 广州四三九九信息科技有限公司 图像美化方法以及终端设备
CN108038859A (zh) * 2017-11-09 2018-05-15 深圳大学 基于pso和综合评价准则的pcnn图分割方法及装置
CN107945870A (zh) * 2017-12-13 2018-04-20 四川大学 基于深度神经网络的早产儿视网膜病变检测方法及装置
CN108053398A (zh) * 2017-12-19 2018-05-18 南京信息工程大学 一种半监督特征学习的黑色素瘤自动检测方法
CN108346140A (zh) * 2018-01-10 2018-07-31 哈尔滨理工大学 基于改进PSO的Otsu肺部图像分割方法
CN108492269A (zh) * 2018-03-23 2018-09-04 西安电子科技大学 基于梯度正则卷积神经网络的低剂量ct图像去噪方法
CN109635846A (zh) * 2018-11-16 2019-04-16 哈尔滨工业大学（深圳） 一种多类医学图像判断方法和系统
CN110009600A (zh) * 2019-02-14 2019-07-12 腾讯科技（深圳）有限公司 一种医学图像区域过滤方法、装置及存储介质
CN110378299A (zh) * 2019-07-24 2019-10-25 上海适享文化传播有限公司 一种室内灯光条件下的衣着识别系统
CN110755045A (zh) * 2019-10-30 2020-02-07 湖南财政经济学院 一种皮肤病综合数据分析诊断辅助系统及信息处理方法
CN111127344A (zh) * 2019-12-06 2020-05-08 昆明理工大学 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法
CN111161879A (zh) * 2020-02-24 2020-05-15 梅里医疗科技(洋浦)有限责任公司 一种基于大数据的疾病预测系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Adaptive Cuckoo Search based optimal bilateral filtering for denoising of satellite images;Anju Asokan等;《ISA TRANSACTIONS》;20200531;第100卷;第308-312页，全文 *
An Improved DOA Estimation Approach Using;Wang Ben等;《SENSORS》;20170531;第17卷(第5期);第1-12页，全文 *
Bilateral filtering with adaptation to phase coherence and noise;E. Farzana等;《SIGNAL IMAGE AND VIDEO PROCESSING》;20130531(第7期);第367-376页，全文 *
医学影像计算机辅助检测与诊断系统综述;郑光远等;《软件学报》;20180531(第5期);第1471-1514页，全文摘要，第1、2、6.1、7节，附图1 *
基于联合双边滤波的图像去噪与融合方法研究;任芬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415(第04期);第I138-3300页，全文 *

Also Published As

Publication number Publication date
CN111863232A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111863232B (zh) 基于区块链和医学影像的远程疾病智能诊断系统
WO2022036777A1 (zh) 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN111899250B (zh) 基于区块链和医学图像的远程疾病智能诊断系统
CN109635721B (zh) 基于轨迹加权深度卷积次序池化描述子的视频人体跌倒检测方法及系统
CN112446891B (zh) 基于U-Net网络脑胶质瘤的医学图像分割方法
CN113012173A (zh) 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置
Naga Srinivasu et al. A comparative review of optimisation techniques in segmentation of brain MR images
CN110706225B (zh) 基于人工智能的肿瘤识别系统
CN113554665A (zh) 一种血管分割方法及装置
CN113139977B (zh) 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法
CN111839490B (zh) 非接触式心率监测方法及系统
CN111110192A (zh) 一种皮肤异常症状辅助诊断系统
WO2022086910A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri
CN113344077A (zh) 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法
CN114170212A (zh) 一种基于ct影像中肺小结节假阳检测方法及系统
CN116130090A (zh) 射血分数测量方法和装置、电子设备和存储介质
CN112102234B (zh) 基于目标检测神经网络的耳硬化病灶检测及诊断系统
CN113850796A (zh) 基于ct数据的肺部疾病识别方法及装置、介质和电子设备
CN110992309B (zh) 基于深层信息传递网络的眼底图像分割方法
CN110008881B (zh) 多运动目标的奶牛行为的识别方法及装置
CN109658357A (zh) 一种面向遥感卫星图像的去噪方法
CN115147445A (zh) 一种基于混合灰狼算法的多阈值人脑x射线图像分割方法
Kumari et al. Heuristically modified fusion-based hybrid algorithm for enhanced dental caries segmentation

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210127

Address after: 518000 Room 201, building h, 33 Ping'an Avenue, Xinnan community, Pinghu street, Longgang District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN KENID JUMAO MEDICAL EQUIPMENT Co.,Ltd.

Address before: 343000 No.8 chishi lane, Fanrong street, Hechuan Town, Yongxin County, Ji'an City, Jiangxi Province

Applicant before: Luo Chunhua

GR01 Patent grant
GR01 Patent grant