CN111899250A - 基于区块链和医学图像的远程疾病智能诊断系统 - Google Patents

基于区块链和医学图像的远程疾病智能诊断系统 Download PDF

Info

Publication number
CN111899250A
CN111899250A CN202010780735.6A CN202010780735A CN111899250A CN 111899250 A CN111899250 A CN 111899250A CN 202010780735 A CN202010780735 A CN 202010780735A CN 111899250 A CN111899250 A CN 111899250A
Authority
CN
China
Prior art keywords
medical image
particle
iteration
image
medical
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
Application number
CN202010780735.6A
Other languages
English (en)
Other versions
CN111899250B (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.)
Lancet Technology Co Ltd
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 CN202010780735.6A priority Critical patent/CN111899250B/zh
Publication of CN111899250A publication Critical patent/CN111899250A/zh
Application granted granted Critical
Publication of CN111899250B publication Critical patent/CN111899250B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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

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

Abstract

基于区块链和医学图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，从而提高了图像分割的准确度。

Description

基于区块链和医学图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图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图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：
基于区块链和医学图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。
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。
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。
本发明创造的有益效果：
本发明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。
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图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。
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 BDA0002620819070000041
Figure BDA0002620819070000042
式中，
Figure BDA0002620819070000043
和
Figure BDA0002620819070000044
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 BDA0002620819070000045
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 BDA0002620819070000046
的值为：
Figure BDA0002620819070000047
式中，Qmax和Qmin分别表示给定的最大惯性权重因子，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 BDA0002620819070000048
表示位置
Figure BDA0002620819070000049
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 BDA00026208190700000410
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 BDA00026208190700000411
式中，
Figure BDA00026208190700000412
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 BDA00026208190700000413
表示位置
Figure BDA00026208190700000414
对应的适应度函数值，
Figure BDA00026208190700000415
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 BDA0002620819070000051
本优选实施例采用粒子群算法确定0tsu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.基于区块链和医学图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。
2.根据权利要求1所述的基于区块链和医学图像的远程疾病智能诊断系统，其特征是，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图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 FDA0002620819060000021
Figure FDA0002620819060000022
式中，
Figure FDA0002620819060000023
和
Figure FDA0002620819060000024
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 FDA0002620819060000025
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 FDA0002620819060000026
的值为：
Figure FDA0002620819060000027
式中，Qmax和Qmin分别表示给定的最大惯性权重因子，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 FDA0002620819060000028
表示位置
Figure FDA0002620819060000029
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 FDA00026208190600000210
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 FDA00026208190600000211
式中，
Figure FDA00026208190600000212
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 FDA00026208190600000213
表示位置
Figure FDA00026208190600000214
对应的适应度函数值，
Figure FDA00026208190600000215
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 FDA0002620819060000031
CN202010780735.6A 2020-08-06 2020-08-06 基于区块链和医学图像的远程疾病智能诊断系统 Expired - Fee Related CN111899250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010780735.6A CN111899250B (zh) 2020-08-06 2020-08-06 基于区块链和医学图像的远程疾病智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010780735.6A CN111899250B (zh) 2020-08-06 2020-08-06 基于区块链和医学图像的远程疾病智能诊断系统

Publications (2)

Publication Number Publication Date
CN111899250A true CN111899250A (zh) 2020-11-06
CN111899250B CN111899250B (zh) 2021-04-02

Family

ID=73246742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010780735.6A Expired - Fee Related CN111899250B (zh) 2020-08-06 2020-08-06 基于区块链和医学图像的远程疾病智能诊断系统

Country Status (1)

Country Link
CN (1) CN111899250B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614586A (zh) * 2020-12-15 2021-04-06 广东德澳智慧医疗科技有限公司 一种基于医学影像和区块链的远程疾病智能诊断系统
CN113077891A (zh) * 2021-04-15 2021-07-06 王小娟 基于算法、区块链和医学影像的大数据疾病诊断系统
CN114724708A (zh) * 2021-06-24 2022-07-08 广东德澳智慧医疗科技有限公司 基于人工智能、大数据和算法的创伤信息系统
CN114820550A (zh) * 2022-05-11 2022-07-29 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

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496156A (zh) * 2011-11-17 2012-06-13 西安电子科技大学 基于协同量子粒子群算法的医学图像分割方法
CN102527489A (zh) * 2012-01-16 2012-07-04 昆明理工大学 一种利用矿带图像灰度动态分割摇床矿带的方法
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
CN104063880A (zh) * 2014-06-12 2014-09-24 常熟理工学院 一种基于pso的多细胞位置轮廓同步精确跟踪系统
CN104331893A (zh) * 2014-11-14 2015-02-04 东南大学 一种复杂图像多阈值分割方法
CN104574368A (zh) * 2014-12-22 2015-04-29 河海大学 一种自适应的核聚类图像分割方法
CN105631456A (zh) * 2015-12-15 2016-06-01 安徽工业大学 一种基于粒子群优化itti模型的白细胞区域提取方法
CN107103609A (zh) * 2017-04-17 2017-08-29 上海电力学院 基于粒子群优化的Niblack电力设备红外图像分割方法
CN108171241A (zh) * 2018-01-22 2018-06-15 大连大学 基于IFCS/Otsu的IOFR火焰识别方法
CN109120230A (zh) * 2018-07-19 2019-01-01 苏州热工研究院有限公司 一种太阳能电池片el图像检测和缺陷识别方法
CN109617056A (zh) * 2018-12-13 2019-04-12 东莞绿邦智能科技有限公司 一种有效的配电网分布式电源规划系统
US20190185083A1 (en) * 2016-08-16 2019-06-20 Jiangsu University Damper of semi-active energy regenerative suspension based on hybrid excitation and its size determination method
CN110518644A (zh) * 2018-05-21 2019-11-29 北京天诚同创电气有限公司 风电场的无功优化方法、装置及风电场

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496156A (zh) * 2011-11-17 2012-06-13 西安电子科技大学 基于协同量子粒子群算法的医学图像分割方法
CN102527489A (zh) * 2012-01-16 2012-07-04 昆明理工大学 一种利用矿带图像灰度动态分割摇床矿带的方法
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
CN104063880A (zh) * 2014-06-12 2014-09-24 常熟理工学院 一种基于pso的多细胞位置轮廓同步精确跟踪系统
CN104331893A (zh) * 2014-11-14 2015-02-04 东南大学 一种复杂图像多阈值分割方法
CN104574368A (zh) * 2014-12-22 2015-04-29 河海大学 一种自适应的核聚类图像分割方法
CN105631456A (zh) * 2015-12-15 2016-06-01 安徽工业大学 一种基于粒子群优化itti模型的白细胞区域提取方法
US20190185083A1 (en) * 2016-08-16 2019-06-20 Jiangsu University Damper of semi-active energy regenerative suspension based on hybrid excitation and its size determination method
CN107103609A (zh) * 2017-04-17 2017-08-29 上海电力学院 基于粒子群优化的Niblack电力设备红外图像分割方法
CN108171241A (zh) * 2018-01-22 2018-06-15 大连大学 基于IFCS/Otsu的IOFR火焰识别方法
CN110518644A (zh) * 2018-05-21 2019-11-29 北京天诚同创电气有限公司 风电场的无功优化方法、装置及风电场
CN109120230A (zh) * 2018-07-19 2019-01-01 苏州热工研究院有限公司 一种太阳能电池片el图像检测和缺陷识别方法
CN109617056A (zh) * 2018-12-13 2019-04-12 东莞绿邦智能科技有限公司 一种有效的配电网分布式电源规划系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
皮倩瑛等: ""一种动态调节惯性权重的粒子群算法"", 《广西科技大学学报》 *
郑光远等: ""医学影像计算机辅助检测与诊断系统综述"", 《软件学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614586A (zh) * 2020-12-15 2021-04-06 广东德澳智慧医疗科技有限公司 一种基于医学影像和区块链的远程疾病智能诊断系统
CN113870999A (zh) * 2020-12-15 2021-12-31 广东德澳智慧医疗科技有限公司 基于算法、医学影像和区块链的远程疾病智能诊断系统和辅助诊断方法
CN112614586B (zh) * 2020-12-15 2022-04-22 广东德澳智慧医疗科技有限公司 一种基于医学影像和区块链的远程疾病智能诊断系统
CN113870999B (zh) * 2020-12-15 2023-06-16 江苏微药信息科技有限责任公司 基于算法、医学影像和区块链的远程疾病智能诊断系统和辅助诊断方法
CN113077891A (zh) * 2021-04-15 2021-07-06 王小娟 基于算法、区块链和医学影像的大数据疾病诊断系统
CN114724708A (zh) * 2021-06-24 2022-07-08 广东德澳智慧医疗科技有限公司 基于人工智能、大数据和算法的创伤信息系统
CN114820550A (zh) * 2022-05-11 2022-07-29 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

Also Published As

Publication number Publication date
CN111899250B (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN111899250B (zh) 基于区块链和医学图像的远程疾病智能诊断系统
CN111863232B (zh) 基于区块链和医学影像的远程疾病智能诊断系统
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
CN111951246B (zh) 一种基于深度学习的多方位x光胸片肺炎诊断方法
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN110555825A (zh) 胸部x线影像智能诊断系统及其诊断方法
CN110443268B (zh) 一种基于深度学习的肝部ct图像良性恶性分类方法
WO2022073374A1 (zh) 基于多导联心电信号生成心搏标签数据序列的方法和装置
CN111738302A (zh) 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统
CN112419248B (zh) 基于小目标检测神经网络的耳硬化病灶检测及诊断系统
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN111784639A (zh) 基于深度学习的口腔全景片龋齿深度识别方法
CN117457229A (zh) 基于人工智能的麻醉深度监测系统及方法
WO2021120007A1 (zh) 一种基于红外图像序列的睡眠质量评估系统和方法
CN111110192A (zh) 一种皮肤异常症状辅助诊断系统
CN113855042B (zh) 融合深度和医学特征的基于序列标注的多导联心电信号分类方法
CN113116300A (zh) 一种基于模型融合的生理信号分类方法
CN112971800A (zh) 基于深度学习的心电早搏信号处理方法、模块和装置
CN115640507A (zh) 一种基于心电心音联合分析的异常数据筛查方法
CN110782441A (zh) 一种基于深度学习的dr影像肺结核智能分割与检测方法
CN115470832A (zh) 一种基于区块链的心电信号数据处理方法
CN111557660A (zh) 一种亚群体深度学习框架下的心律失常识别方法
CN112837278B (zh) 基于深度边界监督的牙齿全景片龋齿识别方法
CN109044347B (zh) 识别心电波图像交界性逸搏方法、装置、系统和电子设备
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

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: 20210309

Address after: 12 / F, main building, high tech Zone building, hengsan Road, high tech Zone, Yangzhou City, Jiangsu Province, 225000

Applicant after: LANCET TECHNOLOGY 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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210402

Termination date: 20210806