CN112967771B - 一种基于区块链的智慧护理交互系统 - Google Patents
一种基于区块链的智慧护理交互系统 Download PDFInfo
- Publication number
- CN112967771B CN112967771B CN202110127327.5A CN202110127327A CN112967771B CN 112967771 B CN112967771 B CN 112967771B CN 202110127327 A CN202110127327 A CN 202110127327A CN 112967771 B CN112967771 B CN 112967771B
- Authority
- CN
- China
- Prior art keywords
- pixel
- patient
- disease
- representing
- basic
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 24
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 14
- 201000010099 disease Diseases 0.000 claims abstract description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 56
- 238000007689 inspection Methods 0.000 claims abstract description 53
- 239000003814 drug Substances 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000036760 body temperature Effects 0.000 claims abstract description 16
- 238000007726 management method Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 16
- 229940079593 drug Drugs 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 206010002091 Anaesthesia Diseases 0.000 claims description 3
- 230000037005 anaesthesia Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000010882 preoperative diagnosis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 235000005770 birds nest Nutrition 0.000 description 58
- 235000005765 wild carrot Nutrition 0.000 description 58
- 238000005295 random walk Methods 0.000 description 16
- 241000544061 Cuculus canorus Species 0.000 description 15
- 238000001356 surgical procedure Methods 0.000 description 4
- 244000000626 Daucus carota Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- 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
- G06T7/0002—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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于区块链的智慧护理交互系统，包括病患监控模块、区块链存储模块和智慧护理交互终端，所述病患监控模块用于采集病患的红外图像，所述区块链存储模块用于存储病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息，所述智慧护理交互终端用于显示病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息，并且对所述红外图像进行处理和目标分割，并根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，当病患的体温超出安全阈值时进行预警。本发明的有益效果：利用物联网、区块链和图像处理技术，依托智能终端设备对患者全病程进行智能管理，实现了从传统到智能时代的跨越，提高了医护工作效率。
Description
技术领域
本发明创造涉及智慧医疗领域，具体涉及一种基于区块链的智慧护理交互系统。
背景技术
随着信息技术的快速发展，国内越来越多的医院也正加速实施基于信息化服务平台和系统的整体建设，以提高医院的服务水平与核心竞争力。因此，利用物联网、大数据、互联网等新兴信息技术为基础，依托不同临床应用场景使用的智能终端设备，让病患与医护人员、医疗设备紧密连接，实现“以病患为中心”的医疗服务系统，能够有效的改善病患住院就医体验，提高医护工作效率，降低医院运营成本，从而提升医院整体经济效益和综合实力。
发明内容
针对上述问题，本发明旨在提供一种基于区块链的智慧护理交互系统。
本发明创造的目的通过以下技术方案实现：
一种基于区块链的智慧护理交互系统，包括病患监控模块、区块链存储模块和智慧护理交互终端，所述病患监控模块和病患的床号进行绑定，用于采集病患的红外图像，并将采集的红外图像和其对应的床号传输至智慧护理交互终端，所述区块链存储模块用于存储病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息，所述智慧护理交互终端包括病患手术管理模块、病患检查管理模块、病患检验管理模块、病患用药管理模块和病患监护模块，所述病患手术管理模块用于显示病患的基础手术信息，所述病患检查管理模块用于显示病患的基础检查信息，所述病患检验管理模块用于显示病患的基础检验信息，医护人员可以在病患检验管理模块中根据病患的基础信息查询病患的基础检验信息，所述病患用药管理模块用于显示病患的基础用药信息，医护人员可以在病患用药管理模块根据病患的基础信息查询病患的基础用药信息，所述病患监护模块用于对接收到的病患的红外图像进行处理和目标分割，并根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，当病患的体温超出安全阈值时进行预警。
优选地，所述智慧护理交互终端从区块链存储模块中调取病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息进行显示。
优选地，病患的基础信息包括病患的床号、姓名和住院号。
优选地，基础手术信息包括病患的床号、姓名、住院号、术前诊断的疾病名称、手术的申请时间、手术名称、手术室、主刀医生和麻醉方式；基础检查信息包括患者的床号、姓名、住院号、检查类别、检查项目和检查科室；基础检验信息包括病患的床号、姓名、住院号、检验名称、申请检验的时间、检验物采集时间、检验物出科时间、检验物送达时间、检验物登记人、检验审核时间和检验报告完成时间；基础用药信息包括病患的床号、姓名、住院号、药品名称、药品对应的开单人和开药时间、药品的配药人和配药时间、药品的接收人和接收时间以及对病患使用所述药品的执行人和执行时间。
优选地，所述病患监护模块包括图像处理单元、目标分割单元和监护预警单元，所述图像处理单元用于对接收到的红外图像进行去噪处理，所述目标分割单元用于在去噪处理后的红外图像中分割出病患区域图像，所述监护预警单元用于根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，并且在病患的体温数据超出安全阈值时进行预警。
优选地，所述图像处理单元用于对接收到的红外图像进行去噪处理，设I表示接收到的红外图像，I(x，y)表示红外图像I中坐标(x，y)处的像素，对像素I(x，y)进行噪声检测，具体为：
设Ω(x，y)表示以像素I(x，y)为中心的3×3的邻域，定义P(x，y)表示像素I(x，y)的邻域统一系数，且
其中，h(x，y)表示像素I(x，y)的灰度值，I(a，b)表示邻域Ω(x，y)中坐标(a，b)处的像素，且I(a，b)≠I(x，y)，h(a，b)表示像素I(a，b)的灰度值，M(x，y)表示邻域Ω(x，y)中的像素数；
给定邻域统一阈值P，当像素I(x，y)满足：P(x，y)＜P时，则判定像素I(x，y)为正常像素，且将邻域Ω(x，y)标记为正常邻域，当像素I(x，y)满足：P(x，y)≥P时，则判定像素I(x，y)为可疑像素，且将邻域Ω(x，y)标记为可疑邻域；
设h′(x，y)表示对像素I(x，y)进行去噪后的灰度值，当像素I(x，y)被判定为正常像素时，则令h′(x，y)＝h(x，y)；当像素I(x，y)被判定为可疑像素时，则采用下列方式对像素I(x，y)进行进一步噪声检测：
设U(x，y)表示以像素I(x，y)为中心的(2L(x，y)+1)×(2L(x，y)+1)的局部区域，其中，L(x，y)为正整数，且L(x，y)的值采用下列方式进行确定：
设
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，其中，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，L(x，y)的初始值取2，并令L(x，y)以1为步长进行增长，当L(x，y)的值首次使得局部区域
和
中都包含标记的正常邻域时，此时的L(x，y)的值即为局部区域U(x，y)中的L(x，y)的值；
对局部区域U(x，y)进行检测，设I1(x1，y1)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，I2(x2，y2)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，I3(x3，y3)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，I4(x4，y4)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，定义H′(x，y)表示局部区域U(x，y)的结构检测系数，L′(x，y)表示局部区域U(x，y)的区域检测系数，且
其中，Ik(xk，yk)表示红外图像I中坐标(xk，yk)处的像素，hk(xk，yk)表示像素Ik(xk，yk)的灰度值，k＝1，2，3，4，Io(xo，yo)表示红外图像I中坐标(xo，yo)处的像素，ho(xo，yo)表示像素Io(xo，yo)的灰度值，o＝1，2，3，4，I(m，n)表示局部区域U(x，y)中坐标(m，n)处的像素，h(m，n)表示像素I(m，n)的灰度值；定义H(x，y)表示像素I(x，y)的结构检测系数，L(x，y)表示像素I(x，y)的区域检测系数，且
当H′(x，y)-L′(x，y)＜P且
时，则判定像素I(x，y)为正常像素，此时，h′(x，y)＝h(x，y)，当H′(x，y)-L′(x，y)＜P且
时，则判定像素I(x，y)为噪声像素，此时，
当H′(x，y)-L′(x，y)≥P时,设Iq(xq，yq)表示红外图像I中坐标(xq，yq)处的像素，且
Ω(xq，yq)表示以像素Iq(xq，yq)为中心的3×3的邻域，定义Hq(xq，yq)表示像素Iq(xq，yq)在邻域Ω(xq，yq)的结构检测系数，Lq(xq，yq)表示像素Iq(xq，yq)在邻域Ω(xq，yq)的区域检测系数，且
其中，I(c，d)表示邻域Ω(xq，yq)中坐标(c，d)处的像素，且I(c，d)≠Iq(xq，yq)，h(c，d)表示像素I(c，d)的灰度值，hq(xq，yq)表示像素Iq(xq，yq)的灰度值；当像素I(x，y)满足：max{|L(x，y)-Hq(xq，yq)|，|L(x，y)-Lq(xq，yq)|}＜P时，则判定像素I(x，y)为正常像素，此时，h′(x，y)＝h(x，y)，当max{|L(x，y)-Hq(xq，yq)|，|L(x，y)-Lq(xq，yq)|}≥P时，则判定像素I(x，y)为噪声像素，此时，
其中，σs表示空间滤波系数。
优选地，所述目标分割单元采用最大熵阈值法对去噪处理后的红外图像进行病患区域的目标分割，采用布谷鸟算法确定所述最大熵阈值法的最优分割阈值。
优选地，在每次采用莱维飞行对布谷鸟的鸟巢位置进行更新后，将鸟巢位置按其在当前代的适应度函数值由高到低进行排序组成序列，设L(t)表示将鸟巢位置按其在第t代时的适应度函数值由高到低进行排序组成的序列，依次对序列L(t)中的鸟巢位置进行偏好随机游走更新，具体为：
设
表示序列L(t)中的第j个鸟巢位置，用随机数rand∈[0，1]与pa进行比较，若rand≤pa，则不对位置
进行更新，当rand＞pa时，则采用下列方式对位置
进行偏好随机游走更新：
式中，pa表示发现概率，
表示对鸟巢位置
进行偏好随机游走更新后的鸟巢位置，Xj，1(t)、Xj，2(t)和Xj，3(t)为从当前种群中随机选取的三个鸟巢位置，且Xj，1(t)≠Xj，2(t)≠Xj，3(t)，rand1和rand2分别表示产生[0，1]内的随机数，
表示对鸟巢位置
进行偏好随机游走更新时的引导鸟巢位置，
为从集合
中随机选取的一个候选引导鸟巢位置，其中，
表示在对鸟巢位置
进行偏好随机游走更新时的候选引导鸟巢位置集合，集合
中的候选引导鸟巢位置采用下列方式确定：
设Xk(t)表示第t代种群中的第k个鸟巢位置，定义
表示鸟巢位置Xk(t)对鸟巢位置
的引导参考值，且
的表达式为：
式中，
表示鸟巢位置
和鸟巢位置Xk(t)之间的统计系数，且
其中，
表示鸟巢位置
对应的适应度函数值，fk(t)表示鸟巢位置Xk(t)对应的适应度函数值，
表示在对鸟巢位置
进行偏好随机游走更新时鸟巢位置Xk(t)已经被选取为引导鸟巢位置的次数，N表示布谷鸟种群规模，fworst(t)表示种群在第t代时的全局最差鸟巢位置对应的适应度函数值，fbest(t)表示种群在第t代时的全局最优鸟巢位置对应的适应度函数值；
给定参考检测阈值
且
当
时，则将鸟巢位置Xk(t)加入到集合
中作为候选引导鸟巢位置，当
时，则不将鸟巢位置Xk(t)加入到集合
中，其中，
表示第t代时种群中鸟巢位置对应的适应度函数值的均值，Tmax表示最大迭代次数；
将鸟巢位置
和鸟巢位置
进行比较，设
表示鸟巢位置
对应的适应度函数值，当
时，则令鸟巢位置
代替鸟巢位置
当
时，则不令鸟巢位置
代替鸟巢位置
发明创造的有益效果：利用物联网、区块链和图像处理技术，依托智能终端设备对患者全病程进行智能管理，实现了从传统到智能时代的跨越，提高了医护工作效率；通过图像处理技术实现了对患者体温数据的有效监测，能够及时发现患者的异常情况，具有测量准确性高、全面的优势。
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，本实施例的一种基于区块链的智慧护理交互系统，包括病患监控模块、区块链存储模块和智慧护理交互终端，所述病患监控模块和病患的床号进行绑定，用于实时采集病患的红外图像，并将采集的红外图像和其对应的床号传输至智慧护理交互终端，所述区块链存储模块用于存储病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息，所述智慧护理交互终端包括病患手术管理模块、病患检查管理模块、病患检验管理模块、病患用药管理模块和病患监护模块，所述病患手术管理模块用于显示病患的基础手术信息，所述病患检查管理模块用于显示病患的基础检查信息，所述病患检验管理模块用于显示病患的基础检验信息，医护人员可以在病患检验管理模块中根据病患的基础信息查询病患的基础检验信息，所述病患用药管理模块用于显示病患的基础用药信息，医护人员可以在病患用药管理模块根据病患的基础信息查询病患的基础用药信息，所述病患监护模块用于对接收到的病患的红外图像进行处理和目标分割，并根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，当病患的体温超出安全阈值时进行预警。
优选地，所述智慧护理交互终端从区块链存储模块中调取病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息进行显示。
优选地，所述病患的基础信息包括病患的床号、姓名和住院号。
优选地，所述基础手术信息包括病患的床号、姓名、住院号、术前诊断的疾病名称、手术的申请时间、手术名称、手术室、主刀医生和麻醉方式；所述基础检查信息包括患者的床号、姓名、住院号、检查类别、检查项目和检查科室；所述基础检验信息包括病患的床号、姓名、住院号、检验名称、申请检验的时间、检验物采集时间、检验物出科时间、检验物送达时间、检验物登记人、检验审核时间和检验报告完成时间；所述基础用药信息包括病患的床号、姓名、住院号、药品名称、所述药品对应的开单人和开药时间、所述药品的配药人和配药时间、所述药品的接收人和接收时间以及对病患使用所述药品的执行人和执行时间。
优选地，所述病患手术管理模块包括全部手术显示单元、未安排显示单元、已安排显示单元、手术中显示单元、手术完成显示单元和取消安排显示单元，所述全部手术显示单元用于显示全部病患的基础手术信息，所述未安排显示单元用于显示病患中还未安排手术的病患的基础手术信息，所述已安排显示单元用于显示病患中已经安排手术的病患的基础手术信息，所述手术中显示单元用于显示当前正在进行手术的病患的基础手术信息，所述手术完成显示单元用于显示病患中已经完成手术的病患的基础手术信息，所述取消安排显示单元用于显示病患中取消了手术的病患的基础手术信息。
优选地，所述病患检查管理模块包括全部检查显示单元、待检显示单元、已检未报显示单元、报告完成显示单元和取消检查显示单元，所述全部检查显示单元用于显示全部病患的基础检查信息，所述待检显示单元用于显示病患中等待检查的病患的基础检查信息，所述已检未报单元用于显示病患中已经检查完毕但还未生成检查报告的病患的基础检查信息，所述报告完成显示单元用于显示病患中已经检查完毕并且生成了检查报告的病患的基础检查信息，所述取消检查显示单元用于显示病患中取消了检查的病患的基础检查信息。
本优选实施例利用物联网、区块链和图像处理技术，依托智能终端设备对患者全病程进行智能管理，实现了从传统到智能时代的跨越，提高了医护工作效率。
优选地，所述病患监护模块包括图像处理单元、目标分割单元和监护预警单元，所述图像处理单元用于对接收到的红外图像进行去噪处理，所述目标分割单元用于在去噪处理后的红外图像中分割出病患区域图像，所述监护预警单元用于根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，并且在病患的体温超出安全阈值时进行预警。
本优选实施例通过图像处理技术实现了对患者体温数据的有效监测，能够及时发现患者的异常情况，具有测量准确性高、全面的优势，实现了对病患的有效护理。
优选地，所述图像处理单元用于对接收到的红外图像进行去噪处理，设I表示接收到的红外图像，I(x，y)表示红外图像I中坐标(x，y)处的像素，对像素I(x，y)进行噪声检测，具体为：
设Ω(x，y)表示以像素I(x，y)为中心的3×3的邻域，定义P(x，y)表示像素I(x，y)的邻域统一系数，且
其中，h(x，y)表示像素I(x，y)的灰度值，I(a，b)表示邻域Ω(x，y)中坐标(a，b)处的像素，且I(a，b)≠I(x，y)，h(a，b)表示像素I(a，b)的灰度值，M(x，y)表示邻域Ω(x，y)中的像素数；
给定邻域统一阈值P，P的值可以取3，当像素I(x，y)满足：P(x，y)＜P时，则判定像素I(x，y)为正常像素，且将邻域Ω(x，y)标记为正常邻域，当像素I(x，y)满足：P(x，y)≥P时，则判定像素I(x，y)为可疑像素，且将邻域Ω(x，y)标记为可疑邻域；
设h′(x，y)表示对像素I(x，y)进行去噪后的灰度值，当像素I(x，y)被判定为正常像素时，则令h′(x，y)＝h(x，y)；当像素I(x，y)被判定为可疑像素时，则采用下列方式对像素I(x，y)进行进一步噪声检测：
设U(x，y)表示以像素I(x，y)为中心的(2L(x，y)+1)×(2L(x，y)+1)的局部区域，其中，L(x，y)为正整数，且L(x，y)的值采用下列方式进行确定：
设
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，
表示以像素
为中心的L(x，y)×L(x，y)的局部区域，其中，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，L(x，y)的初始值取2，并令L(x，y)以1为步长进行增长，当L(x，y)的值首次使得局部区域
和
中都包含标记的正常邻域时，此时的L(x，y)的值即为局部区域U(x，y)中的L(x，y)的值；
对局部区域U(x，y)进行检测，设I1(x1，y1)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，I2(x2，y2)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，I3(x3，y3)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，I4(x4，y4)表示局部区域
中距离像素I(x，y)最近的正常邻域的中心像素，定义H′(x，y)表示局部区域U(x，y)的结构检测系数，L′(x，y)表示局部区域U(x，y)的区域检测系数，且
其中，Ik(xk，yk)表示红外图像I中坐标(xk，yk)处的像素，hk(xk，yk)表示像素Ik(xk，yk)的灰度值，k＝1，2，3，4，Io(xo，yo)表示红外图像I中坐标(xo，yo)处的像素，ho(xo，yo)表示像素Io(xo，yo)的灰度值，o＝1，2，3，4，I(m，n)表示局部区域U(x，y)中坐标(m，n)处的像素，h(m，n)表示像素I(m，n)的灰度值；定义H(x，y)表示像素I(x，y)的结构检测系数，L(x，y)表示像素I(x，y)的区域检测系数，且
当H′(x，y)-L′(x，y)＜P且
时，则判定像素I(x，y)为正常像素，此时，h′(x，y)＝h(x，y)，当H′(x，y)-L′(x，y)＜P且
时，则判定像素I(x，y)为噪声像素，此时，
当H′(x，y)-L′(x，y)≥P时,设Iq(xq，yq)表示红外图像I中坐标(xq，yq)处的像素，且
Ω(xq，yq)表示以像素Iq(xq，yq)为中心的3×3的邻域，定义Hq(xq，yq)表示像素Iq(xq，yq)在邻域Ω(xq，yq)的结构检测系数，Lq(xq，yq)表示像素Iq(xq，yq)在邻域Ω(xq，yq)的区域检测系数，且
其中，I(c，d)表示邻域Ω(xq，yq)中坐标(c，d)处的像素，且I(c，d)≠Iq(xq，yq)，h(c，d)表示像素I(c，d)的灰度值，hq(xq，yq)表示像素Iq(xq，yq)的灰度值；当像素I(x，y)满足：max{|L(x，y)-Hq(xq，yq)|，|L(x，y)-Lq(xq，yq)|}＜P时，则判定像素I(x，y)为正常像素，此时，h′(x，y)＝h(x，y)，当max{|L(x，y)-Hq(xq，yq)|，|L(x，y)-Lq(xq，yq)|}≥P时，则判定像素I(x，y)为噪声像素，此时，
其中，σs表示空间滤波系数，σs的值可以取4。
本优选实施例用于检测红外图像中的噪声像素，并对检测所得的噪声像素进行去噪处理，从而避免噪声像素影响监护预警单元的预警精度，针对传统的去噪算法容易受到邻域噪声像素的影响以及容易将边缘像素误判为噪声像素的缺陷，本优选实施例提出一种新的去噪算法，定义邻域统一系数能够有效的检测出图像中的正常邻域，对图像中不同的结构区域具有较强的适应性；根据检测出的正常邻域确定待去噪像素的局部区域，使得待去噪像素的局部区域的四个方向都包含有正常邻域，然后根据局部区域中的正常邻域对待去噪像素进行噪声检测，能够有效的避免邻域噪声像素影响待去噪像素的噪声检测结果的同时，对于处于边缘结构的正常像素能够有效的进行判断，避免将边缘像素误判为噪声像素的情况。
优选地，所述目标分割单元采用最大熵阈值法对去噪处理后的红外图像进行病患区域的目标分割，采用布谷鸟算法确定所述最大熵阈值法的最优分割阈值，以最大熵作为布谷鸟算法的适应度函数，布谷鸟的鸟巢位置对应的适应度函数值越大，代表其寻优结果越好。
优选地，在每次采用莱维飞行对布谷鸟的鸟巢位置进行更新后，将鸟巢位置按其在当前代的适应度函数值由高到低进行排序组成序列，设L(t)表示将鸟巢位置按其在第t代时的适应度函数值由高到低进行排序组成的序列，依次对序列L(t)中的鸟巢位置进行偏好随机游走更新，具体为：
设
表示序列L(t)中的第j个鸟巢位置，用随机数rand∈[0，1]与pa进行比较，若rand≤pa，则不对位置
进行更新，当rand＞pa时，则采用下列方式对位置
进行偏好随机游走更新：
式中，pa表示发现概率，
表示对鸟巢位置
进行偏好随机游走更新后的鸟巢位置，Xj，1(t)、Xj，2(t)和Xj，3(t)为从当前种群中随机选取的三个鸟巢位置，且Xj，1(t)≠Xj，2(t)≠Xj，3(t)，rand1和rand2分别表示产生[0，1]内的随机数，
表示对鸟巢位置
进行偏好随机游走更新时的引导鸟巢位置，
为从集合
中随机选取的一个候选引导鸟巢位置，其中，
表示在对鸟巢位置
进行偏好随机游走更新时的候选引导鸟巢位置集合，集合
中的候选引导鸟巢位置采用下列方式确定：
设Xk(t)表示第t代种群中的第k个鸟巢位置，定义
表示鸟巢位置Xk(t)对鸟巢位置
的引导参考值，且
的表达式为：
式中，
表示鸟巢位置
和鸟巢位置Xk(t)之间的统计系数，且
其中，
表示鸟巢位置
对应的适应度函数值，fk(t)表示鸟巢位置Xk(t)对应的适应度函数值，
表示在对鸟巢位置
进行偏好随机游走更新时鸟巢位置Xk(t)已经被选取为引导鸟巢位置的次数，N表示布谷鸟种群规模，fworst(t)表示种群在第t代时的全局最差鸟巢位置对应的适应度函数值，fbest(t)表示种群在第t代时的全局最优鸟巢位置对应的适应度函数值；
给定参考检测阈值
且
当
时，则将鸟巢位置Xk(t)加入到集合
中作为候选引导鸟巢位置，当
时，则不将鸟巢位置Xk(t)加入到集合
中，其中，
表示第t代时种群中鸟巢位置对应的适应度函数值的均值，Tmax表示最大迭代次数；
将鸟巢位置
和鸟巢位置
进行比较，设
表示鸟巢位置
对应的适应度函数值，当
时，则令鸟巢位置
代替鸟巢位置
当
时，则不令鸟巢位置
代替鸟巢位置
本优选实施例采用布谷鸟算法确定最大熵阈值法中的最优分割阈值，针对标准的布谷鸟算法由于存在收敛速度慢，易陷入局部最优等现象，从而难以准确找到最优分割阈值，导致图像分割准确率较低的缺陷，本优选实施例对布谷鸟算法的偏好随机游走更新方式进行了改进，现有技术在布谷鸟算法的偏好随机游走更新方式中引入全局最优解来提高算法的收敛速度，但这种改进方式容易减小种群的多样性，从而使得布谷鸟算法陷入局部最优，针对上述缺陷，本优选实施例提出的对布谷鸟算法的偏好随机游走更新方式进行改进的方式在提高了算法的收敛速度的同时，保证了种群的多样性，从而避免算法陷入局部最优，具体为：在布谷鸟算法的偏好随机游走更新方式中增加了引导鸟巢位置，所述引导鸟巢位置用于引导种群向着全局较优位置搜索，所述引导鸟巢位置是从候选引导鸟巢位置集合中随机选取的，而在选取候选引导鸟巢位置时，定义了鸟巢位置的引导参考值，所述引导参考值的第一项用于保证选取的候选引导鸟巢位置具有较高的适应度函数值，从而引导种群向着全局较优位置搜索，即起到了提高算法收敛速度的作用；所述引导参考值的第二项用于保证选取的候选引导鸟巢位置在种群中被选取为引导鸟巢位置的次数较少，从而在提高算法的收敛速度的同时起到保证种群多样性的作用，此外，设置参考检测阈值随着迭代次数的增加而增加，使得在迭代后期，引导种群向着全局最优位置搜索的同时，加强全局最优位置的局部搜索。
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 (4)
1.一种基于区块链的智慧护理交互系统，其特征是，包括病患监控模块、区块链存储模块和智慧护理交互终端，所述病患监控模块和病患的床号进行绑定，用于采集病患的红外图像，并将采集的红外图像和其对应的床号传输至智慧护理交互终端，所述区块链存储模块用于存储病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息，所述智慧护理交互终端包括病患手术管理模块、病患检查管理模块、病患检验管理模块、病患用药管理模块和病患监护模块，所述病患手术管理模块用于显示病患的基础手术信息，所述病患检查管理模块用于显示病患的基础检查信息，所述病患检验管理模块用于显示病患的基础检验信息，医护人员可以在病患检验管理模块中根据病患的基础信息查询病患的基础检验信息，所述病患用药管理模块用于显示病患的基础用药信息，医护人员可以在病患用药管理模块根据病患的基础信息查询病患的基础用药信息，所述病患监护模块用于对接收到的病患的红外图像进行处理和目标分割，并根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，当病患的体温超出安全阈值时进行预警；
所述病患监护模块包括图像处理单元、目标分割单元和监护预警单元，所述图像处理单元用于对接收到的红外图像进行去噪处理，所述目标分割单元用于在去噪处理后的红外图像中分割出病患区域图像，所述监护预警单元用于根据分割所得的病患区域图像判断病患的体温是否超出安全阈值，并且在病患的体温超出安全阈值时进行预警；
所述图像处理单元用于对接收到的红外图像进行去噪处理，设I表示接收到的红外图像，I(x,y)表示红外图像I中坐标(x,y)处的像素，对像素I(x,y)进行噪声检测，具体为：
设Ω(x,y)表示以像素I(x,y)为中心的3×3的邻域，定义P(x,y)表示像素I(x,y)的邻域统一系数，且
其中，h(x,y)表示像素I(x,y)的灰度值，I(a,b)表示邻域Ω(x,y)中坐标(a,b)处的像素，且I(a,b)≠I(x，y)，h(a,b)表示像素I(a,b)的灰度值，M(x,y)表示邻域Ω(x，y)中的像素数；
给定邻域统一阈值P，当像素I(x,y)满足：P(x,y)<P时，则判定像素I(x，y)为正常像素，且将邻域Ω(x,y)标记为正常邻域，当像素I(x,y)满足：P(x,y)≥P时，则判定像素I(x,y)为可疑像素，且将邻域Ω(x,y)标记为可疑邻域；
设h'(x,y)表示对像素I(x,y)进行去噪后的灰度值，当像素I(x,y)被判定为正常像素时，则令h'(x,y)＝h(x,y)；当像素I(x,y)被判定为可疑像素时，则采用下列方式对像素I(x,y)进行进一步噪声检测：
设U(x,y)表示以像素I(x,y)为中心的(2L(x,y)+1)×(2L(x,y)+1)的局部区域，其中，L(x,y)为正整数，且L(x,y)的值采用下列方式进行确定：
设
表示以像素
为中心的L(x,y)×L(x,y)的局部区域，
表示以像素
为中心的L(x,y)×L(x,y)的局部区域，
表示以像素
为中心的L(x,y)×L(x，y)的局部区域，
表示以像素
为中心的L(x,y)×L(x,y)的局部区域，其中，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，
表示红外图像I中坐标
处的像素，L(x,y)的初始值取2，并令L(x,y)以1为步长进行增长，当L(x,y)的值首次使得局部区域
和
中都包含标记的正常邻域时，此时的L(x,y)的值即为局部区域U(x,y)中的L(x,y)的值；
对局部区域U(x,y)进行检测，设I1(x1,y1)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素，I2(x2,y2)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素，I3(x3,y3)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素，I4(x4,y4)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素，定义H'(x，y)表示局部区域U(x,y)的结构检测系数，L'(x，y)表示局部区域U(x，y)的区域检测系数，且
其中，Ik(xk，yk)表示红外图像I中坐标(xk，yk)处的像素，hk(xk，yk)表示像素Ik(xk,yk)的灰度值，k＝1,2,3,4，Io(xo,yo)表示红外图像I中坐标(xo,yo)处的像素，ho(xo,yo)表示像素Io(xo,yo)的灰度值，o＝1,2,3,4，I(m,n)表示局部区域U(x,y)中坐标(m,n)处的像素，h(m,n)表示像素I(m,n)的灰度值；定义H(x,y)表示像素I(x,y)的结构检测系数，L(x,y)表示像素I(x,y)的区域检测系数，且
当H'(x,y)-L'(x,y)<P且
时，则判定像素I(x,y)为正常像素，此时，h'(x,y)＝h(x,y)，当H'(x,y)-L'(x,y)<P且
时，则判定像素I(x，y)为噪声像素，此时，
当H'(x，y)-L'(x，y)≥P时,设Iq(xq，yq)表示红外图像I中坐标(xq，yq)处的像素，且
Ω(xq，yq)表示以像素Iq(xq，yq)为中心的3×3的邻域，定义Hq(xq，yq)表示像素Iq(xq，yq)在邻域Ω(xq，yq)的结构检测系数，Lq(xq，yq)表示像素Iq(xq，yq)在邻域Ω(xq，yq)的区域检测系数，且
其中，I(c，d)表示邻域Ω(xq，yq)中坐标(c，d)处的像素，且I(c，d)≠Iq(xq，yq)，h(c,d)表示像素I(c，d)的灰度值，hq(xq，yq)表示像素Iq(xq，yq)的灰度值；当像素I(x，y)满足：max{|L(x，y)-Hq(xq，yq)|，|L(x，y)-Lq(xq，yq)|}<P时，则判定像素I(x，y)为正常像素，此时，h'(x，y)＝h(x，y)，当max{|L(x，y)-Hq(xq，yq)|，|L(x，y)-Lq(xq，yq)|}≥P时，则判定像素I(x，y)为噪声像素，此时，
其中，σs表示空间滤波系数。
2.根据权利要求1所述的一种基于区块链的智慧护理交互系统，其特征是，所述智慧护理交互终端从区块链存储模块中调取病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息进行显示。
3.根据权利要求2所述的一种基于区块链的智慧护理交互系统，其特征是，病患的基础信息包括病患的床号、姓名和住院号。
4.根据权利要求3所述的一种基于区块链的智慧护理交互系统，其特征是，基础手术信息包括病患的床号、姓名、住院号、术前诊断的疾病名称、手术的申请时间、手术名称、手术室、主刀医生和麻醉方式；基础检查信息包括患者的床号、姓名、住院号、检查类别、检查项目和检查科室；基础检验信息包括病患的床号、姓名、住院号、检验名称、申请检验的时间、检验物采集时间、检验物出科时间、检验物送达时间、检验物登记人、检验审核时间和检验报告完成时间；基础用药信息包括病患的床号、姓名、住院号、药品名称、药品对应的开单人和开药时间、药品的配药人和配药时间、药品的接收人和接收时间以及对病患使用所述药品的执行人和执行时间。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127327.5A CN112967771B (zh) | 2021-01-29 | 2021-01-29 | 一种基于区块链的智慧护理交互系统 |
| CN202111167555.1A CN113889210B (zh) | 2021-01-29 | 2021-01-29 | 基于算法、区块链和图像处理的智慧医疗护理交互平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127327.5A CN112967771B (zh) | 2021-01-29 | 2021-01-29 | 一种基于区块链的智慧护理交互系统 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111167555.1A Division CN113889210B (zh) | 2021-01-29 | 2021-01-29 | 基于算法、区块链和图像处理的智慧医疗护理交互平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112967771A CN112967771A (zh) | 2021-06-15 |
| CN112967771B true CN112967771B (zh) | 2021-11-12 |
Family
ID=76272137
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111167555.1A Active CN113889210B (zh) | 2021-01-29 | 2021-01-29 | 基于算法、区块链和图像处理的智慧医疗护理交互平台 |
| CN202110127327.5A Active CN112967771B (zh) | 2021-01-29 | 2021-01-29 | 一种基于区块链的智慧护理交互系统 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111167555.1A Active CN113889210B (zh) | 2021-01-29 | 2021-01-29 | 基于算法、区块链和图像处理的智慧医疗护理交互平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN113889210B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111134632A (zh) * | 2020-01-17 | 2020-05-12 | 北京玛斯特系统工程有限公司 | 医用监控系统 |
| CN111938606A (zh) * | 2020-08-05 | 2020-11-17 | 光谷技术股份公司 | 一种基于红外热成像的体温检测方法及系统 |
| CN112151137A (zh) * | 2020-09-26 | 2020-12-29 | 厦门波耐模型设计有限责任公司 | 医疗查房伴随机器人人机协同的方法、装置、系统、存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247875A (zh) * | 2017-06-07 | 2017-10-13 | 深圳众厉电力科技有限公司 | 一种便携式智能医疗系统 |
| US20200043579A1 (en) * | 2018-08-06 | 2020-02-06 | David McEwing | Diagnositic and treatmetnt tool and method for electronic recording and indexing patient encounters for allowing instant search of patient history |
| CN109242878B (zh) * | 2018-10-29 | 2020-06-05 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
| CN109632042B (zh) * | 2018-12-12 | 2020-12-29 | 安徽丹凤缘科技有限公司 | 一种高精度的水位检测系统 |
| CN110018656A (zh) * | 2019-04-04 | 2019-07-16 | 黄山学院 | 一种具热图像的智能烹饪控制系统及控制方法 |
| CN110974168A (zh) * | 2019-12-11 | 2020-04-10 | 南方医科大学南方医院 | 一种智慧医联体心血管急救用5g远程监护系统 |
| CN111242878B (zh) * | 2020-01-14 | 2023-05-12 | 郑州轻工业大学 | 基于布谷鸟搜索的矿井下图像增强方法 |
-
2021
- 2021-01-29 CN CN202111167555.1A patent/CN113889210B/zh active Active
- 2021-01-29 CN CN202110127327.5A patent/CN112967771B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111134632A (zh) * | 2020-01-17 | 2020-05-12 | 北京玛斯特系统工程有限公司 | 医用监控系统 |
| CN111938606A (zh) * | 2020-08-05 | 2020-11-17 | 光谷技术股份公司 | 一种基于红外热成像的体温检测方法及系统 |
| CN112151137A (zh) * | 2020-09-26 | 2020-12-29 | 厦门波耐模型设计有限责任公司 | 医疗查房伴随机器人人机协同的方法、装置、系统、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112967771A (zh) | 2021-06-15 |
| CN113889210A (zh) | 2022-01-04 |
| CN113889210B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8194959B2 (en) | Medical image part recognition apparatus and medical image part recognition program | |
| Decenciere et al. | TeleOphta: Machine learning and image processing methods for teleophthalmology | |
| US20180166167A1 (en) | Diagnosis support apparatus, operation method for the same, and diagnosis support system | |
| CN105163684B (zh) | 手术数据的联运同步 | |
| US7711404B2 (en) | Patient data mining for lung cancer screening | |
| US10734107B2 (en) | Image search device, image search method, and image search program | |
| CN111292839B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN110379492A (zh) | 一种全新的ai+pacs系统及其检查报告构建方法 | |
| CN109817304A (zh) | 针对放射学发现物传送现场护理警报的系统和方法 | |
| Seoud et al. | Automatic grading of diabetic retinopathy on a public database | |
| US20070239491A1 (en) | Patient Data Mining for Lung Cancer Screening | |
| JP2008259622A (ja) | レポート作成支援装置およびそのプログラム | |
| US20100002917A1 (en) | Medical image segmentation apparatus and medical image segmentation program | |
| CN108510495A (zh) | 一种基于人工智能的肺部影像数据处理方法、装置及系统 | |
| CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
| CN111883256A (zh) | 基于电子病历数据的肺结核患者预警系统及预警方法 | |
| CN114822823B (zh) | 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统 | |
| CN114782321B (zh) | 胸部ct影像选择方法、装置、设备及存储介质 | |
| CN114550929A (zh) | 基于大数据的青少年骨龄数据管理方法及异常预警方法 | |
| CN117497149A (zh) | 一种基于人工智能的医院管理方法及系统 | |
| CN112967771B (zh) | 一种基于区块链的智慧护理交互系统 | |
| CN111402231B (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
| CN108877945A (zh) | 医疗信息处理方法及装置 | |
| US20140149140A1 (en) | System and method for patient identification index | |
| CN115359878A (zh) | Icu床旁胸部x线片自动对比诊断智能报告系统及方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 518000, Block BC, B901-B908, B801-B808, Huizhi R&D Center, Longteng Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province Patentee after: Guangdong deao smart Medical Technology Co.,Ltd. Country or region after: China Address before: Room 501, Room 502, room 503, room 504, room 505, floor 5, building 10, Industrialization Center, No.19 Alishan Road, Songshanhu high tech Industrial Development Zone, Dongguan City, Guangdong Province 523000 Patentee before: Guangdong deao smart Medical Technology Co.,Ltd. Country or region before: China |