CN113096806A - 基于医学影像算法和区块链的疾病预测系统 - Google Patents
基于医学影像算法和区块链的疾病预测系统 Download PDFInfo
- Publication number
- CN113096806A CN113096806A CN202110403738.2A CN202110403738A CN113096806A CN 113096806 A CN113096806 A CN 113096806A CN 202110403738 A CN202110403738 A CN 202110403738A CN 113096806 A CN113096806 A CN 113096806A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- bird nest
- pixel
- subset
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 75
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 235000005770 birds nest Nutrition 0.000 claims description 171
- 235000005765 wild carrot Nutrition 0.000 claims description 171
- 238000001914 filtration Methods 0.000 claims description 33
- 241000544061 Cuculus canorus Species 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 20
- 238000010845 search algorithm Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 244000000626 Daucus carota Species 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 238000005457 optimization Methods 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Processing (AREA)
Abstract
基于医学影像算法和区块链的疾病预测系统,所述疾病预测系统包括疾病预测模型构建模块和疾病预测模块;疾病预测模型构建模块包括区块链存储单元、数据处理单元和模型构建单元,所述区块链存储单元中存储有患者的疾病类型、历史诊疗数据和医学图像,所述数据处理单元用于对患者的诊疗数据和医学图像进行处理,从而建立样本集,所述模型构建单元用于建立基于BP神经网络的疾病预测模型,所述疾病预测模块用于根据建立的疾病预测模型获得待预测患者的预测疾病类型。本发明的有益效果:将BP神经网络应用到疾病预测中,能够对疾病进行有效的预测,从而对早发现早治疗,降低疾病的死亡率有重要的意义。
Description
技术领域
本发明创造涉及医学影像(图像)处理和利用技术领域,具体涉及一种基于医学影像算法和区块链的疾病预测系统。
背景技术
近年来,随着电子病历系统及医学影像技术在医院的广泛应用产生了海量的医学数据,根据医学数据进行疾病的预测也成为当前研究的热点之一。提前进行疾病预测,对于早发现早治疗,降低疾病的死亡率有重要的意义。由于医学数据集的海量、高维性和异构性,使得人为驱动的分析变得不切实际。基于机器学习算法的人工智能特别适合应对“大数据”的挑战,常用的机器学习算法有时间序列预测法、Markov预测法、回归预测法、人工神经网络法等。
BP神经网络因为有着传统统计方法无法比拟的适应性、容错性以及自组织性的优势,从而在疾病预测领域获得了广泛的应用。然而,在将BP神经网络应用到疾病预测时,会出现结构难以确定的情况,从而容易陷入局部极小点,在进行预测时可能会出现识别率不理想和可信度不高的情况。因而出现了将多个数学模型结合进行疾病预测的方法,例如使用智能寻优算法和神经网络算法的结合进行预测等。
发明内容
针对上述问题,本发明旨在提供一种基于医学影像算法和区块链的疾病预测系统。
本发明创造的目的通过以下技术方案实现:
基于医学影像算法和区块链的疾病预测系统,所述疾病预测系统包括疾病预测模型构建模块和疾病预测模块;
所述疾病预测模型构建模块包括区块链存储单元、数据处理单元和模型构建单元,所述区块链存储单元中存储有患者的疾病类型、该患者的历史诊疗数据和医学图像,所述数据处理单元从区块链存储单元中调取患者的历史诊疗数据和医学图像进行处理,并将处理后的历史诊疗数据和医学图像作为用于训练和测试疾病预测模型的输入值,将该患者的疾病类型作为用于训练和测试疾病预测模型的输出值,从而建立样本集,所述模型构建单元采用所述样本集对BP神经网络进行训练和测试,从而建立基于BP神经网络的疾病预测模型;
所述疾病预测模块获取待预测患者的诊疗数据和医学图像,并通过数据处理单元对获取的诊疗数据和医学图像进行处理,将处理后的诊疗数据和医学图像输入至构建的疾病预测模型中,从而获得所述待预测患者的预测疾病类型。
优选地,所述数据处理单元包括诊疗数据处理部分和医学图像处理部分,所述诊疗数据处理部分用于对诊疗数据进行滤波处理,所述医学图像处理部分用于对医学图像进行滤波处理,并对滤波处理后的医学图像进行特征提取,将滤波处理后的诊疗数据和提取的医学图像的特征作为疾病预测模型的输入值。
优选地,设I表示医学图像,所述医学图像处理部分用于对医学图像I进行滤波处理,设I(x,y)表示医学图像I中坐标(x,y)处的像素,Ω(x,y)表示以像素I(x,y)为中心的M×M的局部区域,其中,M为给定的正整数,设f'(x,y)表示对像素I(x,y)进行滤波处理后的灰度值,则f'(x,y)的值采用下列方式确定:
(1)对局部区域Ω(x,y)中的像素进行预处理,设F(x,y)表示像素I(x,y)经预处理后的灰度值,则F(x,y)的表达式为:
其中,I(m,n)表示局部区域Ω(x,y)中坐标(m,n)处的像素,f(m,n)表示像素I(m,n)的灰度值,σd表示空间域滤波控制因子,σr表示灰度域滤波控制因子;
(2)根据局部区域Ω(x,y)中预处理后的像素确定f'(x,y)的值:
式中,K(x,y)(m,n)表示在对像素I(x,y)进行滤波处理时像素I(m,n)的空间域滤波权值,且R(x,y)(m,n)表示在对像素I(x,y)进行滤波处理时像素I(m,n)的灰度域滤波权值,R(x,y)(m,n)的值为;
其中,r(x,y)(m,n)表示像素I(m,n)和像素I(x,y)之间的基础灰度差值系数,且 其中,F(m,n)表示像素I(m,n)经预处理后的灰度值,θ(x,y)(m,n)表示像素I(m,n)和像素I(x,y)之间的灰度补偿系数,设F'(m,n)表示像素I(m,n)的异常灰度值,且F'(m,n)=f(m,n)-F(m,n),则θ(x,y)(m,n)的值为:
其中,Ω'(x,y)表示以像素I(x,y)为中心的3×3的局部邻域,Ω'(m,n)表示以像素I(m,n)为中心的3×3的局部邻域,F'(x,y)表示像素I(x,y)的异常灰度值;
f″(m,n)=f(c,d)
式中,f(c,d)表示像素I(c,d)的灰度值。
优选地,模型构建单元采用样本集对BP神经网络进行训练和测试,引入布谷鸟搜索算法优化所述BP神经网络的权值和阈值,在所述布谷鸟搜索算法中,通过莱维飞行模式对鸟巢位置进行更新后,根据发现概率pa选取部分鸟巢位置进行随机更新,具体为:
在第(t+1)次莱维飞行更新后,在种群中选取鸟巢位置进行随机更新,具体包括:
(1)设B(t+1)表示在第(t+1)次莱维飞行更新后种群中鸟巢位置组成的集合,给定阈值d(t+1),对集合B(t+1)中的鸟巢位置进行子集合的划分:设b1(t+1)表示对集合B(t+1)中鸟巢位置进行划分所得的第1个子集合,选取集合B(t+1)中适应度函数值最小的鸟巢位置加入到子集合b1(t+1)中,并将集合B(t+1)中和该鸟巢位置之间的欧式距离小于等于阈值d(t+1)的鸟巢位置加入到子集合b1(t+1)中;设b2(t+1)表示对集合B(t+1)中鸟巢位置进行划分所得的第2个子集合,选取集合B(t+1)中适应度函数值最小的未划分的鸟巢位置加入到子集合b2(t+1)中,并将集合B(t+1)中和该鸟巢位置之间的欧式距离小于等于阈值d(t+1)的未划分的鸟巢位置加入到子集合b2(t+1)中;继续采用上述方法对集合B(t+1)中剩余的未划分的鸟巢位置进行划分,直到集合B(t+1)中的鸟巢位置都被划分完,则停止划分;
(2)对种群中的鸟巢位置进行检测,设Xi(t+1)表示种群中的第i个鸟巢在第(t+1)次莱维飞行更新后的位置,Xi(t)表示种群中第i个鸟巢在第t次莱维飞行更新后的位置,当鸟巢位置Xi(t+1)满足:Xi(t+1)=Xi(t)时,则将鸟巢位置Xi(t+1)标注为1;
(3)对各子集合中标注为1的鸟巢位置进行随机更新,设bj(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的第j个子集合,将子集合bj(t+1)中标注为1的鸟巢位置按照适应度函数值由小到大进行排序组成序列设表示序列中的第l个鸟巢位置,则采用下列方式对鸟巢位置进行随机更新:
定义Qj(t+1)表示子集合bj(t+1)的局部检测系数,且Qj(t+1)的计算公式为:
其中,m(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合数,mj(t+1)表示子集合bj(t+1)中的鸟巢位置数,表示子集合bj(t+1)中标注为1的鸟巢位置数,uj(t+1)表示子集合bj(t+1)的空间检测系数,且 Xj,k(t+1)表示子集合bj(t+1)中的第k个鸟巢位置,Xj,g(t+1)表示子集合bj(t+1)中的第g个鸟巢位置,hj,k(t+1)表示鸟巢位置Xj,k(t+1)的适应度函数值,hj,g(t+1)表示鸟巢位置Xj,g(t+1)的适应度函数值,u'(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合的空间检测系数的中值,且 表示计算中值函数,表示子集合bj(t+1)的第一局部检测函数,且 表示子集合bj(t+1)的第二局部检测函数,且 表示子集合bj(t+1)的第三局部检测函数,且
本发明创造的有益效果:将BP神经网络应用到疾病预测中,能够对疾病进行有效的预测,从而对早发现早治疗,降低疾病的死亡率有重要的意义;针对随机初始化BP神经网络的权值和阈值会导致BP神经网络容易陷入局部极小点,从而在进行疾病预测时可能会出现识别率不理想和可信度不高的情况,将布谷鸟算法和BP神经网络结合,从而利用布谷鸟算法获得BP神经网络的最优权值和阈值,然而传统的布谷鸟搜索算法采用的莱维飞行机制具有较强的随机性,这种随机性使得布谷鸟搜索算法只能在每个鸟巢附近进行粗略的搜索,从而导致布谷鸟搜索算法的局部搜索能力较弱,缺乏自适应性,即采用传统的布谷鸟算法对BP神经网络进行优化,并不能有效的获得BP神经网络的最优权值和阈值,即不能有效的提高疾病预测的精度,因此,本发明对布谷鸟算法进行改进,提高了布谷鸟算法的收敛速度和寻优精度,从而再利用改进的布谷鸟算法对BP神经网络进行优化时,能够有效获得BP神经网络的最优权值和阈值,从而提高疾病预测的准确率。
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,本实施例的基于医学影像算法和区块链的疾病预测系统,所述疾病预测系统包括疾病预测模型构建模块和疾病预测模块;
所述疾病预测模型构建模块包括区块链存储单元、数据处理单元和模型构建单元,所述区块链存储单元中存储有患者的疾病类型、该患者的历史诊疗数据和医学图像,所述数据处理单元从区块链存储单元中调取患者的历史诊疗数据和医学图像进行处理,并将处理后的历史诊疗数据和医学图像作为用于训练和测试疾病预测模型的输入值,将该患者的疾病类型作为用于训练和测试疾病预测模型的输出值,从而建立样本集,所述模型构建单元采用所述样本集对BP神经网络进行训练和测试,从而建立基于BP神经网络的疾病预测模型;
所述疾病预测模块获取待预测患者的诊疗数据和医学图像,并通过数据处理单元对获取的诊疗数据和医学图像进行处理,将处理后的诊疗数据和医学图像输入至构建的疾病预测模型,从而获得待预测患者的预测疾病类型。
本优选实施例将BP神经网络应用到疾病预测中,能够对疾病进行有效的预测,从而对早发现早治疗,降低疾病的死亡率有重要的意义。
优选地,所述数据处理单元包括诊疗数据处理部分和医学图像处理部分,所述诊疗数据处理部分用于对诊疗数据进行滤波处理,所述医学图像处理部分用于对医学图像进行滤波处理,并对滤波处理后的医学图像进行特征提取,将滤波处理后的诊疗数据和提取的医学图像的特征作为疾病预测模型的输入值。
本优选实施例用于对患者的诊疗数据和医学图像进行滤波处理,去除诊疗数据和医学图像中的噪声数据,从而将处理后的诊疗数据和医学图像作为疾病预测模块的输入值,能够有效的避免噪声的影响,从而提高疾病预测模型的预测精度。
优选地,设I表示医学图像,所述医学图像处理部分用于对医学图像I进行滤波处理,设I(x,y)表示医学图像I中坐标(x,y)处的像素,Ω(x,y)表示以像素I(x,y)为中心的M×M的局部区域,其中,M为给定的正整数,M的值可以取5,设f'(x,y)表示对像素I(x,y)进行滤波处理后的灰度值,则f'(x,y)的值采用下列方式确定:
(1)对局部区域Ω(x,y)中的像素进行预处理,设F(x,y)表示像素I(x,y)经预处理后的灰度值,则F(x,y)的表达式为:
其中,I(m,n)表示局部区域Ω(x,y)中坐标(m,n)处的像素,f(m,n)表示像素I(m,n)的灰度值,σd表示空间域滤波控制因子,σd的值可以取4,σr表示灰度域滤波控制因子,σr的值可以取0.2;
(2)根据局部区域Ω(x,y)中预处理后的像素确定f'(x,y)的值:
式中,K(x,y)(m,n)表示在对像素I(x,y)进行滤波处理时像素I(m,n)的空间域滤波权值,且R(x,y)(m,n)表示在对像素I(x,y)进行滤波处理时像素I(m,n)的灰度域滤波权值,R(x,y)(m,n)的值为;
其中,r(x,y)(m,n)表示像素I(m,n)和像素I(x,y)之间的基础灰度差值系数,且 其中,F(m,n)表示像素I(m,n)经预处理后的灰度值,θ(x,y)(m,n)表示像素I(m,n)和像素I(x,y)之间的灰度补偿系数,设F'(m,n)表示像素I(m,n)的异常灰度值,且F'(m,n)=f(m,n)-F(m,n),则θ(x,y)(m,n)的值为:
其中,Ω'(x,y)表示以像素I(x,y)为中心的3×3的局部邻域,Ω'(m,n)表示以像素I(m,n)为中心的3×3的局部邻域,F'(x,y)表示像素I(x,y)的异常灰度值;
F”(m,n)=f(c,d)
式中,f(c,d)表示像素I(c,d)的灰度值。
本优选实施例用于对医学图像进行滤波处理,构建的滤波算法在通过邻域像素对像素进行滤波的过程中能够有效的避免邻域噪声像素的影响,并且能够在滤波的过程中保护图像的结构信息,为接下来的医学图像的特征提取垫底了基础;传统的滤波算法中采用的灰度域滤波权值直接通过计算两个像素之间的灰度值差值来衡量两个像素在灰度域的相似性,并且传统的滤波算法中直接采用邻域像素的灰度值来进行加权平均,当这两个像素中出现噪声像素时,使用传统的滤波算法容易受到噪声影响,从而影响滤波结果的准确性,针对上述缺陷,本优选实施例构建的滤波算法中引入了邻域像素的参考灰度值的概念,并且定义了新的灰度域滤波权值的计算方法,在计算像素的灰度域滤波权值时,首先采用传统的双边滤波算法对医学图像进行预处理,传统的双边滤波算法能够有效的平滑医学图像中的噪声像素,因此,采用预处理后的像素灰度值计算灰度域滤波权值,相较于传统的直接采用原像素灰度值计算像素的灰度域滤波权值的方式,能够有效的避免邻域噪声像素参与滤波时影响滤波的准确性,另一方面,在采用传统的双边滤波算法对像素进行预处理时,虽然能够有效的去除噪声像素,但当像素处于细节较为丰富区域或者边缘区域时,传统的双边滤波算法也会在一定程度上平滑图像的结构信息,因此,单纯的采用预处理后的像素灰度值并不能充分的确定邻域像素和所述像素之间的相似性,鉴于上述情况,构建的滤波算法中通过引入灰度补偿系数对图像的结构信息进行补偿,在计算灰度补偿系数时,首先获取采用双边滤波算法进行预处理后去除的像素的异常灰度值,所述异常灰度值反应的可能为像素的噪声信息也可能为像素的结构信息,通过计算两个像素的局部邻域之间像素的最小异常灰度值差值来判断这两个像素是否处于相同的结构区域,从而增加处于相同结构区域的邻域像素的滤波权值,并且通过像素之间的最小异常灰度值差值选取邻域像素的局部邻域中和所述像素之间最为相似的邻域像素的灰度值作为参考灰度值进行加权平均,从而进一步的避免了邻域噪声像素对滤波结果准确性的影响,并且最大程度的保护了医学图像的结构信息,从而提高了对医学图像进行特征提取的准确度。
优选地,模型构建单元采用样本集对BP神经网络进行训练和测试,引入布谷鸟搜索算法优化所述BP神经网络的权值和阈值,定义布谷鸟搜索算法的适应度函数h为: 其中,C表示用于训练的样本个数,Ya表示第a个样本的实际输出值,表示第a个样本的期望值。
优选地,在布谷鸟搜索算法的更新过程中,鸟巢位置的适应度函数值越小,该鸟巢位置代表的解越优。
优选地,所述布谷鸟算法通过莱维飞行模式对鸟巢位置进行更新后,具体包括:
(1)采用下列方式进行全局随机搜索:
其中,xi(t+1)表示种群中第i个鸟巢在第(t+1)次全局随机搜索产生的鸟巢位置,Xi(t)表示种群中的第i个鸟巢在第t次莱维飞行更新后的位置,α表示全局随机搜索的步长控制量,表示点对点乘法,Lev′y(λ)表示步长大小服从Le′vy分布的随机游走,λ为稳定性指数;
(2)执行选择操作:
设Xi(t+1)表示种群中的第i个鸟巢在第(t+1)次莱维飞行更新后的位置,当鸟巢位置xi(t+1)满足:h(xi(t+1))<hi(t)时,则令鸟巢位置Xi(t+1)=xi(t+1);当鸟巢位置xi(t+1)满足:h(xi(t+1))≥hi(t)时,则令鸟巢位置Xi(t+1)=Xi(t),其中,h(xi(t+1))表示鸟巢位置xi(t+1)的适应度函数值,hi(t)表示鸟巢位置Xi(t)的适应度函数值。
优选地,在所述布谷鸟搜索算法中,通过莱维飞行模式对鸟巢位置进行更新后,根据发现概率pa选取部分鸟巢位置进行随机更新,具体为:
在第(t+1)次莱维飞行更新后,在种群中选取鸟巢位置进行随机更新,具体包括:
(1)设B(t+1)表示在第(t+1)次莱维飞行更新后种群中鸟巢位置组成的集合,给定阈值d(t+1),其中,d(t+1)的值可以取:其中,表示种群中距离鸟巢位置Xi(t+1)第r近的鸟巢位置,N表示种群中的鸟巢数;
对集合B(t+1)中的鸟巢位置进行子集合的划分:设b1(t+1)表示对集合B(t+1)中鸟巢位置进行划分所得的第1个子集合,选取集合B(t+1)中适应度函数值最小的鸟巢位置加入到子集合b1(t+1)中,并将集合B(t+1)中和该鸟巢位置之间的欧式距离小于等于阈值d(t+1)的鸟巢位置加入到子集合b1(t+1)中;设b2(t+1)表示对集合B(t+1)中鸟巢位置进行划分所得的第2个子集合,选取集合B(t+1)中适应度函数值最小的未划分的鸟巢位置加入到子集合b2(t+1)中,并将集合B(t+1)中和该鸟巢位置之间的欧式距离小于等于阈值d(t+1)的未划分的鸟巢位置加入到子集合b2(t+1)中;继续采用上述方法对集合B(t+1)中剩余的未划分的鸟巢位置进行划分,直到将集合B(t+1)中的鸟巢位置都划分完时,则停止划分;
(2)对种群中的鸟巢位置进行检测,设Xi(t+1)表示种群中第i个鸟巢在第(t+1)次莱维飞行更新后的位置,Xi(t)表示种群中第i个鸟巢在第t次莱维飞行更新后的位置,当鸟巢位置Xi(t+1)满足:Xi(t+1)=Xi(t)时,则将鸟巢位置Xi(t+1)标注为1;
(3)对各子集合中标注为1的鸟巢位置进行随机更新,设bj(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的第j个子集合,将子集合bj(t+1)中标注为1的鸟巢位置按照适应度函数值由小到大进行排序组成序列设表示序列中的第l个鸟巢位置,则采用下列方式对鸟巢位置进行随机更新:
定义Qj(t+1)表示子集合bj(t+1)的局部检测系数,且Qj(t+1)的计算公式为:
其中,m(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合数,mj(t+1)表示子集合bj(t+1)中的鸟巢位置数,表示子集合bj(t+1)中标注为1的鸟巢位置数,uj(t+1)表示子集合bj(t+1)的空间检测系数,且 Xj,k(t+1)表示子集合bj(t+1)中的第k个鸟巢位置,Xj,g(t+1)表示子集合bj(t+1)中的第g个鸟巢位置,hj,k(t+1)表示鸟巢位置Xj,k(t+1)的适应度函数值,hj,g(t+1)表示鸟巢位置Xj,g(t+1)的适应度函数值,u'(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合的局部检测系数的中值,且 表示计算中值函数,表示子集合bj(t+1)的第一局部检测函数,且 表示子集合bj(t+1)的第二局部检测函数,且 表示子集合bj(t+1)的第三局部检测函数,且
本优选实施例针对随机初始化BP神经网络的权值和阈值会导致BP神经网络容易陷入局部极小点,从而在进行疾病预测时可能会出现识别率不理想和可信度不高的情况,将布谷鸟算法和BP神经网络结合,利用布谷鸟搜索算法获得BP神经网络的最优权值和阈值,然而传统的布谷鸟搜索算法采用的莱维飞行机制具有较强的随机性,这种随机性使得布谷鸟搜索算法只能在每个鸟巢附近进行粗略的搜索,从而导致布谷鸟搜索算法的局部搜索能力较弱,缺乏自适应性,即采用传统的布谷鸟算法对BP神经网络进行优化,并不能有效的获得BP神经网络的最优权值和阈值,即不能有效的提高疾病预测的精度,针对上述情况,本优选实施例对布谷鸟算法进行改进,在每次的莱维飞行更新后对种群中的鸟巢位置进行随机更新,采用莱维飞行的方式对种群中的鸟巢位置进行更新,具有较强的随机性,能够增加种群的多样性,但另一方面,在每次的莱维飞行更新结束后,种群中都存在部分鸟巢位置未得到有效的更新,从而影响算法的收敛速度和寻优精度,针对上述现象,本优选实施例在每次的莱维飞行更新后,对种群中未发生改变的鸟巢位置进行随机更新,在保证种群多样性的同时,能够有效的弥补莱维飞行更新的不足,从而提高了算法的收敛速度和寻优精度;在对鸟巢位置进行随机更新时,通过定义的对鸟巢位置进行随机更新的概率值和发现概率进行比较从而确定是否对该鸟巢位置进行随机更新,所述概率值的计算公式中的第一部分保留了传统的通过产生随机数确定是否对该鸟巢位置进行随机更新的随机性,所述属性值用于衡量该鸟巢位置在其所在区域中寻优结果的好坏和其位置未发送改变的迭代次数,当一个鸟巢位置在其所在区域中寻优结果较差并且多次未被更新时,即增加该鸟巢位置进行随机更新的概率值,即相较于传统的方式,本优选实施例通过定义的概率值增加了对较差鸟巢位置进行随机更新的概率,并增加了对较优鸟巢位置进行保留的概率,从而保证种群质量;此外,在对鸟巢位置进行随机更新时,设置了两种更新模式,并通过定义的局部检测系数来确定鸟巢位置采用的更新模式,当鸟巢处于寻优结果较好的区域,并且该鸟巢所处的区域中具有较多新的鸟巢位置、鸟巢之间的寻优空间也较大时,此时,令该鸟巢位置在其所在区域中进行随机更新,从而提高该鸟巢的寻优精度,相反的,令鸟巢位置在全局范围内进行随机更新,从而保证算法的多样性;即本优选实施例通过对传统布谷鸟搜索算法的改进,从而提高了布谷鸟搜索算法的收敛速度和寻优精度,再利用改进的布谷鸟算法对BP神经网络进行优化时,能够有效获得BP神经网络的最优权值和阈值,从而提高疾病预测的准确率。
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.基于医学影像算法和区块链的疾病预测系统,其特征在于,所述疾病预测系统包括疾病预测模型构建模块和疾病预测模块;
所述疾病预测模型构建模块包括区块链存储单元、数据处理单元和模型构建单元,所述区块链存储单元中存储有患者的疾病类型、该患者的历史诊疗数据和医学图像,所述数据处理单元从区块链存储单元中调取患者的历史诊疗数据和医学图像进行处理,并将处理后的历史诊疗数据和医学图像作为用于训练和测试疾病预测模型的输入值,将该患者的疾病类型作为用于训练和测试疾病预测模型的输出值,从而建立样本集,所述模型构建单元采用所述样本集对BP神经网络进行训练和测试,从而建立基于BP神经网络的疾病预测模型;
所述疾病预测模块获取待预测患者的诊疗数据和医学图像,并通过数据处理单元对获取的诊疗数据和医学图像进行处理,将处理后的诊疗数据和医学图像输入至构建的疾病预测模型中,从而获得待预测患者的预测疾病类型。
2.根据权利要求1所述的基于医学影像算法和区块链的疾病预测系统,其特征在于,所述数据处理单元包括诊疗数据处理部分和医学图像处理部分,所述诊疗数据处理部分用于对诊疗数据进行滤波处理,所述医学图像处理部分用于对医学图像进行滤波处理,并对滤波处理后的医学图像进行特征提取,将滤波处理后的诊疗数据和提取的医学图像的特征作为疾病预测模型的输入值。
3.根据权利要求2所述的基于医学影像算法和区块链的疾病预测系统,其特征在于,设I表示医学图像,所述医学图像处理部分用于对医学图像I进行滤波处理,设I(x,y)表示医学图像I中坐标(x,y)处的像素,Ω(x,y)表示以像素I(x,y)为中心的M×M的局部区域,其中,M为给定的正整数,设f′(x,y)表示对像素I(x,y)滤波处理后的灰度值,则f′(x,y)的值采用下列方式确定:
(1)对局部区域Ω(x,y)中的像素进行预处理,设F(x,y)表示像素I(x,y)经预处理后的灰度值,则F(x,y)的表达式为:
其中,I(m,n)表示局部区域Ω(x,y)中坐标(m,n)处的像素,f(m,n)表示像素I(m,n)的灰度值,σd表示空间域滤波控制因子,σr表示灰度域滤波控制因子;
(2)根据局部区域Ω(x,y)中预处理后的像素确定f′(x,y)的值:
式中,K(x,y)(m,n)表示在对像素I(x,y)进行滤波处理时像素I(m,n)的空间域滤波权值,且R(x,y)(m,n)表示在对像素I(x,y)进行滤波处理时像素I(m,n)的灰度域滤波权值,R(x,y)(m,n)的值为;
其中,r(x,y)(m,n)表示像素I(m,n)和像素I(x,y)之间的基础灰度差值系数,且 其中,F(m,n)表示像素I(m,n)经预处理后的灰度值,θ(x,y)(m,n)表示像素I(m,n)和像素I(x,y)之间的灰度补偿系数,设F′(m,n)表示像素I(m,n)的异常灰度值,且F′(m,n)=f(m,n)-F(m,n),则θ(x,y)(m,n)的值为:
其中,Ω′(x,y)表示以像素I(x,y)为中心的3×3的局部邻域,Ω′(m,n)表示以像素I(m,n)为中心的3×3的局部邻域,F′(x,y)表示像素I(x,y)的异常灰度值;
F″(m,n)=f(c,d)
式中,f(c,d)表示像素I(c,d)的灰度值。
4.根据权利要求1-3任一项所述的基于医学影像算法和区块链的疾病预测系统,其特征在于,模型构建单元采用样本集对BP神经网络进行训练和测试,引入布谷鸟搜索算法优化所述BP神经网络的权值和阈值,在所述布谷鸟搜索算法中,通过莱维飞行模式对鸟巢位置进行更新后,根据发现概率pa选取部分鸟巢位置进行随机更新,具体为:
在第(t+1)次莱维飞行更新后,在种群中选取鸟巢位置进行随机更新,具体包括:
(1)设B(t+1)表示在第(t+1)次莱维飞行更新后种群中鸟巢位置组成的集合,给定阈值d(t+1),对集合B(t+1)中的鸟巢位置进行子集合的划分:设b1(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的第1个子集合,选取集合B(t+1)中适应度函数值最小的鸟巢位置加入到子集合b1(t+1)中,并将集合B(t+1)中和该鸟巢位置之间的欧式距离小于等于阈值d(t+1)的鸟巢位置加入到子集合b1(t+1)中;设b2(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的第2个子集合,选取集合B(t+1)中适应度函数值最小的未划分的鸟巢位置加入到子集合b2(t+1)中,并将集合B(t+1)中和该鸟巢位置之间的欧式距离小于等于阈值d(t+1)的未划分的鸟巢位置加入到子集合b2(t+1)中;继续采用上述方法对集合B(t+1)中剩余的未划分的鸟巢位置进行划分,直到集合B(t+1)中的鸟巢位置都被划分完,则停止划分;
(2)对种群中的鸟巢位置进行检测,设Xi(t+1)表示种群中的第i个鸟巢在第(t+1)次莱维飞行更新后的位置,Xi(t)表示种群中第i个鸟巢在第t次莱维飞行更新后的位置,当鸟巢位置Xi(t+1)满足:Xi(t+1)=Xi(t)时,则将鸟巢位置Xi(t+1)标注为1;
(3)对各子集合中标注为1的鸟巢位置进行随机更新,设bj(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的第jj个子集合,将子集合bj(t+1)中标注为1的鸟巢位置按照适应度函数值由小到大进行排序组成序列设表示序列中的第l个鸟巢位置,则采用下列方式对鸟巢位置进行随机更新:
定义Qj(t+1)表示子集合bj(t+1)的局部检测系数,且Qj(t+1)的计算公式为:
其中,m(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合数,mj(t+1)表示子集合bj(t+1)中的鸟巢位置数,表示子集合bj(t+1)中标注为1的鸟巢位置数,uj(t+1)表示子集合bj(t+1)的空间检测系数,且 Xj,k(t+1)表示子集合bj(t+1)中的第k个鸟巢位置,Xj,g(t+1)表示子集合bj(t+1)中的第g个鸟巢位置,hj,k(t+1)表示鸟巢位置Xj,k(t+1)的适应度函数值,hj,g(t+1)表示鸟巢位置Xj,g(t+1)的适应度函数值,u′(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合的空间检测系数的中值,且 表示计算中值函数,表示子集合bj(t+1)的第一局部检测函数,目 表示子集合bj(t+1)的第二局部检测函数,且 表示子集合bj(t+1)的第三局部检测函数,且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110403738.2A CN113096806A (zh) | 2021-04-15 | 2021-04-15 | 基于医学影像算法和区块链的疾病预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110403738.2A CN113096806A (zh) | 2021-04-15 | 2021-04-15 | 基于医学影像算法和区块链的疾病预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113096806A true CN113096806A (zh) | 2021-07-09 |
Family
ID=76677716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110403738.2A Pending CN113096806A (zh) | 2021-04-15 | 2021-04-15 | 基于医学影像算法和区块链的疾病预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096806A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115036031A (zh) * | 2021-11-25 | 2022-09-09 | 南方医科大学深圳医院 | 基于大数据和核心算法的患者诊疗过程预警系统及方法 |
CN116884623A (zh) * | 2023-09-06 | 2023-10-13 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
CN116993679A (zh) * | 2023-06-30 | 2023-11-03 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
CN117094837A (zh) * | 2023-10-19 | 2023-11-21 | 太原理工大学 | 基于碳氢同位素及cs-bp神经网络模型的瓦斯抽采方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403416A (zh) * | 2017-07-26 | 2017-11-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
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 |
CN111292845A (zh) * | 2020-01-21 | 2020-06-16 | 梅里医疗科技(洋浦)有限责任公司 | 一种用于智慧病房的智能护理交互系统 |
CN111832583A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的健康管理方法、装置、介质及电子设备 |
CN111863232A (zh) * | 2020-08-06 | 2020-10-30 | 罗春华 | 基于区块链和医学影像的远程疾病智能诊断系统 |
CN111933274A (zh) * | 2020-07-15 | 2020-11-13 | 平安科技(深圳)有限公司 | 疾病分类诊断方法、装置、电子设备及存储介质 |
CN112397199A (zh) * | 2020-11-30 | 2021-02-23 | 广东德澳智慧医疗科技有限公司 | 一种基于5g和区块链的大数据疾病预测系统 |
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 |
-
2021
- 2021-04-15 CN CN202110403738.2A patent/CN113096806A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
CN107403416A (zh) * | 2017-07-26 | 2017-11-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN111832583A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的健康管理方法、装置、介质及电子设备 |
CN111292845A (zh) * | 2020-01-21 | 2020-06-16 | 梅里医疗科技(洋浦)有限责任公司 | 一种用于智慧病房的智能护理交互系统 |
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 |
CN111933274A (zh) * | 2020-07-15 | 2020-11-13 | 平安科技(深圳)有限公司 | 疾病分类诊断方法、装置、电子设备及存储介质 |
CN111863232A (zh) * | 2020-08-06 | 2020-10-30 | 罗春华 | 基于区块链和医学影像的远程疾病智能诊断系统 |
CN112397199A (zh) * | 2020-11-30 | 2021-02-23 | 广东德澳智慧医疗科技有限公司 | 一种基于5g和区块链的大数据疾病预测系统 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115036031A (zh) * | 2021-11-25 | 2022-09-09 | 南方医科大学深圳医院 | 基于大数据和核心算法的患者诊疗过程预警系统及方法 |
CN115036031B (zh) * | 2021-11-25 | 2022-12-23 | 中晗控股集团有限公司 | 基于大数据和核心算法的患者诊疗过程预警系统及方法 |
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 |
CN116993679A (zh) * | 2023-06-30 | 2023-11-03 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
CN116993679B (zh) * | 2023-06-30 | 2024-04-30 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
CN116884623A (zh) * | 2023-09-06 | 2023-10-13 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
CN116884623B (zh) * | 2023-09-06 | 2023-12-15 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
CN117094837A (zh) * | 2023-10-19 | 2023-11-21 | 太原理工大学 | 基于碳氢同位素及cs-bp神经网络模型的瓦斯抽采方法 |
CN117094837B (zh) * | 2023-10-19 | 2024-01-26 | 太原理工大学 | 基于碳氢同位素及cs-bp神经网络模型的瓦斯抽采方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113096806A (zh) | 基于医学影像算法和区块链的疾病预测系统 | |
US20210166383A1 (en) | Method and device for detecting and locating lesion in medical image, equipment and storage medium | |
Tang et al. | A multi-stage framework with context information fusion structure for skin lesion segmentation | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN110929775B (zh) | 一种用于视网膜病变分类的卷积神经网络权值优化方法 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN111986811A (zh) | 一种基于大数据的疾病预测系统 | |
CN112614163B (zh) | 一种融合贝叶斯轨迹推理的目标跟踪方法及系统 | |
CN113096793A (zh) | 基于医学影像、算法和区块链的远程医疗诊断系统 | |
CN113077891A (zh) | 基于算法、区块链和医学影像的大数据疾病诊断系统 | |
CN116543215A (zh) | 一种基于深度哈希互学习的脑网络分类方法 | |
CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
CN111445024A (zh) | 一种医学影像识别训练方法 | |
JP7307785B2 (ja) | 機器学習装置及び方法 | |
CN115861625A (zh) | 一种处理噪声标签的自标签修改方法 | |
CN113095328A (zh) | 一种基尼指数引导的基于自训练的语义分割方法 | |
CN114360641A (zh) | 一种基于变分贝叶斯的基因调控网络结构辨识方法 | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
CN117708771B (zh) | 一种基于itsobp的综合传动装置故障预测算法 | |
CN113628754B (zh) | 基于人工智能的脑血管病动态预测模型构建方法及系统 | |
Zhike et al. | High-Precision Detection and Classification of Covid-19 Cases Based on Optimized ResNet | |
CN117935998A (zh) | 甲状腺数据分类模型的建模方法、装置、存储介质及终端 | |
CN112183608A (zh) | 一种基于参考点非支配排序遗传算法的多目标特征选择方法及系统 | |
CN118711672A (zh) | 基于拓扑感知注意力网络的蛋白质功能预测方法及装置 |
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 |