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 PDF

Info

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
Application number
CN202110403738.2A
Other languages
English (en)
Inventor
王小娟
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.)
Individual
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 CN202110403738.2A priority Critical patent/CN113096806A/zh
Publication of CN113096806A publication Critical patent/CN113096806A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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

基于医学影像算法和区块链的疾病预测系统
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:
Figure BDA0003021392950000021
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:
Figure BDA0003021392950000022
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
Figure BDA0003021392950000023
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;
Figure BDA0003021392950000024
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
Figure BDA0003021392950000025
Figure BDA0003021392950000026
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:
Figure BDA0003021392950000031
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)表示像素I(m,n)的参考灰度值,设I(c,d)表示局部邻域Ω'(m,n)中坐标(c,d)处的像素,且
Figure BDA0003021392950000032
则F”(m,n)的值为:
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
Figure BDA0003021392950000033
Figure BDA0003021392950000034
表示序列
Figure BDA0003021392950000035
中的第l个鸟巢位置,则采用下列方式对鸟巢位置
Figure BDA0003021392950000041
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:
Figure BDA0003021392950000042
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,
Figure BDA0003021392950000043
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
Figure BDA0003021392950000044
Figure BDA0003021392950000045
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
Figure BDA0003021392950000046
Figure BDA0003021392950000047
表示计算中值函数,
Figure BDA0003021392950000048
表示子集合bj(t+1)的第一局部检测函数,且
Figure BDA0003021392950000049
Figure BDA00030213929500000410
表示子集合bj(t+1)的第二局部检测函数,且
Figure BDA00030213929500000411
Figure BDA00030213929500000412
表示子集合bj(t+1)的第三局部检测函数,且
Figure BDA00030213929500000413
定义
Figure BDA00030213929500000414
表示对鸟巢位置
Figure BDA00030213929500000415
进行随机更新的概率,且
Figure BDA00030213929500000416
的表达式为:
Figure BDA00030213929500000417
其中,
Figure BDA00030213929500000418
表示鸟巢位置
Figure BDA00030213929500000419
产生的0到1之间的随机数,
Figure BDA00030213929500000420
表示鸟巢位置
Figure BDA00030213929500000421
的属性值,且
Figure BDA00030213929500000422
Figure BDA00030213929500000423
表示鸟巢位置
Figure BDA00030213929500000424
对应的鸟巢在第τ次莱维飞行更新后的鸟巢位置,
Figure BDA00030213929500000425
表示鸟巢位置
Figure BDA0003021392950000051
和鸟巢位置
Figure BDA0003021392950000052
之间的判断函数,且
Figure BDA0003021392950000053
Figure BDA0003021392950000054
当鸟巢位置
Figure BDA0003021392950000055
满足:
Figure BDA0003021392950000056
时,则不对鸟巢位置
Figure BDA0003021392950000057
进行随机更新,当鸟巢位置
Figure BDA0003021392950000058
满足:
Figure BDA0003021392950000059
且Qj(t+1)=1时,则采用下列方式对鸟巢位置
Figure BDA00030213929500000510
进行随机更新,从而获得新的鸟巢位置
Figure BDA00030213929500000511
Figure BDA00030213929500000512
其中,rand表示产生0到1之间的随机数,
Figure BDA00030213929500000513
Figure BDA00030213929500000514
为随机从子集合bj(t+1)中选取的两个鸟巢位置,且
Figure BDA00030213929500000515
当鸟巢位置
Figure BDA00030213929500000516
满足:
Figure BDA00030213929500000517
且Qj(t+1)=0时,则采用下列方式对鸟巢位置
Figure BDA00030213929500000518
进行随机更新:
Figure BDA00030213929500000519
其中,
Figure BDA00030213929500000520
Figure BDA00030213929500000521
为随机从种群中选取的两个鸟巢位置,且
Figure BDA00030213929500000522
Figure BDA00030213929500000523
执行选择操作:只有当新的鸟巢位置
Figure BDA00030213929500000524
满足:
Figure BDA00030213929500000525
时,令鸟巢位置
Figure BDA00030213929500000526
代替鸟巢位置
Figure BDA00030213929500000527
否则,舍弃新的鸟巢位置
Figure BDA00030213929500000528
并且保留原鸟巢位置
Figure BDA00030213929500000529
其中,
Figure BDA00030213929500000530
表示鸟巢位置
Figure BDA00030213929500000531
的适应度函数值,
Figure BDA00030213929500000532
表示鸟巢位置
Figure BDA00030213929500000533
的适应度函数值。
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:
Figure BDA0003021392950000071
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:
Figure BDA0003021392950000072
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
Figure BDA0003021392950000073
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;
Figure BDA0003021392950000074
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
Figure BDA0003021392950000075
Figure BDA0003021392950000076
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:
Figure BDA0003021392950000081
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)表示像素I(m,n)的参考灰度值,设I(c,d)表示局部区域Ω'(m,n)中坐标(c,d)处的像素,且
Figure BDA0003021392950000082
则F”(m,n)的值为:
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:
Figure BDA0003021392950000091
Figure BDA0003021392950000092
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,
Figure BDA0003021392950000093
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:
Figure BDA0003021392950000094
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,
Figure BDA0003021392950000095
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:
Figure BDA0003021392950000096
其中,
Figure BDA0003021392950000097
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
Figure BDA0003021392950000101
Figure BDA0003021392950000102
表示序列
Figure BDA0003021392950000103
中的第l个鸟巢位置,则采用下列方式对鸟巢位置
Figure BDA0003021392950000104
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:
Figure BDA0003021392950000105
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,
Figure BDA0003021392950000106
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
Figure BDA0003021392950000107
Figure BDA0003021392950000108
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
Figure BDA0003021392950000109
Figure BDA00030213929500001010
表示计算中值函数,
Figure BDA00030213929500001011
表示子集合bj(t+1)的第一局部检测函数,且
Figure BDA00030213929500001012
Figure BDA00030213929500001013
表示子集合bj(t+1)的第二局部检测函数,且
Figure BDA0003021392950000111
Figure BDA0003021392950000112
表示子集合bj(t+1)的第三局部检测函数,且
Figure BDA0003021392950000113
定义
Figure BDA0003021392950000114
表示对鸟巢位置
Figure BDA0003021392950000115
进行随机更新的概率,且
Figure BDA0003021392950000116
的表达式为:
Figure BDA0003021392950000117
其中,
Figure BDA0003021392950000118
表示鸟巢位置
Figure BDA0003021392950000119
产生的0到1之间的随机数,
Figure BDA00030213929500001110
表示鸟巢位置
Figure BDA00030213929500001111
的属性值,且
Figure BDA00030213929500001112
Figure BDA00030213929500001113
表示鸟巢位置
Figure BDA00030213929500001114
对应的鸟巢在第τ次莱维飞行更新后的鸟巢位置,
Figure BDA00030213929500001115
表示鸟巢位置
Figure BDA00030213929500001116
和鸟巢位置
Figure BDA00030213929500001117
之间的判断函数,且
Figure BDA00030213929500001118
Figure BDA00030213929500001119
当鸟巢位置
Figure BDA00030213929500001120
满足:
Figure BDA00030213929500001121
时,则不对鸟巢位置
Figure BDA00030213929500001122
进行随机更新,当鸟巢位置
Figure BDA00030213929500001123
满足:
Figure BDA00030213929500001124
且Qj(t+1)=1时,则采用下列方式对鸟巢位置
Figure BDA00030213929500001125
进行随机更新,获得新的鸟巢位置
Figure BDA00030213929500001126
Figure BDA00030213929500001127
其中,rand表示0到1之间的随机数,
Figure BDA00030213929500001128
Figure BDA00030213929500001129
为随机从子集合bj(t+1)中选取的两个鸟巢位置,且
Figure BDA00030213929500001130
当鸟巢位置
Figure BDA00030213929500001131
满足:
Figure BDA00030213929500001132
且Qj(t+1)=0时,则采用下列方式对鸟巢位置
Figure BDA00030213929500001133
进行随机更新:
Figure BDA00030213929500001134
其中,
Figure BDA00030213929500001135
Figure BDA00030213929500001136
为随机从种群中选取的两个鸟巢位置,且
Figure BDA00030213929500001137
Figure BDA00030213929500001138
(3)执行选择操作:只有当新的鸟巢位置
Figure BDA0003021392950000121
满足:
Figure BDA0003021392950000122
时,令鸟巢位置
Figure BDA0003021392950000123
代替鸟巢位置
Figure BDA0003021392950000124
否则,舍弃新的鸟巢位置
Figure BDA0003021392950000125
并且保留原鸟巢位置
Figure BDA0003021392950000126
其中,
Figure BDA0003021392950000127
表示鸟巢位置
Figure BDA0003021392950000128
的适应度函数值,
Figure BDA0003021392950000129
表示鸟巢位置
Figure BDA00030213929500001210
的适应度函数值。
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:
Figure FDA0003021392940000011
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:
Figure FDA0003021392940000021
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
Figure FDA0003021392940000022
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;
Figure FDA0003021392940000023
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
Figure FDA0003021392940000024
Figure FDA0003021392940000025
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:
Figure FDA0003021392940000026
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)表示像素I(m,n)的参考灰度值,设I(c,d)表示局部邻域Ω′(m,n)中坐标(c,d)处的像素,且
Figure FDA0003021392940000027
则F″(m,n)的值为:
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
Figure FDA0003021392940000031
Figure FDA0003021392940000032
表示序列
Figure FDA0003021392940000033
中的第l个鸟巢位置,则采用下列方式对鸟巢位置
Figure FDA0003021392940000034
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:
Figure FDA0003021392940000035
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,
Figure FDA0003021392940000036
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
Figure FDA0003021392940000037
Figure FDA0003021392940000038
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
Figure FDA0003021392940000039
Figure FDA00030213929400000310
表示计算中值函数,
Figure FDA00030213929400000311
表示子集合bj(t+1)的第一局部检测函数,目
Figure FDA00030213929400000312
Figure FDA00030213929400000313
表示子集合bj(t+1)的第二局部检测函数,且
Figure FDA0003021392940000041
Figure FDA0003021392940000042
表示子集合bj(t+1)的第三局部检测函数,且
Figure FDA0003021392940000043
定义
Figure FDA0003021392940000044
表示对鸟巢位置
Figure FDA0003021392940000045
进行随机更新的概率,且
Figure FDA0003021392940000046
的表达式为:
Figure FDA0003021392940000047
其中,
Figure FDA0003021392940000048
表示鸟巢位置
Figure FDA0003021392940000049
产生的0到1之间的随机数,
Figure FDA00030213929400000410
表示鸟巢位置
Figure FDA00030213929400000411
的属性值,且
Figure FDA00030213929400000412
Figure FDA00030213929400000413
表示鸟巢位置
Figure FDA00030213929400000414
对应的鸟巢在第τ次莱维飞行更新后的鸟巢位置,
Figure FDA00030213929400000415
表示鸟巢位置
Figure FDA00030213929400000416
和鸟巢位置
Figure FDA00030213929400000417
之间的判断函数,且
Figure FDA00030213929400000418
Figure FDA00030213929400000419
当鸟巢位置
Figure FDA00030213929400000420
满足:
Figure FDA00030213929400000421
时,则不对鸟巢位置
Figure FDA00030213929400000422
进行随机更新,当鸟巢位置
Figure FDA00030213929400000423
满足:
Figure FDA00030213929400000424
且Qj(t+1)=1时,则采用下列方式对鸟巢位置
Figure FDA00030213929400000425
进行随机更新,从而获得新的鸟巢位置
Figure FDA00030213929400000426
Figure FDA00030213929400000427
其中,rand表示产生0到1之间的随机数,
Figure FDA00030213929400000428
Figure FDA00030213929400000429
为随机从子集合bj(t+1)中选取的两个鸟巢位置,且
Figure FDA00030213929400000430
当鸟巢位置
Figure FDA00030213929400000431
满足:
Figure FDA00030213929400000432
且Qj(t+1)=0时,则采用下列方式对鸟巢位置
Figure FDA00030213929400000433
进行随机更新:
Figure FDA00030213929400000434
其中,
Figure FDA00030213929400000435
Figure FDA00030213929400000436
为随机从种群中选取的两个鸟巢位置,且
Figure FDA00030213929400000437
Figure FDA00030213929400000438
执行选择操作:只有当新的鸟巢位置
Figure FDA0003021392940000051
满足:
Figure FDA0003021392940000052
时,令鸟巢位置
Figure FDA0003021392940000053
代替鸟巢位置
Figure FDA0003021392940000054
否则,舍弃新的鸟巢位置
Figure FDA0003021392940000055
并且保留原鸟巢位置
Figure FDA0003021392940000056
其中,
Figure FDA0003021392940000057
表示鸟巢位置
Figure FDA0003021392940000058
的适应度函数值,
Figure FDA0003021392940000059
表示鸟巢位置
Figure FDA00030213929400000510
的适应度函数值。
CN202110403738.2A 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 Pending CN113096806A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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