CN113256596A - 一种基于神经网络模型的医院影像检查方法及终端 - Google Patents
一种基于神经网络模型的医院影像检查方法及终端 Download PDFInfo
- Publication number
- CN113256596A CN113256596A CN202110635299.8A CN202110635299A CN113256596A CN 113256596 A CN113256596 A CN 113256596A CN 202110635299 A CN202110635299 A CN 202110635299A CN 113256596 A CN113256596 A CN 113256596A
- Authority
- CN
- China
- Prior art keywords
- examination
- patient
- organ
- neural network
- patient data
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000000056 organ Anatomy 0.000 claims abstract description 88
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 23
- 238000012552 review Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007639 printing Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 210000002216 heart Anatomy 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009533 lab test Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000005813 organ abnormality Effects 0.000 description 2
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000005311 drug allergy Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于神经网络模型的医院影像检查方法及终端,先检测端接收不同的患者资料,患者资料包括检查器官和对应的CT影像资料;然后,通过器官异常特征识别模型对CT影像资料进行特征识别,并将每个患者资料及其进行特征识别的识别结果按照检查器官的类别进行分类,器官异常特征识别模型为已经训练完成的深度神经网络模型;最后,将同一类别的患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个患者资料中生成检查报告。本发明利用已经训练完成的器官异常特征识别模型对CT影像资料进行异常特征的提取并按照器官类别进行分类,以辅助放射科医生对检查同一类器官的患者的CT影像资料进行处理,提高影像检查的效率和准确率。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种基于神经网络模型的医院影像检查方法及终端。
背景技术
随着我国经济的高速发展,科技水平也随之显著提高;近年来,人工智能开始进入医学影像应用。在我国死亡原因中,癌症的死亡率占比很大,癌症的早期发现和治疗能极大提高患者的生活质量和存活率,对癌症的早期筛查极其重要。按目前现状,一家三甲医院平均每天接待200例左右的肺结节筛查患者,每位患者在检查环节会产生200—300张的CT影像,放射科医生每天至少需要阅读4万张影像。由于癌症早期的结节在图像上用肉眼观察往往很容易被遗漏,影像医生平时需要在人工检测结节上花费大量的时间,致使临床工作非常繁重。加之每天需要审核的影像量也巨大。
由于放射科医生数量不足,阅片工作量巨大,越来越多的医学影像检查需要排大队,甚至提前很长时间预约,使得影像检查的效率和准确率都有所降低。
发明内容
本发明所要解决的技术问题是:提供一种基于神经网络模型的医院影像检查方法及终端,能够提高影像检查的效率和准确率。
为了解决上述问题,本发明采用的技术方案为:
一种基于神经网络模型的医院影像检查方法,包括如下步骤:
S1、检测端接收不同的患者资料,所述患者资料包括检查器官和对应的CT影像资料;
S2、所述检测端通过器官异常特征识别模型对CT影像资料进行特征识别,并将每个所述患者资料及其进行所述特征识别的识别结果按照所述检查器官的类别进行分类,所述器官异常特征识别模型为已经训练完成的深度神经网络模型;
S3、所述检测端将同一类别的所述患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个所述患者资料中生成检查报告。
为了解决上述问题,本发明采用的另一技术方案为:
一种基于神经网络模型的医院影像检查终端,包括检测端,所述检测端包括第一存储器、第一处理器及存储在第一存储器上并可在所述第一处理器上运行的第一计算机程序,所述第一处理器执行所述第一计算机程序时实现以下步骤:
S1、接收不同的患者资料,所述患者资料包括检查器官和对应的CT影像资料;
S2、根据器官异常特征识别模型对CT影像资料进行特征识别,并将所有的患者资料及其进行所述特征识别的识别结果按照所述检查器官的类别进行分类,所述器官异常特征识别模型为已经训练完成的深度神经网络模型;
S3、将同一类别的所有患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个患者资料中生成检查报告。
综上所述,本发明的有益效果在于:提供一种基于神经网络模型的医院影像检查方法及终端,利用已经训练完成的器官异常特征识别模型对CT影像资料进行异常特征的提取并按照器官类别进行分类,以辅助放射科医生对检查同一类器官的患者的CT影像资料进行快速地阅读处理,生成检查报告,使得放射科医生在一段时间内只需要对同一种类别的器官进行人工检查,减轻放射科医生的工作压力,提高影像检查的效率和准确率。
附图说明
图1为本发明实施例的一种基于神经网络模型的医院影像检查方法的步骤示意图;
图2为本发明实施例的一种基于神经网络模型的医院影像检查终端的系统框图。
标号说明:
1、一种基于神经网络模型的医院影像检查终端;2、检测端;3、第一存储器;4、第一处理器;5、登记端;6、第二存储器;7、第二处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,一种基于神经网络模型的医院影像检查方法,包括如下步骤:
S1、检测端2接收不同的患者资料,所述患者资料包括检查器官和对应的CT影像资料;
S2、所述检测端2通过器官异常特征识别模型对CT影像资料进行特征识别,并将每个所述患者资料及其进行所述特征识别的识别结果按照所述检查器官的类别进行分类,所述器官异常特征识别模型为已经训练完成的深度神经网络模型;
S3、所述检测端2将同一类别的所述患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个所述患者资料中生成检查报告。
从上述描述可知,本发明的有益效果在于:提供一种基于神经网络模型的医院影像检查方法,利用已经训练完成的器官异常特征识别模型对CT影像资料进行异常特征的提取并按照器官类别进行分类,以辅助放射科医生对检查同一类器官的患者的CT影像资料进行快速地阅读处理,生成检查报告,使得放射科医生在一段时间内只需要对同一种类别的器官进行人工检查,减轻放射科医生的工作压力,提高影像检查的效率和准确率。
进一步地,所述步骤S1之前还包括:
S0、登记端5根据患者信息以及主治医生的CT检查建议生成所述患者资料,并在所述患者资料中添加取片号码;
所述步骤S3之后还包括:
S4、所述检测端2等待并接收所述放射科医生端在检查完后发来的所述患者资料;
S5、所述检测端2将所述患者资料发送至自助打印端,并以短信的方式将所述取片号码发送至对应的患者手机上;
S6、所述自助打印端检测是否有所述取片号码输入,若是,则将带有所述取片号码的所述患者资料进行打印输出,否则显示输入错误。
从上述描述可知,登记端5在对患者进行拍片登记时,除了生成患者资料外,还对应生成了一个取片号码,以用于在拍片检查完成后作为患者取片的一个凭证,并不在患者登记完成后就立即发送给患者取片号码,能够避免患者在等待检查完成的过程中被他人获取到自己的取片号码而导致个人的CT影像资料泄漏;也不使用手机号、条形码等易于被他人获取的信息作为取片凭证,从而提高对患者的CT影像资料的信息安全性。
进一步地,所述步骤S0还包括:
所述登记端5按照所述检查器官的类别生成多组排号序列;
所述登记端5对所述检查器官为一类且已经进行登记的患者使用同一组所述排号序列进行排号;
所述登记端5依次轮流对位于不同组的患者进行叫号拍片且每次只叫一个号码。
从上述描述可知,登记端5按照患者的检查器官的类别来对排队拍片的人们进行分组排队,并轮流对不同组的第一个号码进行叫号,即每次被叫号拍片的患者的检查器官类别都与前一个患者不同,使得每段时间内都根据分组情况产生了不同类别的检查器官所对应的CT影像资料,使得被分别指定检查不同类别的放射科医生们能够及时地得到新的CT影像资料,使得整体上加快了放射科的工作效率。
进一步地,所述步骤S1之前还包括:
所述检测端2建立器官异常特征识别模型;
所述检测端2采集云端数据库上来自不同基层医疗机构存储的所有CT影像资料,以作为训练样本;
所述检测端2根据所述训练样本和深度神经网络技术对所述器官异常特征识别模型进行识别训练。
从上述描述可知,器官异常特征识别模型是以来自不同基层医疗机构存储的所有CT影像资料作为训练样本进行训练,能够使得器官异常特征识别模型进行特征识别的准确度和识别范围都大大提高,以此提升系统对病灶的识别度。
进一步地,所述步骤S0还包括:
所述检测端2与多个客户端建立通信联系;
所述检测端2实时接收并判断来自所述客户端的CT影像资料是否与所述训练样本中的CT影像资料不同,若是,则将来自所述客户端的CT影像资料加入所述训练样本,再次对所述器官异常特征识别模型进行识别训练,否则删除来自所述客户端的CT影像资料。
从上述描述可知,除了采用基层医疗机构的CT影像资料外,检测端2还在线实时地采集客户端的CT影像资料。客户端的CT影像资料若是新的CT影像资料,则将其加入到训练样本中,使得器官异常特征识别模型能够在线训练,实实时更新,缩短其训练时间,有效地提高准确度。
进一步地,所述步骤S4之后以及所述步骤S5之前还包括:
所述检测端2判断是否接收到来自所述放射科医生端的复查请求,若是,则通知专家组对所述复查请求所指的所述患者资料进行复查,所述检测端2等待并接收所述专家组的复查意见,并将所述复查意见加入所述检查报告中,否则执行所述步骤S5。
从上述描述可知,放射科医生若是对当前在检查的CT影像资料有不确定的地方或者具有被认为是有争议的内容,则可以提出复查请求。检测端2通知专家组对当前在检查的CT影像资料进行复查,使得诊疗过程更加严谨,防止出现一些误诊的问题。
进一步地,所述步骤S4之后还包括:
所述检测端2将所述患者资料中的CT影像资料和所述检查报告合成为就诊记录;
所述检测端2在所述云端数据库上检索是否有所述患者资料所对应的患者的医疗数据库,若是,则将所述就诊记录更新至所述医疗数据库中,否则为所述患者资料所对应的患者建立新的医疗数据库,并将所述就诊记录更新至新的医疗数据库中。
从上述描述可知,检测端2将患者的就诊记录进行上传至云端数据库中,能够使得这些信息通过互联网在全球任何地方被查询或更新,便于在今后患者就医时,医院方面能够了解其过往的一些就诊记录等信息,从而辅助医生等对患者进行医疗。
进一步地,所述云端数据库还包括医疗服务单位信息和药品和医疗器械生产企业信息,所述医疗数据库包括患者的个人身份信息以及包括所述就诊记录在内的健康档案信息。
从上述描述可知,云端数据库上包含了医疗服务单位、患者的健康档案等诸多信息,在大数据的支持下,能够方便于多医疗服务单位协同作业,便于全面了解患者的健康信息,从而提供更加优质的健康医疗服务。
请参照图2,一种基于神经网络模型的医院影像检查终端1,其特征在于,包括检测端2,所述检测端2包括第一存储器3、第一处理器4及存储在第一存储器3上并可在所述第一处理器4上运行的第一计算机程序,所述第一处理器4执行所述第一计算机程序时实现以下步骤:
S1、接收不同的患者资料,所述患者资料包括检查器官和对应的CT影像资料;
S2、根据器官异常特征识别模型对CT影像资料进行特征识别,并将所有的患者资料及其进行所述特征识别的识别结果按照所述检查器官的类别进行分类,所述器官异常特征识别模型为已经训练完成的深度神经网络模型;
S3、将同一类别的所有患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个患者资料中生成检查报告。
从上述描述可知,本发明的有益效果在于:提供一种基于神经网络模型的医院影像检查终端,利用已经训练完成的器官异常特征识别模型对CT影像资料进行异常特征的提取并按照器官类别进行分类,以辅助放射科医生对检查同一类器官的患者的CT影像资料进行快速地阅读处理,生成检查报告,使得放射科医生在一段时间内只需要对同一种类别的器官进行人工检查,减轻放射科医生的工作压力,提高影像检查的效率和准确率。
进一步地,包括登记端5,所述登记端5包括第二存储器6、第二处理器7及存储在第二存储器6上并可在所述第二处理器7上运行的第一计算机程序,所述第二处理器7执行所述第一计算机程序时实现以下步骤:
按照所述检查器官的类别生成多组排号序列;
对所述检查器官为同一类且已经进行登记的患者使用同一组所述排号序列进行排号;
轮流对位于不同组的患者进行叫号拍片。
从上述描述可知,登记端5按照患者的检查器官的类别来对排队拍片的人们进行分组排队,并轮流对不同组的第一个号码进行叫号,即每次被叫号拍片的患者的检查器官类别都与前一个患者不同,使得每段时间内都根据分组情况产生了不同类别的检查器官所对应的CT影像资料,使得被分别指定检查不同类别的放射科医生们能够及时地得到新的CT影像资料,使得整体上加快了放射科的工作效率。
请参照图1,本发明的实施例一为:
一种基于神经网络模型的医院影像检查方法,如图1所示,包括如下步骤:
S0、登记端5根据患者信息以及主治医生的CT检查建议生成患者资料,并在患者资料中添加取片号码。
在本实施例中,登记端5在对患者进行拍片登记时,按照检查器官的类别生成多组排号序列,并对检查器官为一类且已经进行登记的患者使用同一组排号序列进行排号,例如,以心脏为一组,则有心脏1、心脏2、心脏3......。然后,在叫号拍片时,登记端5依次轮流对位于不同组的患者进行叫号拍片且每次只叫一个号码,例如,以心脏、肺和肝脏为三组,则叫号顺序可为心脏1、肺1、肝脏1、心脏2.....。这是为了与后续指定放射科医生端检查同一类别的检查器官相配合,保证有较高的检查效率。同时,若是某一类别的器官当前无人排队检查,则检查给类别器官的放射科医生端可暂时灵活调整去检查其他类别的器官,以提高整个检查流程的灵活性,进一步地加快检查效率。
S1、检测端2接收不同的患者资料,患者资料包括检查器官和对应的CT影像资料。
S2、检测端2通过器官异常特征识别模型对CT影像资料进行特征识别,并将每个患者资料及其进行特征识别的识别结果按照检查器官的类别进行分类,器官异常特征识别模型为已经训练完成的深度神经网络模型。
S3、检测端2将同一类别的患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个患者资料中生成检查报告。
在本实施例中,利用已经训练完成的器官异常特征识别模型来对CT影像资料进行特征识别,辅助放射科医生端对CT影像资料进行快速地辨别和检查。并且,由于检查的器官均为同一类,放射科医生端对CT影像资料以及器官异常特征识别模型的识别结果的解毒也来得更加快速,提高了对CT影像资料的检查效率。
S4、检测端2等待并接收放射科医生端在检查完后发来的患者资料。
在本实施例中,在将患者资料发送至自助打印端之前,检测端2还要判断是否接收到来自放射科医生端的复查请求,若是,则通知专家组对复查请求所指的患者资料进行复查,检测端2等待并接收专家组的复查意见,并将复查意见加入检查报告中。放射科医生端在对一些CT影像资料进行检查的过程中出现一些无法确认的内容可通过复查请求来让专家组帮忙复查和给出复查意见,使得整个诊疗过程更加严谨,保证为患者提供准确有效的CT检查。
S5、检测端2将患者资料发送至自助打印端,并以短信的方式将取片号码发送至对应的患者手机上;
S6、自助打印端检测是否有取片号码输入,若是,则将带有取片号码的患者资料进行打印输出,否则显示输入错误。
在本实施例中,取片号码作为患者在自助打印段进行取片的一个凭证,并不会在患者在登记端5完成登记时就发放给患者,而是在检查完成后再发送给患者,已通知其取片。这是为了避免取片号码在患者等待检查结果的过程中被他人提前获取,并在检查完成后先患者一步去取片,导致患者个人的CT影像资料泄漏。并且,登记端5并不是使用患者手机号、条形验证码等容易被他人获取到的信息作为取片凭证,能够提高患者的CT影像资料的保护力度。
请参照图1,本发明的实施例二为:
一种基于神经网络模型的医院影像检查方法,在上述实施例一的基础上,如图1所示,步骤S1之前还包括器官异常特征识别模型的训练过程:
检测端2先建立器官异常特征识别模型;然后,采集云端数据库上来自不同基层医疗机构存储的所有CT影像资料,以作为训练样本;最后,根据训练样本和深度神经网络技术对器官异常特征识别模型进行识别训练。
在本实施例中,以庞大的基层医疗机构存储的CT影像资料为数据基础对器官异常特征识别模型进行训练,提高识别的准确度和范围。并且,除了基层医疗机构存储之外,检测端2还和多个客户端建立通信联系,并实时接收并判断来自客户端的CT影像资料是否与训练样本中的CT影像资料不同,若是,则将来自客户端的CT影像资料加入训练样本,再次对器官异常特征识别模型进行识别训练,否则删除来自客户端的CT影像资料。检测端2对训练样本进行实时地更新以及对器官异常特征识别模型进行在线训练,及时更新。
请参照图1,本发明的实施例三为:
一种基于神经网络模型的医院影像检查方法,在上述实施例一或二的基础上,如图1所示,步骤S4之后还包括如下内容:
检测端2将患者资料中的CT影像资料和检查报告合成为就诊记录;在云端数据库上检索是否有患者资料所对应的患者的医疗数据库,若是,则将就诊记录更新至医疗数据库中,否则为患者资料所对应的患者建立新的医疗数据库,并将就诊记录更新至新的医疗数据库中。
在本实施例中,云端数据库能够为各方面的医疗工作提供大数据支持。每个患者的医疗数据库包含了个人身份信息、身份证号码、出生年月、性别、个人联系电话、血型、药物过敏信息、既往病史、生活住址、职业、工作单位等诸多的个人信息以及患者的健康档案信息。健康档案信息包括了患者的接种免疫记录、体检记录、门诊记录、住院医疗记录等其它医疗保健记录。并且,健康档案信息还可以具体记录患者在接受医疗服务时的服务时间、提供服务的医疗单位、主要服务人员、使用的药品详细记录、化验时使用的化验仪器、化验时使用的辅助药剂、服务收费、客户接受医疗服务时的年龄、生活环境、职业、工作单位等信息,做到对患者个人信息和健康信息的全面存储,有利于后期更精准的分析客户健康状态,为客户提供了全方位的健康管理服务;
并且,云端数据库还包括医疗服务单位信息和药品和医疗器械生产企业信息。其中,医疗服务单位信息涵盖了单位的基本信息、和单位在岗医师的信息、单位信息如名称、地址、联系方式、国家管理部门授权的医疗服务证明、服务项目、项目的价格、单位介绍以及在岗医师信息包括医师在数据库中的身份识别信息、姓名、身份证号码、年龄、学历、职业资格证、职称、工作单位等信息。本实施例中将诸多医疗信息存储在云端数据库上,借助互联网实现全球共享,能够加快医疗工作的实施速度,提升医疗的服务质量。
请参照图2,本发明的实施四为:
一种基于神经网络模型的医院影像检查终端1,在上述实施例三的基础上,如图2所示,包括检测端2和登记端5,检测端2包括第一存储器3、第一处理器4及存储在第一存储器3上并可在第一处理器4上运行的第一计算机程序,登记端5包括第二存储器6、第二处理器7及存储在第二存储器6上并可在第二处理器7上运行的第二计算机程序,第一处理器4执行第一计算机程序时实现上述实施例三中的步骤S1至步骤S5,第二处理器7执行第二计算机程序时实现步骤S0。
综上所述,本发明公开了提供一种基于神经网络模型的医院影像检查方法及终端,利用已经训练完成的器官异常特征识别模型对CT影像资料进行异常特征的提取并按照器官类别进行分类,以辅助放射科医生对检查同一类器官的患者的CT影像资料进行快速地阅读处理,生成检查报告,再使用按照检查器官的类别对患者们进行分组排号拍片的方式配合放射科医生的检查工作,使得放射科医生在一段时间内只需要对同一种类别的器官进行人工检查,减轻放射科医生的工作压力,增加专家组的复查流程,提高影像检查的效率和准确率,使用特定的取片号码作为取片凭证,保障患者的CT影像资料不易泄露出去,再将患者的就诊记录实时更新到云端数据库中,为患者建立在大数据支持下的优质医疗健康服务体系。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围。
Claims (10)
1.一种基于神经网络模型的医院影像检查方法,其特征在于,包括如下步骤:
S1、检测端接收不同的患者资料,所述患者资料包括检查器官和对应的CT影像资料;
S2、所述检测端通过器官异常特征识别模型对CT影像资料进行特征识别,并将每个所述患者资料及其进行所述特征识别的识别结果按照所述检查器官的类别进行分类,所述器官异常特征识别模型为已经训练完成的深度神经网络模型;
S3、所述检测端将同一类别的所述患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个所述患者资料中生成检查报告。
2.根据权利要求1所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述步骤S1之前还包括:
S0、登记端根据患者信息以及主治医生的CT检查建议生成所述患者资料,并在所述患者资料中添加取片号码;
所述步骤S3之后还包括:
S4、所述检测端等待并接收所述放射科医生端在检查完后发来的所述患者资料;
S5、所述检测端将所述患者资料发送至自助打印端,并以短信的方式将所述取片号码发送至对应的患者手机上;
S6、所述自助打印端检测是否有所述取片号码输入,若是,则将带有所述取片号码的所述患者资料进行打印输出,否则显示输入错误。
3.根据权利要求2所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述步骤S0还包括:
所述登记端按照所述检查器官的类别生成多组排号序列;
所述登记端对所述检查器官为一类且已经进行登记的患者使用同一组所述排号序列进行排号;
所述登记端依次轮流对位于不同组的患者进行叫号拍片且每次只叫一个号码。
4.根据权利要求1所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述步骤S1之前还包括:
所述检测端建立器官异常特征识别模型;
所述检测端采集云端数据库上来自不同基层医疗机构存储的所有CT影像资料,以作为训练样本;
所述检测端根据所述训练样本和深度神经网络技术对所述器官异常特征识别模型进行识别训练。
5.根据权利要求1所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述步骤S0还包括:
所述检测端与多个客户端建立通信联系;
所述检测端实时接收并判断来自所述客户端的CT影像资料是否与所述训练样本中的CT影像资料不同,若是,则将来自所述客户端的CT影像资料加入所述训练样本,再次对所述器官异常特征识别模型进行识别训练,否则删除来自所述客户端的CT影像资料。
6.根据权利要求2所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述步骤S4之后以及所述步骤S5之前还包括
所述检测端判断是否接收到来自所述放射科医生端的复查请求,若是,则通知专家组对所述复查请求所指的所述患者资料进行复查,所述检测端等待并接收所述专家组的复查意见,并将所述复查意见加入所述检查报告中,否则执行所述步骤S5。
7.根据权利要求2所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述步骤S4之后还包括:
所述检测端将所述患者资料中的CT影像资料和所述检查报告合成为就诊记录;
所述检测端在所述云端数据库上检索是否有所述患者资料所对应的患者的医疗数据库,若是,则将所述就诊记录更新至所述医疗数据库中,否则为所述患者资料所对应的患者建立新的医疗数据库,并将所述就诊记录更新至新的医疗数据库中。
8.根据权利要求7所述的一种基于神经网络模型的医院影像检查方法,其特征在于,所述云端数据库还包括医疗服务单位信息和药品和医疗器械生产企业信息,所述医疗数据库包括患者的个人身份信息以及包括所述就诊记录在内的健康档案信息。
9.一种基于神经网络模型的医院影像检查终端,其特征在于,包括检测端,所述检测端包括第一存储器、第一处理器及存储在第一存储器上并可在所述第一处理器上运行的第一计算机程序,所述第一处理器执行所述第一计算机程序时实现以下步骤:
S1、接收不同的患者资料,所述患者资料包括检查器官和对应的CT影像资料;
S2、根据器官异常特征识别模型对CT影像资料进行特征识别,并将所有的患者资料及其进行所述特征识别的识别结果按照所述检查器官的类别进行分类,所述器官异常特征识别模型为已经训练完成的深度神经网络模型;
S3、将同一类别的所有患者资料及其对应的识别结果发送给指定的放射科医生端检查,以在每个患者资料中生成检查报告。
10.根据权利要求9所述的一种基于神经网络模型的医院影像检查终端,其特征在于,包括登记端,所述登记端包括第二存储器、第二处理器及存储在第二存储器上并可在所述第二处理器上运行的第二计算机程序,所述第二处理器执行所述第二计算机程序时实现以下步骤:
按照所述检查器官的类别生成多组排号序列;
对所述检查器官为同一类且已经进行登记的患者使用同一组所述排号序列进行排号;
轮流对位于不同组的患者进行叫号拍片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635299.8A CN113256596A (zh) | 2021-06-08 | 2021-06-08 | 一种基于神经网络模型的医院影像检查方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635299.8A CN113256596A (zh) | 2021-06-08 | 2021-06-08 | 一种基于神经网络模型的医院影像检查方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256596A true CN113256596A (zh) | 2021-08-13 |
Family
ID=77186980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635299.8A Pending CN113256596A (zh) | 2021-06-08 | 2021-06-08 | 一种基于神经网络模型的医院影像检查方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256596A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110077969A1 (en) * | 2009-09-29 | 2011-03-31 | Shanghai Pudong New Area People's Hospital | Self-service medical service method and its system |
CN103377430A (zh) * | 2012-04-13 | 2013-10-30 | 南京杰诺瀚软件科技有限公司 | 一种基于智能手机自助服务和身份认证的电子商务方法 |
CN105303495A (zh) * | 2015-11-10 | 2016-02-03 | 成都卡恩特医疗科技有限公司 | 一种基于二维码和云服务的医疗信息管理系统及方法 |
CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
CN208156787U (zh) * | 2018-05-07 | 2018-11-27 | 江苏省中医院 | 一种多介质医疗病理报告自助打印服务终端 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及系统 |
CN109559790A (zh) * | 2018-12-05 | 2019-04-02 | 易必祥 | 一种健康医疗管理方法及系统 |
-
2021
- 2021-06-08 CN CN202110635299.8A patent/CN113256596A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110077969A1 (en) * | 2009-09-29 | 2011-03-31 | Shanghai Pudong New Area People's Hospital | Self-service medical service method and its system |
CN103377430A (zh) * | 2012-04-13 | 2013-10-30 | 南京杰诺瀚软件科技有限公司 | 一种基于智能手机自助服务和身份认证的电子商务方法 |
CN105303495A (zh) * | 2015-11-10 | 2016-02-03 | 成都卡恩特医疗科技有限公司 | 一种基于二维码和云服务的医疗信息管理系统及方法 |
CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
CN208156787U (zh) * | 2018-05-07 | 2018-11-27 | 江苏省中医院 | 一种多介质医疗病理报告自助打印服务终端 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及系统 |
CN109559790A (zh) * | 2018-12-05 | 2019-04-02 | 易必祥 | 一种健康医疗管理方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘莹 等: "无声语言与医患沟通", 辽宁科学技术出版社, pages: 219 - 292 * |
王小丽 等: "利用信息化技术进行门诊流程再造的实践", 医院管理论坛, vol. 34, no. 10, pages 22 - 24 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10198816B2 (en) | Medical evaluation machine learning workflows and processes | |
CN109544550B (zh) | 基于ct影像智能检测和识别方法及系统 | |
CN109478418A (zh) | 用于使健康数据匿名化并且跨地理区域传输健康数据进行分析的系统和方法 | |
US20110188718A1 (en) | Image data management systems | |
JP2014505950A (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
US11875897B2 (en) | Medical image processing apparatus, method, and program, and diagnosis support apparatus, method, and program | |
US10977796B2 (en) | Platform for evaluating medical information and method for using the same | |
JP7080304B2 (ja) | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル | |
US20120215561A1 (en) | Online integrating system for anamnesis | |
US20220020457A1 (en) | Medical data evaluation utilization system and medical data evaluation utilization method | |
JP2019008349A (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
CN110570916A (zh) | 就诊辅助方法、系统、装置及存储介质 | |
JP2018175864A (ja) | 自動レイアウト装置および自動レイアウト方法並びに自動レイアウトプログラム | |
JP2014067344A (ja) | グラフ作成装置およびグラフ作成方法並びにグラフ作成プログラム | |
Baskaran et al. | Predicting breast screening attendance using machine learning techniques | |
Bharathi et al. | A deep learning system for quantitative assessment of microvascular abnormalities in nailfold capillary images | |
CN107862172A (zh) | 一种全科临床资料展示及会诊平台 | |
Duncan | COVID-19 data sharing and collaboration | |
CN113424267A (zh) | 用于使用分散式计算平台按优先级来分析跨地理区域的健康数据的系统架构和方法 | |
CN113256596A (zh) | 一种基于神经网络模型的医院影像检查方法及终端 | |
Pandiaraja et al. | A Scrutiny on COVID-19 Detection using Convolutional Neural Network and Image Processing | |
JP2019050017A (ja) | 研究情報管理システム | |
Liu et al. | A new data visualization and digitization method for building electronic health record | |
Tsai et al. | Tuberculosis Detection Based on Multiple Model Ensemble in Chest X-ray Image | |
Gómez et al. | Preliminary Text Analysis from Medical Records for TB Diagnosis Support |
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 |