CN114758755B - 基于大数据分析的医疗数据协同管理平台 - Google Patents
基于大数据分析的医疗数据协同管理平台 Download PDFInfo
- Publication number
- CN114758755B CN114758755B CN202210663608.7A CN202210663608A CN114758755B CN 114758755 B CN114758755 B CN 114758755B CN 202210663608 A CN202210663608 A CN 202210663608A CN 114758755 B CN114758755 B CN 114758755B
- Authority
- CN
- China
- Prior art keywords
- region
- image
- gray level
- area
- discrete
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006835 compression Effects 0.000 claims abstract description 20
- 238000007906 compression Methods 0.000 claims abstract description 20
- 230000006837 decompression Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 28
- 150000001875 compounds Chemical class 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 description 60
- 206010056342 Pulmonary mass Diseases 0.000 description 11
- 210000004072 lung Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000003437 trachea Anatomy 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 210000000621 bronchi Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002558 medical inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001757 thermogravimetry curve Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/005—Statistical coding, e.g. Huffman, run length coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Security & Cryptography (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于大数据分析的医疗数据协同管理平台,包括多个医护端和共享云端,每个医护端包括图像输入单元、图像处理单元、图像压缩单元、图像解压单元、图像显示单元,图像输入单元采集病人CT图像发送至图像处理单元,计算出CT图像中每个像素点的权重,发送至图像压缩单元根据CT图像中每个像素点的权重使用霍夫曼编码对CT图像进行压缩,将压缩后的图像保存在共享云端,在医护端需要使用时从云端获取压缩图像并利用图像解压单元进行解压,将解压后的图像在图像显示单元中显示即可,本平台减少了图像存储量,提高了医疗数据协同平台的稳定性。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种基于大数据分析的医疗数据协同管理平台。
背景技术
目前医疗数据的管理面临着一种困境,即医学影像数据没有被有效开发利用与存储管理,无论是借助机器学习对医学影像进行分割、特征提取、分类等处理,还是在现实工作中,大量的医学检验结果、影像扫描等内容都只是简单的储存起来,不能被直接提取、统计和分析,这造成了严重的资源浪费,大量的医学影像数据中蕴含着疾病的发展规律,如能对其进行深入挖掘和关联,将能为疾病的诊断、预测、监测和预防提供科学参考和重要决策支持。
通过构建医疗数据协同平台来管理病人数据,使得医疗信息数据实现实时共享,由于医疗数据的复杂性,例如患者信息、检查影像、历史诊断等等,调用如此海量的信息从存储、传输方面来说,也伴随着海量的编程和昂贵的高配置计算机,否则因为运行压力造成的数据丢失,尤其是医疗影像,关键信息丢失直接会导致影像资料报废。
因此本发明对医疗影像进行压缩加密传输,降低了协同管理平台中医疗影像的存储空间为建立稳定的医疗大数据协同管理平台提供了帮助。
发明内容
本发明提供一种基于大数据分析的医疗数据协同管理平台,解决医疗影像存储量过大导致协同管理平台运行压力大,丢失数据的问题,采用如下技术方案:
一种基于大数据分析的医疗数据协同管理平台,包括多个医护端和一个共享云端:
所述医护端包括:
图像输入单元:采集病人CT图像发送至图像处理单元;
图像处理单元:用于获取病人CT图像的注意力热图,根据注意力热图提取关键区域图像;
将注意力热图中的关键区域图像和原CT图像进行叠加,得到叠加图;
分别根据叠加图中的关键区域面积和其他区域面积得到关键区域和其他区域的关键程度;
获取叠加图的灰度直方图,对灰度直方图中的灰度级进行区域划分,得到关键区域、均匀区域和离散区域;
根据关键区域中每个灰度级的像素点数量得到每个灰度级在该区域的权重比例,根据该权重比例和关键区域的关键程度得到关键区域内每个灰度级在CT图像中的权重比例;
根据均匀区域和离散区域各自的像素点数量得到均匀区域和离散区域的权重比例;
根据每个灰度级和最大灰度级的比值得到均匀区域和离散区域中每个灰度级的权重比例;
根据均匀区域和离散区域的权重比例、每个灰度级的权重比例、其他区域的关键程度得到均匀区域和离散区域中每个灰度级在CT图像中的权重比例;
根据每个灰度级在CT图像中的权重比例得到每个灰度级对应的像素点在CT图像中的权重比例;
图像压缩单元:利用图像处理单元得到的CT图像中每个灰度级对应的像素点的权重比例对CT图像进行霍夫曼编码压缩,将压缩后的图像发送至共享云端进行储存;
图像解压单元:获取共享云端储存的压缩图像并进行解压,将解压后的压缩图像发送至图像显示单元进行显示。
所述对灰度直方图中的灰度级进行区域划分的具体方法为:
将灰度直方图中灰度级最大的峰对应的灰度级区域和灰度级最大的峰与其相邻峰之间的灰度级区域作为关键区域,将其他峰对应的灰度级区域作为均匀区域,将其他峰的相邻峰之间的灰度级作为离散区域。
所述关键区域和其他区域的关键程度的获取方法为:
将关键区域面积在叠加图整体面积的占比作为关键区域的关键程度;
将其他区域面积在叠加图整体面积的占比作为其他区域的关键程度。
所述均匀区域和离散区域的权重比例的获取方法为:
将均匀区域中所有灰度级对应像素点的数量之和与均匀区域和离散区域中所有灰度级对应像素点数量之和的比值作为均匀区域的权重;
将离散区域中所有灰度级对应像素点的数量之和与均匀区域和离散区域中所有灰度级对应像素点数量之和的比值作为离散区域的权重。
所述均匀区域和离散区域中每个灰度级的权重比例的计算方法为:
均匀区域每个灰度级在该区域的权重比例的计算方法为:
离散区域每个灰度级在该区域的权重比例的计算方法为:
所述均匀区域和离散区域中每个灰度级在CT图像中的权重比例的计算方法为:
均匀区域中每个灰度级在CT图像中的权重比例的计算方法为:
离散区域中每个灰度级在CT图像中的权重比例的计算方法为:
所述关键区域中每个灰度级在CT图像中的权重比例的计算方法为:
所述关键区域中每个灰度级在该区域中的权重比例的计算方法为:
所述对CT图像进行霍夫曼编码压缩的具体方法为:
将CT图像中每个灰度级的权重比例按照从小到大进行排序,选取两个最小权重灰度级对应的像素点作为初始节点,进行霍夫曼编码压缩存储。
本发明的有益效果是:构建医疗数据协同管理平台,获取病人CT图像通过医护端的图像输入单元将CT图像发送图像处理单元,图像处理单元根据CT图像的热注意力图的关键区域面积和其他区域面积得到关键区域和其他区域的关键程度,将灰度直方图中灰度级最大的峰对应的灰度级区域和灰度级最大的峰与其相邻峰之间的灰度级区域作为关键区域,将其他峰对应的灰度级区域作为均匀区域,将其他峰的相邻峰之间的灰度级作为离散区域,计算每个灰度级在对应区域内的权重比例,根据每个灰度级在对应区域内的权重比例级该区域的关键程度得到每个像素点在CT图像中的权重,将权重发送至图像压缩单元,图像压缩单元根据权重比例对CT图像进行霍夫曼编码压缩,将压缩图像发送至共享云端存储,减少了图像存储量,提高了医疗数据协同平台的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于大数据分析的医疗数据协同管理平台的结构框图;
图2是本发明的一种基于大数据分析的医疗数据协同管理平台中的医护端结构框图;
图3是本发明的一种基于大数据分析的医疗数据协同管理平台中的肺结节CT图像示意图;
图4是本发明的一种基于大数据分析的医疗数据协同管理平台中的灰度直方图中的关键区域、均匀区域、离散区域的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于大数据分析的医疗数据协同管理平台的实施例,如图1所示,包括多个医护端2和共享云端1:
其中,每个医护端2,如图2所示,包括:图像输入单元201、图像处理单元202、图像压缩单元203、图像解压单元204、图像显示单元205;
图像输入单元201:采集病人CT图像发送至图像处理单元202;
本实施例以选择肺结节的CT图像为例,基于肺结节的CT图像对本技术方案进行说明,获取到病人的肺结节的CT图像,将该CT图像发送到图像处理单元。
图像处理单元202:
(1)用于获取病人CT图像的注意力热图,根据注意力热图提取关键区域图像;将注意力热图中的关键区域图像和原CT图像进行叠加,得到叠加图;
其中,获取关键区域的方法为:通过DNN神经网络的方式获得图像对应的医疗CT影像有效区域图:
(1.1)采用DNN神经网络,结构为U-net网络,先由编码器利用卷积、池化操作对这些局部信息精确定位,例如图3中的肺部CT所检测的病症为肺上叶结节,而后再由解码器利用反卷积、反池化操作来对特征信息进行重构,得到对应的热注意力图;
(1.2)将关键信息进行标记,本实施例选择使用圆形的圈将关键信息区域进行标记,圈内的像素值都标记为1,然后高斯模糊得到在圈内具有渐变特征的热图,训练神经网络实现自动处理;
(1.3)网络所用loss函数为均方差损失函数;
(1.4)将含有关键信息的热注意力图和原CT图像叠加,相当于给关键信息区域内的像素点统一增加了灰度值,得到的关键区域内的像素灰度整体高于圈外像素;
需要说明的是,叠加之后,灰度值增大与原图灰度值不符,因此不可以采用灰度值信息来计算和编码。
(1.5)最后对肺部外侧的所有区域建立掩模,防止其他图像的影响。
如图3所示,肺部肺上叶结节CT图像中的大叶结和小叶结,大叶结和小叶结区域作为诊断病情的关键区域,即图3中用圆圈标记的区域。
(2)分别根据叠加图中的关键区域面积和其他区域面积得到关键区域和其他区域的关键程度;
本步骤的目的是,获取关键区域和其他区域的关键程度,因为关键区域内都是最关键的病症信息,其形状、大小、密度都是判断肺部病情的关键特征,在本实施例中,关键区域为大叶结和小叶结区域,而其他区域主要为主气管、支气管以及背景肺叶区域,医生从这些区域上获得更多的只是肺结节的位置信息。
其中,关键区域和其他区域的关键程度的计算方法为:
(3)获取叠加图的灰度直方图,对灰度直方图中的灰度级进行区域划分,得到关键区域、均匀区域和离散区域;
本步骤的目的是,利用灰度直方图对注意力热图中的像素点的灰度级进行区域划分。
其中,对灰度直方图中的灰度级进行区域划分方法为:
将灰度直方图中灰度级最大的峰对应的灰度级区域和灰度级最大的峰与其相邻峰之间的灰度级区域作为关键区域,将其他峰对应的灰度级区域作为均匀区域,将其他峰的相邻峰之间的灰度级作为离散区域。
如图4所示:
d-255之间的峰和灰度级:e-255之间的小峰的灰度级在所有峰中最大,将其与相邻峰(c-d之间的峰)之间的灰度级对应的灰度级区域作为关键区域(肺结节区域),为了将关键信息最大限度的保留,因此本实施例中将c-d之间的峰和e之间的离散灰度级,作为关键区域,因此关键区域为d-255之间的灰度级,由于该图像为原图和热力图的叠加,所以整体的灰度级偏右,几乎在0附近没有分布,根据原CT图像的构成,关键区域灰度级最大,最右侧高亮区域的小峰,为肺结节的灰度级;
a-b之间的峰和c-d之间的峰:a-b之间的峰对应的灰度级区域为均匀区域,本实施例中为肺叶区域;c-d之间的峰对应的灰度级区域为均匀区域,本实施例中为气管区域,因为气管区域面积最大像素点最多,则中间的最高峰为气管区域,左侧的峰面积(像素点数量)、灰度级比气管区域小,但像素点数量比关键区域多、灰度级比气管区域小。
a-b之间的峰和c-d之间的峰中间的离散点对应的灰度级作为离散区域:b-c为介于肺叶灰度级和气管灰度级之间的一些离散点的灰度级。
(4)根据关键区域中每个灰度级的像素点数量得到每个灰度级在该区域的权重比例,根据该权重比例和关键区域的关键程度得到关键区域内每个灰度级在CT图像中的权重比例;
本步骤的目的是获取每个关键区域中的灰度级在CT图像中的权重比例。
其中,关键区域中每个灰度级在该区域中的权重比例的计算方法为:
式中,为关键区域中第i个灰度级在该区域中的权重比例,为灰度级的像素点数量,为关键区域中最大灰度级的像素点数量,与的差越接近,则越能代表关键区域的主要灰度值,差值越小,则越大,引入指数函数是为了让“差值越小越重要”和“越重要权重越大”在数学模型中成正比关系,指数函数,x越小,越大。
其中,关键区域中每个灰度级在CT图像中的权重比例的计算方法为:
需要说明的是,关键区域中包含的信息关键度最高,关键区域内的所有信息都是需要最大程度保证其传输完整的,本实施例中关键区域为肺结节区域,肺结节区域需要最大程度保证其完整传输,而除了肺结节之外的其他区域,比如肺结节连接的局部支气管,或者只是红圈内的支气管就可以作为一个位置信息,支气管细端的朝向,即可代表结节区域在左肺还是右肺,是上叶还是下叶,可见其他区域的信息不需要完整传输。
(5)根据均匀区域和离散区域各自的像素点数量得到均匀区域和离散区域的权重比例;
本步骤的目的是计算均匀区域和离散区域的权重比例,因为均匀区域和离散区域中的像素点包含的信息不是关键信息,所以根据两者的空间占用大小(像素点数量),来区别优先顺序,即像素数量多的区域比像素数量少的区域传输速率慢,在传输时优先顺序低。
其中,均匀区域和离散区域的权重比例的获取方法为:
(5.1)将均匀区域中所有灰度级对应像素点的数量之和与均匀区域和离散区域中所有灰度级对应像素点数量之和的比值作为均匀区域的权重;
以a-b之间均匀区域为例,该均匀区域权重的计算方法为:
(5.2)将离散区域中所有灰度级对应像素点的数量之和与均匀区域和离散区域中所有灰度级对应像素点数量之和的比值作为离散区域的权重。
举例说明:以b-c之间的离散区域为例,该离散区域权重的计算方法为:
(6)根据每个灰度级和最大灰度级的比值得到均匀区域和离散区域中每个灰度级的权重比例;
本步骤的目的是对均匀区域和离散区域中的每个灰度级进行进一步权重分析,因为在霍夫曼编程时,数据集的概率分布必须足够多元和混乱,所以仍需要对这两个区域的每个灰度级进行排序。
其中,均匀区域和离散区域中每个灰度级在各自区域中的权重比例的计算方法为:
(6.1)均匀区域每个灰度级在该区域的权重比例的计算方法为:
(6.2)离散区域每个灰度级在该区域的权重比例的计算方法为:
需要说明的是,离散区域和均匀区域内的信息不够重要,但仍需要将区域之间的灰度级最大程度传输,这样即使丢失部分灰度级,区域之间的灰度差距依然可以表现得很清楚,利用每个区域中的最大灰度级作为参考值,分别对离散区域和均匀区域内灰度级进行排序。
(7)根据均匀区域和离散区域的权重比例、每个灰度级的权重比例、其他区域的关键程度得到均匀区域和离散区域中每个灰度级在CT图像中的权重比例;
本步骤的目的是计算均匀区域和离散区域中每个灰度级在CT图像中的权重比例。
其中,均匀区域中每个灰度级在CT图像中的权重比例的计算方法为:
其中,离散区域中每个灰度级在CT图像中的权重比例的计算方法为:
(8)根据每个灰度级在CT图像中的权重比例得到每个灰度级对应的每个像素点在CT图像中的权重,将CT图像中每个灰度级对应送至图像压缩单元203;
图像压缩单元203:利用图像处理单元202得到的CT图像中每个灰度级对应的像素点的权重比例对CT图像进行霍夫曼编码压缩,将压缩后的图像发送至共享云端1进行储存。
其中,根据CT图像中每个灰度级对应像素点的权重比例对CT图像进行进行霍夫曼编码压缩的方法为:
按照每个灰度级在CT图像中的权重,得到基于1分配的离散权重数据集,将权重数据集按照由小到大的顺序排列,取权重最小的两个灰度级对应的像素点作为初始节点,进行霍夫曼编码。
需要说明的是,相比于等长编码,霍夫曼编码占用的比特更小,在计算编码的比特时,需要把霍夫曼的树状结构也传递过去,所以最终压缩的大小为:编码占用比特 + 字符占用比特 + 频率占用比特,即使传输带宽限制,传输后的信息也可以很大程度保证关键信息的完整度,就算其余信息丢失了,该文件依然有效。
在大数据平台里,调用历史数据统计调研时,系统识别图像特征的冗余信息过多,医疗影像特有的霍夫曼编码是根据核心信息来编程的,所以压缩后的图像适用于大数据协同管理平台中更多医疗影像的储存和调用。
图像解压单元204:获取共享云端1储存的压缩图像并进行解压,将解压后的压缩图像发送至图像显示单元205进行显示。
图像显示单元205:在医护端2通过显示设备对解压缩图像进行显示。
共享云端1:存储压缩图像,并且在接收到医护端2的使用请求时,将压缩图像发送至对应的医护端2。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据分析的医疗数据协同管理平台,其特征在于,包括多个医护端和一个共享云端:
所述医护端包括:
图像输入单元:采集病人CT图像发送至图像处理单元;
图像处理单元:用于获取病人CT图像的注意力热图,根据注意力热图提取关键区域图像;
将注意力热图中的关键区域图像和原CT图像进行叠加,得到叠加图;
分别根据叠加图中的关键区域面积和其他区域面积得到关键区域和其他区域的关键程度;
获取叠加图的灰度直方图,对灰度直方图中的灰度级进行区域划分,得到为关键区域、均匀区域和离散区域;
根据关键区域中每个灰度级的像素点数量得到每个灰度级在该区域的权重比例,根据该权重比例和关键区域的关键程度得到关键区域内每个灰度级在CT图像中的权重比例;
根据均匀区域和离散区域各自的像素点数量得到均匀区域和离散区域的权重比例;
根据每个灰度级和最大灰度级的比值得到均匀区域和离散区域中每个灰度级的权重比例;
根据均匀区域和离散区域的权重比例、每个灰度级的权重比例、其他区域的关键程度得到均匀区域和离散区域中每个灰度级在CT图像中的权重比例;
根据每个灰度级在CT图像中的权重比例得到每个灰度级对应的像素点在CT图像中的权重比例;
图像压缩单元:利用图像处理单元得到的CT图像中每个灰度级对应的像素点的权重比例对CT图像进行霍夫曼编码压缩,将压缩后的图像发送至共享云端进行储存;
图像解压单元:获取共享云端储存的压缩图像并进行解压,将解压后的压缩图像发送至图像显示单元进行显示。
2.根据权利要求1所述的一种基于大数据分析的医疗数据协同管理平台,其特征在于,所述对灰度直方图中的灰度级进行区域划分的具体方法为:
将灰度直方图中灰度级最大的峰对应的灰度级区域和灰度级最大的峰与其相邻峰之间的灰度级区域作为关键区域,将其他峰对应的灰度级区域作为均匀区域,将其他峰的相邻峰之间的灰度级作为离散区域。
3.根据权利要求1所述的一种基于大数据分析的医疗数据协同管理平台,其特征在于,所述关键区域和其他区域的关键程度的获取方法为:
将关键区域面积在叠加图整体面积的占比作为关键区域的关键程度;
将其他区域面积在叠加图整体面积的占比作为其他区域的关键程度。
4.根据权利要求1所述的一种基于大数据分析的医疗数据协同管理平台,其特征在于,所述均匀区域和离散区域的权重比例的获取方法为:
将均匀区域中所有灰度级对应像素点的数量之和与均匀区域和离散区域中所有灰度级对应像素点数量之和的比值作为均匀区域的权重;
将离散区域中所有灰度级对应像素点的数量之和与均匀区域和离散区域中所有灰度级对应像素点数量之和的比值作为离散区域的权重。
9.根据权利要求1所述的一种基于大数据分析的医疗数据协同管理平台,其特征在于,所述对CT图像进行霍夫曼编码压缩的具体方法为:
将CT图像中每个灰度级的权重比例按照从小到大进行排序,选取两个最小权重灰度级对应的像素点作为初始节点,进行霍夫曼编码压缩存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210663608.7A CN114758755B (zh) | 2022-06-14 | 2022-06-14 | 基于大数据分析的医疗数据协同管理平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210663608.7A CN114758755B (zh) | 2022-06-14 | 2022-06-14 | 基于大数据分析的医疗数据协同管理平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758755A CN114758755A (zh) | 2022-07-15 |
CN114758755B true CN114758755B (zh) | 2022-08-16 |
Family
ID=82336296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210663608.7A Active CN114758755B (zh) | 2022-06-14 | 2022-06-14 | 基于大数据分析的医疗数据协同管理平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758755B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394392B (zh) * | 2022-08-31 | 2023-06-20 | 西安交通大学 | 一种医疗数据的共享系统及方法 |
CN116405574B (zh) * | 2023-06-08 | 2023-08-08 | 中国人民解放军总医院第二医学中心 | 一种远程医疗图像优化通讯方法及系统 |
CN117082155B (zh) * | 2023-10-18 | 2024-01-23 | 北京健滨医药科技有限公司 | 基于5g技术的医疗影像传输系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754453A (zh) * | 2020-05-11 | 2020-10-09 | 佛山市第四人民医院(佛山市结核病防治所) | 基于胸透图像的肺结核检测方法、系统和存储介质 |
CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
CN113298826A (zh) * | 2021-06-09 | 2021-08-24 | 东北大学 | 一种基于LA-Net网络的图像分割方法 |
CN113378929A (zh) * | 2021-06-11 | 2021-09-10 | 武汉大学 | 一种肺结节生长预测方法和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3796210A1 (en) * | 2019-09-19 | 2021-03-24 | Siemens Healthcare GmbH | Spatial distribution of pathological image patterns in 3d image data |
-
2022
- 2022-06-14 CN CN202210663608.7A patent/CN114758755B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
CN111754453A (zh) * | 2020-05-11 | 2020-10-09 | 佛山市第四人民医院(佛山市结核病防治所) | 基于胸透图像的肺结核检测方法、系统和存储介质 |
CN113298826A (zh) * | 2021-06-09 | 2021-08-24 | 东北大学 | 一种基于LA-Net网络的图像分割方法 |
CN113378929A (zh) * | 2021-06-11 | 2021-09-10 | 武汉大学 | 一种肺结节生长预测方法和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114758755A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114758755B (zh) | 基于大数据分析的医疗数据协同管理平台 | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
CN111951280B (zh) | 图像分割方法、装置、设备及存储介质 | |
JP5394598B2 (ja) | 医用画像圧縮装置、医用画像圧縮方法、及び予測知識データベース作成装置 | |
CN110335276B (zh) | 医学图像分割模型、方法、存储介质及电子设备 | |
CN112259246A (zh) | 一种融合医学概念层级结构的疾病预测方法及相关设备 | |
CN112308853A (zh) | 电子设备、医学图像指标生成方法、装置及存储介质 | |
Bairagi | Symmetry-based biomedical image compression | |
CN111696082A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN110198171B (zh) | 数据压缩方法、装置、计算机可读介质及电子设备 | |
CN115955513A (zh) | 一种物联网数据优化传输方法 | |
CN113487587A (zh) | CT图像分割与骨密度t值预测方法、系统、计算机设备 | |
CN114330479A (zh) | 目标组织发生癌转移的预测方法、装置、设备及介质 | |
CN113507605A (zh) | 基于人工智能的危险区域监控视频压缩存储方法和系统 | |
CN113658655A (zh) | 体检推荐方法、装置、存储介质及设备 | |
CN108742678A (zh) | 图像配准方法、装置及计算机可读存储介质 | |
CN113032347A (zh) | 显示元素方法、装置、电子设备及存储介质 | |
CN116994721A (zh) | 一种数字病理切片图的快速处理系统 | |
CN114998816B (zh) | 基于骨骼ai视频的病例改进方法、装置及存储介质 | |
CN111209946A (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN110852384A (zh) | 医学影像质量检测方法、装置和存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
Akhtar et al. | Significance of ROI coding using MAXSHIFT scaling applied on MRI images in teleradiology-telemedicine | |
CN117877686B (zh) | 一种中医护理数据智能管理方法及系统 | |
JP7382461B2 (ja) | 画像解析装置、画像解析方法、コンピュータプログラム、及び記録媒体 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Medical Data Collaborative Management Platform Based on Big Data Analysis Effective date of registration: 20230412 Granted publication date: 20220816 Pledgee: Shandong Sishui Rural Commercial Bank Co.,Ltd. Pledgor: Shuju (Shandong) Medical Technology Co.,Ltd. Registration number: Y2023980037882 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |