CN114820550B - 基于区块链和医学影像的疾病预测系统 - Google Patents

基于区块链和医学影像的疾病预测系统 Download PDF

Info

Publication number
CN114820550B
CN114820550B CN202210506878.7A CN202210506878A CN114820550B CN 114820550 B CN114820550 B CN 114820550B CN 202210506878 A CN202210506878 A CN 202210506878A CN 114820550 B CN114820550 B CN 114820550B
Authority
CN
China
Prior art keywords
firefly
medical image
value
iteration
medical
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
Application number
CN202210506878.7A
Other languages
English (en)
Other versions
CN114820550A (zh
Inventor
李益非
罗学敏
刘宏
张春贵
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.)
Yunnan Shengyue Information Technology Co ltd
Original Assignee
Yunnan Shengyue Information Technology Co ltd
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 Yunnan Shengyue Information Technology Co ltd filed Critical Yunnan Shengyue Information Technology Co ltd
Priority to CN202210506878.7A priority Critical patent/CN114820550B/zh
Publication of CN114820550A publication Critical patent/CN114820550A/zh
Application granted granted Critical
Publication of CN114820550B publication Critical patent/CN114820550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Bioethics (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

基于区块链和医学影像的疾病预测系统，包括医学影像获取模块、医学影像预处理模块、疾病预测模块和智能诊断模块，医学影像获取模块用于获取患者的医学影像，医学影像预处理模块对数据库中的医学影像预处理，疾病预测模块通过神经网络将目标医学影像训练并匹配相似度最高的疾病特征，智能诊断模块完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。本发明的有益效果：该发明能够对疾病进行有效的预测，从而早发现早治疗，降低疾病的死亡率。

Description

基于区块链和医学影像的疾病预测系统
技术领域
本发明创造涉及医疗健康领域，具体涉及一种基于区块链和医学影像的疾病预测系统。
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。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。医学影像疾病预测可以结合启发式算法作以学习分类。启发式算法定义为：一个基于直观或经验构造的算法，在可接受的花费内给出待解决组合优化问题的一个可行解，该可行解与最优解的偏离程度一般不能被预计。现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、神经网络等，基于启发式算法可以对医学影像特征点作以学习预测，沿梯度下降的方向，不断缩小预测值和真实值之间的差距，在全域中得到最能匹配的疾病特征，从而对医学影像作以判断。因此，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。
发明内容
针对上述问题，本发明旨在提供一种基于区块链和医学影像的疾病预测系统。
本发明创造的目的通过以下技术方案实现：
基于区块链和医学影像的疾病预测系统，包括医学影像获取模块、医学影像预处理模块、疾病预测模块和智能诊断模块；
医学影像获取模块用于获取患者的医学影像，并将获取的患者的历史诊疗医学数据和医学影像传输至所述医学影像预处理模块，医学影像预处理模块包括区块链存储单元、影像降噪单元和影像更新单元，所述区块链存储单元安全可靠地将患者历史诊疗医学数据和医学影像分布式地存入数据库，数据库由网络内多个虚拟机并行搭建，并从区块链存储单元调取患者的医学影像，通过影像降噪单元对患者的医学影像降噪处理，降低噪声阴影对医学影像的疾病预测系统的误判，影像更新单元用于更新需要被预测疾病的影像，预处理后的患者医学影像将被送往疾病预测模块进一步对疾病特征进行分类，所述疾病预测模块通过神经网络对训练的医学影像结果分类疾病，所述智能诊断模块完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。
进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，医学影像获取模块用于获取患者的诊疗医学影像，并将获取的医学影像传输至所述医学影像预处理模块。
进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，医学影像预处理模块用于去除医学影像缺省、无效内容后，将患者的医学影像存储至区块链存储单元。
进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，所述的区块链存储单元由网络内多个虚拟机并行搭建数据库，采用权益证明机制，记录区块链存储单元的正常或异常行为状态。
进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，所述的数据库由网络内多个虚拟机并行搭建，利用非对称加密技术保证患者医学影像的安全性与私密性。
进一步的，所述影像降噪单元采用双边滤波算法对医学影像进行降噪处理，步骤如下：
设待处理的医学影像记作I，I(x,y)表示医学影像I中坐标(x,y)处的像素，以坐标(x,y)为中心的M×M的医学影像邻域记作Ω(x,y)，对像素I(x,y)进行滤波处理后的灰度值记为fD(x,y)，有：
Figure BDA0003637719600000021
其中，I(i,j)表示医学影像I中坐标(i,j)处的像素，f(i,j)表示像素I(i,j)的灰度值，权重ω(i,j,x,y)的值为：
Figure 1
其中δr表示灰度域滤波控制因子，δd表示空间域滤波控制因子，对于Ω(x,y)区域，所滤波的每一个像素都有权重，记这些权重和为M(x,y)，则:∑I(i,j)∈Ω(x,y)ω(i,j,x,y)＝M(x,y)，那么对像素I(x,y)进行滤波处理后的灰度值可以表示为：
Figure BDA0003637719600000023
对于权重ω(i,j,x,y)，能进一步细分成普通双边滤波权重ωd和像素值相似度权重ωr，如下表示：
Figure BDA0003637719600000031
Figure BDA0003637719600000032
其中，ωd(i,j,x,y)为坐标(i,j)相对于坐标(x,y)的普通双边滤波权重，ωr(i,j,x,y)为像素值相似度权重。易知，有如下关系：ω(i,j,x,y)＝ωd(i,j,x,y)* ωr(i,j,x,y)，加入调节参数α和β来根据实际医学影像自适应地调节普通双边滤波权重ωd和像素值相似度参数ωr的占比，提升双边滤波精细度，则上述权重ω(i,j,x,y)更新为：ω(i,j,x,y)＝ωd α(i,j,x,y)*ωr β(i,j,x,y)，式中α(x,y)和β(x,y)分别表示调节参数，对全域Ω(x,y)内α(x,y)和β(x,y)做归一化处理，其取值范围在0-1之间，得到α(x,y)和β(x,y)值为：
Figure BDA0003637719600000033
β(x,y)＝1-α(x,y)
上式中η(x,y)表示像素I(x,y)的空间域检测系数，ηmax和ηmin分别表示空间域检测系数的最大值和最小值,且η(x,y)值为：
Figure BDA0003637719600000034
式中， I(a,b)表示医学影像I中坐标(a,b)处的像素，f(a,b)表示像素I(a,b)的灰度值，I(a+1,b) 表示医学影像I中坐标(a+1,b)处的像素，f(a+1,b)表示像素I(a+1,b)的灰度值， I(a,b+1)表示医学影像I中坐标(a,b+1)处的像素，f(a,b+1)表示像素I(a,b+1)的灰度值，fmax和fmin分别表示医学影像I中像素的最大灰度值和最小灰度值。
进一步的，影像更新单元调取医学影像数据对支持向量机进行训练和测试，影像更新单元通过调取的医学影像数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：
Figure BDA0003637719600000035
在上式中，xi(t+1)表示萤火虫i在第(t+1)次迭代更新后的位置，xi(t)表示萤火虫i在第t次迭代更新后的位置，xj(t)表示萤火虫j在第t次迭代更新后的位置，βij(t)表示在第t次迭代更新后萤火虫j对于萤火虫i的吸引度，αij(t)表示在第 t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数，rand为服从正态分布的随机系数，且rand∈[0,1]。
进一步的，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度βij(t)的值设置为：
Figure BDA0003637719600000041
在上式中，
Figure BDA0003637719600000042
表示在第t次迭代更新后萤火虫j对萤火虫i的原始吸引度，且
Figure BDA0003637719600000043
的值为：
Figure BDA0003637719600000044
其中，β0为r＝0时萤火虫的吸引度，即最大吸引度，γ为光吸收系数，表示萤火虫会随着距离的增加而逐渐减弱的特性， rij(t)为在第t次迭代更新后萤火虫i和萤火虫j之间的笛卡尔距离，ρij(t)为在第t 次迭代更新后萤火虫j对于萤火虫i的吸引度的历史调节系数，且ρij(t)的值为：
Figure BDA0003637719600000045
μ(t)表示迭代修正系数，且
Figure BDA0003637719600000046
其中，Tmax为最大迭代次数，kij(t)表示在第t次迭代更新后萤火虫i和萤火虫j之间的区域历史统计系数，kij(t)的值为：
Figure BDA0003637719600000047
其中，Ωij(t)表示以位置xi(t) 为中心、以rij(t)为半径的球形区域，xj(τ)为萤火虫j在第τ次迭代更新后的位置， f(xj(τ),Ωij(t))为用于位置xj(τ)和区域Ωij(t)之间的区域判断函数，且
Figure BDA0003637719600000048
M表示种群中的萤火虫数，t表示当前迭代次数。
进一步的，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数αij(t)的值设置为：
将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θK(t)表示集合K(t)中的萤火虫的移动方向属性值，且θK(t)的值为：
Figure BDA0003637719600000051
在上式中，MK(t)表示集合K(t)中的萤火虫数，M表示种群中的萤火虫数， yK(t)表示集合K(t)中萤火虫的空间分布优势值，且yK(t)的值为：
Figure BDA0003637719600000052
Figure BDA0003637719600000053
其中，将集合K(t)中的萤火虫按其绝对荧光亮度值由高到低进行排序组成序列LK(t)，则x′l(t)表示序列LK(t)中的第l个萤火虫在第t 次迭代更新后的位置，x′l+1(t)表示序列LK(t)中的第(l+1)个萤火虫在第t次迭代更新后的位置，k为给定的正整数，且k<MK(t)，xl,a(t)为在第t次迭代更新后种群中距离位置x′l(t)第a近的萤火虫的位置，
Figure BDA0003637719600000054
为序列LK(t)中的第l个萤火虫的空间分布比较函数，且
Figure BDA0003637719600000055
当θK(t)的值满足：θK(t)>1时，则随机项系数αij(t)的值为：
Figure BDA0003637719600000056
当θK(t)的值满足：θK(t)≤1时，则随机项系数αij(t)的值为：
Figure BDA0003637719600000057
在上式中，α0为给定的初始随机项系数值，且α0∈[0,1]，ωj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的局部空间系数，ωj(t)的值为：
Figure BDA0003637719600000058
Figure BDA0003637719600000061
xj(t)表示萤火虫j在第t次迭代更新后的位置，δj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的全局寻优系数，δj(t)的值为：
Figure BDA0003637719600000062
其中，
Figure BDA0003637719600000063
表示在第t次迭代更新后萤火虫j在序列LK(t)中的排序，
Figure BDA0003637719600000064
表示序列LK(t)中的第
Figure BDA0003637719600000065
个萤火虫在第t次迭代更新后的位置。
进一步的，疾病预测模块采用Otsu阈值分割算法对降噪处理后的医学影像进行影像分割，并采用遗传退火粒子群(GSP)算法确定所述Otsu分割算法的阈值。具体步骤如下：
(1)计算Ω(x,y)的灰度均值为M(x,y)，如下式表示：
Figure BDA0003637719600000066
其中，size(x,y)表示Ω(x,y)区域内总像素的个数；
(2)将256位的灰度值均分，记这两部分分别为ΩA和ΩB，对应的就是前景色和背景色，这两部分各自的灰度平均值为MA和MB，ΩA中像素数量占总像素数量的比例记为PA，ΩB中像素的数量占总像素的比例记为PB，则可表示为：
Figure BDA0003637719600000067
Figure BDA0003637719600000068
假设在Ω(x,y)内存在某个灰度值f(i,j)对应的是第k个像素点xk,NobuyukiOtsu提出Otsu自动分割算法，给出的第k个像素点类间方差定义为：
Figure BDA0003637719600000069
其中，MA(xk)为第k个像素点的前景色均值，MB(xk)为第k个像素点的背景色均值，加入调节参数ξ来调节因xi小概率取到最值的情况，ξ∈[0,1]，ξ表示如下：
Figure BDA00036377196000000610
(3):为了能够找到最好的分割阈值，使得医学影像识别更加准确，建立了数学规划模型，目标函数
Figure BDA0003637719600000071
如下式所示：
Figure BDA0003637719600000072
满足约束条件：0≤xk≤255
采用GSP算法确定所述Otsu自动分割算法的阈值，设置所述GSP算法根据下式更新粒子的速度和位置：
Figure BDA0003637719600000073
Figure BDA0003637719600000074
其中，
Figure BDA0003637719600000075
和
Figure BDA0003637719600000076
分别表示粒子群中的第k个粒子在d+1次迭代的速度和位置，
Figure BDA0003637719600000077
和
Figure BDA0003637719600000078
分别表示粒子群中的第k个粒子在d次迭代的速度和位置，θ1和θ2分别表示产生0到1之间的随机数，
Figure BDA0003637719600000079
表示第k个粒子的个体最优解，
Figure BDA00036377196000000710
表示粒子群中粒子的全局最优解，w1和w2表示学习因子，令w1＝w2＝2，θ0表示粒子群中第k个粒子在d次迭代的惯性权重因子；
(4)在GSP算法中，由于加速系数的影响可能会导致过快的达到收敛状态，若
Figure BDA00036377196000000711
和
Figure BDA00036377196000000712
显著不同时，引入了遗传操作，通过交叉、变异产生更好的粒子，增强粒子群优化算法的全局搜索能力，在医学影像灰度值中，由于 0≤xk≤255，进行遗传操作时首先将其转换成二进制编码，其二进制编码范围在(00000000)2～(11111111)2之间，设xk的二进制串为(xk)10＝(b0b1b2b3b4b5b6b7)2，有：
Figure BDA00036377196000000713
其中，bi位二进制数，且bi∈{0,1}对于遗传交叉操作采用单点交叉的方法，即在个体编码串中只随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体，设交叉概率为Pc，并且设全局最优解为：
Figure BDA00036377196000000714
其中，
Figure BDA00036377196000000715
表示十进制全局最优的
Figure BDA00036377196000000716
灰度值所对应的8位二进制数，对全局最优解的第cd位染色体和需要探索最优值的第cd位xk的染色体进行交叉互换，其中cd∈[0,7]，则新交叉个体为
Figure BDA00036377196000000717
其中
Figure BDA00036377196000000718
为第d位需要交叉的个体全局最优值；
(5)同理，设变异概率Pm，即染色体的信息发生突变，当触发变异概率时，染色体的第md位信息由0翻转为1，或者由1翻转为0，其中，md∈[0,7]，以增强样本的多样性，探索到精度更高的全局最优解，则新变异个体为
Figure BDA0003637719600000081
其中，
Figure BDA0003637719600000082
表示第md位十进制信息
Figure BDA0003637719600000083
交叉变异后的二进制变异结果，
Figure BDA0003637719600000084
是第md位需要变异的信息，让
Figure BDA0003637719600000085
表示粒子k的优良位置,通过每个优良粒子指导粒子群优化过程。在这项工作中，
Figure BDA0003637719600000086
受到
Figure BDA0003637719600000087
和
Figure BDA0003637719600000088
共同影响，即：
Figure BDA0003637719600000089
其中，θ1表示历史最优粒子的加速度系数，θ2表示全局最优粒子的加速度系数，w1表示历史最优粒子的权重，w2表示历史最优粒子的权重，每个粒子的速度和位置被更新为：
Figure BDA00036377196000000810
Figure BDA00036377196000000811
式中，θ3表示每个优良粒子的加速度系数，w3是(0,1)中均匀生成的随机数；
(6)对于目标函数
Figure BDA00036377196000000812
如果
Figure BDA00036377196000000813
即如果xk就会被选为粒子k的优良粒子；否则，根据模拟退火算法Metropolis接受规则，如果：
Figure BDA00036377196000000814
其中w4∈[0,1]，θ4表示退火温度，那么会随机生成一个在区间[0,1]上服从均匀分布的随机数r，如果r<q，则接受xk。
进一步的，根据权利要求1所述的基于区块链和医学影像的疾病预测系统，其特征在于，智能诊断模块根据训练出的最优医学影像分割阈值来识别疾病特征，完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。
本发明的有益效果：建立基于区块链和医学影像的疾病预测系统，对患者的医学影像进行安全地存储和分析，利于及时了解患者的疾病发展趋势，从而降低患者病情进一步恶化；采用基于权益证明机制的区块链存储单元能有效地实现医学影像存储方式的去中心化，并规避了区块链“51％攻击”的风险；采用非对称加密算法保证医学影像信息的隐私性；对于数据库中海量的患者医学影像，医学影像预处理模块完成医学影像的筛选、去噪等功能；其中去噪采用了双边滤波法，加入了自适应调节因子对普通双边滤波权重和像素值相似度权重自动调节，得到最佳去噪效果的医学影像；将萤火虫算法应用到对支持向量机的参数的寻优中，并对萤火虫算法固有的缺陷进行改进，使得通过改进的萤火虫算法确定的参数能够有效的提高支持向量机的分类精度；采用遗传退火粒子群(GSP)算法对疾病特征的权值矩阵进行训练，通过不断更新迭代得到适应度最强、匹配度最高的训练权值能对疾病进行有效的预测，从而早发现早治疗，降低疾病的死亡率。
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。
参见图本发明旨在提供一种基于区块链和医学影像的疾病预测系统，包括医学影像获取模块、医学影像预处理模块、疾病预测模块和智能诊断模块；
医学影像获取模块用于获取患者的医学影像，并将获取的患者的历史诊疗医学数据和医学影像传输至所述医学影像预处理模块，医学影像预处理模块包括区块链存储单元和影像降噪单元，所述区块链存储单元安全可靠地将患者历史诊疗医学数据和医学影像分布式地存入数据库，数据库由网络内多个虚拟机并行搭建，并从区块链存储单元调取患者的医学影像，通过影像降噪单元对患者的医学影像降噪处理，降低噪声阴影对医学影像的疾病预测系统的误判，预处理后的患者医学影像将被送往疾病预测模块进一步对疾病特征进行分类，所述疾病预测模块通过神经网络对训练的医学影像结果分类疾病，所述智能诊断模块完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。
医学影像获取模块用于获取患者的诊疗医学影像，并将获取的医学影像传输至所述医学影像预处理模块。
医学影像预处理模块用于去除医学影像缺省、无效内容后，将患者的医学影像存储至区块链存储单元。
区块链存储单元由网络内多个虚拟机并行搭建数据库，采用权益证明机制，记录区块链存储单元的正常或异常行为状态，具体包括：
(1)每个虚拟机初始时具有相等的权益；
(2)不需要大量医学影像存储，保证区块链的去中心化；
(3)每个虚拟机的工作时长记为“工龄”，用来衡量虚拟机的信任值，其中虚拟机工龄越长，代表该虚拟机的工作越可靠，保证区块链存储单元的稳定性。
所述数据库由网络内多个虚拟机并行搭建，利用非对称加密技术保证患者医学影像的安全性与私密性。
所述非对称加密技术含有两把密钥，其中密钥是指用来完成加密、解密、完整性验证等应用的秘密信息，包括公开密钥和私有密钥，其中公钥可以任意对外发布，而私钥必须由用户自行严格秘密保管，具体步骤如下：
步骤(1)医学影像存储到区块链存储单元；
步骤(2)公钥加密；
步骤(3)加密医学影像在区块链存储单元传输至所需虚拟机；
步骤(4)私钥解密；
步骤(5)用户获取医学影像。
利用sha256散列算法，保证公钥无法推导出私钥，其中散列算法散列函数把消息或数据压缩成摘要，使得医学影像数据变小，将医学影像数据的格式固定下来，接着该函数将医学影像数据打乱混合，重新创建一个叫做散列值的标签，散列值通常用短的随机字母和数字组成的字符串来表示具体为假设散列函数为 SHA_256，待存储的医学影像为H，所包含像素点是R×C维的，待存储的医学影像H的像素矩阵记作HR×C，对医学影像像素矩阵进行矩阵重构，得到行向量，记为H1×L，其中L＝R×C，带入散列函数得到散列值(r1,r2,…,r256)256＝ SHA_256(H1×L)，其中(·)256表示SHA_256散列函数计算后的256位结果， r1,r2,…,r256表示256位结果的每一位取值，其取值范围可以是0到9的自然数，或者是26个字母，得到的(r1,r2,…,r256)256将原来R×C维医学影像像素点高效降维，便于用户存储和搜索。
在优选的实例中，所述影像降噪单元采用双边滤波算法对医学影像进行降噪处理，所述双边滤波算法是一种非线性的滤波方法，结合医学影像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空间与信息和灰度相似性，达到保边去噪的目的，具体为：
设待处理的医学影像记作I，I(x,y)表示医学影像I中坐标(x,y)处的像素，以坐标(x,y)为中心的M×M的医学影像邻域记作Ω(x,y)，对像素I(x,y)进行滤波处理后的灰度值记为fD(x,y)，有：
Figure BDA0003637719600000111
其中，I(i,j) 表示医学影像I中坐标(i,j)处的像素，f(i,j)表示像素I(i,j)的灰度值，权重ω(i,j,x,y)的值为：
Figure 2
该权重表示医学影像中像素I(i,j)到像素I(x,y)的临近程度，且ω(i,j,x,y)∈[0,1]，其中δr表示灰度域滤波控制因子，δd表示空间域滤波控制因子，对于Ω(x,y)区域，所滤波的每一个像素都有权重，记这些权重和为M(x,y)，具体为：
∑I(i,j)∈Ω(x,y)ω(i,j,x,y)＝M(x,y)，那么对像素I(x,y)进行滤波处理后的灰度值可以表示为：
Figure BDA0003637719600000113
对于权重ω(i,j,x,y)，能进一步细分成空间临近度权重ωd和像素值相似度权重ωr，如下表示：
Figure BDA0003637719600000114
Figure BDA0003637719600000115
其中，ωd(i,j,x,y)为坐标(i,j)相对于坐标(x,y)的空间临近度权重，也叫定义域核，ωr(i,j,x,y)为像素值相似度权重，也叫值域核，且满足ωd(i,j,x,y)∈[0,1]，ωr(i,j,x,y)∈[0,1]；当ωd(i,j,x,y)>ωr(i,j,x,y)时，降噪侧重于分析空间临近度；当ωd(i,j,x,y)<(i,j,x,y)时，降噪侧重于分析像素值相似度，具体有如下关系：
ω(i,j,x,y)＝ωd(i,j,x,y)*ωr(i,j,x,y)，加入调节参数α(x,y)和β(x,y)来根据实际医学影像像素I(x,y)自适应地调节空间临近度权重ωd(i,j,x,y)和像素值相似度权重ωr(i,j,x,y)的占比，考虑空间与信息和灰度相似性，达到医学影像去噪的目的，则上述权重ω(i,j,x,y)更新为：
ω(i,j,x,y)＝ωd α(x,y)(i,j,x,y)*ωr β(x,y)(i,j,x,y)，式中α(x,y)和β(x,y)分别表示调节参数，对全域Ω(x,y)内α(x,y)和β(x,y)做归一化处理，保证α(x,y)和β(x,y)的取值范围在0-1之间，归一化α(x,y)和β(x,y)具体公式如下：
Figure BDA0003637719600000121
β(x,y)＝1-α(x,y)
上式中η(x,y)表示像素I(x,y)的空间域检测系数，ηmax和ηmin分别表示空间域检测系数的最大值和最小值,且η(x,y)值为：
Figure BDA0003637719600000122
式中，I(a,b)表示医学影像I中坐标(a,b)处的像素，f(a,b)表示像素I(a,b)的灰度值，I(a+1,b)表示医学影像I中坐标(a+1,b)处的像素，f(a+1,b)表示像素I(a+1,b) 的灰度值，I(a,b+1)表示医学影像I中坐标(a,b+1)处的像素，f(a,b+1)表示像素 I(a,b+1)的灰度值，fmax和fmin分别表示医学影像I中像素的最大灰度值和最小灰度值。
进一步的，影像更新单元调取医学影像数据对支持向量机进行训练和测试，影像更新单元通过调取的医学影像数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：
Figure BDA0003637719600000123
在上式中，xi(t+1)表示萤火虫i在第(t+1)次迭代更新后的位置，xi(t)表示萤火虫i在第t次迭代更新后的位置，xj(t)表示萤火虫j在第t次迭代更新后的位置，βij(t)表示在第t次迭代更新后萤火虫j对于萤火虫i的吸引度，αij(t)表示在第 t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数，rand为服从正态分布的随机系数，且rand∈[0,1]。
进一步的，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度βij(t)的值设置为：
Figure BDA0003637719600000131
在上式中，
Figure BDA0003637719600000132
表示在第t次迭代更新后萤火虫j对萤火虫i的原始吸引度，且
Figure BDA0003637719600000133
的值为：
Figure BDA0003637719600000134
其中，β0为r＝0时萤火虫的吸引度，即最大吸引度，γ为光吸收系数，表示萤火虫会随着距离的增加而逐渐减弱的特性， rij(t)为在第t次迭代更新后萤火虫i和萤火虫j之间的笛卡尔距离，ρij(t)为在第t 次迭代更新后萤火虫j对于萤火虫i的吸引度的历史调节系数，且ρij(t)的值为：
Figure BDA0003637719600000135
μ(t)表示迭代修正系数，且
Figure BDA0003637719600000136
其中，Tmax为最大迭代次数，kij(t)表示在第t次迭代更新后萤火虫i和萤火虫j之间的区域历史统计系数，kij(t)的值为：
Figure BDA0003637719600000137
其中，Ωij(t)表示以位置xi(t) 为中心、以rij(t)为半径的球形区域，xj(τ)为萤火虫j在第τ次迭代更新后的位置， f(xj(τ),Ωij(t))为用于位置xj(τ)和区域Ωij(t)之间的区域判断函数，且
Figure BDA0003637719600000138
M表示种群中的萤火虫数，t表示当前迭代次数。
进一步的，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数αij(t)的值设置为：
将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θK(t)表示集合K(t)中的萤火虫的移动方向属性值，且θK(t)的值为：
Figure BDA0003637719600000139
在上式中，MK(t)表示集合K(t)中的萤火虫数，M表示种群中的萤火虫数， yK(t)表示集合K(t)中萤火虫的空间分布优势值，且yK(t)的值为：
Figure BDA00036377196000001310
Figure BDA0003637719600000141
其中，将集合K(t)中的萤火虫按其绝对荧光亮度值由高到低进行排序组成序列LK(t)，则x′l(t)表示序列LK(t)中的第l个萤火虫在第t 次迭代更新后的位置，x′l+1(t)表示序列LK(t)中的第(l+1)个萤火虫在第t次迭代更新后的位置，k为给定的正整数，且k<MK(t)，xl,a(t)为在第t次迭代更新后种群中距离位置x′l(t)第a近的萤火虫的位置，
Figure BDA0003637719600000142
为序列LK(t)中的第l个萤火虫的空间分布比较函数，且
Figure BDA0003637719600000143
当θK(t)的值满足：θK(t)>1时，则随机项系数αij(t)的值为：
Figure BDA0003637719600000144
当θK(t)的值满足：θK(t)≤1时，则随机项系数αij(t)的值为：
Figure BDA0003637719600000145
在上式中，α0为给定的初始随机项系数值，且α0∈[0,1]，ωj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的局部空间系数，ωj(t)的值为：
Figure BDA0003637719600000146
Figure BDA0003637719600000147
xj(t)表示萤火虫j在第t次迭代更新后的位置，δj(t)表示在第t次迭代更新后萤火虫j在集合K(t)中的全局寻优系数，δj(t)的值为：
Figure BDA0003637719600000148
其中，
Figure BDA0003637719600000149
表示在第t次迭代更新后萤火虫j在序列LK(t)中的排序，
Figure BDA00036377196000001410
表示序列LK(t)中的第
Figure BDA00036377196000001411
个萤火虫在第t次迭代更新后的位置。
疾病预测模块采用Otsu阈值分割算法对降噪处理后的医学影像进行影像分割,并采用遗传退火粒子群(GSP)算法确定所述Otsu分割算法的阈值，具体步骤如下：
计算Ω(x,y)的灰度均值为M(x,y)，如下式表示：
Figure BDA0003637719600000151
其中，size(x,y)表示Ω(x,y)区域内总像素的个数；
将256位的灰度值均分，记这两部分分别为ΩA和ΩB，对应的就是前景色和背景色，其中
Figure BDA00036377196000001510
遍历医学影像I的所有像素点，如果坐标(i,j)的像素点的灰度值落在了ΩA内，则计算前景色灰度平均值为MA，
Figure BDA0003637719600000152
其中，length(·)表示计算向量长度，length(ΩA) 表示统计医学影像I在坐标(i,j)处像素点的灰度值落在了ΩA内的个数；如果坐标 (i,j)的像素点的灰度值落在了ΩB内，则计算背景色灰度平均值为MB，
Figure BDA0003637719600000153
其中，length(ΩB)表示统计医学影像I在坐标 (i,j)处像素点的灰度值落在了ΩB内的个数；假设ΩA中像素数量占总像素数量的比例记为PA，ΩB中像素的数量占总像素的比例记为PB，则可表示为：
Figure BDA0003637719600000154
Figure BDA0003637719600000155
假设在Ω(x,y)内存在某个灰度值f(i,j)对应的是第k个像素点xk，根据Nobuyuki Otsu提出Otsu自动分割算法，给出的第k个像素点类间方差定义为：
Figure BDA0003637719600000156
式中，MA(xk)为第k个像素点的前景色均值，MB(xk)为第k个像素点的背景色均值，加入调节参数ξ来调节因xi小概率取到最值的情况，ξ∈[0,1]，ξ表示如下：
Figure BDA0003637719600000157
为了能够找到最好的分割阈值，类间差异最大能使分类效果最清晰，使得医学影像识别更加准确，建立了数学规划模型，构建如下目标函数
Figure BDA0003637719600000158
Figure BDA0003637719600000159
满足约束条件：0≤xk≤255；
采用GSP算法确定所述Otsu自动分割算法的阈值，设置所述GSP算法根据下式更新粒子的速度和位置：
Figure BDA0003637719600000161
Figure BDA0003637719600000162
其中，
Figure BDA0003637719600000163
和
Figure BDA0003637719600000164
分别表示粒子群中的第k个粒子在d+1次迭代的速度和位置，
Figure BDA0003637719600000165
和
Figure BDA0003637719600000166
分别表示粒子群中的第k个粒子在d次迭代的速度和位置，θ1和θ2分别表示产生0到1之间的随机数，
Figure BDA0003637719600000167
表示第k个粒子的个体最优解，
Figure BDA0003637719600000168
表示粒子群中粒子的全局最优解，w1和w2表示学习因子，一般取w1＝w2＝2，θ0表示粒子群中第k个粒子在d次迭代的惯性权重因子。
在GSP算法中，由于加速系数的影响可能会导致过快的达到收敛状态，若
Figure BDA0003637719600000169
和
Figure BDA00036377196000001610
显著不同时，引入了遗传操作，通过交叉、变异产生更好的粒子，增强粒子群优化算法的全局搜索能力，在医学影像灰度值中，由于0≤xk≤255，进行遗传操作时首先将其转换成二进制编码，其二进制编码范围在 (00000000)2～(11111111)2之间，设xk的二进制串为(xk)10＝(b0b1b2b3b4b5b6b7)2，有：
Figure BDA00036377196000001611
其中，bi位二进制数，且bi∈{0,1}对于遗传交叉操作采用单点交叉的方法，即在个体编码串中只随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体，设交叉概率为Pc，Pc可以取0.25到1之间，并且设全局最优解为：
Figure BDA00036377196000001612
其中，
Figure BDA00036377196000001613
表示十进制全局最优的
Figure BDA00036377196000001614
灰度值所对应的8位二进制数，对全局最优解的第cd位染色体和需要探索最优值的第cd位xk的染色体进行交叉互换，其中cd∈[0,7]，则新交叉个体为
Figure BDA00036377196000001615
其中
Figure BDA00036377196000001616
为第d位需要交叉的个体全局最优值。
优选地，设变异概率Pm，Pm可以取0.001到0.1之间，即染色体的信息发生突变，当触发变异概率时，染色体的第md位信息由0翻转为1，或者由1翻转为0，其中，md∈[0,7]，以增强样本的多样性，探索到精度更高的全局最优解，则新变异个体为
Figure BDA0003637719600000171
其中，
Figure BDA0003637719600000172
表示第md位十进制信息
Figure BDA0003637719600000173
交叉变异后的二进制变异结果，
Figure BDA0003637719600000174
是第md位需要变异的信息，让
Figure BDA0003637719600000175
表示粒子k的优良位置，通过每个优良粒子指导粒子群优化过程，在这项工作中，
Figure BDA0003637719600000176
受到
Figure BDA0003637719600000177
和
Figure BDA0003637719600000178
共同影响，可表示为：
Figure BDA0003637719600000179
其中，θ1表示历史最优粒子的加速度系数，θ2表示全局最优粒子的加速度系数，w1表示历史最优粒子的权重，w2表示历史最优粒子的权重，每个粒子的速度和位置被更新为：
Figure BDA00036377196000001710
Figure BDA00036377196000001711
式中，θ3表示每个优良粒子的加速度系数，w3是在区间(0,1)中均匀生成的随机数；
对于目标函数
Figure BDA00036377196000001712
如果
Figure BDA00036377196000001713
xk就会被选为粒子k的优良粒子；否则，根据模拟退火算法Metropolis接受规则，如果：
Figure BDA00036377196000001714
其中w4∈[0,1],θ4表示退火温度，会随机生成一个在区间[0,1]上服从均匀分布的随机数r，如果r<q,则接受xk，否则，模拟退火算法就会沿着逆梯度下降的梯度方向进行搜索，以增加探索到全局最优解的可能。
智能诊断模块根据训练出的最优医学影像分割阈值来识别疾病特征，完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。
具体的，本发明针对传统粒子群算法局部搜索能力弱、寻优精度低的不足提出了模拟退火粒子群(GSP)算法。GSP算法结合了遗传算法(Genetic Algorithm, GA)、SA(Simulated Annealing,SA)和PSO(Particle Swarm Optimization,PSO)优化算法的优势，通过遗传算法对
Figure BDA00036377196000001715
和
Figure BDA00036377196000001716
的遗传操作进行综合，并利用SA的 Metropolis接受规则更新粒子位置。从而提高了粒子群优化算法在GSP中的搜索能力。遗传算法使用群体搜索技术，通过对当前群体进行交叉、变异等一系列遗传操作，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态。基于GSP方法能结合各启发式算法的优点，对医学影像提取的特征点进行疾病归类，建立了粒子群模型，逐步迭代来缩小预测疾病和真实结果之间的差距；为了进一步收集多种类样本，对提取的特征进行遗传操作，如交叉、变异操作，以增加样本的多样性；接着为了克服粒子群算法容易陷入局部最优解，采用了模拟退火算法，利用Metropolis准则，依概率的跳出局部最优，在不同温度的迭代次数下，逐步探索局部最优。将上述三种启发式算法择优结合，以粒子群算法作为主模型，利用了遗传算法构建了样本多样性，利用了模拟退火算法可以从局部最优跳出，最终达到全局最优，为了克服遗传算法和模拟退火算法收敛速度过慢的问题，采用了PSO模型加速收敛。最终通过GSP方法得到了Otsu的阈值分割的最佳位置，在满足种群多样性的基础上，也能满足收敛的速度，并为跳出局部最优解带来了可能，得到医学影像最好的分隔阈值，上述算法将进一步提升医学影像的识别能力和效率，具有较强的稳健性。
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 (9)

1.基于区块链和医学影像的疾病预测系统，包括医学影像获取模块、医学影像预处理模块、疾病预测模块和智能诊断模块，医学影像获取模块用于获取患者的医学影像，并将获取的患者的历史诊疗医学数据和医学影像传输至所述医学影像预处理模块，医学影像预处理模块包括区块链存储单元、影像降噪单元和影像更新单元，所述区块链存储单元安全可靠地将患者历史诊疗医学数据和医学影像分布式地存入数据库，数据库由网络内多个虚拟机并行搭建，并从区块链存储单元调取患者的医学影像，通过影像降噪单元对患者的医学影像降噪处理，降低噪声阴影对医学影像的疾病预测系统的误判，影像更新单元用于更新需要被预测疾病的影像，预处理后的患者医学影像将被送往疾病预测模块进一步对疾病特征进行分类，所述疾病预测模块通过神经网络对训练的医学影像结果分类疾病，疾病预测模块采用Otsu阈值分割算法对降噪处理后的医学影像进行影像分割，并采用模拟退火粒子群算法确定所述Otsu阈值分割算法的阈值，假设待处理的医学影像记作I，I(x,y)表示医学影像I中坐标(x,y)处的像素，以坐标(x,y)为中心的Γ×Γ的医学影像方形邻域记作Ω(x,y)，其中，Γ为医学影像方形邻域边长的像素点个数，具体步骤如下：
(1)计算Ω(x,y)的灰度均值为Ψ(x,y)，如下式表示：
Figure FDA0004021184140000011
其中，(i,j)为医学影像I的坐标，I(i,j)表示医学影像I中坐标(i,j)处的像素，f(i,j)表示在坐标(i,j)处的灰度值，size(x,y)表示Ω(x,y)区域内总像素的个数；
(2)将256位的灰度值均分，记这两部分分别为ΩA和ΩB，对应的就是前景色和背景色，这两部分各自的灰度平均值为MA和MB，ΩA中像素数量占总像素数量的比例记为PA，ΩB中像素的数量占总像素的比例记为PB，则可表示为：
Figure FDA0004021184140000012
Figure FDA0004021184140000013
假设在Ω(x,y)内存在某个灰度值f(i,j)对应的是第k个像素点xk，Nobuyuki Otsu提出Otsu自动分割算法，并给出的第k个像素点类间方差定义为：
Figure FDA0004021184140000021
其中，MA(xk)为第k个像素点的前景色均值，MB(xk)为第k个像素点的背景色均值，加入调节参数ξ(xk)来调节因xk小概率取到最值的情况，ξ(xk)∈[0,1],ξ(xk)表示如下：
Figure FDA0004021184140000022
其中，fmin为在Ω(x,y)内灰度值的最小值，fmax为在Ω(x,y)内灰度值的最大值；
(3):为了能够找到最好的分割阈值，使得医学影像识别更加准确，建立了数学规划模型，目标函数
Figure FDA0004021184140000023
如下式所示：
Figure FDA0004021184140000024
满足约束条件：0≤xk≤255；采用遗传退火粒子群算法确定所述Otsu自动分割算法的阈值，设置所述模拟退火粒子群算法根据下式更新粒子的速度和位置：
Figure FDA0004021184140000025
Figure FDA0004021184140000026
其中，
Figure FDA0004021184140000027
和
Figure FDA0004021184140000028
分别表示粒子群中的第k个粒子在d+1次迭代的速度和位置，
Figure FDA0004021184140000029
和
Figure FDA00040211841400000210
分别表示粒子群中的第k个粒子在d次迭代的速度和位置，θ1和θ2分别表示产生0到1之间的随机数，
Figure FDA00040211841400000211
表示第k个粒子的个体最优解，
Figure FDA00040211841400000212
表示粒子群中粒子的全局最优解，w1和w2表示学习因子，θ0表示粒子群中第k个粒子在d次迭代的惯性权重因子；
(4)在模拟退火粒子群算法中，引入了遗传操作，通过交叉、变异产生更好的粒子，增强粒子群优化算法的全局搜索能力，在医学影像灰度值中，由于0≤xk≤255，进行遗传操作时首先将其转换成二进制编码，其二进制编码范围在(00000000)2～(11111111)2之间，设xk的二进制串为(xk)10＝(b0b1b2b3b4b5b6b7)2，有：
Figure FDA00040211841400000213
其中(b0b1b2b3b4b5b6b7)2，为二进制数，且bi∈{0,1}对于遗传交叉操作采用单点交叉的方法，在该点相互交换两个配对个体的部分染色体，设交叉概率为Pc，并且设全局最优解为：
Figure FDA0004021184140000031
其中，
Figure FDA0004021184140000032
表示十进制全局最优的
Figure FDA0004021184140000033
灰度值所对应的8位二进制数，对全局最优解的第cd位染色体和需要探索最优值的第cd位xk的染色体进行交叉互换，其中cd∈[0,7]，则新交叉个体为
Figure FDA0004021184140000034
其中
Figure FDA0004021184140000035
为第d位需要交叉的个体全局最优值；
(5)设变异概率Pm，即染色体的信息发生突变，当触发变异概率时，染色体的第md位信息由0翻转为1，或者由1翻转为0，其中，md∈[0,7]，以增强样本的多样性，探索到精度更高的全局最优解，则新变异个体为
Figure FDA0004021184140000036
Figure FDA0004021184140000037
其中，
Figure FDA0004021184140000038
表示第md位十进制信息
Figure FDA0004021184140000039
交叉变异后的二进制变异结果，
Figure FDA00040211841400000310
是第md位需要变异的信息，让
Figure FDA00040211841400000311
表示粒子k的优良位置，通过每个优良粒子指导粒子群优化过程，在这项工作中，
Figure FDA00040211841400000312
受到
Figure FDA00040211841400000313
和
Figure FDA00040211841400000314
共同影响，即：
Figure FDA00040211841400000315
其中，
Figure FDA00040211841400000316
表示历史最优粒子的加速度系数，
Figure FDA00040211841400000317
表示全局最优粒子的加速度系数，
Figure FDA00040211841400000318
表示历史局部最优粒子的权重，
Figure FDA00040211841400000319
表示历史全局最优粒子的权重，每个粒子的速度和位置被更新为：
Figure FDA00040211841400000320
Figure FDA00040211841400000321
式中，θ3表示每个优良粒子的加速度系数，w3是(0,1)中均匀生成的随机数；
(6)所述目标函数
Figure FDA00040211841400000322
如果
Figure FDA00040211841400000323
xk就会被选为粒子k的优良粒子；否则，根据模拟退火算法Metropolis接受规则，如果：
Figure FDA00040211841400000324
其中，w4∈[0,1],θ4表示退火温度，那么会随机生成一个在区间[0,1]上服从均匀分布的随机数r，如果r<q，则接收x；
所述智能诊断模块完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。
2.根据权利要求1所述的基于区块链和医学影像的疾病预测系统，其特征在于，医学影像获取模块用于获取患者的诊疗医学影像，并将获取的医学影像传输至所述医学影像预处理模块。
3.根据权利要求1所述的基于区块链和医学影像的疾病预测系统，其特征在于，医学影像预处理模块用于去除医学影像缺省、无效内容后，将患者的医学影像存储至区块链存储单元。
4.根据权利要求3所述的基于区块链和医学影像的疾病预测系统，其特征在于，所述的区块链存储单元由网络内多个虚拟机并行搭建数据库，采用权益证明机制，记录区块链存储单元的正常或异常行为状态。
5.根据权利要求3所述的基于区块链和医学影像的疾病预测系统，其特征在于，所述的数据库由网络内多个虚拟机并行搭建，利用非对称加密技术保证患者医学影像的安全性与私密性。
6.根据权利要求1所述的基于区块链和医学影像的疾病预测系统，其特征在于，影像更新单元调取医学影像数据对支持向量机进行训练和测试，影像更新单元通过调取的医学影像数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i`选择向着萤火虫j`进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：
Figure FDA0004021184140000041
在上式中，xi`(t+1)表示萤火虫i`在第(t+1)次迭代更新后的位置，xi`(t)表示萤火虫i`在第t次迭代更新后的位置，xj`(t)表示萤火虫j`在第t次迭代更新后的位置，βi`j`(t)表示在第t次迭代更新后萤火虫j`对于萤火虫i`的吸引度，αi`j`(t)表示在第t次迭代更新后萤火虫i`向着萤火虫j`进行随机移动的随机项系数，rand为服从正态分布的随机系数，且rand∈[0,1]。
7.根据权利要求6所述的基于区块链和医学影像的疾病预测系统，其特征在于，将在第t次迭代更新后萤火虫j`对于萤火虫i`的吸引度βi`j(t)的值设置为：
Figure FDA0004021184140000051
在上式中，
Figure FDA0004021184140000052
表示在第t次迭代更新后萤火虫j`对萤火虫i`的原始吸引度，且
Figure FDA0004021184140000053
的值为：
Figure FDA0004021184140000054
其中，β0为r＝0时萤火虫的吸引度，即最大吸引度，γ为光吸收系数，表示萤火虫会随着距离的增加而逐渐减弱的特性，ri`j`(t)为在第t次迭代更新后萤火虫i`和萤火虫j`之间的笛卡尔距离，ρi`j`(t)为在第t次迭代更新后萤火虫j`对于萤火虫i`的吸引度的历史调节系数，且ρi`j`(t)的值为：
Figure FDA0004021184140000055
μ(t)表示迭代修正系数，且
Figure FDA0004021184140000056
其中，Tmax为最大迭代次数，ki`j`(t)表示在第t次迭代更新后萤火虫i`和萤火虫j`之间的区域历史统计系数，ki`j`(t)的值为：
Figure FDA0004021184140000057
其中，Ωi`j`(t)表示以位置xi`(t)为中心、以ri`j`(t)为半径的球形区域，xj`(τ)为萤火虫j`在第τ次迭代更新后的位置，f(xj`(τ),Ωi`j`(t))为用于位置xj`(τ)和区域Ωi`j`(t)之间的区域判断函数，且
Figure FDA0004021184140000058
M表示种群中的萤火虫数，t表示当前迭代次数。
8.根据权利要求7所述的基于区块链和医学影像的疾病预测系统，其特征在于，将在第t次迭代更新后萤火虫i`向着萤火虫j`进行随机移动的随机项系数αi`j`(t)的值设置为：
将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θK(t)表示集合K(t)中的萤火虫的移动方向属性值，且θK(t)的值为：
Figure FDA0004021184140000059
在上式中，MK(t)表示集合K(t)中的萤火虫数，M表示种群中的萤火虫数，yK(t)表示集合K(t)中萤火虫的空间分布优势值，且yK(t)的值为：
Figure FDA00040211841400000510
Figure FDA0004021184140000061
其中，将集合K(t)中的萤火虫按其绝对荧光亮度值由高到低进行排序组成序列LK(t)，则x′l(t)表示序列LK(t)中的第l个萤火虫在第t次迭代更新后的位置，x′l+1(t)表示序列LK(t)中的第(l+1)个萤火虫在第t次迭代更新后的位置，k为给定的正整数，且k<MK(t)，xl,a(t)为在第t次迭代更新后种群中距离位置x′l(t)第a近的萤火虫的位置，
Figure FDA0004021184140000062
为序列LK(t)中的第l个萤火虫的空间分布比较函数，且
Figure FDA0004021184140000063
当θK(t)的值满足：θK(t)>1时，则随机项系数αi`j`(t)的值为：
Figure FDA0004021184140000064
当θK(t)的值满足：θK(t)≤1时，则随机项系数αi`j`(t)的值为：
Figure FDA0004021184140000065
在上式中，α0为给定的初始随机项系数值，且α0∈[0,1]，ωj`(t)表示在第t次迭代更新后萤火虫j`在集合K(t)中的局部空间系数，ωj`(t)的值为：
Figure FDA0004021184140000066
Figure FDA0004021184140000067
xj`(t)表示萤火虫j`在第t次迭代更新后的位置，δj`(t)表示在第t次迭代更新后萤火虫j`在集合K(t)中的全局寻优系数，δj`(t)的值为：
Figure FDA0004021184140000068
其中，
Figure FDA0004021184140000069
表示在第t次迭代更新后萤火虫j`在序列LK(t)中的排序，
Figure FDA00040211841400000610
表示序列LK(t)中的第
Figure FDA00040211841400000611
个萤火虫在第t次迭代更新后的位置。
9.根据权利要求1所述的基于区块链和医学影像的疾病预测系统，其特征在于，智能诊断模块根据训练出的最优医学影像分割阈值来识别疾病特征，完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。
CN202210506878.7A 2022-05-11 2022-05-11 基于区块链和医学影像的疾病预测系统 Active CN114820550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210506878.7A CN114820550B (zh) 2022-05-11 2022-05-11 基于区块链和医学影像的疾病预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506878.7A CN114820550B (zh) 2022-05-11 2022-05-11 基于区块链和医学影像的疾病预测系统

Publications (2)

Publication Number Publication Date
CN114820550A CN114820550A (zh) 2022-07-29
CN114820550B true CN114820550B (zh) 2023-04-07

Family

ID=82513272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210506878.7A Active CN114820550B (zh) 2022-05-11 2022-05-11 基于区块链和医学影像的疾病预测系统

Country Status (1)

Country Link
CN (1) CN114820550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830411B (zh) * 2022-11-18 2023-09-01 智慧眼科技股份有限公司 生物特征模型训练方法、生物特征提取方法及相关设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
AU2020101065A4 (en) * 2020-06-19 2020-07-23 Hubei University Of Technology Method for scheduling UAVs based on chaotic adaptive firefly algorithm
CN111899250B (zh) * 2020-08-06 2021-04-02 朗森特科技有限公司 基于区块链和医学图像的远程疾病智能诊断系统
CN111863232B (zh) * 2020-08-06 2021-02-19 深圳市柯尼达巨茂医疗设备有限公司 基于区块链和医学影像的远程疾病智能诊断系统
CN113096806A (zh) * 2021-04-15 2021-07-09 王小娟 基于医学影像算法和区块链的疾病预测系统
CN113096793A (zh) * 2021-04-15 2021-07-09 王小娟 基于医学影像、算法和区块链的远程医疗诊断系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模拟退火并行遗传算法的Otsu双阈值医学图像分割;许良凤等;《工程图学学报》;20111015(第05期);全文 *

Also Published As

Publication number Publication date
CN114820550A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Ntoutsi et al. Bias in data‐driven artificial intelligence systems—An introductory survey
CN112200684B (zh) 一种检测医保欺诈的方法、系统及存储介质
KR20180038169A (ko) 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
KR102204509B1 (ko) 기계학습을 이용한 유전자 변이의 병원성 예측 시스템
CN114820550B (zh) 基于区块链和医学影像的疾病预测系统
Thangavel et al. Machine Learning Model and Cuckoo Search in a modular system to identify Alzheimer’s disease from MRI scan images
Qiu et al. Hierarchical multimodal fusion framework based on noisy label learning and attention mechanism for cancer classification with pathology and genomic features
Shan et al. Lung cancer diagnosis based on an ann optimized by improved teo algorithm
CN116886398A (zh) 一种基于特征选择和集成学习的物联网入侵检测方法
Noiret et al. Bias and fairness in computer vision applications of the criminal justice system
CN108806778A (zh) 一种白内障病情监察方法及系统
Kaur et al. Healthcare data analysis using water wave optimization-based diagnostic model
Thiagarajan et al. Distill-to-label: weakly supervised instance labeling using knowledge distillation
Bakker et al. Dadi: Dynamic discovery of fair information with adversarial reinforcement learning
Hasan et al. Survey on leveraging uncertainty estimation towards trustworthy deep neural networks: The case of reject option and post-training processing
Madanan et al. Designing an artificial intelligence model using machine learning algorithms and applying it to hematology for the detection and classification of various stages of blood cancer
Dash et al. Statistical analysis and comparison of deep convolutional neural network models for the identification and classification of maize leaf diseases
Assiri et al. A hybrid ensemble method for accurate breast cancer tumor classification using state-of-the-art classification learning algorithms
CN116665914B (zh) 一种基于健康管理的老人监控方法及系统
Islam et al. Deep Neural Network models for diagnosis of COVID-19 Respiratory diseases by analyzing CT-Scans and Explain-ability using trained models
Bharali An Improved CNN model for Identifying Tomato Leaf Diseases
Madanan et al. Applying an optimal feature ranking and selection algorithm and random forest classifier algorithm along with k-fold cross validation for classification of blood cancer cells
Wardani et al. Measuring and Mitigating Bias in Bank Customers Data with XGBoost, LightGBM, and Random Forest Algorithm
Thapliyal et al. Combining Spatial and Temporal Analysis: A CNN-LSTM Hybrid Model for Maize Disease Classification
Naz et al. Micro‐segmentation of retinal image lesions in diabetic retinopathy using energy‐based fuzzy C‐Means clustering (EFM‐FCM)

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: Disease prediction system based on blockchain and medical imaging

Granted publication date: 20230407

Pledgee: Hua Xia Bank Co.,Ltd. Kunming Branch

Pledgor: Yunnan Shengyue Information Technology Co.,Ltd.

Registration number: Y2024980005240

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20230407

Pledgee: Hua Xia Bank Co.,Ltd. Kunming Branch

Pledgor: Yunnan Shengyue Information Technology Co.,Ltd.

Registration number: Y2024980005240

PC01 Cancellation of the registration of the contract for pledge of patent right