CN114999638B - 基于人工智能医疗诊断用的大数据可视化处理方法及系统 - Google Patents

基于人工智能医疗诊断用的大数据可视化处理方法及系统 Download PDF

Info

Publication number
CN114999638B
CN114999638B CN202210844246.1A CN202210844246A CN114999638B CN 114999638 B CN114999638 B CN 114999638B CN 202210844246 A CN202210844246 A CN 202210844246A CN 114999638 B CN114999638 B CN 114999638B
Authority
CN
China
Prior art keywords
data
human body
information
image
body part
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
CN202210844246.1A
Other languages
English (en)
Other versions
CN114999638A (zh
Inventor
李昊贤
李昊哲
曾超
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.)
Wuhan Lansheng Technology Co ltd
Original Assignee
Wuhan Lansheng 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 Wuhan Lansheng Technology Co ltd filed Critical Wuhan Lansheng Technology Co ltd
Priority to CN202210844246.1A priority Critical patent/CN114999638B/zh
Publication of CN114999638A publication Critical patent/CN114999638A/zh
Application granted granted Critical
Publication of CN114999638B publication Critical patent/CN114999638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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]
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于人工智能医疗诊断用的大数据可视化处理方法及系统，数据处理模块将生物特征检测设备检测的信息进行预处理，以便采集数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音信息获取病理图像；诊断分析模块根据获取的病理图像提取特征进行诊断分析得出分析数据；可视化模块根据得出的分析数据绘制参照图和对比图以对比分析结果进行数据格式转换和表结构转换储存至存储模块；关联模块将基本及病理信息数据表的字段查询图标分别与影像信息数据表、基因信息数据表及CT影像路径数据表通过关联模块建立关联关系并生成视图，实现数据交互以及图表转化；图像展示装置执行云服务器的指令进行展示。

Description

基于人工智能医疗诊断用的大数据可视化处理方法及系统
技术领域
本发明属于大数据应用处理技术领域，具体涉及一种基于人工智能医疗诊断用的大数据可视化处理方法及系统。
背景技术
为了方便医师进行疾病诊断，市场上也提出了相对应的内窥镜等图像采集设备或者状态参数等采集设备，但是如图像采集，在采集到目标部位的图像后，就直接显示在了医师观察的显示屏上，从医师的实际使用角度上考虑，还需要医师自行分析和整理诊断结果，且现有的检测诊断设备的诊断信息只能在相应的检测诊断设备上查看，对于其他类型的疾病诊断记录展示的诊断信息不够全面，无法实现各类疾病的诊断信息整合并供医师实时查找，不利于医师在相应领域的各种疾病的长期研究学习，以提升医师在相应领域的精准诊断的水平。
鉴于此，实有必要提供一种新型的基于人工智能医疗诊断用的大数据可视化处理方法及系统以克服上述缺陷。
发明内容
本发明的目的是提供一种基于人工智能医疗诊断用的大数据可视化处理方法及系统，能展示图像、图表、文字，全面的展示各类型疾病的诊断记录、时段性、周期性以及发展趋势，展示信息全面，有利于医师及时查找信息进行长期研究学习，以提升医师在相应领域的精准诊断的水平，进而达到准确地诊断分析结果，减小误诊的可能性。
为了实现上述目的，本发明提供一种基于人工智能医疗诊断用的大数据可视化处理方法，包括如下步骤：
S1：通过脑电仪获取被测人的脑电波，通过生物雷达获取被测人的生命信息，通过视像生成装置获取被测人的行为动作信息，通过CT获取被测人的身体扫描信息，通过录音设备录取被测人的语音信息；
S2：通过数据处理模块将生命信息、行为动作信息、身体扫描信息以及语音信息进行预处理；
S3：通过数据采集模块采集所述数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音信息获取病理图像；
S4：通过诊断分析模块对获取的病理图像提取特征进行诊断分析得出分析数据；
S5：通过可视化模块根据得出的分析数据绘制参照图和对比图以对比分析结果进行数据格式转换和表结构转换储存至存储模块，并在存储模块中建立数据库；其中，数据库包括基本及病理信息数据表、影像信息数据表、基因信息数据表及CT影像路径数据表；
S6：将所述基本及病理信息数据表的字段查询图标分别与影像信息数据表、基因信息数据表及CT影像路径数据表通过关联模块建立一一对应的关联关系并生成视图；
S7：向云服务器发送可视化请求，所述云服务器向图像展示装置下达指令使图像展示装置进行展示。
优选的，所述预处理的步骤：包括步骤S21：将被测人的生命信息、行为动作信息、身体扫描信息以及语音信息进行整合，并进行模块化处理；
S22：对预处理后的信息进行聚类处理。
优选的，步骤S22包括步骤S221：输入数据集、邻域半径以及邻域中数据对象数据阈值；
S222：从数据集中任意选取一个数据对象点；若该数据对象点对于邻域半径和邻域中数据对象数据阈值为核心点，则找出所有从该数据对象点密度可达的数据对象点形成一个聚类簇；若选取的数据对象点对于邻域半径和邻域中数据对象数据阈值为边缘点，则选取另一个数据对象点，重复上述步骤S211-S212，直至所有点被处理，若存有无法形成聚类簇的孤立点，则判定为异常点。
S223：对聚类处理后的生命信息、行为动作信息、身体扫描信息以及语音信息进行记录并过滤。
优选的，步骤S4包括步骤S41：对病理图像进行小波包分解，第一级小波包分解后得到4幅子图像，第二级小波包分解后得到16幅子图像；
S42：求每个子图像的能量；
S43：将除最低频段以外的子图像依次排序，并求取排序后子图像中的3幅平均能量最低的子图像的分形维数；
S44：将排序后子图像中的3幅平均能量最低的子图像的分形维数，和将除最低频段以外的子图像以及排序后子图像中的3幅平均能量最低的子图像以外的子图像的平均能量构成一个18维的特征向量。
优选的，所述步骤S4包括步骤S45：通过病理图像的深度值的判定将病理图像的前景区域和背景区域进行区分实现在病理图像中人体目标前景提取；
S46：采用图像细化算法变换得到骨骼提取图像。
优选的，步骤S46还包括步骤S461：确定人体区域部分，根据深度值分布的情况在人体区域部分中进行查找，将与人体区域部分深度值相差较大的部分视为是有遮挡人体部分的情况，与人体区域部分深度值没有差别的部分视为人体部分；
S462：删除与人体部分的深度值的平均值相差3以上的深度值，则除去遮挡人体部分的区域，将人体部分进行细化处理得到该区域的骨架；
S463：将人体部分的深度值的平均值与遮挡人体部分的深度值的平均值相差4以内深度值的部分设置为0，只留下遮挡人体部分的区域，将遮挡人体部分进行细化处理得到该区域的骨架；
S464：将人体部分的骨架的图像与遮挡人体部分的骨架的图像相融合得到完整的人体骨架图。
优选的，步骤S464包括步骤S4641：将人体部分的骨架的图像与遮挡人体部分的骨架的图像利用非线性映射的方式映射到更高维的空间，得到线性可分的高维的目标特征信息；
S4642：合成上述目标特征信息的核函数，合成的核函数由许多个基本核函数的加权求和计算得到；
S4643：根据上述合成的核函数利用深度学习算法将人体部分的骨架的图像与遮挡人体部分的骨架的图像的特征层融合。
优选的，利用神经网络M和神经网络N分别提取人体部分的骨架的图像的特征集的非线性特征和遮挡人体部分的骨架的图像的特征集的非线性特征，使用反向传播求解相应的权重向量和偏移向量，通过神经网络Q得到低维的融合后特征分量，为每一维特征分量选择效果最佳的基本核函数，将多个核函数用加权求和组合一个合成的核函数。
一种基于人工智能医疗诊断用的大数据可视化处理系统，包括数据处理模块；所述数据处理模块用于将生物特征检测设备检测的信息进行预处理；
数据采集模块，所述数据采集模块与所述数据处理模块通信连接以便采集所述数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音信息获取病理图像；
诊断分析模块，所述诊断分析模块与所述数据采集模块通信连接，以便根据获取的病理图像提取特征进行诊断分析得出分析数据；
存储模块，所述存储模块与所述诊断分析模块通信连接；
可视化模块，所述可视化模块与所述存储模块通信连接，以便根据得出的分析数据绘制参照图和对比图以对比分析结果进行数据格式转换和表结构转换储存至存储模块，并在存储模块中建立数据库；
关联模块，所述关联模块与所述可视化模块通信连接，所述关联模块用于将基本及病理信息数据表的字段查询图标分别与影像信息数据表、基因信息数据表及CT影像路径数据表通过关联模块建立一一对应的关联关系并生成视图，实现数据交互以及图表转化；
图像展示装置，所述图像展示装置与关联模块和云服务器通信连接，以便执行云服务器的指令进行展示。
与现有技术相比，有益效果在于：1）系统可以获得参照图与对比图，医师可快速根据参照图和对比图对比后的数据进行诊断分析，形成诊断记录，并且通过图像展示装置展示图像、图表、文字，全面的展示各类型疾病的诊断记录、时段性、周期性以及发展趋势，展示信息全面，有利于医师及时查找信息进行长期研究，以提升医师在相应领域的精准诊断的水平，进而达到准确地诊断分析结果，减小误诊的可能性；
2）通过求取每个子图像的能量，将排序后子图像中的3幅平均能量最低的子图像的分形维数，和将除最低频段以外的子图像以及排序后子图像中的3幅平均能量最低的子图像以外的子图像的平均能量构成一个18维的特征向量，以便提取病理图像中的正常细胞和异常细胞的纹理特征，进而方便医师根据提取的纹理特征判断症状，并给出诊断方案；
3）通过对病理图像的深度值的判定将病理图像的前景区域和背景区域进行区分实现在病理图像中人体目标前景提取，采用图像细化算法变换得到图像清晰、没有多余毛刺的骨骼提取图像。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明提供的基于人工智能医疗诊断用的大数据可视化处理方法的流程图。
图2为多个核函数的合成示意图。
图3为人体目标的骨骼提取合成示意图。
图4为本发明提供的基于人工智能医疗诊断用的大数据可视化处理系统的示意图。
具体实施方式
为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
需要理解的是，术语 “上”、 “下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
还需要说明的是，除非另有明确的规定和限定，“安装”、“相连”、“连接”、“固定”、“设置”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况上述术语在本发明中的具体含义。
此外，术语“左”、“右”、仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。此外，“多个”、“若干”的含义是指两个或两个以上，除非另有明确具体的限定。
请参阅图1，本发明提供一种基于人工智能医疗诊断用的大数据可视化处理方法，包括如下步骤：
S1：通过脑电仪获取被测人的脑电波，通过生物雷达获取被测人的生命信息（呼吸、心率、脉搏等），通过视像生成装置（摄像头）获取被测人的行为动作信息（行走、肢体动作、面部表情等），通过CT （Computed Tomography）获取被测人的身体扫描信息（胸、腹、脊柱、四肢等），通过录音设备录取被测人的语音信息；
S2：通过数据处理模块将生命信息、行为动作信息、身体扫描信息以及语音信息进行预处理，以清除原始数据中的重复、异常的数据，达到数据标准化的目的，进而方便后续的数据采样，缩短数据采集的时间；
S3：通过数据采集模块采集所述数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音信息获取病理图像，以便后续的诊断分析模块对采集的信息进行诊断分析；
S4：通过诊断分析模块分析采集的生命信息、行为动作信息以及身体扫描信息和对获取的病理图像提取特征进行诊断分析得出分析数据，以方便医师根据当前提取的纹理特征和分析数据判断被测人的病灶，并给出诊断方案；
S5：通过可视化模块根据得出的分析数据绘制参照图和对比图以对比分析结果进行数据格式转换和表结构转换储存至存储模块，并在存储模块中建立数据库；其中，数据库包括基本及病理信息数据表、影像信息数据表、基因信息数据表及CT影像路径数据表，参照图为预先经诊断各项检测数据正常的图，对比图为获得实时诊断相应人员各项检测的图；如此，医师可快速根据参照图和对比图对比后的数据进行诊断分析，在存储模块中形成诊断记录；
数据库还包括生命信息的标识信息、索引词句；数据库还包括行为动作信息的标识信息、索引词句；数据库还包括语音信息的索引词句；
S6：将所述基本及病理信息数据表分别与影像信息数据表、基因信息数据表及CT影像路径数据表通过关联模块建立一一对应的关联关系并生成视图；
S7：向云服务器发送可视化请求，所述云服务器向图像展示装置下达指令使图像展示装置进行展示。
进一步的，所述预处理的步骤：包括步骤S21：将被测人的生命信息、行为动作信息以及语音信息进行整合，并进行模块化处理；
S22：对预处理后的信息进行聚类处理，不需要使用训练数据进行学习以达到数据分类；
具体的，步骤S22包括步骤S221：输入数据集、邻域半径以及邻域中数据对象数据阈值；
S222：从数据集中任意选取一个数据对象点；若该数据对象点对于邻域半径和邻域中数据对象数据阈值为核心点，则找出所有从该数据对象点密度可达的数据对象点形成一个聚类簇；若选取的数据对象点对于邻域半径和邻域中数据对象数据阈值为边缘点，则选取另一个数据对象点，重复上述步骤S211-S212，直至所有点被处理，若存有无法形成聚类簇的孤立点，则判定为异常点。
S223：对聚类处理后的生命信息、行为动作信息以及语音信息进行记录并过滤，以过滤清除原始数据中的重复、异常的数据，达到数据标准化的目的，进而方便后续的数据采样，缩短数据采集的时间。
需要说明的是，所述预处理还包括对被测人的生命信息、行为动作信息以及语音信息进行格式化、标准化、数据变换、数据压缩和解压缩等。
进一步的，步骤S4包括步骤S41：对病理图像进行小波包分解，第一级小波包分解后得到4幅子图像，第二级小波包分解后得到16幅子图像；
S42：求每个子图像的能量；
具体的，病理图像的特征主要集中在中、高频段部分，所以最低频段的两幅子图像的能量可以不考虑，求得除最低频段以外的子图像（通常为2幅）各自的平均能量；
S43：将除最低频段以外的子图像（通常为18幅）依次排序，并求取排序后子图像中的3幅平均能量最低的子图像的分形维数；
S44：将排序后子图像中的3幅平均能量最低的子图像的分形维数，和将除最低频段以外的子图像以及排序后子图像中的3幅平均能量最低的子图像以外的子图像（通常为15幅）的平均能量构成一个18维的特征向量，以便提取病理图像中的正常细胞和异常细胞的纹理特征，进而方便医师根据提取的纹理特征判断症状，并给出诊断方案。
进一步的，所述步骤S4包括步骤S45：通过病理图像的深度值的判定将病理图像的前景区域和背景区域进行区分实现在病理图像中人体目标前景提取。
由于在人体运动过程中，经常会出现人体自身遮挡的情况，为了实现更为准确的骨骼提取，进而达到准确地诊断分析结果，减小误诊的可能性。因此还包括步骤S46：采用图像细化算法变换得到图像清晰、没有多余毛刺的骨骼提取图像。
具体的，步骤S46还包括步骤S461：确定人体区域部分，根据深度值分布的情况在人体区域部分中进行查找，将与人体区域部分深度值相差较大的部分视为是有遮挡人体部分的情况，与人体区域部分深度值没有差别的部分视为人体部分；
S462：删除与人体部分的深度值的平均值相差3以上的深度值，则除去遮挡人体部分的区域，将人体部分进行细化处理得到该区域的骨架；
S463：将人体部分的深度值的平均值与遮挡人体部分的深度值的平均值相差4以内深度值的部分设置为0，只留下遮挡人体部分的区域，将遮挡人体部分进行细化处理得到该区域的骨架；
S464：将人体部分的骨架的图像与遮挡人体部分的骨架的图像相融合得到完整的人体骨骼提取图像，解决了在出现人体自身遮挡的情况下，准确地提取骨骼的问题。
具体的，步骤S464包括步骤S4641：将人体部分的骨架的图像与遮挡人体部分的骨架的图像利用非线性映射的方式映射到更高维的空间，得到线性可分的高维的目标特征信息；
S4642：合成上述目标特征信息的核函数，合成的核函数由许多个基本核函数的加权求和计算得到；
具体的，利用神经网络M和神经网络N分别提取人体部分的骨架的图像的特征集的非线性特征和遮挡人体部分的骨架的图像的特征集的非线性特征，使用反向传播算法求解相应的权重向量和偏移向量，通过神经网络Q得到低维的融合后特征分量，为每一维特征分量选择效果最佳的基本核函数，将多个核函数用加权求和组合一个合成的核函数。需要说明的是，在使用反向传播的算法求解过程中，可以实时根据误差调整神经网络M和神经网络N的各种参数的值，不断迭代直至收敛。
S4643：根据上述合成的核函数利用深度学习算法将人体部分的骨架的图像与遮挡人体部分的骨架的图像的特征层融合，得到完整的人体骨骼提取图像。
需要说明的是，在上述步骤中，为目标特征信息的各特征分量选出了合成最佳的核函数，融合的准确率高，效果优异。
本发明还提供一种基于人工智能医疗诊断用的大数据可视化处理系统，包括数据处理模块；所述数据处理模块用于将生物特征检测设备检测的信息进行预处理；在本实施例中，所述生物特征检测设备可以为脑电仪、生物雷达、摄像头、录音设备等，检测的信息包括生命信息（呼吸、心率、脉搏等）、动作信息（行走、肢体动作、面部表情等）、身体扫描信息（胸、腹、脊柱、四肢等）、语音信息；
数据采集模块，所述数据采集模块与所述数据处理模块通信连接以便采集所述数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音信息获取病理图像；
诊断分析模块，所述诊断分析模块与所述数据采集模块通信连接，以便根据获取的病理图像提取特征进行诊断分析得出分析数据；
存储模块，所述存储模块与所述诊断分析模块通信连接，所述存储模块用于存储数据；
可视化模块，所述可视化模块与所述存储模块通信连接，以便根据得出的分析数据绘制参照图和对比图以对比分析结果进行数据格式转换和表结构转换储存至存储模块，并在存储模块中建立数据库；
关联模块，所述关联模块与所述可视化模块通信连接，所述关联模块用于将基本及病理信息数据表的字段查询图标分别与影像信息数据表、基因信息数据表及CT影像路径数据表通过关联模块建立一一对应的关联关系并生成视图，实现数据交互以及图表转化；
图像展示装置，所述图像展示装置（显示器、电脑等）与关联模块和云服务器通信连接，以便执行云服务器的指令采用图像、图表、文字的方式进行展示。
需要说明的是，基本及病理信息数据表与影像信息数据表、基因数据表、肿瘤标记物数据表是一对一关系，使得表与表之间通过关联模块形成逻辑上的关联关系，从而保证了多学科信息表之间数据的完整性、一致性、规范性以及安全性的约束。其次，各个表中都有相应的字段被设置成索引，当用户按照索引字段作为查询条件时，会大大提高检索效率，缩短系统响应时间。
在本实施例中，所述图像展示模块展示的图表可以为面积图、直方图、折线图、南丁格尔玫瑰图、饼状图等；其中，面积图可显示某时间段内量化数值的变化和发展，以便医师可以直观了解当前该类型的疾病的研究趋势；直方图适合用来显示在连续间隔或特定时间段内的数据分布，以便医师可以了解当前该类型的疾病发生的时段性；折线图用于在连续间隔或时间跨度上显示定量数值，以便医师可以直观了解到当前该类型的疾病的发展趋势和关系；南丁格尔玫瑰图绘制于极坐标系之上，以便医师对于可以直观了解各种疾病的周期性的时序数据；饼状图，显示了不同类型的疾病占据疾病总类型的百分比。
本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的示例。

Claims (4)

1.一种基于人工智能医疗诊断用的大数据可视化处理方法，其特征在于，包括如下步骤，
S1：通过脑电仪获取被测人的脑电波，通过生物雷达获取被测人的生命信 息，通过视像生成装置获取被测人的行为动作信息，通过CT获取被测人的身体 扫描信息，通过录音设备录取被测人的语音信息；
S2：通过数据处理模块将生命信息、行为动作信息、身体扫描信息以及语音信息进行预处理；
步骤S2包括步骤S21：将被测人的生命信息、行为动作信息以及语音信息进行整合，并进行模块化处理；
S22：对预处理后的信息进行聚类处理； 步骤S22包括步骤S221：输入数据集、邻域半径以及邻域中数据对象数据阈值；
S222：从数据集中任意选取一个数据对象点；若该数据对象点对于邻域半 径和邻域中数据对象数据阈值为核心点，则找出所有从该数据对象点密度可达 的数据对象点形成一个聚类簇；若选取的数据对象点对于邻域半径和邻域中数 据对象数据阈值为边缘点，则选取另一个数据对象点，重复上述步骤S211-S212， 直至所有点被处理，若存有无法形成聚类簇的孤立点，则判定为异常点；
S223：对聚类处理后的生命信息、行为动作信息以及语音信息进行记录并过滤；
S3：通过数据采集模块采集所述数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音信息获取病理图像；
S4：通过诊断分析模块分析采集的生命信息、行为动作信息以及身体扫描信息和对获取的病理图像提取特征进行诊断分析得出分析数据；
所述步骤S4包括步骤S45：通过病理图像的深度值的判定将病理图像的前景 区域和背景区域进行区分实现在病理图像中人体目标前景提取；
S46：采用图像细化算法变换得到骨骼提取图像；步骤S46还包括步骤S461：确定人体区域部分，根据深度值分布的情况在人体区域部分中进行查找，将与人体区域部分深度值相差较大的部分视为是有遮 挡人体部分的情况，与人体区域部分深度值没有差别的部分视为人体部分；
S462：删除与人体部分的深度值的平均值相差3以上的深度值，则除去遮挡人体部分的区域，将人体部分进行细化处理得到该区域的骨架；
S463：将人体部分的深度值的平均值与遮挡人体部分的深度值的平均值相 差4以内深度值的部分设置为0，只留下遮挡人体部分的区域，将遮挡人体部分 进行细化处理得到该区域的骨架；
S464：将人体部分的骨架的图像与遮挡人体部分的骨架的图像相融合得到完整的人体骨架图；
步骤S464包括步骤S4641：将人体部分的骨架的图像与遮挡人体部分的骨架 的图像利用非线性映射的方式映射到更高维的空间，得到线性可分的高维的目标特征信息；
S4642：合成上述目标特征信息的核函数，合成的核函数由许多个基本核函数的加权求和计算得到；
S4643：根据上述合成的核函数利用深度学习算法将人体部分的骨架的图像 与遮挡人体部分的骨架的图像的特征层融合；
S5：通过可视化模块根据得出的分析数据绘制参照图和对比图以对比分析 结果进行数据格式转换和表结构转换储存至存储模块，并在存储模块中建立数 据库；其中，数据库包括基本及病理信息数据表、影像信息数据表、基因信息
数据表及CT影像路径数据表；
S6：将所述基本及病理信息数据表的字段查询图标分别与影像信息数据表、 基因信息数据表及CT影像路径数据表通过关联模块建立一一对应的关联关系并生 成视图；
S7：向云服务器发送可视化请求，所述云服务器向图像展示装置下达指令 使图像展示装置进行展示。
2.如权利要求1所述的基于人工智能医疗诊断用的大数据可视化处理方法， 其特征在于，步骤S4包括步骤S41：对病理图像进行小波包分解，第一级小波包 分解后得到4幅子图像，第二级小波包分解后得到16幅子图像；
S42：求每个子图像的能量；
S43：将除最低频段以外的子图像依次排序，并求取排序后子图像中的3幅平均能量最低的子图像的分形维数；
S44：将排序后子图像中的3幅平均能量最低的子图像的分形维数，和将除 最低频段以外的子图像以及排序后子图像中的3幅平均能量最低的子图像以外 的子图像的平均能量构成一个18维的特征向量。
3.如权利要求1所述的基于人工智能医疗诊断用的大数据可视化处理方法， 其特征在于，利用神经网络M和神经网络N分别提取人体部分的骨架的图像的特 征集的非线性特征和遮挡人体部分的骨架的图像的特征集的非线性特征，使用反向传播求解相应的权重向量和偏移向量，通过神经网络Q得到低维的融合后特征分量，为每一维特征分量选择效果最佳的基本核函数，将多个核函数用加权求和组合一个合成的核函数。
4.一种基于人工智能医疗诊断用的大数据可视化处理系统，其特征在于， 包括数据处理模块；所述数据处理模块用于将生物特征检测设备检测的信息进行预处理；将被测人的生命信息、行为动作信息以及语音信息进行整合，并进行模块化处理；对预处理后的信息进行聚类处理；输入数据集、邻域半径以及邻域中数据对象数据阈值；从数据集中任意选取一个数据对象点；若该数据对象点对于邻域半径和邻域中数据对象数据阈值为核心点，则找出所有从该数据对象点密度可达的数据对象点形成一个聚类簇；若选取的数据对象点对于邻域半径和邻域中数据对象数据阈值为边缘点，则选取另一个数据对象点，直至所有点被处理，若存有无法形成聚类簇的孤立点，则判定为异常点；对聚类处理后的生命信息、行为动作信息以及语音信息进行记录并过滤；
数据采集模块，所述数据采集模块与所述数据处理模块通信连接以便采集 所述数据处理模块处理后的生命信息、行为动作信息、身体扫描信息以及语音 信息获取病理图像；
诊断分析模块，所述诊断分析模块与所述数据采集模块通信连接，以便根 据获取的病理图像提取特征进行诊断分析得出分析数据；通过病理图像的深度值的判定将病理图像的前景区域 和背景区域进行区分实现在病理图像中人体目标前景提取；采用图像细化算法变换得到骨骼提取图像；确定人体区域部分，根据深度值分布的情况在人体区域部分中进行查找，将与人体区域部分深度值相差较大的部分视为是有遮挡人体部分的情况，与人体区域部分深度值没有差别的部分视为人体部分；删除与人体部分的深度值的平均值相差3以上的深度值，则除去遮挡 人体部分的区域，将人体部分进行细化处理得到该区域的骨架；将人体部分的深度值的平均值与遮挡人体部分的深度值的平均值相差4以内深度值的部分设置为0，只留下遮挡人体部分的区域，将遮挡人体部分进行细化处理得到该区域的骨架；将人体部分的骨架的图像与遮挡人体部分的骨架的图像相融合得到 完整的人体骨架图；将人体部分的骨架的图像与遮挡人体部分的骨架的图像利用非线性映射的方式映射到更高维的空间，得到线性可分的高维的目标特征信息；合成上述目标特征信息的核函数，合成的核函数由许多个基本核函数的加权求和计算得到；根据上述合成的核函数利用深度学习算法将人体部分的骨架的图像与遮挡人体部分的骨架的图像的特征层融合；
存储模块，所述存储模块与所述诊断分析模块通信连接；可视化模块，所述可视化模块与所述存储模块通信连接，以便根据得出的分析数据绘制参照图和对比图以对比分析结果进行数据格式转换和表结构转换 储存至存储模块，并在存储模块中建立数据库；
关联模块，所述关联模块与所述可视化模块通信连接，所述关联模块用于 将基本及病理信息数据表的字段查询图标分别与影像信息数据表、基因信息数 据表及CT 影像路径数据表通过关联模块建立一一对应的关联关系并生成视图， 实现数据交互以及图表转化；
图像展示装置，所述图像展示装置与关联模块和云服务器通信连接，以便 执行云服务器的指令进行展示。
CN202210844246.1A 2022-07-19 2022-07-19 基于人工智能医疗诊断用的大数据可视化处理方法及系统 Active CN114999638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210844246.1A CN114999638B (zh) 2022-07-19 2022-07-19 基于人工智能医疗诊断用的大数据可视化处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210844246.1A CN114999638B (zh) 2022-07-19 2022-07-19 基于人工智能医疗诊断用的大数据可视化处理方法及系统

Publications (2)

Publication Number Publication Date
CN114999638A CN114999638A (zh) 2022-09-02
CN114999638B true CN114999638B (zh) 2022-12-30

Family

ID=83022159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210844246.1A Active CN114999638B (zh) 2022-07-19 2022-07-19 基于人工智能医疗诊断用的大数据可视化处理方法及系统

Country Status (1)

Country Link
CN (1) CN114999638B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612899B (zh) * 2023-07-19 2023-10-10 潍坊医学院附属医院 基于互联网的心血管外科数据处理方法及服务平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599260A (zh) * 2015-02-02 2015-05-06 天津三英精密仪器有限公司 一种基于双能谱和小波融合的x射线图像增强方法
CN104751468A (zh) * 2015-04-01 2015-07-01 电子科技大学 一种提取深度图像中人体细化中心线的方法
CN106250867A (zh) * 2016-08-12 2016-12-21 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法
CN112612011A (zh) * 2020-12-24 2021-04-06 西安电子科技大学 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8412541B2 (en) * 2003-08-14 2013-04-02 Edda Technology, Inc. Method and system for intelligent qualitative and quantitative analysis for medical diagnosis
US20050108052A1 (en) * 2003-11-03 2005-05-19 Omaboe Nortey J. Proces for diagnosic system and method applying artificial intelligence techniques to a patient medical record and that combines customer relationship management (CRM) and enterprise resource planning (ERP) software in a revolutionary way to provide a unique-and uniquely powerful and easy-to-use-tool to manage veterinary or human medical clinics and hospitals
CN108288506A (zh) * 2018-01-23 2018-07-17 雨声智能科技（上海）有限公司 一种基于人工智能技术的癌症病理辅助诊断方法
US10949960B2 (en) * 2019-06-20 2021-03-16 Intel Corporation Pose synthesis in unseen human poses
CN110349652B (zh) * 2019-07-12 2022-02-22 之江实验室 一种融合结构化影像数据的医疗数据分析系统
CN113658683A (zh) * 2021-08-05 2021-11-16 重庆金山医疗技术研究院有限公司 一种疾病诊断系统及数据推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599260A (zh) * 2015-02-02 2015-05-06 天津三英精密仪器有限公司 一种基于双能谱和小波融合的x射线图像增强方法
CN104751468A (zh) * 2015-04-01 2015-07-01 电子科技大学 一种提取深度图像中人体细化中心线的方法
CN106250867A (zh) * 2016-08-12 2016-12-21 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法
CN112612011A (zh) * 2020-12-24 2021-04-06 西安电子科技大学 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波包和分形相结合的纹理分类;杨敏等;《现代电子技术》;20080508(第09期);第161-162页 *

Also Published As

Publication number Publication date
CN114999638A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
JP5128154B2 (ja) レポート作成支援装置、レポート作成支援方法およびそのプログラム
CN110379492A (zh) 一种全新的ai+pacs系统及其检查报告构建方法
US7933437B2 (en) Information processing apparatus and its control method and data processing system
Bergquist et al. Body surface potential mapping: contemporary applications and future perspectives
JP7333132B1 (ja) マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム
CN111310851A (zh) 一种人工智能超声辅助系统及其应用
CN106725426A (zh) 一种心电信号分类的方法及系统
CN112906748A (zh) 基于残差网络的12导联ecg心律失常检测分类模型构建方法
CN108836314A (zh) 一种基于网络和人工智能的动态心电图分析方法及系统
CN110664395A (zh) 图像处理方法、图像处理装置以及存储介质
CN113724876A (zh) 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型
CN109620218A (zh) 脑电波智能筛查方法及系统
CN112070785A (zh) 一种基于计算机视觉的医学图像分析方法
CN112508884A (zh) 一种癌变区域综合检测装置及方法
CN114999638B (zh) 基于人工智能医疗诊断用的大数据可视化处理方法及系统
CN110507311A (zh) 一种基于图像信息的心电分析方法、装置、设备及介质
Meqdad et al. Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG
CN107516019A (zh) 无创健康预测系统及方法
Neifar et al. Deep Generative Models for Physiological Signals: A Systematic Literature Review
CN111613321A (zh) 一种基于密集卷积神经网络的心电图卒中辅助诊断方法
CN110827275A (zh) 基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法
CN114569116A (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
Siddiqui et al. Artificial intelligence-based myocardial infarction diagnosis: a comprehensive review of modern techniques
Sun et al. Multi-scale Joint Recurrence Quantification Analysis Integrating ECG Spatiotemporal and Dynamic Information for Cardiopathy Detection
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质

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