CN115295125B - 一种基于人工智能的医学影像文件管理系统及方法 - Google Patents
一种基于人工智能的医学影像文件管理系统及方法 Download PDFInfo
- Publication number
- CN115295125B CN115295125B CN202210933162.5A CN202210933162A CN115295125B CN 115295125 B CN115295125 B CN 115295125B CN 202210933162 A CN202210933162 A CN 202210933162A CN 115295125 B CN115295125 B CN 115295125B
- Authority
- CN
- China
- Prior art keywords
- medical
- medical image
- patient
- image
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000011282 treatment Methods 0.000 claims abstract description 76
- 238000005065 mining Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 13
- 238000013499 data model Methods 0.000 claims description 9
- 239000008155 medical solution Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007721 medicinal effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- G16H30/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Bioethics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的医学影像文件管理系统及方法,属于人工智能影像管理技术领域。通过获取人体不同组织的对应医学影像和医学影像对应的医疗方案,考虑到人体同一组织可能会出现不同数量的病灶影像,而病灶影像的数量不同对医学治疗的治疗次数和治疗周期起到关键性的影响,进一步根据医疗方案包含的治疗次数和治疗周期,建立医学影像与医疗方案的关联数据库,同时根据关联数据库,进一步挖掘医学影像与治疗方案之间的规律特征,通过所述规律特征对医疗影响进行归类,进而生成有关医疗患者、医学影像和医学影像的医疗方案的文件集,同时根据所述文件集对不同的医学影像进行治疗方案的预测。
Description
技术领域
本发明涉及人工智能影像管理技术领域,具体为一种基于人工智能的医学影像文件管理系统及方法。
背景技术
自2020年3月以来,国家层面多次提出加快新型基础设施建设的要求,在医疗卫生领域的新基建涵盖了医疗设备、5G、互联网、大数据、人工智能等方面的新型技术的融合推进和产业化升级。可以预见的是,未来的医疗卫生行业生态体系将会趋向于区域化、一体化、智能化、中台化发展。围绕医学影像的人工智能、大数据等全生命周期管理平台是未来行业发展的重要方向之一。其重要性体现于:第一,可为临床提供数据分析,为医生对业务的精准决策提供支撑;第二,可为设备厂商提供算法模型,使得影像设备更为智能化;第三,能够提供影像智能分析能力及服务;第四,为医药研发企业提供药效分析;第五,为临床科研做数据支撑。
随着医院业务量的增加,PACS系统管理影像数据由TB级别跨向PB级别。影像数据量的指数级增长,给PACS系统查询检索带来负担,势必导致系统反馈速度的下降,因此,传统的数据存储技术无法满足大数据时代的业务需求。而且不同存储系统之间的数据难以统一治理,数据迁移工作繁重。难以将积累的大量影像数据用于如AI辅助诊疗、影像数据分析与影像智能诊断等科研活动,由此使得数据价值难以充分发挥。通过对海量、来源分散、格式多样的影像数据进行采集、存储、深度学习和开发,从中发现新知识、创造新价值、提升新能力,再反哺健康医疗服务产业,为健康医疗服务的提升提供有价值的依据,使医疗机构运营更高效、服务更精准,由此可以借助医学影像对应的治疗方案,根据治疗方案对医学影像进行集中归类,并根据归类信息对治疗方案进行预测,并为降低医生误诊率提供支撑。
发明内容
本发明的目的在于提供一种基于人工智能的医学影像文件管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于人工智能的医学影像文件管理方法,本方法包括以下步骤:
步骤S100:获取医院针对不同医学影像的医疗方案,所述医疗方案包括医疗次数和医疗周期;
步骤S200:根据所述医疗方案,建立医学影像与医疗方案的关联数据库;
步骤S300:根据所述关联数据库,进一步挖掘医学影像的规律特征;
步骤S400:将所述医学影像的规律特征生成医学影像文件集,且对所述医学影像文件集进行存储;
步骤S500:实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据,根据历史大数据提取组织检测部位的历史医学影像数据,并将提取得到的若干医学影像进行汇集得到医学影像序列;
步骤S600:根据所述医学影像序列,对医疗患者需要进行医学治疗的医疗次数和医疗周期进行预测;
步骤S700:将预测结果发送至医院主治医生处;
步骤S800:根据当前的医学影像的医疗方案对所述医学影像文件集进行更新。
进一步的,所述步骤S100中获取医院针对不同医学影像的医疗方案的过程具体包括如下:
步骤S101:获取不同医学影像,并按照时间顺序形成医学影像序列,所述医学影像序列记为{X1,X2,X3,…,Xn},其中,X1,X2,X3,…,Xn分别表示在时间序列上的第一个、第二个、第三个、…、第n个医学影像;
步骤S102:获取每个医学影像的医疗方案。
进一步的,所述步骤S200中建立医学影像与医疗方案的关联数据库的过程具体包括如下:
步骤S201:获取医院的医疗设备检查出的医疗患者和医疗患者对应的医疗信息,所述医疗信息包括步骤S101中所述的医学影像序列,并将所述医疗患者记为AS,将所述医疗信息记为I(AS)={X1,X2,X3,…,Xn};
步骤S202:调取匿名医疗患者的医疗方案数据,建立如下关联数据模型:
其中,P(AS)代表医疗患者AS的关联指数,Ci代表医疗患者AS的编号为i的医学影像的治疗次数,Ti代表医疗患者AS的编号为i的医学影像的治疗周期,C表示医疗患者AS的医学影像的治疗次数的总和且T表示医疗患者AS的医学影像的治疗周期的总和且/>
上述公式中,不同的医学影像会出现在不同的患者身上,且不同的患者由于身体抵抗力的不同,对相同的异常影像接受治疗的效果也不同,通过获取每个医疗患者针对相同的医学影像的治疗次数和治疗周期,建立治疗次数和治疗周期的关联模型,为挖掘医学影像的规律特征提供依据。
进一步的,所述步骤S300中进一步挖掘医学影像的规律特征的过程具体包括如下:
步骤S301:进一步对所述医疗患者的医学影像进行单一化提取,以医学影像为单位,并将提取的单一化医学影像记为u,且u∈{X1,X2,X3,…,Xn},对包含单一化医学影像u的医疗患者进行计数统计,所述计数统计的数量记为M;进一步建立医学影像的贡献值计算公式模型,如下:
其中,表示单一化医学影像u的贡献值,as表示包含单一化医学影像u的所有医疗患者的集合,|AS|表示医疗患者AS包含的单一化医学影像的数量,P(AS)表示医疗患者AS中包含单一化医学影像u的医疗患者关联指数值的和;
上述公式中,根据相同的医学影像发生在不同的医疗患者身上表现的治疗效果,可以进一步提取每个医学影像发生的加权因子,公式即为每个医学影像发生的加权因子;用加权因子乘以不同治疗效果,再进行累加求和,便可以得到每个医学影像的贡献值;
步骤S302:根据所述医学影像的贡献值,进一步计算医疗患者的标签值,具体计算公式如下:
其中,表示医疗患者的标签值。
进一步的,所述将所述医学影像的规律特征生成医学影像文件集的过程具体包括如下:
步骤S401:将所述医疗患者的标签值相等的医疗患者统计为一类,并将所述医疗患者的文件集记为Sj,且Sj=(AS、{X1,X2,X3,…,Xn}、{C,T}),j表示文件集的类别编号;
步骤S402:获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式
进一步的,所述步骤S600中所述对医疗患者需要进行医学治疗的医疗次数和医疗周期进行预测的过程具体包括如下:
获取所述步骤S402中统计为一类的医学影像的文件集,并计算所述医疗方案包含的医疗次数的平均值和医疗周期的平均值;并将所述平均值作为对医疗患者需要进行医学治疗的医疗次数和医疗周期的预测结果。
进一步的,所述步骤S800中所述当前的医学影像的医疗方案对所述医学影像文件集进行更新的过程具体为:根据所述步骤S402中的列阵形式对当前数据进行归类添加。
一种基于人工智能的医学影像文件管理系统,本系统包括:医学影像数据采集模块、医学影像筛查模块、关联数据库模块、规律特征挖掘模块、数据存储模块、医疗预测模块;
所述医学影像数据采集模块,用于实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据;
所述医学影像筛查模块,用于根据医疗患者通过医院医疗设备检测得到的组织部位,提取所述组织部位的历史医学影像数据;用于将筛查得到的若干医学影像进行汇集得到医学影像序列;
所述关联数据库模块,用于获取医院的医疗设备检查出的医疗患者;用于获取医疗患者对应的每个医学影像;用于获取每个医学影像的医疗方案,所述医疗方案包括医疗次数和医疗周期;用于根据所述医疗方案建立关联数据模型;
所述规律特征挖掘模块用于根据所述关联数据模型进一步建立医学影像的贡献值计算模型;
所述数据存储模块,用于将所述医疗患者的标签值相等的医疗患者统计为一类;用于获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式;
所述医疗预测模块用于对医疗患者需要进行医学治疗的医疗方案预测;
所述医学影像数据采集模块的输出端与所述医学影像筛查模块的输入端相连接;所述医学影像筛查模块的输出端与所述关联数据库模块的输入端相连接;所述关联数据库模块的输出端与所述规律特征挖掘模块的输入端相连接;所述规律特征挖掘模块的输出端与所述数据存储模块的输入端相连接;所述数据存储模块的输出端与所述医疗预测模块的输入端相连接。
进一步的,所述规律特征挖掘模块还包括医学影像单一化提取单元和医学影像单一化求和单元;
所述医学影像单一化提取单元用于根据关联指数阈值筛选出来的医疗患者的医学影像进行单一化提取;
所述医学影像单一化求和单元用于获取包含单一化医学影像的各个医疗患者的关联指数值,并对所述关联指数值进行求和;
所述医学影像单一化提取单元的输出端与所述医学影像单一化求和单元的输入端相连接。
进一步的,所述医疗预测模块还包括平均值提取单元和数据库更新单元;
所述平均值提取单元用于获取所述统计为一类的医学影像的医疗方案包含的医疗次数的平均值和医疗周期的平均值;
所述数据库更新单元用于获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式,且对所述列阵形式的数据进行更新;
所述平均值提取单元的输入端与所述数据库更新单元的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:本发明提供的一种基于人工智能的医学影像文件管理系统及方法中,通过获取人体不同组织的对应医学影像和医学影像对应的医疗方案,考虑到人体同一组织可能会出现不同数量的病灶影像,而病灶影像的数量不同对医学治疗的治疗次数和治疗周期起到关键性的影响,进一步根据医疗方案包含的治疗次数和治疗周期,建立医学影像与医疗方案的关联数据库,同时根据关联数据库,进一步挖掘医学影像与治疗方案之间的规律特征,通过所述规律特征对医疗影响进行归类,进而生成有关医疗患者、医学影像和医学影像的医疗方案的文件集,同时根据所述文件集对不同的医学影像进行治疗方案的预测。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的医学影像文件管理系统的结构示意图;
图2是本发明一种基于人工智能的医学影像文件管理方法的流程示意图。
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。
请参阅图1-图2,本发明提供技术方案:
一种基于人工智能的医学影像文件管理方法,本方法包括以下步骤:
步骤S100:获取医院针对不同医学影像的医疗方案,其中医疗方案包括医疗次数和医疗周期;
步骤S200:根据医疗方案,建立医学影像与医疗方案的关联数据库;
步骤S300:根据关联数据库,进一步挖掘医学影像的规律特征;
步骤S400:将医学影像的规律特征生成医学影像文件集,且对医学影像文件集进行存储;
步骤S500:实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据,根据历史大数据提取所述组织检测部位的历史医学影像数据,并将提取得到的若干医学影像进行汇集得到医学影像序列;
步骤S600:根据医学影像序列,对医疗患者需要进行医学治疗的医疗次数和医疗周期进行预测;
步骤S700:将预测结果发送至医院主治医生处;
步骤S800:根据当前的医学影像的医疗方案对医学影像文件集进行更新。
其中,步骤S100中获取医院针对不同医学影像的医疗方案的过程具体包括如下:
步骤S101:获取不同医学影像,并按照时间顺序形成医学影像序列,将医学影像序列记为{X1,X2,X3,…,Xn},其中,X1,X2,X3,…,Xn分别表示在时间序列上的第一个、第二个、第三个、…、第n个医学影像;
步骤S102:获取每个医学影像的医疗方案。
其中,步骤S200中建立医学影像与医疗方案的关联数据库的过程具体包括如下:
步骤S201:获取医院的医疗设备检查出的医疗患者和医疗患者对应的医疗信息,所述医疗信息包括步骤S101中所述的医学影像序列,并将所述医疗患者记为AS,将所述医疗信息记为I(AS)={X1,X2,X3,…,Xn};
步骤S202:调取匿名医疗患者的医疗方案数据,建立如下关联数据模型:
其中,P(AS)代表医疗患者AS的关联指数,Ci代表医疗患者AS的编号为i的医学影像的治疗次数,Ti代表医疗患者AS的编号为i的医学影像的治疗周期,C表示医疗患者AS的医学影像的治疗次数的总和且T表示医疗患者AS的医学影像的治疗周期的总和且/>
其中,步骤S300中进一步挖掘医学影像的规律特征的过程具体包括如下:
步骤S301:进一步对所述医疗患者的医学影像进行单一化提取,以医学影像为单位,并将所述提取的单一化医学影像记为u,且u∈{X1,X2,X3,…,Xn},对包含单一化医学影像u的医疗患者进行计数统计,所述计数统计的数量记为M;进一步建立医学影像的贡献值计算公式模型,如下:
其中,表示单一化医学影像u的贡献值,as表示包含单一化医学影像u的所有医疗患者的集合,|AS|表示医疗患者AS包含的单一化医学影像的数量,/>表示医疗患者AS中包含单一化医学影像u的医疗患者关联指数值的和;
步骤S302:根据所述医学影像的贡献值,进一步计算医疗患者的标签值,具体计算公式如下:
其中,表示医疗患者的标签值。
其中,将医学影像的规律特征生成医学影像文件集的过程具体包括如下:
步骤S401:将所述医疗患者的标签值相等的医疗患者统计为一类,并将所述医疗患者的文件集记为Sj,且Sj=(AS、{X1,X2,X3,…,Xn}、{C,T}),j表示文件集的类别编号;
步骤S402:获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式
其中,步骤S600中对医疗患者需要进行医学治疗的医疗次数和医疗周期进行预测的过程具体包括如下:
获取步骤S402中统计为一类的医学影像的文件集,并计算医疗方案包含的医疗次数的平均值和医疗周期的平均值;并将平均值作为对医疗患者需要进行医学治疗的医疗次数和医疗周期的预测结果。
其中,步骤S800中所述当前的医学影像的医疗方案对所述医学影像文件集进行更新的过程具体为:根据步骤S402中的列阵形式对当前数据进行归类添加。
一种基于人工智能的医学影像文件管理系统,本系统包括:医学影像数据采集模块、医学影像筛查模块、关联数据库模块、规律特征挖掘模块、数据存储模块、医疗预测模块;
医学影像数据采集模块,用于实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据;
医学影像筛查模块,用于根据医疗患者通过医院医疗设备检测得到的组织部位,提取所述组织部位的历史医学影像数据;用于将所述筛查得到的若干医学影像进行汇集得到医学影像序列;
关联数据库模块,用于获取医院的医疗设备检查出的医疗患者;用于获取医疗患者对应的每个医学影像;用于获取每个医学影像的医疗方案,并且医疗方案包括医疗次数和医疗周期;用于根据医疗方案建立关联数据模型;
规律特征挖掘模块,用于根据关联数据模型进一步建立医学影像的贡献值计算模型;
数据存储模块,用于将医疗患者的标签值相等的医疗患者统计为一类;用于获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式;
医疗预测模块,用于对医疗患者需要进行医学治疗的医疗方案预测;
其中,医学影像数据采集模块的输出端与医学影像筛查模块的输入端相连接;医学影像筛查模块的输出端与关联数据库模块的输入端相连接;关联数据库模块的输出端与规律特征挖掘模块的输入端相连接;规律特征挖掘模块的输出端与数据存储模块的输入端相连接;数据存储模块的输出端与医疗预测模块的输入端相连接。
其中,规律特征挖掘模块还包括医学影像单一化提取单元和医学影像单一化求和单元;
医学影像单一化提取单元,用于根据关联指数阈值筛选出来的医疗患者的医学影像进行单一化提取;
医学影像单一化求和单元,用于获取包含单一化医学影像的各个医疗患者的关联指数值,并对关联指数值进行求和;
医学影像单一化提取单元的输出端与医学影像单一化求和单元的输入端相连接。
其中,医疗预测模块还包括平均值提取单元和数据库更新单元;
平均值提取单元,用于获取统计为一类的医学影像的医疗方案包含的医疗次数的平均值和医疗周期的平均值;
数据库更新单元,用于获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式,且对列阵形式的数据进行更新;
所述平均值提取单元的输入端与所述数据库更新单元的输入端相连接。
在本实施例中,对医院医疗患者胸部进行医学影像采集;
根据历史大数据提取组织检测部位的历史医学影像数据,根据历史医学影像数据将筛查得到的若干医学影像进行汇集得到医疗患者的胸部医学影像,包括:
医疗患者1:{异常医字影像1、异常医字影像3};
医疗患者2:{异常医学影像2、异常医学影像3};
医疗患者3:{异常医学影像1、异常医学影像2、异常医学影像3};
其中,医疗患者1的治疗方案包括:异常医学影像1的治疗次数和周期为{5,60}和异常医学影像3的治疗次数和周期为{3,90};
医疗患者2的治疗方案包括:异常医学影像2的治疗次数和周期为{3,60}和异常医学影像3的治疗次数和周期为{6,120};
医疗患者3的治疗方案包括:异常医学影像1的治疗次数和周期为{5,40}、异常医学影像2的治疗次数和周期为{3,90}和异常医学影像3的治疗次数和周期为{8,120};
根据公式:
带入数据计算得到:医疗患者1的关联指数为0.48、医疗患者2的关联指数为0.56和医疗患者3的关联指数为0.36;
对医疗患者的医学影像进行单一化提取,以医学影像为单位;
得到{医学影像1、医学影像2、医学影像3、医学影像4},对包含单一化医学影像的医疗患者进行计数统计;
根据公式:
其中,包含医学影像1的医疗患者有{医疗患者1、医疗患者3},则M=2,针对医疗患者1包含的医学影像有2个,则|AS|=2,针对医疗患者3包含的医学影像有3个,则|AS|=3,带入数据得到医学影像1的贡献值为1.26、医学影像2的贡献值为1.38和医学影像3的贡献值为0.93;
根据医学影像的贡献值,进一步计算医疗患者的标签值,具体计算公式如下:
得到医疗患者1的标签值为2.19,医疗患者2的标签值为2.31,医疗患者3的标签值为3.57;
将医疗患者的标签值相等的医疗患者统计为一类,并记为列阵形式;
实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据,根据历史大数据提取所述组织检测部位的历史医学影像数据,并将提取得到的若干医学影像进行汇集得到医学影像序列;
调取各个医学影像的贡献值,对贡献值进行求和,得到医疗患者的标签值,根据该标签值匹配数据库,进而匹配该医疗患者所属的类别;
根据所属类别的医学影像的文件集,并计算文件集中医疗次数的平均值和医疗周期的平均值;该平均值即为对医疗患者需要进行医学治疗的医疗次数和医疗周期的预测结果;
该医疗患者治疗完成后,按照实际的医疗方案对医学影像文件集进行更新。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (7)
1.一种基于人工智能的医学影像文件管理方法,其特征在于,该方法包括以下步骤:
步骤S100:获取医院针对不同医学影像的医疗方案,所述医疗方案包括医疗次数和医疗周期;
步骤S200:根据所述医疗方案,建立医学影像与医疗方案的关联数据库;
步骤S300:根据所述关联数据库,进一步挖掘医学影像的规律特征;
步骤S400:将所述医学影像的规律特征生成医学影像文件集,且对所述医学影像文件集进行存储;
步骤S500:实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据,根据历史大数据提取组织检测部位的历史医学影像数据,并将提取得到的若干医学影像进行汇集得到医学影像序列;
步骤S600:根据所述医学影像序列,对医疗患者需要进行医学治疗的医疗次数和医疗周期进行预测;
步骤S700:将预测结果发送至医院主治医生处;
步骤S800:根据当前的医学影像的医疗方案对所述医学影像文件集进行更新;
所述步骤S100中获取医院针对不同医学影像的医疗方案的过程具体包括如下:
步骤S101:获取不同医学影像,并按照时间顺序形成医学影像序列,所述医学影像序列记为{X1,X2,X3,…,Xn},其中,X1,X2,X3,…,Xn分别表示在时间序列上的第一个、第二个、第三个、…、第n个医学影像;
步骤S102:获取每个医学影像的医疗方案;
所述步骤S200中建立医学影像与医疗方案的关联数据库的过程具体包括如下:
步骤S201:获取医院的医疗设备检查出的医疗患者和医疗患者对应的医疗信息,所述医疗信息包括步骤S101中所述的医学影像序列,并将所述医疗患者记为AS,将所述医疗信息记为I(AS)={X1,X2,X3,…,Xn};
步骤S202:调取匿名医疗患者的医疗方案数据,建立如下关联数据模型:
其中,P(AS)代表医疗患者AS的关联指数,Ci代表医疗患者AS的编号为i的医学影像的治疗次数,Ti代表医疗患者AS的编号为i的医学影像的治疗周期,C表示医疗患者AS的医学影像的治疗次数的总和且T表示医疗患者AS的医学影像的治疗周期的总和且
所述步骤S300中进一步挖掘医学影像的规律特征的过程具体包括如下:
步骤S301:进一步对所述医疗患者的医学影像进行单一化提取,以医学影像为单位,并将提取的单一化医学影像记为u,且u∈{X1,X2,X3,…,Xn},对包含单一化医学影像u的医疗患者进行计数统计,所述计数统计的数量记为M;进一步建立医学影像的贡献值计算公式模型,如下:
其中,表示单一化医学影像u的贡献值,as表示包含单一化医学影像u的所有医疗患者的集合,|AS|表示医疗患者AS包含的单一化医学影像的数量,/>表示医疗患者AS中包含单一化医学影像u的医疗患者关联指数值的和;
步骤S302:根据所述医学影像的贡献值,进一步计算医疗患者的标签值,具体计算公式如下:
其中,表示医疗患者的标签值。
2.根据权利要求1所述的一种基于人工智能的医学影像文件管理方法,其特征在于:所述将所述医学影像的规律特征生成医学影像文件集的过程具体包括如下:
步骤S401:将所述医疗患者的标签值相等的医疗患者统计为一类,并将所述医疗患者的文件集记为Sj,且Sj=(AS、{X1,X2,X3,…,Xn}、{C,T}),j表示文件集的类别编号;
步骤S402:获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式
3.根据权利要求2所述的一种基于人工智能的医学影像文件管理方法,其特征在于:所述步骤S600中所述对医疗患者需要进行医学治疗的医疗次数和医疗周期进行预测的过程具体包括如下:
获取所述步骤S402中统计为一类的医学影像的文件集,并计算所述医疗方案包含的医疗次数的平均值和医疗周期的平均值;并将所述平均值作为对医疗患者需要进行医学治疗的医疗次数和医疗周期的预测结果。
4.根据权利要求3所述的一种基于人工智能的医学影像文件管理方法,其特征在:所述步骤S800中所述当前的医学影像的医疗方案对所述医学影像文件集进行更新的过程具体为:根据所述步骤S402中的列阵形式对当前数据进行归类添加。
5.一种应用于权利要求1-4中任一项所述的基于人工智能的医学影像文件管理方法的基于人工智能的医学影像文件管理系统,其特征在于,所述系统包括:医学影像数据采集模块、医学影像筛查模块、关联数据库模块、规律特征挖掘模块、数据存储模块、医疗预测模块;
所述医学影像数据采集模块,用于实时获取医疗患者通过医院医疗设备检测得到的组织部位的医学影像数据;
所述医学影像筛查模块,用于根据医疗患者通过医院医疗设备检测得到的组织部位,提取所述组织部位的历史医学影像数据;用于将筛查得到的若干医学影像进行汇集得到医学影像序列;
所述关联数据库模块,用于获取医院的医疗设备检查出的医疗患者;用于获取医疗患者对应的每个医学影像;用于获取每个医学影像的医疗方案,所述医疗方案包括医疗次数和医疗周期;用于根据所述医疗方案建立关联数据模型;
所述规律特征挖掘模块用于根据所述关联数据模型进一步建立医学影像的贡献值计算模型;
所述数据存储模块,用于将所述医疗患者的标签值相等的医疗患者统计为一类;用于获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式;
所述医疗预测模块用于对医疗患者需要进行医学治疗的医疗方案预测;
所述医学影像数据采集模块的输出端与所述医学影像筛查模块的输入端相连接;所述医学影像筛查模块的输出端与所述关联数据库模块的输入端相连接;所述关联数据库模块的输出端与所述规律特征挖掘模块的输入端相连接;所述规律特征挖掘模块的输出端与所述数据存储模块的输入端相连接;所述数据存储模块的输出端与所述医疗预测模块的输入端相连接。
6.根据权利要求5所述的一种基于人工智能的医学影像文件管理系统,其特征在于:所述规律特征挖掘模块还包括医学影像单一化提取单元和医学影像单一化求和单元;
所述医学影像单一化提取单元用于根据关联指数阈值筛选出来的医疗患者的医学影像进行单一化提取;
所述医学影像单一化求和单元用于获取包含单一化医学影像的各个医疗患者的关联指数值,并对所述关联指数值进行求和;
所述医学影像单一化提取单元的输出端与所述医学影像单一化求和单元的输入端相连接。
7.根据权利要求6所述的一种基于人工智能的医学影像文件管理系统,其特征在于:所述医疗预测模块还包括平均值提取单元和数据库更新单元;
所述平均值提取单元用于获取所述统计为一类的医学影像的医疗方案包含的医疗次数的平均值和医疗周期的平均值;
所述数据库更新单元用于获取统计为一类的医疗患者、医学影像和医学影像的医疗方案,并记为列阵形式,且对所述列阵形式的数据进行更新;
所述平均值提取单元的输入端与所述数据库更新单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933162.5A CN115295125B (zh) | 2022-08-04 | 2022-08-04 | 一种基于人工智能的医学影像文件管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933162.5A CN115295125B (zh) | 2022-08-04 | 2022-08-04 | 一种基于人工智能的医学影像文件管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115295125A CN115295125A (zh) | 2022-11-04 |
CN115295125B true CN115295125B (zh) | 2023-11-17 |
Family
ID=83826796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210933162.5A Active CN115295125B (zh) | 2022-08-04 | 2022-08-04 | 一种基于人工智能的医学影像文件管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115295125B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767935A (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分类处理系统及方法 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN111261265A (zh) * | 2020-01-14 | 2020-06-09 | 于金明 | 基于虚拟智能医疗平台的医学影像系统 |
CN112349401A (zh) * | 2020-11-18 | 2021-02-09 | 广西邕城云科技有限公司 | 临床医生管理系统 |
CN113256088A (zh) * | 2021-05-13 | 2021-08-13 | 天津市中西医结合医院(天津市南开医院) | 一种医院放射科绩效自动化计算与管理方法 |
CN113723417A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于单视图的影像匹配方法、装置、设备及存储介质 |
CN114171192A (zh) * | 2021-12-15 | 2022-03-11 | 苏州景昱医疗器械有限公司 | 控制设备和远程会诊系统 |
WO2022103134A1 (ko) * | 2020-11-10 | 2022-05-19 | (주)제이엘케이 | 질병 통합 진단 시스템 및 동작 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210299476A1 (en) * | 2020-03-31 | 2021-09-30 | Varian Medical Systems International Ag | Method and Apparatus for Radiation Treatment Plan Risk Assessment |
-
2022
- 2022-08-04 CN CN202210933162.5A patent/CN115295125B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767935A (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分类处理系统及方法 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN111261265A (zh) * | 2020-01-14 | 2020-06-09 | 于金明 | 基于虚拟智能医疗平台的医学影像系统 |
WO2022103134A1 (ko) * | 2020-11-10 | 2022-05-19 | (주)제이엘케이 | 질병 통합 진단 시스템 및 동작 방법 |
CN112349401A (zh) * | 2020-11-18 | 2021-02-09 | 广西邕城云科技有限公司 | 临床医生管理系统 |
CN113256088A (zh) * | 2021-05-13 | 2021-08-13 | 天津市中西医结合医院(天津市南开医院) | 一种医院放射科绩效自动化计算与管理方法 |
CN113723417A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于单视图的影像匹配方法、装置、设备及存储介质 |
CN114171192A (zh) * | 2021-12-15 | 2022-03-11 | 苏州景昱医疗器械有限公司 | 控制设备和远程会诊系统 |
Non-Patent Citations (2)
Title |
---|
Molecular PET/CT Imaging-Guided Radiation Therapy Treatment Planning;Habib Zaidi等;Academic Radiology;第16卷(第9期);1108-1133 * |
深度学习算法在医学影像学中的应用及研究进展;窦瑞欣;中国医学计算机成像杂志;第24卷(第5期);369-372 * |
Also Published As
Publication number | Publication date |
---|---|
CN115295125A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7181375B2 (en) | Patient data mining for diagnosis and projections of patient states | |
WO2007123914A2 (en) | Prognosis modeling from one or more sources of information | |
US20180211727A1 (en) | Automated Evidence Based Identification of Medical Conditions and Evaluation of Health and Financial Benefits Of Health Management Intervention Programs | |
Grieco et al. | Performance assessment using mixed effects models: a case study on coronary patient care | |
Montaquila et al. | Statistical and practical issues in the design of a national probability sample of births for the Vanguard Study of the National Children's Study | |
CN109767067A (zh) | 基于多评价维度评价医院的方法及相关产品 | |
Chatzinikolaou et al. | Smart healthcare support using data mining and machine learning | |
CN116631564A (zh) | 一种急诊电子病历管理系统及管理方法 | |
CN111639743A (zh) | 一种以用户为核心的智慧医院信息智能采集方法及系统 | |
Singhal et al. | Opportunities and challenges for biomarker discovery using electronic health record data | |
CN115295125B (zh) | 一种基于人工智能的医学影像文件管理系统及方法 | |
CN117497149A (zh) | 一种基于人工智能的医院管理方法及系统 | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
AU2021102593A4 (en) | A Method for Detection of a Disease | |
Nasrabadi et al. | Predicting heart attacks in patients using artificial intelligence methods | |
CN111383123A (zh) | 临床医疗开销的统计方法、装置、存储介质及电子设备 | |
CN108538390A (zh) | 一种面向医学数据的增量式处理方法 | |
CN117012380A (zh) | 事件预估方法、装置、设备、存储介质及程序产品 | |
CN114678126A (zh) | 一种疾病追踪预测系统 | |
CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
CN113808731A (zh) | 一种智能医疗诊断系统和方法 | |
Al-Shanableh et al. | Predicting the number of multiple chronic conditions in Arizona state using data mining algorithms | |
Atilgan et al. | Data mining on distributed medical databases: Recent trends and future directions | |
Sharma et al. | An intelligent multi agent design in healthcare management system | |
EP4138085A1 (en) | Managing a medical record of a subject |
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 |