CN115862818A - 基于深度学习算法的医疗影像设备数据分析系统 - Google Patents

Abstract

本发明提供基于深度学习算法的医疗影像设备数据分析系统，其特征在于：每个医疗影像设备的数据被其连接的5G物联终端数据采集设备采集，5G物联终端数据采集设备将数据通过5G基站传输给云服务器，云服务器中的医疗影像设备大数据收集分析系统处理这些数据，医疗影像设备大数据收集分析系统与多家医疗机构连接；运用深度学习算法来进行技术分析医学影像，并将影像与医学文本记录进行交叉对比。本发明降低误诊率。

Description

基于深度学习算法的医疗影像设备数据分析系统

技术领域

本发明涉及一种医院管理系统领域，具体地说是一种基于深度学习算法的医疗影像设备数据分析系统。

背景技术

目前医疗数据中有超过90％来自于医学影像，但是这些数据都以传统方式保留在个各自的医院内，而且大多要进行人工分析，医学诊断上的失误率高，发生漏诊、误诊而延误治疗。

发明内容

本发明提供基于深度学习算法的医疗影像设备数据分析系统，其目的是解决现有技术的缺点，提高医疗影像设备数据的传播和使用效率，降低误诊率，提高医疗资源的利用程度。

本发明解决其技术问题的方案在于：

基于深度学习算法的医疗影像设备数据分析系统，其特征在于：

每个医疗影像设备的数据被其连接的5G物联终端数据采集设备采集，5G物联终端数据采集设备将数据通过5G基站传输给云服务器，云服务器中的医疗影像设备大数据收集分析系统处理这些数据，医疗影像设备大数据收集分析系统与多家医疗机构连接；

运用深度学习算法来进行技术分析医学影像，并将影像与医学文本记录进行交叉对比；

进一步的：基于深度学习算法结合已有病理的神经网络节点式算法的推论，自动精准识别可疑病灶。

进一步的：基于深度学习算法，影像数据的各个标准指标在时间线的维度上，产生趋势化的图表报告。

进一步的：基于大量影像数据的特征性，再配合深度学习算法，对区域性病理分布进行统计分析。

进一步的：基于大量影像数据的特征性，再配合深度学习算法，对未来一段时间的病例发生范围、时间跨度、影响程度进行数值上量化的预测。

进一步的：所述基于深度学习算法的医疗影像设备数据分析系统以Tensorflow运行。

进一步的：医疗影像设备大数据收集分析系统对某一地区多家医院的区域性影像设备上传的病患体征影像检测数据进行分析。

进一步的：所述医疗影像设备大数据收集分析系统中包括区域医疗中心云系统；

医疗器械数据持续采集患者生命体征，通过5G物联终端数据采集设备，远程传输到区域医疗中心云系统，分别在专家医生远程会诊大屏幕、现场医护工作站屏幕上展示；

区域医疗中心云系统进行实时分析，分析结果传输给专家医生远程会诊大屏幕、现场医护工作站屏幕。

进一步的：所述5G物联终端数据采集设备以通用的PCI-E接口以及USB接口为基准，加载5G的无线信号传输模块。

本发明的有益之处在于：

本发明基于Tensorflow深度学习框架提供的高灵活性、高可移植性、高性能支持，与深度学习算法相结合，在基于额外的医疗影像设备数据采集模块的前提下，实时动态的获取到各个医院医疗影像设备的数据，在云端为医护人员提供大数据下单病种实时数据分析的监测能力的设计方法。

运用深度学习算法来进行技术分析医学影像，并将影像与医学文本记录进行交叉对比，就能够极大地降低医学诊断上的失误，帮助医生精准诊断，挽救患者生命。

基于5G物联网的高速特性，采集到的影像数据还为多医院在线实时会诊、资源共享提供了可能。基于深度学习算法结合已有病理的神经网络节点式算法的推论，还可以自动精准识别可疑病灶，提醒医生留意影像报告中可能被忽视的部位，帮助医生减少漏诊、误诊的可能。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明的硬件架构示意图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面将对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的前提下，还可以根据这些附图获得其他的实施例。为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。

需要说明的是，当元件被表述“固定于”另一个元件，它可以直接在另一个元件上、或者其间可以存在一个或多个居中的元件。当一个元件被表述“连接”另一个元件，它可以是直接连接到另一个元件、或者其间可以存在一个或多个居中的元件。本说明书所使用的术语“上”、“下”、“内”、“外”、“底部”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。此外，术语“第一”、“第二”“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

如图1所示：

本专利在医疗影像设备1【CT(电子计算机断层扫描)、CR(计算机X线摄影系统)、DR(直接数字化X线摄影系统)、核磁共振以及DSA(数字减影血管造影)】上附加5G物联网数据采集设备2，对临床医学的医疗影像设备1进行数据的实时上传，在大数据云平台进行整合汇总以供医护人员观察与分析。

本发明针对医疗影像设备1的实时数据采集，基于医疗影像设备1所连接的5G物联终端数据采集设备2，该5G物联终端数据采集设备2以通用的PCI-E接口以及USB接口为基准，加载了5G的无线信号传输模块，在配合5G基站3的情况下，可以实现更大宽带、更高网速、更低延时，完美契合大接入量、反馈及时、稳定可靠的物联网场景需求。

每个医疗影像设备1的数据被其连接的5G物联终端数据采集设备2采集，5G物联终端数据采集设备2满足延时不超过1毫秒，传输速率下行峰值≥1.54Gbps，传输速率上行峰值≥308Mbps，吞吐量每秒处理500个响应，支持每秒100个事务，支持8秒/G数据传输。

5G物联终端数据采集设备2将数据通过5G基站3传输给云服务器5，云服务器5中的医疗影像设备大数据收集分析系统6处理这些数据，医疗影像设备大数据收集分析系统6与多家医疗机构4连接。

当一家医院的医疗影像设备1都安装了5G物联终端数据采集设备2后，即可根据医疗影像设备1的类别接入医疗影像设备大数据收集分析系统6，在该系统中将实时显示当前医院中某台医疗影像设备1的实时检测数据，在医疗影像设备大数据收集分析系统6中将数据整理后，可以显示当前医疗影像设备1的各种指标以及与标准指标的差异，判断病人当前的病症体征数据。

在医疗影像设备大数据收集分析系统6中，根据5G物联终端数据采集设备2上传的数据，可以对单病种影像数据的关键质控指标进行检测，并通过深度学习算法进行一定程度上的分析与预测。

当安装5G物联终端数据采集设备2的医疗影像设备1足够多时，医疗影像设备大数据收集分析系统6还可以对某一地区多家医院的区域性影像设备上5传的病患体征影像检测数据进行分析，提高医疗资源的利用程度。如县镇级医疗机构对某病症的影像设备无法获取确切的诊断结果时，上级医疗机构即可在大数据分析平台中，对下级医疗机构上传的影像数据组织进行专家会诊等高效且具有针对性的诊疗方案。

目前医疗数据中有超过90％来自于医学影像，但是这些数据大多要进行人0工分析。运用深度学习算法来进行技术分析医学影像，并将影像与医学文本记录进行交叉对比，就能够极大地降低医学诊断上的失误，帮助医生精准诊断，挽救患者生命。

以肺癌的影像学筛查为例，通过历史获取到的肺部癌症病例影像学资料数据，结合深度学习算法，制定早期肺癌高危人群预警指标，进而建立一套肺癌5筛查及早期诊断的最佳方案和标准流程，为高危人群尽早通知复查和诊疗方案，

在减少肺癌发生几率上提供显著的数据支撑。

此外，通过影像数据分析系统，还可以对患者信息进行集中式管理，方便病人与医护人员进行影像阅览，病人自己也可以在各种终端永久的查看自己的

影像结果。基于时间维度上的间断性影像学资料，还可以为医生提供病人病症0的变化趋势情况，便于医生开具结构化的诊断报告。

基于5G物联网的高速特性，采集到的影像数据还为多医院在线实时会诊、资源共享提供了可能。基于深度学习算法结合已有病理的神经网络节点式算法的推论，还可以自动精准识别可疑病灶，提醒医生留意影像报告中可能被忽视的部位，帮助医生减少漏诊、误诊的可能。

在医疗影像数据分析系统中，各医疗机构的影像数据将会以病人为单位实时上传，各医疗机构不仅仅能查看自身机构下的病人影像数据，也可以查阅其他医疗机构的病人影像数据。

深度学习算法对影像数据分析系统的支持来自于病人个体以及区域性病理分布两个方面。

病人的个体影像数据，以往的个体影像数往往具有一定的局限性。即历史数据无法快速的被就诊医师看到，病人自己不注意保存则很可能造成数据遗失，再次就诊时往往需要重新进行影像数据的采集，浪费了病人自身大量的时间，且对医疗机构来说也是医疗资源的浪费。影像数据进入数据分析系统后，以病人身份证号为唯一检索目录的病人影像数据得以永久保存，当病人再次就诊时，可以非常方便的对历史数据进行查看与检索。同时，基于深度学习算法特性，影像数据的各个标准指标在时间线的维度上，也会产生趋势化的图表报告，对关键指标的变化情况可以非常清晰的进行查看，便于医生知道病人的体征变化情况，以及基于目前的情况在未来会产生什么可能的变化。

影像数据区域性病理分布，基于大量影像数据的特征性，再配合深度学习算法，可以对区域性病理分布进行统计分析。如基于影像数据知道某些地区的肺癌发生率明显较其他地区要高，则肺癌方面医疗资源就应当适当的向所在地区进行倾斜，或加大某地区肺癌发生几率较高原因的调查，为从根本上减少某种病例的产生提供数据指导。

深度学习算法的特性还决定了基于影像数据的分析系统，具有一定程度上的预测性，在基于大量影像数据的特征性，可以对未来一段时间的病例发生范围、时间跨度、影响程度进行数值上量化的预测，为医院提前做好相应准备提供数据支撑。如冬季肺炎高发，则医院在相关药品上的准备就应当提早进行。或者说某地区医疗影像设备长期处于高负荷状态而相邻医疗机构的影像设备负荷较低，则一定程度上医院在收治病人之前就可适当提出均衡医疗资源的请求。

本发明的基于深度学习算法的医疗影像设备数据分析系统以Tensorflow运行。

Google开源的Tensorflow是一款使用C++语言开发的开源数学计算软件，使用数据流图(Data Flow Graph)的形式进行计算。图中的节点代表数学运算，而图中的线条表示多维数据数组(tensor)之间的交互。Tensorflow灵活的架构可以部署在一个或多个CPU、GPU的台式及服务器中，或者使用单一的API应用在移动设备中。Tensorflow最初是由研究人员和Google Brain团队针对机器学习和深度神经网络进行研究而开发，开源之后几乎可以在各个领域适用。

Tensorflow是全世界使用人数最多、社区最为庞大的一个框架，因为Google公司出品，所以维护与更新比较频繁，并且有着Python和C++的接口，教程也非常完善，同时很多论文复现的第一个版本都是基于Tensorflow写的，所以是深度学习界框架默认领导者。

TensorFlow工作流易于理解。它的API保持着高度的一致性并且很稳定，维护者始终在努力确保每次改动都向下兼容。

TensorFlow与NumPy无缝集成，可使大多数了解Python的数据科学家如鱼得水。

Tensorflow在CPU和GPU上运行，比如说可以运行在台式机、服务器、手机移动设备等等。

进一步地，本发明的系统中包括区域医疗中心云系统(5G+医疗物联网区域医疗中心)，通过5G远程采集技术和现有医疗软件集成系统，对重症监护(包括移动5G+ICU)患者的指标数据进行实时分析，为病情诊疗提供及时、准确、高效的判断，实时向医护人员提供病情分级信息，医护人员核实信息后实时实施人工诊疗干预。逐步通过人工算法，5G+ICU平台具备单病种实时分析、预测与辅助决策等功能。

医院使用的检验与化验类医疗器械，安装5G物联终端数据采集设备2，形成5G+检测中心，可以实时采集、传输患者体征数据给区域医疗中心云系统(5G+医疗物联网区域医疗中心)。

医疗器械数据持续采集患者生命体征(尿流量，或者心电，或者呼吸率，或者血氧含量等)，通过5G物联终端数据采集设备2，远程传输到区域医疗中心云系统(5G+医疗物联网区域医疗中心)，分别在专家医生远程会诊大屏幕、现场医护工作站墙壁屏幕上展示。

区域医疗中心云系统(5G+医疗物联网区域医疗中心)进行实时分析，分析结果传输给专家医生远程会诊大屏幕、现场医护工作站墙壁屏幕等，可供医生专家远程会诊中心实时诊断，并对现场医护工作者进行实时干预。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.基于深度学习算法的医疗影像设备数据分析系统，其特征在于：

每个医疗影像设备的数据被其连接的5G物联终端数据采集设备采集，5G物联终端数据采集设备将数据通过5G基站传输给云服务器，云服务器中的医疗影像设备大数据收集分析系统处理这些数据，医疗影像设备大数据收集分析系统与多家医疗机构连接；

运用深度学习算法来进行技术分析医学影像，并将影像与医学文本记录进行交叉对比；

并基于深度学习算法结合已有病理的神经网络节点式算法的推论，自动精准识别可疑病灶。

2.如权利要求1的基于深度学习算法的医疗影像设备数据分析系统，其特征在于：基于深度学习算法，影像数据的各个标准指标在时间线的维度上，产生趋势化的图表报告。

3.如权利要求1的基于深度学习算法的医疗影像设备数据分析系统，其特征在于：基于大量影像数据的特征性，再配合深度学习算法，对区域性病理分布进行统计分析。

4.如权利要求1的基于深度学习算法的医疗影像设备数据分析系统，其特征在于：基于大量影像数据的特征性，再配合深度学习算法，对未来一段时间的病例发生范围、时间跨度、影响程度进行数值上量化的预测。

5.如权利要求1或2或3或4的基于深度学习算法的医疗影像设备数据分析系统，其特征在于：所述基于深度学习算法的医疗影像设备数据分析系统以Tensorflow运行。

6.如权利要求1所述的基于深度学习算法的医疗影像设备数据分析系统，其特征在于：所述医疗影像设备大数据收集分析系统中包括区域医疗中心云系统；

医疗器械数据持续采集患者生命体征，通过5G物联终端数据采集设备，远程传输到区域医疗中心云系统，分别在专家医生远程会诊大屏幕、现场医护工作站屏幕上展示；

区域医疗中心云系统进行实时分析，分析结果传输给专家医生远程会诊大屏幕、现场医护工作站屏幕。

7.如权利要求1所述的基于深度学习算法的医疗影像设备数据分析系统，其特征在于：所述5G物联终端数据采集设备以通用的PCI-E接口以及USB接口为基准，加载5G的无线信号传输模块。

Images