CN116521912B - 一种基于人工智能的超声数据存储管理系统及方法 - Google Patents
一种基于人工智能的超声数据存储管理系统及方法 Download PDFInfo
- Publication number
- CN116521912B CN116521912B CN202310808495.XA CN202310808495A CN116521912B CN 116521912 B CN116521912 B CN 116521912B CN 202310808495 A CN202310808495 A CN 202310808495A CN 116521912 B CN116521912 B CN 116521912B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- data
- ultrasonic image
- image
- detection
- 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
- 238000013500 data storage Methods 0.000 title claims abstract description 34
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000002604 ultrasonography Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 32
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- 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
- G06V10/40—Extraction of image or video 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于人工智能的超声数据存储管理系统及方法，涉及超声数据存储技术领域，包括：S1：通过超声设备检测采集超声数据，并对采集到的超声数据进行处理，生成超声图像；S2：通过对超声图像数据进行分析，提取出所需检测区域的范围信息和超声图像数据特征；S3：对提取的所需检测区域内的超声图像数据特征进行分析，根据提取的超声图像数据特征和数据库中对于当前检测目标的相关数据，对最优超声图像的选取进行分析，截取最优超声图像；S4：对截取的超声图像数据进行存储，并采用人工智能算法对存储数据进行分类和索引。通过截取最优超声图像，对存储的超声图像的稳定性和可用性进行保证。
Description
技术领域
本发明涉及超声数据存储技术领域，具体为一种基于人工智能的超声数据存储管理系统及方法。
背景技术
超声数据是超声检查设备产生的数据，也称为超声图像数据。它是一种非侵入性图像数据，利用超声波的物理原理，通过超声探头发射超声波，然后记录反射回来的声波信号，将信号转换成图像数据，以显示被测物体的内部部位结构和形态。超声数据在医疗领域应用广泛，被用于检测疾病、诊断病情和观察治疗效果等方面。
超声数据存储管理涉及到对超声数据进行有效的存储和管理，以确保数据的安全性、准确性。在进行超声数据存储之前，需要对待存储的部分进行选取，而对于超声数据的选择，通常需要相关工作人员依据自身经验进行抉择，存在不稳定性，并且不能保证相关工作人员选取的超声数据是最优选择，对超声图像的稳定性和可用性不能保证，可能会导致后续使用超声数据时发现该超声数据不符合实际工作需要，影响工作效率。
因此，为了解决上述问题或部分问题，本发明提供了一种基于人工智能的超声数据存储管理系统及方法。
发明内容
本发明的目的在于提供一种基于人工智能的超声数据存储管理系统及方法，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超声数据存储管理方法，包括以下步骤：
S1：通过超声设备检测、采集超声数据，并对采集到的超声数据进行处理，生成超声图像；
S2：通过对超声图像数据进行分析，提取出所需检测区域的范围信息和超声图像数据特征；
S3：对提取的所需检测区域内的超声图像数据特征进行分析，根据提取的超声图像数据特征和数据库中对于当前检测目标的相关数据，对最优超声图像的选取进行分析，截取最优超声图像；
S4：对截取的超声图像数据进行存储，并采用人工智能算法对存储数据进行分类和索引，以方便医生快速查找和使用。
进一步的，所述S1包括：
步骤S1-1：连接超声检测探头，配置超声设备的相关参数，通过超声设备对检测对象进行扫描，采集超声数据；
步骤S1-2：对采集的原始超声数据进行滤波、去噪等预处理操作，通过数据格式转换将预处理后的超声数据转化为超声图像；
优选的，所述S1还包括步骤S1-3：对超声图像进行进一步的增强、修正、标记等操作，使得超声图像更加清晰、易于分析。
进一步的，所述S2包括：
步骤S2-1：基于局部特征方法，使用SIFT算法或SURF算法对超声图像进行特征点检测，所述特征点表示具有稳定性（指在图像发生常见变换情况下仍然保持稳定的位置或特征描述）和唯一性（指在图中具有较高的区分度，能够与其他点进行有效的区分，使得该特征点在后续步骤中能够被准确的匹配）的关键点，当检测区域的特征点数量满足目标区域所需的特征点数量时，则认为该区域属于目标检测区域范围；同时，这些特征点可以作为后续自动截取的依据；
步骤S2-2：基于特征点对目标检测区域范围内的超声图像的边缘特征进行检测，根据超声图像中的边缘特征信息将检测目标从背景中分离；如器官等检测目标；由于超声图像是由不同组织和器官所组成的复杂结构，在对图像进行分析时需要将目标检测区域从背景中分离出来；
步骤S2-3：对分离后的检测目标进行特征提取，基于检测目标的特征信息，将提取的检测目标特征与预先定义的模板进行匹配，确定检测目标的位置和形状信息，并对检测目标进行跟踪，在连续的多个超声图像之间实现数据的匹配或对齐。并提取出相应的区域信息和数据特征；例如，可以使用相似性度量、系列图像比对等技术来匹配或对齐多个超声图像，以便于实现在连续的超声图像中保持检测目标的稳定性和连续性；
进一步的，所述S3包括：
步骤S3-1：对S2检测的超声图像中分离出的检测目标相关特征进行提取，使用特征描述方法对提取出的特征点或边缘特征进行处理，将特征描述处理后的每个特征点或边缘特征的描述符作为特征向量的元素，形成特征向量；并对数据库中的当前检测对象的相关数据和当前检测目标的相关历史数据进行检索提取；
步骤S3-2：结合超声图像特征和用户历史数据，对最优超声图像的选择进行分析，根据以下公式对超声图像的优先度F进行分析：
；
；
；
；
其中，表示权重系数，为当前超声图像中的特征点或特征向量与
数据库中设置的检测目标模板的匹配度函数，xi表示当前超声图像的特征向量中的第i个
元素，yi表示当数据库中设置的检测目标模板的特征向量中的第i个元素，i∈[1，n]，n表示
特征向量中的元素数量；通过计算特征向量各维度的差异值，将两向量对应位置的元素差
值平方后进行求和，在将求和结果开平方得到两向量之间的匹配度，计算结果越小，表示两
特征向量的匹配度越高；
g（xt）为当前超声图像中检测目标的发展趋势函数，表示特征向量x随着时间t的
变化呈现指数级增长或下降，其中，x0表示特征向量的初始值，b是表示增长率的参数，exp
是指数函数；为当前超声图像与检测对象的历史超声图像的相似度函数，x’ i表示当前
检测对象的历史超声图像的特征向量中的第i个元素；通过计算当前目标与历史图像的特
征之间的差异绝对值之和来衡量它们的相似性，差异之和越小，表示当前目标与历史图像
中的目标越相似；差异之和越大，表示两者差异越大；
通过分析用户的疾病类型、病情发展趋势、不同时间点的超声图像数据等，可以帮助我们了解用户的检查重点信息，为选择最优的超声图像提供有用的参考和依据；
步骤S3-3：可根据具体需求进行超声图像的截取和保存；根据S3-2的分析结果，选取优先度最高的超声图像作为最优超声图像，对最优超声图像进行截取；同时，还需要根据具体需求调整图像尺寸、分辨率和格式等。
进一步的，在步骤S4中，
步骤S4-1：对截取的超声图像数据进行存储前，对超声图像数据进行预处理；这些预处理步骤可以提高数据质量，有助于后续的分类和前期的检索任务；
步骤S4-2：根据用户端设备中的工具和库，选择预处理之后的超声图像数据的存储格式；以便于不同的医学设备和软件之间的交互和共享；例如，可以将超声图像数据保存为标准的DICOM格式，DICOM是医疗影像领域中广泛采用的一种标准格式，可以存储多种类型的医疗图像数据，包括超声图像；并且支持各种元数据，有利于存储和共享超声图像数据。
此外，还可以结合其他数据元和信息选择超声数据的存储格式，例如病人基本信息、检查时间、检查部位等。
步骤S4-3：对截取的超声图像数据进行存储时，通过卷积神经网络或循环神经网络等深度学习算法根据S2中检测得到的图像特征对S3截取的超声图像进行分类；通过训练分类检测模型，可以实现对超声图像的自动化分类和识别任务，并对分类后的超声图像数据进行索引标记；
通过对图像的特征进行匹配，可以实现对检索结果的整理，向S3中的数据分析提供更加精确、快速的检索服务。
一种基于人工智能的超声数据存储管理系统，所述系统包括：超声数据获取模块、超声图像数据分析模块和超声数据存储模块；
所述超声数据获取模块用于通过超声设备对待检测区域进行扫描，获取目标区域的超声图像数据；
所述超声数据分析模块用于对获取的超声图像进行分析，选择最优的超声图像进行截取；
所述超声数据存储模块用于对选择的最优超声图像进行识别，分类后进行相应存储。
进一步的，所述超声数据获取模块包括超声设备管理单元、超声数据采集单元和超声数据转换单元；
所述超声设备管理单元用于对超声设备的实时状态进行管理，如开关状态，连接探头，参数配置等；
所述超声数据采集单元用于对超声设备采集的原始超声数据进行存储，并将原始超声数据传输至超声数据转换单元；
所述超声数据转换单元用于对原始超声数据进行转换，将原始超声数据转换为超声图像数据。
进一步的，所述超声图像数据分析模块包括图像区域检测单元、图像特征分析单元和超声图像选取单元；
所述图像区域检测单元用于对转换得到的超声图像数据进行检测，通过图像中的特征信息，对超声图像进行目标区域范围检测；
所述图像特征分析单元用于对选择的图像区域内的图像特征进行分析，结合数据库中的用户相关历史图像数据，对最优超声图像的选取进行分析，并对分析得到的最优超声图像进行标记；
所述超声图像选取单元用于根据分析得到的最优超声图像标记，对相应的超声图像进行截取，并对该超声图像对应的原始超声数据进行选取并存储。
进一步的，所述超声数据存储模块包括超声图像提取单元、识别分类单元和索引存储单元；
所述超声图像提取单元用于对截取的超声图像进行提取，将提取出的超声图像传输至用户端进行显示，通过相关工作人员进行最后确认后，确定超声图像的选取；
所述识别分类单元用于对提取出的超声图像进行特征提取和识别分类，通过训练模型实现自动化的图像分类和识别，例如对不同的组织类型进行区分，或检测异常区域等；
所述索引存储单元用于根据对超声图像的识别分类结果对超声图像数据添加索引标签，以便于提供更加精确的检索服务。
与现有技术相比，本发明所达到的有益效果是：
本发明通过超声数据获取模块使用超声设备对待检测区域进行扫描，获取目标区域的超声图像数据；通过超声数据的采集和处理，可以生成高质量的超声图像，以便于使用者在进行检测、诊断时能够提供更准确的图像信息；
通过超声数据分析模块对获取的超声图像进行分析，选择最优的超声图像进行截取；通过采集和分析超声图像数据，可以用于支持针对性的治疗和预防措施的制定，从而提高了疾病治疗的效果；通过截取最优超声图像，对存储或打印出的超声图像的稳定性和可用性进行保证，提高了超声检测的工作效率；
通过超声数据存储模块对选择的最优超声图像进行识别，分类后进行相应存储；通过人工智能算法对存储数据进行分类和索引，将不同类型的超声数据根据所述类别或所述对象等进行分类和索引，可以方便使用者在日后查找和使用相关数据。可以为超声数据管理提供更加高效的解决方案，为用户提供更加精准、高效的医疗服务。
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超声数据存储管理系统的模块结构示意图；
图2是本发明一种基于人工智能的超声数据存储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和具体实施例对本发明作进一步的说明。
实施例1：如图1所示，本实施例提供了一种基于人工智能的超声数据存储管理系统，所述系统包括：超声数据获取模块、超声图像数据分析模块和超声数据存储模块；
超声数据获取模块，用于通过超声设备对待检测区域进行扫描，获取目标区域的超声图像数据；超声数据获取模块包括超声设备管理单元、超声数据采集单元和超声数据转换单元；
超声设备管理单元用于对超声设备的实时状态进行管理，如开关状态，连接探头，参数配置等；
超声数据采集单元用于对超声设备采集的原始超声数据进行存储，并将原始超声数据传输至超声数据转换单元；
超声数据转换单元用于对原始超声数据进行转换，将原始超声数据转换为超声图像数据。
超声数据分析模块，用于对获取的超声图像进行分析，选择最优的超声图像进行截取；超声图像数据分析模块包括图像区域检测单元、图像特征分析单元和超声图像选取单元；
图像区域检测单元用于对转换得到的超声图像数据进行检测，通过图像中的特征信息，对超声图像进行目标区域范围检测；
图像特征分析单元用于对选择的图像区域内的图像特征进行分析，结合数据库中的用户相关历史图像数据，对最优超声图像的选取进行分析，并对分析得到的最优超声图像进行标记；
超声图像选取单元用于根据分析得到的最优超声图像标记，对相应的超声图像进行截取，并对该超声图像对应的原始超声数据进行选取并存储。
超声数据存储模块，用于对选择的最优超声图像进行识别，分类后进行相应存储；超声数据存储模块包括超声图像提取单元、识别分类单元和索引存储单元；
超声图像提取单元用于对截取的超声图像进行提取，将提取出的超声图像传输至用户端进行显示，通过相关工作人员进行最后确认后，确定超声图像的选取；
识别分类单元用于对提取出的超声图像进行特征提取和识别分类，通过训练模型实现自动化的图像分类和识别，例如对不同的组织类型进行区分，或检测异常区域等；
索引存储单元用于根据对超声图像的识别分类结果对超声图像数据添加索引标签，以便于提供更加精确的检索服务。
实施例2：如图2所示，本实施例提供了一种基于人工智能的超声数据存储管理方法，其基于实施例中的一种基于人工智能的超声数据存储管理系统实现，具体包括以下步骤：
S1：通过超声设备检测、采集超声数据，并对采集到的超声数据进行处理，生成超声图像；
步骤S1-1：连接超声检测探头，配置超声设备的相关参数，通过超声设备对检测对象进行扫描，采集超声数据；
步骤S1-2：对采集的原始超声数据进行滤波、去噪等预处理操作，通过数据格式转换将预处理后的超声数据转化为超声图像；
具体的，可以使用数据格式转换工具或代码库，例如numpy、Pillow等来完成数据格式转换，将转换后的数据作为输入，采用一些Python图像处理库，如OpenCV等，来生成超声图像。
S2：通过对超声图像数据进行分析，提取出所需检测区域的范围信息和超声图像数据特征；
步骤S2-1：基于局部特征方法，使用SIFT算法或SURF算法对超声图像进行特征点检测，所述特征点表示具有稳定性和唯一性的关键点，当检测区域的特征点数量满足目标区域所需的特征点数量时，则认为该区域属于目标检测区域范围；同时，这些特征点可以作为后续自动截取的依据；
步骤S2-2：基于特征点对目标检测区域范围内的超声图像的边缘特征进行检测，根据超声图像中的边缘特征信息将检测目标从背景中分离；如器官等检测目标；由于超声图像是由不同组织和器官所组成的复杂结构，在对图像进行分析时需要将目标检测区域从背景中分离出来；例如，可以根据图像的大小、形状、位置等特征进行选择，使用区域生长、边缘检测、水平线变换等算法来进行分割，并通过人工标注或者自动算法来确定目标区域的位置。
步骤S2-3：对分离后的检测目标进行特征提取，基于检测目标的特征信息，将提取的检测目标特征与预先定义的模板进行匹配，确定检测目标的位置和形状信息，并对检测目标进行跟踪，在连续的多个超声图像之间实现数据的匹配或对齐。并提取出相应的区域信息和数据特征；例如，可以使用相似性度量、系列图像比对等技术来匹配或对齐多个超声图像，以便于实现在连续的超声图像中保持检测目标的稳定性和连续性；
或者，可以使用计算机辅助诊断（CAD）技术，通过医学图像分析来提取超声数据中的结构化信息。例如，利用形态学方法进行图像分割和边缘检测，提取出肿瘤和其他异常区域的形态属性和特征。
S3：对提取的所需检测区域内的超声图像数据特征进行分析，根据提取的超声图像数据特征和数据库中对于当前检测目标的相关数据，对最优超声图像的选取进行分析，截取最优超声图像；
步骤S3-1：对S2检测的超声图像中分离出的检测目标相关特征进行提取，使用特征描述方法对提取出的特征点或边缘特征进行处理，将特征描述处理后的每个特征点或边缘特征的描述符作为特征向量的元素，形成特征向量；并对数据库中的当前检测对象的相关数据和当前检测目标的相关历史数据进行检索提取；
例如，使用SIFT算法对超声图像进行特征点检测，从超声图像中检测到了10个特征点，对于每个特征点，计算特征点周围区域的梯度方向直方图和梯度幅值，构建SIFT描述符，计算得到每个特征点的128维SIFT描述符，将这些描述符按顺序排列，构成一个大小为10个特征点×128维的特征向量。
步骤S3-2：结合超声图像特征和用户历史数据，对最优超声图像的选择进行分析，根据以下公式对超声图像的优先度F进行分析：
；
；
；
；
其中，表示权重系数，为当前超声图像中的特征点或特征向量与
数据库中设置的检测目标模板的匹配度函数，xi表示当前超声图像的特征向量中的第i个
元素，yi表示当数据库中设置的检测目标模板的特征向量中的第i个元素，i∈[1，n]，n表示
特征向量中的元素数量；g（xt）为当前超声图像中检测目标的发展趋势函数，表示特征向量
x随着时间t的变化呈现指数级增长或下降，其中，x0表示特征向量的初始值，b是表示增长
率的参数，exp是指数函数；为当前超声图像与检测对象的历史超声图像的相似度函
数，x’ i表示当前检测对象的历史超声图像的特征向量中的第i个元素；通过计算当前目标与
历史图像的特征之间的差异绝对值之和来衡量它们的相似性，差异之和越小，表示当前目
标与历史图像中的目标越相似；差异之和越大，表示两者差异越大；
通过分析用户的疾病类型、病情发展趋势、不同时间点的超声图像数据等，可以帮助我们了解用户的检查重点信息，为选择最优的超声图像提供有用的参考和依据；
步骤S3-3：可根据具体需求进行超声图像的截取和保存；根据S3-2的分析结果，选取优先度最高的超声图像作为最优超声图像，对最优超声图像进行截取；同时，还需要根据具体需求调整图像尺寸、分辨率和格式等。
S4：对截取的超声图像数据进行存储，并采用人工智能算法对存储数据进行分类和索引，以方便医生快速查找和使用；
步骤S4-1：对截取的超声图像数据进行存储前，对超声图像数据进行预处理；例如去除噪声、增强对比度、平滑边缘等；这些预处理步骤可以提高数据质量，有助于后续的分类和前期的检索任务；
步骤S4-2：根据用户端设备中的工具和库，选择预处理之后的超声图像数据的存储格式；例如，可以将超声图像数据保存为标准的DICOM格式，以便于不同的医学设备和软件之间的交互和共享；DICOM是医疗影像领域中广泛采用的一种标准格式，可以存储多种类型的医疗图像数据，包括超声图像；并且支持各种元数据，有利于存储和共享超声图像数据。
此外，还可以结合其他数据元和信息选择超声数据的存储格式，例如病人基本信息、检查时间、检查部位等。
步骤S4-3：对截取的超声图像数据进行存储时，通过卷积神经网络或循环神经网络等深度学习算法根据S2中检测得到的图像特征对S3截取的超声图像进行分类；通过训练分类检测模型，可以实现对超声图像的自动化分类和识别任务，例如区分不同的组织类型、检测异常区域等。并对分类后的超声图像数据进行索引标记；
例如，可根据以下公式使用循环神经网络对超声图像进行分类：
Ri=s(Ui+W*Ri-1+b)；
其中，Ri为当前时间步的隐藏状态输出，i表示超声图像序列中的第i个图像，s()为激活函数，通常采用sigmoid函数或者tanh函数,U为输入权重矩阵,W为隐藏状态权重矩阵,b为偏置项，上述公式可根据实际情况对其中的参数设置进行调整。
通过对图像的特征进行匹配，可以实现对检索结果的整理，向S3中的数据分析提供更加精确、快速的检索服务。
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超声数据存储管理方法，其特征在于：包括以下步骤：
S1：通过超声设备检测、采集超声数据，并对采集到的超声数据进行处理，生成超声图像；
S2：通过对超声图像数据进行分析，提取出所需检测区域的范围信息和超声图像数据特征；
步骤S2-1：基于局部特征方法，对超声图像进行特征点检测，当检测区域的特征点数量满足目标区域所需的特征点数量时，则认为该区域属于目标检测区域范围；
步骤S2-2：基于特征点对目标检测区域范围内的超声图像的边缘特征进行检测，根据超声图像中的边缘特征信息将检测目标从背景中分离；
步骤S2-3：对分离后的检测目标进行特征提取，基于检测目标的特征信息，将提取的检测目标特征与预先定义的模板进行匹配，确定检测目标的位置和形状信息，并对检测目标进行跟踪，在连续的多个超声图像之间实现数据的匹配或对齐；
S3：对提取的所需检测区域内的超声图像数据特征进行分析，根据提取的超声图像数据特征和数据库中对于当前检测目标的相关数据，对最优超声图像的选取进行分析，截取最优超声图像；
步骤S3-1：对S2检测的超声图像中分离出的检测目标相关特征进行提取，使用特征描述方法对提取出的特征点或边缘特征进行处理，将特征描述处理后的每个特征点或边缘特征的描述符作为特征向量的元素，形成特征向量；并对数据库中的当前检测对象的相关数据和当前检测目标的相关历史数据进行检索提取；
步骤S3-2：结合超声图像特征和用户历史数据，对最优超声图像的选择进行分析，根据以下公式对超声图像的优先度F进行分析：
；
；
；
；
其中，表示权重系数，/>为当前超声图像中的特征点或特征向量与数据库中设置的检测目标模板的匹配度函数，xi表示当前超声图像的特征向量中的第i个元素，yi表示当数据库中设置的检测目标模板的特征向量中的第i个元素，i∈[1，n]，n表示特征向量中的元素数量；g（xt）为当前超声图像中检测目标的发展趋势函数，表示特征向量x随着时间t的变化，其中，x0表示特征向量的初始值，b是表示增长率的参数，exp是指数函数；为当前超声图像与检测对象的历史超声图像的相似度函数，x’ i表示当前检测对象的历史超声图像的特征向量中的第i个元素；
步骤S3-3：根据S3-2的分析结果，选取优先度最高的超声图像作为最优超声图像，对最优超声图像进行截取；
S4：对截取的超声图像数据进行存储，并采用人工智能算法对存储数据进行分类和索引。
2.根据权利要求1所述的一种基于人工智能的超声数据存储管理方法，其特征在于：所述S1包括：
步骤S1-1：连接超声检测探头，配置超声设备的相关参数，通过超声设备对检测对象进行扫描，采集超声数据；
步骤S1-2：对采集的原始超声数据进行预处理操作，通过数据格式转换将预处理后的超声数据转化为超声图像。
3.根据权利要求1所述的一种基于人工智能的超声数据存储管理方法，其特征在于：所述S4包括：
步骤S4-1：对截取的超声图像数据进行存储前，对超声图像数据进行预处理；
步骤S4-2：根据用户端设备中的工具和库，选择预处理之后的超声图像数据的存储格式；
步骤S4-3：对截取的超声图像数据进行存储时，通过深度学习算法根据S2中检测得到的图像特征对S3截取的超声图像进行分类；并对分类后的超声图像数据进行索引标记。
4.应用权利要求1-3任意一项所述的一种基于人工智能的超声数据存储管理方法的一种基于人工智能的超声数据存储管理系统，其特征在于，所述系统包括：超声数据获取模块、超声数据分析模块和超声数据存储模块；
所述超声数据获取模块用于通过超声设备对待检测区域进行扫描，获取目标区域的超声图像数据；
所述超声数据分析模块用于对获取的超声图像进行分析，选择最优的超声图像进行截取；
所述超声数据存储模块用于对选择的最优超声图像进行识别，分类后进行相应存储。
5.根据权利要求4所述的一种基于人工智能的超声数据存储管理系统，其特征在于：所述超声数据获取模块包括超声设备管理单元、超声数据采集单元和超声数据转换单元；
所述超声设备管理单元用于对超声设备的实时状态进行管理；
所述超声数据采集单元用于对超声设备采集的原始超声数据进行存储，并将原始超声数据传输至超声数据转换单元；
所述超声数据转换单元用于对原始超声数据进行转换，将原始超声数据转换为超声图像数据。
6.根据权利要求4所述的一种基于人工智能的超声数据存储管理系统，其特征在于：所述超声图像数据分析模块包括图像区域检测单元、图像特征分析单元和超声图像选取单元；
所述图像区域检测单元用于对转换得到的超声图像数据进行检测，通过图像中的特征信息，对超声图像进行目标区域范围检测；
所述图像特征分析单元用于对选择的图像区域内的图像特征进行分析，结合数据库中的用户相关历史图像数据，对最优超声图像的选取进行分析，并对分析得到的最优超声图像进行标记；
所述超声图像选取单元用于根据分析得到的最优超声图像标记，对相应的超声图像进行截取，并对该超声图像对应的原始超声数据进行选取并存储。
7.根据权利要求4所述的一种基于人工智能的超声数据存储管理系统，其特征在于：所述超声数据存储模块包括超声图像提取单元、识别分类单元和索引存储单元；
所述超声图像提取单元用于对截取的超声图像进行提取，将提取出的超声图像传输至用户端进行显示，通过相关工作人员进行最后确认后，确定超声图像的选取；
所述识别分类单元用于对提取出的超声图像进行特征提取和识别分类，通过训练模型实现自动化的图像分类和识别；
所述索引存储单元用于根据对超声图像的识别分类结果对超声图像数据添加索引标签，以便于提供更加精确的检索服务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808495.XA CN116521912B (zh) | 2023-07-04 | 2023-07-04 | 一种基于人工智能的超声数据存储管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808495.XA CN116521912B (zh) | 2023-07-04 | 2023-07-04 | 一种基于人工智能的超声数据存储管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116521912A CN116521912A (zh) | 2023-08-01 |
| CN116521912B true CN116521912B (zh) | 2023-10-27 |
Family
ID=87390732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310808495.XA Active CN116521912B (zh) | 2023-07-04 | 2023-07-04 | 一种基于人工智能的超声数据存储管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116521912B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
| CN111754485A (zh) * | 2020-06-24 | 2020-10-09 | 成都市温江区人民医院 | 一种用于肝脏的人工智能超声辅助系统 |
| WO2021087687A1 (zh) * | 2019-11-04 | 2021-05-14 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像分析方法、超声成像系统和计算机存储介质 |
| CN113040823A (zh) * | 2019-12-27 | 2021-06-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备及超声图像的分析方法 |
| CN114072060A (zh) * | 2019-12-06 | 2022-02-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法以及超声成像系统 |
| CN115631152A (zh) * | 2022-10-13 | 2023-01-20 | 深圳华大智造云影医疗科技有限公司 | 超声图像截取方法及装置、电子设备和存储介质 |
| CN115631151A (zh) * | 2022-10-13 | 2023-01-20 | 深圳华大智造云影医疗科技有限公司 | 超声图像截取方法及装置、电子设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102338018B1 (ko) * | 2019-07-30 | 2021-12-10 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
-
2023
- 2023-07-04 CN CN202310808495.XA patent/CN116521912B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021087687A1 (zh) * | 2019-11-04 | 2021-05-14 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像分析方法、超声成像系统和计算机存储介质 |
| CN114072060A (zh) * | 2019-12-06 | 2022-02-18 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法以及超声成像系统 |
| CN113040823A (zh) * | 2019-12-27 | 2021-06-29 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备及超声图像的分析方法 |
| CN111310851A (zh) * | 2020-03-03 | 2020-06-19 | 四川大学华西第二医院 | 一种人工智能超声辅助系统及其应用 |
| CN111754485A (zh) * | 2020-06-24 | 2020-10-09 | 成都市温江区人民医院 | 一种用于肝脏的人工智能超声辅助系统 |
| CN115631152A (zh) * | 2022-10-13 | 2023-01-20 | 深圳华大智造云影医疗科技有限公司 | 超声图像截取方法及装置、电子设备和存储介质 |
| CN115631151A (zh) * | 2022-10-13 | 2023-01-20 | 深圳华大智造云影医疗科技有限公司 | 超声图像截取方法及装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116521912A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11109941B2 (en) | Tracking surgical items with prediction of duplicate imaging of items | |
| JP6587610B2 (ja) | 映像医療機器により取得した画像を処理するシステムおよびそのシステムの作動方法 | |
| JP4184842B2 (ja) | 画像判別装置、方法およびプログラム | |
| US20120283574A1 (en) | Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback | |
| Wang et al. | Automatic digital ECG signal extraction and normal QRS recognition from real scene ECG images | |
| WO2019238104A1 (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
| CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
| CN110169767B (zh) | 一种心电信号的检索方法 | |
| CN116521912B (zh) | 一种基于人工智能的超声数据存储管理系统及方法 | |
| CN112002407A (zh) | 一种基于超声视频的乳腺癌诊断装置及其方法 | |
| JP2005080758A (ja) | 画像処理装置 | |
| CN114782948A (zh) | 一种对宫颈液基细胞学涂片的全局判读方法及系统 | |
| Khan et al. | Robust band profile extraction using constrained nonparametric machine-learning technique | |
| Shen et al. | Efficient 3D junction detection in biomedical images based on a circular sampling model and reverse mapping | |
| CN111862091A (zh) | 一种基于表型测量早期发现综合征的系统 | |
| Anitha et al. | A Content-Based Approach to Medical Image Retrieval | |
| CN117274244B (zh) | 基于三维图像识别处理的医学成像检验方法、系统和介质 | |
| Riana et al. | Comparison of Segmentation Analysis in Nucleus Detection with GLCM Features using Otsu and Polynomial Methods | |
| CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
| Xue et al. | Pathology-based vertebral image retrieval | |
| Mathuravalli et al. | Deep Learning Techniques For Exoticism Mining From Visual Content Based Image Retrieval | |
| CN117476219B (zh) | 基于大数据分析的定位ct断层图像的辅助方法和辅助系统 | |
| CN115331220B (zh) | 基于目标检测和热图回归的宫颈念珠菌感染筛查方法 | |
| Naveen et al. | Deep Learning Technique to Detect and Classify Brain Tumor | |
| CN117351221A (zh) | 一种纸质仿真检定心电图关键点提取方法 |
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 |