CN116741350A - 一种用于医院x射线影像的档案管理系统 - Google Patents
一种用于医院x射线影像的档案管理系统 Download PDFInfo
- Publication number
- CN116741350A CN116741350A CN202311026986.5A CN202311026986A CN116741350A CN 116741350 A CN116741350 A CN 116741350A CN 202311026986 A CN202311026986 A CN 202311026986A CN 116741350 A CN116741350 A CN 116741350A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- classification
- ray
- 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.)
- Granted
Links
- 230000003902 lesion Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012098 association analyses Methods 0.000 claims abstract description 9
- 238000012797 qualification Methods 0.000 claims description 22
- 210000000988 bone and bone Anatomy 0.000 claims description 16
- 210000001015 abdomen Anatomy 0.000 claims description 14
- 230000002485 urinary effect Effects 0.000 claims description 13
- 210000000038 chest Anatomy 0.000 claims description 12
- 210000000481 breast Anatomy 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 210000000232 gallbladder Anatomy 0.000 claims description 5
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 5
- 210000003734 kidney Anatomy 0.000 claims description 5
- 210000004185 liver Anatomy 0.000 claims description 5
- 210000005075 mammary gland Anatomy 0.000 claims description 5
- 210000000496 pancreas Anatomy 0.000 claims description 5
- 210000000952 spleen Anatomy 0.000 claims description 5
- 206010006187 Breast cancer Diseases 0.000 claims description 4
- 208000026310 Breast neoplasm Diseases 0.000 claims description 4
- 206010061218 Inflammation Diseases 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 4
- 208000002151 Pleural effusion Diseases 0.000 claims description 4
- 206010035664 Pneumonia Diseases 0.000 claims description 4
- 206010020718 hyperplasia Diseases 0.000 claims description 4
- 230000004054 inflammatory process Effects 0.000 claims description 4
- 210000003041 ligament Anatomy 0.000 claims description 4
- 201000003144 pneumothorax Diseases 0.000 claims description 4
- 208000008128 pulmonary tuberculosis Diseases 0.000 claims description 4
- 210000003625 skull Anatomy 0.000 claims description 4
- 210000002435 tendon Anatomy 0.000 claims description 4
- 210000000626 ureter Anatomy 0.000 claims description 4
- 208000002925 dental caries Diseases 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 206010016629 fibroma Diseases 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 210000000115 thoracic cavity Anatomy 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 23
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 206010063088 Breast fibroma Diseases 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 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
- G06F16/51—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
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及档案管理技术领域，具体公开了一种用于医院X射线影像的档案管理系统，包括像收集模块、影像处理模块、影像辨别分类模块、影像关联模块以及影像分类标注模块；本发明通过影像辨别分类模块利用卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，再通过匹配算法将输入的X射线影像自动进行分类匹配，随后通过影像关联模块建立影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，以判断病变特征之间影响，通过对X射线影像进行统一管理，减轻医护人员工作负担的同时，提高了工作效率。
Description
技术领域
本发明涉及档案管理技术领域，更具体地说，本发明涉及一种用于医院X射线影像的档案管理系统。
背景技术
随着医院的病人越来越多，各种类型的档案的管理也越来越困难，尤其是对影像档案的管理，需不断地对其进行优化设计，同时主动地利用信息技术来提高其管理效能。传统的档案管理方式很难对各个科室的重要资料进行准确的分类和保存，而且当其他科室需要时，不能从计算机中获取资料，这就造成了档案利用效率的下降。并且，多数档案管理人员并未受到过专业的档案管理培训，故而无法准确的将影像资料及进行分类，并存在将皮u同影像资料作为重要文件保存的情况，导致档案的管理无法形成统一。
在信息化时代背景下，传统的影像档案管理方法逐渐被更便捷、高效的数字化管理方法所取代。医学影像资料的快速增长对档案管理提出了更高的要求，医学影像系统原理以及相关设备的发展为医院X射线影像档案管理提供了技术支持。X射线成像技术、数字化设备以及相应的医学影像资料索引系统应该被更好地管理并加以利用，现医院的X光机虽具有存储功能，但缺少分类管理功能，导致档案利用率低下并存在工作量大且复杂的问题。
为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种用于医院X射线影像的档案管理系统，在一次分类的基础上按照病变特征二次分类，再通过匹配算法将输入的X射线影像自动进行分类匹配，随后通过影像关联模块建立影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，通过对X射线影像进行统一管理，减轻医护人员工作负担的同时，提高了工作效率，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种用于医院X射线影像的档案管理系统，包括影像收集模块、影像处理模块、影像辨别分类模块、影像关联模块以及影像分类标注模块，影像关联模块用于通过影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，并将目标患者的X射线影像与基本信息关联起来，其中，对影像关联模型的公式为：
；
式中：为病变特征之间的关联度，/>为包含病变特征A的同时包含病变特征B、/>、病变特征N。
作为本发明进一步的方案，包括影像收集模块、影像处理模块、影像辨别分类模块、影像关联模块以及影像分类标注模块，各模块功能具体为：
影像收集模块用于将收集的X射线影像转化为DICOM格式，并生成X射线影像库；
影像处理模块用于对X射线影像库进行处理，包括图像增强、分割以及去伪影，对处理后仍无法准确识别的影像进行标注；
影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，再通过匹配算法将输入的X射线影像自动进行分类匹配；
影像关联模块用于通过影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，以判断病变特征之间影响，并将目标患者的X射线影像与基本信息关联起来；
影像分类标注模块用于标注X射线影像的获取时间以及对应的诊断报告，对分类完成的影像备注检索类别并进行备份。
作为本发明进一步的方案，影像收集模块与影像处理模块相连接，影像处理模块与影像辨别分类模块相连接，影像辨别分类模块与影像关联模块相连接，影像关联模块与影像分类标注模块相连接。
作为本发明进一步的方案，影像处理模块包括影像处理单元、影像归类单元、合格影像单元、不合格影像单元以及标注单元，其中，影像处理单元与影像归类单元相连接，影像归类单元与合格影像单元相连接，影像归类单元也与不合格影像单元相连接，不合格影像单元与标注单元相连接。
作为本发明进一步的方案，影像处理模块中的影像归类单元通过建立影像合格模型得到影像合格率进行识别归类，将合格的X射线影像传送至合格影像单元，将不合格的X射线影像传送至不合格影像单元，其中，通过影像合格模型计算影像合格率的公式为：
；
式中：为X射线影像的影像合格率，/>为X射线影像的清晰度，/>为X射线影像的对比度，/>为X射线影像的密度，/>为X射线影像中对称结构的对称率，/>为X射线影像的失真率。
当X射线影像的影像合格率大于等于70%时，X射线影像合格，将其传送至合格影像单元；当X射线影像的影像合格率小于70%时，X射线影像不合格，将其传送至不合格影像单元。
通过影像处理模块中的影像处理单元对X射线影像进行图像增强、分割以及去伪影，将处理完成的X射线影像传送至影像归类单元，影像归类单元对处理完成的X射线影像进行识别，当处理后的X射线影像依旧无法准确识别时，将无法识别的X射线影像传送至不合格影像单元，随后再传送至标注单元进行标注；当处理后的X射线影像能够准确识别时，将能够准确识别的X射线影像传送至合格影像单元。
作为本发明进一步的方案，影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像。
作为本发明进一步的方案，影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，再通过匹配算法将输入的X射线影像自动进行分类匹配，其中，影像辨别分类模块进行分类的具体步骤为：
步骤一，影像特征提取：通过图像形态学以及纹理特征提取法对处理完成的X射线影像库进行特征提取，提取的特征包括影像亮度、影像对比度、形态学特征以及纹理特征；
步骤二，影像特征融合：通过将影像亮度、影像对比度、形态学特征以及纹理特征进行融合；
步骤三，影像识别分类：通过对融合后的影像特征进行识别，再通过卷积神经网络模型按照目标患者的身体部位分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像；
步骤四，影像二次分类：在一次分类的基础上，再次通过卷积神经网络按照病变特征进行二次分类；
步骤五，影像匹配：通过匹配算法计算X射线影像的匹配度。
作为本发明进一步的方案，影像辨别分类模块在一次分类的基础上，通过逻辑回归分类模型按照病变特征进行二次分类，其中，逻辑回归分类模型的公式为：
；
式中：为按照病变特征进行二次分类的输出，/>为权值向量，/>为转置，/>为输入的X射线影像。
作为本发明进一步的方案，影像辨别分类模块在一次分类的基础上按照病变特征进行二次分类，按照病变特征对头部影像二次分类为颅骨影像，骨折影像、肿瘤影像、炎症影像以及龋齿影像，对胸部影像二次分类为肺炎影像、肺结核影像、胸腔积液影像、气胸影像以及心脏影像，对腹部影像二次分类为肝脏影像、胆囊影像、胰腺影像、脾脏影像以及胃肠道影像，对骨关节影像二次分类为骨骼影像、关节影像、韧带影像以及肌腱影像，对脊柱影像二次分类为颈椎影像、胸椎影像、腰椎影像以及骶椎影像，对乳腺影像二次分类为乳腺增生影像、乳腺纤维瘤影像以及乳腺癌影像，对泌尿系统影像二次分类为肾脏影像、输尿管影像以及膀胱影像。
作为本发明进一步的方案，影像辨别分类模块通过匹配算法将输入的X射线影像自动进行分类匹配，分类匹配的公式为：
；
式中：为X射线影像匹配度，/>为X射线影像中匹配点对的描述子的距离，/>为X射线影像中匹配点对的组数。
本发明一种用于医院X射线影像的档案管理系统的技术效果和优点：
1、本发明通过将X射线影像数字化并整合到一个系统中，医护人员能够快速检索和查看病人影像资料，从而提高工作效率；
2、本发明将X射线影像进行档案管理，支持跨部门和跨机构的信息共享，便于医生、放射科医生和其他相关人员进行协作，提高诊断准确率；
3、本发明通过数字化X射线影像减少了物理存储的需求，有助于节省医院空间；
4、本发明通过数字化X射线影像进行备份和恢复，降低了数据丢失的风险，有助于保留病人的长期病史资料；
5、本发明通过档案管理系统支持关键词搜索、标签分类等多种检索方式，方便医护人员快速查找相关资料。
附图说明
图1为本发明一种用于医院X射线影像的档案管理系统的结构示意图。
图2为本发明一种用于医院X射线影像的档案管理系统影像分类结构图。
具体实施方式
下面将结合本实施例中的附图，对本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。
一种用于医院X射线影像的档案管理系统，包括影像收集模块、影像处理模块、影像辨别分类模块、影像关联模块以及影像分类标注模块，影像关联模块用于通过影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，并将目标患者的X射线影像与基本信息关联起来，其中，影像关联模型的公式为：
；
式中：为病变特征之间的关联度，/>为包含病变特征A的同时包含病变特征B、/>、病变特征N。
通过建立影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，便于医护人员根据不同病变特征之间的关联性，制定更加个性化、精准的治疗方案。通过影像关联模型分析不同病变特征之间的关联性，有助于发现潜在的病理生理特征，为疾病的研究提供新的方向，同时影像关联模型能够为临床医生提供更多关于患者病变特征的信息，有助于更好地进行临床决策。
本实施例中包括影像收集模块、影像处理模块、影像辨别分类模块、影像关联模块以及影像分类标注模块，各模块功能具体为：
影像收集模块用于将收集的X射线影像转化为DICOM格式，并生成X射线影像库；
影像处理模块用于对X射线影像库进行处理，包括图像增强、分割以及去伪影，对处理后仍无法准确识别的影像进行标注；
影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，再通过匹配算法将输入的X射线影像自动进行分类匹配；
影像关联模块用于通过影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，以判断病变特征之间影响，并将目标患者的X射线影像与基本信息关联起来；
影像分类标注模块用于标注X射线影像的获取时间以及对应的诊断报告，对分类完成的影像备注检索类别并进行备份。
本实施例中影像收集模块与影像处理模块相连接，影像处理模块与影像辨别分类模块相连接，影像辨别分类模块与影像关联模块相连接，影像关联模块与影像分类标注模块相连接。
本实施例中影像处理模块包括影像处理单元、影像归类单元、合格影像单元、不合格影像单元以及标注单元，其中，影像处理单元与影像归类单元相连接，影像归类单元与合格影像单元相连接，影像归类单元也与不合格影像单元相连接，不合格影像单元与标注单元相连接。
本实施例中影像处理模块中的影像归类单元通过建立影像合格模型得到影像合格率进行识别归类，将合格的X射线影像传送至合格影像单元，将不合格的X射线影像传送至不合格影像单元，其中，通过影像合格模型计算影像合格率的公式为：
；
式中：为X射线影像的影像合格率，/>为X射线影像的清晰度，/>为X射线影像的对比度，/>为X射线影像的密度，/>为X射线影像中对称结构的对称率，/>为X射线影像的失真率。
当X射线影像的影像合格率大于等于70%时，X射线影像合格，将其传送至合格影像单元；当X射线影像的影像合格率小于70%时，X射线影像不合格，将其传送至不合格影像单元。
通过影像处理模块中的影像处理单元对X射线影像进行图像增强、分割以及去伪影，将处理完成的X射线影像传送至影像归类单元，影像归类单元对处理完成的X射线影像进行识别，当处理后的X射线影像依旧无法准确识别时，将无法识别的X射线影像传送至不合格影像单元，随后再传送至标注单元进行标注；当处理后的X射线影像能够准确识别时，将能够准确识别的X射线影像传送至合格影像单元。
本实施例中影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像。
本实施例中影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，再通过匹配算法将输入的X射线影像自动进行分类匹配，其中，影像辨别分类模块进行分类的具体步骤为：
步骤一，影像特征提取：通过图像形态学以及纹理特征提取法对处理完成的X射线影像库进行特征提取，提取的特征包括影像亮度、影像对比度、形态学特征以及纹理特征；
步骤二，影像特征融合：通过将影像亮度、影像对比度、形态学特征以及纹理特征进行融合；
步骤三，影像识别分类：通过对融合后的影像特征进行识别，再通过卷积神经网络模型按照目标患者的身体部位分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像；
步骤四，影像二次分类：在一次分类的基础上，再次通过卷积神经网络按照病变特征进行二次分类；
步骤五，影像匹配：通过匹配算法计算X射线影像的匹配度。
本实施例中影像辨别分类模块在一次分类的基础上，通过逻辑回归分类模型按照病变特征进行二次分类，其中，逻辑回归分类模型的公式为：
；
式中：为按照病变特征进行二次分类的输出，/>为权值向量，/>为转置，/>为输入的X射线影像。
本实施例中影像辨别分类模块在一次分类的基础上按照病变特征进行二次分类，按照病变特征对头部影像二次分类为颅骨影像，骨折影像、肿瘤影像、炎症影像以及龋齿影像，对胸部影像二次分类为肺炎影像、肺结核影像、胸腔积液影像、气胸影像以及心脏影像，对腹部影像二次分类为肝脏影像、胆囊影像、胰腺影像、脾脏影像以及胃肠道影像，对骨关节影像二次分类为骨骼影像、关节影像、韧带影像以及肌腱影像，对脊柱影像二次分类为颈椎影像、胸椎影像、腰椎影像以及骶椎影像，对乳腺影像二次分类为乳腺增生影像、乳腺纤维瘤影像以及乳腺癌影像，对泌尿系统影像二次分类为肾脏影像、输尿管影像以及膀胱影像。
本实施例中影像辨别分类模块通过匹配算法将输入的X射线影像自动进行分类匹配，分类匹配的公式为：
；
式中：为X射线影像匹配度，/>为X射线影像中匹配点对的描述子的距离，/>为X射线影像中匹配点对的组数。
实施例1。当将目标患者的X射线影像输入至系统时，系统将根据X射线影像的融合特征进行分类，先经过一次分类，按照目标患者的身体部位分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像，当识别出目标患者的X射线影像属于腹部影像时，再通过其X射线影像融合的特征进行二次识别，按照腹部影像二次分类为肝脏影像、胆囊影像、胰腺影像、脾脏影像以及胃肠道影像，再通过匹配分类算法计算目标患者的X射线影像与原先设置参考的X射线影像的匹配度，通过匹配度判断其所属类别。
通过匹配算法将输入的X射线影像自动进行分类匹配能够快速准确地识别X射线影像中的特征和模式，有助于提高诊断准确率，并减少医生和放射科医生手动查找和分析影像的时间，提高工作效率，同时有助于减少人为错误，从而提高诊断和治疗的安全性。
本实施例通过影像收集模块将收集的X射线影像转化为DICOM格式，并生成X射线影像库，再利用影像处理模块对X射线影像库进行处理，通过影像处理模块中的影像处理单元对X射线影像进行图像增强、分割以及去伪影，将处理完成的X射线影像传送至影像归类单元，影像归类单元对处理完成的X射线影像进行识别，当处理后的X射线影像依旧无法准确识别时，将无法识别的X射线影像传送至不合格影像单元，随后再传送至标注单元进行标注；当处理后的X射线影像能够准确识别时，将能够准确识别的X射线影像传送至合格影像单元。将合格的影像传送至辨别分类模块，利用卷积神经网络模型按照目标患者的身体部位进行一次分类，分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像，在一次分类的基础上按照病变特征二次分类，按照病变特征对头部影像二次分类为颅骨影像，骨折影像、肿瘤影像、炎症影像以及龋齿影像，对胸部影像二次分类为肺炎影像、肺结核影像、胸腔积液影像、气胸影像以及心脏影像，对腹部影像二次分类为肝脏影像、胆囊影像、胰腺影像、脾脏影像、肾脏影像以及胃肠道影像，对骨关节影像二次分类为骨骼影像、关节影像、韧带影像以及肌腱影像，对脊柱影像二次分类为，对乳腺影像二次分类为乳腺增生影像、乳腺纤维瘤影像以及乳腺癌影像，对泌尿系统影像二次分类为肾脏影像、输尿管影像以及膀胱影像。随后，通过匹配算法将输入的X射线影像自动进行分类匹配，利用影像关联模块建立影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，以判断病变特征之间影响，通过对X射线影像进行统一管理，减轻医护人员工作负担的同时，提高了工作效率。本实施例通过数字化X射线影像减少了物理存储的需求，有助于节省医院空间，通过数字化X射线影像进行备份和恢复，降低了数据丢失的风险，有助于保留病人的长期病史资料，通过档案管理系统支持关键词搜索、标签分类等多种检索方式，方便医护人员快速查找相关资料。
最后：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，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 (10)
1.一种用于医院X射线影像的档案管理系统，包括影像收集模块、影像处理模块、影像辨别分类模块、影像关联模块以及影像分类标注模块，其特征在于，影像关联模块用于通过影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，并将目标患者的X射线影像与基本信息关联起来，其中，影像关联模型的公式为：
；
式中：为病变特征之间的关联度，/>为包含病变特征A的同时包含病变特征B、/>、病变特征N。
2.根据权利要求1所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像收集模块用于将收集的X射线影像转化为DICOM格式，并生成X射线影像库；影像处理模块用于对X射线影像库进行处理，包括图像增强、分割以及去伪影，对处理后仍无法准确识别的影像进行标注；影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，通过匹配算法将输入的X射线影像计算匹配度进行自动进行分类匹配；影像关联模块用于通过影像关联模型对同一目标患者存在两种及以上病变特征进行关联性分析，以判断病变特征之间影响，并将目标患者的X射线影像与基本信息关联起来；影像分类标注模块用于标注X射线影像的获取时间以及对应的诊断报告，对分类完成的影像备注检索类别并进行备份。
3.根据权利要求1所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像收集模块与影像处理模块相连接，影像处理模块与影像辨别分类模块相连接，影像辨别分类模块与影像关联模块相连接，影像关联模块与影像分类标注模块相连接。
4.根据权利要求1所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像处理模块包括影像处理单元、影像归类单元、合格影像单元、不合格影像单元以及标注单元，其中，影像处理单元与影像归类单元相连接，影像归类单元与合格影像单元相连接，影像归类单元也与不合格影像单元相连接，不合格影像单元与标注单元相连接。
5.根据权利要求4所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像处理模块中的影像归类单元通过建立影像合格模型得到影像合格率进行识别归类，当X射线影像的影像合格率大于等于70%时，将其传送至合格影像单元；当X射线影像的影像合格率小于70%时，将其传送至不合格影像单元，其中，通过影像合格模型计算影像合格率的公式为：
；
式中：为X射线影像的影像合格率，/>为X射线影像的清晰度，/>为X射线影像的对比度，/>为X射线影像的密度，/>为X射线影像中对称结构的对称率，/>为X射线影像的失真率。
6.根据权利要求1所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像。
7.根据权利要求1所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像辨别分类模块用于通过卷积神经网络模型按照目标患者的身体部位进行一次分类，在一次分类的基础上按照病变特征二次分类，再影像辨别分类模块通过匹配算法将输入的X射线影像计算匹配度进行自动进行分类匹配，其中，影像辨别分类模块进行分类的具体步骤为：
步骤一，影像特征提取：通过图像形态学以及纹理特征提取法对处理完成的X射线影像库进行特征提取，提取的特征包括影像亮度、影像对比度、形态学特征以及纹理特征；
步骤二，影像特征融合：通过将影像亮度、影像对比度、形态学特征以及纹理特征进行融合；
步骤三，影像识别分类：通过对融合后的影像特征进行识别，再通过卷积神经网络模型按照目标患者的身体部位分类为头部影像、胸部影像、腹部影像、骨关节影像、脊柱影像、乳腺影像以及泌尿系统影像；
步骤四，影像二次分类：在一次分类的基础上，通过逻辑回归分类模型按照病变特征进行二次分类；
步骤五，影像匹配：通过匹配算法计算X射线影像的匹配度。
8.根据权利要求7所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像辨别分类模块在一次分类的基础上，通过逻辑回归分类模型按照病变特征进行二次分类，其中，逻辑回归分类模型的公式为：
；
式中：为按照病变特征进行二次分类的输出，/>为权值向量，/>为转置，/>为输入的X射线影像。
9.根据权利要求7所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像辨别分类模块在一次分类的基础上，通过逻辑回归分类模型按照病变特征进行二次分类，按照病变特征对头部影像二次分类为颅骨影像，骨折影像、肿瘤影像、炎症影像以及龋齿影像，对胸部影像二次分类为肺炎影像、肺结核影像、胸腔积液影像、气胸影像以及心脏影像，对腹部影像二次分类为肝脏影像、胆囊影像、胰腺影像、脾脏影像以及胃肠道影像，对骨关节影像二次分类为骨骼影像、关节影像、韧带影像以及肌腱影像，对脊柱影像二次分类为颈椎影像、胸椎影像、腰椎影像以及骶椎影像，对乳腺影像二次分类为乳腺增生影像、乳腺纤维瘤影像以及乳腺癌影像，对泌尿系统影像二次分类为肾脏影像、输尿管影像以及膀胱影像。
10.根据权利要求1所述的一种用于医院X射线影像的档案管理系统，其特征在于，影像辨别分类模块通过匹配算法将输入的X射线影像计算匹配度进行自动进行分类匹配，分类匹配的公式为：
；
式中：为X射线影像匹配度，/>为X射线影像中匹配点对的描述子的距离，/>为X射线影像中匹配点对的组数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311026986.5A CN116741350B (zh) | 2023-08-16 | 2023-08-16 | 一种用于医院x射线影像的档案管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311026986.5A CN116741350B (zh) | 2023-08-16 | 2023-08-16 | 一种用于医院x射线影像的档案管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116741350A true CN116741350A (zh) | 2023-09-12 |
| CN116741350B CN116741350B (zh) | 2023-10-31 |
Family
ID=87911874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311026986.5A Active CN116741350B (zh) | 2023-08-16 | 2023-08-16 | 一种用于医院x射线影像的档案管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116741350B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019052063A1 (zh) * | 2017-09-15 | 2019-03-21 | 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 |
| CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
| CN110910991A (zh) * | 2019-11-21 | 2020-03-24 | 张军 | 一种医用自动图像处理系统 |
| CN111627531A (zh) * | 2020-06-02 | 2020-09-04 | 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) | 一种基于人工智能的医学影像分类处理系统 |
| CN113066562A (zh) * | 2021-04-23 | 2021-07-02 | 江南大学 | 基于5g的医疗图像传输方法及系统 |
| CN113113093A (zh) * | 2021-04-02 | 2021-07-13 | 中山大学附属第一医院 | 一种基于临床与影像的病例数据管理系统 |
| CN113762285A (zh) * | 2021-09-10 | 2021-12-07 | 程明霞 | 一种分析和处理医学影像的系统及方法 |
| CN115714004A (zh) * | 2022-11-25 | 2023-02-24 | 明峰医疗系统股份有限公司 | 一种面向医学影像的信息归档管理系统 |
| CN115761371A (zh) * | 2022-11-29 | 2023-03-07 | 东软集团股份有限公司 | 医学影像分类方法、装置、存储介质及电子设备 |
-
2023
- 2023-08-16 CN CN202311026986.5A patent/CN116741350B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019052063A1 (zh) * | 2017-09-15 | 2019-03-21 | 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 |
| CN110910991A (zh) * | 2019-11-21 | 2020-03-24 | 张军 | 一种医用自动图像处理系统 |
| CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
| CN111627531A (zh) * | 2020-06-02 | 2020-09-04 | 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) | 一种基于人工智能的医学影像分类处理系统 |
| CN113113093A (zh) * | 2021-04-02 | 2021-07-13 | 中山大学附属第一医院 | 一种基于临床与影像的病例数据管理系统 |
| CN113066562A (zh) * | 2021-04-23 | 2021-07-02 | 江南大学 | 基于5g的医疗图像传输方法及系统 |
| CN113762285A (zh) * | 2021-09-10 | 2021-12-07 | 程明霞 | 一种分析和处理医学影像的系统及方法 |
| CN115714004A (zh) * | 2022-11-25 | 2023-02-24 | 明峰医疗系统股份有限公司 | 一种面向医学影像的信息归档管理系统 |
| CN115761371A (zh) * | 2022-11-29 | 2023-03-07 | 东软集团股份有限公司 | 医学影像分类方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116741350B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Johnson et al. | MIMIC-CXR-JPG, a large publicly available database of labeled chest radiographs | |
| US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
| Liu et al. | Misshapen pelvis landmark detection with local-global feature learning for diagnosing developmental dysplasia of the hip | |
| US20050111757A1 (en) | Auto-image alignment system and method based on identified anomalies | |
| CN111986177B (zh) | 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法 | |
| Bogoni et al. | Impact of a computer-aided detection (CAD) system integrated into a picture archiving and communication system (PACS) on reader sensitivity and efficiency for the detection of lung nodules in thoracic CT exams | |
| KR102256210B1 (ko) | 기계학습을 이용한 ct/mri 영상의 흉추 탐지 및 갈비뼈 순번 지정 방법 | |
| JP2008259682A (ja) | 部位認識結果修正装置、方法、およびプログラム | |
| JP6945474B2 (ja) | 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム | |
| CN117649943B (zh) | 基于机器学习的整形数据智能分析系统及方法 | |
| CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
| CN113743463A (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
| JP7102999B2 (ja) | 情報収集処理装置、情報収集処理方法及びプログラム | |
| Oza et al. | Machine learning applications for computer-aided medical diagnostics | |
| Zhou et al. | Detection and semiquantitative analysis of cardiomegaly, pneumothorax, and pleural effusion on chest radiographs | |
| Lonsdale et al. | Machine vision and image analysis in anesthesia: narrative review and future prospects | |
| Choi et al. | Weakly supervised deep learning for diagnosis of multiple vertebral compression fractures in CT | |
| CN116741350B (zh) | 一种用于医院x射线影像的档案管理系统 | |
| CN112561894B (zh) | 针对ct图像的电子病历智能生成方法及系统 | |
| Wang et al. | Deep learning for automating the organization of institutional dermatology image stores | |
| CN114694780A (zh) | 用于数据处理的方法、设备和介质 | |
| Crosby et al. | Deep convolutional neural networks in the classification of dual-energy thoracic radiographic views for efficient workflow: analysis on over 6500 clinical radiographs | |
| Li et al. | Structure regularized attentive network for automatic femoral head necrosis diagnosis and localization | |
| 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 | |
| CN111915554B (zh) | 一种基于x光影像的骨折检测定位一体化方法及装置 |
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 |