CN117951330A - 一种基于人工智能的医疗数据检索方法 - Google Patents
一种基于人工智能的医疗数据检索方法 Download PDFInfo
- Publication number
- CN117951330A CN117951330A CN202410355049.2A CN202410355049A CN117951330A CN 117951330 A CN117951330 A CN 117951330A CN 202410355049 A CN202410355049 A CN 202410355049A CN 117951330 A CN117951330 A CN 117951330A
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- retrieval
- text
- medical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000013138 pruning Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的医疗数据检索方法，涉及人工智能技术领域，构建智能虚拟空间，通过智能虚拟空间采集医疗图片数据和医疗文本数据，对获得的医疗图片数据进行处理，获得输入像素图片，设置图层过滤矩阵，将图层过滤矩阵与输入像素图片进行特征元素提取，获得输出特征图，并关联上医疗文本数据；对获得的医疗文本数据进行文本修剪并进行特征编码，获得文本编码段，根据所获得的文本编码段和输出特征图构建特征存储库；对用户输入的检索目标进行综合特征提取，获得综合检索指标，将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果；有利于提高图片特征提取的清晰度，大大增加检索速度和匹配效率。
Description
技术领域
本发明涉及人工智能技术领域，具体是一种基于人工智能的医疗数据检索方法。
背景技术
人工智能是一门研究和开发能够模拟、仿真和实现人类智能的理论、方法、技术和应用系统的学科。它致力于构建具有感知、认知、学习、推理、决策和交互能力的智能系统。
医疗数据检索是指在医疗领域使用技术手段来搜索和获取与医疗相关的信息。医疗数据可以包括病人的电子病历、医学影像、实验室检查结果、药物信息、医学文献等各种形式的数据。现有的医疗数据检索通常是对文本形式的医疗数据进行检索，但医疗数据同时也包含大量的图片数据，如X光片、CT扫描、MRI扫描、超声图像、病理切片、心电图、超声心动图、血管造影等；难以兼顾对医疗图片数据的检索，因此，设计一个基于人工智能的医疗图片检索方法，具有重要的理论和现实意义。
如何利用人工智能技术，对医疗数据进行采集并处理，获得输入像素图片和预选文本段，对输入像素图片进行特征提取，获得输出特征图，对预选文本段进行特征编码，获得文本编码段，并构建特征存储库，将用户输入的检索目标与特征存储库进行重合度比对，获得推荐检索结果；是我们需要解决的问题；为此，现提供一种基于人工智能的医疗数据检索方法。
发明内容
本发明的目的可以通过以下技术方案实现：
一种基于人工智能的医疗数据检索方法，包括以下步骤：
步骤S1：构建智能虚拟空间，所述智能虚拟空间包括存储子空间、图片提取子空间和检索子空间，并通过存储子空间采集医疗图片数据和医疗文本数据；
步骤S2：在图片提取子空间对采集的医疗图片数据进行标准划分，获得输入像素图片，并设置图层过滤矩阵和特征提取层，将所获得的图层过滤矩阵与输入像素图片在特征提取层进行特征元素提取，获得局部特征图片，对获得的局部特征图片进行元素求和，获得输出特征图，并关联上医疗文本数据；
步骤S3：对输出特征图关联的医疗文本数据进行文本修剪，获得预选文本段，将所获得的预选文本段与局部特征图片进行图文匹配，并对匹配成功的预选文本段进行特征编码，获得文本编码段，根据所获得的文本编码段和输出特征图构建特征存储库；
步骤S4：在检索子空间对用户输入的检索目标进行综合特征提取，获得综合检索指标，将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果。
所述智能虚拟空间设置有若干数据接收端口；
构建数据接收端口至存储子空间的传输链路、存储子空间至图片提取子空间的传输链路以及图片提取子空间至检索子空间的传输链路；
所述数据接收端口用于对医院生成的综合信息进行采集，获得医疗图片数据和医疗文本数据；
对获得的医疗图片数据和医疗文本数据进行对应匹配，并将匹配成功的医疗文本数据标记为诊断标签；
通过传输链路将所获得的医疗图片数据上传至存储子空间。
图片提取子空间通过传输链路获取存储子空间的医疗图片数据；
根据所获得的医疗图片数据设置标准尺寸，根据所获得的标准尺寸对所获得的医疗图片数据进行标准划分，获得的标准输入图片；
对获得的标准输入图片进行像素点转换，获得输入像素图片；
根据所获得的标准输入图片设置图层过滤矩阵，根据所获得的图层过滤矩阵设置特征提取层，将所获得的输入像素图片和图层过滤矩阵上传至特征提取层；
对获得的图层过滤矩阵与输入像素图片进行特征元素提取，获得局部特征图片，并对所获得的局部特征图片进行元素求和，获得输出特征图。
特征元素提取的过程包括：
根据所获得图层过滤矩阵对输入像素图片进行区域划分，获得输入子图；
将图层过滤矩阵在输入像素图片中进行滑动平移，直至输入像素图片的所有输入子图均与图层过滤矩阵完成元素卷积，获得局部特征图片，并在局部特征图片中设置原始感应点；
根据所获得的输入像素图片对获得的局部特征图片进行组合，获得输出特征图。
获取医疗图片数据对应匹配的诊断标签，对所获得的诊断标签进行文本修剪，获得预选文本段；
将所获得的预选文本段与局部特征图片进行图文匹配，并对匹配成功的预选文本段进行特征编码，获得文本编码段；
构建特征存储库，将所获得的输出特征图和文本编码段上传至特征存储库中。
对预选文本段进行特征编码的过程包括：
设置第一指数和第二指数，根据所获得的第一指数和第二指数获得公约码和制约码组；
设置条件约数，根据所获得的制约码组和条件约数获得隐藏码；
根据所获得的条件约数和公约码对预选文本段进行编码，获得文本编码段。
所述检索子空间包括输入端和输出端，在检索子空间内通过输入端输入用户的检索目标，将所获得的检索目标标记为输入检索对象；
将所获得的输入检索对象通过传输链路上传至图片提取子空间；
在图片提取子空间中对输入检索对象进行综合特征提取，获得综合检索指标，所述综合检索指标包括检索特征图以及检索文本段；
将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果。
所述重合度比对的过程包括：
当综合检索指标为检索特征图，将检索特征图的原始感应点与特征提取库内输出特征图的原始感应点进行点匹配，将匹配成功的输出特征图标记为第一检索特征；
统计第一检索特征匹配成功的原始感应点数目，并进行数目排序，获得第一检索排序，将第一检索排序内前Y位的输出特征图标记为推荐检索结果，并上传至输出端；
当综合检索指标为检索文本段，将检索文本段与特征存储库内的文本编码段进行重复比对，获得重复数目；
根据所获得的检索文本段和重复数目获得文本检索度；
对所获得的文本检索度进行排序，获得文本检索排序，并将文本检索排序前Z位的文本编码段对应的输出特征图标记为推荐检索结果，并上传至输出端。
与现有技术相比，本发明的有益效果是：构建智能虚拟空间，在智能虚拟空间的存储子空间对采集的医疗图片数据和医疗文本数据进行存储，通过图片提取子空间对医疗图片数据进行标准划分，获得输入像素图片，并设置特征提取层和图层过滤矩阵，在特征提取层中将图层过滤矩阵与输入像素图片进行特征元素提取，获得局部特征图片，对所获得的局部特征图片进行元素求和，获得输出特征图；对一个完整的医疗图片数据进行区域划分，有利于提取细微部分的图片特征，在检索时对图片的匹配更加精确；
对输出特征图关联的预选文本段进行特征编码，获得编码文本段，根据所获得的文本编码段和输出特征图构建特征存储库；有利于文字检索匹配，便于统计重合度，大大缩短检索匹配时间；
通过检索子空间对用户输入的检索目标进行综合特征提取，获得综合检索指标，将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果；增加检索速度和匹配效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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附图。
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于人工智能的医疗数据检索方法，包括以下步骤：
步骤S1：构建智能虚拟空间，所述智能虚拟空间包括存储子空间、图片提取子空间和检索子空间，并通过存储子空间采集医疗图片数据和医疗文本数据；
步骤S2：在图片提取子空间对采集的医疗图片数据进行标准划分，获得输入像素图片，并设置图层过滤矩阵和特征提取层，将所获得的图层过滤矩阵与输入像素图片在特征提取层进行特征元素提取，获得局部特征图片，对获得的局部特征图片进行元素求和，获得输出特征图，并关联上医疗文本数据；
步骤S3：对输出特征图关联的医疗文本数据进行文本修剪，获得预选文本段，将所获得的预选文本段与局部特征图片进行图文匹配，并对匹配成功的预选文本段进行特征编码，获得文本编码段，根据所获得的文本编码段和输出特征图构建特征存储库；
步骤S4：在检索子空间对用户输入的检索目标进行综合特征提取，获得综合检索指标，将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果。
需要进一步说明的是，在具体实施过程中，构建智能虚拟空间的过程包括：
所述智能虚拟空间设置有若干数据接收端口、图片提取子空间和检索子空间，所述检索子空间设置有输入端和输出端；
根据所获得的数据接收端口生成存储子空间；
构建数据接收端口至存储子空间的传输链路、存储子空间至图片提取子空间的传输链路以及图片提取子空间至检索子空间的传输链路；
所述数据接收端口用于对医院生成的综合信息进行采集，获得医疗图片数据和医疗文本数据；
需要进一步说明的是，在具体实施过程中，所述医疗图片数据包括各种医学影像和图像，如X光片、CT扫描、MRI扫描、超声图像、病理切片、心电图、超声心动图、血管造影等，医疗文本数据包括患者的基本信息（如姓名、年龄、性别等）、医生的诊断意见、治疗方案、手术记录、患者反馈等；
对获得的医疗图片数据和医疗文本数据进行对应匹配，并将匹配成功的医疗文本数据标记为诊断标签，将获得的诊断标签与匹配成功的医疗图片数据相关联；
通过传输链路将所获得的医疗图片数据上传至存储子空间。
图片提取子空间通过传输链路获取存储子空间的医疗图片数据；
根据所获得的医疗图片数据设置标准尺寸，所述标准尺寸包括标准长度、标准宽度和标准通道数；
根据所获得的标准尺寸，对所获得的医疗图片数据进行标准划分，获得的标准输入图片；
需要进一步说明的是，在具体实施过程中，标准通道数表示图片的颜色数量，标准通道数与图片的颜色清晰度成正比，即标准通道数的数目越多，医疗图片数据的图片颜色清晰度越高，能够对采集的颜色清晰度较低的图片进行清晰度提升，有利于处理图片中原先模糊的部分，增加处理效果；所述标准长度和标准宽度是对医疗图片数据的像素进行标准化处理，像素越高，图片越清晰，通过设置不同的标准长度和标准宽度来提取所需要的图片像素；
对获得的标准输入图片进行像素点转换，获得输入像素图片，特别地，所获得的输入像素图片是矩阵形式的输入特征；
根据所获得的标准输入图片设置图层过滤矩阵，所述图层过滤矩阵包括矩阵尺寸和矩阵数量，所述矩阵尺寸包括矩阵长度、矩阵高度以及矩阵形状；
需要进一步说明的是，在具体实施过程中，矩阵尺寸决定在标准输入图片中进行滑动的像素范围，即所需要提取的标准输入图片的特征，通过设置不同的矩阵尺寸获得不同的图层过滤矩阵，能够提取不同的图片特征，且矩阵尺寸的大小取决于标准输入图片所需要提取的特征的复杂度；且矩阵数量与标准输入图片提取的清晰度成正比，即矩阵数量越多，在对标准输入图片进行滑动的次数越多，使得图片提取的清晰度越高；
根据所获得的矩阵尺寸和矩阵数量设置特征提取层，将所获得的输入像素图片和图层过滤矩阵上传至特征提取层；
将所获得的图层过滤矩阵与输入像素图片进行特征元素提取，获得局部特征图片；
对所获得的局部特征图片进行元素求和，获得输出特征图；
需要进一步说明的是，在具体实施过程中，通过对标准输入图片进行区域划分，并对分区域的部分通过图层过滤矩阵进行元素卷积，获得的是某一部分的局部特征，再将所有的局部特征进行组合，获得的就是整个标准输入图片的特征图片，若想要获得更加细致的特征，则将输出特征图作为标准输入图片，再次进行局部特征提取，获得更加细致的图片特征，且再次对输出特征图进行局部特征提取时，要求标准尺寸设置满足图片清晰度最高；特别地，若在特征提取层中存在多个图片过滤矩阵，则对图层过滤矩阵按照设置的时间顺序进行排序，并根据所获得的时间排序，将图层过滤矩阵与输入像素图片进行特征元素提取；
所述特征元素提取的过程包括：
根据所获得图层过滤矩阵的矩阵尺寸和矩阵形状，对输入像素图片进行区域划分，获得输入子图；
需要进一步说明的是，在具体实施过程中，输入子图的图片尺寸和图片形状与图层过滤矩阵的矩阵尺寸和矩阵形状完全相同；
对所获得的图层过滤矩阵和输入子图进行元素卷积；
所述元素卷积是将图层过滤矩阵与输入子图对应位置的元素进行卷积，获得局部特征图片，根据输入子图中的元素设置原始感应点；特别地，若根据矩阵形状不能对输入像素图片进行完全划分，则对没有划分到的图片区域进行重复卷积；
将图层过滤矩阵在输入像素图片中进行滑动平移，直至输入像素图片的所有输入子图均与图层过滤矩阵完成元素卷积，获得局部特征图片，根据所获得的输入像素图片对获得的局部特征图片进行组合，获得输出特征图；
获取医疗图片数据相关联的诊断标签，将所获得的诊断标签与输出特征图相关联；
进一步地，将诊断标签与输出特征图内的局部特征图片对应关联，即获得输出特征图内的任一局部特征图也可获得诊断标签；
对所获得的诊断标签进行文本修剪，获得预选文本段；
需要进一步说明的是，在具体实施过程中，所述文本修剪是根据诊断标签的标点符号位置设置分界点，将相邻两个分界点之间的文本数据标记为预选文本段；
将所获得的预选文本段与局部特征图片进行图文匹配，所述图文匹配是根据诊断标签对医疗图片数据的描述，将局部特征图片与对应的预选文本段进行匹配对应；
对匹配成功的预选文本段进行特征编码，获得文本编码段；
所述对预选文本段进行特征编码的过程包括：
设置第一指数和第二指数，根据所获得的第一指数和第二指数获得公约码，将所获得的公约码标记为n，其中，n=M1*M2，M1、M2表示第一指数和第二指数，且M1、M2是两个不相等的质数；
根据所获得的第一指数和第二指数获得制约码组，并将所获得的制约码组标记为，其中，=（M1-1）*（M2-1）；
设置条件约数，将所获得的条件约数标记为e，其中e为正整数，e是满足制约条件
且小于的正整数，所述制约条件为1＜e＜且e与互质；
根据所获得的制约码组和条件约数获得隐藏码，将所获得的隐藏码标记为d，其
中，d=，d表示e的模的乘法逆元；
根据所获得的条件约数和公约码对预选文本段进行编码，获得文本编码段，并将
所获得的文本编码段标记为c，其中，c=%n，m表示预选文本段，%为取模运算符，且m＜n；
构建特征存储库，将所获得的输出特征图和文本编码段上传至特征存储库中。
在检索子空间内通过输入端输入用户的检索目标，将所获得的检索目标标记为输入检索对象，所述输入检索对象包括图片对象和文本对象；
将所获得的输入检索对象通过传输链路上传至图片提取子空间；
在图片提取子空间中对输入检索对象进行综合特征提取，获得综合检索指标；特别地，所述综合特征提取与输入检索对象有关，当输入检索对象为图片对象时，综合特征提取与步骤S2相同，则获得检索特征图；当输入检索对象为文本对象时，综合特征提取与步骤S3相同，则获得检索文本段；
当综合检索指标为检索特征图，根据所获得的检索特征图获得检索局部图片和检索感应点；
将所获得的检索特征图与特征存储库进行重合度比对，获得推荐检索结果；
所述重合度比对的过程包括：
将所获得的检索特征图的检索感应点与特征提取库内的输出特征图的原始感应点进行点匹配，将匹配成功的输出特征图标记为第一检索特征；
需要进一步说明的是，在具体实施过程中，所述匹配成功表示检索感应点与原始感应点在相同位置上若元素相同，则表示感应点匹配成功，若有一个检索感应点与原始感应点匹配成功，也将输出特征图标记为第一检索特征；
对第一检索特征匹配成功的原始感应点数目进行统计，获得第一检索匹配点数；
对所获得的第一检索匹配点数按照由大到小的顺序进行排序，获得第一检索排序；
将所获得的第一检索排序中的前Y位标记为推荐检索结果，将所获得的推荐检索结果上传至输出端，通过输出端推荐给用户；
当综合检索指标为检索文本段，将所获得的检索文本段与特征存储库内的文本编
码段进行重复比对，获得重复数目，并将所获得的重复数目标记为；
根据所获得的检索文本段、重复数目，获得文本检索度，将所获得的文本检索度标
记为，其中=，a表示检索文本段的总字符数，即编码后的编码数目；
对所获得的文本检索度按照由大到小的顺序进行排序，获得文本检索排序，并将文本检索排序前Z位的文本编码段相关联的输出特征图标记为推荐检索结果，将所获得的推荐检索结果上传至输出端，通过输出端推荐给用户。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于人工智能的医疗数据检索方法，其特征在于，包括以下步骤：
步骤S1：构建智能虚拟空间，所述智能虚拟空间包括存储子空间、图片提取子空间和检索子空间，并通过存储子空间采集医疗图片数据和医疗文本数据；
步骤S2：在图片提取子空间对采集的医疗图片数据进行标准划分，获得输入像素图片，并设置图层过滤矩阵和特征提取层，将所获得的图层过滤矩阵与输入像素图片在特征提取层进行特征元素提取，获得局部特征图片，对获得的局部特征图片进行元素求和，获得输出特征图，并关联上医疗文本数据；
步骤S3：对输出特征图关联的医疗文本数据进行文本修剪，获得预选文本段，将所获得的预选文本段与局部特征图片进行图文匹配，并对匹配成功的预选文本段进行特征编码，获得文本编码段，根据所获得的文本编码段和输出特征图构建特征存储库；
步骤S4：在检索子空间对用户输入的检索目标进行综合特征提取，获得综合检索指标，将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果。
2.根据权利要求1所述的一种基于人工智能的医疗数据检索方法，其特征在于，所述智能虚拟空间设置有若干数据接收端口；
构建数据接收端口至存储子空间的传输链路、存储子空间至图片提取子空间的传输链路以及图片提取子空间至检索子空间的传输链路；
所述数据接收端口用于对医院生成的综合信息进行采集，获得医疗图片数据和医疗文本数据；
对获得的医疗图片数据和医疗文本数据进行对应匹配，并将匹配成功的医疗文本数据标记为诊断标签；
通过传输链路将所获得的医疗图片数据上传至存储子空间。
3.根据权利要求2所述的一种基于人工智能的医疗数据检索方法，其特征在于，图片提取子空间通过传输链路获取存储子空间的医疗图片数据；
根据所获得的医疗图片数据设置标准尺寸，根据所获得的标准尺寸对所获得的医疗图片数据进行标准划分，获得的标准输入图片；
对获得的标准输入图片进行像素点转换，获得输入像素图片；
根据所获得的标准输入图片设置图层过滤矩阵，根据所获得的图层过滤矩阵设置特征提取层，将所获得的输入像素图片和图层过滤矩阵上传至特征提取层；
对获得的图层过滤矩阵与输入像素图片进行特征元素提取，获得局部特征图片，并对所获得的局部特征图片进行元素求和，获得输出特征图。
4.根据权利要求3所述的一种基于人工智能的医疗数据检索方法，其特征在于，特征元素提取的过程包括：
根据所获得图层过滤矩阵对输入像素图片进行区域划分，获得输入子图；
将图层过滤矩阵在输入像素图片中进行滑动平移，直至输入像素图片的所有输入子图均与图层过滤矩阵完成元素卷积，获得局部特征图片，并在局部特征图片中设置原始感应点；
根据所获得的输入像素图片对获得的局部特征图片进行组合，获得输出特征图。
5.根据权利要求4所述的一种基于人工智能的医疗数据检索方法，其特征在于，获取医疗图片数据对应匹配的诊断标签，对所获得的诊断标签进行文本修剪，获得预选文本段；
将所获得的预选文本段与局部特征图片进行图文匹配，并对匹配成功的预选文本段进行特征编码，获得文本编码段；
构建特征存储库，将所获得的输出特征图和文本编码段上传至特征存储库中。
6.根据权利要求5所述的一种基于人工智能的医疗数据检索方法，其特征在于，对预选文本段进行特征编码的过程包括：
设置第一指数和第二指数，根据所获得的第一指数和第二指数获得公约码和制约码组；
设置条件约数，根据所获得的制约码组和条件约数获得隐藏码；
根据所获得的条件约数和公约码对预选文本段进行编码，获得文本编码段。
7.根据权利要求6所述的一种基于人工智能的医疗数据检索方法，其特征在于，所述检索子空间包括输入端和输出端，在检索子空间内通过输入端输入用户的检索目标，将所获得的检索目标标记为输入检索对象；
将所获得的输入检索对象通过传输链路上传至图片提取子空间；
在图片提取子空间中对输入检索对象进行综合特征提取，获得综合检索指标，所述综合检索指标包括检索特征图以及检索文本段；
将所获得的综合检索指标与特征存储库进行重合度比对，获得推荐检索结果。
8.根据权利要求7所述的一种基于人工智能的医疗数据检索方法，其特征在于，所述重合度比对的过程包括：
当综合检索指标为检索特征图，将检索特征图的原始感应点与特征提取库内输出特征图的原始感应点进行点匹配，将匹配成功的输出特征图标记为第一检索特征；
统计第一检索特征匹配成功的原始感应点数目，并进行数目排序，获得推荐检索结果，将所获得的推荐检索结果上传至输出端；
当综合检索指标为检索文本段，将检索文本段与特征存储库内的文本编码段进行重复比对，获得重复数目；
根据所获得的检索文本段和重复数目获得文本检索度；
对所获得的文本检索度进行排序，获得推荐检索结果，将所获得的推荐检索结果上传至输出端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410355049.2A CN117951330B (zh) | 2024-03-27 | 2024-03-27 | 一种基于人工智能的医疗数据检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410355049.2A CN117951330B (zh) | 2024-03-27 | 2024-03-27 | 一种基于人工智能的医疗数据检索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117951330A true CN117951330A (zh) | 2024-04-30 |
| CN117951330B CN117951330B (zh) | 2024-06-14 |
Family
ID=90796639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410355049.2A Active CN117951330B (zh) | 2024-03-27 | 2024-03-27 | 一种基于人工智能的医疗数据检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117951330B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102760031A (zh) * | 2011-12-19 | 2012-10-31 | 联想(北京)有限公司 | 一种显示方法及装置 |
| KR102097742B1 (ko) * | 2019-07-31 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법 |
| CN111127385A (zh) * | 2019-06-06 | 2020-05-08 | 昆明理工大学 | 基于生成式对抗网络的医学信息跨模态哈希编码学习方法 |
| CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技（深圳）有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
| CN112000818A (zh) * | 2020-07-10 | 2020-11-27 | 中国科学院信息工程研究所 | 一种面向文本和图像的跨媒体检索方法及电子装置 |
| CN112905810A (zh) * | 2021-02-09 | 2021-06-04 | 吴兆江 | 一种跨模态图文检索方法 |
| CN112966127A (zh) * | 2021-04-07 | 2021-06-15 | 北方民族大学 | 一种基于多层语义对齐的跨模态检索方法 |
| 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 |
| CN114611618A (zh) * | 2022-03-16 | 2022-06-10 | 浙江大学 | 一种面向跨模态检索的数据采集处理方法及系统 |
| CN115168634A (zh) * | 2022-08-02 | 2022-10-11 | 江南大学 | 一种基于多层级表征的面料跨模态图文检索方法 |
| CN115985509A (zh) * | 2022-12-14 | 2023-04-18 | 广东省人民医院 | 一种医学影像学数据检索系统、方法、装置和存储介质 |
| CN116304186A (zh) * | 2023-02-03 | 2023-06-23 | 江苏斯普德科技有限公司 | 一种医疗文档后结构化处理方法及系统 |
| CN117453859A (zh) * | 2023-11-07 | 2024-01-26 | 中国农业大学 | 一种农业病虫害图文检索方法、系统及电子设备 |
-
2024
- 2024-03-27 CN CN202410355049.2A patent/CN117951330B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102760031A (zh) * | 2011-12-19 | 2012-10-31 | 联想(北京)有限公司 | 一种显示方法及装置 |
| CN111127385A (zh) * | 2019-06-06 | 2020-05-08 | 昆明理工大学 | 基于生成式对抗网络的医学信息跨模态哈希编码学习方法 |
| KR102097742B1 (ko) * | 2019-07-31 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법 |
| CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技（深圳）有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
| CN112000818A (zh) * | 2020-07-10 | 2020-11-27 | 中国科学院信息工程研究所 | 一种面向文本和图像的跨媒体检索方法及电子装置 |
| CN112905810A (zh) * | 2021-02-09 | 2021-06-04 | 吴兆江 | 一种跨模态图文检索方法 |
| CN112966127A (zh) * | 2021-04-07 | 2021-06-15 | 北方民族大学 | 一种基于多层语义对齐的跨模态检索方法 |
| 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 |
| CN114611618A (zh) * | 2022-03-16 | 2022-06-10 | 浙江大学 | 一种面向跨模态检索的数据采集处理方法及系统 |
| CN115168634A (zh) * | 2022-08-02 | 2022-10-11 | 江南大学 | 一种基于多层级表征的面料跨模态图文检索方法 |
| CN115985509A (zh) * | 2022-12-14 | 2023-04-18 | 广东省人民医院 | 一种医学影像学数据检索系统、方法、装置和存储介质 |
| CN116304186A (zh) * | 2023-02-03 | 2023-06-23 | 江苏斯普德科技有限公司 | 一种医疗文档后结构化处理方法及系统 |
| CN117453859A (zh) * | 2023-11-07 | 2024-01-26 | 中国农业大学 | 一种农业病虫害图文检索方法、系统及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117951330B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110176002B (zh) | 一种x射线图像的病灶检测方法及终端设备 | |
| CN107004042B (zh) | 图像指纹识别 | |
| CN110727819B (zh) | 一种尺度自适应病理全切片图像数据库检索方法 | |
| CN112272839A (zh) | 三维扫描中解剖结构的顺序分割 | |
| Pradhan et al. | Transforming view of medical images using deep learning | |
| WO2022228958A1 (en) | Method and apparatus for processing of multi-modal data | |
| CN113469180A (zh) | 医学图像的处理方法和系统、数据处理方法 | |
| CN113470037A (zh) | 数据处理方法、装置及系统 | |
| CN116862931A (zh) | 医学图像分割方法、装置、存储介质及电子设备 | |
| Liu et al. | Multi-scale mixed attention network for CT and MRI image fusion | |
| Ghaznavi Bidgoli et al. | Automatic diagnosis of dental diseases using convolutional neural network and panoramic radiographic images | |
| Quintana et al. | Exploiting patch sizes and resolutions for multi-scale deep learning in mammogram image classification | |
| Bhosale et al. | Graph and capsule convolutional neural network based classification of lung Cancer, pneumonia, COVID-19 using lung CT and ultrasound radiography imaging | |
| CN117951330B (zh) | 一种基于人工智能的医疗数据检索方法 | |
| US11763952B2 (en) | Systems, methods, and apparatuses for learning semantics-enriched representations via self-discovery, self-classification, and self-restoration in the context of medical imaging | |
| Arif et al. | Auto-shape lossless compression of pharynx and esophagus fluoroscopic images | |
| Aldemir et al. | Chain code strategy for lossless storage and transfer of segmented binary medical data | |
| CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
| CN115239740A (zh) | 基于GT-UNet的全心分割算法 | |
| Sawant et al. | An Overview of Deep Learning in Medical Imaging | |
| CN111415331A (zh) | 一种正位胸片中基于类别关系的异常检测方法及系统 | |
| CN110415239B (zh) | 图像处理方法、装置、设备、医疗电子设备以及介质 | |
| US20240212811A1 (en) | Method and apparatus for processing of multi-modal data | |
| CN114913145B (zh) | 一种图像分割方法、装置、电子设备和存储介质 | |
| US10685254B2 (en) | Device and method for representing an anatomical shape of a living being |
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 |