CN117975170A - 基于大数据的医疗信息处理方法及系统 - Google Patents

Abstract

本申请公开了一种基于大数据的医疗信息处理方法及系统，其通过利用大数据技术和人工智能技术，对医疗诊断图像进行图像处理和分析，从中提取医疗诊断图像中的图像语义特征，并对医疗诊断图像中的病灶区域进行识别和图像分割。这样，辅助医生识别医疗诊断图像中的病灶区域，从而帮助医生做出更准确的诊断和治疗决策。

Description

基于大数据的医疗信息处理方法及系统

技术领域

本申请涉及大数据领域，且更为具体地，涉及一种基于大数据的医疗信息处理方法及系统。

背景技术

医疗信息处理是一门利用计算机技术和数学方法对医疗数据进行分析、处理和管理的学科，它可以帮助医生提高诊断的准确性和效率，提升医疗服务的质量和水平。

医疗诊断图像是医疗信息处理的重要对象之一，它可以包括X光、CT、MRI、超声等多种类型的图像，这些图像可以反映人体内部的结构和功能。传统的判断病灶区域的方式是由医生根据经验和知识观察图像，然后手动标注出异常的部分。这种方式存在以下问题：一是主观性强，不同医生之间可能存在差异和误差；二是耗时耗力，对于大量的图像数据，人工标注的效率很低；三是难以处理复杂的图像，例如低对比度、模糊、噪声等影响图像质量的因素，可能导致医生难以识别出病灶区域。

因此，期待一种优化的基于大数据的医疗信息处理方法及系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的医疗信息处理方法及系统，其通过利用大数据技术和人工智能技术，对医疗诊断图像进行图像处理和分析，从中提取医疗诊断图像中的图像语义特征，并对医疗诊断图像中的病灶区域进行识别和图像分割。这样，辅助医生识别医疗诊断图像中的病灶区域，从而帮助医生做出更准确的诊断和治疗决策。

根据本申请的一个方面，提供了一种基于大数据的医疗信息处理方法，其包括：

获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像；

提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图；

使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图；

基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。

根据本申请的另一个方面，提供了一种基于大数据的医疗信息处理系统，其包括：

信息采集模块，用于获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像；

图像特征提取模块，用于提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图；

空间强化模块，用于使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图；

结果生成模块，用于基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。

与现有技术相比，本申请提供的一种基于大数据的医疗信息处理方法及系统，其通过利用大数据技术和人工智能技术，对医疗诊断图像进行图像处理和分析，从中提取医疗诊断图像中的图像语义特征，并对医疗诊断图像中的病灶区域进行识别和图像分割。这样，辅助医生识别医疗诊断图像中的病灶区域，从而帮助医生做出更准确的诊断和治疗决策。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于大数据的医疗信息处理方法的流程图；

图2为根据本申请实施例的基于大数据的医疗信息处理方法的系统架构图；

图3为根据本申请实施例的基于大数据的医疗信息处理方法的子步骤S2的流程图；

图4为根据本申请实施例的基于大数据的医疗信息处理方法的子步骤S4的流程图；

图5为根据本申请实施例的基于大数据的医疗信息处理系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

传统的判断病灶区域的方式是由医生根据经验和知识观察图像，然后手动标注出异常的部分。这种方式存在以下问题：一是主观性强，不同医生之间可能存在差异和误差；二是耗时耗力，对于大量的图像数据，人工标注的效率很低；三是难以处理复杂的图像，例如低对比度、模糊、噪声等影响图像质量的因素，可能导致医生难以识别出病灶区域。因此，期待一种优化的基于大数据的医疗信息处理方法及系统。

在本申请的技术方案中，提出了一种基于大数据的医疗信息处理方法。图1为根据本申请实施例的基于大数据的医疗信息处理方法的流程图。图2为根据本申请实施例的基于大数据的医疗信息处理方法的系统架构图。如图1和图2所示，根据本申请的实施例的基于大数据的医疗信息处理方法，包括步骤：S1，获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像；S2，提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图；S3，使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图；S4，基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。

特别地，所述S1，获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像。应可以理解，所述医疗诊断图像可以提供关于患者内部结构和疾病状态的详细信息。通过对医疗诊断图像进行处理和分析，可以辅助医生识别所述医疗诊断图像中的病灶区域，从而帮助医生做出更准确的诊断和治疗决策。

特别地，所述S2，提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图。特别地，在本申请的一个具体示例中，如图3所示，所述S2，包括：S21，提取所述医疗诊断图像的多维度表征以得到医疗诊断多通道表征图像；S22，将所述医疗诊断多通道表征图像通过基于卷积神经网络模型的医疗诊断图像特征提取器以得到所述医疗诊断图像特征图。

具体地，所述S21，提取所述医疗诊断图像的多维度表征以得到医疗诊断多通道表征图像。也就是，在本申请的技术方案中，计算所述医疗诊断图像的模型梯度方向直方图和位置梯度直方图，并将所述医疗诊断图像、所述模型梯度方向直方图和所述位置梯度直方图沿着通道维度进行聚合以得到医疗诊断多通道表征图像。这里，模型梯度方向直方图可以帮助捕捉医疗诊断图像中的纹理和边缘信息。具体来说，通过计算医疗诊断图像中每个像素点的梯度方向，可以获得梯度方向的分布情况，从而生成所述模型梯度方向直方图。这样，所述模型梯度方向直方图能够描述医疗诊断图像中各个方向上的梯度变化情况，从而揭示出医疗诊断图像的纹理和结构特征。这些特征对于病灶的判断和定位非常重要。同时，位置梯度直方图可以刻画所述医疗诊断图像中各个局部区域之间的位置关系，从而捕捉到所述医疗诊断图像中的细节信息以及各个邻域之间的隐含关联关系，对识别病灶具有重要意义。而后，将所述医疗诊断图像、所述模型梯度方向直方图和所述位置梯度直方图沿着通道维度进行聚合可以将具有不同侧重点的特征信息综合起来，从而提供更全面、多角度的图像表征，以更好地反映医学诊断图像中的结构、纹理、边缘等重要特征。这样，相比于表征单一的特征信息，所述医疗诊断多通道表征图像能够具有更丰富的特征表达能力和感知能力，从而提供更丰富的信息给后续模型进行处理。更具体地，计算所述医疗诊断图像的模型梯度方向直方图，包括：对所述医疗诊断图像进行均匀划分以得到多个细胞空间；计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；基于所述多个细胞方向梯度直方图，生成所述模型梯度方向直方图。计算所述医疗诊断图像的位置梯度直方图，包括：计算各个所述单元格的中心点以得到多个单元格中心点；计算各个所述单元格中心点到所述医疗诊断图像的中心的相对位置以得到所述位置梯度直方图。

具体地，所述S22，将所述医疗诊断多通道表征图像通过基于卷积神经网络模型的医疗诊断图像特征提取器以得到所述医疗诊断图像特征图。也就是，在本申请的技术方案中，将所述医疗诊断多通道表征图像通过基于卷积神经网络模型的医疗诊断图像特征提取器以得到医疗诊断图像特征图。这里，所述卷积神经网络（Convolutional NeuralNetwork, CNN）作为一种强大的深度学习模型，在图像处理任务中表现出色。具体来说，通过使用卷积神经网络模型来构建所述医疗诊断图像特征提取器，可以利用所述卷积神经网络模型的多层卷积和池化操作来提取所述医疗诊断多通道表征图像中的抽象特征，自动学习所述医疗诊断多通道表征图像的局部结构、纹理和形状等特征。更具体地，使用所述基于卷积神经网络模型的医疗诊断图像特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的医疗诊断图像特征提取器的最后一层的输出为所述医疗诊断图像特征图，所述基于卷积神经网络模型的医疗诊断图像特征提取器的第一层的输入为所述医疗诊断多通道表征图像。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，专门用于处理具有网格结构的数据，如图像和语音。CNN的核心思想是通过卷积操作来提取输入数据的特征，并通过层层堆叠的方式进行特征的高级表示和抽象。以下是CNN的基本组件和工作原理：卷积层：卷积层是CNN的核心组件，用于提取输入数据的特征。它通过应用一组可学习的卷积核（滤波器）在输入数据上进行卷积操作。卷积操作可以捕捉输入数据中的局部模式和特征，并生成一系列的特征图；激活函数：在卷积层之后，通常会应用一个非线性激活函数，如ReLU。激活函数引入非线性特征，使得网络能够学习更复杂的模式和表示；池化层：池化层用于减少特征图的尺寸和参数数量，并提取最重要的特征。常见的池化操作包括最大池化和平均池化；全连接层：在经过一系列卷积层和池化层之后，通常会添加一些全连接层。全连接层将前一层的特征映射转换为输出结果，例如进行分类或回归；Dropout：为了防止过拟合，CNN中常使用Dropout技术。Dropout在训练过程中随机丢弃一部分神经元，以减少神经元之间的依赖关系，提高模型的泛化能力。通过反向传播算法，CNN可以自动学习提取输入数据中的特征，并根据训练目标进行优化。在训练过程中，CNN通过最小化损失函数来调整网络参数，以使得输出结果与真实标签尽可能接近。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图，例如：输入所述医疗诊断图像；对图像进行预处理以准备特征提取。预处理步骤可能包括图像去噪、图像增强、图像平滑等操作，以提高图像质量和可读性；从图像中提取诊断特征，常用的特征提取方法包括：边缘检测：通过检测图像中的边缘来捕获结构信息；纹理特征提取：通过分析图像中的纹理模式来捕获纹理信息； 形状特征提取：通过分析图像中的形状和轮廓来捕获形状信息；统计特征提取：通过计算图像的统计属性来捕获图像的统计信息；将提取的诊断图像特征转换为特征向量或特征图。

特别地，所述S3，使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图。应可以理解，所述医疗诊断图像中的关键信息可能位于不同的区域，其原因在于，不同的疾病或异常情况在人体内部的表现是多样化的。例如，不同疾病或异常情况在人体内部的位置是不一样的。肺部疾病可能出现在肺部的特定区域，而特定心脏疾病可能涉及心脏的不同部位。因此，在医疗诊断图像中，关键信息的位置可能是多样化的。虽然所述基于卷积神经网络模型的医疗诊断图像特征提取器能够对所述医疗诊断多通道表征图像进行深层次的特征提取，但由于卷积核的限制，所述基于卷积神经网络模型的医疗诊断图像特征提取器对医疗诊断多通道表征图像中各个局部邻域的关注度是相同的。也就是说，所述基于卷积神经网络模型的医疗诊断图像特征提取器对于蕴含关键信息区域和非重要区域采取相同的处理方式，从而使得蕴含关键信息区域的特征可能会在后续的处理和识别过程中被忽略。为了解决或缓解上述问题，在本申请的技术方案中期待使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图。其中，所述空间关联注意力模块可以通过学习所述医疗诊断图像特征图中各个局部区域之间的空间关联性，自适应地分配不同的权重，引导模型更好地关注并强调重要的区域，从而提取出更有代表性和区分性的全局医疗诊断图像特征，提高对病灶区域的感知能力。具体地，使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图，包括：对所述医疗诊断图像特征图进行特征图切分以得到医疗诊断图像局部特征图的序列；以如下空间相关系数计算公式来计算所述医疗诊断图像局部特征图的序列中任意两个医疗诊断图像局部特征图之间的空间相关系数以得到空间关联系数矩阵，其中，所述空间相关系数计算公式为：

；

其中，和/>分别表示所述医疗诊断图像局部特征图的序列中的第/>和第/>个所述医疗诊断图像局部特征图，/>表示全局均值池化函数，/>和/>表示两个1×1的卷积层，表示所述医疗诊断图像局部特征图的序列中的第/>和第/>个所述医疗诊断图像局部特征图之间的空间相关系数；

将所述空间关联系数矩阵通过基于Sigmoid函数的激活层以得到空间关联注意力权重矩阵；

计算所述医疗诊断图像特征图的沿通道维度的各个特征矩阵与所述空间关联注意力权重矩阵之间的按位置点乘以得到所述空间关联强化全局医疗诊断图像特征图。

特别地，所述S4，基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。特别地，在本申请的一个具体示例中，如图4所示，所示S4，包括：S41，对所述空间关联强化全局医疗诊断图像特征图进行聚类优化以得到优化后空间关联强化全局医疗诊断图像特征图；S42，对所述优化后空间关联强化全局医疗诊断图像特征图进行沿通道维度的全局均值池化处理以得到空间关联强化全局医疗诊断图像特征矩阵；S43，将所述空间关联强化全局医疗诊断图像特征矩阵通过基于Softmax分类函数的图像语义分割器以得到图像语义分割结果，其中，所述图像语义分割结果用于表示是否存在病灶。

具体地，所述S41，对所述空间关联强化全局医疗诊断图像特征图进行聚类优化以得到优化后空间关联强化全局医疗诊断图像特征图。特别地，在上述技术方案中，所述医疗诊断图像特征图表达所述医疗诊断图像对应的医疗诊断多通道表征图像的图像语义特征，这样，使用空间关联注意力模块对所述医疗诊断图像特征图进行处理后，可以对所述图像语义特征进行基于局部空间分布的关联强化，但是，这也使得所述空间关联强化全局医疗诊断图像特征图的特征分布在局部空间存在局部特征分布离散性，从而影响所述空间关联强化全局土壤状态语义特征矩阵的图像语义特征在细节方面的表达效果。

基于此，本申请的申请人对所述空间关联强化全局医疗诊断图像特征图进行聚类优化以得到优化后空间关联强化全局医疗诊断图像特征图，也就是，首先对所述空间关联强化全局医疗诊断图像特征图的各个特征值进行聚类，例如基于特征值间距离的聚类，再基于聚类后的特征类内和类外表征进行优化以得到所述优化后空间关联强化全局医疗诊断图像特征图。

具体地，在本申请技术方案中，基于聚类后的特征类内和类外表征进行优化以得到所述优化后空间关联强化全局医疗诊断图像特征图，包括：以如下聚类优化公式基于聚类后的特征类内和类外表征进行优化以得到所述优化后空间关联强化全局医疗诊断图像特征图；其中，所述聚类优化公式为：

其中，是所述空间关联强化全局医疗诊断图像特征图的各个特征值，/>是所述空间关联强化全局医疗诊断图像特征图对应的特征集合数目，/>是聚类特征数目，/>表示聚类特征集合，/>是所述优化后空间关联强化全局医疗诊断图像特征图的各个特征值。

具体地，通过将所述空间关联强化全局医疗诊断图像特征图的类内特征和类外特征作为不同的实例角色来进行基于聚类比例分布的类实例描述，并引入基于类内和类外动态上下文的聚类响应历史，来对所述空间关联强化全局医疗诊断图像特征图的整体特征的类内分布和类外分布保持协调的全局视角，使得对于所述空间关联强化全局医疗诊断图像特征图的优化的特征聚类操作可以维持类内和类外特征的连贯一致的响应，从而在分类回归过程中基于特征聚类的回归收敛路径保持连贯一致，提升所述空间关联强化全局医疗诊断图像特征图的面向类标签的收敛效果。这样，改进了对所述空间关联强化全局土壤状态语义特征图进行沿通道维度的全局均值池化处理得到的所述空间关联强化全局土壤状态语义特征矩阵的图像语义特征表达效果，提升了所述空间关联强化全局土壤状态语义特征矩阵通过基于Softmax分裂函数的图像语义分割器得到的图像语义分割结果的准确性。

具体地，所述S42，对所述优化后空间关联强化全局医疗诊断图像特征图进行沿通道维度的全局均值池化处理以得到空间关联强化全局医疗诊断图像特征矩阵。也就是，对所述空间关联强化全局医疗诊断图像特征图进行沿通道维度的全局均值池化处理以得到空间关联强化全局医疗诊断图像特征矩阵。应可以理解，通过全局均值池化处理可以将所述空间关联强化全局医疗诊断图像特征图中的每个通道的特征信息进行整合，得到一个全局的特征表示。

具体地，所述S43，将所述空间关联强化全局医疗诊断图像特征矩阵通过基于Softmax分类函数的图像语义分割器以得到图像语义分割结果，其中，所述图像语义分割结果用于表示是否存在病灶。也就是，在本申请的技术方案中，将所述空间关联强化全局医疗诊断图像特征矩阵通过基于Softmax分类函数的图像语义分割器以得到图像语义分割结果，其中，所述图像语义分割结果用于表示是否存在病灶。应可以理解，通过基于Softmax分类函数的图像语义分割器，可以将所述空间关联强化全局医疗诊断图像特征矩阵映射为图像语义分割结果。具体来说，Softmax分类函数可以所述空间关联强化全局医疗诊断图像特征矩阵中的每个元素映射为表示不同类别的概率值，从而实现对所述医疗诊断图像中每个像素点的分类。这样可以将所述医疗诊断图像中的每个像素点标记为是否属于病灶，提供定量的语义分割结果。

Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶，例如：输入所述空间关联强化全局医疗诊断图像特征图；应用空间关联强化方法来增强特征图：通过应用空间注意力机制，可以学习到特征图中不同位置之间的关联权重。这可以帮助模型在关注病灶区域的同时，保留周围的上下文信息；将加权后的特征图与原始特征图进行融合，可以得到空间关联强化的特征图；通过应用病灶检测算法，可以在空间关联强化的特征图上确定是否存在病灶。病灶检测算法可以是传统的机器学习算法，也可以是深度学习算法，如卷积神经网络或目标检测算法；病灶检测算法将输出病灶的位置、大小或分割结果。

综上，根据本申请实施例的基于大数据的医疗信息处理方法被阐明，其通过利用大数据技术和人工智能技术，对医疗诊断图像进行图像处理和分析，从中提取医疗诊断图像中的图像语义特征，并对医疗诊断图像中的病灶区域进行识别和图像分割。这样，辅助医生识别医疗诊断图像中的病灶区域，从而帮助医生做出更准确的诊断和治疗决策。

进一步地，还提供一种基于大数据的医疗信息处理系统。

图5为根据本申请实施例的基于大数据的医疗信息处理系统的框图。如图5所示，根据本申请实施例的基于大数据的医疗信息处理系统300，包括：信息采集模块310，用于获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像；图像特征提取模块320，用于提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图；空间强化模块330，用于使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图；结果生成模块340，用于基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。

如上所述，根据本申请实施例的基于大数据的医疗信息处理系统300可以实现在各种无线终端中，例如具有基于大数据的医疗信息处理算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于大数据的医疗信息处理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于大数据的医疗信息处理系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于大数据的医疗信息处理系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于大数据的医疗信息处理系统300与该无线终端也可以是分立的设备，并且该基于大数据的医疗信息处理系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于大数据的医疗信息处理方法，其特征在于，包括：

获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像；

提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图；

使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图；

基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。

2.根据权利要求1所述的基于大数据的医疗信息处理方法，其特征在于，提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图，包括：

提取所述医疗诊断图像的多维度表征以得到医疗诊断多通道表征图像；

将所述医疗诊断多通道表征图像通过基于卷积神经网络模型的医疗诊断图像特征提取器以得到所述医疗诊断图像特征图。

3.根据权利要求2所述的基于大数据的医疗信息处理方法，其特征在于，提取所述医疗诊断图像的多维度表征以得到医疗诊断多通道表征图像，包括：

计算所述医疗诊断图像的模型梯度方向直方图；

计算所述医疗诊断图像的位置梯度直方图；

将所述医疗诊断图像、所述模型梯度方向直方图和所述位置梯度直方图沿着通道维度进行聚合以得到所述医疗诊断多通道表征图像。

4.根据权利要求3所述的基于大数据的医疗信息处理方法，其特征在于，计算所述医疗诊断图像的模型梯度方向直方图，包括：

对所述医疗诊断图像进行均匀划分以得到多个细胞空间；

计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；

基于所述多个细胞方向梯度直方图，生成所述模型梯度方向直方图。

5.根据权利要求4所述的基于大数据的医疗信息处理方法，其特征在于，计算所述医疗诊断图像的位置梯度直方图，包括：

对所述医疗诊断图像进行单元格划分以得到多个单元格；

计算各个所述单元格的中心点以得到多个单元格中心点；

计算各个所述单元格中心点到所述医疗诊断图像的中心的相对位置以得到所述位置梯度直方图。

6.根据权利要求5所述的基于大数据的医疗信息处理方法，其特征在于，使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图，包括：

对所述医疗诊断图像特征图进行特征图切分以得到医疗诊断图像局部特征图的序列；

以如下空间相关系数计算公式来计算所述医疗诊断图像局部特征图的序列中任意两个医疗诊断图像局部特征图之间的空间相关系数以得到空间关联系数矩阵，其中，所述空间相关系数计算公式为：

；

其中，和/>分别表示所述医疗诊断图像局部特征图的序列中的第/>和第/>个所述医疗诊断图像局部特征图，/>表示全局均值池化函数，/>和/>表示两个1×1的卷积层，/>表示所述医疗诊断图像局部特征图的序列中的第/>和第/>个所述医疗诊断图像局部特征图之间的空间相关系数；

将所述空间关联系数矩阵通过基于Sigmoid函数的激活层以得到空间关联注意力权重矩阵；

计算所述医疗诊断图像特征图的沿通道维度的各个特征矩阵与所述空间关联注意力权重矩阵之间的按位置点乘以得到所述空间关联强化全局医疗诊断图像特征图。

7.根据权利要求6所述的基于大数据的医疗信息处理方法，其特征在于，基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶，包括：

对所述空间关联强化全局医疗诊断图像特征图进行聚类优化以得到优化后空间关联强化全局医疗诊断图像特征图；

对所述优化后空间关联强化全局医疗诊断图像特征图进行沿通道维度的全局均值池化处理以得到空间关联强化全局医疗诊断图像特征矩阵；

将所述空间关联强化全局医疗诊断图像特征矩阵通过基于Softmax分类函数的图像语义分割器以得到图像语义分割结果，其中，所述图像语义分割结果用于表示是否存在病灶。

8.根据权利要求7所述的基于大数据的医疗信息处理方法，其特征在于，对所述空间关联强化全局医疗诊断图像特征图进行聚类优化以得到优化后空间关联强化全局医疗诊断图像特征图，包括：

对所述空间关联强化全局医疗诊断图像特征图的各个特征值进行聚类；

基于聚类后的特征类内和类外表征进行优化以得到所述优化后空间关联强化全局医疗诊断图像特征图。

9.根据权利要求8所述的基于大数据的医疗信息处理方法，其特征在于，将所述空间关联强化全局医疗诊断图像特征矩阵通过基于Softmax分类函数的图像语义分割器以得到图像语义分割结果，其中，所述图像语义分割结果用于表示是否存在病灶，包括：

使用所述Softmax分类函数对所述空间关联强化全局医疗诊断图像特征矩阵中各个位置的特征值进行映射分类以得到所述图像语义分割结果，其中，所述图像语义分割结果包含所述医疗诊断图像中各个像素点所属的类别标签，所述类别标签包括存在病灶和不存在病灶。

10.一种基于大数据的医疗信息处理系统，其特征在于，包括：

信息采集模块，用于获取待处理医疗信息，其中，所述待处理医疗信息为医疗诊断图像；

图像特征提取模块，用于提取所述医疗诊断图像的诊断图像特征以得到医疗诊断图像特征图；

空间强化模块，用于使用空间关联注意力模块对所述医疗诊断图像特征图进行处理以得到空间关联强化全局医疗诊断图像特征图；

结果生成模块，用于基于所述空间关联强化全局医疗诊断图像特征图，确定是否存在病灶。