CN118039134B - 基于大数据的医疗信息数据增强方法及系统 - Google Patents
基于大数据的医疗信息数据增强方法及系统 Download PDFInfo
- Publication number
- CN118039134B CN118039134B CN202410417707.6A CN202410417707A CN118039134B CN 118039134 B CN118039134 B CN 118039134B CN 202410417707 A CN202410417707 A CN 202410417707A CN 118039134 B CN118039134 B CN 118039134B
- Authority
- CN
- China
- Prior art keywords
- physical examination
- medical
- abnormal
- time
- time points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 204
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 201000010099 disease Diseases 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 108
- 210000002569 neuron Anatomy 0.000 claims description 37
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 210000001015 abdomen Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage 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
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000002604 ultrasonography 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于大数据的医疗信息数据增强方法及系统,一般医疗数据正常或者出现病症的状态,二维的医疗影像和一维的体检数据同时变化,所以互相判断能够判断除异常的数据,将固定时间间隔的未存在异常时间点的医疗影像构成集合,能够使得之后的检测身体信息随时间变化的情况更加准确,判断随时间变化中既不属于正常又不属于发病情况的异常数据,采用构建的能够判断多个一维时间点之间变化是否出现异常的体检时间检测网络,采用二维和一维对比判断,时间上的二维构建三维判断,时间上的一维连续判断,三种方法去除异常数据,使得增强医疗信息,达到医疗信息更加准确的技术效果。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于大数据的医疗信息数据增强方法及系统。
背景技术
目前,“互联网+医疗健康”模式,探索建立基层医疗防控新形式正逐步发展。依托大数据+人工智能技术,提供个性化、本地化的药物治疗方案智能推荐。以前通过人工进行数据检测,但是在大数据下,人工识别较多,容易漏检、错检。采用计算机进行检测通常也只能对数据储存的过程中对于数据丢失或者数据录入错误进行检测,而对于数据本身进行检测会导致检测困难和检测不准确的情况出现。
发明内容
本发明的目的在于提供了一种基于大数据的医疗信息数据增强方法及系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于大数据的医疗信息数据增强方法,包括:
获得多个时间点的医疗信息;所述医疗信息包括用户的体检向量和医疗影像;所述医疗信息的两个相邻时间点的时间间隔相同;
根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点;n个医疗影像和体检数据对应获得m个异常时间点;m个异常时间点构成异常时间向量; n和m是0或正整数;
基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合;异常时间向量中的多个异常时间点对应获得多个医疗影像集合;
基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点;
将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远依次排列,得到待预测体检集合;所述待预测体检集合包括多个体检向量;
根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点;
将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息。
可选的,互相判断网络包括目标检测网络、深度神经网络和异常判断神经网络。
可选的,所述根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点,包括:
将所述医疗影像输入目标检测网络,进行特征提取,得到医疗影像特征;
将所述体检数据输入深度神经网络,进行特征提取,得到体检数据特征;
将所述医疗影像特征和体检数据特征进行叠加,得到重叠特征;
将所述重叠特征输入异常判断神经网络,判断是否存在异常;
若存在异常,将体检数据和医疗影像对应的时间点作为异常时间点。
可选的,所述基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合,包括:
所述异常时间向量中的异常时间点从距离当前时间点从近到远依次排列;
将p异常时间点中相邻的异常时间点两两相减之积求绝对值,得到p-1个异常时间间隔;
将小于其他异常时间间隔的异常时间间隔除作为正常时间长度;
将两个相邻异常时间点内正常时间长度的时间点对应的医疗影像加入医疗集合。
可选的,所述基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点,包括:
将所述医疗影像集合中的图像按照距离当前时间点从近到远排列构建医疗三维图像;所述多个医疗影像集合对应获得多个医疗三维图像;
将所述医疗三维图像输入影像三维卷积网络,提取时间变化的特征,得到医疗三维特征;
将所述医疗三维特征输入影像分类器,进行分类,判断医疗影像是否异常;
若医疗影像异常,将医疗影像集合对应的多个时间点设为影像异常时间点。
可选的,体检时间检测网络的第一层的包括w个神经元结构;w等于全部医疗信息对应的时间点的个数;
所述体检时间检测网络的第一层的一个神经元结构的神经元个数等于待预测体检向量长度;
所述体检时间检测网络的第二层包括w-1个神经元结构;
所述体检时间检测网络包括w层;所述体检时间检测网络的神经元结构每层依次减1;所述体检时间检测网络w层的神经元结构数量为1;
所述体检时间检测网络s+1层的一个神经元结构的输入为所述体检时间检测网络s层的相邻两个神经元结构的输出;s大于1,且,s+1小于w;
所述体检时间检测网络w层的输出为体检分类器的输入。
可选的,所述将两个相邻异常时间点内正常时间长度的时间点对应的医疗影像加入医疗集合,包括:
将两个相邻的异常时间点的中点作为异常时间中点;
将正常时间长度除以2,得到分割长度;
将异常时间中点减去分割长度和异常时间中点加上分割长度内包含的时间点对应的医疗影像加入医疗集合。
可选的,所述影像三维卷积网络和影像分类器的训练方法,包括:
获得训练集;所述训练集包括多个训练图像和多个标注向量;所述训练图像包括正常图像,病症图像和异常图像;所述标注向量有三个值,分别表示正常、病症和异常;
将所述训练图像输入影像三维卷积网络,提取特征,得到训练医疗三维特征;
将所述训练医疗三维特征输入影像分类器,进行分类,得到输出向量;所述输出向量的长度为3;所述输出向量的第一个值表示是否为正常图像;所述输出向量的第二个值表示是否为病症图像;所述输出向量的第三个值表示是否为异常图像;
将输出向量与标注向量进行损失,后向传播,得到训练好的影像三维卷积网络和影像分类器。
可选的,所述根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点,包括:
将所述待预测体检集合中的体检向量按照距离当前时间点从近到远进行分割,得到多份分割体检集合;所述分割体检集合包含w个时间点对应的体检向量;
根据分割体检集合,通过体检时间检测网络,提取相邻变化特征,判断体检数据是否异常;
若体检数据异常,将体检数据异常的分割体检集合对应的多个时间点设为体检异常时间点。
第二方面,本发明实施例提供了一种基于大数据的医疗信息数据增强系统,包括:
获取模块:获得多个时间点的医疗信息;所述医疗信息包括用户的体检向量和医疗影像;所述医疗信息的两个相邻时间点的时间间隔相同;
互相判断模块:根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点;n个医疗影像和体检数据对应获得m个异常时间点;m个异常时间点构成异常时间向量;
医疗影像时间判断模块:基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合;异常时间向量中的多个异常时间点对应获得多个医疗影像集合;基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点;
体检数据时间判断模块:将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远依次排列,得到待预测体检集合;所述待预测体检集合包括多个体检向量;根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点;
增强模块:将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种基于大数据的医疗信息数据增强方法和系统,所述方法包括:获得多个时间点的医疗信息。所述医疗信息包括用户的体检向量和医疗影像。所述医疗信息的两个相邻时间点的时间间隔相同。根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点。n个医疗影像和体检数据对应获得m个异常时间点。m个异常时间点构成异常时间向量。 基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合。异常时间向量中的多个异常时间点对应获得多个医疗影像集合。基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点。将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远依次排列,得到待预测体检集合。所述待预测体检集合包括多个体检向量。根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点。将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息。
本发明中,因为一般医疗数据正常或者出现病症的状态,二维的医疗影像和一维的体检数据同时变化,所以互相判断能够判断除异常的数据。将固定时间间隔的未存在异常时间点的医疗影像构成集合,能够使得之后的检测身体信息随时间变化的情况更加准确,判断随时间变化中既不属于正常又不属于发病情况的异常数据。采用构建的能够判断多个一维时间点之间变化是否出现异常的体检时间检测网络。采用二维和一维对比判断,时间上的二维构建三维判断,时间上的一维连续判断,三种方法去除异常数据,使得增强医疗信息,达到医疗信息更加准确的技术效果。
附图说明
图1是本发明实施例提供的一种基于大数据的医疗信息数据增强方法流程图。
图2是本发明实施例提供的一种基于大数据的医疗信息数据增强方法的体检时间检测网络的结构示意图。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种基于大数据的医疗信息数据增强方法,所述方法包括:
S101:获得多个时间点的医疗信息。所述医疗信息包括用户的体检向量和医疗影像。所述医疗信息的两个相邻时间点的时间间隔相同。
其中,所述体检信息包括血糖和血压。所述医疗影像为腹部b超。
其中,如本实施例中采用每天检测一次,连续检测20天。
S102:根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点。n个医疗影像和体检数据对应获得m个异常时间点。m个异常时间点构成异常时间向量。n和m是0或正整数,用于表示个数。
其中,所述m的大小取决于互相判断网络。所述m小于n,且m大于或等于0。所述m个异常时间点按距离当前时间点从远到近依次放入异常时间向量中。所述异常时间向量初始为0。
其中,所述n等于时间点的个数,本实施例中为20。
其中,如本实施例中,异常时间向量为[3,7,15],表示距离当前时间点3天、7天和15天出现异常。
S103:基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合。异常时间向量中的多个异常时间点对应获得多个医疗影像集合。
S104:基于所述多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点。
S105:将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远异常排列,得到待预测体检集合。所述待预测体检集合包括多个体检向量。
其中,如本实施例中,将当前时间点3天、7天和15天对应检测的血糖和血压作设为0,和其他体检向量按照时间点距离当前时间点从近到远依次排列放入空集合中,得到待预测体检集合。
S106:根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点。
S107:将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息。
可选的,互相判断网络包括目标检测网络、深度神经网络和异常判断神经网络。
可选的,所述根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点,包括:
将所述医疗影像输入目标检测网络,进行特征提取,得到医疗影像特征。
其中,本实施例中,所述目标检测网络为训练好的yolov5网络输入全连接网络后,未进行分类的输出部分。
其中,所述医疗影像特征为一维向量。
将所述体检数据输入深度神经网络,进行特征提取,得到体检数据特征。
其中,本实施例中,所述深度神经网络为全连接神经网络。
其中,所述体检数据特征为一维向量。
将所述医疗影像特征和体检数据特征进行叠加,得到重叠特征。
其中,将所述医疗影像特征和体检数据特征在一维上进行叠加,得到一维的重叠特征。
将所述重叠特征输入异常判断神经网络,判断是否存在异常。
其中,所述异常判断神经网络为与深度神经网络神经元个数不同的全连接神经网络。
其中,所述异常判断神经网络只有2个的输出值。一个输出值表示异常,一个输出值表示未异常。根据输出值与输出阈值的大小判断是否异常。本实施例中,所述输出阈值设为0.9。
若存在异常,将体检数据和医疗影像对应的时间点作为异常时间点。
可选的,所述基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合,包括:
所述异常时间向量中的异常时间点从距离当前时间点从近到远依次排列。
其中,如本实施例中异常时间点为3、7、15,表示距离当前时间点3天、7天和15天出现异常。
将p异常时间点中相邻的异常时间点两两相减之积求绝对值,得到p-1个异常时间间隔。
其中,p为异常时间向量的长度。本实施例中为3。
其中,本实施例中异常时间间隔为2个,分别为|7-3|=4,|15-7|=8。
将小于其他异常时间间隔的异常时间间隔除作为正常时间长度。
其中,本实施例中,将4作为正常时间长度。
将两个相邻异常时间点内正常时间长度的时间点对应的医疗影像加入医疗集合。
其中,本实施例中,将(3,7)内的时间点为第4天、第5天和第6天的医疗影像加入一个医疗集合。将(9,13)内的时间点为第10天、第11天和第12天的医疗影像加入另一个医疗集合。
通过上述方法,将固定时间间隔的未存在异常时间点的医疗影像构成集合,能够使得之后的检测身体信息随时间变化的情况更加准确。
可选的,所述基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点,包括:
将所述医疗影像集合中的图像按照距离当前时间点从近到远排列构建医疗三维图像。所述多个医疗影像集合对应获得多个医疗三维图像。
其中,将第4天、第5天和第6天的医疗影像从近到远排列构建医疗三维图像。将第10天、第11天和第12天的医疗影像从近到远排列构建另一个医疗三维图像。
将所述医疗三维图像输入影像三维卷积网络,提取时间变化的特征,得到医疗三维特征。
其中,本实施例中,所述影像三维卷积网络为三维卷积神经网络(3DConvolutional Neural Networks, 3D CNN)。
将所述医疗三维特征输入影像分类器,进行分类,判断医疗影像是否异常。
其中,本实施例中,所述影像分类器维softmax函数。
若医疗影像异常,将医疗影像集合对应的多个时间点设为影像异常时间点。
其中,如第4天、第5天和第6天的医疗三维图像错误,将第4天、第5天和第6天第4天、第5天和第6天的医疗影像从近到远排列构建医疗三维图像,
可选的,体检时间检测网络的第一层的包括w个神经元结构。w等于全部医疗信息对应的时间点的个数。
其中,本实施例中,所述w为5。表示将待预测体检向量分成每次五个时间点进行判断。
所述体检时间检测网络的第一层的一个神经元结构的神经元个数为全部医疗信息对应的时间点长度。
其中,本实施例中,所述第一层的神经元结构的数量为2,表示血糖和血压。
所述体检时间检测网络的第二层包括w-1个神经元结构。
所述体检时间检测网络包括w层。所述体检时间检测网络的神经元结构每层依次减1。所述体检时间检测网络w层的神经元结构数量为1。
其中,所述每一层的神经元结构中的神经元个数相同,不同层数之间的神经元结构中的神经元个数存在不同。
所述体检时间检测网络s+1层的一个神经元结构的输入为所述体检时间检测网络s层的相邻两个神经元结构的输出。s大于1,且,s+1小于w。
其中,s表示体检时间检测网络的其中一层。
所述体检时间检测网络w层的输出为体检分类器的输入。
其中,所述体检时间检测网络如图2所示。
可选的,所述将两个相邻异常时间点内正常时间长度的时间点对应的医疗影像加入医疗集合,包括:
将两个相邻的异常时间点的中点作为异常时间中点。
其中,本实施例中,将3和7中的5作为一个异常时间中点,将7和15中的11作为一个异常时间中点。
将正常时间长度除以2,得到分割长度。
其中,本实施例中,将4/2=2作为分割长度。
将异常时间中点减去分割长度和异常时间中点加上分割长度内包含的时间点对应的医疗影像加入医疗集合。
其中,将5-2=3,将5+2=7,将(3,7)内的时间点为第4天、第5天和第6天的医疗影像加入一个医疗集合。将11-2=9,将11+2=13,将(9,13)内的时间点为第10天、第11天和第12天的医疗影像加入另一个医疗集合。
可选的,所述影像三维卷积网络和影像分类器的训练方法,包括:
获得训练集。所述训练集包括多个训练图像和多个标注向量。所述训练图像包括正常图像,病症图像和异常图像。所述标注向量有三个值,分别表示正常、病症和异常。
其中,本实施例中,所述正常图像表示身体正常的腹部图像,病症图像表示存在血糖或血压问题的腹部图像,异常图像为其他用户的腹部图像。
将所述训练图像输入影像三维卷积网络,提取特征,得到训练医疗三维特征。
其中,本实施例中,所述影像三维卷积网络为三维卷积神经网络(3DConvolutional Neural Networks, 3D CNN)。
将所述训练医疗三维特征输入影像分类器,进行分类,得到输出向量。所述输出向量的长度为3。所述输出向量的第一个值表示是否为正常图像。所述输出向量的第二个值表示是否为病症图像。所述输出向量的第三个值表示是否为异常图像。
其中,本实施例中,所述影像分类器未softmax函数。
将输出向量与标注向量进行损失,后向传播,得到训练好的影像三维卷积网络和影像分类器。
其中,本实施例中,采用交叉熵损失函数求取损失。
可选的,所述根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点,包括:
将所述待预测体检集合中的体检向量按照距离当前时间点从近到远进行分割,得到多份分割体检集合。所述分割体检集合包含w个时间点对应的体检向量。
根据分割体检集合,通过体检时间检测网络,提取相邻变化特征,判断体检数据是否异常。
其中,通过体检时间检测网络输出包含两个值的向量,一个值表示异常,另一个值表示未异常。若所述表示异常的值大于体检阈值,那么判断体检数据异常。若所述表示未异常的值大于体检阈值,那么判断体检数据未异常,
其中,本实施例中所述体检阈值未0.9。
若体检数据异常,将体检数据异常的分割体检集合对应的多个时间点设为体检异常时间点。
其中,如本实施例中,距离当前时间点1天,2天,3天,4天,5天的检向量判断为体检数据异常,将距离当前时间点1天,2天,3天,4天,5天设为体检异常时间点。
实施例2
基于上述的一种基于大数据的医疗信息数据增强方法,本发明实施例还提供了一种基于大数据的医疗信息数据增强系统,所述系统包括获取模块、互相判断模块、医疗影像时间判断模块、体检数据时间判断模块和增强模块。
获取模块用于获得多个时间点的医疗信息。所述医疗信息包括用户的体检向量和医疗影像。所述医疗信息的两个相邻时间点的时间间隔相同。
互相判断模块用于根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点。n个医疗影像和体检数据对应获得m个异常时间点。m个异常时间点构成异常时间向量。
医疗影像时间判断模块用于基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合。异常时间向量中的多个异常时间点对应获得多个医疗影像集合。基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点。
体检数据时间判断模块用于将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远依次排列,得到待预测体检集合。所述待预测体检集合包括多个体检向量。根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点。
增强模块用于将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (8)
1.一种基于大数据的医疗信息数据增强方法,其特征在于,包括:
获得多个时间点的医疗信息;所述医疗信息包括用户的体检向量和医疗影像;所述医疗信息的两个相邻时间点的时间间隔相同;
根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点;n个医疗影像和体检数据对应获得m个异常时间点;m个异常时间点构成异常时间向量;
基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合;异常时间向量中的多个异常时间点对应获得多个医疗影像集合;
基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点;
将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远依次排列,得到待预测体检集合;所述待预测体检集合包括多个体检向量;
根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点;
将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息;
互相判断网络包括目标检测网络、深度神经网络和异常判断神经网络;
体检时间检测网络的第一层的包括w个神经元结构;w等于全部医疗信息对应的时间点的个数;
所述体检时间检测网络的第一层的一个神经元结构的神经元个数等于待预测体检向量长度;
所述体检时间检测网络的第二层包括w-1个神经元结构;
所述体检时间检测网络包括w层;所述体检时间检测网络的神经元结构每层依次减1;所述体检时间检测网络w层的神经元结构数量为1;
所述体检时间检测网络s+1层的一个神经元结构的输入为所述体检时间检测网络s层的相邻两个神经元结构的输出;s大于1,且,s+1小于w;
所述体检时间检测网络w层的输出为体检分类器的输入。
2.根据权利要求1所述的基于大数据的医疗信息数据增强方法,其特征在于,所述根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点,包括:
将所述医疗影像输入目标检测网络,进行特征提取,得到医疗影像特征;
将所述体检数据输入深度神经网络,进行特征提取,得到体检数据特征;
将所述医疗影像特征和体检数据特征进行叠加,得到重叠特征;
将所述重叠特征输入异常判断神经网络,判断是否存在异常;
若存在异常,将体检数据和医疗影像对应的时间点作为异常时间点。
3.根据权利要求1所述的基于大数据的医疗信息数据增强方法,其特征在于,所述基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合,包括:
所述异常时间向量中的异常时间点从距离当前时间点从近到远依次排列;
将p异常时间点中相邻的异常时间点两两相减之积求绝对值,得到p-1个异常时间间隔;
将小于其他异常时间间隔的异常时间间隔除作为正常时间长度;
将两个相邻异常时间点内正常时间长度的时间点对应的医疗影像加入医疗集合。
4.根据权利要求1所述的基于大数据的医疗信息数据增强方法,其特征在于,所述基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点,包括:
将所述医疗影像集合中的图像按照距离当前时间点从近到远排列构建医疗三维图像;所述多个医疗影像集合对应获得多个医疗三维图像;
将所述医疗三维图像输入影像三维卷积网络,提取时间变化的特征,得到医疗三维特征;
将所述医疗三维特征输入影像分类器,进行分类,判断医疗影像是否异常;
若医疗影像异常,将医疗影像集合对应的多个时间点设为影像异常时间点。
5.根据权利要求3所述的基于大数据的医疗信息数据增强方法,其特征在于,所述将两个相邻异常时间点内正常时间长度的时间点对应的医疗影像加入医疗集合,包括:
将两个相邻的异常时间点的中点作为异常时间中点;
将正常时间长度除以2,得到分割长度;
将异常时间中点减去分割长度和异常时间中点加上分割长度内包含的时间点对应的医疗影像加入医疗集合。
6.根据权利要求4所述的基于大数据的医疗信息数据增强方法,其特征在于,所述影像三维卷积网络和影像分类器的训练方法,包括:
获得训练集;所述训练集包括多个训练图像和多个标注向量;所述训练图像包括正常图像,病症图像和异常图像;所述标注向量有三个值,分别表示正常、病症和异常;
将所述训练图像输入影像三维卷积网络,提取特征,得到训练医疗三维特征;
将所述训练医疗三维特征输入影像分类器,进行分类,得到输出向量;所述输出向量的长度为3;所述输出向量的第一个值表示是否为正常图像;所述输出向量的第二个值表示是否为病症图像;所述输出向量的第三个值表示是否为异常图像;
将输出向量与标注向量进行损失,后向传播,得到训练好的影像三维卷积网络和影像分类器。
7.根据权利要求1所述的基于大数据的医疗信息数据增强方法,其特征在于,所述根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点,包括:
将所述待预测体检集合中的体检向量按照距离当前时间点从近到远进行分割,得到多份分割体检集合;所述分割体检集合包含w个时间点对应的体检向量;
根据分割体检集合,通过体检时间检测网络,提取相邻变化特征,判断体检数据是否异常;
若体检数据异常,将体检数据异常的分割体检集合对应的多个时间点设为体检异常时间点。
8.一种基于大数据的医疗信息数据增强系统,其特征在于,包括:
获取模块:获得多个时间点的医疗信息;所述医疗信息包括用户的体检向量和医疗影像;所述医疗信息的两个相邻时间点的时间间隔相同;
互相判断模块:根据医疗影像和体检数据,通过互相判断网络,判断是否出现异常,得到异常时间点;n个医疗影像和体检数据对应获得m个异常时间点;m个异常时间点构成异常时间向量;
医疗影像时间判断模块:基于异常时间向量,找到两个异常时间点之间的医疗影像,得到医疗影像集合;异常时间向量中的多个异常时间点对应获得多个医疗影像集合;基于多个医疗影像集合,通过影像三维卷积网络,得到多个影像异常时间点;
体检数据时间判断模块:将所述异常时间点对应的体检向量的值设为0,按照时间点距离当前时间点从近到远依次排列,得到待预测体检集合;所述待预测体检集合包括多个体检向量;根据待预测体检集合,通过体检时间检测网络,得到多个体检异常时间点;
增强模块:将多个时间点中除去多个影像异常时间点、多个体检异常时间点和异常时间向量中的多个异常时间点的时间点对应的医疗信息作为增强医疗信息;
互相判断网络包括目标检测网络、深度神经网络和异常判断神经网络;
体检时间检测网络的第一层的包括w个神经元结构;w等于全部医疗信息对应的时间点的个数;
所述体检时间检测网络的第一层的一个神经元结构的神经元个数等于待预测体检向量长度;
所述体检时间检测网络的第二层包括w-1个神经元结构;
所述体检时间检测网络包括w层;所述体检时间检测网络的神经元结构每层依次减1;所述体检时间检测网络w层的神经元结构数量为1;
所述体检时间检测网络s+1层的一个神经元结构的输入为所述体检时间检测网络s层的相邻两个神经元结构的输出;s大于1,且,s+1小于w;
所述体检时间检测网络w层的输出为体检分类器的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417707.6A CN118039134B (zh) | 2024-04-09 | 2024-04-09 | 基于大数据的医疗信息数据增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417707.6A CN118039134B (zh) | 2024-04-09 | 2024-04-09 | 基于大数据的医疗信息数据增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118039134A CN118039134A (zh) | 2024-05-14 |
CN118039134B true CN118039134B (zh) | 2024-06-04 |
Family
ID=90989486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410417707.6A Active CN118039134B (zh) | 2024-04-09 | 2024-04-09 | 基于大数据的医疗信息数据增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118039134B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071432A (zh) * | 2020-11-11 | 2020-12-11 | 上海森亿医疗科技有限公司 | 医疗数据的分析方法、系统、介质及装置 |
CN112330596A (zh) * | 2020-10-14 | 2021-02-05 | 达州市中心医院 | 一种基于机器学习算法的用于预测crc转移的影像组学(ra)模型 |
CN113568819A (zh) * | 2021-01-31 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
WO2021254444A1 (zh) * | 2020-06-17 | 2021-12-23 | 谈斯聪 | 五官及外科医疗数据采集分析诊断机器人,平台 |
CN114842238A (zh) * | 2022-04-01 | 2022-08-02 | 苏州视尚医疗科技有限公司 | 一种嵌入式乳腺超声影像的识别方法 |
CN115844415A (zh) * | 2022-11-23 | 2023-03-28 | 广东工业大学 | 一种基于心电数据的运动稳定性评估方法及系统 |
CN115954103A (zh) * | 2022-12-16 | 2023-04-11 | 佛山科学技术学院 | 基于多模态医学影像数据的供血功能异常评估方法及装置 |
CN116189232A (zh) * | 2022-12-08 | 2023-05-30 | 山东大学 | 一种基于机器视觉的养老院老人异常行为检测方法及系统 |
CN116340935A (zh) * | 2022-12-13 | 2023-06-27 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多元通讯的主机脆弱性轻量化安全检测方法及系统 |
CN116403691A (zh) * | 2023-04-11 | 2023-07-07 | 西南医科大学附属医院 | 一种医疗信息管理系统和管理方法 |
CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11462315B2 (en) * | 2019-11-26 | 2022-10-04 | Enlitic, Inc. | Medical scan co-registration and methods for use therewith |
-
2024
- 2024-04-09 CN CN202410417707.6A patent/CN118039134B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021254444A1 (zh) * | 2020-06-17 | 2021-12-23 | 谈斯聪 | 五官及外科医疗数据采集分析诊断机器人,平台 |
CN112330596A (zh) * | 2020-10-14 | 2021-02-05 | 达州市中心医院 | 一种基于机器学习算法的用于预测crc转移的影像组学(ra)模型 |
CN112071432A (zh) * | 2020-11-11 | 2020-12-11 | 上海森亿医疗科技有限公司 | 医疗数据的分析方法、系统、介质及装置 |
CN113568819A (zh) * | 2021-01-31 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
CN114842238A (zh) * | 2022-04-01 | 2022-08-02 | 苏州视尚医疗科技有限公司 | 一种嵌入式乳腺超声影像的识别方法 |
CN115844415A (zh) * | 2022-11-23 | 2023-03-28 | 广东工业大学 | 一种基于心电数据的运动稳定性评估方法及系统 |
CN116189232A (zh) * | 2022-12-08 | 2023-05-30 | 山东大学 | 一种基于机器视觉的养老院老人异常行为检测方法及系统 |
CN116340935A (zh) * | 2022-12-13 | 2023-06-27 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多元通讯的主机脆弱性轻量化安全检测方法及系统 |
CN115954103A (zh) * | 2022-12-16 | 2023-04-11 | 佛山科学技术学院 | 基于多模态医学影像数据的供血功能异常评估方法及装置 |
CN116403691A (zh) * | 2023-04-11 | 2023-07-07 | 西南医科大学附属医院 | 一种医疗信息管理系统和管理方法 |
CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
Non-Patent Citations (4)
Title |
---|
基于可视化技术的医院门诊数据信息化特征提取方法;许耀文;《信息技术》;20221231(第06期);第174-179页 * |
基于深度学习的图像数据增强研究综述;孙书魁等;《计算机科学》;20240115;第51卷(第01期);第150-167页 * |
小样本目标检测研究综述;史燕燕等;《计算机学报》;20230831;第46卷(第08期);第1753-1780页 * |
针对医疗信息管理的异常检测技术研究;王文波;《中国优秀硕士学位论文全文数据库》;20160315(第03期);第I138-5299页 * |
Also Published As
Publication number | Publication date |
---|---|
CN118039134A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bodapati et al. | Blended multi-modal deep convnet features for diabetic retinopathy severity prediction | |
Mohammed et al. | Multi-method analysis of medical records and MRI images for early diagnosis of dementia and Alzheimer’s disease based on deep learning and hybrid methods | |
Mahum et al. | A novel hybrid approach based on deep CNN to detect glaucoma using fundus imaging | |
AlSaeed et al. | Brain MRI analysis for Alzheimer’s disease diagnosis using CNN-based feature extraction and machine learning | |
Leopold et al. | PixelBNN: augmenting the PixelCNN with batch normalization and the presentation of a fast architecture for retinal vessel segmentation | |
Abunadi et al. | Deep learning and machine learning techniques of diagnosis dermoscopy images for early detection of skin diseases | |
Nneji et al. | Identification of diabetic retinopathy using weighted fusion deep learning based on dual-channel fundus scans | |
Roh et al. | Recurrence plot and machine learning for signal quality assessment of photoplethysmogram in mobile environment | |
Mushtaq et al. | BHCNet: neural network-based brain hemorrhage classification using head CT scan | |
Bhatia et al. | Retinal vessel extraction via assisted multi-channel feature map and U-net | |
Balakrishnan et al. | IoT-enabled classification of echocardiogram images for cardiovascular disease risk prediction with pre-trained recurrent convolutional neural networks | |
CN112686899B (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
Mohammed et al. | Multi-method diagnosis of CT images for rapid detection of intracranial hemorrhages based on deep and hybrid learning | |
Prasitpuriprecha et al. | Drug-resistant tuberculosis treatment recommendation, and multi-class tuberculosis detection and classification using ensemble deep learning-based system | |
Atteia et al. | DFTSA-Net: Deep feature transfer-based stacked autoencoder network for DME diagnosis | |
Mishra et al. | ECG data analysis with denoising approach and customized CNNs | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Gargari et al. | Segmentation of Retinal Blood Vessels Using U-Net++ Architecture and Disease Prediction | |
Raut et al. | Transfer learning based video summarization in wireless capsule endoscopy | |
Sangeetha et al. | Diagnosis of pneumonia using image recognition techniques | |
Yasmin et al. | GastroNet: Gastrointestinal polyp and abnormal feature detection and classification with deep learning approach | |
Magpantay et al. | A transfer learning-based deep CNN approach for classification and diagnosis of acute lymphocytic leukemia cells | |
Aljawarneh et al. | Pneumonia detection using enhanced convolutional neural network model on chest x-ray images | |
Khan et al. | Detecting breast arterial calcifications in mammograms with transfer learning | |
Sajid et al. | DR-NASNet: Automated System to Detect and Classify Diabetic Retinopathy Severity Using Improved Pretrained NASNet Model |
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 |