CN109147938A - 一种疾病智能诊断装置及设备 - Google Patents
一种疾病智能诊断装置及设备 Download PDFInfo
- Publication number
- CN109147938A CN109147938A CN201810870551.1A CN201810870551A CN109147938A CN 109147938 A CN109147938 A CN 109147938A CN 201810870551 A CN201810870551 A CN 201810870551A CN 109147938 A CN109147938 A CN 109147938A
- Authority
- CN
- China
- Prior art keywords
- intelligent diagnostics
- diagnostic
- disease
- disease intelligent
- unit
- 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.)
- Pending
Links
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种疾病智能诊断装置,包括:预处理单元,用于根据诊断请求对输入的医疗图像进行数字化预处理,得到诊断特征矩阵,其中,医疗图像包括需要进行诊断的组织或器官;诊断分析单元,用于通过预训练的宽度学习网络对诊断特征矩阵进行医学特征提取,根据提取结果进行疾病分类,生成诊断结果。该装置实现了对医疗数据进行有效合理利用,在医疗资源不足的情况下即可根据医疗数据进行高准确率的疾病自动诊断,可以大大减轻医生诊断负担。本发明还公开了一种疾病智能诊断设备,具有上述有益效果。
Description
技术领域
本发明涉及医学领域,特别涉及一种疾病智能诊断装置、设备及一种移动终端。
背景技术
随着人们健康意识的提高,患病时去医院就诊的比例大大提高,而随着就诊患者不断增加,而医生数量相对固定,每个医生每天需要诊断的患者数量较多,医生诊断负担重。
随着现代医学水平的提高,医院都建立了数据库,数据库中存放着大量用户医疗信息(或者称为医疗数据),包括个人健康信息、临床治疗信息、临床诊断信息等。大量的数据往往只是一次性地应用,照了片子、看了结果、做了检查报告后就放在一边了,以后能不能持续性地应用,造成数据堆积与浪费。
因此,如何根据医疗数据进行高准确率的疾病自动诊断,减轻医生诊断负担,是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种疾病智能诊断装置,该装置心电信号的识别准确度高,内存占用率较低;本发明的另一目的是提供一种心电智能检测设备及一种移动终端,具有上述有益效果。
本发明提供一种心电智能检测装置,包括:
预处理单元,用于根据诊断请求对输入的医疗图像进行数字化预处理,得到诊断特征矩阵,其中,所述医疗图像包括需要进行诊断的组织或器官;
诊断分析单元,用于通过预训练的宽度学习网络对所述诊断特征矩阵进行医学特征提取,根据提取结果进行疾病分类,生成诊断结果。
优选地,所述预处理单元中的图像分割子单元具体为:聚类分割子单元;
所述聚类分割子单元用于根据聚类分割法对所述医疗图像进行医学分割,得到需要进行分析的图像部分。
优选地,所述聚类分割子单元具体为:模糊C均值分割子单元;
所述模糊C均值分割子单元用于根据模糊C均值进行聚类分割。
优选地,所述预处理单元还包括:剔除子单元;
所述剔除子单元用于将所述图像部分中无用数据剔除。
优选地,所述疾病智能诊断装置还包括输出单元;
所述输出单元用于将所述诊断结果输出。
优选地,所述疾病智能诊断装置还包括异常提示单元;
所述异常提示单元用于当诊断结果属于紧急病情时,输出异常提示信息。
优选地,所述疾病智能诊断装置还包括失败提示单元;
所述失败提示单元用于当诊断分析单元特征分类失败时,输出诊断失败提示信息。
本发明公开一种疾病智能诊断设备,包括:
数据接收端口,用于接收需要进行诊断的组织或器官的医疗图像以及诊断请求;
处理器,用于根据诊断请求对输入的医疗图像进行数字化预处理,得到诊断特征矩阵,其中,所述医疗图像包括需要进行诊断的组织或器官;通过预训练的宽度学习网络对所述诊断特征矩阵进行医学特征提取,根据提取结果进行疾病分类,生成诊断结果。
优选地,所述心电智能检测设备具体为移动终端。
优选地,所述移动终端包括:用于显示所述诊断结果的显示器。
为解决上述技术问题,本发明提供一种疾病智能诊断装置,通过将对需要进行诊断的医疗图像进行预处理,通过预处理单元将医疗图像转化为诊断特征数字矩阵,根据预训练的宽度学习网络对特征数字矩阵进行数字分析处理,提取得到诊断特征矩阵内部的医疗特征信息,根据这些医疗特征信息进行分析分类,即可自动生成特征信息对应的诊断结果,本发明实现了对医疗数据进行有效合理利用,在医疗资源不足的情况下即可根据医疗数据进行高准确率的疾病自动诊断,可以大大减轻医生诊断负担。
本发明还公开了一种疾病智能诊断设备,具有上述有益效果,在此不再赘述。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的疾病智能诊断装置的结构框图;
图2为本发明实施例提供的疾病智能诊断设备的结构框图;
图3为本发明实施例提供的另一种疾病智能诊断设备的结构示意图。
具体实施方式
本发明的核心是提供一种疾病智能诊断装置,该装置可以根据医疗数据进行高准确率的疾病自动诊断,减轻医生诊断负担;本发明的另一核心是提供一种疾病智能诊断设备,具有上述有益效果。
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在信息社会快速发展下,大数据已成为与自然资源同等重要的战略资源。医院数据库中存放着大量医疗数据,而这些往往只是一次性地应用,造成数据堆积与浪费。本发明通过训练构建的宽度学习网络,采用医疗大数据的方法进行数据分析及解读,能利用这些闲置的医疗数据,自动实现对疾病的诊断,大大减轻医生的诊断压力。
下面对本发明提供的疾病智能诊断装置进行介绍,请参考图1,图1为本发明实施例提供的心电智能检测装置的结构框图;该装置可以包括:预处理单元100以及诊断分析单元200。
预处理单元100主要用于对输入的医疗图像进行预处理,得到可以进行数据分析的诊断数据矩阵,即通过取样和量化过程将一个以自然形式存在的图像变换为适合计算机处理的数字形式,并从其中提取需要的部分进行分析。具体地,预处理单元中具体子单元设置以及具体功能实现可以根据进行检测的医疗图像的状态以及诊断请求进行配置,可以包括图像分割子单元、取样量化子单元以及阴影处理子单元等。例如,当输入的医疗图像为全身CT,诊断请求为进行胸腔疾病检测,则需要预处理单元需将原始CT转换为数字形式的CT,还需将胸腔部分进行取样处理。一般,预处理单元中可以配置有图像分割子单元以及量化子单元,其中,图像分割子单元主要用于根据图像中像素的相关特征,将图像分割为互不相交的不同组织或器官。基于图像分割子单元,可以提取医学图像中感觉兴趣的器官/组织,对病变组织等进行定性和定量分析;量化子单元主要用于将自然存在的图像转化为适合计算机处理的数字矩阵。
优选地,图像分割子单元可以为聚类分割子单元,用于根据聚类分割法对医疗图像进行医学分割,得到需要进行分析的图像部分。通过聚类分割法进行图像分割可以提高图像切割的鲁棒性,可以大大提升含噪医学图像的分割准确度。当然,也可以采取其它方法进行图像分割,比如基于模糊理论的模糊分割法等,在此不做限定。
优选地,聚类分割子单元具体可以为:模糊C均值分割子单元,用于根据模糊C均值进行聚类分割。模糊C均值算法是指,把图像转换成矩阵后,可以把矩阵看成一个集合,而集合里的元素就是像素,xj=(j=1,2,3,n)把xj分为c类,那么对应的就有c个类中心为ci(i=1,2,...,c),每个样本j属于某一类i的隶属度为uij,那么定义一个目标函数及其约束条件如下:
再通过不断地迭代求取新的隶属值和中心点最后得到特征区域,即可得到特征矩阵。当然,也可以选取其它聚类分割方法进行图像的分割,在此不做限定。
诊断分析单元200主要用于通过预训练的宽度学习网络对诊断特征矩阵进行医学特征提取,根据提取结果进行疾病分类,生成诊断结果,诊断分析单元200通过将得到的特征数字矩阵输入到已经训练好的宽度学习网络,利用已经建立起来的宽度学习***学习分析该特征矩阵。然后将该数据分类,通过自学习分析出疾病类别。
宽度学习***是一个单隐层结构,它采用横向扩展的方式,利用输入映射的特征作为网络的特征节点,再增强随机生成权重的增强节点,并将映射特征和增强节点直接连接到输出层。利用宽度学习能高效和快速地更新权重和网络结构的特点。在网络训练过程中,若利用宽度学习网络利用进行测试,当测试结果的误差在能接受的范围时,导出该宽度学习网络进行正式诊断。另外,当在根据预训练的宽度神经网络进行诊断过程中,若诊断正确率低于预期值时,可以再次进行网络的训练优化,在此不做限定。
另外,优选地,预处理单元中可以还包括:剔除子单元,用于将图像部分中无用数据剔除。输入大量数据进入宽度学习网络前可以添加异常样本点剔除,以减少干扰误差,减少无用功。
优选地,疾病智能诊断装置可以还包括输出单元,输出单元主要用于将诊断结果输出,将宽度学习网络分析后的输出传输到结果进行直观显示疾病的诊断结果,可视化处理以可读的方式呈现疾病的诊断结果便于医生或患者的查看。
优选地,疾病智能诊断装置可以还包括异常提示单元,用于当诊断结果属于紧急病情时,输出异常提示信息。可以预先对一些病症的处理紧急程度进行划分,可以包括紧急病症,比如一些需要马上进行处理的病症,可以还包括一般病症等,当得到的诊断结果属于比如急性哮喘、突发性心脏病等疾病时,输出异常提示信息,以便于医护人员的及时救助。
优选地,疾病智能诊断装置可以还包括失败提示单元,用于当诊断分析单元特征分类失败时,输出诊断失败提示信息。当出现新的病症或者新的病情特征时诊断分析单元可能无法根据特征数据分析得到准确的结果,此时,可以输出诊断失败提示信息,以便于医护人员的及时查看。
基于上述介绍,本发明提供的疾病智能诊断装置通过将对需要进行诊断的医疗图像进行预处理,通过预处理单元将医疗图像转化为诊断特征数字矩阵,根据预训练的宽度学习网络对特征数字矩阵进行数字分析处理,提取得到诊断特征矩阵内部的医疗特征信息,根据这些医疗特征信息进行分析分类,即可自动生成特征信息对应的诊断结果,本发明实现了对医疗数据进行有效合理利用,在医疗资源不足的情况下即可根据医疗数据进行高准确率的疾病自动诊断,可以大大减轻医生诊断负担。
为加深理解,本实施例以通过疾病智能诊断装置进行心电疾病诊断为例进行介绍。
输入患者A的心电图,通过预处理单元将心电图进行预处理得到数字心电图后,送入诊断分析单元,诊断分析单元识别到为心电图信号时,通过预训练的心电信号宽度学习网络提取数字心电图信号中的心率、P波、PR间期、QRS波群、ST段、T波、U波等数据,对提取的个数据进行数据特征分析,得到对应的数据特征矩阵(比如ST段形态特征、Q-T间期的时间特征、P波的振幅和宽度特征等);根据提取的数据特征矩阵分析后发现ST段数据呈广泛导联的凹陷形ST段抬高,而aVR导联的ST段压低;PR段数据除aVR和V1导联外,其他导联PR段普遍下移,aVR导联PR段抬高;同时根据提取的心率数据发现心率数据属于窦性心动过速;根据提取的QRS波群数据发现出现QRS波属于低电压及电交替,其他波段数据正常时,则可根据上述数据特征初步判定为急性心包炎。
本实施例以通过疾病智能诊断装置进行肺部疾病诊断为例进行介绍。
输入患者B的胸部CT,通过预处理单元将胸部CT进行预处理,具体通过器官切割子单元将胸部CT中除肺部以外的部分剔除,以免产生干扰,剔除后通过量化子单元将肺部部分CT转换为数字形式,通过模糊C均值分割子单元将得到的数字肺部CT进行组织切割,分为气管数据、左主支气管数据、左肺上叶数据、左肺下叶数据、右主支气管数据、右肺上叶数据、右肺中叶数据以及右肺下叶数据,将预处理单元输出的各部分数据输入至诊断分析单元,诊断分析单元通过肺部宽度学习网络对各部分数据进行特征提取,发现左主支气管与右主支气管数据中***支气管末梢部分数据中存在高密度影,且阴影呈2-4mm大小结节与树枝状,则将其归类为小气道病变(比如细支气管炎症、弥漫泛发性细支气管炎及肺结核病灶或播散),其它部分数据正常时,即可输出为小气道病变症。
在此以上述两种实施例对本发明提供的疾病智能诊断装置的具体工作过程进行介绍,其它情况在此不再赘述,均可参照上述介绍。
下面对本发明提供的疾病智能诊断设备进行介绍,具体对疾病智能诊断设备的介绍可参照上述疾病智能诊断装置中各个单元的介绍,图2为本发明实施例提供的疾病智能诊断设备的结构框图;该设备可以包括:数据输入端口210以及处理器220。
数据接收端口310主要用于接收需要进行诊断的组织或器官的医疗图像以及诊断请求。数据接收端口对医疗数据的获取可以通过与存储有医疗数据的计算机连接来进行医疗数据的获取,对诊断请求的获取也可以通过与可以接收诊断请求的设备连接,或者也可以直接集成相应的请求接收设备,比如触摸屏以及声音收录装置等,以便直接接收诊断请求,在此不做限定。
处理器320主要用于根据输入的医疗图像以及诊断请求进行数字化预处理,得到诊断特征矩阵,其中,医疗图像包括需要进行诊断的组织或器官;通过预训练的宽度学习网络对诊断特征矩阵进行特征提取,根据特征提取结果生成诊断结果。
优选地,处理器具体可以用于根据聚类分割法对医疗图像进行医学分割,得到需要进行分析的图像部分。
优选地,处理器可以用于根据模糊C均值进行聚类分割。
优选地,处理器可以还用于将图像部分中无用数据剔除。
优选地,处理器可以还用于将诊断结果输出。
优选地,处理器可以还用于当诊断结果属于紧急病情时,输出异常提示信息。
优选地,处理器可以还用于当诊断分析单元特征分类失败时,输出诊断失败提示信息。
本发明提供的疾病智能诊断设备可以根据医疗数据进行高准确率的疾病自动诊断,减轻医生诊断负担。
请参考图3,本发明实施例提供的另一种疾病智能诊断设备的结构示意图,该诊断设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如,一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在诊断设备301上执行存储介质330中的一系列指令操作。
诊断设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作***341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
优选地,上述疾病智能诊断设备具体可以为一种移动终端,以便减少设备的空间占用,提高便携性。
优选地,移动终端可以进一步包括:用于显示诊断结果的显示器。以便直观对诊断结果进行显示,当该移动终端不含有输出装置时,可以连接至其它输出装置进行诊断结果的输出,在此不做限定。
所属领域的技术人员可以清楚地了解到,在本发明所提供的几个实施例中,所揭露的装置,设备可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个移动终端中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该产品存储在一个存储介质中,包括若干指令用以使得一台移动终端(可以是手机,或者平板电脑等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上对本发明所提供的疾病智能诊断装置及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种疾病智能诊断装置,其特征在于,包括:
预处理单元,用于根据诊断请求对输入的医疗图像进行数字化预处理,得到诊断特征矩阵,其中,所述医疗图像包括需要进行诊断的组织或器官;
诊断分析单元,用于通过预训练的宽度学习网络对所述诊断特征矩阵进行医学特征提取,根据提取结果进行疾病分类,生成诊断结果。
2.如权利要求1所述的疾病智能诊断装置,其特征在于,所述预处理单元中的图像分割子单元具体为:聚类分割子单元;
所述聚类分割子单元用于根据聚类分割法对所述医疗图像进行医学分割,得到需要进行分析的图像部分。
3.如权利要求2所述的疾病智能诊断装置,其特征在于,所述聚类分割子单元具体为:模糊C均值分割子单元;
所述模糊C均值分割子单元用于根据模糊C均值进行聚类分割。
4.如权利要求1所述的疾病智能诊断装置,其特征在于,所述预处理单元还包括:剔除子单元;
所述剔除子单元用于将所述图像部分中无用数据剔除。
5.如权利要求1所述的疾病智能诊断装置,其特征在于,所述疾病智能诊断装置还包括输出单元;
所述输出单元用于将所述诊断结果输出。
6.如权利要求1所述的疾病智能诊断装置,其特征在于,所述疾病智能诊断装置还包括异常提示单元;
所述异常提示单元用于当诊断结果属于紧急病情时,输出异常提示信息。
7.如权利要求1所述的疾病智能诊断装置,其特征在于,所述疾病智能诊断装置还包括失败提示单元;
所述失败提示单元用于当诊断分析单元特征分类失败时,输出诊断失败提示信息。
8.一种疾病智能诊断设备,其特征在于,包括:
数据接收端口,用于接收需要进行诊断的组织或器官的医疗图像以及诊断请求;
处理器,用于根据诊断请求对输入的医疗图像进行数字化预处理,得到诊断特征矩阵,其中,所述医疗图像包括需要进行诊断的组织或器官;通过预训练的宽度学习网络对所述诊断特征矩阵进行医学特征提取,根据提取结果进行疾病分类,生成诊断结果。
9.如权利要求8所述的疾病智能诊断设备,其特征在于,所述心电智能检测设备具体为移动终端。
10.如权利要求9所述的疾病智能诊断设备,其特征在于,所述移动终端包括:用于显示所述诊断结果的显示器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810870551.1A CN109147938A (zh) | 2018-08-02 | 2018-08-02 | 一种疾病智能诊断装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810870551.1A CN109147938A (zh) | 2018-08-02 | 2018-08-02 | 一种疾病智能诊断装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109147938A true CN109147938A (zh) | 2019-01-04 |
Family
ID=64798675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810870551.1A Pending CN109147938A (zh) | 2018-08-02 | 2018-08-02 | 一种疾病智能诊断装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147938A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886059A (zh) * | 2019-01-25 | 2019-06-14 | 佛山市顺德区中山大学研究院 | 一种基于宽度学习的qr码图像检测方法 |
CN110288577A (zh) * | 2019-06-20 | 2019-09-27 | 翼健(上海)信息科技有限公司 | 一种3d实现多器官病灶整合的控制方法及控制装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断*** |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断*** |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
-
2018
- 2018-08-02 CN CN201810870551.1A patent/CN109147938A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断*** |
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断*** |
Non-Patent Citations (1)
Title |
---|
聂生东 等: "《医学图像处理》", 31 July 2010 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886059A (zh) * | 2019-01-25 | 2019-06-14 | 佛山市顺德区中山大学研究院 | 一种基于宽度学习的qr码图像检测方法 |
CN109886059B (zh) * | 2019-01-25 | 2022-08-05 | 佛山市顺德区中山大学研究院 | 一种基于宽度学习的qr码图像检测方法 |
CN110288577A (zh) * | 2019-06-20 | 2019-09-27 | 翼健(上海)信息科技有限公司 | 一种3d实现多器官病灶整合的控制方法及控制装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和*** | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
EP3692901A1 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
WO2021037102A1 (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
Ahmed et al. | An investigative study on motifs extracted features on real time big-data signals | |
CN110558975B (zh) | 一种心电信号分类方法及*** | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
EP4108164A1 (en) | Blood pressure prediction method and device | |
CN109846474A (zh) | 心电图的处理方法及装置、心电图的远程处理方法及*** | |
CN111759345A (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、***和装置 | |
CN109805924A (zh) | 基于cnn的心电信号处理方法及心律不齐检测*** | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
Yao et al. | Interpretation of electrocardiogram heartbeat by CNN and GRU | |
CN109147938A (zh) | 一种疾病智能诊断装置及设备 | |
CN112690802A (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN110348326A (zh) | 基于身份证识别和多设备访问的家庭健康信息处理方法 | |
CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
US8849386B2 (en) | Analyzing electrocardiograms | |
CN112989971A (zh) | 一种不同数据源的心电数据融合方法及装置 | |
WO2024098553A1 (zh) | 一种针对心电图的分析识别方法、***以及存储介质 | |
CN113229798B (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |