CN110533658A - 智能肺气肿诊断信息处理***及方法、信息数据处理终端 - Google Patents
智能肺气肿诊断信息处理***及方法、信息数据处理终端 Download PDFInfo
- Publication number
- CN110533658A CN110533658A CN201910821798.9A CN201910821798A CN110533658A CN 110533658 A CN110533658 A CN 110533658A CN 201910821798 A CN201910821798 A CN 201910821798A CN 110533658 A CN110533658 A CN 110533658A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- pulmonary emphysema
- lung
- diagnostic
- 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
- 206010014561 Emphysema Diseases 0.000 title claims abstract description 84
- 238000012545 processing Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000004072 lung Anatomy 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000036387 respiratory rate Effects 0.000 claims abstract description 16
- 230000003902 lesion Effects 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 14
- 238000003672 processing method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000009325 pulmonary function Effects 0.000 claims description 6
- 230000036391 respiratory frequency Effects 0.000 claims description 5
- 230000002685 pulmonary effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 230000004199 lung function Effects 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000035565 breathing frequency Effects 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 238000009613 pulmonary function test Methods 0.000 abstract description 11
- 238000010276 construction Methods 0.000 abstract description 2
- 208000023504 respiratory system disease Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 3
- 206010013975 Dyspnoeas Diseases 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 208000013220 shortness of breath Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 201000000258 compensatory emphysema Diseases 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 201000000260 interstitial emphysema Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 206010037833 rales Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000003519 ventilatory effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- 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
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于诊断信息评估技术领域,公开了一种智能肺气肿诊断信息处理***及方法、信息数据处理终端,肺部图采集模块、呼吸频率采集模块、声音采集模块、中央控制模块、标注模块、测试模块、诊断模块、评估模块、显示模块。本发明通过标注模块不仅可以节约医生诊断的时间、提高诊断效率,同时可以满足肺气肿病灶自动标注的需求,大幅减轻医生标注图像数据的工作量,该方法在建设呼吸***疾病的标准影像数据集方面具有重要意义;并且简化了肺气肿诊疗过程中的流程,降低了患者看病费用;同时,通过测试模块减少了人工指导的差异性,大大提高了肺功能测试的应用范围;能够有效避免肺功能测试出现无效的情况,提高了肺功能测试的准确性。
Description
技术领域
本发明属于诊断信息评估技术领域,尤其涉及一种智能肺气肿诊断信息处理***及方法、信息数据处理终端。
背景技术
目前,最接近的现有技术:肺气肿是指终末细支气管远端的气道弹性减退,过度膨胀、充气和肺容积增大或同时伴有气道壁破坏的病理状态。按其发病原因肺气肿有如下几种类型:老年性肺气肿、代偿性肺气肿、间质性肺气肿、灶性肺气肿、旁间隔性肺气肿、阻塞性肺气肿。早期可无症状或仅在劳动、运动时感到气短。随着肺气肿进展,呼吸困难程度随之加重,以至稍一活动甚或完全休息时仍感气短。患者感到乏力、体重下降、食欲减退、上腹胀满。伴有咳嗽、咳痰等症状,典型肺气肿者胸廓前后径增大,呈桶状胸,呼吸运动减弱,语音震颤减弱,叩诊过清音,心脏浊音界缩小,肝浊音界下移,呼吸音减低,有时可听到干、湿啰音,心音低远。然而,现有肺气肿诊断过程中不能在CT影像上标记出肺气肿的位置和区域大小等信息;同时,在肺功能测试过程中,受试者通常是在医护人员的指导下进行呼吸,这就为限制了肺功能测试的应用范围;且人为指导差异性大,降低了肺功能测试结果准确性。
综上所述,现有技术存在的问题是:现有肺气肿诊断过程中不能在CT影像上标记出肺气肿的位置和区域大小等信息;同时,在肺功能测试过程中,受试者通常是在医护人员的指导下进行呼吸,这就为限制了肺功能测试的应用范围;且人为指导差异性大,降低了肺功能测试结果准确性。
发明内容
针对现有技术存在的问题,本发明提供了一种智能肺气肿诊断信息处理***及方法、信息数据处理终端。
本发明是这样实现的,一种智能肺气肿诊断信息处理***,所述智能肺气肿诊断信息处理***包括:
肺部图采集模块,与中央控制模块连接,用于通过CT检查仪采集患者肺部CT图像;
呼吸频率采集模块,与中央控制模块连接,用于通过呼吸检测仪采集患者呼吸频率数据;
声音采集模块,与中央控制模块连接,用于通过声音传感器采集患者声音数据;
中央控制模块,与肺部图采集模块、呼吸频率采集模块、声音采集模块、标注模块、测试模块、诊断模块、评估模块、显示模块连接,用于通过主控机控制各个模块正常工作;
标注模块,与中央控制模块连接,用于通过标注程序对采集的CT图像标注肺气肿区域;
测试模块,与中央控制模块连接,用于通过测试设备对患者肺功能进行测试;
诊断模块,与中央控制模块连接,用于通过诊断程序根据采集的数据对患者肺气肿进行诊断;
评估模块,与中央控制模块连接,用于通过评估程序对患者肺气肿诊断结果进行评估;
显示模块,与中央控制模块连接,用于通过显示器显示采集的患者肺部CT图像、呼吸频率、声音数据及标注结果、测试结果、诊断结果、评估结果。
进一步,所述肺部图采集模块包括:
图像采集模块,与图像处理模块连接,通过CT获取肺部的图像;
图像处理模块,与图像处理模块连接,利用相关的模块对肺部图像进行处理;
图像编码模块,与图像处理模块连接,将处理完成的图像进行编码;
图像处理模块,与图像采集模块、图像处理模块、图像编码模块、图像压缩模块和图像传输模块连接,用以协调各个模块的正常运行;
图像压缩模块,与图像处理模块连接,将编码完成的图像进行压缩;
图像传输模块,与图像处理模块连接,将压缩完成的图像信息进行传递。
进一步,所述图像处理模块包括:
直方图分析模块,对图像的灰度分布进行描述,包括灰度均值、标准差;
图像清晰度增强模块,利用低通滤波、高通滤波、边缘检测等方法对肺部图像进行增强;
轮廓特征提取模块,对肺部图像的边部信息进行提取,其评价标准为轮廓提取精度、速度和稳定性;
颜色空间转换模块,对图像进行灰度处理和彩色处理。
进一步,所述声音采集模块包括:
声音信号源识别模块,根据信号源之间的统计独立特性结合观测信号,将信号源分离出来;
声音信号切换模块,将采集的语音信号转成成***识别的语音信号,方便进行处理识别;
声音去噪模块,通过利用相应的算法对进行声音进行去噪;
声音增益模块,通过利用相应的软件,实现对音频的自动增益。
进一步,所述评估模块包括:
病症特征信息存储模块,储存大量相关的肺部相关的病症特征信息;
特征获取模块,提取检测出来的肺部特征信息和储存在储存模块中的特征;
特征信息比对模块,将提取完成后的特征信息建立相应的样本,对两个样本的相似度进行计算。;
特征相似度计算模块,通过利用相似度计算公式,计算两者特征的相似数值;
病情预测模块,根据计算出的相似数值进行判别,并且根据检测的肺部的相关信息,预测症状情况的未来变化;
评估结果输出模块,将相关的数据信息进行整理分类,并且将排版好的信息输出。
本发明的另一目的在于提供一种执行所述智能肺气肿诊断信息处理***的智能肺气肿诊断信息处理方法,所述智能肺气肿诊断信息处理方法包括以下步骤:
第一步,通过肺部图采集模块利用CT检查仪采集患者肺部CT图像;通过呼吸频率采集模块利用呼吸检测仪采集患者呼吸频率数据;通过声音采集模块利用声音传感器采集患者声音数据;
第二步,中央控制模块通过标注模块利用标注程序对采集的CT图像标注肺气肿区域;
第三步,通过测试模块利用测试设备对患者肺功能进行测试;
第四步,通过诊断模块利用诊断程序根据采集的数据对患者肺气肿进行诊断;
第五步,通过评估模块利用评估程序对患者肺气肿诊断结果进行评估;
第六步,通过显示模块利用显示器显示采集的患者肺部CT图像、呼吸频率、声音数据及标注结果、测试结果、诊断结果、评估结果。
进一步,所述智能肺气肿诊断信息处理方法的标注方法如下:
(1)通过图像处理程序完成图像影像报告、CT图像序列输入和图像标准化预处理;
(2)在语音语义提取程序中根据词典的技术和规则模式匹配技术提取影像报告中的特征信息,即有关肺气肿描述的信息;
(3)在肺气肿病灶提取程序中先对肺进行区域式划分,右肺由上自下每个区域的宽度相同,左肺在中间将分成两个区域;然后在肺部区域进行聚类分析提取肺气肿病灶;
(4)根据步骤(3)计算结果计算得到各区域CT阈值,在输出与显示器中将各区域肺气肿区域标注出来,然后根据各区域CT阈值对各区域肺气肿及健康区域进行蒙色,同时对各区域肺气肿病灶位置精确定位,将肺气肿区域显示在CT图像中,并给出肺功能定量分析报告。
进一步,所述智能肺气肿诊断信息处理方法的测试方法如下:
1)从呼吸检测模型中选择当前呼吸检测阶段,所述呼吸检测模型包括多个呼吸检测阶段;
2)根据指示器输出的当前呼吸方式引导信号的方法进行呼吸,所述指示器在不同的呼吸检测阶段输出不同的呼吸方式引导信号;
3)采集当前呼吸检测阶段中的呼吸数据;
4)对所述呼吸数据进行计算,与预设条件进行比较,得到处理结果,所述指示器根据所述处理结果输出呼吸方式引导信号。
本发明的另一目的在于提供一种应用所述智能肺气肿诊断信息处理方法的信息数据处理终端。
本发明的优点及积极效果为:本发明通过标注模块将影像报告的气肿的位置、严重程度等信息直观的显示在CT图像上,那么不仅可以节约医生诊断的时间、提高诊断效率,同时可以满足肺气肿病灶自动标注的需求,大幅减轻医生标注图像数据的工作量,该方法在建设呼吸***疾病的标准影像数据集方面具有重要意义;并且简化了肺气肿诊疗过程中的流程,降低了患者看病费用;同时,通过测试模块减少了人工指导的差异性,大大提高了肺功能测试的应用范围;能够有效避免肺功能测试出现无效的情况,提高了肺功能测试的准确性。
附图说明
图1是本发明实施例提供的智能肺气肿诊断信息处理***结构示意图;
图2是本发明实施例提供的肺部图采集模块的结构示意图;
图3是本发明实施例提供的声音采集模块的结构示意图;
图4是本发明实施例提供的评估模块的结构示意图;
图中:1、肺部图采集模块;2、呼吸频率采集模块;3、声音采集模块;4、中央控制模块;5、标注模块;6、测试模块;7、诊断模块;8、评估模块;9、显示模块。
图5是本发明实施例提供的智能肺气肿诊断信息处理方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
针对现有技术存在的问题,本发明提供了一种智能肺气肿诊断信息处理***及方法、信息数据处理终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的智能肺气肿诊断信息处理***包括:肺部图采集模块1、呼吸频率采集模块2、声音采集模块3、中央控制模块4、标注模块5、测试模块6、诊断模块7、评估模块8、显示模块9。
肺部图采集模块1,与中央控制模块4连接,用于通过CT检查仪采集患者肺部CT图像;
呼吸频率采集模块2,与中央控制模块4连接,用于通过呼吸检测仪采集患者呼吸频率数据;
声音采集模块3,与中央控制模块4连接,用于通过声音传感器采集患者声音数据;
中央控制模块4,与肺部图采集模块1、呼吸频率采集模块2、声音采集模块3、标注模块5、测试模块6、诊断模块7、评估模块8、显示模块9连接,用于通过主控机控制各个模块正常工作;
标注模块5,与中央控制模块4连接,用于通过标注程序对采集的CT图像标注肺气肿区域;
测试模块6,与中央控制模块4连接,用于通过测试设备对患者肺功能进行测试;
诊断模块7,与中央控制模块4连接,用于通过诊断程序根据采集的数据对患者肺气肿进行诊断;
评估模块8,与中央控制模块4连接,用于通过评估程序对患者肺气肿诊断结果进行评估;
显示模块9,与中央控制模块4连接,用于通过显示器显示采集的患者肺部CT图像、呼吸频率、声音数据及标注结果、测试结果、诊断结果、评估结果。
如图2所示,肺部图采集模块1包括:
图像采集模块,与图像处理模块连接,通过CT获取肺部的图像。
图像处理模块,与图像处理模块连接,利用相关的模块对肺部图像进行处理。
图像编码模块,与图像处理模块连接,将处理完成的图像进行编码。
图像处理模块,与图像采集模块、图像处理模块、图像编码模块、图像压缩模块和图像传输模块连接,用以协调各个模块的正常运行。
图像压缩模块,与图像处理模块连接,将编码完成的图像进行压缩。
图像传输模块,与图像处理模块连接,将压缩完成的图像信息进行传递。
所述图像处理模块包括:
直方图分析模块,对图像的灰度分布进行描述,包括灰度均值、标准差等。
图像清晰度增强模块,利用低通滤波、高通滤波、边缘检测等方法对肺部图像进行增强。
轮廓特征提取模块,对肺部图像的边部信息进行提取,其评价标准为轮廓提取精度、速度和稳定性。
颜色空间转换模块,对图像进行灰度处理和彩色处理。
如图3所示,声音采集模块3包括:
声音信号源识别模块,根据信号源之间的统计独立特性结合观测信号,将信号源分离出来。
声音信号切换模块,将采集的语音信号转成成***识别的语音信号,方便进行处理识别。
声音去噪模块,通过利用相应的算法(例:小波去噪、低通滤波去噪等)对进行声音进行去噪。
声音增益模块,通过利用相应的软件,实现对音频的自动增益。
如图4所示,评估模块8包括:
病症特征信息存储模块,储存大量相关的肺部相关的病症特征信息。
特征获取模块,提取检测出来的肺部特征信息和储存在储存模块中的特征。
特征信息比对模块,将提取完成后的特征信息建立相应的样本,对两个样本的相似度进行计算。
特征相似度计算模块,通过利用相似度计算公式,计算两者特征的相似数值。
病情预测模块,根据计算出的相似数值进行判别,并且根据检测的肺部的相关信息,预测症状情况的未来变化。
评估结果输出模块,将相关的数据信息进行整理分类,并且将排版好的信息输出。
如图5所示,本发明提供的智能肺气肿诊断信息处理方法包括以下步骤:
S501:通过肺部图采集模块利用CT检查仪采集患者肺部CT图像;通过呼吸频率采集模块利用呼吸检测仪采集患者呼吸频率数据;通过声音采集模块利用声音传感器采集患者声音数据;
S502:中央控制模块通过标注模块利用标注程序对采集的CT图像标注肺气肿区域;
S503:通过测试模块利用测试设备对患者肺功能进行测试;
S504:通过诊断模块利用诊断程序根据采集的数据对患者肺气肿进行诊断;
S505:通过评估模块利用评估程序对患者肺气肿诊断结果进行评估;
S506:通过显示模块利用显示器显示采集的患者肺部CT图像、呼吸频率、声音数据及标注结果、测试结果、诊断结果、评估结果。
在本发明的优选实施例中,标注模块5标注方法如下:
(1)通过图像处理程序完成图像影像报告、CT图像序列输入和图像标准化预处理;
(2)在语音语义提取程序中根据词典的技术和规则模式匹配技术提取影像报告中的特征信息,即有关肺气肿描述的信息;
(3)在肺气肿病灶提取程序中先对肺进行区域式划分,右肺由上自下每个区域的宽度相同,左肺在中间将分成两个区域;然后在肺部区域进行聚类分析提取肺气肿病灶;
(4)根据步骤(3)计算结果计算得到各区域CT阈值,在输出与显示器中将各区域肺气肿区域标注出来,然后根据各区域CT阈值对各区域肺气肿及健康区域进行蒙色,同时对各区域肺气肿病灶位置精确定位,将肺气肿区域显示在CT图像中,并给出肺功能定量分析报告。
本发明提供的步骤(2)中影像报告中病灶信息的提取经过文本信息抽取得到文本特征,然后经过人工标注和众包方法标注文本特征,最后将标注的特征与建立的医疗词典库进行对比得到病灶结果信息。
本发明提供的步骤(3)分别采用均值聚类、高斯混合模型聚类、基于密度噪声的聚类以及凝聚层次聚类的方法区分健康组织和气肿组织,最后利用投票法选出均值聚类、高斯混合模型聚类、基于密度噪声的聚类以及凝聚层次聚类其中的一种进行区分健康组织和气肿组织,并确定气肿位置。
在本发明的优选实施例中,测试模块6测试方法如下:
1)从呼吸检测模型中选择当前呼吸检测阶段,所述呼吸检测模型包括多个呼吸检测阶段;
2)根据指示器输出的当前呼吸方式引导信号的方法进行呼吸,所述指示器在不同的呼吸检测阶段输出不同的呼吸方式引导信号;
3)采集当前呼吸检测阶段中的呼吸数据;
4)对所述呼吸数据进行计算,与预设条件进行比较,得到处理结果,所述指示器根据所述处理结果输出呼吸方式引导信号。
本发明提供的呼吸检测模型包括静态肺活量检测模型,用力肺活量检测模型和最大通气量检测模型;所述呼吸检测阶段包括正常呼吸,完全呼气,完全吸气,用力呼气,用力吸气和急促呼吸。
本发明提供的呼吸方式引导信号为正常呼吸引导信号,所述步骤4)为:
根据至少3个正常呼吸气周期的呼吸参数计算呼气末肺容量误差;
当所述呼气末肺容量误差达到肺容量误差阈值时,返回所述步骤2);当所述呼气末肺容量小于肺容量误差阈值时,所述指示器输出下一呼吸检测阶段的呼吸方式引导信号;所述肺容量误差阈值为100毫升;
所述呼吸方式引导信号为完全呼气引导信号,所述步骤4)为:
根据呼吸参数计算完全呼气时呼气末容积变化;
当所述呼气末容积变化达到呼气容积变化阈值时,返回所述步骤2);当所述呼气末容积变化小于呼气容积变化阈值时,所述指示器输出下一呼吸检测阶段的呼吸方式引导信号;所述呼气容积变化阈值为0.025升/秒;
所述呼吸方式引导信号为完全吸气引导信号,所述步骤4)为:
根据呼吸参数计算完全吸气时吸气末容积变化;
当所述吸气末容积变化达到吸气容积变化阈值时,返回所述步骤2);当所述吸气末容积变化小于吸气容积变化阈值时,所述指示器输出下一呼吸检测阶段的呼吸方式引导信号;所述吸气容积变化阈值为0.025升/秒。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (9)
1.一种智能肺气肿诊断信息处理***,其特征在于,所述智能肺气肿诊断信息处理***包括:
肺部图采集模块,与中央控制模块连接,用于通过CT检查仪采集患者肺部CT图像;
呼吸频率采集模块,与中央控制模块连接,用于通过呼吸检测仪采集患者呼吸频率数据;
声音采集模块,与中央控制模块连接,用于通过声音传感器采集患者声音数据;
中央控制模块,与肺部图采集模块、呼吸频率采集模块、声音采集模块、标注模块、测试模块、诊断模块、评估模块、显示模块连接,用于通过主控机控制各个模块正常工作;
标注模块,与中央控制模块连接,用于通过标注程序对采集的CT图像标注肺气肿区域;
测试模块,与中央控制模块连接,用于通过测试设备对患者肺功能进行测试;
诊断模块,与中央控制模块连接,用于通过诊断程序根据采集的数据对患者肺气肿进行诊断;
评估模块,与中央控制模块连接,用于通过评估程序对患者肺气肿诊断结果进行评估;
显示模块,与中央控制模块连接,用于通过显示器显示采集的患者肺部CT图像、呼吸频率、声音数据及标注结果、测试结果、诊断结果、评估结果。
2.如权利要求1所述的智能肺气肿诊断信息处理***,其特征在于,所述肺部图采集模块包括:
图像采集模块,与图像处理模块连接,通过CT获取肺部的图像;
图像处理模块,与图像处理模块连接,利用相关的模块对肺部图像进行处理;
图像编码模块,与图像处理模块连接,将处理完成的图像进行编码;
图像处理模块,与图像采集模块、图像处理模块、图像编码模块、图像压缩模块和图像传输模块连接,用以协调各个模块的正常运行;
图像压缩模块,与图像处理模块连接,将编码完成的图像进行压缩;
图像传输模块,与图像处理模块连接,将压缩完成的图像信息进行传递。
3.如权利要求2所述的智能肺气肿诊断信息处理***,其特征在于,所述图像处理模块包括:
直方图分析模块,对图像的灰度分布进行描述,包括灰度均值、标准差;
图像清晰度增强模块,利用低通滤波、高通滤波、边缘检测等方法对肺部图像进行增强;
轮廓特征提取模块,对肺部图像的边部信息进行提取,其评价标准为轮廓提取精度、速度和稳定性;
颜色空间转换模块,对图像进行灰度处理和彩色处理。
4.如权利要求1所述的智能肺气肿诊断信息处理***,其特征在于,所述声音采集模块包括:
声音信号源识别模块,根据信号源之间的统计独立特性结合观测信号,将信号源分离出来;
声音信号切换模块,将采集的语音信号转成成***识别的语音信号,方便进行处理识别;
声音去噪模块,通过利用相应的算法对进行声音进行去噪;
声音增益模块,通过利用相应的软件,实现对音频的自动增益。
5.如权利要求1所述的智能肺气肿诊断信息处理***,其特征在于,所述评估模块包括:
病症特征信息存储模块,储存大量相关的肺部相关的病症特征信息;
特征获取模块,提取检测出来的肺部特征信息和储存在储存模块中的特征;
特征信息比对模块,将提取完成后的特征信息建立相应的样本,对两个样本的相似度进行计算;
特征相似度计算模块,通过利用相似度计算公式,计算两者特征的相似数值;
病情预测模块,根据计算出的相似数值进行判别,并且根据检测的肺部的相关信息,预测症状情况的未来变化;
评估结果输出模块,将相关的数据信息进行整理分类,并且将排版好的信息输出。
6.一种执行权利要求1~5任意一项所述智能肺气肿诊断信息处理***的智能肺气肿诊断信息处理方法,其特征在于,所述智能肺气肿诊断信息处理方法包括以下步骤:
第一步,通过肺部图采集模块利用CT检查仪采集患者肺部CT图像;通过呼吸频率采集模块利用呼吸检测仪采集患者呼吸频率数据;通过声音采集模块利用声音传感器采集患者声音数据;
第二步,中央控制模块通过标注模块利用标注程序对采集的CT图像标注肺气肿区域;
第三步,通过测试模块利用测试设备对患者肺功能进行测试;
第四步,通过诊断模块利用诊断程序根据采集的数据对患者肺气肿进行诊断;
第五步,通过评估模块利用评估程序对患者肺气肿诊断结果进行评估;
第六步,通过显示模块利用显示器显示采集的患者肺部CT图像、呼吸频率、声音数据及标注结果、测试结果、诊断结果、评估结果。
7.如权利要求6所述的智能肺气肿诊断信息处理方法,其特征在于,所述智能肺气肿诊断信息处理方法的标注方法如下:
(1)通过图像处理程序完成图像影像报告、CT图像序列输入和图像标准化预处理;
(2)在语音语义提取程序中根据词典的技术和规则模式匹配技术提取影像报告中的特征信息,即有关肺气肿描述的信息;
(3)在肺气肿病灶提取程序中先对肺进行区域式划分,右肺由上自下每个区域的宽度相同,左肺在中间将分成两个区域;然后在肺部区域进行聚类分析提取肺气肿病灶;
(4)根据步骤(3)计算结果计算得到各区域CT阈值,在输出与显示器中将各区域肺气肿区域标注出来,然后根据各区域CT阈值对各区域肺气肿及健康区域进行蒙色,同时对各区域肺气肿病灶位置精确定位,将肺气肿区域显示在CT图像中,并给出肺功能定量分析报告。
8.如权利要求6所述的智能肺气肿诊断信息处理方法,其特征在于,所述智能肺气肿诊断信息处理方法的测试方法如下:
1)从呼吸检测模型中选择当前呼吸检测阶段,所述呼吸检测模型包括多个呼吸检测阶段;
2)根据指示器输出的当前呼吸方式引导信号的方法进行呼吸,所述指示器在不同的呼吸检测阶段输出不同的呼吸方式引导信号;
3)采集当前呼吸检测阶段中的呼吸数据;
4)对所述呼吸数据进行计算,与预设条件进行比较,得到处理结果,所述指示器根据所述处理结果输出呼吸方式引导信号。
9.一种应用权利要求6~8任意一项所述智能肺气肿诊断信息处理方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821798.9A CN110533658A (zh) | 2019-09-02 | 2019-09-02 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821798.9A CN110533658A (zh) | 2019-09-02 | 2019-09-02 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533658A true CN110533658A (zh) | 2019-12-03 |
Family
ID=68666061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910821798.9A Pending CN110533658A (zh) | 2019-09-02 | 2019-09-02 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533658A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419283A (zh) * | 2020-04-08 | 2020-07-17 | 上海长征医院 | 一种用于评估新冠肺炎患者病情严重程度的超声分析*** |
CN111671452A (zh) * | 2020-05-21 | 2020-09-18 | 浙江飞图影像科技有限公司 | 一种针对肺炎的肺部ct影像标注***及方法 |
CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及*** |
CN111931866A (zh) * | 2020-09-21 | 2020-11-13 | 平安科技(深圳)有限公司 | 医疗数据处理方法、装置、设备及存储介质 |
CN111938652A (zh) * | 2020-08-24 | 2020-11-17 | 上海市第一人民医院 | 人工智能诊断模式在支气管哮喘早期诊断中的应用 |
CN112071424A (zh) * | 2020-08-31 | 2020-12-11 | 吾征智能技术(北京)有限公司 | 一种基于肺活量数据的疾病预测模型的构建方法及*** |
CN112807008A (zh) * | 2021-01-27 | 2021-05-18 | 山东大学齐鲁医院 | 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和*** |
CN113017600A (zh) * | 2021-04-20 | 2021-06-25 | 浙江大学医学院附属邵逸夫医院 | 一种用于医学影像检查的训练评估***及方法 |
CN115590497A (zh) * | 2022-07-29 | 2023-01-13 | 重庆大学(Cn) | 基于气-电同步测量的肺通气功能障碍疾病诊断*** |
CN116369898A (zh) * | 2023-06-06 | 2023-07-04 | 青岛市第五人民医院 | 一种用于危重症的呼吸数据提醒*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN107822632A (zh) * | 2016-09-16 | 2018-03-23 | 德尔格制造股份两合公司 | 处理与可视化数据来确定和可视化肺通气区域特性的设备 |
CN108876772A (zh) * | 2018-06-05 | 2018-11-23 | 南华大学 | 一种基于大数据的肺癌图像诊断***及方法 |
CN108968964A (zh) * | 2017-06-01 | 2018-12-11 | 深圳市美好创亿医疗科技有限公司 | 肺功能测试***及测试方法 |
CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
-
2019
- 2019-09-02 CN CN201910821798.9A patent/CN110533658A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN107822632A (zh) * | 2016-09-16 | 2018-03-23 | 德尔格制造股份两合公司 | 处理与可视化数据来确定和可视化肺通气区域特性的设备 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN108968964A (zh) * | 2017-06-01 | 2018-12-11 | 深圳市美好创亿医疗科技有限公司 | 肺功能测试***及测试方法 |
CN108876772A (zh) * | 2018-06-05 | 2018-11-23 | 南华大学 | 一种基于大数据的肺癌图像诊断***及方法 |
CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
Non-Patent Citations (1)
Title |
---|
郭圣文等: "胸部CT中肺实质的自动分割与计算机辅助诊断", 《华南理工大学学报(自然科学版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419283A (zh) * | 2020-04-08 | 2020-07-17 | 上海长征医院 | 一种用于评估新冠肺炎患者病情严重程度的超声分析*** |
CN111419283B (zh) * | 2020-04-08 | 2023-11-14 | 上海长征医院 | 一种用于评估新冠肺炎患者病情严重程度的超声分析*** |
CN111671452A (zh) * | 2020-05-21 | 2020-09-18 | 浙江飞图影像科技有限公司 | 一种针对肺炎的肺部ct影像标注***及方法 |
CN111833330B (zh) * | 2020-07-14 | 2022-07-22 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及*** |
CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及*** |
CN111938652A (zh) * | 2020-08-24 | 2020-11-17 | 上海市第一人民医院 | 人工智能诊断模式在支气管哮喘早期诊断中的应用 |
CN112071424A (zh) * | 2020-08-31 | 2020-12-11 | 吾征智能技术(北京)有限公司 | 一种基于肺活量数据的疾病预测模型的构建方法及*** |
CN111931866A (zh) * | 2020-09-21 | 2020-11-13 | 平安科技(深圳)有限公司 | 医疗数据处理方法、装置、设备及存储介质 |
WO2021151337A1 (zh) * | 2020-09-21 | 2021-08-05 | 平安科技(深圳)有限公司 | 医疗数据处理方法、装置、设备及存储介质 |
CN112807008A (zh) * | 2021-01-27 | 2021-05-18 | 山东大学齐鲁医院 | 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和*** |
CN113017600A (zh) * | 2021-04-20 | 2021-06-25 | 浙江大学医学院附属邵逸夫医院 | 一种用于医学影像检查的训练评估***及方法 |
CN113017600B (zh) * | 2021-04-20 | 2023-08-18 | 浙江大学医学院附属邵逸夫医院 | 一种用于医学影像检查的训练评估***及方法 |
CN115590497A (zh) * | 2022-07-29 | 2023-01-13 | 重庆大学(Cn) | 基于气-电同步测量的肺通气功能障碍疾病诊断*** |
CN116369898A (zh) * | 2023-06-06 | 2023-07-04 | 青岛市第五人民医院 | 一种用于危重症的呼吸数据提醒*** |
CN116369898B (zh) * | 2023-06-06 | 2024-02-20 | 青岛市第五人民医院 | 一种用于危重症的呼吸数据提醒*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533658A (zh) | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 | |
JP4702971B2 (ja) | コンピュータ支援診断システム | |
CN110473207B (zh) | 一种交互式分割肺叶的方法 | |
CN108135535A (zh) | 用于处理与呼吸活动有关的肌电图信号的装置和方法 | |
CN107887032A (zh) | 一种数据处理方法及装置 | |
CN111563451A (zh) | 基于多尺度小波特征的机械通气无效吸气努力识别方法 | |
CN111260669A (zh) | 基于ct图像的肺叶分割方法和装置 | |
Abid et al. | Model-based estimation of respiratory parameters from capnography, with application to diagnosing obstructive lung disease | |
CN115381429A (zh) | 基于人工智能的气道评估终端 | |
US11478163B2 (en) | Image processing and emphysema threshold determination | |
CN112017695A (zh) | 一种自动识别生理声音的***及方法 | |
Azad et al. | Seismocardiographic signal variability during regular breathing and breath hold in healthy adults | |
CN111110208A (zh) | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 | |
CN110473180A (zh) | 胸部呼吸运动的识别方法、***及存储介质 | |
CN117174294A (zh) | 一种构建慢阻肺评估模型方法及*** | |
Liu et al. | Tidal volume estimation using portable ultrasound imaging system | |
CN108742628A (zh) | 一种呼吸检测方法 | |
CN215349053U (zh) | 一种先天性心脏病智能筛查机器人 | |
CN108968964A (zh) | 肺功能测试***及测试方法 | |
CN113208639A (zh) | 人体肺活量实时估算*** | |
Mondal et al. | Respiratory sounds classification using statistical biomarker | |
CN114708972B (zh) | 一种vte风险预警*** | |
CN114983469B (zh) | 利用超声进行呼吸驱动评估的方法及装置 | |
Qiao et al. | Research on Classification of Patient-ventilator Asynchrony Using Permutation Disalignment Index | |
CN113808078B (zh) | 一种基于电阻抗断层成像识别无效吸气努力的方法 |
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: 20191203 |