CN113808738B - 一种基于自识别影像的疾病识别*** - Google Patents
一种基于自识别影像的疾病识别*** Download PDFInfo
- Publication number
- CN113808738B CN113808738B CN202111098798.4A CN202111098798A CN113808738B CN 113808738 B CN113808738 B CN 113808738B CN 202111098798 A CN202111098798 A CN 202111098798A CN 113808738 B CN113808738 B CN 113808738B
- Authority
- CN
- China
- Prior art keywords
- pathological
- data
- image
- unit
- disease
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 112
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 112
- 230000001575 pathological effect Effects 0.000 claims abstract description 182
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000007170 pathology Effects 0.000 claims description 46
- 206010028980 Neoplasm Diseases 0.000 claims description 30
- 201000011510 cancer Diseases 0.000 claims description 30
- 230000036210 malignancy Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010191 image analysis Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000003211 malignant effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 108091026890 Coding region Proteins 0.000 claims description 3
- 108700026244 Open Reading Frames Proteins 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000010827 pathological analysis Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 6
- 230000009286 beneficial effect Effects 0.000 abstract description 13
- 238000010863 targeted diagnosis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000037919 acquired disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于自识别影像的疾病识别***，包括：影像采集模块：用于通过医疗设备获取患者疾病部位的医学影像，生成影像数据；自识别模块：用于通过预设的大数据平台，对所述影像数据进行分析，确定病理数据；认定模块：用于对所述病理数据与预设的病理数据库进行对比，生成患者的疾病诊断报告。本发明的有益效果是：通过本方案提出的疾病***，解决了医生数量有限，无法及时迅速地对不同的患者进行针对性诊断分析的问题，各个科室的医生、专家仅需要下载对应的影像资料即可对指定的病人的身体状况进行分析与判断，不仅避免了患者无法快速获得诊断报告，而且还提高了可医生的工作效率。
Description
技术领域
本发明涉及疾病辅助识别技术领域，特别涉及一种基于自识别影像的疾病识别***。
背景技术
目前，我国是人口大国，而且已经步入老龄化社会，看病难是困扰我国医疗行业的首要难题。看病难的原因主要是医疗资源的分布不均，患者就诊都希望去大医院找专家，而专家的数量和精力有限，每天只能就诊一定数量的患者，导致很多需要就诊的患者无法及时得到医治，延误了确诊和治疗的最佳时机。
目前，对于患者而言，无法快速得到诊断结果的原因在于，专家的数量有限，传统的一对一式诊断治疗无法应付患者数量的增长，而且，患者经常需要到不同科室分别诊断，花费时间长，对于患者的身体而言，不利性较大。
发明内容
本发明提供一种基于自识别影像的疾病识别***，用以解决传统的一对一式诊断治疗无法应付患者数量的增长，而且，患者经常需要到不同科室分别诊断，花费时间长，对于患者的身体而言，不利性较大的情况。
一种基于自识别影像的疾病识别***，包括：
影像采集模块：用于通过医疗设备获取患者疾病部位的医学影像，生成影像数据；
自识别模块：用于通过预设的大数据平台，对所述影像数据进行分析，确定病理数据；
认定模块：用于对所述病理数据与预设的病理数据库进行对比，生成患者的疾病诊断报告。
作为本发明的一种实施例：所述影像采集模块包括：
初步病理分析单元：用于获取患者的门诊数据，并基于所述门诊数据确定患者的病症信息；
检测判断单元：用于将所述病症信息导入预设的大数据平台，确定患者的病理扫描策略；其中，
所述病理扫描策略包括：扫描位置、扫描设备和扫描流程；
影像获取单元：用于根据所述病理扫描策略，获取病理扫描图像；
图像处理单元：用于将所述病理扫描图像导入预设的图像分析模型，确定病理信息，并对所述病理扫描图像进行非线性优化。
作为本发明的一种实施例：所述影像采集模块还包括：
训练集确定单元：用于通过大数据平台，构建病理影像训练集；
样本生成单元：用于对所述病理影像训练集图像处理，生成训练样本；其中，
所述图像处理包括：图像放大、图像缩小、图像旋转、图像平移、图像仿射变换、图像对比度增强；
模型生成单元：用于将所述训练样本导入预设的深度诊断学习模型，生成深度病理图像分析模型；
优化单元：用于通过不同大小的卷积核，构建影像特征获取模型；
线性处理单元：用于根据所述深度病理图像分析模型和特征获取模型，进行非线性特征降维，构成非线性优化策略。
作为本发明的一种实施例：所述自识别模块，包括：
解析数据子单元：用于通过所述大数据平台，获取影像数据的文件标识符，解析所述文件标识符对应的文件***信息，生成解析数据；
验证结果子单元：用于基于所述解析数据，生成病理图像标识文件，生成标识结果；
自识别单元：用于根据所述标识结果，通过大数据平台进行病理识别，生成病理数据。
作为本发明的一种实施例：所述自识别模块还包括
对应单元：在所述大数据平台内预设关联词典，所述关联词典存储有病理部位与放射检查项目的对应关系；
病理数据提取单元：所述病理报告中的当前病理部位及每个影像报告中的当前放射检查项目；
病理数据匹配单元：用于基于所述关联词典将所述当前病理部位与所述当前放射检查项目进行匹配；
所述滤除模块用于滤除所述当前放射检查项目与所述当前病理部位不匹配的影像报告；
病理数据过滤单元：用于对滤除后的病理数据进行影像诊断属性的提取。
作为本发明的一种实施例：所述自识别模块还包括
对应单元：在所述大数据平台内预设关联词典，所述关联词典存储有病理部位与放射检查项目的对应关系；
病理数据提取单元：所述病理报告中的当前病理部位及每个影像报告中的当前放射检查项目；
病理数据匹配单元：用于基于所述关联词典将所述当前病理部位与所述当前放射检查项目进行匹配；
所述滤除模块用于滤除所述当前放射检查项目与所述当前病理部位不匹配的影像报告；
病理数据过滤单元：用于对滤除后的病理数据进行影像诊断属性的提取。
作为本发明的一种实施例：所述认定模块包括：
数据库单元：用于在所通过预先设置的病理数据库，构建病理数据对比模型，并将理数据对比模型的对比节点通过中间件传输至大数据平台；
对比单元：用于将输入中间件的病理数据对比模型，按照预设的时间节点进行对比，生成定时对比数据；
AI异常检测单元：用于将所述定时对比数据输入AI训练后的预测模型，判断预测病理数据可能产生的疾病的疾病状态；
AI分析单元：用于对通过AI训练后的分析模型，对所述疾病状态进行分析，生成对应的疾病诊断报告。
作为本发明的一种实施例：所述认定模块还包括：
区域定位单元：用于获取患者的疾病诊断报告，并确定病理细胞分布的分布区域；
编码单元：用于对所述分布区域进行划分，并对划分后的每一个区域进行稀疏编码；
计算单元：根据所述稀疏编码，对所述病理数据进行迭代计算，确定稀疏向量；
恶性检测单元：用于根据所述稀疏向量，构建稀疏编码模型，并通过稀疏编码模型对每个分布区域进行线性检测，判断每个分布区域的恶性程度。
作为本发明的一种实施例：所述恶性检测单元包括：
排列子单元：用于根据所述稀疏编码模型，确定每个分布区域的病理细胞队列；
顺序单元：用于根据所述病理细胞队列，确定每一个病理细胞的顺序；
对比单元：用于根据所述顺序，将每一个病理细胞与所述病理细胞队列中的每个队列进行迁移对比；
恶性排序单元：用于根据所述迁移对比，将每个分布区域的病理细胞按照恶性程度进行第二排序；
区域恶性单元：用于根据所述第二排序，确定病理细胞恶性程度中位数。并将所述恶性程度中位数作为区域恶性程度。
作为本发明的一种实施例：所述***还包括：
数据库搭建单元：用于按照分布式模型，建立节点网络，并在节点网络上搭建存储空间，构成分布式结构的病理数据库；其中，
所述节点网络上的不同的节点连接有不同病种的病理诊疗***；
知识图谱搭建单元：用于对接所述兵力数据库，并进行专业术语抽取，生成基于专业术语的知识图谱；
对称识别单元：用于将所述知识图谱和所述病理数据库对接，并将所述知识图谱作为所述病理数据库的目录图谱。
本发明的有益效果是：通过本方案提出的疾病***，解决了医生数量有限，无法及时迅速地对不同的患者进行针对性诊断分析的问题，本病理分析***的提出，将各个病人的患处影像通过大数据进行识别，各个科室的医生、专家仅需要下载对应的影像资料即可对指定的病人的身体状况进行分析与判断，不仅避免了患者无法快速获得诊断报告，而且还提高了可医生的工作效率。不过，本发明的前提是患者需要先去门诊，因为，门诊数据决定这患者的第一诊断数据，也防止了机器出具诊断报告出错的问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明实施例中一种基于自识别影像的疾病识别***的***组成图；
图2为本发明实施例中一种基于自识别影像的疾病识别***的影像采集模块组成图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
如附图1所示，本发明为一种基于自识别影像的疾病识别***，包括：
影像采集模块：用于通过医疗设备获取患者疾病部位的医学影像，生成影像数据；本发明通过一些医疗设备，主要是一些扫描设备，对患者的扫描区域进行扫描，然后就能够确定疾病部位的医学影像，通过对这些影像进行分析，本发明能够确定患者病况数据。
自识别模块：用于通过预设的大数据平台，对所述影像数据进行分析，确定病理数据；自识别也就是***根据大数据对影像数据和进行分析，判断是有哪些疾病状态，进而确定具体的疾病。
认定模块：用于对所述病理数据与预设的病理数据库进行对比，生成患者的疾病诊断报告。患者疾病的病理数据在确定之后，可能还没有犯病，但是有犯病的倾向，生成一个诊断报告，这个报告入股有具体的病症，那就以具体的病症进行显示输出在报告上，没有病症的话，但是又生病的倾向，也会输出对应的信息。
本发明的有益效果是：通过本方案提出的疾病***，解决了医生数量有限，无法及时迅速地对不同的患者进行针对性诊断分析的问题，本病理分析***的提出，将各个病人的患处影像通过大数据进行识别，各个科室的医生、专家仅需要下载对应的影像资料即可对指定的病人的身体状况进行分析与判断，不仅避免了患者无法快速获得诊断报告，而且还提高了可医生的工作效率。不过，本发明的前提是患者需要先去门诊，因为，门诊数据决定这患者的第一诊断数据，也防止了机器出具诊断报告出错的问题。
实施例2：
作为本发明的一种实施例：如附图2所示，所述影像采集模块包括：
初步病理分析单元：用于获取患者的门诊数据，并基于所述门诊数据确定患者的病症信息；门诊数据也就是初始诊断数据，医生给患者检查的数据，这些数据显示这患者的身体状态。
检测判断单元：用于将所述病症信息导入预设的大数据平台，确定患者的病理扫描策略；其中，
所述病理扫描策略包括：扫描位置、扫描设备和扫描流程；
扫描位置的策略是，根据病症信息，确定具体的扫描位置，判断用什么扫描设备进行扫描，多大的功率最适合等等，扫描流程就是根据不同的人，例如老人，小孩，孕妇等采用不同的扫描策略。
影像获取单元：用于根据所述病理扫描策略，获取病理扫描图像；
图像处理单元：用于将所述病理扫描图像导入预设的图像分析模型，确定病理信息，并对所述病理扫描图像进行非线性优化。非线性优化就是通过非线性优化技术，对图像中的病理区域一线性标记进行标识出来，便于更清晰的进行观察图像。
上述技术方案的原理和有益效果为：本发明在进行影像采集的时候，会根据门诊的数据，确定需要什么设备进行扫描，扫描的部位，以及现有诊断病症。进而通过大数据平台根据诊断数据，从大数据平台中找出一种病理扫描的方式，进而扫描出病理影像，生成表i你功力影像数据。
实施例3：
作为本发明的一种实施例：所述影像采集模块还包括：
训练集确定单元：用于通过大数据平台，构建病理影像训练集；病理影响训练集是通过大数据平台获取历史诊疗数据和现有的诊疗数据，以及大数据平台通过爬虫技术获得的一些网络上公开的，和私人授权的诊疗数据。
样本生成单元：用于对所述病理影像训练集图像处理，生成训练样本；其中，
所述图像处理包括：图像放大、图像缩小、图像旋转、图像平移、图像仿射变换、图像对比度增强；
本发明图像处理的内容比较多，但是只有一个目的，也就是所有的图片保持在一个标准上。
模型生成单元：用于将所述训练样本导入预设的深度诊断学习模型，生成深度病理图像分析模型；深度诊断学习模型是基于现有的通用模型进行模型改造得到。深度病理图像分析模型是在数据训练后能够实现病理状况标注。
优化单元：用于通过不同大小的卷积核，构建影像特征获取模型；
卷积核是深度卷积网络的核心，也是图像处理的时候，权重的函数定义，能够对影像特征进行明确显示。
线性处理单元：用于根据所述深度病理图像分析模型和特征获取模型，进行非线性特征降维，构成非线性优化策略。线性处理特征降维是为了实现数据的可视化，当然，其也使得更好的进行数据簇划分，使得识别结果更精确。
上述技术方案的原理和有益效果为：本发明在进行影像采集的时候，因为时通过大数据进行影像识别，所以本发明会包括多种图像处理的方式，进而确定病理图像的多种特征数据。然后通过多种特征数据对病理图像进行分析处理。
实施例4：
作为本发明的一种实施例：所述自识别模块，包括：
解析数据子单元：用于通过所述大数据平台，获取影像数据的文件标识符，解析所述文件标识符对应的文件***信息，生成解析数据；
文件标识符就是影像图像中的对影像数据的不同属性，不同颜色和不同区域等进行标识，使得影像数据更加容易进行解析，明确病理状况和具体有病理状况。
验证结果子单元：用于基于所述解析数据，生成病理图像标识文件，生成标识结果；标识文件就是作为指标性的一看到就明确的数据，她有自己的标识定义。而在本发明中，标识文件在本发明中就患者显示病理状态的数据。
自识别单元：用于根据所述标识结果，通过大数据平台进行病理识别，生成病理数据。
上述技术方案的原理和有益效果为：本发明在进行对影像数据自识别的时候，会通过大数据平台内置的文件标识符进行影像数据的解析，确定影像数据表达了患者的那些疾病状态，然后通过对这些疾病状态进行标识，最后判断出时什么病，生成对应的病理数据。
实施例5：
作为本发明的一种实施例：，所述自识别模块，还包括：
影像数据统计单元：获取影像数据的灰度平均值，对影像数据中疾病区域进行计数，确定疾病区域统计结果：
Cell＝{cellb,celly1,celly2}
其中，Cell代表疾病区域统计结果，cellb代表疾病区域面积，celly1代表阴性疾病区域，celly2代表阳性疾病区域；
本发明首先进行统计的是疾病区域的面积，并且疾病区域还要确定他的阴性和阳性，这是为了在进行自识别的时候，有最精确的识别结果。
诊断单元：根据所述统计结果，计算疾病区域的诊断参数：
其中f(cellb)代表背景疾病区域的诊断参数，cellbi代表采集到的第i个疾病区域样本，i代表一共采集到的疾病区域样本，αi代表采集到的疾病区域的第i个背景疾病区域的诊断敏感参数，f(celly1)代表阴性疾病区域的诊断参数，celly1j代表采集到的第j个阴性疾病区域样本，j代表一共采集到的阴性疾病区域样本，βj代表采集到的阴性疾病区域的第j个阴性疾病区域的诊断特异参数，f(celly2)代表阳性疾病区域的诊断参数，celly2n代表采集到的第n个阳性疾病区域样本，n代表一共采集到的阳性疾病区域样本，γn代表采集到的阳性疾病区域的第n个阳性疾病区域的诊断特异参数；
在进行计算的过程中，本发明还要计算诊断的参数，这些参数是基于每一个样本，阴性样本，阳性样本和等所有的样本进行特征计算，然后得到最终的结果。计算出来的参数复核每一个样本计算得到的具体特征。
自识别计算单元：根据所述诊断参数，进行大数据自识别，确定识别结果；
其中，所述z代表识别结果，
代表背景疾病区域的诊断敏感平均参数，
代表阴性疾病区域诊断特异平均参数，
阳性疾病区域的诊断特异平均参数，μ1代表阴性疾病区域的指标率，μ2代表阳性疾病区域的指标率,p代表疾病区域在图像上的占比率；
在计算识别结果的过程中，本发明通过指标率和占比率进行具体的计算，计算过程中对三个参数的结果分别计算，分别计算之后在进行结果融合，这能使得最后得到的结果是符合阴性、阳性和所有疾病区域的计算结果。
数据确定单元：比较所述识别结果和预设的最低阈值范围
确定疾病区域病理数据。
最后在数据确定的时候，本发明通过识别结果和设置的阈值进行对比，确定具体的病理数据。
上述技术方案的原理和有益效果为：本发明在进行识别患者的疾病识别，生成病理数据的过程中，还会对影像数据进行灰度分析，确定疾病的区域，然后对疾病区域进行参数计算，确定大数据诊断的参数，本发明会通过诊断参数所处的阈值范围，确定对应的病理数据，也是判断病理数据是否符合疾病状态的范围。
实施例6：
作为本发明的一种实施例：所述自识别模块还包括
对应单元：在所述大数据平台内预设关联词典，所述关联词典存储有病理部位与放射检查项目的对应关系；
病理数据提取单元：所述病理报告中的当前病理部位及每个影像报告中的当前放射检查项目；
病理数据匹配单元：用于基于所述关联词典将所述当前病理部位与所述当前放射检查项目进行匹配；
滤除单元：用于滤除所述当前放射检查项目与所述当前病理部位不匹配的影像报告；
病理数据过滤单元：用于对滤除后的病理数据进行影像诊断属性的提取。
上述技术方案的原理在于：本发明在大数据平台中设置关联词典，这个词典对应这放射检查的项目，也对应这本发明的图谱，词典的设置目的是能快速的将检查的项目和具体的疾病相关联，然后通过具体的影像报告提取检查结果，病理数据匹配的目的是将病理检查的部位和检查的项目相关联，在检查过程中，本发明是***生成报告，可能是多个报告，或者是多项报告，本发明可以将不符合或者不匹配的报告过滤删除，最后通过过滤后的影像报告的病理数据，确定具体的影像诊断结果。
上述技术方案的有益效果在于：本发明能够滤除不正确的报告结果，而得到正确的报告结果。还能实现检查的图谱和预设的词典相关联，更清楚检查的方式。本发明在进行病理数据自识别的时候，还会设置关联词典，确定自识别的时候，病理的图像放射项目的对应关系，根据病理图像的放射性项目，可以提取对应的模板，进而通过模板进行疾病诊断，并将诊断的数据带入生成诊断数据的报告，确定诊断的属性。
实施例7：
作为本发明的一种实施例：所述认定模块包括：
数据库单元：用于在所通过预先设置的病理数据库，构建病理数据对比模型，并将病理数据对比模型的对比节点通过中间件传输至大数据平台；本发明构建的病理数据对比模型是一种对比模型，其输入病理数据的时候，会和病理数据中每一份数据进行一一对比，然后如果有比对一直的，就传输到大数据平台。
对比单元：用于将输入中间件的病理数据对比模型的对比结果，按照预设的时间节点进行对比，生成定时对比数据；定时比对的目的是为了保证生成的记过是具有时效性的，通过数据经过每一个时间节点的时间，能够保证定时比对的数据的正确的，具有高度的时效性。
AI异常检测单元：用于将所述定时对比数据输入AI训练后的预测模型，判断预测病理数据可能产生的疾病的疾病状态；对比后的数据是具有有效性的，AI技术是一种虚拟化技术，可以实现疾病的预测，因此本发明通过AI训练后的预测模型得到疾病的预测结果。
AI分析单元：用于对通过AI训练后的分析模型，对所述疾病状态进行分析，生成对应的疾病诊断报告。本发明在继续宁AI训练分析后，对疾病的诊断状态可以进行意义分析，又因为预测得到了疾病的预测结果，所以可以按照预设的表格或者其他格式性的规则，把分析结果转化为疾病的诊断报告。
上述技术方案的原理和有益效果为：本发明在进行病理数据认定，疾病报告生成的死后，会建立AI训练的预测模型，通过这个预测模型分析病理状况和以后的发展趋势，并将这些内容生成疾病诊断报告。
实施例8：
作为本发明的一种实施例：所述AI异常检测单元判断疾病状态包括如下步骤：
步骤1：基于所述定时对比数据，构建病理数据的状态函数：
其中，Z(x)表示病理数据的状态函数；x表示任一病理数据；(st)表示t时刻第x份病理数据的特征函数；dt表示t时刻第x份病理数据内容函数；D表示第x份病理数据的对应的正常人部位的状态函数；f(x)表示第x份病理数据状态分布矩阵；Qt(x)表示第x份病理数据状态参数的模态函数；W(x)表示第x份病理数据状态参数的个数；t表示时刻；S(x)标识任一病理数据的状态矩阵；
本发明在确定病理数据的装苏剧的时候，会将任意的病理数据带入，代入时，因为时间时检测最重要的因素之一，本发明会根据上式的分布矩阵和状态矩阵对病理数据进行计算分析，生成一个状态函数。
步骤2：用于根据病理数据的状态函数和预测模型，确定病理数据的预测矩阵；
其中，Gij(x)表示第x份病理数据第i个预测进程的第j个预测参数；i＝1，2，3......n；i表示预测进程；n表示总的预测进程数量；j＝1，2，3......m；j表示预测参数；m表示总的预测参数的数量；
本发明在进行病理数据预测的时候，通过多个预测参数和预测进程，在预测的时候每一个进程都代表一种类型的数据的演变，预测演变，进而构成的预测矩阵能够实现准确预测。
步骤3：用于对比所述病理数据的预测矩阵和病理数据的状态函数，确定病理数据可能产生的疾病的疾病状态：
其中，当F表示第x份病理数对应第i个预测进程的疾病，并对应第j个预测参数的疾病状态。在最后一步，通过相似比对法，本发明可以确定每一个病理数据对应的疾病信息，然后判断出那个病理数据产生那种疾病状态。
上述技术方案的原理和有益效果为：本发明进行AI预测的时候，会通过三个步骤。步骤1时为了确定病理数据的具体特征状态，因此建立了病理数据的状态函数。步骤2，是通过状态函数和预测模型搭建预测矩阵，预测矩阵中，每一个参数，都时预测的一种病理状态，最后通过病理数据和预测矩阵的相关关系，确定能产生的疾病的疾病状态。
实施例9：
作为本发明的一种实施例：所述认定模块还包括：
区域定位单元：用于获取患者的疾病诊断报告，并确定病理细胞分布的分布区域；
编码单元：用于对所述分布区域进行划分，并对划分后的每一个区域进行稀疏编码；
计算单元：根据所述稀疏编码，对所述病理数据进行迭代计算，确定稀疏向量；
恶性检测单元：用于根据所述稀疏向量，构建稀疏编码模型，并通过稀疏编码模型对每个分布区域进行线性检测，判断每个分布区域的恶性程度。
上述技术方案的原理在于：本发明会通过对患者的疾病诊断报告进行分析，确定患病的病理细胞是分布在那些区域，编码单元是为了在区域划分之后，将每个区域都用特定的稀疏编码进行编码划分，稀疏编码最大的作用，是本发明可以通过这个编码将病理细胞的数据用极小的存储空间进行存储。然后通过迭代计算，确定稀疏编码的稀疏向量，最后通过构建稀疏编码模型，然后实时线性检测，确定每个分布区域的恶性程度。
上述技术方案的有益效果在于：本发明能够通过稀疏编码的方式，清晰的划分病理细胞的分布状况，最后以线性计算的形式确定整个区域的病理恶性程度。
实施例10：
作为本发明的一种实施例：所述恶性检测单元包括：
排列子单元：用于根据所述稀疏编码模型，确定每个分布区域的病理细胞队列；
顺序单元：用于根据所述病理细胞队列，确定每一个病理细胞的顺序；
对比单元：用于根据所述顺序，将每一个病理细胞与所述病理细胞队列中的每个队列进行迁移对比；
恶性排序单元：用于根据所述迁移对比，将每个分布区域的病理细胞按照恶性程度进行第二排序；
区域恶性单元：用于根据所述第二排序，确定病理细胞恶性程度中位数。并将所述恶性程度中位数作为区域恶性程度。
上述技术方案的原理在于：本发明回通过稀疏编码模型，对每个分布区域的病理细胞进行排列，这个排列时不规则的，然后本发明将不规则排列的细胞通过在队列中的原始顺序，原始顺序上，每一个细胞通过迁移比对(例如：第三个病理细胞的恶性程度高于第二个病理细胞的恶性程度，第三个病理细胞就迁移到第二个病理细胞在序列中的位置。)最终，本发明是以中位数的形式判断区域恶性程度，相对于平均值，中位数更能确定大多数病理细胞的具体状况。
上述技术方案的有益效果在于：本发明能够对病理细胞进行排列，然后通过迁移对比的方式将细胞按照恶性程度排列，最后确定整个区域的恶性程度。
实施例11：
作为本发明的一种实施例：所述***还包括：
数据库搭建单元：用于按照分布式模型，建立节点网络，并在节点网络上搭建存储空间，构成分布式结构的病理数据库；其中，
所述节点网络上的不同的节点连接有不同病种的病理诊疗***；
知识图谱搭建单元：用于对接所述兵力数据库，并进行专业术语抽取，生成基于专业术语的知识图谱；
对称识别单元：用于将所述知识图谱和所述病理数据库对接，并将所述知识图谱作为所述病理数据库的目录图谱。
上述技术方案的原理和有益效果在于：本发明中预设的数据库是一种分布式数据库，在这个数据库搭建的过程中，每个网络节点都对应一个存储空间，每个网络节点都回和不同的病理检查***对接，例如第一个网络节点和细胞检测***对接，第二个网络节点和细胞测试***对接，第三个网络节点和扫描***对接等等。最后在兵力数据库搭建完成之后，建立知识图谱搭建单元，知识图谱十一专业术语的形式进行搭建，搭建完成之后，生成对应的图谱目录，便于进行疾病查询，也就是疾病识别。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于自识别影像的疾病识别***，其特征在于，包括：
影像采集模块：用于通过医疗设备获取患者疾病部位的医学影像，生成影像数据；
自识别模块：用于通过预设的大数据平台，对所述影像数据进行分析，确定病理数据；
认定模块：用于对所述病理数据与预设的病理数据库进行对比，生成患者的疾病诊断报告；
所述认定模块还包括：
区域定位单元：用于获取患者的疾病诊断报告，并确定病理细胞分布的分布区域；
编码单元：用于对所述分布区域进行划分，并对划分后的每一个区域进行稀疏编码；
计算单元：根据所述稀疏编码，对所述病理数据进行迭代计算，确定稀疏向量；
恶性检测单元：用于根据所述稀疏向量，构建稀疏编码模型，并通过稀疏编码模型对每个分布区域进行线性检测，判断每个分布区域的恶性程度。
2.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述影像采集模块包括：
初步病理分析单元：用于获取患者的门诊数据，并基于所述门诊数据确定患者的病症信息；
检测判断单元：用于将所述病症信息导入预设的大数据平台，确定患者的病理扫描策略；其中，
所述病理扫描策略包括：扫描位置、扫描设备和扫描流程；
影像获取单元：用于根据所述病理扫描策略，获取病理扫描图像；
图像处理单元：用于将所述病理扫描图像导入预设的图像分析模型，确定病理信息，并对所述病理扫描图像进行非线性优化。
3.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述影像采集模块还包括：
训练集确定单元：用于通过大数据平台，构建病理影像训练集；
样本生成单元：用于对所述病理影像训练集图像处理，生成训练样本；其中，
所述图像处理包括：图像放大、图像缩小、图像旋转、图像平移、图像仿射变换、图像对比度增强；
模型生成单元：用于将所述训练样本导入预设的深度诊断学习模型，生成深度病理图像分析模型；
优化单元：用于通过不同大小的卷积核，构建影像特征获取模型；
线性处理单元：用于根据所述深度病理图像分析模型和特征获取模型，进行非线性特征降维，构成非线性优化策略。
4.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述自识别模块，包括：
解析数据子单元：用于通过所述大数据平台，获取影像数据的文件标识符，解析所述文件标识符对应的文件***信息，生成解析数据；
验证结果子单元：用于基于所述解析数据，生成病理图像标识文件，生成标识结果；
自识别单元：用于根据所述标识结果，通过大数据平台进行病理识别，生成病理数据。
5.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述自识别模块，还包括：
读取单元：用于对所述影像数据进行读取，并确定病理细胞状态数据；其中，
所述病理细胞状态数据包括：病理细胞位置数据、病理细胞分布数据和病理细胞恶性程度数据；
数据划分单元：用于对所述病理数据按照数据类型进行划分，并计算每种类型的病理数据的熵值；
比较单元：用于将所述病理数据的熵值和预设的阈值进行对比，判断所述熵值归属所述阈值的区间范围；其中，
所述阈值包括范围异常区间，位置异常区间和恶性异常区间；
数据划分单元：根据所述区间范围，将原始数据进行数据划分，生成范围异常数据，位置异常数据和恶性异常区间数据。
6.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述自识别模块还包括
对应单元：在所述大数据平台内预设关联词典，所述关联词典存储有病理部位与放射检查项目的对应关系；
病理数据提取单元：用于提取所述病理报告中的当前病理部位及每个影像报告中的当前放射检查项目；
病理数据匹配单元：用于基于所述关联词典将所述当前病理部位与所述当前放射检查项目进行匹配；
滤除单元：用于滤除所述当前放射检查项目与所述当前病理部位不匹配的影像报告；
病理数据过滤单元：用于对滤除后的病理数据进行影像诊断属性的提取。
7.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述认定模块包括：
数据库单元：用于在所通过预先设置的病理数据库，构建病理数据对比模型，并将病理数据对比模型的对比节点通过中间件传输至大数据平台；
对比单元：用于将输入中间件的病理数据对比模型的对比结果按照预设的时间节点进行对比，生成定时对比数据；
AI异常检测单元：用于将所述定时对比数据输入AI训练后的预测模型，判断预测病理数据可能产生的疾病的疾病状态；
AI分析单元：用于对通过AI训练后的分析模型，对所述疾病状态进行分析，生成对应的疾病诊断报告。
8.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述恶性检测单元包括：
排列子单元：用于根据所述稀疏编码模型，确定每个分布区域的病理细胞队列；
顺序单元：用于根据所述病理细胞队列，确定每一个病理细胞的顺序；
对比单元：用于根据所述顺序，将每一个病理细胞与所述病理细胞队列中的每个队列进行迁移对比；
恶性排序单元：用于根据所述迁移对比，将每个分布区域的病理细胞按照恶性程度进行第二排序；
区域恶性单元：用于根据所述第二排序，确定病理细胞恶性程度中位数，并将所述恶性程度中位数作为区域恶性程度。
9.如权利要求1所述的一种基于自识别影像的疾病识别***，其特征在于，所述***还包括：
数据库搭建单元：用于按照分布式模型，建立节点网络，并在节点网络上搭建存储空间，构成分布式结构的病理数据库；其中，
所述节点网络上的不同的节点连接有不同病种的病理诊疗***；
知识图谱搭建单元：用于对接所述病理数据库，并进行专业术语抽取，生成基于专业术语的知识图谱；
对称识别单元：用于将所述知识图谱和所述病理数据库对接，并将所述知识图谱作为所述病理数据库的目录图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111098798.4A CN113808738B (zh) | 2021-09-18 | 2021-09-18 | 一种基于自识别影像的疾病识别*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111098798.4A CN113808738B (zh) | 2021-09-18 | 2021-09-18 | 一种基于自识别影像的疾病识别*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808738A CN113808738A (zh) | 2021-12-17 |
| CN113808738B true CN113808738B (zh) | 2022-03-15 |
Family
ID=78939829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111098798.4A Active CN113808738B (zh) | 2021-09-18 | 2021-09-18 | 一种基于自识别影像的疾病识别*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808738B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115064247B (zh) * | 2022-08-09 | 2022-11-11 | 苏州朗开医疗技术有限公司 | 一种基于图像特征分析的图像分层采集方法及*** |
| CN116364248B (zh) * | 2023-03-15 | 2023-10-20 | 北京透彻未来科技有限公司 | 基于玻片标签自动识别技术的病理图像自动上传匹配方法 |
| CN116386857B (zh) * | 2023-06-07 | 2023-11-10 | 深圳市森盈智能科技有限公司 | 一种病理分析***及方法 |
| CN117116472A (zh) * | 2023-10-25 | 2023-11-24 | 首都医科大学附属北京友谊医院 | 医学诊断装置、电子设备及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107408197A (zh) * | 2015-03-11 | 2017-11-28 | 西门子公司 | 基于解卷积网络的细胞图像和视频的分类的***和方法 |
| CN108418619B (zh) * | 2017-02-09 | 2020-08-28 | 电信科学技术研究院 | 一种信号检测方法及装置 |
| CN109543728A (zh) * | 2018-11-07 | 2019-03-29 | 湖北工业大学 | 一种基于迁移学习的甲状腺相关性眼病检测方法 |
| CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
| KR102162683B1 (ko) * | 2020-01-31 | 2020-10-07 | 주식회사 에프앤디파트너스 | 비정형 피부질환 영상데이터를 활용한 판독보조장치 |
| CN112466468B (zh) * | 2020-11-27 | 2024-04-23 | 深圳市锦欣医疗科技创新中心有限公司 | 一种基于稀疏编码的免疫水平预测***、装置和存储介质 |
| CN112349369A (zh) * | 2020-11-27 | 2021-02-09 | 广州瀚信通信科技股份有限公司 | 医疗影像大数据智能分析方法、***及存储介质 |
| CN112447305A (zh) * | 2020-12-17 | 2021-03-05 | 肖欣 | 一种基于综合影像的病理分析*** |
-
2021
- 2021-09-18 CN CN202111098798.4A patent/CN113808738B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808738A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113808738B (zh) | 一种基于自识别影像的疾病识别*** | |
| US11631175B2 (en) | AI-based heat map generating system and methods for use therewith | |
| US20210183485A1 (en) | Ai system for generating multiple labels based on a medical scan and methods for use therewith | |
| Wang et al. | Chestnet: A deep neural network for classification of thoracic diseases on chest radiography | |
| CN109935336B (zh) | 一种儿童呼吸科疾病的智能辅助诊断*** | |
| RU2533500C2 (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN102395975B (zh) | 临床决策支持***和方法 | |
| CN105069308B (zh) | 医疗设备智能监控*** | |
| He et al. | Automated model design and benchmarking of deep learning models for covid-19 detection with chest ct scans | |
| CN110911009A (zh) | 一种临床诊断辅助决策***和医学知识图谱积累方法 | |
| CN105359161A (zh) | 用于医学图像分析和概率诊断的***和方法 | |
| CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
| CN106066934A (zh) | 一种基于Spark平台的阿尔茨海默病早期辅助诊断*** | |
| Shoaib et al. | Hybrid classification structures for automatic COVID-19 detection | |
| El-Shafai et al. | Classification framework for COVID-19 diagnosis based on deep cnn models. | |
| CN115205601A (zh) | 一种基于人工智能与知识图谱的医学检验结果审核*** | |
| CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
| Elhanashi et al. | Classification and localization of multi-type abnormalities on chest X-Rays images | |
| CN116824670A (zh) | 基于微表情的问诊辅助方法、装置、设备及介质 | |
| Fagbuagun et al. | Model development for pneumonia detection from chest radiograph using transfer learning | |
| CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
| RU2723674C1 (ru) | Способ прогнозирования диагноза на основе обработки данных, содержащих медицинские знания | |
| CN110223760B (zh) | 一种医疗影像信息采集与融合方法及*** | |
| US20150302171A1 (en) | Bioimaging grid |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240116 Address after: Room 302, Unit 1, Building 4, Xiaqingyuan, Modern Garden, Renmin Road, Xiangshan District, Huaibei City, Anhui Province, 235000 Patentee after: Cai Changzheng Address before: 230000 room 708-583, building 1, e-commerce Park, No. 1299, Huguang Road, Shushan District, Hefei City, Anhui Province Patentee before: Anhui aipeng Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |