CN116936116A - 一种智能医疗数据分析方法和*** - Google Patents
一种智能医疗数据分析方法和*** Download PDFInfo
- Publication number
- CN116936116A CN116936116A CN202310975662.XA CN202310975662A CN116936116A CN 116936116 A CN116936116 A CN 116936116A CN 202310975662 A CN202310975662 A CN 202310975662A CN 116936116 A CN116936116 A CN 116936116A
- Authority
- CN
- China
- Prior art keywords
- sliding
- medical data
- sliding window
- window
- ambiguous
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000000903 blocking effect Effects 0.000 claims abstract description 12
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
Landscapes
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种智能医疗数据分析方法和***,所述方法包括:获取医疗数据;对所述医疗数据区域进行分块处理;针对特征类型计算每个分块的分块特征;并构成分块特征序列;创建滑动窗口在医疗数据区域进行滑动;将分块特征序列和特征序列模板进行匹配,以确定滑动方向;基于滑动窗口移动轨迹确定感兴趣分块或区域,并进行标注。本发明具有很强的兼容性和可操作性,适用于对大量的医疗数据进行高效处理;可扩展性强,能够广泛的应用于各种类型的医疗数据。
Description
【技术领域】
本发明属于智慧医疗技术领域,尤其涉及一种智能医疗数据分析方法和***。
【背景技术】
一方面,随着信息技术和计算机技术的快速发展,数字化医疗检测设备得到越来越广泛的应用,数字化医疗检测设备的应用不仅提升了医生的工作效率,而且提高了检测的准确性,是医疗领域发展的方向。其中:计算机辅助诊断或计算机辅助检测是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病灶,提高诊断的准确率。
另一方面,大数据作为一种重要的资源,已经不同程度地渗透到每个行业和部门,其深度应用不仅有助于各单位的经营活动,也有利于推动国民经济的发展。“互联网+”是各国工业和信息化深度融合的成果与标志,也是进一步促进信息消费的重要抓手。所谓“互联网+”就是“互联网+各个传统行业”,但这并不是简单的两者相加,而是利用信息通信技术以及互联网平台,让互联网与传统行业进行深度融合,创造新的发展生态。
现有技术中针对医疗数据的分析主要是基于常规的数据分析算法,例如图像分析算法,传统图像分析方法往往比较依赖于分析方法本身对信息的发现能力强弱,致力于模仿人眼对图像的观察角度来提高发现能力;未能从大数据中发现感兴趣区域所固有的位置关系信息,该位置关系是和人类生理角度出发所呈现出来的信息,而非仅仅是医疗数据自身所表达的信息。随着算力的提高,对这种大数据的利用称为可能;基于上述问题,本发明充分利用医疗数据中所表达的大数据信息,发现感兴趣区域以进行医疗辅助,具有很强的兼容性和可操作性,适用于对大量的医疗数据进行高效处理;可扩展性强,能够广泛的应用于各种类型的医疗数据;
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种智能医疗数据分析方法和***,所述方法包含:
步骤S1:获取医疗数据;对所述医疗数据区域进行分块处理;
步骤S2:获取一未处理特征类型,针对所述未处理特征类型计算每个分块的分块特征;若所有特征类型均处理完毕,则进入步骤S8;
步骤S3:判断针对所述未处理特征类型的处理是否满足滑动完毕条件,如果是,则返回步骤S2;否则,创建滑动窗口并设置滑动窗口初始位置;所述滑动窗口中包括多个位置连续的医疗数据分块;
所述判断是否满足滑动完毕条件,具体为:判断针对所述未处理特征类型所创建的滑动窗口数量NC是否超过窗口数量阈值NCTr和/或滑动窗口对应的总滑动次数NSD是否超过总滑动次数阈值NSDTr;如果是,则确定满足,否则,确定为不满足;
步骤S4:按照固定位置顺序将滑动窗口中分块的分块特征进行排序以构成分块特征序列;分块特征序列中每个元素依次对应一个滑动窗口固定位置处的分块特征值;
步骤S5:将滑动窗口分块特征序列和每个特征序列模板依次进行匹配;获取匹配特征序列模板所对应的滑动方向;预先设置特征序列模板及其对应的滑动方向;
步骤S6:判断滑动方向是否明确,如果是,则进入步骤S7;否则,根据当前滑动窗口的滑动次数和当前滑动窗口的滑动方向不明确次数确定进入步骤S3或S7;
所述根据当前滑动窗口的滑动次数和当前滑动窗口的滑动方向不明确次数确定进入步骤S3或S7,具体为:
S61:确定当前滑动窗口的滑动次数N1、当前滑动窗口的滑动方向不明确次数N2和滑动方向不明确频率N2/N1;
S62:当滑动次数N1达到滑动窗口寿命值NAGE且不明确频率N2/N1大于不明确阈值N2Tr时,返回步骤S3;
优选的:滑动窗口寿命值NAGE为预设值;
S63:当滑动次数N1未达到滑动窗口寿命值NAGE且不明确频率N2/N1大于不明确阈值N2Tr时,调整当前窗口尺寸,返回步骤S3;
所述调整当前窗口尺寸,具体为:增加或者减少当前滑动窗口尺寸;
S64:当滑动次数N1达到滑动窗口寿命值NAGE且不明确频率N2/N1小于等于不明确阈值N2Tr时,随机选择一滑动方向,对当前滑动窗口增加滑动窗口寿命值NAGE;并进入步骤S7;
所述对当前滑动窗口增加滑动窗口寿命值NAGE,具体为:基于预设的滑动窗口寿命值成比例增加当前滑动窗口寿命值NAGE;
S65:当滑动次数N1未达到滑动窗口寿命值NAGE且不明确频率N2/N1小于等于不明确阈值N2Tr时,随机选择一滑动方向,并进入步骤S7;
步骤S7:沿着所述滑动窗口滑动方向在医疗数据区域上进行滑动;返回步骤S4;
步骤S8:基于滑动窗口滑动轨迹确定感兴趣分块;标注感兴趣分块后呈现给医疗机构终端;所述感兴趣分块为滑动轨迹经过次数多的分块。
进一步的,所述分块特征类型为一个或多个。
进一步的,每种医疗数据类型对应不同的分块特征类型。
进一步的,所述窗口数量阈值NCTr,总滑动次数阈值NSDTr均为预设值。
进一步的,特征序列模板为多个。
一种智能医疗数据分析***,所述***用于实现上述智能医疗数据分析方法。
进一步的,所述滑动方向包括:上或下滑动、左或右滑动、前或后滑动或不明确方向。
一种智能医疗数据分析平台,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的智能医疗数据分析方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的智能医疗数据分析方法。
一种云服务器,所述云服务器被配置为执行所述的智能医疗数据分析方法。
本发明的有益效果包括:
(1)针对各种类型的医疗数据及其特征类型,作统一的分块和简单滑动操作而复杂的窗口参数计算,基于医疗数据中蕴含的兴趣点在医疗数据区域中呈现内在的位置关系,发现敏感特征类型并通过敏感特征类型在医疗数据区域中留下的足迹发现感兴趣点;具有很强的兼容性和可操作性,适用于对大量的医疗数据进行高效处理;可扩展性强,能够广泛的应用于各种类型的医疗数据;
(2)通过模糊的滑动方向指示的叠加,形成了基于移动足迹的不模糊感兴趣区域发现和标注方式;进一步的,通过固定顺序构建分块特征序列及其特征序列模板,提供滑动过程中量化计算的基础,能够针对不同疾病类型及其差异化所表现出来的非典型特征做模板的动态更新和非典型特征的动态发现能力。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明提供的智能医疗数据分析方法示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定通过
本发明提出一种智能医疗数据分析方法和***,如附图1所示,所述方法包括如下步骤:
步骤S1:获取医疗数据;对所述医疗数据区域进行分块处理;
优选的:所述医疗数据包括图像、超声图像、CT、PET、文字、音频等多种医疗数据;
所述进行分块处理,具体为:将医疗数据划分为预设尺寸的分块;
步骤S2:获取一未处理特征类型,针对所述未处理特征类型计算每个分块的分块特征;若所有特征类型均处理完毕,则进入步骤S8;
优选的:所述分块特征类型为一个或多个;
每种医疗数据类型对应不同的分块特征类型;显然针对图像的特征类型不同于文本的特征类型;
例如:图像类型医疗数据的分块特征类型包括灰度最大值、灰度值均值、灰度值最小值,各类纹理特征、亮度特征等;
步骤S3:判断针对所述未处理特征类型的处理是否满足滑动完毕条件,如果是,则返回步骤S2;否则,创建滑动窗口并设置滑动窗口初始位置;所述滑动窗口中包括多个位置连续的医疗数据分块;
所述判断是否满足滑动完毕条件,具体为:判断针对所述未处理特征类型所创建的滑动窗口数量NC是否超过窗口数量阈值NCTr和/或滑动窗口对应的总滑动次数NSD是否超过总滑动次数阈值NSDTr;如果是,则确定满足,否则,确定为不满足;其中:所述NCTr、NSDTr为预设值;例如:和医疗数据尺寸相关,当医疗数据尺寸越大,则NCTr、NSDTr越大,反之则越小;
可替换的:所述判断是否满足滑动完毕条件,具体为:针对未处理特征类型所创建的滑动窗口数量NC是否超过窗口数量阈值NCTr;NCTr=4;
优选的:针对每种特诊类型创建的滑动窗口为一个或多个;当滑动窗口为多个时,每次创建的新的滑动窗口的初始位置是相同或不同的;更进一步的:所述初始位置分布于医疗数据区域的不同方位;
优选的:根据当前滑动窗口尺寸创建滑动窗口,使得滑动窗口中包括所述当前滑动窗口尺寸数量的分块;
步骤S4:按照固定位置顺序将滑动窗口中分块的分块特征进行排序以构成分块特征序列;分块特征序列中每个元素依次对应一个滑动窗口固定位置处的分块特征值;
优选的:所述固定顺序是预设顺序;例如:从滑动窗口上到下顺序、或者窗口中包含分块的行列顺序等;在行列排序时,数据分块对应的分块特征序列为(C1,C2,C3,C4);只有在选择固定的位置顺序才易于在医疗大数据中寻找可发现生理上的差异化的各种典型或者非典型位置关系,用于指引滑动窗口的滑动;
优选的:所述固定顺序是约定的顺序;
步骤S5:将滑动窗口分块特征序列和每个特征序列模板依次进行匹配;获取匹配特征序列模板所对应的滑动方向;
所述步骤S5具体包括如下步骤:
步骤S51:获取一未比较特征序列模板;
步骤S52:从特征序列模板头部开始,将分块特征序列和每个位置开始的特征序列模板部分进行比较,直到达到特征序列模板尾部;也就是,从头部开始依次向后进行比较,依次将每个位置作为当前比较位置,将分块特征序列和该当前比较位置开始的K长度的特征序列模板部分进行比较;
步骤S53:根据公式(1)计算分块特征序列和K长度的特征序列模板部分之间的相似度DisSm;其中:k∈1~K是分块特征序列中元素编号;K是分块特征序列长度,也就是滑动窗口内分块的个数;Wvlk是分块特征序列中第k个元素的分块特征值;Mvlk是K长度的特征序列模板部分中第k个元素的分块特征值;也就是,特征序列模板中当前比较位置处第k个元素的分块特征值;
可替换的:根据公式(2)计算分块特征序列和特征序列模板之间的相似度;其中:是分块特征序列中分块特征值均值;/>是当前比较位置处和所述分块特征序列对应的特征序列模板部分的分块特征值均值;
步骤S54:若特征序列模板中存在相似度小于预设值的特征序列模板部分,则将所述特征序列模板作为匹配的特征序列模板;
步骤S55:获取和所述匹配的特征序列模板对应的滑动窗口滑动方向;
优选的:滑动方向包括:上或下滑动、左或右滑动、前或后滑动、不明确方向等;
优选的:预先设置特征序列模板及其对应的滑动方向;所述滑动方向指示感兴趣分块或感兴趣区域所对应医疗数据和所述特征序列模板所代表医疗数据之间所呈现的位置关系;特征序列模板所代表医疗数据是对病症部位或非病症位置的信息表达;比较直观的就是图像数据,滑动方向指示感兴趣区域如病灶所对应医疗数据和当前区域(例如非病灶部位或病灶部位)对应医疗数据(以特征序列模板为代表)之间所呈现的位置关系;使得足迹向感兴趣区域移动,从而留下更多的足迹;
基于医疗大数据信息构建所述分块特征模板;每个分块特征序列模板对应一种位置关系的典型情况或者说非典型情况;一种简单的做法是,在基于大量的分块特征序列来构建特征序列模板时,仅保留具有明确位置关系的分块特征序列作为特征序列模板,而删除不具备明确位置关系的分块特征序列;更优的,可以对保留下来的特征序列模板做聚类后的典型的模板作为特征序列模板;
可替代的,所述步骤S5具体为:用分块特征序列和滑动方向构建样本,用样本训练人工智能模型;在人工智能模型的使用过程中,输入当前滑动窗口对应的分块特征序列就能够得到对应的滑动方向作为输出;
步骤S6:判断滑动方向是否明确,如果是,则进入步骤S7;否则,根据当前滑动窗口的滑动次数和当前滑动窗口的滑动方向不明确次数确定进入步骤S3或S7;通过统一的分块和简单滑动操作提供操作的兼容性,而提供复杂的窗口参数计算以适应各种病症、数据类型所呈现的差异化信息;
所述根据当前滑动窗口的滑动次数和当前滑动窗口的滑动方向不明确次数确定进入步骤S3或S7,具体为:
S61:确定当前滑动窗口的滑动次数N1、当前滑动窗口的滑动方向不明确次数N2和滑动方向不明确频率N2/N1;
S62:当滑动次数N1达到滑动窗口寿命值NAGE且不明确频率N2/N1大于不明确阈值N2Tr时,返回步骤S3;
优选的:滑动窗口寿命值NAGE为预设值;
S63:当滑动次数N1未达到滑动窗口寿命值NAGE且不明确频率N2/N1大于不明确阈值N2Tr时,调整当前窗口尺寸,返回步骤S3;
所述调整当前窗口尺寸,具体为:增加或者减少当前滑动窗口尺寸;
S64:当滑动次数N1达到滑动窗口寿命值NAGE且不明确频率N2/N1小于等于不明确阈值N2Tr时,随机选择一滑动方向,对当前滑动窗口增加滑动窗口寿命值NAGE;并进入步骤S7;
所述对当前滑动窗口增加滑动窗口寿命值NAGE,具体为:基于预设的滑动窗口寿命值成比例增加当前滑动窗口寿命值NAGE;
S65:当滑动次数N1未达到滑动窗口寿命值NAGE且不明确频率N2/N1小于等于不明确阈值N2Tr时,随机选择一滑动方向,并进入步骤S7;
优选的:滑动窗口寿命值NAGE和不明确阈值N2Tr为预设值;前者基于滑动窗口尺寸和/或医疗数据区域尺寸确定;后者根据针对医疗数据类型的历史医疗数据处理过程中的平均不明确次数来确定;
优选的:在滑动方向指向一不可移动方向时,随机选择一滑动方向,并进入步骤S7;
步骤S7:沿着所述滑动窗口滑动方向在医疗数据区域上进行滑动;返回步骤S4;
优选的:所述滑动方向是上、下、左、右、不明确等;
可替换的;所述滑动方向是上、下、左、右、斜上、斜下等;
步骤S8:基于滑动窗口移动轨迹确定感兴趣分块;标注感兴趣分块后呈现给医疗机构终端;所述感兴趣分块为移动轨迹经过次数多的分块;当然,经过次数多少可以通过阈值来明确;标注的方式可以为突出显示和直接标注经过次数等多种方式;这里移动的方式就是滑动后产生移动;
所述基于滑动窗口移动轨迹确定感兴趣分块;具体为:滑动窗口在医疗数据区域中的每次滑动对应一个新足迹,每次发生的新足迹包括一个多个分块;而在移动过程中,在窗口滑动的过程中,每个分块可能发生一个或者多个足迹;对每个分块的足迹发生次数进行累计,基于每个分块的足迹累计值对对分块进行标注;使得呈现时累计值高者更突出;累计值高者通常为标注感兴趣分块,
感兴趣分块构成感兴趣区域;
优选的:所述步骤S8还包括删除不敏感特征类型对应的移动轨迹;具体为:当基于一特征类型得到的移动轨迹不具备显著性时,删除基于所述一特征类型得到的所有移动轨迹;所述不具备显著性,具体为:超过预设比例的分块的足迹累计值和均值之间的差值在可忽略范围内;
本发明针对各种类型的医疗数据作统一的分块和滑动操作,基于医疗数据中蕴含的兴趣点在医疗数据中的位置关系,通过敏感特征类型在数据图像中留下的足迹发现感兴趣点;具有很强的兼容性和可操作性,适用于对大量的医疗数据进行高效处理;
可替换的:用不同的颜色对应不同的累计值,使得颜色深者对应高的累计值,而颜色浅者对应低的累计值;
优选的:将滑动窗口滑动后新覆盖的数据分块作为新足迹所在,该新足迹对应新覆盖的一个或者多个数据分块;由于滑动窗口尺寸具有一定的尺寸,因此新足迹可能对应多个分块;
基于相同的发明构思,本发明还提供一种智能医疗数据分析***,所述***用于实现上述智能医疗数据分析方法;
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件***中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种智能医疗数据分析方法,其特征在于,所述方法包含:
步骤S1:获取医疗数据;对所述医疗数据区域进行分块处理;
步骤S2:获取一未处理特征类型,针对所述未处理特征类型计算每个分块的分块特征;若所有特征类型均处理完毕,则进入步骤S8;
步骤S3:判断针对所述未处理特征类型的处理是否满足滑动完毕条件,如果是,则返回步骤S2;否则,创建滑动窗口并设置滑动窗口初始位置;所述滑动窗口中包括多个位置连续的医疗数据分块;
所述判断是否满足滑动完毕条件,具体为:判断针对所述未处理特征类型所创建的滑动窗口数量NC是否超过窗口数量阈值NCTr和/或滑动窗口对应的总滑动次数NSD是否超过总滑动次数阈值NSDTr;如果是,则确定满足,否则,确定为不满足;
步骤S4:按照固定位置顺序将滑动窗口中分块的分块特征进行排序以构成分块特征序列;分块特征序列中每个元素依次对应一个滑动窗口固定位置处的分块特征值;
步骤S5:将滑动窗口分块特征序列和每个特征序列模板依次进行匹配;获取匹配特征序列模板所对应的滑动方向;预先设置特征序列模板及其对应的滑动方向;
步骤S6:判断滑动方向是否明确,如果是,则进入步骤S7;否则,根据当前滑动窗口的滑动次数和当前滑动窗口的滑动方向不明确次数确定进入步骤S3或S7;
所述根据当前滑动窗口的滑动次数和当前滑动窗口的滑动方向不明确次数确定进入步骤S3或S7,具体为:
S61:确定当前滑动窗口的滑动次数N1、当前滑动窗口的滑动方向不明确次数N2和滑动方向不明确频率N2/N1;
S62:当滑动次数N1达到滑动窗口寿命值NAGE且不明确频率N2/N1大于不明确阈值N2Tr时,返回步骤S3;
优选的:滑动窗口寿命值NAGE为预设值;
S63:当滑动次数N1未达到滑动窗口寿命值NAGE且不明确频率N2/N1大于不明确阈值N2Tr时,调整当前窗口尺寸,返回步骤S3;
所述调整当前窗口尺寸,具体为:增加或者减少当前滑动窗口尺寸;
S64:当滑动次数N1达到滑动窗口寿命值NAGE且不明确频率N2/N1小于等于不明确阈值N2Tr时,随机选择一滑动方向,对当前滑动窗口增加滑动窗口寿命值NAGE;并进入步骤S7;
所述对当前滑动窗口增加滑动窗口寿命值NAGE,具体为:基于预设的滑动窗口寿命值成比例增加当前滑动窗口寿命值NAGE;
S65:当滑动次数N1未达到滑动窗口寿命值NAGE且不明确频率N2/N1小于等于不明确阈值N2Tr时,随机选择一滑动方向,并进入步骤S7;
步骤S7:沿着所述滑动窗口滑动方向在医疗数据区域上进行滑动;返回步骤S4;
步骤S8:基于滑动窗口滑动轨迹确定感兴趣分块;标注感兴趣分块后呈现给医疗机构终端;所述感兴趣分块为滑动轨迹经过次数多的分块。
2.根据权利要求1所述的智能医疗数据分析方法,其特征在于,所述分块特征类型为一个或多个。
3.根据权利要求2所述的智能医疗数据分析方法,其特征在于,每种医疗数据类型对应不同的分块特征类型。
4.根据权利要求3所述的智能医疗数据分析方法,其特征在于,所述窗口数量阈值NCTr,总滑动次数阈值NSDTr均为预设值。
5.根据权利要求4所述的智能医疗数据分析方法,其特征在于,特征序列模板为多个。
6.一种智能医疗数据分析***,其特征在于,所述***用于实现上述权利要求1-5中任一项所述的智能医疗数据分析方法。
7.根据权利要求6所述的智能医疗数据分析***,其特征在于,所述滑动方向包括:上或下滑动、左或右滑动、前或后滑动或不明确方向。
8.一种智能医疗数据分析平台,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-5中任一项所述的智能医疗数据分析方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-5中任一项所述的智能医疗数据分析方法。
10.一种云服务器,其特征在于,所述云服务器被配置为执行如权利要求1-5中任一项所述的智能医疗数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975662.XA CN116936116A (zh) | 2023-08-04 | 2023-08-04 | 一种智能医疗数据分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975662.XA CN116936116A (zh) | 2023-08-04 | 2023-08-04 | 一种智能医疗数据分析方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116936116A true CN116936116A (zh) | 2023-10-24 |
Family
ID=88387781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310975662.XA Pending CN116936116A (zh) | 2023-08-04 | 2023-08-04 | 一种智能医疗数据分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116936116A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992849A (zh) * | 2024-02-06 | 2024-05-07 | 浙江省人力资源和社会保障信息中心 | 一种大数据安全处理方法和*** |
-
2023
- 2023-08-04 CN CN202310975662.XA patent/CN116936116A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992849A (zh) * | 2024-02-06 | 2024-05-07 | 浙江省人力资源和社会保障信息中心 | 一种大数据安全处理方法和*** |
CN117992849B (zh) * | 2024-02-06 | 2024-07-12 | 浙江省人力资源和社会保障信息中心 | 一种大数据安全处理方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741332B (zh) | 一种人机协同的图像分割与标注方法 | |
CN111666921B (zh) | 车辆控制方法、装置、计算机设备和计算机可读存储介质 | |
JP7286013B2 (ja) | ビデオコンテンツ認識方法、装置、プログラム及びコンピュータデバイス | |
CN113255611B (zh) | 基于动态标签分配的孪生网络目标跟踪方法及移动设备 | |
CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN105809672A (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
KR102305230B1 (ko) | 객체 경계정보의 정확도 개선방법 및 장치 | |
CN111127364A (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
KR102352942B1 (ko) | 객체 경계정보의 주석을 입력하는 방법 및 장치 | |
CN116936116A (zh) | 一种智能医疗数据分析方法和*** | |
CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN103810696A (zh) | 一种目标对象图像检测方法及装置 | |
CN113496148A (zh) | 一种多源数据融合方法及*** | |
CN111915620A (zh) | 一种ct肋骨分割方法及装置 | |
Xu et al. | A novel image edge smoothing method based on convolutional neural network | |
CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
Guo et al. | UDTIRI: An online open-source intelligent road inspection benchmark suite | |
Fan et al. | Pulmonary nodule detection using improved faster R-CNN and 3D Resnet | |
CN114255219B (zh) | 征象识别方法、装置、电子设备和存储介质 | |
Lv et al. | A challenge of deep‐learning‐based object detection for hair follicle dataset | |
CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN113222989A (zh) | 一种图像分级方法、装置、存储介质及电子设备 | |
Li et al. | A lightweight YOLOv5 model used for safety helmet and reflective clothing detection |
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 |