【技术实现步骤摘要】
基于区块链和医学影像的远程疾病智能诊断系统
本专利技术创造涉及疾病诊断领域,具体涉及一种基于区块链和医学影像的远程疾病智能诊断系统。
技术介绍
随着我国经济社会的快速发展,人们越来越关注自己的身体健康,希望能获得快捷完善的医疗服务。但是由于我国医疗资源分布非常不均衡,导致许多医疗条件落后的地区无法及时获得完善的医疗服务。而远程医疗的出现正好解决了这一难题。这种医疗模式借助于先进的信息技术、计算机网络通信技术、医疗设备等,突破了医疗资源的分布以及在时间和空间方面的诸多限制。
技术实现思路
针对上述问题,本专利技术旨在提供一种基于区块链和医学影像的远程疾病智能诊断系统。本专利技术创造的目的通过以下技术方案实现:基于区块链和医学影像的远程疾病智能诊断系统,包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块,所述第一医学图像获取模块用于获取带有疾病诊断结果标签的医学图像,并将获取的带有疾病诊断结果标签的医学图像传输至医学图像处理模块进行处理,将处理后的带有疾病诊断结果标签的医学图像传输至区块链存储模块进行存储,所述第二医学图像获取模块用于获取患者的医学图像,并将获取的患者的医学图像传输至医学图像处理模块进行处理,将处理后的患者的医学图像传输至智能诊断模块,所述智能诊断模块包括特征提取单元和智能诊断单元,所述特征提取单元用于调取区块链存储模块中存储的带有疾病诊断结果标签的医学图像,并对调取的带有疾病诊断结果标签的医学图像进行特征提取,将提取的带有疾 ...
【技术保护点】
1.基于区块链和医学影像的远程疾病智能诊断系统,其特征是,包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块,所述第一医学图像获取模块用于获取带有疾病诊断结果标签的医学图像,并将获取的带有疾病诊断结果标签的医学图像传输至医学图像处理模块进行处理,将处理后的带有疾病诊断结果标签的医学图像传输至区块链存储模块进行存储,所述第二医学图像获取模块用于获取患者的医学图像,并将获取的患者的医学图像传输至医学图像处理模块进行处理,将处理后的患者的医学图像传输至智能诊断模块,所述智能诊断模块包括特征提取单元和智能诊断单元,所述特征提取单元用于调取区块链存储模块中存储的带有疾病诊断结果标签的医学图像,对调取的带有疾病诊断结果标签的医学图像进行特征提取,将提取的带有疾病诊断结果的医学图像的特征和其对应的疾病诊断结果标签作为智能诊断单元的训练数据集,所述特征提取单元对处理后的患者的医学图像进行特征提取,并将提取的患者的医学图像的特征作为智能诊断单元的输入数据,所述智能诊断单元采用BP神经网络对患者进行疾病诊断,采用所述训练数据集对智能诊断单元采用的BP神经网络进行 ...
【技术特征摘要】
1.基于区块链和医学影像的远程疾病智能诊断系统,其特征是,包括第一医学图像获取模块、第二医学图像获取模块、医学图像处理模块、区块链存储模块和智能诊断模块,所述第一医学图像获取模块用于获取带有疾病诊断结果标签的医学图像,并将获取的带有疾病诊断结果标签的医学图像传输至医学图像处理模块进行处理,将处理后的带有疾病诊断结果标签的医学图像传输至区块链存储模块进行存储,所述第二医学图像获取模块用于获取患者的医学图像,并将获取的患者的医学图像传输至医学图像处理模块进行处理,将处理后的患者的医学图像传输至智能诊断模块,所述智能诊断模块包括特征提取单元和智能诊断单元,所述特征提取单元用于调取区块链存储模块中存储的带有疾病诊断结果标签的医学图像,对调取的带有疾病诊断结果标签的医学图像进行特征提取,将提取的带有疾病诊断结果的医学图像的特征和其对应的疾病诊断结果标签作为智能诊断单元的训练数据集,所述特征提取单元对处理后的患者的医学图像进行特征提取,并将提取的患者的医学图像的特征作为智能诊断单元的输入数据,所述智能诊断单元采用BP神经网络对患者进行疾病诊断,采用所述训练数据集对智能诊断单元采用的BP神经网络进行训练,并将提取的患者的医学图像的特征作为训练好的BP神经网络的输入数据,所述训练好的BP神经网络的输出数据即为患者的疾病诊断结果。
2.根据权利要求1所述的基于区块链和医学影像的远程疾病智能诊断系统,其特征是,所述医学图像处理模块用于对医学图像进行处理,包括图像去噪单元和图像分割单元,所述图像去噪单元用于对医学图像进行去噪处理,所述图像分割单元用于对去噪后的医学图像进行图像分割,获取医学图像中的目标区域图像。
3.根据权利要求2所述的基于区块链和医学影像的远程疾病智能诊断系统,其特征是,所述图像去噪单元采用双边滤波算法对医学图像进行去噪处理,设I表示待处理的医学图像,I(x,y)表示医学图像I中坐标(x,y)处的像素,对像素I(x,y)进行滤波处理,设Ω(x,y)表示像素I(x,y)的局部邻域,且Ω(x,y)为以像素I(x,y)为中心的(2m+1)×(2m+1)的局部邻域,f′(x,y)表示像素I(x,y)经去噪处理后的灰度值,则f′(x,y)的值为:
式中,I(i,j)表示医学图像I中坐标(i,j)处的像素,f(i,j)表示像素I(i,j)的灰度值,ω(i,j)表示像素I(i,j)的滤波权重,且ω(i,j)的值为:
式中,δd表示空间相似度因子,δr表示灰度相似度因子,f(x,y)表示像素I(x,y)的灰度值,η(i,j)表示像素I(i,j)的空间域检测系数,η(x,y)表示像素I(x,y)的空间域检测系数,且η(x,y)和η(i,j)的值分别为:
式中,I(a,b)表示医学图像I中坐标(a,b)处的像素,f(a,b)表示像素I(a,b)的灰度值,I(a+1,b)表示医学图像I中坐标(a+1,b)处的像素,f(a+1,b)表示像素I(a+1,b)的灰度值,I(a,b+1)表示医学图像I中坐标(a,b+1)处的像素,f(a,b+1)表示像素I(a,b+1)的灰度值,f(max)和f(min)分别表示医学图像I中像素的最大和最小灰度值;
式中,Ω(i,j)表示像素I(i,j)的局部邻域,且Ω(i,j)为以像素I(i,j)为中心的(2m+1)×(2m+1)的局部邻域,I(c,d)表示医学图像I中坐标(c,d)处的像素,f(c,d)表示像素I(c,d)的灰度值,I(c+1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。