一种基于医学影像和区块链的远程疾病智能诊断系统技术方案

本发明专利技术实施例提供一种基于医学影像和区块链的远程疾病智能诊断系统和诊断方法。所述诊断方法应用于诊断服务器，所述诊断方法包括：接收疾病诊断请求，所述疾病诊断请求中包含多张医学影像和用户信息；对所述多张医学影像进行去噪处理，得到一张去噪后的医学影像，然后基于所述去噪后的医学影像进行疾病预测，得到疾病预测结果；生成公钥查询交易，以及对所述公钥查询交易进行签名；将签名后的公钥查询交易发送给区块链服务器，以使得所述区块链服务器调取所述用户对应的用户公钥，并将该用户公钥返回给所述诊断服务器；接收所述用户公钥，并利用该用户公钥对疾病预测结果进行加密，以及将加密后的疾病预测结果发送给用户终端。

【技术实现步骤摘要】
一种基于医学影像和区块链的远程疾病智能诊断系统
本专利技术涉及人工智能
，特别是涉及一种基于医学影像和区块链的远程疾病智能诊断系统和诊断方法。
技术介绍
随着移动互联网的应用和普及，越来越多的用户开始借助移动终端，线上地开展业务。以通过远程医疗系统诊断疾病为例，病人用户通常需要利用用户终端，将自身的医疗数据(例如医学影像等)上传给疾病预测服务器，疾病预测服务器根据用户终端上传的医疗数据，做出相应的疾病预测。然而，医学影像数据中存在许多杂乱无规律分布的图像噪声，表现为颗粒细小的白点。这些图像噪声对疾病的诊断形成较大干扰，影像了疾病诊断的准确性，特别是在利用人工智能技术进行自动诊断时。
技术实现思路
本专利技术实施例的目的在于提供一种基于医学影像和区块链的远程疾病智能诊断系统和诊断方法，旨在自动实现对医学影像的降噪，并实现疾病诊断。具体技术方案如下：在本专利技术实施例的第一方面，提供一种基于医学影像和区块链的远程疾病智能诊断系统，所述系统包括：用户终端、医学影像采集设备、诊断服务器以及区块链服务器；其中，所述医学影像采集设备用于在相同采集环境下，针对用户的病灶部位连续采集多张医学影像，并将所述多张医学影像发送给所述用户终端；所述用户终端用于接收所述多张医学影像，并生成疾病诊断请求，以及将所述疾病诊断请求发送给所述诊断服务器；其中，所述疾病诊断请求中包含所述多张医学影像和所述用户的用户信息；所述诊断服务器用于接收所述疾病诊断请求，并用于调用图像去噪单元对所述疾病诊断请求中的多张医学影像进行去噪处理，得到一张去噪后的医学影像，然后基于所述去噪后的医学影像进行疾病预测，得到疾病预测结果；其中，所述图像去噪单元通过以下方式进行去噪处理：针对每个像素点，检测多张医学影像在该像素点处是否均为高亮像素点，若是，则将该像素点确定为高亮像素点，若否，则将该像素点确定为亮度为0的像素点，最终得到一张去噪后的医学影像；所述诊断服务器还用于从所述疾病诊断请求中提取所述用户信息，并生成公钥查询交易，以及对所述公钥查询交易进行签名，然后再将签名后的公钥查询交易发送给所述区块链服务器；其中，所述公钥查询交易交易中包含所述用户信息；所述区块链服务器用于接收所述公钥查询交易，并利用所述诊断服务器的公钥对所述公钥查询交易进行签名验证，在签名验证通过的情况下，基于所述公钥查询请求中的用户信息，调取该用户对应的用户公钥，并将该用户公钥返回给所述诊断服务器；所述诊断服务器还用于接收所述用户公钥，并利用所述用户公钥对所述疾病预测结果进行加密，以及将加密后的疾病预测结果发送给所述用户终端。在本专利技术实施例的第二方面，提供一种基于医学影像和区块链的远程疾病智能诊断方法，应用于诊断服务器，所述方法包括：接收用户终端发送的疾病诊断请求；其中，所述疾病诊断请求中包含多张医学影像和用户信息，所述多张医学影像是在相同采集环境下，针对用户的病灶部位连续采集的多张医学影像；调用图像去噪单元对所述疾病诊断请求中的多张医学影像进行去噪处理，得到一张去噪后的医学影像，然后基于所述去噪后的医学影像进行疾病预测，得到疾病预测结果；其中，所述图像去噪单元通过以下方式进行去噪处理：针对每个像素点，检测多张医学影像在该像素点处是否均为高亮像素点，若是，则将该像素点确定为高亮像素点，若否，则将该像素点确定为亮度为0的像素点，最终得到一张去噪后的医学影像；从所述疾病诊断请求中提取所述用户信息，并生成公钥查询交易，以及对所述公钥查询交易进行签名，所述公钥查询交易交易中包含所述用户信息；将签名后的公钥查询交易发送给区块链服务器，以使得所述区块链服务器利用所述诊断服务器的公钥进行签名验证，并在签名验证通过的情况下，基于所述公钥查询请求中的用户信息，调取该用户对应的用户公钥，并将该用户公钥返回给所述诊断服务器；接收所述区块链服务器返回的用户公钥，并利用所述用户公钥对所述疾病预测结果进行加密，以及将加密后的疾病预测结果发送给所述用户终端。本专利技术中，医学影像采集设备在相同采集环境下，针对用户的病灶部位连续采集多张医学影像。由于采集环境相同，因此连续采集的多张医学影像中具有相同的人体组织和病灶组织。并且又由于图像噪声在每张医学影像中是杂乱无规律分布的，因此每张医学影像存在不同的图像噪声。为此，图像去噪单元在进行去噪处理时，针对每个像素点，如果多张医学影像在该像素点处均为高亮像素点，则说明该像素点很可能是人体组织或病灶组织，因此则将该像素点确定为高亮像素点。而如果多张医学影像在该像素点处不均为高亮像素点，则说明该像素点很可能是图像噪声，因此将该像素点确定为亮度为0的像素点。最终得到了一张去噪后的医学影像。然后基于去噪后的医学影像进行疾病预测，有助于提高疾病预测的准确性。此外本专利技术中，诊断服务器从区块链服务器获取用户公钥，并利用该用户公钥对疾病预测结果进行加密，再将加密后的疾病预测结果发送给用户终端。如此，可以防止疾病预测结果明文被黑客截获，造成用户隐私泄露。此外本专利技术中，诊断服务器为了从区块链服务器查询用户公钥，会生成公钥查询交易，并利用自身私钥对公钥查询交易进行签名。区块链服务器在接收到公钥查询交易后，利用诊断服务器的公钥对公钥查询交易进行签名验证。在签名验证通过的情况下，区块链服务器才将用户公钥发送给诊断服务器。如此，可以防止黑客冒充诊断服务器，从区块链服务器非法获取用户公钥。附图说明为了更清楚地说明本专利技术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，以下描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1是本专利技术一实施例提出的基于医学影像和区块链的远程疾病智能诊断系统；图2是本专利技术一实施例提出的基于医学影像和区块链的远程疾病智能诊断方法的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。随着移动互联网的应用和普及，越来越多的用户开始借助移动终端，线上地开展业务。以通过远程医疗系统诊断疾病为例，病人用户通常需要利用用户终端，将自身的医疗数据(例如医学影像等)上传给疾病预测服务器，疾病预测服务器根据用户终端上传的医疗数据，做出相应的疾病预测。然而，医学影像数据中存在许多杂乱无规律分布的图像噪声，表现为颗粒细小的白点。这些图像噪声对疾病的诊断形成较大干扰，影像了疾病诊断的准确性，特别是在利用人工智能技术进行自动诊断时。有鉴于此，本专利技术通过以下实施例提出基于医学影像和区块链的远程疾病智能诊断系统和诊断方法，旨在自动实现对医学影像的降噪，并实现疾病诊断。参考图1，图1本文档来自技高网...

【技术保护点】
1.一种基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述系统包括：用户终端、医学影像采集设备、诊断服务器以及区块链服务器；/n其中，所述医学影像采集设备用于在相同采集环境下，针对用户的病灶部位连续采集多张医学影像，并将所述多张医学影像发送给所述用户终端；/n所述用户终端用于接收所述多张医学影像，并生成疾病诊断请求，以及将所述疾病诊断请求发送给所述诊断服务器；其中，所述疾病诊断请求中包含所述多张医学影像和所述用户的用户信息；/n所述诊断服务器用于接收所述疾病诊断请求，并用于调用图像去噪单元对所述疾病诊断请求中的多张医学影像进行去噪处理，得到一张去噪后的医学影像，然后基于所述去噪后的医学影像进行疾病预测，得到疾病预测结果；其中，所述图像去噪单元通过以下方式进行去噪处理：针对每个像素点，检测多张医学影像在该像素点处是否均为高亮像素点，若是，则将该像素点确定为高亮像素点，若否，则将该像素点确定为亮度为0的像素点，最终得到一张去噪后的医学影像；/n所述诊断服务器还用于从所述疾病诊断请求中提取所述用户信息，并生成公钥查询交易，以及对所述公钥查询交易进行签名，然后再将签名后的公钥查询交易发送给所述区块链服务器；其中，所述公钥查询交易交易中包含所述用户信息；/n所述区块链服务器用于接收所述公钥查询交易，并利用所述诊断服务器的公钥对所述公钥查询交易进行签名验证，在签名验证通过的情况下，基于所述公钥查询请求中的用户信息，调取该用户对应的用户公钥，并将该用户公钥返回给所述诊断服务器；/n所述诊断服务器还用于接收所述用户公钥，并利用所述用户公钥对所述疾病预测结果进行加密，以及将加密后的疾病预测结果发送给所述用户终端。/n...

【技术特征摘要】
1.一种基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述系统包括：用户终端、医学影像采集设备、诊断服务器以及区块链服务器；
其中，所述医学影像采集设备用于在相同采集环境下，针对用户的病灶部位连续采集多张医学影像，并将所述多张医学影像发送给所述用户终端；
所述用户终端用于接收所述多张医学影像，并生成疾病诊断请求，以及将所述疾病诊断请求发送给所述诊断服务器；其中，所述疾病诊断请求中包含所述多张医学影像和所述用户的用户信息；
所述诊断服务器用于接收所述疾病诊断请求，并用于调用图像去噪单元对所述疾病诊断请求中的多张医学影像进行去噪处理，得到一张去噪后的医学影像，然后基于所述去噪后的医学影像进行疾病预测，得到疾病预测结果；其中，所述图像去噪单元通过以下方式进行去噪处理：针对每个像素点，检测多张医学影像在该像素点处是否均为高亮像素点，若是，则将该像素点确定为高亮像素点，若否，则将该像素点确定为亮度为0的像素点，最终得到一张去噪后的医学影像；
所述诊断服务器还用于从所述疾病诊断请求中提取所述用户信息，并生成公钥查询交易，以及对所述公钥查询交易进行签名，然后再将签名后的公钥查询交易发送给所述区块链服务器；其中，所述公钥查询交易交易中包含所述用户信息；
所述区块链服务器用于接收所述公钥查询交易，并利用所述诊断服务器的公钥对所述公钥查询交易进行签名验证，在签名验证通过的情况下，基于所述公钥查询请求中的用户信息，调取该用户对应的用户公钥，并将该用户公钥返回给所述诊断服务器；
所述诊断服务器还用于接收所述用户公钥，并利用所述用户公钥对所述疾病预测结果进行加密，以及将加密后的疾病预测结果发送给所述用户终端。


2.根据权利要求1所述的基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述区块链服务器在接收到所述公钥查询交易后，还用于生成一个具有唯一性的字符串，并将该字符串发送给所述用户终端和所述诊断服务器；
所述诊断服务器还用于接收所述字符串，所述诊断服务器在利用用户公钥对所述疾病预测结果进行加密时，具体用于：将所述字符串和疾病预测结果进行拼接，以及利用所述用户公钥对拼接后的字符串和疾病预测结果进行加密；
所述用户终端接收到加密后的字符串和疾病预测结果后，利用用户私钥进行解密以获得解密结果，所述用户终端还用于从所述解密结果中读取字符串，并将读取出的字符串与区块链服务器发送的字符串比较，如果两者一致，则接受所述疾病预测结果。


3.根据权利要求2所述的基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述区块链服务器在生成字符串时，具体用于：所述区块链服务器以接收到所述公钥查询交易时的时间戳、以及所述公钥查询请求中包含的用户信息为输入数据，输入hash算法模型，以获得hash值，然后将该hash值作为所述具有唯一性的字符串。


4.根据权利要求1所述的基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述疾病诊断请求中包含的用户信息是用户身份的hash值，所述区块链服务器的账本数据库中存储有用户身份的hash值和对应的用户公钥。


5.根据权利要求1所述的基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述诊断服务器在基于所述去噪后的医学影像进行疾病预测时，具体用于：将所述去噪后的医学影像输入预先训练的疾病预测模型，从而得到所述疾病预测模型输出的疾病预测结果；
其中，所述疾病预测模型是通过以下方式训练得到的：搜集多张患有目标疾病的正样本医学影像和多张未患有目标疾病的负样本医学影像，每张正样本医学影像携带正标记，每张负样本医学影像携带负标记；将每张正样本医学影像和每张负样本医学影像输入预设的神经网络模型，从而对所述神经网络模型进行训练；将训练完成的神经网络模型作为用于检测所述目标疾病的疾病预测模型；
所述疾病预测模型可以不断动态更新达到更精确诊断的效果。


6.根据权利要求5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，在神经网络模型的训练过程中，采用粒子群算法对神经网络的初始权值和阈值进行优化，粒子群算法按照下列方式进行更新，具体为：
Bi(r+1)＝ωi(r)Bi(r)+c1r1(Pi(r)-Xi(r))+c2r2(G(r)-Xi(r))+θ(r)r3(Ki(r)-Xi(r))
Xi(r+1)＝Xi(r)+Bi(r+1)
式中，Bi(r+1)表示粒子i在第(r+1)次迭代时的步长，Xi(r+1)表示粒子i在第(r+1)次迭代时的解，Bi(r)表示粒子i在第r次迭代时的步长，Xi(r)表示粒子i在第r次迭代时的解，ωi(r)表示粒子i在第r次迭代时的惯性权重因子，c1和c2表示粒子的学习因子，r1、r2和r3表示随机产生(0,1)之间的随机数，Pi(r)表示粒子i在第r次迭代时的历史最优解，G(r)表示粒子群在第r次迭代时的全局最优解，θ(r)表示粒子群在第r次迭代时的寻优调节值，Ki(r)表示粒子i在第r次迭代时的寻优调节解，且θ(r)和Ki(r)的值采用下列方式确定：
对粒子群中的粒子进行标记，给定第一寻优分布检测阈值Q1(r)和第二寻优分布检测阈值Q2(r)，且其中，表示粒子群在第r次迭代时的适应度函数值的均值，fmin(r)表示粒子群在第r次迭代时的适应度函数值的最小值；设fi(r)表示粒子i在第r次迭代时的适应度函数值，当粒子i满足fi(r)≤Q1(r)时，则将粒子i标记为1，当粒子i满足Q1(r)＜fi(r)≤Q2(r)时，则将粒子i标记为2，当粒子i满足fi(r)＞Q2(r)时，则将粒子i标记为3；定义F(r)表示粒子群在第r次迭代时的寻优分布检测系数，且F(r)的表达式为：



式中，n1(r)表示在第r次迭代时粒子群中被标记为1的粒子数，n2(r)表示在第r次迭代时粒子群中被标记为2的粒子数，n3(r)表示在第r次迭代时粒子群中被标记为3的粒子数，N表示粒子群中的粒子数；
给定粒子群在第r次迭代时的寻优分布检测参考值TF(r)，且TF(r)的表达式为：



式中，N(0)表示给定的寻优分布检测参考值的初始值，N(0)为正整数，且N(0)＜N，γ(r)表示粒子群在第r次迭代时对应的寻优分布检测参考值的调节系数，且r表示粒子群的当前迭代次数，Rmax表示粒子群的最大迭代次数；
当粒子群在第r次迭代时满足F(r)≤TF(r)时，则令θ(r)＝0；
当粒子群在第r次迭代时满足F(r)＞TF(r)时，则令θ(r)＝1，且当时，令当时，令其中，Xi,2(r)表示粒子群中距离粒子i最近的且被...

【专利技术属性】
技术研发人员：王洪平，
申请(专利权)人：广东德澳智慧医疗科技有限公司，
类型：发明
国别省市：广东;44