【技术实现步骤摘要】
基于核心算法和虚拟现实技术的医疗过程辅助管理系统
[0001]本专利技术创造涉及虚拟现实、图像处理及人工智能领域,具体涉及基于核心算法和虚拟现实技术的医疗过程辅助管理系统。
技术介绍
[0002]随着科学技术的飞速发展,虚拟现实和人工智能已成为如今新兴技术的重要分支,虚拟现实和人工智能作为现阶段研究热点,需配备科学、合理机器学习算法满足社会需求,并提高虚拟现实技术技术保障,结合人工智能技术,借助各类训练优化算法,增强患者图像信息的准确性,增强机器学习能力,此外,为使虚拟现实和人工智能领域有所突破,还应将传统机器算法予以优化升级,同时结合信息安全技术,全面提升虚拟现实技术的保障能力。
[0003]虚拟现实技术具有超越现实的虚拟性,是伴随多媒体技术发展起来的计算机新技术,它利用三维图形生成技术、多传感交互技术以及高分辨率显示技术,生成三维逼真的虚拟环境,它融合了数字图像处理、计算机图形学、多媒体技术、传感器技术等多个信息技术分支,从而大大推进了计算机技术的发展,虚拟现实技术的应用已大步走进医疗过程辅助行业。
[0004]机器学习是由模式识别、人工智能计算学习理论为基础所转变的一类计算机科学分支,被广泛应用至各相关领域中,机器学习是一项多领域综合学科,涉及算法复杂度理论、逼近论、统计学及概率论等多项理论,此学科将计算机如何模拟及实现人类学习行为作为主要研究内容,探究计算机获取新知识、技能方式,将已存在知识结构予以重新组织,实现自身性能不断优化,机器学习为人工智能核心,也为使计算机拥有智能的基本方式,现已逐渐 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,包括患者个体图像获取模块、虚拟现实环境模块、辅助诊断模块,患者个体图像获取模块包括患者局部组织图像获取单元和患者局部X光图像获取单元,患者局部组织图像获取单元用于拍摄人体局部组织来生成二维图像,患者局部X光图像获取单元用于获取患者的局部组织相对应的X光片图像,虚拟现实环境模块包括信息同步单元、数据转换单元、患者图像相似度对比单元和神经网络预测单元,信息同步单元采用M
‑
ASA算法对患者图像信息进行同步,数据转换单元通过虚拟现实设备将计算机产生的电子信号通过多种输出设备转换成能够被人类感觉器官所感知的图像形式,患者图像相似度对比单元采用S
‑
ADH算法对患者图像进行相似度对比并找出差异部分进行标记,神经网络预测单元采用QGA
‑
LVQ神经网络对虚拟现实医疗过程进行效果预测,辅助诊断模块用于快速实现智能化影像诊断。2.根据权利要求1所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,患者局部组织图像获取单元通过CCD摄像机采集患者的局部组织图像,并生成二维图像。3.根据权利要求1所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,患者局部X光图像获取单元通过X射线机对患者进行X光扫描,来获取患者局部组织的X光图像。4.根据权利要求1所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,信息同步单元采用M
‑
ASA算法对患者图像信息进行现实环境与虚拟现实环境之间的信息同步,使虚拟现实环境下的患者图像信息与现实环境中采集的图像信息保持一致。5.根据权利要求4所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,M
‑
ASA算法具体如下:假设二维空间中,传输节点A和传输节点B的坐标分别为则传输节点A和传输节点B之间的距离为传输节点A和传输节点B的速度在同步过程中没有变化时,则传输节点A和传输节点B之间的相对速度矢量为传输节点A在长度为T的周期内有一个固定的时隙来发送患者图像数据包,因此在传输节点B两次接收数据包的过程中,两个传输节点之间的相对位移为当传输节点B在三个连续周期内从传输节点A接收到分组时,传输节点A和传输节点B之间的距离向量分别为T
A1
,T
A2
,T
A3
为传输节点A发送分组时的时钟计数器,T
B1
,T
B2
,T
B3
为传输节点B发送分组时的时钟计数器,则传输节点A和传输节点B之间的关系为传输节点A具有在每个周期中发送分组的固定时隙,即因此,传输节点B记录自己的时钟计数器,用以计算三个连续周期内的传播时间差,即
考虑信息传输过程中的传播速度为c,有当传输节点B第二次从传输节点A接收患者图像数据包时,得到传输节点A和传输节点B之间的距离为求解为其中,第三和第四周期之间的传播时间差为
△
t3,则两个解中的一个要满足传输节点A和传输节点B分别使用的两个时隙之间的时间差为ΔT,在完成距离向量的计算之后,当传输节点B的时钟计数器为T
B4
时,传输节点B发送一个分组以请求来自传输节点A的往返时间校正,当传输节点A的时钟计数器为T
A4
时,传输节点A从传输节点B接收分组,当传输节点A的时钟计数器为T
A5
时,向传输节点B回复分组,传输节点B在T
B5
接收回复,并通过下式计算:其中,通过M
‑
ASA算法对患者图像信息进行现实环境与虚拟现实环境之间的信息同步,来减少信息同步误差,即6.根据权利要求1所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,数据转换单元通过虚拟现实设备将计算机产生的电子信号通过多种输出设备转换成能够被人类感觉器官所感知的图像形式。7.根据权利要求1所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,患者图像相似度对比单元采用S
‑
ADH算法对患者图像进行相似度对比并找出差异部分进行标记。8.根据权利要求7所述的基于核心算法和虚拟现实技术的医疗过程辅助管理系统,其特征在于,S
‑
ADH算法具体如下:假设给定一组训练数据X={x1,x2,
…
,x
n
},需要学习一组紧凑且能很好地保持数据之间语义相似性的二进制代码B={b1,b2,
…
,b
n
},同时,需要一个有效的哈希函数来将患者图像编码到Hamming空间,其中W为模型参数,为了训练深度哈希模型,首先为训练数据生成保持相似性的二进制代码,其图哈希问题为其中,L为图拉普拉斯算子,即L=diag(A1)
‑
A,亲和矩阵条目A
ij
表示输入特征空间中数据对(x
i
,x
j
)之间的相似性,A1为返回的A的列与全一列向量1的和,最后两项分别迫使学习的二进制码不相关和平衡,S
‑
ADH算法的总体训练过程包括三个部分,即深度哈希函数训练、相似度图更新和二进制代码优化,首先是深度哈希函数训练部分,其具体过程如下:使用欧几里得损失层来训练深度哈希模型来测量深度模型的输出与上次迭代期间学习的二进制代码之间的差异,即
其中,W={W
l
}为深度网络架构的参数,W
l
为每个层中的权重参数,使用大规模ImageNet数据集上的预训练模型作为深度哈希函数的初始化,并通过不同数据集的哈希问题对其进行微调,通过标准反向传播和随机梯度下降来优化所提出模型的参数{W
l
};然后是相似度图更新部分,其具体过程如下:通过使用此深度模型对图像进行编码,获得更强大的深度表示,成对相似度图更新为其中,为通过排除最后一个完全连接的层的模型特征,σ为带宽参数,然后,将更新的相似度图带入下一个二进制代码优化步骤,最后是二进制代码优化部分,其具体过程如下:用L(B)来表示图哈希问题,即minL(B),s.t.B∈S
b
,B∈S
p
,其中,S
b
技术研发人员:请求不公布姓名,
申请(专利权)人:云南升玥信息技术有限公司,
类型:发明
国别省市:
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。