一种计算机辅助医疗数据处理系统及方法与流程

本发明属于医疗辅助技术领域，尤其涉及一种计算机辅助医疗数据处理系统及方法。

背景技术：

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。现在常说的cad技术主要是指基于医学影像学的计算机辅助技术。与所述计算机辅助检测(cad)相区别，后者重点是检测，计算机只需要对异常征象进行标注，在此基础上进行常见的影像处理，并无需进行进一步诊断。即，计算机辅助诊断是计算机辅助检测的延伸和最终目的，相应地，计算机辅助检测是计算机辅助诊断的基础和必经阶段。cad技术又被称为医生的“第三只眼”，cad系统的广泛应用有助于提高医生诊断的敏感性和特异性。

综上所述，现有技术存在的问题是：

(1)现有的计算机辅助医疗数据处理系统，查询具体病人信息效率较低且病人信息不能实时更新。

(2)现有技术中采用传统的算法对病人的相关信息进行分类储存的过程中，不能有效提高svm算法对少数类的分类性能，降低了运行效率。

(3)现有技术中采用传统的算法对整个系统中的病人的数据信息及时更新的过程中，不能有效提高挖掘效率和可扩展性，使之不适用于动态增长的大数据环境。

(4)临床医生通过输入病人的名字或证件对病人信息进行验证的过程中，现有的信息验证算法，不能解决匹配计算速度与精度不能兼得的矛盾，不能够很好地实现特征点的正确匹配。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种计算机辅助医疗数据处理系统及方法。

本发明是这样实现的，一种计算机辅助医疗数据处理方法，所述计算机辅助医疗数据处理方法包括以下步骤：

第一步，对病人的数据信息进行录入系统，计算机通过无线信号收发器将病人的信息传递到云服务器中进行储存共享；

第二步，对病人的数据信息进行分类储存在储存器中，及时的对病人的信息进行更新；

第三步，当临床医生对病人的数据信息进行查询的时候，通过输入病人的名字或证件对病人信息进行验证，查询到病人的信息，进行相关的诊断治疗；

第四步，病人的相关数据信息通过显示器显示，供临床医生查看。

进一步，对病人的相关信息进行分类储存，采用改进的不均衡数据据svm算法，包括以下步骤：

步骤一，设置预取样的多数类样本点个数majorn＝m*minorn，m为两者数量上的比例；

步骤二，首先利用多数类样本集合建立一个基于高斯核的相似矩阵s∈r^n×n，n是原有多数类样本的个数；

步骤三，利用上述的谱聚类算法对多数类样本进行聚类分析，生成聚类a1，…，ak，k＝majorn；

步骤四，选择每一个聚类中具有代表性的样本点，其中在每一个聚类中的样本选择数取决于该聚类的大小以及该聚类中的样本与少数类样本点的平均距离的大小，聚类越大，选择的样本数越多；离少数类样本越近则选择的越少；

kdistil＝k(xi，xi)+k(xl，xl)-2k(xi，xl)；

其中ksizei为聚类ai的大小，idisti为聚类ai到少数类的平均距离，是每一个聚类中选择的样本个数；

步骤五，对于每一个聚类，选择前个离少数类样本点平均距离最小的样本组合后形成新的多数类训练样本子集；

步骤六，将取样得到的多数类训练样本子集和全部的少数类样本组合作为新的训练样本，输入到svm算法中进行训练学习,其中核参数与相似矩阵s的核参数相同，即谱聚类和svm分类算法都在一个空间中进行；

步骤七，根据训练得到的分类界面进行新样本的类别辨识。

进一步，对病人的数据信息及时更新，采用改进的数据更新算法，具体过程如下：

设定原始事务数据库为db，事务集t＝{t1，t2，…，tn}，候选项集为cd，频繁项集为ld，原始事务数据库大小为|db|；新增数据库为db，频繁项集为ld，新增数据库大小为|db|；更新后的数据库为s，s＝db∪db，频繁项集为ls，支持度为sup；

输入：原始事务数据集db；新增事务数据集db；

输出：更新后的数据集s；的频繁项集ls；

步骤一，扫描原始数据集，得到db的候选1项集根据支持度得出频繁1项集排序后建立，flist，按照分组策略进行分组，构造db的频繁模式树，对频繁模式树进行频繁项集的挖掘，得到db的频繁项集ld；

步骤二，扫描新增数据集，得到db的候选1项集读取步骤1中的合并得到更新后数据集s的候选1项集根据支持度得出s的频繁1项集排序后建立flist’，按照分组策略进行分组，构造db的频繁模式树；

步骤三，对频繁模式树进行频繁项集的挖掘，同时读取步骤1中db的频繁项集ld，对生成的每个频繁模式k和ld做比较：若k属于ld，则k是原数据集的频繁项，将k的支持度与在ld对应的支持度计数相加可得k在s中的支持度计数，如果总计数大于s的最小支持度计数，则加入s的部分频繁项集l′，并从ld中删除该项；若k不属于ld，则k是新增数据集的频繁项，不能确定在s中是否频繁，将其加入s的候选集cs；判别ld中剩余的项，如果其支持度计数大于s的最小支持度计数，则加入l′；

步骤四，扫描原始数据集，读取步骤三中s的候选集cs，判断是否为s的频繁项集，将频繁项集与部分频繁项集l′合并，便得到更新后数据集s的频繁项集ls。

本发明的另一目的在于提供一种执行所述计算机辅助医疗数据处理方法的计算机辅助医疗数据处理系统，所述计算机辅助医疗数据处理系统包括：

信息输入模块，与中央处理模块连接，对病人的相关数据信息进行录入信息；

临床医生查询模块，与中央处理模块连接，根据病人的身份信息，临床医生进行病人信息的读取，进行后续的治疗；

显示模块，与中央处理模块连接，通过利用显示器显示病人的相关数据信息；

输出传输模块，与中央处理模块连接，通过利用无线信号发射器将病人的数据信息传递到云服务器中，进行查阅参考；

云服务器，与中央处理模块连接，为临床医生提供相关的案例，并且对病人的信息进行储存，供临床医生参考查阅；

储存模块，与中央处理模块连接，对病人的相关信息进行分类储存；

信息更新模块，与中央处理模块连接，对系统中的病人的数据信息及时更新；

病人信息验证模块，与中央处理模块连接，临床医生通过输入病人的名字或证件对病人信息进行验证。

本发明的另一目的在于提供一种应用所述算机辅助医疗数据处理方法的医疗辅助平台。

本发明的优点及积极效果为：本发明中储存模块对病人的相关信息进行分类储存的过程中，为了能有效提高svm算法对少数类的分类性能，提高运行效率，采用一种改进的不均衡数据据svm算法。

本发明中信息更新模块对整个系统中的病人的数据信息及时更新的过程中，为了提高挖掘效率和可扩展性，使之适用于动态增长的大数据环境，采用一种改进的数据更新算法。

本发明中病人信息验证模块中临床医生通过输入病人的名字或证件对病人信息进行验证的过程中，为了解决匹配计算速度与精度不能兼得的矛盾，为了能够很好地实现特征点的正确匹配，使之具有高的使用价值，采用一种改进的数据特征匹配算法。

附图说明

图1是本发明实施例提供的计算机辅助医疗数据处理方法流程图。

图2是本发明实施例提供的计算机辅助医疗数据处理系统的结构示意图；

图中：1、信息输入模块；2、临床医生查询模块；3、显示模块；4、中央处理模块；5、输出传输模块；6、云服务器；7、储存模块；8、信息更新模块；9、病人信息验证模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的计算机辅助医疗数据处理方法包括以下步骤：

s101：首先，对病人的数据信息进行录入系统，计算机通过无线信号收发器将病人的信息传递到云服务器中进行储存共享；

s102：对病人的数据信息进行分类储存在储存器中，及时的对病人的信息进行更新；

s103：当临床医生对病人的数据信息进行查询的时候，通过输入病人的名字或证件对病人信息进行验证，查询到病人的信息，进行相关的诊断治疗；

s104：病人的相关数据信息通过显示器显示，供临床医生查看。

如图2所示，本发明实施例提供的计算机辅助医疗数据处理系统包括：信息输入模块1、临床医生查询模块2、显示模块3、中央处理模块4、输出传输模块5、云服务器6、储存模块7、信息更新模块8、病人信息验证模块9。

信息输入模块1，与中央处理模块4连接，对病人的相关数据信息进行录入信息；

临床医生查询模块2，与中央处理模块4连接，根据病人的身份信息，临床医生进行病人信息的读取，进行后续的治疗；

显示模块3，与中央处理模块4连接，通过利用显示器显示病人的相关数据信息；

输出传输模块5，与中央处理模块4连接，通过利用无线信号发射器将病人的数据信息传递到云服务器中，进行查阅参考；

云服务器6，与中央处理模块4连接，为临床医生提供相关的案例，并且对病人的信息进行储存，供临床医生参考查阅；

储存模块7，与中央处理模块4连接，对病人的相关信息进行分类储存；

信息更新模块8，与中央处理模块4连接，对整个系统中的病人的数据信息及时更新；

病人信息验证模块9，与中央处理模块4连接，临床医生通过输入病人的名字或证件对病人信息进行验证。

所述储存模块7对病人的相关信息进行分类储存的过程中，为了能有效提高svm算法对少数类的分类性能，提高运行效率，采用一种改进的不均衡数据据svm算法，包括以下步骤：

步骤一，设置预取样的多数类样本点个数majorn＝m*minorn，m为两者数量上的比例；

步骤二，首先利用多数类样本集合建立一个基于高斯核的相似矩阵s∈r^n×n，n是原有多数类样本的个数；

步骤三，利用上述的谱聚类算法对多数类样本进行聚类分析，生成聚类a1，…，ak，k＝majorn；

步骤四，选择每一个聚类中具有代表性的样本点，其中在每一个聚类中的样本选择数取决于该聚类的大小以及该聚类中的样本与少数类样本点的平均距离的大小，聚类越大，选择的样本数越多；离少数类样本越近则选择的越少；

如此选择是为了有目的地删除多数类中的边界样本信息点，具体如下：

kdistil＝k(xi，xi)+k(xl，xl)-2k(xi，xl)；

其中ksizei为聚类ai的大小，idisti为聚类ai到少数类的平均距离，是每一个聚类中选择的样本个数；

步骤五，对于每一个聚类，选择前个离少数类样本点平均距离最小的样本组合后形成新的多数类训练样本子集；

步骤六，将取样得到的多数类训练样本子集和全部的少数类样本组合作为新的训练样本，输入到svm算法中进行训练学习,其中核参数与相似矩阵s的核参数相同，即谱聚类和svm分类算法都在一个空间中进行；

步骤七，根据训练得到的分类界面进行新样本的类别辨识。

所述信息更新模块8对整个系统中的病人的数据信息及时更新的过程中，为了提高挖掘效率和可扩展性，使之适用于动态增长的大数据环境，采用一种改进的数据更新算法，具体过程如下：

设定原始事务数据库为db，事务集t＝{t1，t2，…，tn}，候选项集为cd，频繁项集为ld，原始事务数据库大小为|db|；新增数据库为db，频繁项集为ld，新增数据库大小为|db|；更新后的数据库为s，s＝db∪db，频繁项集为ls，支持度为sup；

输入：原始事务数据集db；新增事务数据集db；

输出：更新后的数据集s；的频繁项集ls；

步骤一，扫描原始数据集，得到db的候选1项集根据支持度得出频繁1项集排序后建立，flist，按照分组策略进行分组，构造db的频繁模式树，对频繁模式树进行频繁项集的挖掘，得到db的频繁项集ld；

步骤二，扫描新增数据集，得到db的候选1项集读取步骤1中的合并得到更新后数据集s的候选1项集根据支持度得出s的频繁1项集排序后建立flist’，按照分组策略进行分组，构造db的频繁模式树；

步骤三，对频繁模式树进行频繁项集的挖掘，同时读取步骤1中db的频繁项集ld，对生成的每个频繁模式k和ld做比较：若k属于ld，则k是原数据集的频繁项，将k的支持度与在ld对应的支持度计数相加可得k在s中的支持度计数，如果总计数大于s的最小支持度计数，则加入s的部分频繁项集l′，并从ld中删除该项；若k不属于ld，则k是新增数据集的频繁项，不能确定在s中是否频繁，将其加入s的候选集cs；判别ld中剩余的项，如果其支持度计数大于s的最小支持度计数，则加入l′；

步骤四，扫描原始数据集，读取步骤三中s的候选集cs，判断是否为s的频繁项集，将频繁项集与部分频繁项集l′合并，便得到更新后数据集s的频繁项集ls。

所述病人信息验证模块9中临床医生通过输入病人的名字或证件对病人信息进行验证的过程中，为了解决匹配计算速度与精度不能兼得的矛盾，为了能够很好地实现特征点的正确匹配，使之具有高的使用价值，采用一种改进的数据特征匹配算法，具体包括以下步骤：

步骤一，在初始帧中手工选定包含目标的矩形区域作为目标匹配模板，通过m-surf算法计算模板的特征描述子；

步骤二，在新帧中进行分块匹配，计算每块模板的m-surf特征关键点；

步骤三，在欧氏空间利用最近邻和次近邻比值的方法，得到匹配点对；

步骤四，采用lmeds方法剔除伪匹配点；

步骤五，采用sfm算法对平面特征点对进行立体匹配。

本发明的工作原理是：

临床医生查询模块2根据病人的身份信息，临床医生进行病人信息的读取，进行后续的治疗；输出传输模块5通过利用无线信号发射器将病人的数据信息传递到云服务器中，进行查阅参考；云服务器6为临床医生提供相关的案例，并且对病人的信息进行储存，供临床医生参考查阅；储存模块7对病人的相关信息进行分类储存；信息更新模块8对整个系统中的病人的数据信息及时更新；病人信息验证模块9中临床医生通过输入病人的名字或证件对病人信息进行验证；显示模块3通过利用显示器显示病人的相关数据信息。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。