一种基于影像的重症疾病对比评估方法及系统

本发明涉及医学，具体来说，涉及一种基于影像的重症疾病对比评估方法及系统。

背景技术：

1、随着互联网和移动通信技术的进步，使得移动互联网医疗目标的实现成为可能，现在的医院信息系统已经相当完善，该系统也已经能够提供就诊人员的完整诊疗情况，医院信息系统中含有大量的医疗影像数据，这些数据可以用于重症疾病的诊断和治疗。通过使用先进的数据分析技术，比如机器学习和深度学习，可以从这些数据中提取出有用的信息，以帮助医生更准确地诊断和治疗重症疾病。随着重症医学的快速发展，重症超声影像因为其动态、实时、准确、可重复等特点，被广泛应用于icu、急诊、麻醉等科室，作为重症病人监测和评估的重要工具，它不仅可以对各个器官进行动态监测，还可以根据监测结果提供准确的评估数据。重症的特色是病人瞬息的多方法多器官的损害，需要能准确比出器官大小、血流等的变化程度。

2、现有的基于影像的重症疾病对比评估过程中，往往都是直接通过查看影像去分析病情，不便于对原始影像进行去除噪声和调整亮度及色彩的处理，容易影响医生从影像中提取关键信息，从而降低了后续疾病评估的精度和可靠性，不便于医生做出更准确的诊断，降低了疾病诊断的准确性和效率，并且不便于分析患者的医学影像，不便于定期进行影像评估，使得不能更好地监测患者的健康状况，对慢性疾病的管理带来了束缚，进而降低治疗成功率。

3、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、针对现有技术的不足，本发明提出一种基于影像的重症疾病对比评估方法及系统，解决了上述背景技术中提出现有的基于影像的重症疾病对比评估过程中，往往都是直接通过查看影像去分析病情，不便于对原始影像进行去除噪声和调整亮度及色彩的处理，容易影响医生从影像中提取关键信息，从而降低了后续疾病评估的精度和可靠性，不便于医生做出更准确的诊断，降低了疾病诊断的准确性和效率，并且不便于分析患者的医学影像，不便于定期进行影像评估，使得不能更好地监测患者的健康状况，对慢性疾病的管理带来了束缚，进而降低治疗成功率的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、根据本发明的一个方面，提供了一种基于影像的重症疾病对比评估方法，该基于影像的重症疾病对比评估方法包括以下步骤：

4、s1、获取患者相关医学影像，并对医学影像进行预处理，得到医学特征图像；

5、s2、通过分类算法将得到的医学特征图像与数据库中对应的医学特征图像进行分类，识别患者的疾病特征；

6、s3、通过比对算法将识别患者的疾病特征与已知的各种疾病特征进行对比，评估患者当前的疾病状态和严重程度；

7、s4、通过分析算法对评估结果进行分析，生成详细的疾病评估报告；

8、s5、根据生成疾病评估报告提供治疗建议或方案。

9、进一步的，所述获取患者相关医学影像，并对医学影像进行预处理，得到医学特征图像包括以下步骤：

10、s11、通过高斯滤波器对获取的患者相关医学影像进行噪声去除；

11、s12、对去除噪声后的患者相关医学影像进行亮度和色彩偏差的校正；

12、s13、通过图像处理技术处理校正后的患者相关医学影像，得到对比度和清晰度增强后的患者相关医学影像；

13、s14、从得到的对比度和清晰度增强后的患者相关医学影像中提取图像序列，并对图像序列中的每帧图像进行灰度化处理，得到灰度图像；

14、s15、采用sobel算子计算灰度图像中每个像素点的边缘梯度；

15、s16、采用局部梯度均值法对边缘梯度进行局部筛选及增强，并设置阈值对边缘梯度进行过滤，得到梯度图像；

16、s17、通过欧式距离计算区域面积的有序特征向量来表示患者相关医学图像；

17、s18、对梯度图像进行细化及二值化处理，并将梯度值大于阈值的像素点作为边缘点；

18、s19、将相邻的边缘点连接成连通域，得到最终的边缘图像作为医学特征图像。

19、进一步的，所述通过分类算法将得到的医学特征图像与数据库中对应的医学特征图像进行分类，识别患者的疾病特征包括以下步骤：

20、s21、设定相关参数，并根据相关参数生成初步的医学特征图像及对应的特征趋势矩阵；

21、s22、计算初步的医学特征图像的适应度函数值；

22、s23、计算所有医学特征图像的群体适应度方差，当满足预设条件时，发生变异转至步骤s25，否则转至步骤s24；

23、s24、根据计算惯性权重的公式更新惯性权重点，并根据特征图像的变化趋势更新公式及位置的更新公式分别更新特征图像的变化趋势及位置；

24、s25、检查是否满足结束条件，若满足，则结束优化过程，否则转至步骤s22继续寻优；

25、s26、将寻到的最优参数向量赋值给支持向量机模型；

26、s27、将处理过的医学特征图像输入支持向量机模型中，并对支持向量机模型进行训练，得到训练好的支持向量机分类模型；

27、s28、通过训练好的支持向量机分类模型对新的医学特征图像进行判定，得到最终的疾病分类结果，并停止计算；

28、s29、通过最终的疾病分类结果，识别患者的疾病特征。

29、进一步的，所述利用训练好的支持向量机分类模型对新的医学特征图像进行判定，得到最终的疾病分类结果，并停止计算包括以下步骤：

30、s281、使用训练好的支持向量机模型对新的医学特征图像进行判定，得到每个医学特征图像属于各疾病类别的概率；

31、s282、预设信度阈值，将低于信度阈值的每个医学特征图像属于各疾病类别的概率进行过滤，并通过分类阈值从支持向量机模型的概率判断中确定类别标签；

32、s283、将确定的类别标签作为最终的疾病分类结果，并停止计算。

33、进一步的，所述通过比对算法将识别患者的疾病特征与已知的各种疾病特征进行对比，评估患者当前的疾病状态和严重程度包括以下步骤：

34、s31、从患者的疾病特征中获取并识别出影响疾病状态评估效率的异常检测特征数据；

35、s32、确定疾病状态评估效率的评估标准，设定预设阈值作为接受的最佳评估效率，并设定改进措施；

36、s33、若发现异常检测特征数据导致疾病状态评估效率超过预设阈值，则通过设定的改进措施对数据进行改进；

37、s34、确定目标函数和约束条件，并建立优化模型；

38、s35、将比对算法应用于优化模型中，寻找满足约束条件的最佳解，并作为判断异常检测特征数据是否导致疾病状态评估效率超过预设阈值的依据；

39、s36、将优化模型的结果应用于实际的疾病状态评估过程，并生成疾病状态评估指标用于评估患者当前的疾病状态和严重程度。

40、进一步的，所述将比对算法应用于优化模型中，寻找满足约束条件的最佳解，并作为判断异常检测特征数据是否导致疾病状态评估效率超过预设阈值的依据包括以下步骤：

41、s351、对患者疾病特征中的异常检测特征数据进行白化，得到满足预设条件的白化异常检测特征数据；

42、s352、初始化比对算法的参数，并设定初步的异常检测特征数据的改进措施；

43、s353、通过确定的目标函数，计算每种异常检测特征数据的改进措施对疾病状态评估效率的影响，并根据结果进行状态更新；

44、s354、对异常检测特征数据的改进措施进行优化、评估及调整，并更新状态；

45、s355、若达到预设的迭代次数或疾病状态评估效率达到预设阈值，则进入步骤s356；否则，返回到步骤s353，继续优化异常检测特征数据的改进措施；

46、s356、完成迭代优化后，选择最佳的异常检测特征数据的改进措施作为最终的异常检测特征数据的改进措施；

47、s357、将最终的异常检测特征数据的改进措施应用于疾病状态评估中，重新评估患者的疾病状态，并对比改进前后的评估结果，分析最佳的异常检测特征数据的改进措施的有效性。

48、进一步的，所述通过分析算法对评估结果进行分析，生成详细的疾病评估报告包括以下步骤：

49、s41、获取患者的各项健康指标，并使用标准化方法对患者的各项健康指标进行标准化处理，计算得到每个健康指标规范化后的值；

50、s42、将标准化处理后的各项健康指标根据每个健康指标的重要性赋予相应的权重；

51、s43、通过加权后的每个健康指标，找出各健康指标的理想最优值和最劣值，分别构成理想健康状况和非理想健康状况；

52、s44、对于每个健康指标，计算其与理想健康状况及非理想健康状况的灰色关联系数；

53、s45、通过灰色关联系数，分别计算出每个健康指标与理想健康状况及非理想健康状况的灰色关联度；

54、s46、通过灰色关联度，构建理想健康状况的相对贴近度，用以评估各健康指标的优劣；

55、s47、根据相对贴近度对所有健康指标进行排序，排序结果用于指导选择最佳的治疗方案，并生成详细的疾病评估报告。

56、进一步的，所述分别计算出每个健康指标与理想健康状况及非理想健康状况的灰色关联度的公式包括：

57、

58、

59、其中，表示为第i个健康指标与理想健康状况的灰色关联度；

60、表示为第i个健康指标与非理想健康状况的灰色关联度；

61、h表示灰色关联度；

62、m表示健康指标的总和；

63、j表示第i个健康指标的j个属性。

64、进一步的，所述构建理想健康状况的相对贴近度的公式为：

65、

66、其中，表示为第i个健康指标与理想健康状况的相对贴近度；

67、m表示为相对贴近度指标；

68、表示为第i个健康指标与理想健康状况的灰色关联度；

69、表示为第i个健康指标与非理想健康状况的灰色关联度。

70、根据本发明的另一方面，还提供了一种基于影像的重症疾病对比评估系统，该基于影像的重症疾病对比评估系统包括：

71、影像获取与处理模块，用于获取患者相关医学影像，并对医学影像进行预处理，得到医学特征图像；

72、图像分类与识别模块，用于通过分类算法将得到的医学特征图像与数据库中对应的医学特征图像进行分类，识别患者的疾病特征；

73、特征比对与评估模块，用于通过比对算法将识别患者的疾病特征与已知的各种疾病特征进行对比，评估患者当前的疾病状态和严重程度；

74、结果分析与报告生成模块，用于通过分析算法对评估结果进行分析，生成详细的疾病评估报告；

75、疾病评估和治疗建议模块，用于根据生成疾病评估报告提供治疗建议或方；

76、其中，影像获取与处理模块通过图像分类与识别模块和特征比对与评估模块连接，特征比对与评估模块通过结果分析与报告生成模块和疾病评估和治疗建议模块连接。

77、本发明的有益效果为：

78、1、本发明通过去除噪声和调整亮度及色彩，可以显著提升医学影像的质量，使得图像更加清晰可以更以更准确地提取出影像中的关键特征，为疾病的诊断提供重要依据，提高疾病诊断的准确性，通过分类和比对算法，能够及时的对影像比对和分析有助于早期发现疾病，为早期治疗和干预提供帮助，从而能够提高诊断的准确性和效率，还能为患者提供更加精准和个性化的治疗方案，同时为医疗决策提供有力的数据支持。

79、2、本发明通过对影像进行预处理，使得可以对影像进行除噪声和调整亮度及色彩，可以显著提升医学影像的质量，使得图像更加清晰，便于后续处理，并且通过对图像进行灰度化处理和边缘检测，从而更准确地提取出影像中的关键特征，为疾病的诊断提供重要依据，进而可以提高了医学影像的质量和可用性，同时为基于影像的重症疾病对比评估提供了更准确、详细的数据支持，有助于实现更精准的医疗诊断和治疗。

80、3、本发明通过分类算法将得到的医学特征图像与数据库中对应的医学特征图像进行分类，使得通过生成特征趋势矩阵和计算适应度函数值，可以确保医学特征图像的分类更为精确，减少误判的可能性，通过群体适应度方差的计算和变异处理，可以实现动态优化，确保分类过程适应不同的数据特征和条件，并且通过使用支持向量机模型进行概率判断和类别标签确定，从而能够更精确地确定患者的疾病类别。

81、4、本发明通过比对算法将识别患者的疾病特征与已知的各种疾病特征进行对比，使得通过识别并处理影响评估效率的异常检测特征数据，可以提高疾病状态评估的效率，并且设定评估标准和预设阈值，为疾病状态的评估提供了明确的量化标准，便于评估结果的一致性和可比性，通过建立目标函数和约束条件的优化模型，为比对算法提供了结构化的框架，有助于找到最佳的解决方案，同时通过对异常检测特征数据的白化处理和优化，可以更准确地评估患者的疾病状态和严重程度，从而提高了疾病状态评估的效率和准确性，还增强了对比评估方法的可靠性和科学性，有助于医生更好地理解患者的疾病状况。

82、5、本发明通过分析算法对评估结果进行分析，使得通过对健康指标进行标准化处理，可以确保各项指标在评估中具有可比性，提高评估结果的准确性和一致性，通过赋予各健康指标相应的权重，可以有助于准确反映每个指标在疾病评估中的重要性，为更精确的疾病状态评估提供依据，并且通过构建理想和非理想健康状况，可以更明确地界定患者健康状况的评估标准，同时通过构建相对贴近度，可以量化评估各健康指标与理想健康状态的接近程度，从而为疾病状态的全面评估提供了帮助。