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和第二医学图像获取模块用于获取医学图像，所述医学图像处理模块用于对获取的医学图像进行处理，所述区块链存储模块用于存储处理后的带疾病诊断结果标签的医学图像，所述智能诊断模块用于提取医学图像的特征，并根据提取的医学图像的特征对患者进行疾病诊断。本发明的有益效果：实现了通过医学图像对患者进行远程疾病智能诊断，从而提高了疾病诊断结果的准确性的同时，节省了病人的时间和精力。
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；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；
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，d)表示医学图像I中坐标(c+1，d)处的像素，f(c+1，d)表示像素I(c+
1，d)的灰度值，I(c，d+1)表示医学图像I中坐标(c，d+1)处的像素，f(c，d+1)表示像素I(c，d+1)的灰度值；
α(x，y)和β(x，y)分别表示调节参数，且α(x，y)和β(x，y)的值分别为：
式中，η(max)和η(min)分别表示医学图像I中像素的最大和最小空间域检测系数。
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，所述图像分割单元采用Otsu阈值分割算法对去噪处理后的医学图像进行图像分割，并采用粒子群算法确定所述Otsu阈值分割算法的阈值，设置所述粒子群算法根据下式更新粒子的速度和位置：Vl(r+1)＝Ql(r)Vl(r)+c1r1(Pbestl(r)-Xl(r))+c2r2(Gbest(r)-Xl(r))Xl(r+1)＝Xl(r)+Vl(r+1)
其中，Vl(r+1)和Xl(r+1)分别表示粒子群中第l个粒子在第(r+1)次迭代时的速度和位置，Vl(r)和Xl(r)分别表示粒子群中第l个粒子在第r次迭代时的速度和位置，r1和r2分别表示产生0到1之间的随机数，Pbestl(r)表示粒子群中第l个粒子在第r次迭代时的个体最优解，Gbest(r)表示粒子群中粒子在第r次迭代时的全局最优解，c1和c2表示学习因子，且c1，c2＝2，Ql(r)表示粒子群中第l个粒子在第r次迭代时的惯性权重因子。
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，所述粒子群中第l个粒子在第r次迭代时的惯性权重因子Ql(r)的值采用下列方式确定：设Zl(r)表示对粒子群中第l个粒子在第r次迭代时设置的子群，所述子群Zl(r)由Nl(r)个辅助寻优粒子组成，将子群Zl(r)中的辅助寻优粒子的初始位置均设置为Xl(r)，并设置子群Zl(r)中的辅助寻优粒子按照下列方式进行一次速度和位置的更新：式中， 和 分别表示子群Zl(r)中第u个辅助寻优粒子在第(r+1)次迭
代时的速度和位置， 表示子群Zl(r)中的第u个辅助寻优粒子的惯性权重因子，且的值为：
式中，Qmax和Qmin分别表示给定的最大惯性权重因子和最小惯性权重因子，且Qmax＝0.9，Qmin＝0.4；
设Bl(r)表示粒子群中第l个粒子在第r次迭代时的参考粒子集合，在子群Zl(r)中选取辅助寻优粒子加入到集合Bl(r)中，设 表示位置 对应的适应度函数值，S(Xl(r))表示位置Xl(r)对应的适应度函数值，当 时，则将子群Zl(r)中的第
式中， 表示参考粒子集合Bl(r)中的第g个辅助寻优粒子在第(r+1)次迭代时的位置， 表示位置 对应的适应度函数值， 表示参考粒子集合Bl(r)中的第g个辅助寻优粒子对应的惯性权重因子；
给定周期T，T为可以被Rmax整除的正整数，且T＜Rmax，设置粒子群中的粒子每隔周期T按照上述方式重新计算其对应的惯性权重因子，即设t表示粒子群算法的第t次迭代，当r≤t＜r+T时，则粒子群中第l个粒子在第t次迭代时的惯性权重因子Ql(t)＝Ql(r)，当t＝r+T时，则按照上述方式重新计算粒子群中第l个粒子在第t次迭代时的惯性权重因子，其中，r＝0，T，2T，...，C*T，
基于区块链和医学影像的远程疾病智能诊断系统
技术领域
[0001] 本发明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。
背景技术
[0002] 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。
发明内容
[0003] 针对上述问题，本发明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。
[0004] 本发明创造的目的通过以下技术方案实现：
[0005] 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。
[0006] 本发明创造的有益效果：通过对患者的医学图像进行处理、特征提取和智能诊断模型的构建，实现了通过医学图像对患者进行远程疾病智能诊断，从而提高了疾病诊断结果的准确性的同时，节省了病人的时间和精力。
附图说明
[0007] 利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0008] 图1是本发明结构示意图。
具体实施方式
[0009] 结合以下实施例对本发明作进一步描述。
[0010] 参见图1，本实施例的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，将所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。
[0011] 本优选实施例通过对患者的医学图像进行处理、特征提取和智能诊断模型的构建，实现了通过医学图像对患者进行远程疾病智能诊断，从而提高了疾病诊断结果的准确性的同时，节省了病人的时间和精力。
[0012] 优选地，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。
[0013] 优选地，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：
[0014]
[0015] 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：
[0016]
[0017] 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：
[0018]
[0019] 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；
[0020]
[0021] 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,d)表示医学图像I中坐标(c+1,d)处的像素，f(c+1,d)表示像素I(c+1,d)的灰度值，I(c,d+1)表示医学图像I中坐标(c,d+1)处的像素，f(c,d+1)表示像素I(c,d+1)的灰度值；
[0022] α(x,y)和β(x,y)分别表示调节参数，且α(x,y)和β(x,y)的值分别为：
[0023]
[0024] β(x,y)＝1-α(x,y)
[0025] 式中，η(max)和η(min)分别表示医学图像I中像素的最大和最小空间域检测系数。
[0026] 本优选实施例采用双边滤波算法对医学图像进行去噪处理，传统的双边滤波算法在重噪声区域受保持边缘的影响，抑制噪声能力下降，甚至使得边缘结构受到一定程度的破坏，针对上述情况，本优选实施例对双边滤波算法的滤波权重进行改进，所述滤波权重通过衡量待去噪像素和其邻域像素之间的灰度值差值来衡量这两个像素在灰度域中的相似性，通过计算待去噪像素和其邻域像素的空间域检测系数之间的差值来衡量这两个像素在空间域中结构的相似性，所述空间域检测系数通过计算像素的局部邻域中相邻像素的变化情况来衡量所述像素所处的空间域的结构特性，当像素的空间域检测系数较大时，表明该像素处于边缘结构，当像素的空间域检测系数较小时，表明该像素可能处于高噪声区域或者纹理细节区域，因此，通过计算两个像素的空间域检测系数之间的差值能够有效的衡量找两个像素在空间域中结构的相似性，引入调节参数对滤波权重中各项的影响程度进行调节，所述调节参数随着待去噪像素的空间域检测系数的值的变化而变化，使得当待去噪像素处于边缘结构时，增加像素在灰度域中的相似性在滤波权重中的比重，从而保证了参与滤波的邻域像素和待去噪像素处于同一侧边缘，当待去噪像素处于高噪声区域或者纹理细节区域时，增加像素在空间域中的相似性的比重，从而减小了邻域噪声像素对待去噪像素的影响，并且保证了参与滤波的邻域像素和待去噪像素在空间域中结构的相似性，因此，通过本优选实施例提出的空间域检测系数和调节参数来对滤波权重进行调节，能够使得本优选实施例采用的双边滤波算法在滤除噪声平滑细节的同时，能够保持明显的边缘等结构信息。
[0027] 优选地，所述图像分割单元采用Otsu阈值分割算法对去噪处理后的医学图像进行图像分割，并采用粒子群算法确定所述Otsu阈值分割算法的阈值，所述粒子群算法采用最大类间方差作为适应度函数，适应度函数值越大代表粒子的寻优结果越好，设置所述粒子群算法根据下式更新粒子的速度和位置：
[0028] Vl(r+1)＝Ql(r)Vl(r)+c1r1(Pbestl(r)-Xl(r))+c2r2(Gbest(r)-Xl(r))[0029] Xl(r+1)＝Xl(r)+Vl(r+1)
[0030] 其中，Vl(r+1)和Xl(r+1)分别表示粒子群中第l个粒子在第(r+1)次迭代时的速度和位置，Vl(r)和Xl(r)分别表示粒子群中第l个粒子在第r次迭代时的速度和位置，r1和r2分别表示产生0到1之间的随机数，Pbestl(r)表示粒子群中第l个粒子在第r次迭代时的个体最优解，Gbest(r)表示粒子群中粒子在第r次迭代时的全局最优解，c1和c2表示学习因子，且c1,c2＝2，Ql(r)表示粒子群中第l个粒子在第r次迭代时的惯性权重因子，且Ql(r)的值采用下列方式确定：
[0031] 设Zl(r)表示对粒子群中第l个粒子在第r次迭代时设置的子群，所述子群Zl(r)由Nl(r)个辅助寻优粒子组成，将子群Zl(r)中的辅助寻优粒子的初始位置均设置为Xl(r)，并设置子群Zl(r)中的辅助寻优粒子按照下列方式进行一次速度和位置的更新：
[0032]
[0033]
[0034] 式中， 和 分别表示子群Zl(r)中第u个辅助寻优粒子在第(r+1)次迭代时的速度和位置， 表示子群Zl(r)中的第u个辅助寻优粒子的惯性权重因子，且的值为：
[0035]
[0036] 式中，Qmax和Qmin分别表示给定的最大惯性权重因子和最小惯性权重因子，且Qmax＝0.9，Qmin＝0.4；
[0037] 设Bl(r)表示粒子群中第l个粒子在第r次迭代时的参考粒子集合，在子群Zl(r)中选取辅助寻优粒子加入到集合Bl(r)中，设 表示位置 对应的适应度函数值，S(Xl(r))表示位置Xl(r)对应的适应度函数值，当 时，则将
子群Zl(r)中的第u个辅助寻优粒子加入到集合Bl(r)中；
[0038] 则Ql(r)的表达式为：
[0039]
[0040] 式中， 表示参考粒子集合Bl(r)中的第g个辅助寻优粒子在第(r+1)次迭代时的位置， 表示位置 对应的适应度函数值， 表示参考粒子集合Bl(r)中的第g个辅助寻优粒子对应的惯性权重因子；
[0041] 给定周期T，T为可以被Rmax整除的正整数，且T
[0042] 本优选实施例采用粒子群算法确定Otsu阈值分割算法中的最佳阈值，从而提高了图像分割的准确度，在所述粒子群算法中提出一种新的确定各粒子的惯性权重因子的方式，在确定粒子在当前迭代时的惯性权重因子时，对该粒子设置子群，并将子群中的辅助寻优粒子的初始位置设置为所述粒子在当前迭代时的位置，对子群中的辅助寻优粒子设置不同的惯性权重因子进行寻优，子群中辅助寻优粒子的寻优结果越好，表明其采用的惯性权重因子具有较好的寻优结果，因此，根据子群中寻优结果较好的辅助寻优粒子采用的惯性权重因子确定所述粒子的惯性权重因子，并且所述辅助寻优粒子的寻优结果越好，其采用的惯性权重因子在确定所述粒子的惯性权重因子中的权值越大，从而使得确定的所述粒子的惯性权重因子值能够使得所述粒子具有较好的寻优结果；当确定了粒子在当前迭代时的惯性权重因子值时，设置粒子采用该惯性权重因子一段时间后再重新计算所述粒子的惯性权重因子，从而使得确定的粒子的惯性权重因子使得所述粒子具有较好的寻优结果的同时，能够有效的避免影响粒子群算法的收敛速度。
[0043] 最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
