医疗影像大数据智能分析方法、系统及存储介质[发明专利]

(12)发明专利申请

(10)申请公布号 CN 112349369 A(43)申请公布日 2021.02.09

(21)申请号 202011354211.7(22)申请日 2020.11.27

(71)申请人 广州瀚信通信科技股份有限公司

地址 510310 广东省广州市天河区元岗横

路37号4203-1、4204、4205、4208、4209、4304--4309(72)发明人 练镜锋　宋德寿　

(74)专利代理机构 广州专才专利代理事务所

(普通合伙) 44679

代理人 曾嘉仪(51)Int.Cl.

G16H 10/60(2018.01)G16H 30/20(2018.01)G16H 50/20(2018.01)G16H 50/70(2018.01)

权利要求书2页 说明书9页 附图4页

G06N 3/04(2006.01)G06N 3/08(2006.01)

CN 112349369 A(54)发明名称

医疗影像大数据智能分析方法、系统及存储介质(57)摘要

本发明涉及医疗影像大数据智能分析方法、系统及存储介质，包括以下步骤：构建医疗影像大数据智能分析平台：S100:获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；S200:对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；S300:对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；辅助诊断过程：S400:获取用户的病症影像数据；S500:根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。本发明应用于医疗领域。

CN 112349369 A

权　利　要　求　书

1/2页

1.医疗影像大数据智能分析方法，其特征在于，包括以下步骤：构建医疗影像大数据智能分析平台：S100:获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；

S200:对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；

S300:对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；

辅助诊断过程：

S400:获取用户的病症影像数据；

S500:根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。

2.根据权利要求1所述的医疗影像大数据智能分析方法，其特征在于：上述步骤S200中形成符合医疗卫生信息化标准的卫生综合数据具体包括以下，

医学影像处理，用户的所述症状数据包括用户的医学影像数据，对用户的所述医学影像数据进行图像增强与滤波、图像配准、图像分割、图像变换、三维重建以及影像特征提取操作得到用户的症状数据转化后的符合医疗卫生信息化标准的卫生综合数据；

医学数据挖掘，对用户的所述数据信息进行文本数据挖掘、关联分析、异常分析、趋势分析、行为分析以及精准医学操作得到用户的所述数据信息转化后的符合医疗卫生信息化标准的卫生综合数据。

3.根据权利要求2所述的医疗影像大数据智能分析方法，其特征在于：上述步骤S300中的深度卷积神经网络的处理过程具体包括以下，

通过LDA文档主题生成模型分析所述症状数据的文本数据创建疾病主题词库，结合神经语言程序学并借助天河二号进行用户的所述医学影像数据进行分类形成文档级Topic库、文档亚级Topic库以及句子级Topic库，并建立相应的Topic库与所述医学影像数据之间的映射关系。

4.根据权利要求2所述的医疗影像大数据智能分析方法，其特征在于：在进行所述医学数据挖掘时还会建立深度学习平台，所述深度学习平台通过Caffe开源软件系统搭建形成。

5.医疗影像大数据智能分析系统，其特征在于，包括，医疗影像大数据智能分析平台构件模块，所述医疗影像大数据智能分析平台构件模块包括，

数据获取单元，用于获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；

数据整合单元，用于对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；

知识库形成单元，用于对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；

辅助诊断模块，所述辅助诊断模块包括，影像数据获取单元，用于获取用户的病症影像数据；

2

CN 112349369 A

权　利　要　求　书

2/2页

影像匹配模块根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。

6.根据权利要求5所述的医疗影像大数据智能分析系统，其特征在于，所述系统还包括基础医疗数据收集和融合模块，所述基础医疗数据收集和融合模块包括，

大数据应用子系统，所述大数据应用子系统用于进行医学信息系统的整合、医学数据的统一管理，所述大数据应用子系统包括医学影像共享模块以及医学信息共享模块，所述医学影像共享模块以及医学信息共享模块分别用于对医学影像信息以及医学信息进行数据共享；

大数据支撑子系统，所述大数据支撑子系统包括接口层、数据处理层、数据存储层以及平台管理层，其中，所述接口层包括SQL、JDBC、CLI、HTTP相关的标准API，所述数据处理层包括文本处理Solr服务器、内存计算Spark引擎、挖掘Mahout模块、离线计算MapReduce模块、数据仓库Hive模块以及键值数据库HBase模块，所述数据存储层包括用于数据采集的ETL模块以及用于数据存储的MPP模块、HDFS模块、Oracle模块、PostgreSQL模块。

7.根据权利要求5所述的医疗影像大数据智能分析系统，其特征在于，所述系统还包括医学影像大数据处理分析模块，所述医学影像大数据处理分析模块包括医学影像处理子模块以及医学数据挖掘子模块，

所述医学影像处理子模块包括图像增强与滤波单元、图像配准单元、图像分割单元、图像变换单元、三维重建单元以及影像特征提取单元，所述医学影像处理子模块用于对用户的所述医学影像数据进行图像增强与滤波、图像配准、图像分割、图像变换、三维重建以及影像特征提取操作得到用户的症状数据转化后的符合医疗卫生信息化标准的卫生综合数据，

所述医学数据挖掘子模块包括文本数据挖掘单元、关联分析单元、异常分析单元、趋势分析单元、行为分析单元以及精准医学单元，所述医学数据挖掘子模块用于对用户的所述数据信息进行文本数据挖掘、关联分析、异常分析、趋势分析、行为分析以及精准医学操作得到用户的所述数据信息转化后的符合医疗卫生信息化标准的卫生综合数据。

8.根据权利要求5所述的医疗影像大数据智能分析系统，其特征在于，所述医疗影像大数据智能分析系统，还包括医学影像可视化系统，所述医学影像可视化系统包括浏览器端以及医学影像大数据中心端，所述浏览器端与所述医学影像大数据中心端通过http协议进行数据交互，

所述医学影像大数据中心端包括从医学影像大数据中心以及医学影像数据可视化模块获取数据的Web服务器，所述Web服务器设置有DCMTK影像数据解析模块，所述DCMTK影像数据解析模块用于将医学影像大数据中心以及医学影像数据可视化模块获取的医学影像数据进行解析，并发送至所述浏览器端的异步图像载入模块，经所述异步图像载入模块与基于WebGL的图像绘制模块的处理后在用户界面予以展示。

9.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述方法的步骤。

3

CN 112349369 A

说　明　书

医疗影像大数据智能分析方法、系统及存储介质

1/9页

技术领域

[0001]本发明涉及大数据分析技术领域，尤其涉及医疗影像大数据智能分析方法、系统及存储介质。

背景技术

[0002]精准医学是指在大样本研究获得疾病分子机制的知识体系基础上，根据患者个体在基因型、表型、环境和生活方式等各方面的特异性，应用现代遗传学、分子影像学、生物信息学和临床医学等方法与手段，制定个性化精准预防、精准诊断和精准治疗方案。精准医学将为病人提供更准确的疾病分类和治疗方案，从根本上使得患者疗效最大化和损害最小化，减少无效及过度治疗，改善医疗资源配置、缓解医患关系矛盾，具有重大的社会意义和经济意义。

[0003]大数据技术的成熟使其在各个行业的应用逐渐增多，但目前所挖掘出的“大数据”在医疗卫生领域的应用还只是冰山一角。主要瓶颈在于医疗数据数据类型复杂、标准化程度低、数据敏感等特征制约了医疗大数据获取。医疗大数据中超过90％的数据量来自于医学影像信息，影像数据的复杂性远超过文本或其他医学检验数据。根据IDC2014年报告的数据显示，中国一个中等城市一千万人口50年之内的医学影像数据要达到10个PB，每天有大量的影像检查数据源源不断地写入医疗数据中心，因此存在大量的影像数据可以被用来深度的挖掘、分析及利用。如今全国每年的住院人次已经达到两亿人次，门诊人数达到十亿以上的数量级。因此在这种医疗卫生行业数据剧增的现状下，如何整合海量医学影像数据并利用对这些大数据进行分析和挖掘，建立数据辅助分析模型，为医疗卫生行业提供更多更好服务显得尤为必要。

发明内容

[0004]本发明旨在至少解决现有技术的不足之一，提供医疗影像大数据智能分析方法、系统及存储介质。

[0005]为了实现上述目的，本发明采用以下的技术方案：[0006]提出医疗影像大数据智能分析方法，包括以下步骤：[0007]构建医疗影像大数据智能分析平台：[0008]S100:获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；

[0009]S200:对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；

[0010]S300:对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；[0011]辅助诊断过程：

[0012]S400:获取用户的病症影像数据；

4

CN 112349369 A[0013]

说　明　书

2/9页

S500:根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优

的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。[0014]进一步，上述步骤S200中形成符合医疗卫生信息化标准的卫生综合数据具体包括以下，

[0015]医学影像处理，用户的所述症状数据包括用户的医学影像数据，对用户的所述医学影像数据进行图像增强与滤波、图像配准、图像分割、图像变换、三维重建以及影像特征提取操作得到用户的症状数据转化后的符合医疗卫生信息化标准的卫生综合数据；[0016]医学数据挖掘，对用户的所述数据信息进行文本数据挖掘、关联分析、异常分析、趋势分析、行为分析以及精准医学操作得到用户的所述数据信息转化后的符合医疗卫生信息化标准的卫生综合数据。[0017]进一步，上述步骤S300中的深度卷积神经网络的处理过程具体包括以下，

[0018]通过LDA文档主题生成模型分析所述症状数据的文本数据创建疾病主题词库，结合神经语言程序学并借助天河二号进行用户的所述医学影像数据进行分类形成文档级Topic库、文档亚级Topic库以及句子级Topic库，并建立相应的Topic库与所述医学影像数据之间的映射关系。[0019]进一步，在进行所述医学数据挖掘时还会建立深度学习平台，所述深度学习平台通过Caffe开源软件系统搭建形成。

[0020]本发明还提出医疗影像大数据智能分析系统，包括，[0021]医疗影像大数据智能分析平台构件模块，所述医疗影像大数据智能分析平台构件模块包括，

[0022]数据获取单元，用于获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；[0023]数据整合单元，用于对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；[0024]知识库形成单元，用于对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；[0025]辅助诊断模块，所述辅助诊断模块包括，[0026]影像数据获取单元，用于获取用户的病症影像数据；

[0027]影像匹配模块根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。

[0028]进一步，所述系统还包括基础医疗数据收集和融合模块，所述基础医疗数据收集和融合模块包括，

[0029]大数据应用子系统，所述大数据应用子系统用于进行医学信息系统的整合、医学数据的统一管理，所述大数据应用子系统包括医学影像共享模块以及医学信息共享模块，所述医学影像共享模块以及医学信息共享模块分别用于对医学影像信息以及医学信息进行数据共享；

[0030]大数据支撑子系统，所述大数据支撑子系统包括接口层、数据处理层、数据存储层以及平台管理层，其中，所述接口层包括SQL、JDBC、CLI、HTTP相关的标准API，所述数据处理

5

CN 112349369 A

说　明　书

3/9页

层包括文本处理Solr服务器、内存计算Spark引擎、挖掘Mahout模块、离线计算MapReduce模块、数据仓库Hive模块以及键值数据库HBase模块，所述数据存储层包括用于数据采集的ETL模块以及用于数据存储的MPP模块、HDFS模块、Oracle模块、PostgreSQL模块。[0031]进一步，所述系统还包括医学影像大数据处理分析模块，所述医学影像大数据处理分析模块包括医学影像处理子模块以及医学数据挖掘子模块，[0032]所述医学影像处理子模块包括图像增强与滤波单元、图像配准单元、图像分割单元、图像变换单元、三维重建单元以及影像特征提取单元，所述医学影像处理子模块用于对用户的所述医学影像数据进行图像增强与滤波、图像配准、图像分割、图像变换、三维重建以及影像特征提取操作得到用户的症状数据转化后的符合医疗卫生信息化标准的卫生综合数据，

[0033]所述医学数据挖掘子模块包括文本数据挖掘单元、关联分析单元、异常分析单元、趋势分析单元、行为分析单元以及精准医学单元，所述医学数据挖掘子模块用于对用户的所述数据信息进行文本数据挖掘、关联分析、异常分析、趋势分析、行为分析以及精准医学操作得到用户的所述数据信息转化后的符合医疗卫生信息化标准的卫生综合数据。[0034]进一步，所述医疗影像大数据智能分析系统，还包括医学影像可视化系统，所述医学影像可视化系统包括浏览器端以及医学影像大数据中心端，所述浏览器端与所述医学影像大数据中心端通过http协议进行数据交互，

[0035]所述医学影像大数据中心端包括从医学影像大数据中心以及医学影像数据可视化模块获取数据的Web服务器，所述Web服务器设置有DCMTK影像数据解析模块，所述DCMTK影像数据解析模块用于将医学影像大数据中心以及医学影像数据可视化模块获取的医学影像数据进行解析，并发送至所述浏览器端的异步图像载入模块，经所述异步图像载入模块与基于WebGL的图像绘制模块的处理后在用户界面予以展示。[0036]一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述方法的步骤。[0037]本发明的有益效果为：

[0038]本发明通过综合使用大数据技术、人工智能技术、数据存储技术发明了医疗影像大数据智能分析平台，平台能够对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；并对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库，进而能够根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。附图说明

[0039]为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

[0040]图1所示为医疗影像大数据智能分析方法的流程图；[0041]图2所示为医疗影像大数据智能分析系统的平台架构图；

6

CN 112349369 A[0042][0043]

说　明　书

4/9页

图3所示为医疗影像大数据智能分析系统的数据存储架构图；

图4所示为医疗影像大数据智能分析系统的基础医疗数据收集和融合模块的结构图5所示为医疗影像大数据智能分析系统的医学影像大数据处理分析模块的结构图6所示为医疗影像大数据智能分析系统的医学影像数据可视化技术路线图；图7所示为医疗影像大数据智能分析方法的深度卷积神经网络的处理示意图；图8所示为医疗影像大数据智能分析系统在精准医学的典型应用图。

图；

[0044]

图；

[0045][0046][0047]

具体实施方式

[0048]以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。[0049]结合图1以及图7，实施例1，本发明提出医疗影像大数据智能分析方法，包括以下步骤：

[0050]构建医疗影像大数据智能分析平台：[0051]S100:获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；

[0052]S200:对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；

[0053]S300:对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；[0054]辅助诊断过程：

[0055]S400:获取用户的病症影像数据；

[0056]S500:根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。[0057]在本实施例1中，通过综合使用大数据技术、人工智能技术、数据存储技术，能够对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；并对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库，进而能够根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。

[0058]作为本发明的优选实施方式，上述步骤S200中形成符合医疗卫生信息化标准的卫生综合数据具体包括以下，[0059]医学影像处理，用户的所述症状数据包括用户的医学影像数据，对用户的所述医学影像数据进行图像增强与滤波、图像配准、图像分割、图像变换、三维重建以及影像特征提取操作得到用户的症状数据转化后的符合医疗卫生信息化标准的卫生综合数据；[0060]医学数据挖掘，对用户的所述数据信息进行文本数据挖掘、关联分析、异常分析、

7

CN 112349369 A

说　明　书

5/9页

趋势分析、行为分析以及精准医学操作得到用户的所述数据信息转化后的符合医疗卫生信息化标准的卫生综合数据。

[0061]医学大数据处理分析模块是本发明的高层应用，其依托于大数据存储和计算模块，为用户提供基于医学数据的高级应用功能。可分为医学数据处理和医学数据挖掘两部分。如下图4所示。

[0062]为了更好地合理利用医学影像信息资源，需要将医学影像数据进行整合。提供对医学影像历史数据、实时数据以及其他相关数据等全面的数据存储与共享支撑，形成对医学影像数据资源统一规划管理，统一数据接口，形成统一共享、集中应用的数据中心。进而帮助医疗工作人员全面把握数据资源的情况，方便、准确的利用医学影像数据资源。[0063]根据医学影像数据的特点和业务的需求构建综合数据库。根据类别分为以下几个数据库：原始医学影像数据库、实时数据库、元数据库、重点关注数据库、共享数据库等。构建综合数据库时需要保证各库的数据标准化，数据标准化是数据共享、数据访问和保障数据质量的前提或基础。数据标准化问题包括方方面面的工作，除了指标、数据源、数据库结构等数据本身的标准化外，还有交换数据的标准、元数据标准等内容。[00]医学影像处理与分析借助于图形、图像技术的有力手段，使医学图像的质量和显示方法得到极大的改善。这不仅可以利用现有的医学影像设备极大地提高医学临床诊断水平，而且能为医学培训、医学研究与教学、计算机辅助临床外科手术等提供电子实现手段，为医学的研究与发展提供坚实的基础，其内容包括基于海量医学影像数据的图像增强与滤波、图像配准、图像分割、图像变换、三维重建等数据密集型计算。[0065]对于医疗工作者而言，可以通过医学影像大数据挖掘系统查看类似病例，已经具有丰富经验医疗工作者对不同情况的处理方法，以及通过医学影像大数据挖掘系统对数据进行相关分析得出的结果给出合理的医疗方法。对于医院管理层而言，可通过医学影像大数据挖掘系统查看、统计影像学科每个科每一天或每个月情况等，医院可根据这些详细的统计材料作出决策支持。

[0066]作为本发明的优选实施方式，上述步骤S300中的深度卷积神经网络的处理过程具体包括以下，

[0067]通过LDA文档主题生成模型分析所述症状数据的文本数据创建疾病主题词库，结合神经语言程序学并借助天河二号进行用户的所述医学影像数据进行分类形成文档级Topic库、文档亚级Topic库以及句子级Topic库，并建立相应的Topic库与所述医学影像数据之间的映射关系。

[0068]作为本发明的优选实施方式，在进行所述医学数据挖掘时还会建立深度学习平台，所述深度学习平台通过Caffe开源软件系统搭建形成。

[0069]排CT机一次扫描最多能够达到2000幅左右的图像，PET的分辨率达到45mm，SPECT分辨率能够达到1mm以下。面对如此庞大的高分辨图像数据，医生所需要的读片和分析的工作量大大地增加。因此,对于如何有效地利用医学影像大数中心中存储的大量图像数据，辅助医生进行分析和诊断，提高病理诊断和疾病治疗的效率和准确性，是函需解决的关键问题。深度学习提供了有益的解决方案。[0070]深度学习已经被广泛应用在如图像、语音、自然语言及在线广告等领域。然而大多数深度网络模型需要进行大量的计算资源。谷歌的DistBelief系统使用1000台CPU服务器

8

CN 112349369 A

说　明　书

6/9页

(共16000个核)来训练10亿个参数的深度网络模型，主要用于图片分类和语音识别。[0071]进行深度学习的平台需要满足以下三个特点：1)强大的计算能力，即在几千万个参数和几亿个医学影像样本上也能快速训练模型；2)强大的存储能力，即能够支持PB级的海量医疗影像数据来进行模型训练以提高精度；3)开放的接入，即算法设计者能够在平台上方便地进行模型设计和参数调优。

[0072]本发明拟采用Caffe开源软件系统搭建深度学习平台。选择Caffe是由于其突出的优点。1)易使用性：Caffe的配置文件记录所要训练的网络模型的各种运行参数可以实现CPU和GPU之间的无缝切换。配置文件与源代码分离的方式，更易于研究人员使用。2)训练速度快：Caffe是目前最快的开源深度卷积神经网络训练工具，使用K40一天可以训练6千万张图片。3)开源社区支持：有超过2000名开发者对Caffe开源项目做出贡献，Caffe的应用领域从视觉，扩大到语音、机器人、天文学和神经科学。[0073]参照图2以及图3，实施例2，本发明还提出医疗影像大数据智能分析系统，包括，[0074]医疗影像大数据智能分析平台构件模块，所述医疗影像大数据智能分析平台构件模块包括，

[0075]数据获取单元，用于获取用户的数据信息，所述数据信息包括用户的症状数据、所述症状数据的文本数据以及用户的基本信息数据；[0076]数据整合单元，用于对用户的所述数据信息进行数据处理形成符合医疗卫生信息化标准的卫生综合数据；[0077]知识库形成单元，用于对所述卫生综合数据通过深度卷积神经网络的训练得到的智能模型进行处理并最终形成所述症状数据对应的知识库；[0078]辅助诊断模块，所述辅助诊断模块包括，[0079]影像数据获取单元，用于获取用户的病症影像数据；

[0080]影像匹配模块根据用户的病症类型与对应的知识库中的数据进行相似度匹配，找到最优的相似度匹配对象，将所述匹配对象对应的数据信息予以显示，对医护人员进行辅助诊断。

[0081]参照图4，作为本发明的优选实施方式，所述系统还包括基础医疗数据收集和融合模块，所述基础医疗数据收集和融合模块包括，[0082]大数据应用子系统，所述大数据应用子系统用于进行医学信息系统的整合、医学数据的统一管理，所述大数据应用子系统包括医学影像共享模块以及医学信息共享模块，所述医学影像共享模块以及医学信息共享模块分别用于对医学影像信息以及医学信息进行数据共享；

[0083]大数据支撑子系统，所述大数据支撑子系统包括接口层、数据处理层、数据存储层以及平台管理层，其中，所述接口层包括SQL、JDBC、CLI、HTTP相关的标准API，所述数据处理层包括文本处理Solr服务器、内存计算Spark引擎、挖掘Mahout模块、离线计算MapReduce模块、数据仓库Hive模块以及键值数据库HBase模块，所述数据存储层包括用于数据采集的ETL模块以及用于数据存储的MPP模块、HDFS模块、Oracle模块、PostgreSQL模块。[0084]在实施例2中，本发明总体架构如图2所示，医学影像大数据智能分析平台主要包括影像数据的采集、发布、交换、管理、存储等功能，同时，系统要和医院进行接口管理，保证医院影像信息系统(无论是否支持标准交换协议)都可以与医学影像大数据平台互连，实现

9

CN 112349369 A

说　明　书

7/9页

互通互享；还考虑与目前已经建立的区域卫生信息平台数据交换、区域一卡通应用和居民身份信息识别集中注册。再结合体检、病历以及既往病史通过大数据挖掘和分析技术来实现对影像的数据分析、智能诊断等，最终面向医疗机构、科研教学机构、个人等提供基于医学影像的数据分析智能诊断及疾病影像特征预防。

[0085]首先医学影像数据由数据源经过统一的数据抽取和转换系统对数据进行抽取、格式转换、标准化等操作。通过数据抽取、转换和加载工具，将清洗好的影像数据加载到医学影像大数据系统中进行存储，由于汇聚了多个源的数据，通常数据量非常大，所以医学影像大数据系统需要具有良好的可扩展性。加载到医学影像大数据系统中的数据将被用于进行最终的数据分析和数据挖掘，同时还可以根据具体的分析和挖掘需求，设计自己的查询任务流及更多的应用系统。为便于医学影像数据分析挖掘、数据管理以及数据共享，对数据进行深层的整理，形成标准数据库、历史数据库、业务数据库、主题数据库、元数据库、信息资源目录、共享数据库等。医学影像大数据应用层通过标准接口获取分析结果数据，然后通过大数据可视化工具对分析挖掘结果进行展现，展现形式丰富多样，可以是图表，也可以是文档等易于人们理解的形式，这样医学影像数据就转化为信息，进而由信息转化为可供决策支持的知识。

[0086]整个系统从逻辑层次上可以划分为大数据支撑系统和大数据应用系统，如图3所示。

[0087]存储装置解决各种类型医学影像数据的存储问题主要是TXT、DICOM 3.0、RawData等格式文件以及通过基础数据收集系统采集的数据的存储，是基础医疗数据收集和融合模块最初的数据来源。上层业务的数据根据不同的类型可以分解为：结构化数据、文本(包括网页)、图片、音频、视频、以及索引文件等，分别采用不同的存储组件进行管理。其中结构化程度高、事务性强、需要反复操作的数据仍然保存在关系数据库组件里，大量医学影像等可以存储在分布式文件系统当中。为了提高检索效率，各种索引以特有的格式分散保存。存储层和处理层之间通过抽象的数据访问驱动进行数据的读取和写回，中间的计算结果保存在内存中或者专用缓存设备中(在中间结果过大的情况下)，不写入到存储层中。分布式容错数据管理层是分布式数据存储抽象，通过对分布式内存的抽象使用，实现了以操作本地集合的方式来操作分布式数据集的抽象实现。[0088]参照图5，作为本发明的优选实施方式，所述系统还包括医学影像大数据处理分析模块，所述医学影像大数据处理分析模块包括医学影像处理子模块以及医学数据挖掘子模块，

[00]所述医学影像处理子模块包括图像增强与滤波单元、图像配准单元、图像分割单元、图像变换单元、三维重建单元以及影像特征提取单元，所述医学影像处理子模块用于对用户的所述医学影像数据进行图像增强与滤波、图像配准、图像分割、图像变换、三维重建以及影像特征提取操作得到用户的症状数据转化后的符合医疗卫生信息化标准的卫生综合数据，

[0090]所述医学数据挖掘子模块包括文本数据挖掘单元、关联分析单元、异常分析单元、趋势分析单元、行为分析单元以及精准医学单元，所述医学数据挖掘子模块用于对用户的所述数据信息进行文本数据挖掘、关联分析、异常分析、趋势分析、行为分析以及精准医学操作得到用户的所述数据信息转化后的符合医疗卫生信息化标准的卫生综合数据。

10

CN 112349369 A[0091]

说　明　书

8/9页

参照图6，作为本发明的优选实施方式，所述医疗影像大数据智能分析系统，还包

括医学影像可视化系统，所述医学影像可视化系统包括浏览器端以及医学影像大数据中心端，所述浏览器端与所述医学影像大数据中心端通过http协议进行数据交互，

[0092]所述医学影像大数据中心端包括从医学影像大数据中心以及医学影像数据可视化模块获取数据的Web服务器，所述Web服务器设置有DCMTK影像数据解析模块，所述DCMTK影像数据解析模块用于将医学影像大数据中心以及医学影像数据可视化模块获取的医学影像数据进行解析，并发送至所述浏览器端的异步图像载入模块，经所述异步图像载入模块与基于WebGL的图像绘制模块的处理后在用户界面予以展示。[0093]具体的，参照图8，在一个实时场景中，医院的乳腺癌影像数据通过统一的ETL数据采集工具进行采集，并由网关传输到的医疗影像大数据智能分析平台。平台的基础医疗数据收集和融合模块对数据进行分类存储，紧接着医学影像大数据处理分析模块通过内存计算、离线计算、文本处理和影像批处理对患者乳腺癌数据、描述乳腺癌病症的文本数据以及其患者基本信息数据进行处理，其处理内容包含：乳腺数据清洗、乳腺数据校验、乳腺数据转换、乳腺文本数据挖掘、乳腺影像数据的图像增强与滤波、乳腺图像配准、乳腺图像分割、乳腺图像变换、乳腺数据三维重建，乳腺影像数据分析等。被处理的乳腺癌数据最终转化成符合医疗卫生信息化标准的卫生综合数据。这些数据随后被医疗影像大数据的挖掘模块使用深度卷积神经网络的方法进行处理。形成乳腺癌知识库。[0094]一个乳腺癌的疑似患者到基层医院进行检查，在拍片后得到了乳腺癌的影像数据。这些数据与已经分好类的医疗影像大数据智能分析平台的乳腺癌知识库中的数据进行比对，得到了乳腺癌的辅助诊断结果。[0095]一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述方法的步骤。[0096]所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0097]另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

[0098]所述集成的模块如果以软件功能模块的形式实现并作为的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如

11

CN 112349369 A

说　明　书

9/9页

在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

[0099]尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。[0100]以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

12

CN 112349369 A

说　明　书　附　图

1/4页

图1

图2

13

CN 112349369 A

说　明　书　附　图

2/4页

图3

图4

14

CN 112349369 A

说　明　书　附　图

图5

图6

15

3/4页

CN 112349369 A

说　明　书　附　图

4/4页

图7

图8

16