基于算法、区块链和医学影像的大数据疾病诊断系统

技术领域

本发明涉及疾病智能诊断技术领域，具体涉及基于算法、区块链和医学影像的大数据疾病诊断系统。

背景技术

随着社会的快速发展，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。但是由于生活节奏的加快、生活压力的提高、生态环境的恶化，越来越多的年轻人出现了或轻或重的健康问题。然而，当人们试图寻求医生或营养师的帮助时，却由于医生掌握的医疗数据较少，也没有能力对人们的日常生活进行密切跟踪，因此难以为人们改善亚健康提供精确有效的指导和帮助。

医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程；通过医学影像可以进行疾病的诊断和预测，疾病预测基于用户的历史信息推断未来的疾病或临床事件的风险；在疾病预测的过程中，由于受数据量有限、数据偏差较大的影响，很多工作尝试将医学知识图谱融入疾病预测过程，以提升预测精准度和与现有医学知识的吻合度。

现有的疾病预测采用深度学习模型以应对医疗数据量不足和数据偏差所带来的影响。由于医疗数据量是事先获取的，在一定时间内是静态的，而用户的历史信息是动态更新的，所以作为疾病预测的医疗数据量在预测过程中往往难以考虑历史信息的变动性，无法准确的对疾病进行准确预测。

发明内容

为了克服上述现有技术存在的问题，本发明提供基于区块链的医学影像大数据疾病诊断系统。

本发明的技术方案是：

基于区块链的医学影像大数据疾病诊断系统，包括：

医学影像获取模块，用于获取患者的医学图像；

数据通讯模块，用于对医学影像获取模块获取的医学图像进行传输；

医学影像处理模块，接收数据通讯模块的医学图像并进行处理；

区块链存储模块，用于存储带有医学诊断结果的医学影像；

疾病预测模块，根据区块链存储模块中医学影像对医学影像处理模块处理的医学图像进行诊断预测，得到患者的医学图像诊断结果。

作为本发明的进一步技术方案为，所述医学影像处理模块包括：

图像去噪单元，用于对获取的医学图像去噪处理，

图像分割单元，用于对去噪后的医学图像进行分割，获取医学图像的目标区域图像；

特征提取模块，用于对目标区域图像的特征进行提取。

作为本发明的进一步技术方案为，所述用于对获取的医学图像去噪处理，具体包括：

对医学图像用马拉特Mallat快速算法进行图层小波变换，得到若干小波系数；

根据小波系数估计噪声方差并确定各个不同细节子带相应的小波系数的阈值；

对小波系数进行阈值处理，重构医学影像；

保存或输出重构的医学影像。

作为本发明的进一步技术方案为，所述根据小波系数估计噪声方差并确定各个不同细节子带相应的小波系数的阈值；具体包括：根据第1层的对角细节小波系数估计噪声方差，统计出第1层对角细节小波系数的绝对值的中值，并用系数0.6745除该中值，根据估计出的噪声方差由BayesShrink方法求取各个不同细节子带相应的小波系数的阈值。

作为本发明的进一步技术方案为，所述对小波系数进行阈值处理，重构医学影像；具体包括：将各小波系数与相应阈值比较，对小波系数的绝对值小于相应阈值时将该系数置为零，在小波系数的绝对值大于或等于相应阈值时对该系数进行收缩处理，其中阈值的大小即为收缩的幅度；根据处理后的小波系数对医学图像进行小波反变换，重构医学影像。

作为本发明的进一步技术方案为，所述用于对去噪后的医学图像进行分割，获取医学图像的目标区域图像，具体包括：

图像特征的提取，采用灰度共生矩阵的方法提取重构医学图像的特征；

建立BP神经网络，提取BP神经网络的特征输入向量，调整BP神经网络初始权值，确定BP神经网络节点数；

建立BP神经网络训练模型对重构医学图像进行分割。

作为本发明的进一步技术方案为，所述建立BP神经网络训练模型对重构医学图像进行分割，具体包括：对BP神经网络进行充分训练，对训练好的BP神经网络的权值及阈值根据训练样本进行调整，根据调整后的BP神经网络权值和阈值对重构医学图像进行分割；任意选择分割后的医学图像中的一个像素，进行区域生长，对区域生长的图像进行填充得到分割图像。

作为本发明的进一步技术方案为，所述对BP神经网络进行充分训练，具体为：对BP神经网络使用误差反向传播算法进行训练的多层前馈网络，所述BP神经网络包括输入层、输出层及隐层，输入层的节点数为输入向量的特征值，所述BP神经网络的特征输入向量通过提取重构后的医学图像特征作为输入向量，输出层的节点数为1，其表示分割后的图像的背景，所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数，所述BP神经网络的建立通过将确定的BP神经网络节点数作为参数，建立隐层传递函数，选用双曲正切S形函数。

作为本发明的进一步技术方案为，所述区块链存储模块，用于存储带有医学诊断结果的医学影像；具体包括：

所述区块链存储模块由区块链节点和区块链网络组成；其中区块链节点通过公钥对上传的医学诊断结果的医学影像进行加密，利于私钥进行签名生成存证交易，并将该存证交易发送给区块链网络内的每个区块链节点。

作为本发明的进一步技术方案为，所述疾病预测模块，根据区块链存储模块中医学影像对医学影像处理模块处理的医学图像进行诊断预测，得到患者的医学图像诊断结果；具体包括：

区块链节点提交医学影像处理模块处理的医学图像至区块链网络，将处理后的医学图像与区块链网络中的带有医学诊断结果的医学影像进行对比，获取相似医学影像数据包；区块链节点接收到该相似医学影像数据包进行验签，验签通过则可进行相似医学影像数据包进行交易下载并通过私钥进行解密；根据相似医学影像数据包中的医学影像及其诊断结果对处理后的医学图像进行疾病诊断。

本发明的有益效果为：

本发明可以通过设置在医院、家庭或其他场所医疗设备对患者病患处进行图像扫描获取患者的医学图像；通过数据通讯模块将扫描获取的患者的医学图像进行传输至医学图像处理模块，通过医学影像处理模块对医学图像进行分析处理，然后通过区块链存储模块将处理后的医学图像上传至区块链网络，获取该区块链网络内的相似的带有诊断结果的医学影像数据包，疾病预测模块获取待预测患者的诊疗数据和医学图像，并通过构建BP神经网络模型对医学图像提取的特征信息进行训练，从而获得待预测患者的预测疾病类型；

本发明根据特征提取模块提取的特征从区块链网络中的带有医学诊断结果的医学影像获取相似医学影像数据包；区块链节点接收到该相似医学影像数据包进行验签，验签通过则可进行相似医学影像数据包进行下载并通过私钥进行解密；根据相似医学影像数据包中的医学影像诊断结果和患者的医学图形采用BP神经网络进行训练，对患者的医学图像进行疾病诊断。

本发明对含噪医学图像进行小波变换，通过设置阈值处理，可以有效去除医学影像中的噪声点，使图像更加纯净，以便于进行医学诊断。

在完成医学图像的疾病诊断并给出诊断结果，同时将该诊断结果及其该医学图像共同存储在区块链存储模块中，区块链存储模块的数据实现动态更新。

本发明通过区块链实现医学影像的大数据处理和连接，通过区块链实现远程数据的互联与共享，区块链网络将区块链节点连接在一个网络，通过区块链节点实现数据获取和存储实现大数据的融合，所有区块链节点存储的带有诊断结果的医疗影像在区块链网络中可共享互联，每个区块链节点均可对所有的区块链节点上的医学影像数据进行调取使用，在疾病预测过程中，只需要提取与特征相对应的医学影像数据，大大减少了需要处理的数据量，集中实现医学图像的疾病诊断，提高诊断准确性，可实现远程诊断，提高诊断效率。

附图说明

图1为本发明提出的基于区块链的医学影像大数据疾病诊断系统结构图；

图2为本发明提出的所述医学影像处理模块结构图；

图3为本发明提出的所述区块链存储模块连接图。

具体实施方式

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、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

参见图1，为本发明提出的基于区块链的医学影像大数据疾病诊断系统结构图；

如图1所示，基于区块链的医学影像大数据疾病诊断系统，包括：

医学影像获取模块101，用于获取患者的医学图像；

数据通讯模块102，用于对医学影像获取模块获取的医学图像进行传输；

医学影像处理模块103，接收数据通讯模块的医学图像并进行处理；

区块链存储模块104，用于存储带有医学诊断结果的医学影像；

疾病预测模块105，根据区块链存储模块中医学影像对医学影像处理模块处理的医学图像进行诊断预测，得到患者的医学图像诊断结果。

本发明实施例中，通过设置在医院、家庭或其他场所医疗设备对患者病患处进行图像扫描获取患者的医学图像；通过数据通讯模块将扫描获取的患者的医学图像进行传输，其中数据通讯模块可以嵌入设置在医疗设备的数据通讯模块，也可以是独立的模块，医疗设备通过有线或无线连接方式与数据通讯模块连接，通过数据通讯模块连接至医学图像处理模块，通过医学影像处理模块对医学图像进行分析处理，然后通过区块链存储模块将处理后的医学图像上传至区块链网络，获取该区块链网络内的相似的带有诊断结果的医学影像数据包，疾病预测模块获取待预测患者的诊疗数据和医学图像，并通过数据处理单元对获取的诊疗数据和医学图像进行处理，将处理后的诊疗数据和医学图像输入至构建的疾病预测模型中，从而获得待预测患者的预测疾病类型。模型构建单元采用样本集对BP神经网络进行训练和测试，引入布谷鸟搜索算法优化所述BP神经网络的权值和阈值。

本发明实施例中，通过区块链实现医学影像的大数据处理和连接，通过区块链实现远程数据的互联与共享，区块链网络将区块链节点连接在一个网络，通过区块链节点实现数据获取和存储实现大数据的融合，所有区块链节点存储的带有诊断结果的医疗影像在区块链网络中可共享查询，实现医学图像的疾病诊断，提高诊断准确性，可实现远程诊断，提高诊断效率。

参见图2，本发明实施例中，医学影像处理模块包括：

图像去噪单元131，用于对获取的医学图像去噪处理；

图像分割单元132，用于对去噪后的医学图像进行分割，获取医学图像的目标区域图像；

特征提取模块133，用于对目标区域图像的特征进行提取。

其中，用于对获取的医学图像去噪处理，具体包括：

对医学图像用马拉特Mallat快速算法进行图层小波变换，得到若干小波系数；

根据小波系数估计噪声方差并确定各个不同细节子带相应的小波系数的阈值；

对小波系数进行阈值处理，重构医学影像；

保存或输出重构的医学影像。

本发明实施例中，根据小波系数估计噪声方差并确定各个不同细节子带相应的小波系数的阈值；具体包括：根据第1层的对角细节小波系数估计噪声方差，统计出第1层对角细节小波系数的绝对值的中值，并用系数0.6745除该中值，根据估计出的噪声方差由BayesShrink方法求取各个不同细节子带相应的小波系数的阈值。

本发明实施例中，对小波系数进行阈值处理，重构医学影像；具体包括：将各小波系数与相应阈值比较，对小波系数的绝对值小于相应阈值时将该系数置为零，在小波系数的绝对值大于或等于相应阈值时对该系数进行收缩处理，其中阈值的大小即为收缩的幅度；根据处理后的小波系数对医学图像进行小波反变换，重构医学影像。

本发明基于上述小波变换的这种特性，对含噪医学图像进行小波变换，然后对其各个子带系数分别设定合适的阈值Threshold，若某个小波系数的绝对值小于阈值，则认为该小波系数由噪声变换而来，并将其置零；若某个小波系数的绝对值大于或等于阈值，则认为该小波系数主要由有用图像信号变换而来，并对其进行收缩处理以去除其中含有的噪声，通过以上处理，可以有效去除医学影像中的噪声点，使图像更加纯净，以便于进行医学诊断。

本发明实施例中，用于对去噪后的医学图像进行分割，获取医学图像的目标区域图像，具体包括：

图像特征的提取，采用灰度共生矩阵的方法提取重构医学图像的特征；

建立BP神经网络，提取BP神经网络的特征输入向量，调整BP神经网络初始权值，确定BP神经网络节点数；

建立BP神经网络训练模型对重构医学图像进行分割。

本发明实施例中，灰度共生矩阵是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法，在纹理图像中，某个方向上相隔一定距离的一对像元灰度出现的统计规律，具体反映这个图像的纹理特性。提取医学图像的纹理特征的方法使用了灰度共生矩阵。可以用一对像元的灰度共生矩阵来描述这个规律，进而由共生矩阵计算出一些参数定量来描述这个纹理的特性。

本发明中灰度共生矩阵是由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性；灰度直方图是对图像上单个象素具有某个灰度统计的结果，灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计，取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，设灰度值的级数为k，则(g1，g2)的组合共有k的平方种。对于整个画面，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)，这样的方阵称为灰度共生矩阵。距离差分值(a，b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)、(1，1)、(2，0)等小的差分值，当a＝1，b＝0时，像素对是水平的，即0度扫描；当a＝0，b＝1时，像素对是垂直的，即90度扫描；当a＝1，b＝1时，像素对是右对角线的，即45度扫描；当a＝-1，b＝1时，像素对是左对角线，即135度扫描，这样，两个像素灰度级同时发生的概率，就将(x，y)的空间坐标转化为“灰度对”(g1，g2)的描述，形成了灰度共生矩阵。

参见图3，本发明实施例中，区块链存储模块，用于存储带有医学诊断结果的医学影像；具体包括：

所述区块链存储模块由区块链节点和区块链网络组成；其中区块链节点通过公钥对上传的医学诊断结果的医学影像进行加密，利于私钥进行签名生成存证交易，并将该存证交易发送给区块链网络内的每个区块链节点。

根据特征提取模块提取的特征从区块链网络中的带有医学诊断结果的医学影像获取相似医学影像数据包；区块链节点接收到该相似医学影像数据包进行验签，验签通过则可进行相似医学影像数据包进行下载并通过私钥进行解密；根据相似医学影像数据包中的医学影像诊断结果和患者的医学图形采用BP神经网络进行训练，对患者的医学图像进行疾病诊断。

在完成医学图像的疾病诊断并给出诊断结果，同时将该诊断结果及其该医学图像共同存储在区块链存储模块中，区块链存储模块的数据实现动态更新。

本发明实施例中，所述疾病预测模块，根据区块链存储模块中医学影像对医学影像处理模块处理的医学图像进行诊断预测，得到患者的医学图像诊断结果；具体包括：

根据特征提取模块从区块链存储模块获取带有诊疗数据的医学影像作为样本集；

采用样本集对BP神经网络进行训练和测试，引入布谷鸟搜索算法优化BP神经网络的权值和阈值；

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训练数据集，采用BP神经网络对训练数据集进行训练，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，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。

优选地，引入布谷鸟搜索算法优化所述BP神经网络的权值和阈值，定义布谷鸟搜索算法的适应度函数h为：

优选地，在布谷鸟搜索算法的更新过程中，鸟巢位置的适应度函数值越小，该鸟巢位置代表的解越优。

优选地，所述布谷鸟算法通过莱维飞行模式对鸟巢位置进行更新后，具体包括：

(1)采用下列方式进行全局随机搜索：

其中，x

(2)执行选择操作：

设X

优选地，在所述布谷鸟搜索算法中，通过莱维飞行模式对鸟巢位置进行更新后，根据发现概率p

在第(t+1)次莱维飞行更新后，在种群中选取鸟巢位置进行随机更新，具体包括：

(1)设B(t+1)表示在第(t+1)次莱维飞行更新后种群中鸟巢位置组成的集合，给定阈值d(t+1)，其中，d(t+1)的值可以取：

对集合B(t+1)中的鸟巢位置进行子集合的划分：设b

(2)对种群中的鸟巢位置进行检测，设X

(3)对各子集合中标注为1的鸟巢位置进行随机更新，设b

定义Q

其中，m(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合数，m

定义

其中，

当鸟巢位置

其中，rand表示0到1之间的随机数，

当鸟巢位置

其中，

(3)执行选择操作：只有当新的鸟巢位置

本优选实施例针对随机初始化BP神经网络的权值和阈值会导致BP神经网络容易陷入局部极小点，从而在进行疾病预测时可能会出现识别率不理想和可信度不高的情况，将布谷鸟算法和BP神经网络结合，利用布谷鸟搜索算法获得BP神经网络的最优权值和阈值，然而传统的布谷鸟搜索算法采用的莱维飞行机制具有较强的随机性，这种随机性使得布谷鸟搜索算法只能在每个鸟巢附近进行粗略的搜索，从而导致布谷鸟搜索算法的局部搜索能力较弱，缺乏自适应性，即采用传统的布谷鸟算法对BP神经网络进行优化，并不能有效的获得BP神经网络的最优权值和阈值，即不能有效的提高疾病预测的精度，针对上述情况，本优选实施例对布谷鸟算法进行改进，在每次的莱维飞行更新后对种群中的鸟巢位置进行随机更新，采用莱维飞行的方式对种群中的鸟巢位置进行更新，具有较强的随机性，能够增加种群的多样性，但另一方面，在每次的莱维飞行更新结束后，种群中都存在部分鸟巢位置未得到有效的更新，从而影响算法的收敛速度和寻优精度，针对上述现象，本优选实施例在每次的莱维飞行更新后，对种群中未发生改变的鸟巢位置进行随机更新，在保证种群多样性的同时，能够有效的弥补莱维飞行更新的不足，从而提高了算法的收敛速度和寻优精度；在对鸟巢位置进行随机更新时，通过定义的对鸟巢位置进行随机更新的概率值和发现概率进行比较从而确定是否对该鸟巢位置进行随机更新，所述概率值的计算公式中的第一部分保留了传统的通过产生随机数确定是否对该鸟巢位置进行随机更新的随机性，所述属性值用于衡量该鸟巢位置在其所在区域中寻优结果的好坏和其位置未发送改变的迭代次数，当一个鸟巢位置在其所在区域中寻优结果较差并且多次未被更新时，即增加该鸟巢位置进行随机更新的概率值，即相较于传统的方式，本优选实施例通过定义的概率值增加了对较差鸟巢位置进行随机更新的概率，并增加了对较优鸟巢位置进行保留的概率，从而保证种群质量；此外，在对鸟巢位置进行随机更新时，设置了两种更新模式，并通过定义的局部检测系数来确定鸟巢位置采用的更新模式，当鸟巢处于寻优结果较好的区域，并且该鸟巢所处的区域中具有较多新的鸟巢位置、鸟巢之间的寻优空间也较大时，此时，令该鸟巢位置在其所在区域中进行随机更新，从而提高该鸟巢的寻优精度，相反的，令鸟巢位置在全局范围内进行随机更新，从而保证算法的多样性；即本优选实施例通过对传统布谷鸟搜索算法的改进，从而提高了布谷鸟搜索算法的收敛速度和寻优精度，再利用改进的布谷鸟算法对BP神经网络进行优化时，能够有效获得BP神经网络的最优权值和阈值，从而提高疾病预测的准确率。

本发明实施例中，疾病预测模块获取待预测患者的诊疗数据和医学图像，并通过数据处理单元对获取的诊疗数据和医学图像进行处理，将处理后的诊疗数据和医学图像输入至构建的疾病预测模型中，从而获得待预测患者的预测疾病类型。

反向传播(Back Propagation，BP)算法也称为误差后向传播神经网络，它是一种用于前向多层神经网络的反向传播学习算法，用输出后误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此逐层反传下去，各层单元产生的误差信号，用来修正各单元误差(权值)，以期误差最小。

在BP模型的学习训练过程中，可利用一些方法如梯度下降法，使权值不断的朝着输出误差减少的方向调整，直到网络输出的误差减少到允许的程度，或者可以事先指定必要的学习次数，达到既定次数即可停止训练。

本发明实施例中，建立BP神经网络训练模型对重构医学图像进行分割，具体包括：对BP神经网络进行充分训练，对训练好的BP神经网络的权值及阈值根据训练样本进行调整，根据调整后的BP神经网络权值和阈值对重构医学图像进行分割；任意选择分割后的医学图像中的一个像素，进行区域生长，对区域生长的图像进行填充得到分割图像。

其中，对BP神经网络进行充分训练，具体为：所述BP神经网络包括输入层、输出层及隐层，输入层的节点数为输入向量的特征值，所述BP神经网络的特征输入向量通过提取重构后的医学图像特征作为输入向量，输出层的节点数为1，其表示分割后的图像的背景，所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数，所述BP神经网络的建立通过将确定的BP神经网络节点数作为参数，建立隐层传递函数，选用双曲正切S形函数。

本发明实施例中，BP神经网络初始权值调整到足够小，使各节点的净输入在零点附近，加快网络训练速度。

本发明中BP神经网络是使用了误差反向传播算法进行训练的多层前馈网络。BP算法的学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反向传播是将输出误差通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

本发明将医学图像的提取的特征信息作为BP神经网络的特征输入。通过灰度共生矩阵提取特征信息，可以定义0°、45°、90°、135°四个方向的灰度共生矩阵，而每个灰度共生矩阵可以提取五个特征值。这样，可以得到4X5＝20个特征值。考虑到医学影像的像素灰度值也是一个很重要的特征，为了达到更好的分割效果，把像素点的灰度值也作为BP神经网络的特征输入。这样，可以确定BP神经网络的21个输入向量，即医学影像像素值，以及灰度共生矩阵20个特征值。

BP神经网络是多层前馈网络，需要确定其输入层、输出层及隐层的节点数量。隐层的数目可以有多个，本发明使用了应用最为普遍的单隐层网络。输出层节点数设为1。取目标区域为0(黑色)，背景区域为1(白色)；隐节点用于提取并存储样本中的内在规律。隐层传递函数选择双曲正切S形函数，输出层由于要控制输出大小在0-1之间，可选择对数S形函数。对医学影像提取其点阵信息、纹理信息，作为期望输入，并勾勒出目标区域，作为期望输出。

本发明通过提取医学图像的纹理特征，采用BP神经网络方法对医学图像进行分割，该方法具有较强的自学习性及自适应性，可大大减轻图像处理工作量，能有效的区分各组织。

本发明通过区块链实现医学影像的大数据处理和连接，通过区块链实现远程数据的互联与共享，区块链网络将区块链节点连接在一个网络，通过区块链节点实现数据获取和存储实现大数据的融合，所有区块链节点存储的带有诊断结果的医疗影像在区块链网络中可共享互联，每个区块链节点均可对所有的区块链节点上的医学影像数据进行调取使用，在疾病预测过程中，只需要提取与特征相对应的医学影像数据，大大减少了需要处理的数据量，集中实现医学图像的疾病诊断，提高诊断准确性，可实现远程诊断，提高诊断效率。

以上对本发明进行了详细介绍，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。