基于区块链和医学影像的疾病预测系统

技术领域

本发明创造涉及医疗健康领域，具体涉及一种基于区块链和医学影像的疾病预测系统。

背景技术

近年来，随着电子病历系统及医学影像技术在医院的广泛应用产生了海量的医学数据，根据医学数据进行疾病的预测也成为当前研究的热点之一。由于医学数据集的海量、高维性和异构性，使得人为驱动的分析变得不切实际。医学影像疾病预测可以结合启发式算法作以学习分类。启发式算法定义为：一个基于直观或经验构造的算法，在可接受的花费内给出待解决组合优化问题的一个可行解，该可行解与最优解的偏离程度一般不能被预计。现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、神经网络等，基于启发式算法可以对医学影像特征点作以学习预测，沿梯度下降的方向，不断缩小预测值和真实值之间的差距，在全域中得到最能匹配的疾病特征，从而对医学影像作以判断。因此，提前进行疾病预测，对于早发现早治疗，降低疾病的死亡率有重要的意义。

发明内容

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疾病预测系统。

本发明创造的目的通过以下技术方案实现：

基于区块链和医学影像的疾病预测系统，包括医学影像获取模块、医学影像预处理模块、疾病预测模块和智能诊断模块；

医学影像获取模块用于获取患者的医学影像，并将获取的患者的历史诊疗医学数据和医学影像传输至所述医学影像预处理模块，医学影像预处理模块包括区块链存储单元、影像降噪单元和影像更新单元，所述区块链存储单元安全可靠地将患者历史诊疗医学数据和医学影像分布式地存入数据库，数据库由网络内多个虚拟机并行搭建，并从区块链存储单元调取患者的医学影像，通过影像降噪单元对患者的医学影像降噪处理，降低噪声阴影对医学影像的疾病预测系统的误判，影像更新单元用于更新需要被预测疾病的影像，预处理后的患者医学影像将被送往疾病预测模块进一步对疾病特征进行分类，所述疾病预测模块通过神经网络对训练的医学影像结果分类疾病，所述智能诊断模块完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。

进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，医学影像获取模块用于获取患者的诊疗医学影像，并将获取的医学影像传输至所述医学影像预处理模块。

进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，医学影像预处理模块用于去除医学影像缺省、无效内容后，将患者的医学影像存储至区块链存储单元。

进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，所述的区块链存储单元由网络内多个虚拟机并行搭建数据库，采用权益证明机制，记录区块链存储单元的正常或异常行为状态。

进一步的，所述的基于区块链和医学影像的疾病预测系统，其特征在于，所述的数据库由网络内多个虚拟机并行搭建，利用非对称加密技术保证患者医学影像的安全性与私密性。

进一步的，所述影像降噪单元采用双边滤波算法对医学影像进行降噪处理，步骤如下：

设待处理的医学影像记作I，I(x,y)表示医学影像I中坐标(x,y)处的像素，以坐标(x,y)为中心的M×M的医学影像邻域记作Ω(x,y)，对像素I(x,y)进行滤波处理后的灰度值记为f

其中，I(i,j)表示医学影像I中坐标(i,j)处的像素，f(i,j)表示像素I(i,j)的灰度值，权重ω(i,j,x,y)的值为：

其中，ω

β(x,y)＝1-α(x,y)

上式中η(x,y)表示像素I(x,y)的空间域检测系数，η

进一步的，影像更新单元调取医学影像数据对支持向量机进行训练和测试，影像更新单元通过调取的医学影像数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：

在上式中，x

进一步的，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度β

在上式中，

进一步的，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数α

将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θ

在上式中，M

当θ

当θ

在上式中，α

进一步的，疾病预测模块采用Otsu阈值分割算法对降噪处理后的医学影像进行影像分割，并采用遗传退火粒子群(GSP)算法确定所述Otsu分割算法的阈值。具体步骤如下：

(1)计算Ω(x,y)的灰度均值为M(x,y)，如下式表示：

其中，size(x,y)表示Ω(x,y)区域内总像素的个数；

(2)将256位的灰度值均分，记这两部分分别为Ω

假设在Ω(x,y)内存在某个灰度值f(i,j)对应的是第k个像素点x

其中，MA(x

(3):为了能够找到最好的分割阈值，使得医学影像识别更加准确，建立了数学规划模型，目标函数

满足约束条件：0≤x

采用GSP算法确定所述Otsu自动分割算法的阈值，设置所述GSP算法根据下式更新粒子的速度和位置：

其中，

(4)在GSP算法中，由于加速系数的影响可能会导致过快的达到收敛状态，若

(5)同理，设变异概率P

其中，θ

式中，θ

(6)对于目标函数

其中w

进一步的，根据权利要求1所述的基于区块链和医学影像的疾病预测系统，其特征在于，智能诊断模块根据训练出的最优医学影像分割阈值来识别疾病特征，完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。

本发明的有益效果：建立基于区块链和医学影像的疾病预测系统，对患者的医学影像进行安全地存储和分析，利于及时了解患者的疾病发展趋势，从而降低患者病情进一步恶化；采用基于权益证明机制的区块链存储单元能有效地实现医学影像存储方式的去中心化，并规避了区块链“51％攻击”的风险；采用非对称加密算法保证医学影像信息的隐私性；对于数据库中海量的患者医学影像，医学影像预处理模块完成医学影像的筛选、去噪等功能；其中去噪采用了双边滤波法，加入了自适应调节因子对普通双边滤波权重和像素值相似度权重自动调节，得到最佳去噪效果的医学影像；将萤火虫算法应用到对支持向量机的参数的寻优中，并对萤火虫算法固有的缺陷进行改进，使得通过改进的萤火虫算法确定的参数能够有效的提高支持向量机的分类精度；采用遗传退火粒子群(GSP)算法对疾病特征的权值矩阵进行训练，通过不断更新迭代得到适应度最强、匹配度最高的训练权值能对疾病进行有效的预测，从而早发现早治疗，降低疾病的死亡率。

附图说明

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。

图1是本发明结构示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图本发明旨在提供一种基于区块链和医学影像的疾病预测系统，包括医学影像获取模块、医学影像预处理模块、疾病预测模块和智能诊断模块；

医学影像获取模块用于获取患者的医学影像，并将获取的患者的历史诊疗医学数据和医学影像传输至所述医学影像预处理模块，医学影像预处理模块包括区块链存储单元和影像降噪单元，所述区块链存储单元安全可靠地将患者历史诊疗医学数据和医学影像分布式地存入数据库，数据库由网络内多个虚拟机并行搭建，并从区块链存储单元调取患者的医学影像，通过影像降噪单元对患者的医学影像降噪处理，降低噪声阴影对医学影像的疾病预测系统的误判，预处理后的患者医学影像将被送往疾病预测模块进一步对疾病特征进行分类，所述疾病预测模块通过神经网络对训练的医学影像结果分类疾病，所述智能诊断模块完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。

医学影像获取模块用于获取患者的诊疗医学影像，并将获取的医学影像传输至所述医学影像预处理模块。

医学影像预处理模块用于去除医学影像缺省、无效内容后，将患者的医学影像存储至区块链存储单元。

区块链存储单元由网络内多个虚拟机并行搭建数据库，采用权益证明机制，记录区块链存储单元的正常或异常行为状态，具体包括：

(1)每个虚拟机初始时具有相等的权益；

(2)不需要大量医学影像存储，保证区块链的去中心化；

(3)每个虚拟机的工作时长记为“工龄”，用来衡量虚拟机的信任值，其中虚拟机工龄越长，代表该虚拟机的工作越可靠，保证区块链存储单元的稳定性。

所述数据库由网络内多个虚拟机并行搭建，利用非对称加密技术保证患者医学影像的安全性与私密性。

所述非对称加密技术含有两把密钥，其中密钥是指用来完成加密、解密、完整性验证等应用的秘密信息，包括公开密钥和私有密钥，其中公钥可以任意对外发布，而私钥必须由用户自行严格秘密保管，具体步骤如下：

步骤(1)医学影像存储到区块链存储单元；

步骤(2)公钥加密；

步骤(3)加密医学影像在区块链存储单元传输至所需虚拟机；

步骤(4)私钥解密；

步骤(5)用户获取医学影像。

利用sha256散列算法，保证公钥无法推导出私钥，其中散列算法散列函数把消息或数据压缩成摘要，使得医学影像数据变小，将医学影像数据的格式固定下来，接着该函数将医学影像数据打乱混合，重新创建一个叫做散列值的标签，散列值通常用短的随机字母和数字组成的字符串来表示具体为假设散列函数为 SHA_256，待存储的医学影像为H，所包含像素点是R×C维的，待存储的医学影像H的像素矩阵记作H

在优选的实例中，所述影像降噪单元采用双边滤波算法对医学影像进行降噪处理，所述双边滤波算法是一种非线性的滤波方法，结合医学影像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空间与信息和灰度相似性，达到保边去噪的目的，具体为：

设待处理的医学影像记作I，I(x,y)表示医学影像I中坐标(x,y)处的像素，以坐标(x,y)为中心的M×M的医学影像邻域记作Ω(x,y)，对像素I(x,y)进行滤波处理后的灰度值记为f

∑

其中，ω

ω(i,j,x,y)＝ω

ω(i,j,x,y)＝ω

β(x,y)＝1-α(x,y)

上式中η(x,y)表示像素I(x,y)的空间域检测系数，η

式中，I(a,b)表示医学影像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)表示医学影像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)表示医学影像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

进一步的，影像更新单元调取医学影像数据对支持向量机进行训练和测试，影像更新单元通过调取的医学影像数据对支持向量机进行训练时，采用萤火虫算法确定所述支持向量机的惩罚因子和核函数参数，在采用萤火虫算法对支持向量机的惩罚因子和核函数参数进行寻优的过程中，每只萤火虫采用轮盘赌法则选择向着比自身荧光亮度高的个体移动，并根据吸引力确定每只萤火虫的移动距离，在此基础上，设萤火虫i选择向着萤火虫j进行移动，最终实现第(t+1)次的迭代更新，具体的位置更新公式如下：

在上式中，x

进一步的，将在第t次迭代更新后萤火虫j对于萤火虫i的吸引度β

在上式中，

进一步的，将在第t次迭代更新后萤火虫i向着萤火虫j进行随机移动的随机项系数α

将种群中各萤火虫在进行第(t+1)次迭代更新时选取的作为移动方向的萤火虫组成的集合表示为K(t)，当集合K(t)中存在重复的作为移动方向的萤火虫时则仅保留这些重复的萤火虫中的一个，定义θ

在上式中，M

当θ

当θ

在上式中，α

疾病预测模块采用Otsu阈值分割算法对降噪处理后的医学影像进行影像分割,并采用遗传退火粒子群(GSP)算法确定所述Otsu分割算法的阈值，具体步骤如下：

计算Ω(x,y)的灰度均值为M(x,y)，如下式表示：

其中，size(x,y)表示Ω(x,y)区域内总像素的个数；

将256位的灰度值均分，记这两部分分别为Ω

假设在Ω(x,y)内存在某个灰度值f(i,j)对应的是第k个像素点x

式中，MA(x

为了能够找到最好的分割阈值，类间差异最大能使分类效果最清晰，使得医学影像识别更加准确，建立了数学规划模型，构建如下目标函数

满足约束条件：0≤x

采用GSP算法确定所述Otsu自动分割算法的阈值，设置所述GSP算法根据下式更新粒子的速度和位置：

其中，

在GSP算法中，由于加速系数的影响可能会导致过快的达到收敛状态，若

优选地，设变异概率P

其中，θ

式中，θ

对于目标函数

其中w

智能诊断模块根据训练出的最优医学影像分割阈值来识别疾病特征，完成人机交互服务，包括对预测结果的展示并给出预防疾病恶化建议。

具体的，本发明针对传统粒子群算法局部搜索能力弱、寻优精度低的不足提出了模拟退火粒子群(GSP)算法。GSP算法结合了遗传算法(Genetic Algorithm, GA)、SA(Simulated Annealing,SA)和PSO(Particle Swarm Optimization,PSO)优化算法的优势，通过遗传算法对

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。