[发明专利]基于算法、医学影像和区块链的远程疾病智能诊断系统和辅助诊断方法

权利要求书

1.一种基于医学影像和区块链的远程疾病智能诊断系统，其特征在于，所述系统包括：用户终端、医学影像采集设备、诊断服务器以及区块链服务器；

其中，所述医学影像采集设备用于在相同采集环境下，针对用户的病灶部位连续采集多张医学影像，并将所述多张医学影像发送给所述用户终端；

所述用户终端用于接收所述多张医学影像，并生成疾病诊断请求，以及将所述疾病诊断请求发送给所述诊断服务器；其中，所述疾病诊断请求中包含所述多张医学影像和所述用户的用户信息；

所述诊断服务器用于接收所述疾病诊断请求，并用于调用图像去噪单元对所述疾病诊断请求中的多张医学影像进行去噪处理，得到一张去噪后的医学影像，然后基于所述去噪后的医学影像进行疾病预测，得到疾病预测结果；其中，所述图像去噪单元通过以下方式进行去噪处理：针对每个像素点，检测多张医学影像在该像素点处是否均为高亮像素点，若是，则将该像素点确定为高亮像素点，若否，则将该像素点确定为亮度为0的像素点，最终得到一张去噪后的医学影像；

所述诊断服务器还用于从所述疾病诊断请求中提取所述用户信息，并生成公钥查询交易，以及对所述公钥查询交易进行签名，然后再将签名后的公钥查询交易发送给所述区块链服务器；其中，所述公钥查询交易交易中包含所述用户信息；

所述区块链服务器用于接收所述公钥查询交易，并利用所述诊断服务器的公钥对所述公钥查询交易进行签名验证，在签名验证通过的情况下，基于所述公钥查询请求中的用户信息，调取该用户对应的用户公钥，并将该用户公钥返回给所述诊断服务器；

所述诊断服务器还用于接收所述用户公钥，并利用所述用户公钥对所述疾病预测结果进行加密，以及将加密后的疾病预测结果发送给所述用户终端；

在神经网络模型的训练过程中，采用粒子群算法对神经网络的初始权值和阈值进行优化，粒子群算法按照下列方式进行更新，具体为：

B_i(r+1)＝ω_i(r)B_i(r)+c₁r₁(P_i(r)-X_i(r))+c₂r₂(G(r)-X_i(r))+θ(r)r₃(K_i(r)-X_i(r))

X_i(r+1)＝X_i(r)+B_i(r+1)

式中，B_i(r+1)表示粒子i在第(r+1)次迭代时的步长，X_i(r+1)表示粒子i在第(r+1)次迭代时的解，B_i(r)表示粒子i在第r次迭代时的步长，X_i(r)表示粒子i在第r次迭代时的解，ω_i(r)表示粒子i在第r次迭代时的惯性权重因子，c₁和c₂表示粒子的学习因子，r₁、r₂和r₃表示随机产生(0，1)之间的随机数，P_i(r)表示粒子i在第r次迭代时的历史最优解，G(r)表示粒子群在第r次迭代时的全局最优解，θ(r)表示粒子群在第r次迭代时的寻优调节值，K_i(r)表示粒子i在第r次迭代时的寻优调节解，且θ(r)和K_i(r)的值采用下列方式确定：

对粒子群中的粒子进行标记，给定第一寻优分布检测阈值Q₁(r)和第二寻优分布检测阈值Q₂(r)，且其中，表示粒子群在第r次迭代时的适应度函数值的均值，f_min(r)表示粒子群在第r次迭代时的适应度函数值的最小值；设f_i(r)表示粒子i在第r次迭代时的适应度函数值，当粒子i满足f_i(r)≤Q₁(r)时，则将粒子i标记为1，当粒子i满足Q₁(r)＜f_i(r)≤Q₂(r)时，则将粒子i标记为2，当粒子i满足f_i(r)＞Q₂(r)时，则将粒子i标记为3；定义F(r)表示粒子群在第r次迭代时的寻优分布检测系数，且F(r)的表达式为：

式中，n₁(r)表示在第r次迭代时粒子群中被标记为1的粒子数，n₂(r)表示在第r次迭代时粒子群中被标记为2的粒子数，n₃(r)表示在第r次迭代时粒子群中被标记为3的粒子数，N表示粒子群中的粒子数；

给定粒子群在第r次迭代时的寻优分布检测参考值T_F(r)，且T_F(r)的表达式为：

式中，N(0)表示给定的寻优分布检测参考值的初始值，N(0)为正整数，且N(0)＜N，γ(r)表示粒子群在第r次迭代时对应的寻优分布检测参考值的调节系数，且r表示粒子群的当前迭代次数，R_max表示粒子群的最大迭代次数；

当粒子群在第r次迭代时满足F(r)≤T_F(r)时，则令θ(r)＝0；

当粒子群在第r次迭代时满足F(r)＞T_F(r)时，则令θ(r)＝1，且当时，令当时，令其中，X_i，2(r)表示粒子群中距离粒子i最近的且被标记为2的粒子在第r次迭代时的解，X_i，1(r)表示粒子群中距离粒子i最近的且被标记为1的粒子在第r次迭代时的解，G₂(r)表示粒子群中被标记为2的粒子中的适应度函数值最小的粒子对应的解，G₁(r)表示粒子群中被标记为1的粒子中的适应度函数值最小的粒子对应的解，ρ_i(r)表示粒子i在第r次迭代时的标记值，当粒子i在第r次迭代被标记为1时，则ρ_i(r)＝1，当粒子i在第r次迭代被标记为2时，则ρ_i(r)＝2，当粒子i在第r次迭代被标记为3时，则ρ_i(r)＝3；

所述区块链服务器在接收到所述公钥查询交易后，还用于生成一个具有唯一性的字符串，并将该字符串发送给所述用户终端和所述诊断服务器；

所述诊断服务器还用于接收所述字符串，所述诊断服务器在利用用户公钥对所述疾病预测结果进行加密时，具体用于：将所述字符串和疾病预测结果进行拼接，以及利用所述用户公钥对拼接后的字符串和疾病预测结果进行加密；

所述用户终端接收到加密后的字符串和疾病预测结果后，利用用户私钥进行解密以获得解密结果，所述用户终端还用于从所述解密结果中读取字符串，并将读取出的字符串与区块链服务器发送的字符串比较，如果两者一致，则接受所述疾病预测结果；

所述区块链服务器在生成字符串时，具体用于：所述区块链服务器以接收到所述公钥查询交易时的时间戳、以及所述公钥查询请求中包含的用户信息为输入数据，输入hash算法模型，以获得hash值，然后将该hash值作为所述具有唯一性的字符串；

所述疾病诊断请求中包含的用户信息是用户身份的hash值，所述区块链服务器的账本数据库中存储有用户身份的hash值和对应的用户公钥；

所述诊断服务器在基于所述去噪后的医学影像进行疾病预测时，具体用于：将所述去噪后的医学影像输入预先训练的疾病预测模型，从而得到所述疾病预测模型输出的疾病预测结果；

其中，所述疾病预测模型是通过以下方式训练得到的：搜集多张患有目标疾病的正样本医学影像和多张未患有目标疾病的负样本医学影像，每张正样本医学影像携带正标记，每张负样本医学影像携带负标记；将每张正样本医学影像和每张负样本医学影像输入预设的神经网络模型，从而对所述神经网络模型进行训练；将训练完成的神经网络模型作为用于检测所述目标疾病的疾病预测模型；

所述疾病预测模型不断动态更新达到更精确诊断的效果。