[发明专利]一种基于区块链的医疗影像数据人工智能检测方法

说明书

本发明涉及一种基于区块链的医疗影像数据人工智能检测方法，属于区块链应用技术领域。本方法利用人工智能目标检测技术辅助医生诊断，实现了安全的医疗影像数据共享，医疗影像数据训练参数被匿名存储在区块链上，除服务器外，任意医疗结构无法得其他医疗结构的医疗影像数据信息。由于数据存储在区块链上，防止了信息被篡改，保证了数据的真实性。同时，本方法能够节省链上存储空间和带宽。根据所述方法，各医疗结构将训练参数上传而非医疗影像数据本身，实现全局参数更新，避免了海量医疗影像数据的上传。

技术领域

本发明涉及一种基于区块链的医疗影像数据人工智能检测方法，属于区块链应用技术领域。

背景技术

医疗机构工作十分繁忙，每天需要接诊大量病人，同时每日产生大量的医学数据。在医疗影像数据中，影像数据占数据总量的90％以上，并以超过30％的年增长速度迅速增加。随着医疗检测设备的不断完善和更新换代，医疗影像数据急剧增长同医生数量缓慢增长形成鲜明反差。阅读分析CT(计算机断层扫描)等工作对医生造成的负担日益加剧，容易造成用眼疲劳，影响诊断的准确性。因此，利用计算机辅助诊断、使用基于人工智能的目标检测技术帮助医生做出判断，对于减轻医生负担、增加诊断准确率、提高就诊效率具有重要的意义。

目标检测技术，因其广泛的现实应运用场景，备受学术界和工业界关注。目标检测技术，主要是通过检测和分类，提取出检测对象中预定目标的位置、类别等相关信息。随着计算机算力的不断提升，目标检测技术也得到了蓬勃发展，并衍化出双阶段和单阶段两大类。

双阶段算法，是在基于特征提取的基础上，在目标对象上生成候选区域，再对其区域进行分类和回归，用矩形框确定准确位置信息并判定类别。双阶段类算法具有较高的精度。Faster R-CNN，R-FCN和FPN等都属于双阶段。在双阶段类算法中，R-CNN是最早的深度学习目标检测算法，显著提升了目标检测平均精准度(mean Average Precison，mAP)。He等人通过引入空间金字塔池化层(Spatial Pyramid Pooling,SPP)提出了SPP-NET，检测效率较R-CNN大幅提高。Fast R-CNN改进了R-CNN的池化核，将候选区域映射成统一尺度的特征向量，提高了模型训练效率。

单阶段算法，是一次性实现候选区域的生成、分类和回归，YOLO、SSD和RetinaNet等均属于单阶段目标检测算法。YOLO网络结构简单，具有速度快、实时性较好的特点，是单阶段类算法的代表。SSD通过对不同卷积层预设锚盒提取特征，优化了对多尺度目标的检测。YOLOv3延续了之前darknet结构的使用，同时引入残差结构，提高了小尺度目标的检测精度。因此，总体看来，单阶段类算法具有较高的效率。

然而，对于目标检测而言，确保预测精准的必要前提是需要大量准确数据。如果训练样本过小，会导致学习效果不佳。而错误的数据，更可能产生误导性的结果。

为了获得大量医疗影像数据，在医疗机构、研究中心等机构间共享医疗影像数据是一种简单高效的解决方案。但是，目前中心化的医疗存储数据方案不利于数据分享，并存在倒卖数据的风险，更不利于患者的病情等隐私情况的保护。

发明内容

本发明的目的是针对现有技术存在的缺陷和不足，为解决医疗影像数据存在利用不充分、信息共享困难等技术问题，创新性地提出一种基于区块链的医疗影像数据人工智能检测方法。

首先，对本发明涉及的有关内容进行解释说明。

定义1：目标检测

是指通过检测和分类提取出检测对象中预定目标的位置、类别等所需信息。

定义2：医疗机构

是指为病员开展必要的医学检查、诊断救治等服务的机构，是医疗影像数据的来源，同时，也包括产生相关医疗影像数据的研究所等机构。

定义3：区块链