CN103870688B - 一种移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统 - Google Patents

Abstract

本发明提供一种移动互联网环境下头颈部浅表疾病初筛方法，该方法首先从病变部位图像中快速提取多个不同尺度的特征码，然后通过与专家知识库中的特征码进行比较完成疾病的初筛。上述技术方案有如下优点：1）可以从图像中获得多个不同尺度的特征码，因此用户在采集病变部位图像过程中不需要考虑病变部位的大小；2）在移动互联网环境下，通过将图像特征提取过程中大量的计算转移到移动客户端，从而大大降低数据中心的计算量，提高响应速度;3）可以提高医院对用户医疗需求的响应速度，从而提高整体用户体验，进一步增加了该方法的易用性。

Description

一种移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统

技术领域

本发明属于移动互联网环境下的头颈部浅表疾病初筛技术领域，尤其涉及的是一种移动互联网环境下头颈部浅表疾病初筛图像相似性比较方法。

背景技术

在头颈部浅表疾病初筛中，头颈部浅表疾病往往在皮肤表面表现出异常，这种异常经常与正常的皮肤异常现象混杂在一起，普通患者往往难以分辨。如果异常不是疾病，那么，去医院就诊不仅费时费力，并且浪费了宝贵的医疗资源；如果异常是疾病，而又不去就诊，则又会耽误治疗，影响患者健康。

在计算机技术及互联网发展的今天、尤其是移动互联网的快速发展带来了以下两种变化：1、患者利用照相机(例如：手机摄像头)拍摄得到皮肤表面的异常现象变得非常容易；2、通过互联网将异常部位图像输到医院的数据中心变得非常便捷。

患者在发现皮肤异样之后，可以第一时间采集到相应异样部位的图像数据，然而如何找到专业的医生为其解析成为难点。在现有技术中有一种远程诊疗解决方案有：1、患者通过互联网将图像发送给医生，由医生进行判断并给出就诊建议；2、利用远程诊疗系统由专业的医生为其实时在线诊断。上述方案均需要医生实时在线进行处理，一旦这样的一个远程诊疗系统投入运行，采用远程诊疗服务的患者将会大量增加，这就需要大量的医生投入远程诊疗系统并为其进行服务。

在现有技术中有另一种远程诊疗解决方案是将图像传给医院的数据中心，在数据中心建立一个专家知识库，计算机将患者传递的图像与知识库中的数据进行比较，完成患者病情的初筛。这里面有两个困难：1)现在的数字相机(来自专业的数字相机或手机)分辨率非常高，患者采集到的图像数据往往占用非常大的存储空间，这就需要数据中心具有非常大的存储设备。2)从图像中提取病变部位的图像特征需要大量的计算，这就要求远程诊疗系统具备很强的运算能力。然而，一旦一个远程诊疗系统投入运行后，由于远程诊疗成本低，因此患者一旦有任何异常必然会请求数据中心进行处理，将造成请求远程诊疗的患者数量呈几何级数增长，这就要求医院必须建立一个计算能力非常强、具有很大存储空间的数据中心才能满足患者的需求，才能使其相应速度达到能够被患者接受的程度。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种移动互联网环境下头颈部浅表疾病初筛图像相似性比较方法。

本发明的技术方案如下：

一种移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其中，包括以下步骤：

步骤1：用户通过移动互联网终端登录远程诊疗客户端；

步骤2：将采集到的病变部位图像数据加载至所述远程诊疗客户端中；

步骤3：在远程诊疗客户端中将图像数据提取病变部位的特征码；

步骤4：将所述特征码传递到远程诊疗中心中；

步骤5：所述远程诊疗中心将所述病变部位的特征码与专家知识库中的图像样本数据的特征码进行比较，判断是否相似；如否，则将相应的信息通过移动互联网返回至所述远程诊疗客户端中后结束；如是，则请求所述远程诊疗客户端的登录用户上传图像数据，进入步骤6；

步骤6：将所述上传的图像数据上传给值班医生登录的远程诊疗中心中；

步骤7：值班医生根据所述上传的图像数据进行人工判断；

步骤8：值班医生通过所述远程诊疗中心联系所述远程诊疗客户端的登录用户，指导所述远程诊疗客户端的登录用户及时就诊后结束。

所述的移动互联网环境下头颈部浅表疾病初筛方法，其中，所述步骤3将图像数据提取病变部位的特征码中及所述步骤5中图像样本数据的特征码的提取方法包括如下步骤：

步骤A：在图像数据或图像样本数据中随机生成m个采样点；所述m值与图像的总像素数的1/2次方成正比，按照公式确定，其中M是图像的像素数，λ需要根据不同的疾病经过试验确定；采样m个采样点得到一组采样点数据V，则V＝{P_i|i＝1,2,...,m}，其中采样点P_i∈R⁵为一个5维向量，表示为P_i{u_i,v_i,r_i,g_i,b_i}，其中u_i,v_i是第i个采样点的图像坐标，r_i,g_i,b_i是第i个采样点的颜色值，分别对应于红、绿和蓝色分量；

步骤B：根据图像数据或图像样本数据中图像大小确定一系列临界半径ε，ε＝{ε_j|j＝1,2,...,l}，其中l是临界半径的数量，通常情况下，取ε₁为一个特定的常数，而取ε_j＝ρε_j-1，其中ρ为1到2之间的实数，其中ε_l取为不大于图像长和宽的实数；

步骤C：对数组V中每一个采样点P_i，计算在尺度ε_j下的颜色差异分布直方图；所述直方图为计算到P_i的图像距离小于临界半径ε_j的采样点P_k与P_i的图像颜色值差异d_i,k的直方图分布；对每一个采样点P_i，在尺度ε_j下计算得到一系列不同颜色值差异，表示为一个向量v_i,k，其中k＝1,2,...,n_k，其中n_k是到P_i的距离小于ε_j的采样点P_k的数量；将所述向量v_i,k转化为一个维数为k的直方图向量，并对该向量进行归一化；对于m个采样点，共得到m×l个k维向量；

步骤D：计算特征码；构建一个h维向量v＝{v_i|i＝0,1,...,h}，初始情况下，将h维向量置为0向量，即对所有i＝0,1,...,h置v_i＝0；对从图像上提取得到的m×l个k维特征向量，计算每一个特征向量到图像样本数据库中的h个聚类中心的距离，找到距离最小的聚类中心，设该聚类中心的编号是j，则使向量v中的v_j＝v_j+1；计算完成后，得到一个h维向量v，所述h维向量v为当前图像的多尺度特征码。

所述的移动互联网环境下头颈部浅表疾病初筛方法，其中，所述步骤5中的专家知识库中的图像样本数据的构建方法包括如下步骤：

步骤501：采集不同年龄、性别的患者发病时及未发病时，病变部位的图像数据，得到一组图像样本数据；

步骤502：由医生组成一个专家组，对图像样本数据进行分类整理，对每一幅图像样本数据，标记出病变的年龄及病症诊断信息，并使每一幅图像样本数据的多尺度特征码与特定的疾病相关联；

步骤503：将专家组分类整理结果存入数据库，形成一个专家知识库中的图像样本数据。

所述的移动互联网环境下头颈部浅表疾病初筛方法，其特征在于，在步骤503中的数据库中的所述图像样本数据的编号方法包括如下步骤：

步骤5031：对q幅图像样本数据中，将每一幅图像中提取出m×l个k维向量，共计获得m×l×q个k维向量；

步骤5032：采用通用的向量聚类方法对m×l×q个k维向量聚类，得到h个聚类中心，每一个聚类中心都是一个k维向量；对聚类中心依次编号并存入图像样本库。

所述的移动互联网环境下头颈部浅表疾病初筛方法，其中，所述步骤5中进行比较的方法包括如下步骤：

步骤511：输入图像的多尺度特征码表示为一个h维向量，设为v；

步骤512：将专家知识库中的每一个图像样本数据的多尺度特征码表示为v_i，其中i＝0,1,...,n；

步骤513：计算v到v_i的向量距离，找到距离v最小的样本特征码，所述最小的样本特征码对应的图像样本数据为最接近的样本图像。

所述的移动互联网环境下头颈部浅表疾病初筛方法，其中，步骤3中的所述图像数据提取病变部位的特征码及步骤5中的所述图像样本数据的特征码是在远程诊疗客户端中完成提取，所述远程诊疗客户端为Android、IOS、Window Phone或PC、MAC的应用程序。

所述的移动互联网环境下头颈部浅表疾病初筛方法，其中：所述步骤5中的所述进行比较是在所述远程诊疗中心中完成的。

上述方案，是将图像中病变部位的特征提取交给移动客户端完成，充分利用了移动客户端的强大计算能力，而将提取出的异常部位特征与专家系统中知识库的相似性比较后，交由医院的数据中心处理完成。本发明：1、可以合理分配计算资源，提高远程诊疗系统的响应速度,从而提高系统的整体用户体验；2、在移动互联网环境下，通过将图像特征提取过程中大量的计算转移到移动客户端，从而大大降低数据中心的计算量，提高系统的响应速度，降低远程诊疗系统中数据中心的负担；3、可以从图像中获得多个不同尺度的特征码，通过图像特征提取、相似性比较采用随机采样方法，特征码的生成过程采用了统计直方图的形式，提取得到的特征码与图像的旋转角度无关，因而用户在使用过程中无需考虑皮肤病变部位图像的采集角度；4、统计了多个不同尺度的特征码，用户在图像采集过程中不需要考虑拍摄得到的病变部位的大小，进一步增加了该方法的易用性。

附图说明

图1为本发明方法流程图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

实施例1

本发明主要针对移动互联网环境下的头颈部浅表疾病远程诊疗，发明了一种病变图像处理方法，该方法流程图如图1所示，

可以按照如下步骤进行：

步骤1：用户通过移动互联网终端登录远程诊疗客户端；

步骤2：将采集到的病变部位图像数据加载至所述远程诊疗客户端中；

步骤3：在远程诊疗客户端中将图像数据提取病变部位的特征码；

步骤4：将所述特征码传递到远程诊疗中心中；

步骤5：所述远程诊疗中心将所述病变部位的特征码与专家知识库中的图像样本数据的特征码进行比较，判断是否相似；如否，则将相应的信息通过移动互联网返回至所述远程诊疗客户端中后结束；如是，则请求所述远程诊疗客户端的登录用户上传图像数据，进入步骤6；

步骤6：将所述上传的图像数据上传给值班医生登录的远程诊疗中心中；

步骤7：值班医生根据所述上传的图像数据进行人工判断；

步骤8：值班医生通过所述远程诊疗中心联系所述远程诊疗客户端的登录用户，指导所述远程诊疗客户端的登录用户及时就诊后结束。

上述步骤中，对3个主要方法进一步说明：1、步骤3中病变部位的特征码提取方法；2、步骤5中专家知识库的设计及其构建方法；3、步骤5中图像特征码与专家知识库中的数据相似性比较方法。

本发明步骤3中从图像数据中提取病变部位的特征码的方法包括如下步骤：

步骤A：在用户采集到的病变图像中随机生成m个采样点；

m的大小根据图像分辨率确定，m值与图像的总像素数的1/2次方成正比，按照公式确定，其中M是图像的像素数，λ需要根据不同的疾病经过试验确定。

在采样过程中需要确保每一个采样点的图像坐标是一个在图像范围内的随机数，将采集到m个采样点表示为一个数组V，V＝{P_i|i＝1,2,...,m}，这里P_i∈R⁵是一个5为向量，可以表示为P_i{u_i,v_i,r_i,g_i,b_i}，其中u_i,v_i是第i个采样点的图像坐标，r_i,g_i,b_i是第i个采样点的颜色值，分别对应于红、绿和蓝色分量。

步骤B：在图像坐标下取一个系列的临界半径ε＝{ε_j|j＝1,2,...,l}，称每一个临界半径为一个尺度；临界半径可以从服务器直接获得；

通常情况下，取ε₁为一个特定的常数(通常情况下取10-20个像素)，而取ε_j＝ρε_j-1，其中ρ取在1到2之间的实数，其中ε_l取为不大于图像长和宽的实数。当j＝l的时候，ε_l的值是所有ε中最大的一个，此时ε_l的值取不能超过图像长和宽的像素数。也就是说l是根据图像的长和宽确认的。

步骤C：对数组V中每一个采样点P_i，计算在尺度ε_j下的颜色差异分布直方图；所述直方图为计算到P_i的图像距离小于临界半径ε_j的采样点P_k与P_i的图像颜色值差异d_i,k的直方图分布；对每一个采样点P_i，在尺度ε_j下计算得到一系列不同颜色值差异，表示为一个向量v_i,k，其中k＝1,2,...,n_k，其中n_k是到P_i的距离小于ε_j的采样点P_k的数量；将所述向量v_i,k转化为一个维数为k的直方图向量，并对该向量进行归一化；对于m个采样点，共得到m×l个k维向量；

在尺度ε_i下的直方图是指计算到P_i的图像距离小于临界半径ε_i的采样点P_j与P_i的图像颜色值差异d(i,j)的直方图分布；

这里的d(i,j)可以采用任何距离度量方法，例如：欧氏距离等。

对每一个采样点P_i，在尺度ε_i下可以计算得到一系列不同颜色值差异，表示为一个向量v_i,j，其中j＝1,2,...,nk，采用bucket算法将该向量表示为一个维数为k的向量，并对该向量进行归一化。

对每一个采样点，均可以计算得到l个k维向量。

对于m个采样点，共可以得到m×l个k维向量。

步骤D：计算特征码；构建一个h维向量v＝{v_i|i＝0,1,...,h}，初始情况下，将h维向量置为0向量，即对所有i＝0,1,...,h置v_i＝0；对从图像上提取得到的m×l个k维特征向量，计算每一个特征向量到图像样本数据库中的h个聚类中心的距离，找到距离最小的聚类中心，设该聚类中心的编号是j，则使向量v中的v_j＝v_j+1；计算完成后，得到一个h维向量v，所述h维向量v为当前图像的多尺度特征码。计算得疾病图像的特征码，从服务器获得远程医疗中心的样本向量集。

对从图像上提取得到的m×l×t个k维特征向量，分别计算图片中每一个特征向量(m×l×t个k维)到聚类得到的h个类别中心的距离，找到距离最小的聚类中心，设该聚类中心的编号是j，则使向量v中的v_j＝v_j+1。

计算完成后，可以得到一个h维向量v，该向量即可作为当前图像的样本特征码。本发明步骤5中所述的专家知识库是在医生人工总结出来的带有头颈部浅表疾病的样本图像库(其中含有t幅带有各种头颈部浅表疾病的图像，表示为Ik，其中k＝0,1,2,...,t)的基础上完成的；

专家知识库中提取样本图像的特征码，得到每一幅图像的样本数据的特征码，对m幅图像样本提取特征码，将得到m×l×t个k维特征向量。

对从样本图像库中提取出的特征数据进行聚类，得到样本向量集；

以m×l×t个k维特征向量为输入，对特征向量进行聚类，得到h个类别，每一个类别中心都可以用一个k维向量表示，共h个。

聚类可以采用k-means方法或其他的任何聚类方法完成。

计算每一幅图像的样本特征码，并与特定的头颈部浅表疾病关联

构建一个h维向量v＝{v_i|i＝0,1,...,h}，初始情况下，将h维向量置为0向量，即对所有i＝0,1,...,h置vi＝0。

每一幅图像均可以提取得到m×l×t个k维特征向量，分别计算图片中每一个特征向量(m×l×t个k维)的到聚类得到的h个类别中心的距离，找到距离最小的聚类中心，设该聚类中心的编号是j，则使向量v中的v_j＝v_j+1。

计算完成后，可以得到一个h维向量v，该向量即可作为当前图像的样本特征码，由于与提取方法与前述的“病变部位的图像特征数据提取”方法一致，在此不再赘述。

上述中，得到当前的输入图像的特征码必须与专家知识库中的样本图像的样本特征码进行比较，找到与当前输入图像最为相似的样本图像，该样本图像关联的疾病就是输入图像最为可能的疾病。当前的输入图像的特征码必须与专家知识库中的样本图像的样本特征码进行比较的方法如下所示：

步骤511：输入图像的多尺度特征码本身是一个h维向量，设为v；

步骤512：专家知识库中的每一个样本图像都有一个样本特征码，则全部n幅样本图像的样本特征码可以表示为v_i,i＝0,1,...,n；

步骤513：计算v到vi的向量距离，找到距离v最小的样本特征码，该最小的样本特征码对应的样本图像就是与输入的图像最为接近的样本图像。

在上述内容的基础上，构建某头颈部浅表疾病的专家知识库包括如下步骤：

1)采集不同年龄、性别的患者发病时，病变部位的图像，没有发病时正常的图像，得到一组图像样本(在采集图像的过程中，每一个病变部位需要采集多个不同的角度)；

2)由医生组成一个专家组，对病变图片进行分类整理，对每一幅图像，标记出病变的年龄、病症等诊断信息，并将每一幅图像的样本特征码与特定的疾病相关联；

3)将专家组分类整理结果存入数据库，形成一个专家知识库。

上述中，图像样本数据库中的样本数据的编号方法包括如下步骤：

步骤5031：对q幅图像样本数据中，将每一幅图像中提取出m×l个k维向量，共计获得m×l×q个k维向量；

步骤5032：采用通用的向量聚类方法对m×l×q个k维向量聚类，得到h个聚类中心，每一个聚类中心都是一个k维向量；对聚类中心依次编号并存入图像样本库；

对于用户而言，需按照如下步骤使用：

1)下载一个远程诊疗客户端，并安装到移动客户端上(如安装在手机、平板等设备)；

2)打开客户端应用程序，采集病变的部位的图像数据；

3)点击提取图像数据的特征码，直到程序提示提取成功；

4)点击查询病症

4.1)如果返回的结果是“正常，无病变”，则结束过程；

4.2)如果返回的结果是“异常，是否咨询医生？”，则转步骤5)

5)移动客户端的应用将病变部位的图像上传给远程诊疗中心的数据库；

6)诊疗中心将图像转发给值班医生，医生根据病变部位情况进行人工判别；

7)医生联系用户并将判别结果告知用户。

8)结束应用。

上述方案，是将图像中病变部位的多尺度特征码及图像样本数据的特征码提取交给移动客户端完成，充分利用了移动客户端的强大计算能力，而将提取出的异常部位特征与专家系统中知识库的相似性比较后，交由医院的数据中心处理完成。本发明：1、可以合理分配计算资源，提高远程诊疗系统的响应速度；2、可以改善远程诊疗系统的用户体验；3、可以降低远程诊疗系统中数据中心的负担；4、通过图像特征提取、相似性比较采用随机采样方法，特征码的生成过程采用了统计直方图的形式，提取得到的特征码与图像的旋转角度无关，因而用户在使用过程中无需考虑头颈部浅表疾病变部位图像的采集角度；5、统计了多个不同尺度的特征码，用户在图像采集过程中不需要考虑拍摄得到的病变部位的大小，进一步增加了该方法的易用性。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其特征在于，包括远程诊疗客户端与远程诊疗中心：

所述远程诊疗客户端能够：使用户通过移动互联网终端登录远程诊疗客户端，将采集到的病变部位图像数据加载至所述远程诊疗客户端中；将图像数据提取病变部位的特征码，将所述特征码传递到远程诊疗中心中；

所述远程诊疗中心能够：将所述病变部位的特征码与专家知识库中的图像样本数据的特征码进行比较，判断是否相似；如否，则将相应的信息通过移动互联网返回至所述远程诊疗客户端中后结束；如是，则请求所述远程诊疗客户端的登录用户上传图像数据，将所述上传的图像数据上传给值班医生登录的远程诊疗中心中；

值班医生根据所述上传的图像数据进行人工判断，通过所述远程诊疗中心联系所述远程诊疗客户端的登录用户，指导所述远程诊疗客户端的登录用户及时就诊后结束；

其中，将图像数据提取病变部位的特征码及图像样本数据的特征码的提取方法包括如下步骤：

步骤A：在图像数据或图像样本数据中随机生成m个采样点；所述m值与图像的总像素数的1/2次方成正比，按照公式确定，其中M是图像的像素数，λ需要根据不同的疾病经过试验确定；采样m个采样点得到一组采样点数据V，则V＝{P_i|i＝1,2,...,m}，其中采样点P_i∈R⁵为一个5维向量，表示为P_i{u_i,v_i,r_i,g_i,b_i}，其中u_i,v_i是第i个采样点的图像坐标，r_i,g_i,b_i是第i个采样点的颜色值，分别对应于红、绿和蓝色分量；

步骤B：根据图像数据或图像样本数据中图像大小确定一系列临界半径ε，ε＝{ε_j|j＝1,2,...,l}，其中l是临界半径的数量，取ε₁为一个特定的常数，而取ε_j＝ρε_j-1，其中ρ为1到2之间的实数，其中ε_l取为不大于图像长和宽的实数；

步骤C：对数组V中每一个采样点P_i，计算在尺度ε_j下的颜色差异分布直方图；所述直方图为计算到P_i的图像距离小于临界半径ε_j的采样点P_k与P_i的图像颜色值差异d_i,k的直方图分布；对每一个采样点P_i，在尺度ε_j下计算得到一系列不同颜色值差异，表示为一个向量v_i,k，其中k＝1,2,...,n_k，其中n_k是到P_i的距离小于ε_j的采样点P_k的数量；将所述向量v_i,k转化为一个维数为k的直方图向量，并对该向量进行归一化；对于m个采样点，共得到m×l个k维向量；

步骤D：计算特征码；构建一个h维向量v＝{v_i|i＝0,1,...,h}，初始情况下，将h维向量置为0向量，即对所有i＝0,1,...,h置v_i＝0；对从图像上提取得到的m×l个k维特征向量，计算每一个特征向量到图像样本数据库中的h个聚类中心的距离，找到距离最小的聚类中心，设该聚类中心的编号是j，则使向量v中的v_j＝v_j+1；计算完成后，得到一个h维向量v，所述h维向量v为当前图像的多尺度特征码。

2.根据权利要求1所述的移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其特征在于，专家知识库中的图像样本数据的构建方法包括如下步骤：

步骤501：采集不同年龄、性别的患者发病时及未发病时，病变部位的图像数据，得到一组图像样本数据；

步骤502：由医生组成一个专家组，对图像样本数据进行分类整理，对每一幅图像样本数据，标记出病变的年龄及病症诊断信息，并使每一幅图像样本数据的多尺度特征码与特定的疾病相关联；

步骤503：将专家组分类整理结果存入数据库，形成一个专家知识库中的图像样本数据。

3.根据权利要求2所述的移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其特征在于，在步骤503中的数据库中的所述图像样本数据的编号方法包括如下步骤：

步骤5031：对q幅图像样本数据中，将每一幅图像中提取出m×l个k维向量，共计获得m×l×q个k维向量；

步骤5032：采用通用的向量聚类方法对m×l×q个k维向量聚类，得到h个聚类中心，每一个聚类中心都是一个k维向量；对聚类中心依次编号并存入图像样本库。

4.根据权利要求3所述的移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其特征在于，所述病变部位的特征码与专家知识库中的图像样本数据的特征码进行比较的方法包括如下步骤：

步骤511：输入图像的多尺度特征码表示为一个h维向量，设为v；

步骤512：将专家知识库中的每一个图像样本数据的多尺度特征码表示为v_i，其中i＝0,1,...,n；

步骤513：计算v到v_i的向量距离，找到距离v最小的样本特征码，所述最小的样本特征码对应的图像样本数据为最接近的样本图像。

5.根据权利要求4所述的移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其特征在于，所述图像数据提取病变部位的特征码及所述图像样本数据的特征码是在远程诊疗客户端中完成提取，所述远程诊疗客户端为Android、IOS、Window Phone或PC、MAC的应用程序。

6.根据权利要求5所述的移动互联网环境下头颈部浅表疾病初筛的远程诊疗系统，其特征在于：所述病变部位的特征码与专家知识库中的图像样本数据的特征码进行比较是在所述远程诊疗中心中完成的。