CN105260609B - 一种存储医学图像的方法和装置 - Google Patents
一种存储医学图像的方法和装置 Download PDFInfo
- Publication number
- CN105260609B CN105260609B CN201510689812.6A CN201510689812A CN105260609B CN 105260609 B CN105260609 B CN 105260609B CN 201510689812 A CN201510689812 A CN 201510689812A CN 105260609 B CN105260609 B CN 105260609B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- medical image
- compression
- data
- storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007906 compression Methods 0.000 claims abstract description 70
- 230000006835 compression Effects 0.000 claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000012141 concentrate Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 241000638935 Senecio crassissimus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种存储医学图像的方法和装置,该方法包括以下步骤:提取图像库中的各个医学图像的轮廓特征,根据所述轮廓特征,对所述图像库中的医学图像进行分类;分别对各类医学图像组建三维张量,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量;使用三维随机欠采样模板,对所述三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中。本发明以远低于奈奎斯特‑香农采样定理要求的样本量完成海量医学图像在云端的存储,能够极大地节省存储空间,降低了医学图像在云端的存储空间要求,提高了医学图像的存储安全性,能够有效地防止未授权用户获得就医人员的诊断数据。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种存储医学图像的方法和装置。
背景技术
随着云计算时代的到来,越来越多的医疗服务机构倾向于将其每天产生的大量医疗诊断影像(例如,超声波成像和磁共振成像)数据存储于云服务器中。然而,医学图像的云存储会存在以下两个问题:首先,由于每天都有海量医学图像的产生,需要大量占用存储服务器的存储空间,导致存储服务器容量不足;其次,将医学图像直接存储到云端,还会导致数据泄露风险的增大。
发明内容
本发明提供了一种存储医学图像的方法和装置,以解决现有的医学图像的云存储中存在的容量大以及安全风险大的缺陷。
本发明提供了一种存储医学图像的方法,包括以下步骤:
提取图像库中的各个医学图像的轮廓特征,根据所述轮廓特征,对所述图像库中的医学图像进行分类;
分别对各类医学图像组建三维张量,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量;
使用三维随机欠采样模板,对所述三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中。
可选地,所述的方法,还包括:
将所述三维随机欠采样模板设置为保护数据。
可选地,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量,具体为:
对所述三维张量逐层执行傅立叶变换,得到三维傅立叶系数张量,使每层图像的信息集中在傅立叶变换域的中心位置。
可选地,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中之后,还包括:
从所述存储服务器中获取所述压缩存储数据,获取与所述压缩存储数据对应的三维随机欠采样模板,并根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像。
可选地,根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像,具体为:
采用以下公式重建与所述压缩存储数据对应的医学图像:
x=argmin||x||1 s.t.||φFm-b||2≤ε
其中,m为与所述压缩存储数据对应的医学图像,x为m的稀疏表示,F为m的逐层傅立叶变换,||x||1为x的L1范数,b为所述压缩存储数据,ф为三维随机欠采样模板。
本发明提供了一种存储医学图像的装置,包括:
提取模块,用于提取图像库中的各个医学图像的轮廓特征;
分类模块,用于根据所述轮廓特征,对所述图像库中的医学图像进行分类;
组建模块,用于分别对各类医学图像组建三维张量;
变换模块,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量;
采样模块,用于使用三维随机欠采样模板,对所述三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中。
可选地,所述的装置,还包括:
设置模块,用于将所述三维随机欠采样模板设置为保护数据。
可选地,所述变换模块,具体用于对所述三维张量逐层执行傅立叶变换,得到三维傅立叶系数张量,使每层图像的信息集中在傅立叶变换域的中心位置。
可选地,所述的装置,还包括:
获取模块,用于从所述存储服务器中获取所述压缩存储数据,获取与所述压缩存储数据对应的三维随机欠采样模板;
重建模块,用于根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像。
可选地,所述重建模块,具体用于采用以下公式重建与所述压缩存储数据对应的医学图像:
x=argmin||x||1 s.t.||φFm-b||2≤ε
其中,m为与所述压缩存储数据对应的医学图像,x为m的稀疏表示,F为m的逐层傅立叶变换,||x||1为x的L1范数,b为所述压缩存储数据,ф为三维随机欠采样模板。
本发明基于压缩感知理论的信号采集方法移植到对医学图像的压缩存储中,以远低于奈奎斯特-香农采样定理要求的样本量完成海量医学图像在云端的存储,能够仅采集1/4至1/12的样本量即可重建出高质量的目标信号,极大地节省存储空间,降低了医学图像在云端的存储空间要求,提高了医学图像的存储安全性,能够有效地防止未授权用户获得就医人员的诊断数据。
附图说明
图1为本发明实施例中的一种存储医学图像的方法流程图;
图2为本发明实施例中的三维随机欠采样模板的示意图;
图3为本发明实施例中的一种存储医学图像的装置结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,如果不冲突,本发明实施例以及实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种存储医学图像的方法,如图1所示,包括以下步骤:
步骤101,提取图像库中的各个医学图像的轮廓特征,根据轮廓特征,对图像库中的医学图像进行分类。
具体地,由于不同组织部位的影像(例如,大脑、心脏和血管)具有明显的轮廓差异,可以通过一系列方法(例如,先验知识法、数学形态法和神经动力学方法)提取医学图像的轮廓特征,并根据轮廓特征,采用聚类方法(例如,K均值、层次聚类和支持向量机)对医学图像进行分类。
步骤102,分别对各类医学图像组建三维张量,对三维张量执行傅立叶变换,得到三维傅立叶系数张量。
具体地,可以分别对各类医学图像组建三维张量,对三维张量逐层执行傅立叶变换,得到三维傅立叶系数张量,使每层图像的信息集中在傅立叶变换域的中心位置。
步骤103,使用三维随机欠采样模板,对三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中。
本实施例中,可以将表现同一组织部位的医学图像聚合在一起,构建三维张量,以便有效地利用同一类图像间的结构相似性,使用三维随机欠采样模板在傅立叶域执行欠采样。
其中,三维随机欠采样模板如图2所示,其采样点是随机分布的,以保证采样模板与稀疏变换的不相关性;三维随机欠采样模板的每一层的采样点位置都不完全相同,使采样过程能尽可能获得多样化的数据信息;此外,由于目标数据的主要/关键信息集中在傅立叶域的中心区域,因此,三维随机欠采样模板的采样点更大概率地分布在数据的中心区域。
步骤104,将三维随机欠采样模板设置为保护数据。
步骤105,从存储服务器中获取压缩存储数据,获取与压缩存储数据对应的三维随机欠采样模板。
步骤106,根据压缩存储数据以及与压缩存储数据对应的三维随机欠采样模板,重建与压缩存储数据对应的医学图像。
具体地,可以采用以下公式重建与压缩存储数据对应的医学图像:
x=argmin||x||1 s.t.||φFm-b||2≤ε
其中,m为与压缩存储数据对应的医学图像,x为m的稀疏表示,即x=ψ(m),ψ为三维稀疏变换方法,F为m的逐层傅立叶变换,||x||1为x的L1范数,b为压缩存储数据,ф为三维随机欠采样模板。在理论层面,x=ψ(m)越稀疏,则重建质量越高。
本实施例中,可以从保护域申请获得对应的三维随机欠采样模板,根据授权用户指定的目标图像索引,查找到目标图像对应的压缩存储数据,输入压缩过程中采用的三维欠采样模板,采用一系列的重建算法(例如,NLCG算法、RecPF算法、TVCMRI算法和FCSA算法),重建获得清晰的目标图像。在压缩阶段,具有同一类医学图像被组织为三维张量进行统一的压缩处理,张量层与层之间具有明显的结构相似性,因此,在解压缩(即重建)三维张量时,可以充分利用图像间的结构相似性,获得目标数据高效的变换稀疏性,进而获得最终的目标图像数据。
本发明实施例将基于压缩感知理论的信号采集方法移植到对医学图像的压缩存储中,以远低于奈奎斯特-香农采样定理要求的样本量完成海量医学图像在云端的存储,能够仅采集1/4至1/12的样本量即可重建出高质量的目标信号,极大地节省存储空间,降低了医学图像在云端的存储空间要求,提高了医学图像的存储安全性,能够有效地防止未授权用户获得就医人员的诊断数据。
基于上述存储医学图像的方法,本发明实施例还提供了一种存储医学图像的装置,如图3所示,包括:
提取模块310,用于提取图像库中的各个医学图像的轮廓特征;
分类模块320,用于根据所述轮廓特征,对所述图像库中的医学图像进行分类;
组建模块330,用于分别对各类医学图像组建三维张量;
变换模块340,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量;
具体地,上述变换模块340,具体用于对所述三维张量逐层执行傅立叶变换,得到三维傅立叶系数张量,使每层图像的信息集中在傅立叶变换域的中心位置。
采样模块350,用于使用三维随机欠采样模板,对所述三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中。
进一步地,上述装置,还包括:
设置模块360,用于将所述三维随机欠采样模板设置为保护数据。
进一步地,上述装置,还包括:
获取模块370,用于从所述存储服务器中获取所述压缩存储数据,获取与所述压缩存储数据对应的三维随机欠采样模板;
重建模块380,用于根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像。
具体地,上述重建模块380,具体用于采用以下公式重建与所述压缩存储数据对应的医学图像:
x=argmin||x||1 s.t.||φFm-b||2≤ε
其中,m为与所述压缩存储数据对应的医学图像,x为m的稀疏表示,F为m的逐层傅立叶变换,||x||1为x的L1范数,b为所述压缩存储数据,ф为三维随机欠采样模板。
本发明实施例将基于压缩感知理论的信号采集方法移植到对医学图像的压缩存储中,以远低于奈奎斯特-香农采样定理要求的样本量完成海量医学图像在云端的存储,能够仅采集1/4至1/12的样本量即可重建出高质量的目标信号,极大地节省存储空间,降低了医学图像在云端的存储空间要求,提高了医学图像的存储安全性,能够有效地防止未授权用户获得就医人员的诊断数据。
结合本文中所公开的实施例描述的方法中的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种存储医学图像的方法,其特征在于,包括以下步骤:
提取图像库中的各个医学图像的轮廓特征,根据所述轮廓特征,对所述图像库中的医学图像进行分类;
分别对各类医学图像组建三维张量,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量;
使用三维随机欠采样模板,对所述三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中;
其中,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量,具体为:
对所述三维张量逐层执行傅立叶变换,得到三维傅立叶系数张量,使每层图像的信息集中在傅立叶变换域的中心位置。
2.如权利要求1所述的方法,其特征在于,还包括:
将所述三维随机欠采样模板设置为保护数据。
3.如权利要求1所述的方法,其特征在于,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中之后,还包括:
从所述存储服务器中获取所述压缩存储数据,获取与所述压缩存储数据对应的三维随机欠采样模板,并根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像。
4.如权利要求3所述的方法,其特征在于,根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像,具体为:
采用以下公式重建与所述压缩存储数据对应的医学图像:
x=argmin||x||1 s.t.||φFm-b||2≤ε
其中,m为与所述压缩存储数据对应的医学图像,x为m的稀疏表示,F为m的逐层傅立叶变换,||x||1为x的L1范数,b为所述压缩存储数据,ф为三维随机欠采样模板。
5.一种存储医学图像的装置,其特征在于,包括:
提取模块,用于提取图像库中的各个医学图像的轮廓特征;
分类模块,用于根据所述轮廓特征,对所述图像库中的医学图像进行分类;
组建模块,用于分别对各类医学图像组建三维张量;
变换模块,对所述三维张量执行傅立叶变换,得到三维傅立叶系数张量;
采样模块,用于使用三维随机欠采样模板,对所述三维傅立叶系数张量进行采样,将得到的样本点作为与该类医学图像对应的压缩存储数据,存储到存储服务器中;
其中,所述变换模块,具体用于对所述三维张量逐层执行傅立叶变换,得到三维傅立叶系数张量,使每层图像的信息集中在傅立叶变换域的中心位置。
6.如权利要求5所述的装置,其特征在于,还包括:
设置模块,用于将所述三维随机欠采样模板设置为保护数据。
7.如权利要求5所述的装置,其特征在于,还包括:
获取模块,用于从所述存储服务器中获取所述压缩存储数据,获取与所述压缩存储数据对应的三维随机欠采样模板;
重建模块,用于根据所述压缩存储数据以及与所述压缩存储数据对应的三维随机欠采样模板,重建与所述压缩存储数据对应的医学图像。
8.如权利要求7所述的装置,其特征在于,
所述重建模块,具体用于采用以下公式重建与所述压缩存储数据对应的医学图像:
x=argmin||x||1 s.t.||φFm-b||2≤ε
其中,m为与所述压缩存储数据对应的医学图像,x为m的稀疏表示,F为m的逐层傅立叶变换,||x||1为x的L1范数,b为所述压缩存储数据,ф为三维随机欠采样模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510689812.6A CN105260609B (zh) | 2015-10-21 | 2015-10-21 | 一种存储医学图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510689812.6A CN105260609B (zh) | 2015-10-21 | 2015-10-21 | 一种存储医学图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260609A CN105260609A (zh) | 2016-01-20 |
CN105260609B true CN105260609B (zh) | 2018-09-04 |
Family
ID=55100298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510689812.6A Active CN105260609B (zh) | 2015-10-21 | 2015-10-21 | 一种存储医学图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260609B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872046A (zh) * | 2016-03-30 | 2016-08-17 | 东北大学 | 一种ct设备的云端虚拟机控制系统及方法 |
CN106338703B (zh) * | 2016-09-30 | 2018-12-25 | 中国科学院武汉物理与数学研究所 | 一种基于射频脉冲多模加权的高清快速磁共振成像方法 |
CN109726306B (zh) * | 2018-12-29 | 2022-06-14 | 上海联影医疗科技股份有限公司 | 患者数据存储方法、装置、设备和存储介质 |
CN113055677B (zh) * | 2021-04-07 | 2022-10-28 | 南京云格信息技术有限公司 | 一种基于fpga的图像压缩方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975936A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于cs压缩感知技术的快速磁共振成像方法 |
CN102389309A (zh) * | 2011-07-08 | 2012-03-28 | 首都医科大学 | 基于压缩感知理论的磁共振图像重建的方法 |
CN103142228A (zh) * | 2012-12-14 | 2013-06-12 | 中国科学院深圳先进技术研究院 | 压缩感知磁共振快速成像方法 |
CN103349550A (zh) * | 2013-07-04 | 2013-10-16 | 华东师范大学 | 一种磁共振成像扫描与压缩传感重建一体化方法及其装置 |
-
2015
- 2015-10-21 CN CN201510689812.6A patent/CN105260609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975936A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于cs压缩感知技术的快速磁共振成像方法 |
CN102389309A (zh) * | 2011-07-08 | 2012-03-28 | 首都医科大学 | 基于压缩感知理论的磁共振图像重建的方法 |
CN103142228A (zh) * | 2012-12-14 | 2013-06-12 | 中国科学院深圳先进技术研究院 | 压缩感知磁共振快速成像方法 |
CN103349550A (zh) * | 2013-07-04 | 2013-10-16 | 华东师范大学 | 一种磁共振成像扫描与压缩传感重建一体化方法及其装置 |
Non-Patent Citations (3)
Title |
---|
CS-MRI中稀疏信号支撑集混合检测方法;冯振等;《计算机工程》;20140531;第40卷(第5期);第164-167页 * |
医学影像三维重建系统的研究与实现;杨海涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131015(第10期);第I138-422页 * |
压缩感知在医学图像压缩中的应用;雷莉霞等;《计算机工程与设计》;20141130;第35卷(第11期);第3898-3902页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105260609A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises | |
Hu et al. | Unsupervised learning for cell-level visual representation in histopathology images with generative adversarial networks | |
CN105260609B (zh) | 一种存储医学图像的方法和装置 | |
Chen et al. | Wavelet energy entropy and linear regression classifier for detecting abnormal breasts | |
Elmoufidi et al. | Anomaly classification in digital mammography based on multiple‐instance learning | |
CN107533649A (zh) | 使用图像分类的自动脑肿瘤诊断方法和系统 | |
AlZu'bi et al. | Transferable hmm trained matrices for accelerating statistical segmentation time | |
Haq et al. | An MRI-based deep learning approach for efficient classification of brain tumors | |
CN105760874A (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
de Nazaré Silva et al. | Automatic detection of masses in mammograms using quality threshold clustering, correlogram function, and SVM | |
Lai et al. | DBT Masses Automatic Segmentation Using U‐Net Neural Networks | |
CN113469981B (zh) | 图像处理方法、装置及存储介质 | |
Baličević et al. | Assessment of myofiber orientation in high resolution phase-contrast CT images | |
Tajbakhsh et al. | On the necessity of fine-tuned convolutional neural networks for medical imaging | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
Tahmassebi et al. | Big data analytics in medical imaging using deep learning | |
Tong et al. | Pulmonary nodule detection based on isodata-improved faster rcnn and 3d-cnn with focal loss | |
Zhao et al. | Mammographic image classification system via active learning | |
Harvey et al. | Deep learning in breast cancer screening | |
Iqbal et al. | Automatic diagnosis of pneumothorax from chest radiographs: a systematic literature review | |
Girija | Mammogram pectoral muscle removal and classification using histo-sigmoid based ROI clustering and SDNN | |
CN107392204A (zh) | 一种乳腺图像微钙化点自动检测系统及方法 | |
Gallardo-Caballero et al. | Independent component analysis to detect clustered microcalcification breast cancers | |
Zare et al. | Combined feature extraction on medical x-ray images | |
Tandon et al. | Sequential convolutional neural network for automatic breast cancer image classification using histopathological images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |