CN106372672A - 基于单个或多个区域特征组合的医学影像分类方法 - Google Patents

基于单个或多个区域特征组合的医学影像分类方法 Download PDF

Info

Publication number
CN106372672A
CN106372672A CN201610807965.0A CN201610807965A CN106372672A CN 106372672 A CN106372672 A CN 106372672A CN 201610807965 A CN201610807965 A CN 201610807965A CN 106372672 A CN106372672 A CN 106372672A
Authority
CN
China
Prior art keywords
medical image
feature
feature database
characteristic area
eigenvalue
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.)
Pending
Application number
CN201610807965.0A
Other languages
English (en)
Inventor
程国华
温婷
季红丽
代汉章
周彬波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Original Assignee
HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HANGZHOU JIANPEI TECHNOLOGY Co Ltd filed Critical HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Priority to CN201610807965.0A priority Critical patent/CN106372672A/zh
Publication of CN106372672A publication Critical patent/CN106372672A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于单个或多个区域特征组合的医学影像分类方法。其步骤包括：医学影像样本的获取、按照设定的法提取特征区域、特征区域内的特征值提取、依照医用影像的不同性质建立特征库、验证特征库精确度，医用影像与特征库对比，进行分类。本发明方法可以按照图像布局、打印尺寸等方式进行分类归档，实现了多样化分类归档，同时也提高了医学影像的分类归档效率。

Description

基于单个或多个区域特征组合的医学影像分类方法
技术领域
本发明涉及医学影像批量处理领域，尤其涉及一种基于单个或多个区域特征组合的医学影像分类方法。
背景技术
DICOM(Digital Imaging and Communication in Medicine)是医疗设备的国际标准通信协议。DICOM文件可以分为三部分：第一部分是文件开始固定的128字节作为DICOM文件的引言；第二部分是跟在之后的4字节文件标识，即“DICM”四个字节，若不是则表示不是DICOM文件；第三部分是数据集，数据集中包含若干个数据元素，其包含了文件的元数据、患者及检查的数据、私有数据以及图像、覆盖层等数据。
按DICOM协议规定，DICOM文件应该包含设备标识、图像布局、打印尺寸等基本信息。但实际应用中有些设备并不完全包含这些标识信息，或信息有误。导致无法将DICOM文件按着尺寸、类型、排版等信息分类。
所以需要一种不用通过DICOM标签方法来对图像按尺寸、按排版进行区分分类的方法。
发明内容
本发明的目的在于按照一定规律高效的将医学影像图像进行分类归档，从而提出一种基于单个或多个区域特征组合的医学影像分类方法。
为实现上述目的，本发明提供了一种基于单个或多个区域特征组合的医学影像分类方法，其步骤包括：
（1）医学影像样本的获取：获取不同属性的医学影像作为初始医学影像样本，依照其不同属性进行标记；
（2）特征区域提取：依据医院影像胶片的具体特点，在样本上选取一个或者多个确定位置、确定大小的区域作为特征区域；其选取方法为确定四个参数（x,y,w,h），其中，x代表X轴坐标值，y代表Y轴坐标值，w代表选取区域的宽度，h代表选取区域的高度；
（3）特征区域内的特征值提取：通过预先设定的提取方法对特定区域内的特征值进行提取；
（4）特征库的建立：对特征区域及其区域内的特征值进行单个或不同区域的组合，根据医学影像样本的不同属性建立特征库；
（5）验证特征库：将原始医学影像样本用特征库分类与标记进行对比；
（6）对比分类：医学影像通过特征特征区域及其区域内的特征值的提取，与特征库进行对比，进行分类。
优选的，步骤（2）中的特征区域的提取可以是单个，也可以是多个。
优选的，步骤（3）中的特征提取方法包括：OCR识别方法、取到的特征区域的二进制编码哈希等。
与现有技术相比，本申请发明包括以下特点：本发明方法设定的特征区域及其区域内的特征值进行单个或不同区域的组合，根据医学影像样本的不同属性建立特征库，从而对比分类。通过该方法可以按照图像布局、打印尺寸等方式进行分类归档，实现了多样化分类归档的目的，与已有的DICOM相比，该方法对归档的文件要求降低了，从而提高了医学影像的分类归档效率。
附图说明
图1为本发明方法的流程图。
图2为实施例1。
图3为实施例2。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合2个具体实例，并参照详细附图对本发明进一步详细说明。但所描述的实施例子仅旨在便于本发明的理解，而对其不起任何限定作用。
实施例1：以单个特征区域作为医学影像分类方法，其步骤包括：
（1）医学影像样本的获取：获取不同属性的医学影像作为初始医学影像样本，依照其不同属性进行标记；
（2）特征区域提取：根据某类医学影像图片排版的特点，在样本上选取一个确定位置、确定大小的区域作为特征区域A；
（3）特征区域内的特征值提取：通过预先设定OCR识别方法对特定区域内的特征值进行提取；
（4）特征库的建立：根据某类医学影像图片排版的特征区域的特征值建立尺寸排版信息的特征库：
a.若A区的特征值时，则该医学影像图片为竖排版的11*14的DR片；
b.若A区的特征值时，则该医学影像图片为竖排版的14*17的DR片；
c.若A区的特征值时，则该医学影像图片为横排版的11*14的DR片；
d.若A区的特征值时，则该医学影像图片为横排版的14*17的DR片；
（5）验证特征库：将原始医学影像样本用特征库分类与标记进行对比，提高准确率；
（6）对比分类：医学影像通过特征特征区域及其区域内的特征值的提取，与特征库进行对比，进行分类。
实施例2：以多个特征区域作为医学影像分类方法，其步骤包括：
（1）医学影像样本的获取：获取不同属性的医学影像作为初始医学影像样本，依照其不同属性进行标记；
（2）特征区域提取：根据某类医学影像图片排版的特点，在样本上选取多个确定位置、确定大小的区域作为特征区域A、B；
（3）特征区域内的特征值提取：通过预先设定OCR识别方法对特定区域内的特征值进行提取；
（4）特征库的建立：根据某类医学影像图片排版的特征区域的特征值建立尺寸排版信息的特征库：
a.若A区的特征值且B区的特征值时，则该医学影像图片为竖排版的11*14的DR片；
b.若A区的特征值且B区的特征值时，则该医学影像图片为竖排版的14*17的DR片；
c.若A区的特征值且B区的特征值时，则该医学影像图片为横排版的11*14的DR片；
d.若A区的特征值且B区的特征值时，则该医学影像图片为横排版的14*17的DR片；
…
（5）验证特征库：将原始医学影像样本用特征库分类与标记进行对比，提高准确率；
（6）对比分类：医学影像通过特征特征区域及其区域内的特征值的提取，与特征库进行对比，进行分类。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于单个或多个区域特征组合的医学影像分类方法，其特征在于，步骤包括：
（1）医学影像样本的获取：获取不同属性的医学影像作为初始医学影像样本，依照其不同属性进行标记；
（2）特征区域提取：依据医院影像胶片的具体特点，在样本上选取一个或者多个确定位置、确定大小的区域作为特征区域；其选取方法为确定四个参数（x,y,w,h），其中，x代表X轴坐标值，y代表Y轴坐标值，w代表选取区域的宽度，h代表选取区域的高度；
（3）特征区域内的特征值提取：通过预先设定的提取方法对特定区域内的特征值进行提取；
（4）特征库的建立：对特征区域及其区域内的特征值进行单个或不同区域的组合，根据医学影像样本的不同属性建立特征库；
（5）验证特征库：将原始医学影像样本用特征库分类与标记进行对比；
（6）对比分类：医学影像通过特征特征区域及其区域内的特征值的提取，与特征库进行对比，进行分类。
2.根据权利要求1所述的基于单个或多个区域特征组合的医学影像分类方法，其特征在于步骤（2）中的特征区域的提取可以是单个，也可以是多个。
3.根据权利要求1所述的基于单个或多个区域特征组合的医学影像分类方法，其特征在于步骤（3）中的特征提取方法包括：OCR识别方法、取到的特征区域的二进制编码哈希等。
CN201610807965.0A 2016-09-08 2016-09-08 基于单个或多个区域特征组合的医学影像分类方法 Pending CN106372672A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610807965.0A CN106372672A (zh) 2016-09-08 2016-09-08 基于单个或多个区域特征组合的医学影像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610807965.0A CN106372672A (zh) 2016-09-08 2016-09-08 基于单个或多个区域特征组合的医学影像分类方法

Publications (1)

Publication Number Publication Date
CN106372672A true CN106372672A (zh) 2017-02-01

Family

ID=57898817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610807965.0A Pending CN106372672A (zh) 2016-09-08 2016-09-08 基于单个或多个区域特征组合的医学影像分类方法

Country Status (1)

Country Link
CN (1) CN106372672A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116626A (zh) * 2013-01-31 2013-05-22 张粤新 一种医学影像的匹配方法
CN103745217A (zh) * 2013-12-31 2014-04-23 北京工业大学 基于图像检索的中医舌色苔色自动分析方法
CN104484425A (zh) * 2014-12-20 2015-04-01 辽宁师范大学 基于多特征的彩色图像检索方法
CN104679891A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种海量数据处理方法
CN104966109A (zh) * 2015-07-17 2015-10-07 北京旷视科技有限公司 医疗化验单图像分类方法及装置
CN105095910A (zh) * 2015-07-23 2015-11-25 青岛海信医疗设备股份有限公司 一种dicom图像的分类方法
CN105740870A (zh) * 2016-01-30 2016-07-06 湘潭大学 一种目标鲁棒识别的抗旋转hdo局部特征描述方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116626A (zh) * 2013-01-31 2013-05-22 张粤新 一种医学影像的匹配方法
CN103745217A (zh) * 2013-12-31 2014-04-23 北京工业大学 基于图像检索的中医舌色苔色自动分析方法
CN104484425A (zh) * 2014-12-20 2015-04-01 辽宁师范大学 基于多特征的彩色图像检索方法
CN104679891A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种海量数据处理方法
CN104966109A (zh) * 2015-07-17 2015-10-07 北京旷视科技有限公司 医疗化验单图像分类方法及装置
CN105095910A (zh) * 2015-07-23 2015-11-25 青岛海信医疗设备股份有限公司 一种dicom图像的分类方法
CN105740870A (zh) * 2016-01-30 2016-07-06 湘潭大学 一种目标鲁棒识别的抗旋转hdo局部特征描述方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭天强等: "基于深度卷积神经网络和二进制哈希学习的图像检索方法", 《电子与信息学报》 *
聂青等: "基于区域特征的图像分类技术", 《北京理工大学学报》 *

Similar Documents

Publication Publication Date Title
CN109993112B (zh) 一种图片中表格的识别方法及装置
CN107808358B (zh) 图像水印自动检测方法
CN103679147A (zh) 手机型号的识别方法与装置
WO2019041527A1 (zh) 文档图表抽取方法、电子设备及计算机可读存储介质
WO2014086277A1 (zh) 方便电子化的专业笔记本及其页码自动识别方法
US11817215B2 (en) Artificial intelligence cloud diagnosis platform
CN105631039A (zh) 一种图片浏览方法
WO2019223146A1 (zh) 胃癌识别方法、装置及存储介质
CN104317909A (zh) 兴趣点数据的校验方法和装置
CN104916035A (zh) 一种基于涂抹技术的票据识别系统及识别方法
CN102567738A (zh) 基于高斯分布的色情视频快速检测方法
WO2013062550A1 (en) Aligning annotation of fields of documents
CN108334800B (zh) 印章图像的处理装置、方法以及电子设备
CN104598289B (zh) 一种识别方法及一种电子设备
CN106372672A (zh) 基于单个或多个区域特征组合的医学影像分类方法
CN104408736A (zh) 基于特征相似性的合成人脸画像质量评价方法
CN113259538B (zh) 一种电子案卷的转档系统
CN106022364B (zh) 一种票据分类方法
Veličković et al. Application of Watermark in the Form of QR Code in COVID Certificate Validation
CN106803269B (zh) 对文档图像进行透视校正的方法和设备
CN107622256A (zh) 基于面部识别技术的智能相册系统
CN108734167B (zh) 一种被污染的胶片文字识别方法
CN112632926A (zh) 票据的数据处理方法、装置、电子设备及存储介质
TWM593008U (zh) 表單內容辨識系統
TW202117589A (zh) 表單內容辨識系統及其方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170201