CN109145925A - 一种医疗图像信息识别系统 - Google Patents
一种医疗图像信息识别系统 Download PDFInfo
- Publication number
- CN109145925A CN109145925A CN201810883610.9A CN201810883610A CN109145925A CN 109145925 A CN109145925 A CN 109145925A CN 201810883610 A CN201810883610 A CN 201810883610A CN 109145925 A CN109145925 A CN 109145925A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image information
- identified
- pixel
- module
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医疗图像信息识别系统,该系统包括:预处理模块对获取的待识别医疗图像信息进行预处理;特征提取模块对预处理后的待识别医疗图像信息进行深层次特征提取处理,获取待识别医疗图像信息的深层次特征;特征匹配模块将待识别医疗图像信息的深层次特征与医疗图像数据库中的医疗图像特征一一进行识别匹配处理,获取至少一个的相似医疗图像信息;文本信息获取模块获取至少一个的相似医疗图像信息对应的文本信息;关键字提取模块获取至少一个的相似医疗图像信息对应的文本信息的关键字;服务反馈模块根据关键字向用户反馈与待识别医疗图像信息相匹配的医疗服务信息。本发明解决了现有的医疗图像信息匹配慢和不准确的问题。
Description
技术领域
本发明涉及医疗技术领域,具体涉及一种医疗图像信息识别系统。
背景技术
目前我国心脑血病和慢性病患者众多,全国有心血管病患者约3亿,至少有5.8亿人具有至少一种或以上的与慢性病有关的危险因素,到2030年,我国的慢性病负担将增长50%。2016年,国务院七部委联合发布《关于印发推进家庭医生签约服务指导意见的通知》(国医改办[2016]1号),要求到2017年,家庭医生签约服务覆盖率达到30%以上,重点人群签约服务覆盖率达到60%以上,重点人群主要包括高血压、糖尿病、结核病等慢性疾病患者。到2020年,力争将签约服务扩大到全人群,形成长期稳定的契约服务关系,基本实现家庭医生签约服务制度的全覆盖。权威调查数据显示,在大医院看病的人群中有70%的患者并不需要现场治疗,只需要在线或者移动端进行问诊服务即可,可以大大解决这部分人群的需求,减轻医生的工作负担,提高医疗服务水平和效率。
然而,在在线问诊时,对于一些检查的图片可以直接上传进行处理,直接给出诊断意见或者情况说明,但是由于在在线问诊对图像处理的准确度和速度上存在很大的缺陷,特别是关系到病人的病情情况,容不得半点的耽误,因此需要更加精确的图像处理技术进行支持。
发明内容
针对上述问题,本发明提供一种医疗图像信息识别系统
本发明的目的采用以下技术方案来实现:
一种医疗图像信息识别系统,该医疗图像信息识别系统,包括:预处理模块:用于对获取的待识别医疗图像信息进行图像预处理,获取预处理后的待识别医疗图像信息;特征提取模块:用于采用训练好的深度神经网络模型对预处理后的待识别医疗图像信息进行深层次特征提取处理,获取待识别医疗图像信息的深层次特征;特征匹配模块,用于采用待识别医疗图像信息的深层次特征与医疗图像数据库中的医疗图像特征一一进行识别匹配处理,获取至少一个的相似医疗图像信息;文本信息获取模块,用于获取至少一个的相似医疗图像信息对应的文本信息;关键字提取模块,用于对至少一个的相似医疗图像信息对应的文本信息进行关键字提取处理,获取文本信息的关键字;服务反馈模块,用于根据关键字向用户反馈与待识别医疗图像信息相匹配的医疗服务信息。
有益效果:解决了用户在获取医疗图像信息后,采用训练好的神经网络模型进行图像特征提取,能在保证提取速度不变的情况下,特征提取质量提高,保证后续识别正确率,增加用户的体验度。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明医疗图像信息识别系统的框架结构图;
图2是预处理模块1的框架结构图。
附图标记:预处理模块1;特征提取模块2;特征匹配模块3;文本信息获取模块4;关键字提取模块5;服务反馈模块6;去噪单元7;边缘检测单元8;增强单元9。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,一种医疗图像信息识别系统,该医疗图像信息识别系统,包括:
预处理模块1:用于对获取的待识别医疗图像信息进行图像预处理,获取预处理后的待识别医疗图像信息;特征提取模块2:用于采用训练好的深度神经网络模型对预处理后的待识别医疗图像信息进行深层次特征提取处理,获取待识别医疗图像信息的深层次特征;特征匹配模块3,用于采用待识别医疗图像信息的深层次特征与医疗图像数据库中的医疗图像特征一一进行识别匹配处理,获取至少一个的相似医疗图像信息;文本信息获取模块4,用于获取至少一个的相似医疗图像信息对应的文本信息;关键字提取模块5,用于对至少一个的相似医疗图像信息对应的文本信息进行关键字提取处理,获取文本信息的关键字;服务反馈模块6,用于根据关键字向用户反馈与待识别医疗图像信息相匹配的医疗服务信息。
有益效果:解决了用户在获取医疗图像信息后,采用训练好的神经网络模型进行图像特征提取,能在保证提取速度不变的情况下,特征提取质量提高,保证后续识别正确率,增加用户的体验度。
优选地,参见图2,预处理模块1包括:
去噪单元7,用于对待识别医疗图像信息进行去噪处理,获取去噪后的待识别医疗图像信息;
边缘检测单元8,用于对去噪后的待识别医疗图像信息进行边缘检测,获取边缘检测处理后的待识别医疗图像信息;
增强单元9,用于对边缘检测处理后的待识别医疗图像信息进行图像增强处理,获取预处理后的待识别医疗图像信息。
优选地,特征匹配模块3是通过采用Softmax分类器对待识别医疗图像信息的深层次特征与医疗图像数据库中的医疗图像特征一一进行识别匹配处理,获取至少一个与待识别医疗图像信息的深层次特征相似的医疗图像信息。
优选地,关键字提取模块5中的关键字提取方法包括:TF-IDF关键字提取算法、基于语义的统计语音模型、TF-IWF文档关键字自动提取算法、基于朴素贝叶斯模型的中文关键字提取算法。
优选地,所述对待识别医疗图像信息进行去噪处理,获取去噪后的待识别医疗图像信息,具体为:对所述待识别医疗图像信息进行灰度化处理,并依次对灰度化后的待识别医疗图像信息进行逐点去噪,得到所述待识别医疗图像信息中各个像素点的去噪估计值,并将去噪估计值作为新的灰度值,此时所有像素点构成的集合即为去噪后的待识别医疗图像信息;其中,所述待识别医疗图像信息中像素点u(m,n)的去噪估计值利用下式计算得到:
式中,为像素点u(m,n)的去噪估计值,即是像素点u的去噪后的灰度值,m、n分别为像素点u的横坐标和纵坐标,Z(u)为像素点u的正则化参数,Ω是以像素点u(m,n)为中心、大小为A×A的搜索窗,k是搜索窗内任一像素点,为像素点u和像素点k的高斯加权欧式距离,α为高斯函数的标准差,h为平滑参数,G(k)为像素点k的灰度值,G(u)为像素点u的灰度值,为搜索窗内所有像素点的平均灰度值。
有益效果:上述求解待识别医疗图像信息中各个像素点的去噪估计值,该求解过程主要是利用待识别医疗图像信息中的冗余信息进行去噪,通过在一个搜索窗口内搜索与目标像素点相似的像素点,进而用这些相似像素点的灰度值来代替当前的像素点的灰度值。该去噪方法简单、去噪速度快,不仅考虑了像素点之间的高斯加权欧氏距离信息,还考虑了搜索窗口内剩余像素点与目标像素点灰度值的关系,从而最大程度地保留了待识别医疗图像信息的边缘与细节特征,提高了去噪效果,同时也有利于后续获取待识别医疗图像信息的深层次特征,提高了整个系统的识别正确率。
优选地,所述对去噪后的待识别医疗图像信息进行边缘检测,获取边缘检测处理后的待识别医疗图像信息,具体为:
(1)选取大小为3×3的滑动窗口内的中心像素点为边缘待检测点,按照横向检测方向把3×3的滑动窗口均分为三个区域:L、M、R,其中L位于滑动窗口左侧、M位于滑动窗口中间,R位于滑动窗口右侧,利用边缘判别公式判断边缘待检测点是否为边缘点,其中,所述边缘判别公式为:
式中,H(p)为边缘待检测点p的特征值,GL(i)为区域L内第i个像素点的灰度值,GM(i)为区域M内第i个像素点的灰度值,GR(i)为区域R内第i个像素点的灰度值,且i=1,2,3;G(p)为边缘待检测点p的灰度值;
当H(p)≥T时,则边缘待检测点p为边缘点,反之,边缘待检测点p不是边缘点,其中,T为设定的阈值;
(1)遍历去噪后的待识别医疗图像信息中所有像素点,利用非极值抑制的方法对得到的边缘点进行边缘定位,即可得到去噪后的待识别医疗图像信息的最终边缘点的集合;
(2)根据得到去噪后的待识别医疗图像信息的最终边缘点的集合对去噪后的待识别医疗图像信息进行分割,即可得到边缘检测处理后的待识别医疗图像信息。
有益效果:通过设定一个滑动窗口,判断滑动窗口内的中心像素点是否为去噪后的待识别医疗图像信息的边缘点,并利用滑动窗口依次遍历去噪后的待识别医疗图像信息中所有像素点,该做法能够自适应地对各个像素点是否为边缘点进行判别,不仅在保留去噪后的待识别医疗图像信息边缘点中细节特征的同时,也能够检测到清晰的边缘信息,同时为了进一步提高边缘检测精度,利用非极值抑制的方法对检测到的边缘点进行再次定位,能够进一步地去除非边缘点,使得提取出的边缘清晰、完整、准确,更有利于对去噪后的待识别医疗图像信息的准确分割,得到边缘检测处理后的待识别医疗图像信息,便于后续对待识别医疗图像信息的深层次特征的准确提取,同时也降低了后续处理的复杂度,即只需处理待识别医疗图像所在区域的信息,使得后续进行特征提取更具有针对性。
优选地,所述对边缘检测处理后的待识别医疗图像信息进行图像增强处理,获取预处理后的待识别医疗图像信息,具体是利用图像增强公式计算所述边缘检测处理后的待识别医疗图像信息中所有像素点经图像增强处理后的灰度值,所述增强处理后的各个像素点构成的集合即为预处理后的待识别医疗图像信息,其中,所述图像增强公式为:
式中,Ge(x,y)是图像增强处理后的像素点r(x,y)的灰度值,G(x,y)是所述基准图像中像素点r(x,y)的灰度值,κ(x,y)是关于所述边缘检测处理后的待识别医疗图像信息中像素点r(x,y)沿梯度方向的控制系数,μ为大于0的常数,为像素点r(x,y)处沿梯度方向n的二阶偏导数,为像素点r(x,y)处沿与梯度方向正交的切线方向s的二阶偏导数;
其中,关于所述基准图像中像素点r(x,y)沿梯度方向的控制系数κ(x,y)通过下面的方式获取:
(1)利用下式计算所述边缘检测处理后的待识别医疗图像信息中各个像素点处3×3邻域内的局部方差,其中关于像素点r(x,y)的局部方差的算式为:
式中,χ2(x,y)是像素点r(x,y)的局部方差,G(x+s,y+t)是坐标为(x+s,y+t)的像素点的灰度值,为邻域内所有像素点的灰度值均值;
(2)利用归一化算式对得到的局部方差χ2(x,y)进行归一化处理,将其局部方差归一化为0-255,其中归一化算式为:
式中,为像素点r(x,y)的归一化后的局部方差,Maxχ2和Minχ2分别为所述边缘
检测处理后的待识别医疗图像信息局部方差的最大值和最小值;
(3)根据得到的归一化值,利用下式计算像素点r(x,y)沿梯度方向的控制系数;
式中,κ(x,y)为像素点r(x,y)沿梯度方向的控制系数,λ为设定的方差阈值。
有益效果:采用上述算法对所述边缘检测处理后的待识别医疗图像信息进行增强处理,该算法在增强边缘检测处理后的待识别医疗图像信息细节特征的同时,避免了边缘处出现过冲现象,同时也有效地抑制了所述边缘检测处理后的待识别医疗图像信息中的残余噪声,使得增强后的边缘检测处理后的待识别医疗图像信息能够凸显待识别医疗图像信息的细节特征,便于后续提取待识别医疗图像信息的特征,以使得特征提取质量得到提高,保证后续识别正确率,增加用户的体验度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种医疗图像信息识别系统,其特征是,所述医疗图像信息识别系统,包括:
预处理模块:用于对获取的待识别医疗图像信息进行图像预处理,获取预处理后的待识别医疗图像信息;
特征提取模块:用于采用训练好的深度神经网络模型对所述预处理后的待识别医疗图像信息进行深层次特征提取处理,获取所述待识别医疗图像信息的深层次特征;
特征匹配模块,用于采用所述待识别医疗图像信息的深层次特征与医疗图像数据库中的医疗图像特征一一进行识别匹配处理,获取至少一个的相似医疗图像信息;
文本信息获取模块,用于获取所述至少一个的相似医疗图像信息对应的文本信息;
关键字提取模块,用于对所述至少一个的相似医疗图像信息对应的文本信息进行关键字提取处理,获取文本信息的关键字;
服务反馈模块,用于根据所述关键字向用户反馈与所述待识别医疗图像信息相匹配的医疗服务信息。
2.根据权利要求1所述的医疗图像信息识别系统,其特征是,所述预处理模块包括:
去噪单元,用于对所述待识别医疗图像信息进行去噪处理,获取去噪后的待识别医疗图像信息;
边缘检测单元,用于对所述去噪后的待识别医疗图像信息进行边缘检测,获取边缘检测处理后的待识别医疗图像信息;
增强单元,用于对所述边缘检测处理后的待识别医疗图像信息进行图像增强处理,获取预处理后的待识别医疗图像信息。
3.根据权利要求1所述的医疗图像信息识别系统,其特征是,所述特征匹配模块是通过采用Softmax分类器对所述待识别医疗图像信息的深层次特征与医疗图像数据库中的医疗图像特征一一进行识别匹配处理,获取至少一个与所述待识别医疗图像信息的深层次特征相似的医疗图像信息。
4.根据权利要求1所述的医疗图像信息识别系统,其特征是,所述关键字提取模块中的关键字提取方法包括:TF-IDF关键字提取算法、基于语义的统计语音模型、TF-IWF文档关键字自动提取算法、基于朴素贝叶斯模型的中文关键字提取算法。
5.根据权利要求2所述的医疗图像信息识别系统,其特征是,所述对待识别医疗图像信息进行去噪处理,获取去噪后的待识别医疗图像信息,具体为:对所述待识别医疗图像信息进行灰度化处理,并依次对灰度化后的待识别医疗图像信息进行逐点去噪,得到所述待识别医疗图像信息中各个像素点的去噪估计值,并将去噪估计值作为新的灰度值,此时所有像素点构成的集合即为去噪后的待识别医疗图像信息;其中,所述待识别医疗图像信息中像素点u(m,n)的去噪估计值利用下式计算得到:
式中,为像素点u(m,n)的去噪估计值,m、n分别为像素点u的横坐标和纵坐标,Z(u)为像素点u的正则化参数,Ω是以像素点u(m,n)为中心、大小为A×A的搜索窗,k是搜索窗内任一像素点,为像素点u和像素点k的高斯加权欧式距离,α为高斯函数的标准差,h为平滑参数,G(k)为像素点k的灰度值,G(u)为像素点u的灰度值,为搜索窗内所有像素点的平均灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883610.9A CN109145925A (zh) | 2018-08-06 | 2018-08-06 | 一种医疗图像信息识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810883610.9A CN109145925A (zh) | 2018-08-06 | 2018-08-06 | 一种医疗图像信息识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145925A true CN109145925A (zh) | 2019-01-04 |
Family
ID=64791660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810883610.9A Withdrawn CN109145925A (zh) | 2018-08-06 | 2018-08-06 | 一种医疗图像信息识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145925A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666886A (zh) * | 2020-06-08 | 2020-09-15 | 成都知识视觉科技有限公司 | 一种医疗单证结构化知识提取的图像预处理方法 |
CN115238081A (zh) * | 2022-06-14 | 2022-10-25 | 杭州原数科技有限公司 | 一种文物智能识别方法、系统及可读存储介质 |
-
2018
- 2018-08-06 CN CN201810883610.9A patent/CN109145925A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666886A (zh) * | 2020-06-08 | 2020-09-15 | 成都知识视觉科技有限公司 | 一种医疗单证结构化知识提取的图像预处理方法 |
CN115238081A (zh) * | 2022-06-14 | 2022-10-25 | 杭州原数科技有限公司 | 一种文物智能识别方法、系统及可读存储介质 |
CN115238081B (zh) * | 2022-06-14 | 2024-04-30 | 杭州原数科技有限公司 | 一种文物智能识别方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Finger vein image enhancement based on guided tri-Gaussian filters | |
CN106980852B (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
CN110458831B (zh) | 一种基于深度学习的脊柱侧弯图像处理方法 | |
CN103793702B (zh) | 基于协同尺度学习的行人重识别方法 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
US20140016832A1 (en) | Method and an apparatus for determining vein patterns from a colour image | |
CN106991380A (zh) | 一种基于掌静脉图像的预处理方法 | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN113393446B (zh) | 基于注意力机制的卷积神经网络医学图像关键点检测方法 | |
CN110705468A (zh) | 基于图像分析的眼动范围识别方法和系统 | |
CN109145925A (zh) | 一种医疗图像信息识别系统 | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
CN115456967A (zh) | 一种动静脉内瘘血栓检测方法及装置 | |
Al-Nima et al. | Segmenting finger inner surface for the purpose of human recognition | |
CN112507804A (zh) | 一种基于手部图像的身份识别方法 | |
US8340378B2 (en) | Ribcage segmentation | |
CN112949570A (zh) | 一种基于残差注意力机制的指静脉识别方法 | |
CN114529950A (zh) | 指静脉识别方法、装置、计算机可读存储介质及设备 | |
CN112926516B (zh) | 一种鲁棒的手指静脉图像感兴趣区域提取方法 | |
CN110706217A (zh) | 一种基于深度学习的肺部肿瘤自动勾画方法 | |
CN111968087B (zh) | 一种植物病害区域检测方法 | |
Kang | Vein pattern extraction based on vectorgrams of maximal intra-neighbor difference | |
Latha et al. | A robust person authentication system based on score level fusion of left and right irises and retinal features | |
CN107977935A (zh) | 一种掌静脉图像纹理滤波增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190104 |