CN111666262A - 海量医学影像在网络附属存储nas状态下特征点提取工作方法 - Google Patents
海量医学影像在网络附属存储nas状态下特征点提取工作方法 Download PDFInfo
- Publication number
- CN111666262A CN111666262A CN202010470653.1A CN202010470653A CN111666262A CN 111666262 A CN111666262 A CN 111666262A CN 202010470653 A CN202010470653 A CN 202010470653A CN 111666262 A CN111666262 A CN 111666262A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image data
- nas
- storage
- medical
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
- G06F16/1824—Distributed file systems implemented using Network-attached Storage [NAS] architecture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/13—File access structures, e.g. distributed indices
- G06F16/134—Distributed indices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出了一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法,包括如下步骤:S1,将医学影像数据收集在NAS存储器中,多个NAS存储器形成医学影像数据库,在医学影像数据库中实时检测医学影像数据对应的NAS存储器,并保存所检测的医学影像数据来源列表;S2,对医学影像数据通过半监督算法进行划分操作,在划分医学影像数据过程中,对医学影像数据进行属性归类操作,将划分和归类完成的医学影像数据进行准确性验证;S3,验证完毕,对医学影像数据进行骨架提取,并标注属性特征点,并将骨架提取的属性特征点反馈至相应的NAS存储器,NAS存储器上传至云端服务器进行远程展示。
Description
技术领域
本发明涉及大数据挖掘领域,尤其涉及一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法。
背景技术
NAS(Network Attached Storage:网络附属存储)连接在网络中,具备资料存储和调用功能的系统,也称为专用数据存储服务器。随着数据上云的不断深化,尤其对于医疗影像数据来说更需要将海量数据进行云端存储,但是在云端存储之后如何能够快速查找定位相应的医学影像数据是比较困难的事情,尤其随之医学影像数据的不断更新,对于网络带宽、数据交互都承载着史无前例的巨大压力,所以将云存储后,如何快速的定位医学影像数据,这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法。
为了实现本发明的上述目的,本发明提供了一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法,包括:
S1,将医学影像数据收集在NAS存储器中,多个NAS存储器形成医学影像数据库,在医学影像数据库中实时检测医学影像数据对应的NAS存储器,并保存所检测的医学影像数据来源列表;
S2,对医学影像数据通过半监督算法进行划分操作,在划分医学影像数据过程中,对医学影像数据进行属性归类操作,将划分和归类完成的医学影像数据进行准确性验证;
S3,验证完毕,对医学影像数据进行骨架提取,并标注属性特征点,并将骨架提取的属性特征点反馈至相应的NAS存储器,NAS存储器上传至云端服务器进行远程展示。
优选的,所述S1包括如下步骤:
S1-1,在单个NAS存储器中提取医学影像数据,执行创建索引医学影像数据节点,定位所选取的医学影像数据,并根据医学影像数据的位置时间戳获取相应的NAS存储器地址,通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接,计算NAS存储器剩余容量;
S1-2,根据NAS存储器剩余容量,对新导入的医学影像数据进行相似度区间判别,根据相似度区间判别后的医学影像数据,计算剩余容量下的NAS存储器,能够在具备相似度区间范围内所存储的医学影像数据量,将不同的NAS存储器设置不同的医学影像数据相似度区间,从而对医学影像数据进行分配;
S1-3,若医学影像数据判别结果超出某一相似度区间,则查找医学影像数据哈希值对应的NAS存储器列表,遍历全部NAS存储器重新对应符合相似度区间的NAS存储器,导入的医学影像数据经过计算相似度区间之后,不符合现有任何已设置相似度区间NAS存储器存储范围,则重新定义全新的NAS存储器进行存储操作。
优选的,所述相似度区间计算包括:对医学影像数据P1和医学影像数据P2按照时间轴进行编号,根据P1和P2欧式距离计算医学影像数据的关联性:
优选的,所述S2包括如下步骤:
S2-1,获取实例医学影像数据xi∈L和xj∈L,其中i,j≥1,对于xi和xj中包括医学影像数据索引信息,索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学影像数据用户拍摄位置信息,
先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci,然后根据ci所对应的高斯分布中生成一个实例xi,然后根据分布在NAS存储器中医学影像数据抽取医学影像评价样本cj,然后根据cj所对应的高斯分布中生成另一个实例xj,通过影像特征评价参数Oi,j,像素质量评价参数Qi,j,细节复杂度评价参数Ui,j,求解医学影像数据索引信息的最大似然估计为:
在此,最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率:S(cj|xj)表示获取实例xj属于医学影像评价样本cj的概率,上标T为设置医学影像数据调节因子μ对实例的xi和xj进行调节之后的数值求转置:通过对医学影像训练样本ci和医学影像评价样本cj的影响特征、像素质量、和细节复杂度进行计算后,能够刻画出医学影像数据的索引值;
S2-2,在划分医学影像数据过程中,对医学影像数据进行属性归类,
医学影像数据中属性归类需要进行信息匹配,得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数:
其中,N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集,Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集,Kj(r)为医学影像数据中匹配信息r中信息元素j的数据集,λi,j为图像信息元素i和j对于关联特征数据集的调节参数,Y(x,y)和Z(x,y)分别表示医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系,Ti为医学影像数据的控制变量,Tj为医学影像数据的条件变量,αi和αj分别表示控制判断阈值和条件判断阈值,D(i,j)为医学影像数据进行匹配的判断决策值,βi,j表示医学影像数据筛选因子,为卷积;
S2-3,通过医学影像数据归类关联熵值的计算是对医学影像数据经过划分和属性归类之后的准确性的校验过程,δ为概率计算隐含变量,其中,ti表示NAS存储器中医学影像数据关联概率,tj表示NAS存储器中医学影像数据条件概率,关联概率值和条件概率值越离散,医学影像数据归类关联熵值越大,也就是说医学影像数据关联性强,关联概率值和条件概率值越聚合,归类关联熵值越小。
优选的,所述S3包括如下步骤:
S3-1,对医学影像数据进行骨架提取,
经过属性关联性判断之后,对医学影像数据进行数据统计分析,建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系,根据图像转换参数,建立转换模型,对每个转换模型进行离散化处理,得到转换模型中每个医学影像数据;
S3-2,获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ),Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ);根据骨架提取的约束条件,对同类型医学影像数据进行特征描述,
IX(φ)=g(R×30%);
IY(φ)=g(G×59%);
IZ(φ)=g(B×11%)。
优选的,S3-3,在医学影像数据转换过程中,医学影像数据关系强度在骨架提取中需要设置连接权重w,当获取医学影像数据在NAS存储器中连接权重具有重要相关性时,观察医学影像数据的交互关系,骨架提取权重函数表示为:
连接权重是影响医学影像数据路径的重要因子,它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子,q为医学影像数据的提取因子,N(IX(φ))为X轴转换函数下变换的R色像素提取函数,N(IY(φ))为Y轴转换函数下变换的G色像素提取函数,N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数,
S3-4,通过骨架提取权重函数计算后,对医学影像数据进行属性特征点标注,对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
能够对医学影像数据根据自身的特点进行属性分类,经过关联评价之后,对图像数据进行进一步划分,并通过骨架提取方式划分准确的医学影像数据,仿真之后该工作方法执行的医学影像数据分类具备很强的鲁棒性,虽然在影像数据提取过程中有一定的跃迁现象,但是已经对于乱序状态下的影像数据提供了基础的引导和归类作用,并划分在相应的存储器中进行后续处理操作,方便用户查找和重度调用计算使用。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明总体工作流程图;
图2是本发明具体实施方式流程图;
图3是本发明另一具体实施方式示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1至图3所示,本发明公开一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法,包括如下步骤:
S1,将医学影像数据收集在NAS存储器中,多个NAS存储器形成医学影像数据库,在医学影像数据库中实时检测医学影像数据对应的NAS存储器,并保存所检测的医学影像数据来源列表;
S2,对医学影像数据通过半监督算法进行划分操作,在划分医学影像数据过程中,对医学影像数据进行属性归类操作,将划分和归类完成的医学影像数据进行准确性验证;
S3,验证完毕,对医学影像数据进行骨架提取,并标注属性特征点,并将骨架提取的属性特征点反馈至相应的NAS存储器,NAS存储器上传至云端服务器进行远程展示。
所述S1包括如下步骤:
S1-1,在单个NAS存储器中提取医学影像数据,执行创建索引医学影像数据节点,定位所选取的医学影像数据,并根据医学影像数据的位置时间戳获取相应的NAS存储器地址,通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接,计算NAS存储器剩余容量;
S1-2,根据NAS存储器剩余容量,对新导入的医学影像数据进行相似度区间判别,根据相似度区间判别后的医学影像数据,计算剩余容量下的NAS存储器,能够在具备相似度区间范围内所存储的医学影像数据量,将不同的NAS存储器设置不同的医学影像数据相似度区间,从而对医学影像数据进行分配;
S1-3,若医学影像数据判别结果超出某一相似度区间,则查找医学影像数据哈希值对应的NAS存储器列表,遍历全部NAS存储器重新对应符合相似度区间的NAS存储器,导入的医学影像数据经过计算相似度区间之后,不符合现有任何已设置相似度区间NAS存储器存储范围,则重新定义全新的NAS存储器进行存储操作。
换句话说,现有的NAS存储器已经存储了定义完成的医学影像数据,如果获取新的医学影像数据不符合现有的NAS存储器的存储范围,或者设置的标准,则获取新的NAS存储器作为该新的医学影像数据的存储空间。
所述相似度区间计算包括:对医学影像数据P1和医学影像数据P2按照时间轴进行编号,根据P1和P2欧式距离计算医学影像数据的关联性:
通过相似度区间判别两两医学影像数据的相似度,从而将医学影像数据进行初步检测。
所述S2包括如下步骤:
S2-1,获取实例医学影像数据xi∈L和xj∈L,其中i,j≥1,对于xi和xj中包括医学影像数据索引信息,索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学影像数据用户拍摄位置信息,例如、胃镜、肠镜、MRI等图像数据,
先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci,然后根据ci所对应的高斯分布中生成一个实例xi,然后根据分布在NAS存储器中医学影像数据抽取医学影像评价样本cj,然后根据cj所对应的高斯分布中生成另一个实例xj,通过影像特征评价参数Oi,j,像素质量评价参数Qi,j,细节复杂度评价参数Ui,j,求解医学影像数据索引信息的最大似然估计为:
假设事先知道了每个实例的xi和xj,那么这个最大似然估计问题将变得简单。在此,最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率:S(cj|xj)表示获取实例xj属于医学影像评价样本cj的概率,上标T为设置医学影像数据调节因子μ对实例的xi和xj进行调节之后的数值求转置:通过对医学影像训练样本ci和医学影像评价样本cj的影响特征、像素质量、和细节复杂度进行计算后,能够刻画出医学影像数据的索引值,完成半监督判断过程中根据最大似然估计进行医学影像数据索引信息的评价,从而对医学影像数据进行划分操作;
S2-2,在划分医学影像数据过程中,对医学影像数据进行属性归类,
医学影像数据中属性归类需要进行信息匹配,得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数:
其中,N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集,Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集,Kj(r)为医学影像数据中匹配信息r中信息元素j的数据集,λi,j为图像信息元素i和j对于关联特征数据集的调节参数,Y(x,y)和Z(x,y)分别表示医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系,Ti为医学影像数据的控制变量,Tj为医学影像数据的条件变量,αi和αj分别表示控制判断阈值和条件判断阈值,D(i,j)为医学影像数据进行匹配的判断决策值,βi,j表示医学影像数据筛选因子,为卷积;
S2-3,通过医学影像数据归类关联熵值的计算是对医学影像数据经过划分和属性归类之后的准确性的校验过程,δ为概率计算隐含变量,其中,ti表示NAS存储器中医学影像数据关联概率,tj表示NAS存储器中医学影像数据条件概率,关联概率值和条件概率值越离散,医学影像数据归类关联熵值越大,也就是说医学影像数据关联性强,关联概率值和条件概率值越聚合,归类关联熵值越小。
所述S3包括如下步骤:
S3-1,对医学影像数据进行骨架提取,
经过属性关联性判断之后,对医学影像数据进行数据统计分析,建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系,根据图像转换参数,建立转换模型,对每个转换模型进行离散化处理,得到转换模型中每个医学影像数据;
S3-2,获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ),Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ);根据骨架提取的约束条件,对同类型医学影像数据进行特征描述,
IX(φ)=g(R×30%);
IY(φ)=g(G×59%);
IZ(φ)=g(B×11%);
S3-3,在医学影像数据转换过程中,医学影像数据关系强度在骨架提取中需要设置连接权重w,当获取医学影像数据在NAS存储器中连接权重具有重要相关性时,观察医学影像数据的交互关系,骨架提取权重函数表示为:
连接权重是影响医学影像数据路径的重要因子,它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子,q为医学影像数据的提取因子,N(IX(φ))为X轴转换函数下变换的R色像素提取函数,N(IY(φ))为Y轴转换函数下变换的G色像素提取函数,N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数,
S3-4,通过骨架提取权重函数计算后,对医学影像数据进行属性特征点标注,对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。
本发明还公开一种海量医学影像在网络附属存储NAS状态下特征点提取系统,包括:
检测单元,用于将医学影像数据收集在NAS存储器中,多个NAS存储器形成医学影像数据库,在医学影像数据库中实时检测医学影像数据对应的NAS存储器,并保存所检测的医学影像数据来源列表;
划分和归类单元,用于对医学影像数据通过半监督算法进行划分操作,在划分医学影像数据过程中,对医学影像数据进行属性归类操作,将划分和归类完成的医学影像数据进行准确性验证;
提取单元,用于验证完毕,对医学影像数据进行骨架提取,并标注属性特征点,并将骨架提取的属性特征点反馈至相应的NAS存储器,NAS存储器上传至云端服务器进行远程展示。
所述检测单元包括:在单个NAS存储器中提取医学影像数据,执行创建索引医学影像数据节点,定位所选取的医学影像数据,并根据医学影像数据的位置时间戳获取相应的NAS存储器地址,通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接,计算NAS存储器剩余容量;
根据NAS存储器剩余容量,对新导入的医学影像数据进行相似度区间判别,根据相似度区间判别后的医学影像数据,计算剩余容量下的NAS存储器,能够在具备相似度区间范围内所存储的医学影像数据量,将不同的NAS存储器设置不同的医学影像数据相似度区间,从而对医学影像数据进行分配;
若医学影像数据判别结果超出某一相似度区间,则查找医学影像数据哈希值对应的NAS存储器列表,遍历全部NAS存储器重新对应符合相似度区间的NAS存储器,导入的医学影像数据经过计算相似度区间之后,不符合现有任何已设置相似度区间NAS存储器存储范围,则重新定义全新的NAS存储器进行存储操作。
换句话说,现有的NAS存储器已经存储了定义完成的医学影像数据,如果获取新的医学影像数据不符合现有的NAS存储器的存储范围,或者设置的标准,则获取新的NAS存储器作为该新的医学影像数据的存储空间。
所述相似度区间计算包括:对医学影像数据P1和医学影像数据P2按照时间轴进行编号,根据P1和P2欧式距离计算医学影像数据的关联性:
通过相似度区间判别两两医学影像数据的相似度,从而将医学影像数据进行初步检测。
所述划分和归类单元包括:
划分单元,用于获取实例医学影像数据xi∈L和xj∈L,其中i,j≥1,对于xi和xj中包括医学影像数据索引信息,索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学影像数据用户拍摄位置信息,
先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci,然后根据ci所对应的高斯分布中生成一个实例xi,然后根据分布在NAS存储器中医学影像数据抽取医学影像评价样本cj,然后根据cj所对应的高斯分布中生成另一个实例xj,通过影像特征评价参数Oi,j,像素质量评价参数Qi,j,细节复杂度评价参数Ui,j,求解医学影像数据索引信息的最大似然估计为:
假设事先知道了每个实例的xi和xj,那么这个最大似然估计问题将变得简单。在此,最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率:S(cj|xj)表示获取实例xj属于医学影像评价样本cj的概率,上标T为设置医学影像数据调节因子μ对实例的xi和xj进行调节之后的数值求转置:通过对医学影像训练样本ci和医学影像评价样本cj的影响特征、像素质量、和细节复杂度进行计算后,能够刻画出医学影像数据的索引值;
归类单元,用于在划分医学影像数据过程中,对医学影像数据进行属性归类,
医学影像数据中属性归类需要进行信息匹配,得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数:
其中,N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集,Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集,Kj(r)为医学影像数据中匹配信息r中信息元素j的数据集,λi,j为图像信息元素i和j对于关联特征数据集的调节参数,Y(x,y)和Z(x,y)分别表示医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系,Ti为医学影像数据的控制变量,Tj为医学影像数据的条件变量,αi和αj分别表示控制判断阈值和条件判断阈值,D(i,j)为医学影像数据进行匹配的判断决策值,βi,j表示医学影像数据筛选因子,为卷积;
判定单元,用于通过医学影像数据归类关联熵值的计算是对医学影像数据经过划分和属性归类之后的准确性的校验过程,δ为概率计算隐含变量,其中,ti表示NAS存储器中医学影像数据关联概率,tj表示NAS存储器中医学影像数据条件概率,关联概率值和条件概率值越离散,医学影像数据归类关联熵值越大,也就是说医学影像数据关联性强,关联概率值和条件概率值越聚合,归类关联熵值越小。
所述提取单元包括:用于对医学影像数据进行骨架提取,
经过属性关联性判断之后,对医学影像数据进行数据统计分析,建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系,根据图像转换参数,建立转换模型,对每个转换模型进行离散化处理,得到转换模型中每个医学影像数据;
获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ),Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ);根据骨架提取的约束条件,对同类型医学影像数据进行特征描述,
IX(φ)=g(R×30%);
IY(φ)=g(G×59%);
IZ(φ)=g(B×11%);
在医学影像数据转换过程中,医学影像数据关系强度在骨架提取中需要设置连接权重w,当获取医学影像数据在NAS存储器中连接权重具有重要相关性时,观察医学影像数据的交互关系,骨架提取权重函数表示为:
连接权重是影响医学影像数据路径的重要因子,它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子,q为医学影像数据的提取因子,N(IX(φ))为X轴转换函数下变换的R色像素提取函数,N(IY(φ))为Y轴转换函数下变换的G色像素提取函数,N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数,
通过骨架提取权重函数计算后,对医学影像数据进行属性特征点标注,对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。
本发明有益效果为,能够对医学影像数据根据自身的特点进行属性分类,经过关联评价之后,对图像数据进行进一步划分,并通过骨架提取方式划分准确的医学影像数据,仿真之后该工作方法执行的医学影像数据分类具备很强的鲁棒性。
而且通过对特定数据作为存储节点,将存储设备与云端服务器分离,集中管理数据,能够解放网络带宽、提高数据调用计算性能、降低网络相应开销,节省成本。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法,其特征在于,包括如下步骤:
S1,将医学影像数据收集在NAS存储器中,多个NAS存储器形成医学影像数据库,在医学影像数据库中实时检测医学影像数据对应的NAS存储器,并保存所检测的医学影像数据来源列表;
S2,对医学影像数据通过半监督算法进行划分操作,在划分医学影像数据过程中,对医学影像数据进行属性归类操作,将划分和归类完成的医学影像数据进行准确性验证;
S3,验证完毕,对医学影像数据进行骨架提取,并标注属性特征点,并将骨架提取的属性特征点反馈至相应的NAS存储器,NAS存储器上传至云端服务器进行远程展示。
2.根据权利要求1所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法,其特征在于,所述S1包括如下步骤:
S1-1,在单个NAS存储器中提取医学影像数据,执行创建索引医学影像数据节点,定位所选取的医学影像数据,并根据医学影像数据的位置时间戳获取相应的NAS存储器地址,通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接,计算NAS存储器剩余容量;
S1-2,根据NAS存储器剩余容量,对新导入的医学影像数据进行相似度区间判别,根据相似度区间判别后的医学影像数据,计算剩余容量下的NAS存储器,能够在具备相似度区间范围内所存储的医学影像数据量,将不同的NAS存储器设置不同的医学影像数据相似度区间,从而对医学影像数据进行分配;
S1-3,若医学影像数据判别结果超出某一相似度区间,则查找医学影像数据哈希值对应的NAS存储器列表,遍历全部NAS存储器重新对应符合相似度区间的NAS存储器,导入的医学影像数据经过计算相似度区间之后,不符合现有任何已设置相似度区间NAS存储器存储范围,则重新定义全新的NAS存储器进行存储操作。
4.根据权利要求1所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法,其特征在于,所述S2包括如下步骤:
S2-1,获取实例医学影像数据xi∈L和xj∈L,其中i,j≥1,对于xi和xj中包括医学影像数据索引信息,索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学影像数据用户拍摄位置信息,
先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci,然后根据ci所对应的高斯分布中生成一个实例xi,然后根据分布在NAS存储器中医学影像数据抽取医学影像评价样本cj,然后根据cj所对应的高斯分布中生成另一个实例xj,通过影像特征评价参数Oi,j,像素质量评价参数Qi,j,细节复杂度评价参数Ui,j,求解医学影像数据索引信息的最大似然估计为:
在此,最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率:S(cj|xj)表示获取实例xj属于医学影像评价样本cj的概率,上标T为设置医学影像数据调节因子μ对实例的xi和xj进行调节之后的数值求转置:通过对医学影像训练样本ci和医学影像评价样本cj的影响特征、像素质量、和细节复杂度进行计算后,能够刻画出医学影像数据的索引值;
S2-2,在划分医学影像数据过程中,对医学影像数据进行属性归类,
医学影像数据中属性归类需要进行信息匹配,得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数:
其中,N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集,Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集,Kj(r)为医学影像数据中匹配信息r中信息元素j的数据集,λi,j为图像信息元素i和j对于关联特征数据集的调节参数,Y(x,y)和Z(x,y)分别表示医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系,Ti为医学影像数据的控制变量,Tj为医学影像数据的条件变量,αi和αj分别表示控制判断阈值和条件判断阈值,D(i,j)为医学影像数据进行匹配的判断决策值,βi,j表示医学影像数据筛选因子,为卷积;
5.根据权利要求1所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法,其特征在于,所述S3包括如下步骤:
S3-1,对医学影像数据进行骨架提取,
经过属性关联性判断之后,对医学影像数据进行数据统计分析,建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系,根据图像转换参数,建立转换模型,对每个转换模型进行离散化处理,得到转换模型中每个医学影像数据;
S3-2,获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ),Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ);根据骨架提取的约束条件,对同类型医学影像数据进行特征描述,
IX(φ)=g(R×30%);
IY(φ)=g(G×59%);
IZ(φ)=g(B×11%)。
6.根据权利要求5所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法,其特征在于,S3-3,在医学影像数据转换过程中,医学影像数据关系强度在骨架提取中需要设置连接权重w,当获取医学影像数据在NAS存储器中连接权重具有重要相关性时,观察医学影像数据的交互关系,骨架提取权重函数表示为:
连接权重是影响医学影像数据路径的重要因子,它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子,q为医学影像数据的提取因子,N(IX(φ))为X轴转换函数下变换的R色像素提取函数,N(IY(φ))为Y轴转换函数下变换的G色像素提取函数,N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数,
S3-4,通过骨架提取权重函数计算后,对医学影像数据进行属性特征点标注,对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010470653.1A CN111666262B (zh) | 2020-05-28 | 2020-05-28 | 海量医学影像在网络附属存储nas状态下特征点提取工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010470653.1A CN111666262B (zh) | 2020-05-28 | 2020-05-28 | 海量医学影像在网络附属存储nas状态下特征点提取工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666262A true CN111666262A (zh) | 2020-09-15 |
CN111666262B CN111666262B (zh) | 2021-06-22 |
Family
ID=72385276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010470653.1A Active CN111666262B (zh) | 2020-05-28 | 2020-05-28 | 海量医学影像在网络附属存储nas状态下特征点提取工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666262B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1336604A (zh) * | 2000-08-01 | 2002-02-20 | 复旦大学 | 中文古籍数字化及内容检索自动化方法和系统 |
CN1434637A (zh) * | 2002-01-22 | 2003-08-06 | 威达电股份有限公司 | 网络影像录像系统 |
CN1926625A (zh) * | 2004-12-27 | 2007-03-07 | 索尼株式会社 | 数据记录方法、数据记录设备和图像拾取设备 |
CN103207870A (zh) * | 2012-01-17 | 2013-07-17 | 华为技术有限公司 | 一种照片分类管理方法、服务器、装置及系统 |
CN103488756A (zh) * | 2013-09-25 | 2014-01-01 | 深圳市金立通信设备有限公司 | 一种图片分类的方法及终端 |
CN104508662A (zh) * | 2012-05-10 | 2015-04-08 | 国际商业机器公司 | 存储分类的系统和方法 |
CN104750737A (zh) * | 2013-12-30 | 2015-07-01 | 腾讯科技(深圳)有限公司 | 一种相册管理方法及装置 |
US9588990B1 (en) * | 2013-01-02 | 2017-03-07 | Google Inc. | Performing image similarity operations using semantic classification |
CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
CN108174289A (zh) * | 2017-12-28 | 2018-06-15 | 泰康保险集团股份有限公司 | 一种影像资料处理方法、装置、介质和电子设备 |
CN109446356A (zh) * | 2018-09-21 | 2019-03-08 | 深圳市九洲电器有限公司 | 一种多媒体文件检索方法及装置 |
JP2019128881A (ja) * | 2018-01-26 | 2019-08-01 | Kpmgコンサルティング株式会社 | 物品分類装置、物品分類システム、物品分類方法及びプログラム |
CN110473195A (zh) * | 2019-08-13 | 2019-11-19 | 中山大学 | 一种可自动定制的医学病灶检测架构及方法 |
-
2020
- 2020-05-28 CN CN202010470653.1A patent/CN111666262B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1336604A (zh) * | 2000-08-01 | 2002-02-20 | 复旦大学 | 中文古籍数字化及内容检索自动化方法和系统 |
CN1434637A (zh) * | 2002-01-22 | 2003-08-06 | 威达电股份有限公司 | 网络影像录像系统 |
CN1926625A (zh) * | 2004-12-27 | 2007-03-07 | 索尼株式会社 | 数据记录方法、数据记录设备和图像拾取设备 |
CN103207870A (zh) * | 2012-01-17 | 2013-07-17 | 华为技术有限公司 | 一种照片分类管理方法、服务器、装置及系统 |
CN104508662A (zh) * | 2012-05-10 | 2015-04-08 | 国际商业机器公司 | 存储分类的系统和方法 |
US9588990B1 (en) * | 2013-01-02 | 2017-03-07 | Google Inc. | Performing image similarity operations using semantic classification |
CN103488756A (zh) * | 2013-09-25 | 2014-01-01 | 深圳市金立通信设备有限公司 | 一种图片分类的方法及终端 |
CN104750737A (zh) * | 2013-12-30 | 2015-07-01 | 腾讯科技(深圳)有限公司 | 一种相册管理方法及装置 |
CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
CN108174289A (zh) * | 2017-12-28 | 2018-06-15 | 泰康保险集团股份有限公司 | 一种影像资料处理方法、装置、介质和电子设备 |
JP2019128881A (ja) * | 2018-01-26 | 2019-08-01 | Kpmgコンサルティング株式会社 | 物品分類装置、物品分類システム、物品分類方法及びプログラム |
CN109446356A (zh) * | 2018-09-21 | 2019-03-08 | 深圳市九洲电器有限公司 | 一种多媒体文件检索方法及装置 |
CN110473195A (zh) * | 2019-08-13 | 2019-11-19 | 中山大学 | 一种可自动定制的医学病灶检测架构及方法 |
Non-Patent Citations (3)
Title |
---|
DIMITRIOS STAMOULIS 等: "Single-Path Mobile AutoML: Efficient ConvNet", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
刘冰 等: "面对高光谱影像分类的半监督阶梯网络", 《测绘科学技术学报》 * |
王文明 等: "医院诊疗健康信息数据的分类分层存储技术研究", 《医疗卫生装备》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111666262B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229321B (zh) | 人脸识别模型及其训练方法和装置、设备、程序和介质 | |
CN109711228B (zh) | 一种实现图像识别的图像处理方法及装置、电子设备 | |
CN111131314B (zh) | 网络行为的检测方法、装置、计算机设备和存储介质 | |
CN108509975B (zh) | 一种异常在线聚类方法及装置,电子设备 | |
CN109272312B (zh) | 用于交易风险实时侦测的方法和装置 | |
US11599561B2 (en) | Data stream analytics | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN111368867A (zh) | 档案归类方法及系统、计算机可读存储介质 | |
CN113037783A (zh) | 一种异常行为检测方法及系统 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN111177436A (zh) | 一种人脸特征检索方法、装置及设备 | |
CN111666439B (zh) | 针对云端环境快速提取和划分医学影像大数据的工作方法 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN117809124A (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
CN111666262B (zh) | 海量医学影像在网络附属存储nas状态下特征点提取工作方法 | |
CN115526859A (zh) | 生产缺陷识别的方法、分布式处理平台、设备及存储介质 | |
CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
CN112182413B (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
CN114255219B (zh) | 征象识别方法、装置、电子设备和存储介质 | |
CN113065604B (zh) | 一种基于dtw-dbscan算法的空中目标分群方法 | |
WO2012075221A1 (en) | Method for inferring attributes of a data set and recognizers used thereon | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN110727532B (zh) | 一种数据修复方法、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210601 Address after: 401147 No.7 Lihuan North Road, Kangmei street, Liangjiang New District, Chongqing Applicant after: Chongqing Zhonglian Information Industry Co.,Ltd. Address before: 401120 21-4, building 3, No. 669, Renhe Longshou Road, new North District, Chongqing Applicant before: Chongqing Yukang Pharmaceutical Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |