CN111666439A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111666439A
CN111666439A CN202010470655.0A CN202010470655A CN111666439A CN 111666439 A CN111666439 A CN 111666439A CN 202010470655 A CN202010470655 A CN 202010470655A CN 111666439 A CN111666439 A CN 111666439A
Authority
CN
China
Prior art keywords
medical image
image data
data
information
attribute
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
Application number
CN202010470655.0A
Other languages
English (en)
Other versions
CN111666439B (zh
Inventor
郭付国
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.)
GUANGDONG WEIREN MEDICAL TECHNOLOGY Co.,Ltd.
Original Assignee
Chongqing Yukang Pharmaceutical 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 Chongqing Yukang Pharmaceutical Technology Co ltd filed Critical Chongqing Yukang Pharmaceutical Technology Co ltd
Priority to CN202010470655.0A priority Critical patent/CN111666439B/zh
Publication of CN111666439A publication Critical patent/CN111666439A/zh
Application granted granted Critical
Publication of CN111666439B publication Critical patent/CN111666439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/50—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
    • G06F16/10—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
    • G06F16/50—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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (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)

Abstract

本发明提出了一种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，包括如下步骤：S1，对医学影像数据通过最大似然估计算法进行划分操作；S2，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。

Description

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
技术领域
本发明涉及大数据挖掘领域，尤其涉及一种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。
背景技术
由于图像数据随着云端存储的不断深化，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，数据的差异化明显，但是没有规范的归类和划分，造成数据定位不准，查找困难，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。
为了实现本发明的上述目的，本发明提供了一种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，包括如下步骤：
S1，对医学影像数据通过最大似然估计算法进行划分操作；
S2，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。
优选的，所述S1包括如下步骤：
S1-1，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，
S1-2，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：
Figure BDA0002514192230000021
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。
优选的，所述S2包括如下步骤：
S2-1，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：
Figure BDA0002514192230000022
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，
Figure BDA0002514192230000031
为卷积。
优选的，所述S2还包括如下步骤：
S2-2，通过医学影像数据归类关联熵值的计算
Figure BDA0002514192230000032
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；
优选的，所述S3包括如下步骤：
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，所述S3包括如下步骤：
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：
Figure BDA0002514192230000041
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，有助于准确提取相应的图像数据，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。
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是本发明系统示意图；
图2是本发明工作方法流程图。
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和2所示，本发明公开一种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，
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：
Figure BDA0002514192230000061
其中，
Figure BDA0002514192230000062
为医学影像数据P1中图像坐标x的样本特征值，
Figure BDA0002514192230000063
为医学影像数据P1中图像坐标y的样本特征值，
Figure BDA0002514192230000064
为医学影像数据P2中图像坐标x的样本特征值，
Figure BDA0002514192230000065
为医学影像数据P2中图像坐标y的样本特征值，
根据P1和P2关联性求相似度区间
Figure BDA0002514192230000066
Wmin和Wmax分别代表P1和P2的最小特征关系阈值以及P1和P2最大特征关系阈值，ζ代表相似度调节系数；
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：
Figure BDA0002514192230000071
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：
Figure BDA0002514192230000081
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，
Figure BDA0002514192230000082
为卷积；
S2-3，通过医学影像数据归类关联熵值的计算
Figure BDA0002514192230000083
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：
Figure BDA0002514192230000091
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。
属性特征点的标注过程是通过骨架提取函数计算的结果而得到，已经计算完成的医学影像数据也即证明完成了属性特征点标注，从而有助于NAS存储器对医学影像数据进行后续的定位和提取。
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，有助于准确提取相应的图像数据，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 (7)

1.一种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，其特征在于，包括如下步骤：
S1，对医学影像数据通过最大似然估计算法进行划分操作；
S2，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。
2.根据权利要求1所述的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，其特征在于，所述S1包括如下步骤：
S1-1，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，
S1-2，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：
Figure FDA0002514192220000011
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。
3.根据权利要求1所述的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，其特征在于，所述S2包括如下步骤：
S2-1，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：
Figure FDA0002514192220000021
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，
Figure FDA0002514192220000022
为卷积。
4.根据权利要求3所述的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，其特征在于，所述S2还包括如下步骤：
S2-2，通过医学影像数据归类关联熵值的计算
Figure FDA0002514192220000031
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。
5.根据权利要求1所述的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，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。
6.根据权利要求5所述的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，其特征在于，所述S3包括如下步骤：
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％)。
7.根据权利要求1所述的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，其特征在于，所述S3包括如下步骤：
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：
Figure FDA0002514192220000041
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。
CN202010470655.0A 2020-05-28 2020-05-28 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 Active CN111666439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010470655.0A CN111666439B (zh) 2020-05-28 2020-05-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010470655.0A CN111666439B (zh) 2020-05-28 2020-05-28 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

Publications (2)

Publication Number Publication Date
CN111666439A true CN111666439A (zh) 2020-09-15
CN111666439B CN111666439B (zh) 2021-07-13

Family

ID=72385280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010470655.0A Active CN111666439B (zh) 2020-05-28 2020-05-28 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

Country Status (1)

Country Link
CN (1) CN111666439B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784922A (zh) * 2021-02-07 2021-05-11 重庆渝抗医药科技有限公司 智能云端医疗影像的提取和分类方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100226564A1 (en) * 2009-03-09 2010-09-09 Xerox Corporation Framework for image thumbnailing based on visual similarity
CN102402796A (zh) * 2011-10-26 2012-04-04 重庆大学 肝脏血管系统的三维结构化描述方法
CN102629275A (zh) * 2012-03-21 2012-08-08 复旦大学 面向跨媒体新闻检索的人脸-人名对齐方法及系统
CN106156708A (zh) * 2015-04-15 2016-11-23 北京赛伯传奇科技有限公司 精准图像识别系统
CN107563359A (zh) * 2017-09-29 2018-01-09 重庆市智权之路科技有限公司 对于密集人群进行人脸识别热度分析生成方法
CN108038448A (zh) * 2017-12-13 2018-05-15 河南理工大学 基于加权熵的半监督随机森林高光谱遥感影像分类方法
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
CN109459136A (zh) * 2018-10-15 2019-03-12 武汉精测电子集团股份有限公司 一种色度测量的方法与装置
CN109711441A (zh) * 2018-12-13 2019-05-03 泰康保险集团股份有限公司 图像分类方法、装置、存储介质及电子设备
CN110163121A (zh) * 2019-04-30 2019-08-23 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110321785A (zh) * 2019-05-09 2019-10-11 北京尚文金泰教育科技有限公司 一种引入ResNet深度学习网络构建皮纹分类预测模型的方法
CN110910991A (zh) * 2019-11-21 2020-03-24 张军 一种医用自动图像处理系统
CN111078910A (zh) * 2019-12-06 2020-04-28 武汉联影医疗科技有限公司 医学影像的存储方法、装置、系统、设备和存储介质
CN112307232A (zh) * 2020-10-29 2021-02-02 杭州宣迅电子科技有限公司 一种大数据内容智能分类存储处理方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100226564A1 (en) * 2009-03-09 2010-09-09 Xerox Corporation Framework for image thumbnailing based on visual similarity
CN102402796A (zh) * 2011-10-26 2012-04-04 重庆大学 肝脏血管系统的三维结构化描述方法
CN102629275A (zh) * 2012-03-21 2012-08-08 复旦大学 面向跨媒体新闻检索的人脸-人名对齐方法及系统
CN106156708A (zh) * 2015-04-15 2016-11-23 北京赛伯传奇科技有限公司 精准图像识别系统
CN107563359A (zh) * 2017-09-29 2018-01-09 重庆市智权之路科技有限公司 对于密集人群进行人脸识别热度分析生成方法
CN108038448A (zh) * 2017-12-13 2018-05-15 河南理工大学 基于加权熵的半监督随机森林高光谱遥感影像分类方法
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
CN109459136A (zh) * 2018-10-15 2019-03-12 武汉精测电子集团股份有限公司 一种色度测量的方法与装置
CN109711441A (zh) * 2018-12-13 2019-05-03 泰康保险集团股份有限公司 图像分类方法、装置、存储介质及电子设备
CN110163121A (zh) * 2019-04-30 2019-08-23 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110321785A (zh) * 2019-05-09 2019-10-11 北京尚文金泰教育科技有限公司 一种引入ResNet深度学习网络构建皮纹分类预测模型的方法
CN110910991A (zh) * 2019-11-21 2020-03-24 张军 一种医用自动图像处理系统
CN111078910A (zh) * 2019-12-06 2020-04-28 武汉联影医疗科技有限公司 医学影像的存储方法、装置、系统、设备和存储介质
CN112307232A (zh) * 2020-10-29 2021-02-02 杭州宣迅电子科技有限公司 一种大数据内容智能分类存储处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AMIR RAJAEI等: "《Symbolic representation and classification of medical X-ray images》", 《SPRINGER》 *
邱甲军: "《基于纹理分析的医学图像辅助诊断关键技术研究》", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784922A (zh) * 2021-02-07 2021-05-11 重庆渝抗医药科技有限公司 智能云端医疗影像的提取和分类方法

Also Published As

Publication number Publication date
CN111666439B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109711228B (zh) 一种实现图像识别的图像处理方法及装置、电子设备
CN111177505A (zh) 指标异常检测模型的训练方法、推荐的方法及装置
CN113742387A (zh) 数据处理方法、设备及计算机可读存储介质
CN110995153B (zh) 一种光伏电站的异常数据检测方法、装置及电子设备
CN111131314A (zh) 网络行为的检测方法、装置、计算机设备和存储介质
CN113037783B (zh) 一种异常行为检测方法及系统
US11599561B2 (en) Data stream analytics
CN112287753A (zh) 一种基于机器学习提升人脸识别精度的系统及其算法
CN111368867A (zh) 档案归类方法及系统、计算机可读存储介质
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
CN111340233A (zh) 机器学习模型的训练方法及装置、样本处理方法及装置
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
Lawrence et al. Explaining neural matrix factorization with gradient rollback
CN113051984A (zh) 视频拷贝检测方法和装置、存储介质和电子装置
CN110544047A (zh) 一种不良数据辨识方法
CN113408630A (zh) 一种变电站指示灯状态识别方法
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
CN117119253A (zh) 一种针对目标对象的高质量视频抽帧方法
CN111737371B (zh) 可动态预测的数据流量检测分类方法及装置
CN112668365A (zh) 一种物料入库识别方法、装置、设备及存储介质
Zhang et al. Post-hoc models for performance estimation of machine learning inference
CN112115996B (zh) 图像数据的处理方法、装置、设备及存储介质
CN110855467B (zh) 一种基于计算机视觉技术的网络综合态势预测方法
CN107203755B (zh) 一种用于遥感图像时间序列标记样本自动增新的方法、装置和系统
CN110580429B (zh) 一种视频背景库的管理方法、装置及其应用

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: An Lin

Inventor after: Qin Jia

Inventor after: Guo Fuguo

Inventor before: Guo Fuguo

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210623

Address after: 528000, one of the fourth floors of No.1 building, No.117 Zhangcha 1st Road, Chancheng District, Foshan City, Guangdong Province

Applicant after: GUANGDONG WEIREN MEDICAL TECHNOLOGY 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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A working method for quickly extracting and dividing medical image big data based on cloud environment

Effective date of registration: 20230227

Granted publication date: 20210713

Pledgee: Foshan rural commercial bank Limited by Share Ltd.

Pledgor: GUANGDONG WEIREN MEDICAL TECHNOLOGY Co.,Ltd.

Registration number: Y2023980033570