CN113160167A - 通过深度学习网络模型进行医学影像数据提取工作方法 - Google Patents

通过深度学习网络模型进行医学影像数据提取工作方法 Download PDF

Info

Publication number
CN113160167A
CN113160167A CN202110409184.7A CN202110409184A CN113160167A CN 113160167 A CN113160167 A CN 113160167A CN 202110409184 A CN202110409184 A CN 202110409184A CN 113160167 A CN113160167 A CN 113160167A
Authority
CN
China
Prior art keywords
medical image
value
image
medical
abnormal
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
CN202110409184.7A
Other languages
English (en)
Other versions
CN113160167B (zh
Inventor
邓贵福
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.)
Shenzhen Yiwei Medical Technology Co Ltd
Original Assignee
Chongqing Feitang Netscape 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 Feitang Netscape Technology Co ltd filed Critical Chongqing Feitang Netscape Technology Co ltd
Priority to CN202110409184.7A priority Critical patent/CN113160167B/zh
Publication of CN113160167A publication Critical patent/CN113160167A/zh
Application granted granted Critical
Publication of CN113160167B publication Critical patent/CN113160167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种通过深度学习网络模型进行医学影像数据提取工作方法，包括：S1，获取医学图像数据，对医学图像进行预处理，转换为Lab颜色空间图像；通过高斯滤波进行降噪；S2，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；S3，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。

Description

通过深度学习网络模型进行医学影像数据提取工作方法
技术领域
本发明涉及图像识别领域，尤其涉及一种通过深度学习网络模型进行医学影像数据提取工作方法。
背景技术
由于进行医疗检测过程中，需要收集海量的医疗图像进行比对和分析，采用传统的图像识别方法效率较低，随着神经网络学习的引入，进行有针对性的提取海量数据成为图像筛选分析的必然趋势，但是现有技术中图像数据是多元的，杂乱的，无序的状态，这就需要更加具体化的模型进行归类和提取，对图像轮廓信息筛选的更加准确，并且能够精准归类，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通过深度学习网络模型进行医学影像数据提取工作方法。
为了实现本发明的上述目的，本发明提供了一种通过深度学习网络模型进行医学影像数据提取工作方法，包括：
S1，获取医学图像数据，对医学图像进行预处理，转换为Lab颜色空间图像；通过高斯滤波进行降噪；
S2，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；
S3，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。
优选的，所述S1包括：
S1-1，根据医学图像的内容，进行预处理RGB医学图像，
其中，
Figure BDA0003023489720000021
通过判断条件，当c＞0.3618时，校正函数
Figure BDA0003023489720000022
当c取其它数值时，
Figure BDA0003023489720000023
其中r,g,b分别为RGB图像R、G、B的通道值；
Figure BDA0003023489720000024
XYZ转Lab，
IL＝110h(Y/Yn)-10；
Ia＝255[h(X/Xn)-h(Y/Yn)]+255；
Ib＝300[h(Y/Yn)-h(Z/Zn)]+255；
当
Figure BDA0003023489720000025
判断颜色校正函数h(s)为
Figure BDA0003023489720000026
当s取其它赋值状态下，h(s)为其它状态下，
Figure BDA0003023489720000027
其中Xn＝96.051，Yn＝96.56和Zn＝101.99。
优选的，所述S1还包括：
S1-2，删除进行Lab转换后无法展示对比度深浅的医学图像，对剩余医学图像通过降噪处理，将医学图像划分为i个图像集合，每个图像集合中包含j个图像样本，将医学图像的特征权值利用高斯滤波模型进行训练筛选，
所述特征权值计算过程为
Figure BDA0003023489720000031
其中，
Figure BDA0003023489720000032
为采集第i个图像集合中第j个图像样本的s个特征的特征权重，m为正整数，ci为第i个图像集合中的图像噪声提取值，μi为第i个图像集合中的图像提取因子，μj为第j个图像样本中的图像噪声调节因子，αj为第j个图像样本中测量的噪声值，β为图像噪声匹配参数；
对特征权重构建完成之后，根据特征权重
Figure BDA0003023489720000033
的提取的医学图像样本数构建状态均值向量
Figure BDA0003023489720000034
其中Ck为医学图像在k时刻特征变换值，
Figure BDA0003023489720000035
为医学图像在k+1时刻特征变换均值，上标T为转置，λ为噪声滤波因子，Mk为训练在k时刻医学图像的模型参数，Nk为训练在k时刻医学图像的异常特征参数。
优选的，所述S2包括：
S2-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，
Figure BDA0003023489720000036
Figure BDA0003023489720000037
设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，
Figure BDA0003023489720000041
为卷积计算；
优选的，所述S2还包括：
S2-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习
Figure BDA0003023489720000042
ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数。
优选的，所述S2还包括：
S2-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
Figure BDA0003023489720000043
其中，
Figure BDA0003023489720000044
表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为
Figure BDA0003023489720000045
其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数
Figure BDA0003023489720000046
J(x)表示医学图像中像素的灰度值，图像最小灰度值
Figure BDA0003023489720000047
图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库。
优选的，所述S3包括：
S3-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：
Figure BDA0003023489720000051
Figure BDA0003023489720000052
f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，
S3-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过对图像进行Lab转换之后，把医学图像进行图像集合划分，能够并行进行图像噪声处理，对高斯滤波模型引入特征权重计算，从而完成降噪操作，获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库；对每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
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所示，本发明公开一种通过深度学习网络模型进行医学影像数据提取工作方法，包括如下步骤：
S1，获取医学图像数据，对医学图像进行预处理，转换为Lab颜色空间图像；通过高斯滤波进行降噪；
S2，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选(边缘检测)模型形成医学图像异常特征候选特征库；
S3，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。
所述S1包括：
S1-1，根据医学图像的内容，进行预处理RGB医学图像，例如：RGB和Lab之间需要通过转换公式，将RGB颜色空间图像转换为XYZ空间，然后在通过XYZ空间获得L、a和b通道图像IL(x)，Ia(x)和Ib(x)
其中，
Figure BDA0003023489720000061
通过判断条件，当c＞0.3618时，校正函数
Figure BDA0003023489720000071
当c取其它数值时，
Figure BDA0003023489720000072
其中r,g,b分别为RGB图像R、G、B的通道值；
Figure BDA0003023489720000073
XYZ转Lab，
IL＝110h(Y/Yn)-10；
Ia＝255[h(X/Xn)-h(Y/Yn)]+255；
Ib＝300[h(Y/Yn)-h(Z/Zn)]+255；
当
Figure BDA0003023489720000074
判断颜色校正函数h(s)为
Figure BDA0003023489720000075
当s取其它赋值状态下，h(s)为其它状态下，
Figure BDA0003023489720000076
其中Xn＝96.051，Yn＝96.56和Zn＝101.99。
S1-2，删除进行Lab转换后无法展示对比度深浅的医学图像，对剩余医学图像通过降噪处理，将医学图像划分为i个图像集合，每个图像集合中包含j个图像样本，将医学图像的特征权值利用高斯滤波模型进行训练筛选，
所述特征权值计算过程为
Figure BDA0003023489720000077
其中，
Figure BDA0003023489720000078
为采集第i个图像集合中第j个图像样本的s个特征的特征权重，m为正整数，ci为第i个图像集合中的图像噪声提取值，μi为第i个图像集合中的图像提取因子，μj为第j个图像样本中的图像噪声调节因子，αj为第j个图像样本中测量的噪声值，β为图像噪声匹配参数；
对特征权重构建完成之后，根据特征权重
Figure BDA0003023489720000081
的提取的医学图像样本数构建状态均值向量
Figure BDA0003023489720000082
其中Ck为医学图像在k时刻特征变换值，
Figure BDA0003023489720000083
为医学图像在k+1时刻特征变换均值，上标T为转置，λ为噪声滤波因子，Mk为训练在k时刻医学图像的模型参数，Nk为训练在k时刻医学图像的异常特征参数，
通过对图像进行Lab转换之后，把医学图像进行图像集合划分，能够并行进行图像噪声处理，对高斯滤波模型引入特征权重计算，从而完成降噪操作，
所述S2包括：
S2-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，优选为3、6或9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，
Figure BDA0003023489720000084
Figure BDA0003023489720000085
设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，
Figure BDA0003023489720000086
为卷积计算；
S2-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习
Figure BDA0003023489720000091
ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数；
S2-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
Figure BDA0003023489720000092
其中，
Figure BDA0003023489720000093
表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为
Figure BDA0003023489720000094
其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数
Figure BDA0003023489720000095
J(x)表示医学图像中像素的灰度值，图像最小灰度值
Figure BDA0003023489720000096
图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库；
所述S3包括：
S3-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：
Figure BDA0003023489720000101
Figure BDA0003023489720000102
f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，
S3-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
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)

1.一种通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，包括：
S1，获取医学图像数据，对医学图像进行预处理，转换为Lab颜色空间图像；通过高斯滤波进行降噪；
S2，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；
S3，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。
2.根据权利要求1所述的通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，所述S1包括：
S1-1，根据医学图像的内容，进行预处理RGB医学图像，
其中，
Figure FDA0003023489710000011
通过判断条件，当c＞0.3618时，校正函数
Figure FDA0003023489710000012
当c取其它数值时，
Figure FDA0003023489710000013
其中r,g,b分别为RGB图像R、G、B的通道值；
Figure FDA0003023489710000014
XYZ转Lab，
IL＝110h(Y/Yn)-10；
Ia＝255[h(X/Xn)-h(Y/Yn)]+255；
Ib＝300[h(Y/Yn)-h(Z/Zn)]+255；
当
Figure FDA0003023489710000021
判断颜色校正函数h(s)为
Figure FDA0003023489710000022
当s取其它赋值状态下，h(s)为其它状态下，
Figure FDA0003023489710000023
其中Xn＝96.051，Yn＝96.56和Zn＝101.99。
3.根据权利要求2所述的通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，所述S1还包括：
S1-2，删除进行Lab转换后无法展示对比度深浅的医学图像，对剩余医学图像通过降噪处理，将医学图像划分为i个图像集合，每个图像集合中包含j个图像样本，将医学图像的特征权值利用高斯滤波模型进行训练筛选，
所述特征权值计算过程为
Figure FDA0003023489710000024
其中，
Figure FDA0003023489710000027
为采集第i个图像集合中第j个图像样本的s个特征的特征权重，m为正整数，ci为第i个图像集合中的图像噪声提取值，μi为第i个图像集合中的图像提取因子，μj为第j个图像样本中的图像噪声调节因子，αj为第j个图像样本中测量的噪声值，β为图像噪声匹配参数；
对特征权重构建完成之后，根据特征权重
Figure FDA0003023489710000028
的提取的医学图像样本数构建状态均值向量
Figure FDA0003023489710000025
其中Ck为医学图像在k时刻特征变换值，
Figure FDA0003023489710000026
为医学图像在k+1时刻特征变换均值，上标T为转置，λ为噪声滤波因子，Mk为训练在k时刻医学图像的模型参数，Nk为训练在k时刻医学图像的异常特征参数。
4.根据权利要求1所述的通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，所述S2包括：
S2-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，
Figure FDA0003023489710000031
Figure FDA0003023489710000032
设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，
Figure FDA0003023489710000033
卷积计算。
5.根据权利要求4所述的通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，所述S2还包括：
S2-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习
Figure FDA0003023489710000034
ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数。
6.根据权利要求4所述的通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，所述S2还包括：
S2-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
Figure FDA0003023489710000041
其中，
Figure FDA0003023489710000042
表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为
Figure FDA0003023489710000043
其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数
Figure FDA0003023489710000045
J(x)表示医学图像中像素的灰度值，图像最小灰度值
Figure FDA0003023489710000046
图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库。
7.根据权利要求1所述的通过深度学习网络模型进行医学影像数据提取工作方法，其特征在于，所述S3包括：
S3-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：
Figure FDA0003023489710000044
Figure FDA0003023489710000051
f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，
S3-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
CN202110409184.7A 2021-04-16 2021-04-16 通过深度学习网络模型进行医学影像数据提取工作方法 Active CN113160167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110409184.7A CN113160167B (zh) 2021-04-16 2021-04-16 通过深度学习网络模型进行医学影像数据提取工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110409184.7A CN113160167B (zh) 2021-04-16 2021-04-16 通过深度学习网络模型进行医学影像数据提取工作方法

Publications (2)

Publication Number Publication Date
CN113160167A true CN113160167A (zh) 2021-07-23
CN113160167B CN113160167B (zh) 2022-01-14

Family

ID=76868006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110409184.7A Active CN113160167B (zh) 2021-04-16 2021-04-16 通过深度学习网络模型进行医学影像数据提取工作方法

Country Status (1)

Country Link
CN (1) CN113160167B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101228551A (zh) * 2005-07-22 2008-07-23 卡尔斯特里姆保健公司 医学图像中的异常检测
CN104658014A (zh) * 2015-02-10 2015-05-27 重庆金山科技（集团）有限公司 一种检测活体内色度异常的方法
CN106709518A (zh) * 2016-12-20 2017-05-24 西南大学 基于Android平台的盲道识别系统
CN107145899A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 三通道Narrow‑band感知颜色特征提取用于描述消化道内医学图像的工作方法
CN108256531A (zh) * 2018-01-05 2018-07-06 上海交通大学 一种基于图像彩色信息的局部特征描述子构造方法及系统
CN108389187A (zh) * 2018-01-30 2018-08-10 李家菊 基于卷积神经网络法和支持向量机法的影像科图像识别方法
CN109035252A (zh) * 2018-06-29 2018-12-18 山东财经大学 一种面向医学图像分割的超像素方法
CN110428475A (zh) * 2019-06-21 2019-11-08 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110443800A (zh) * 2019-08-22 2019-11-12 深圳大学 视频图像质量的评价方法
CN110477846A (zh) * 2019-08-23 2019-11-22 西安交通大学医学院第二附属医院 一种消化内镜异常特征实时标记方法及系统
CN111353062A (zh) * 2018-12-21 2020-06-30 华为技术有限公司 一种图像检索方法、装置以及设备
AU2021101377A4 (en) * 2021-03-17 2021-05-13 Elango, N.M. DR A system and method for automatic brain tumor classification in mri images
CN113034403A (zh) * 2021-04-16 2021-06-25 重庆飞唐网景科技有限公司 医学影像数据通过高斯滤波进行降噪的工作方法
CN113160166A (zh) * 2021-04-16 2021-07-23 重庆飞唐网景科技有限公司 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN113240657A (zh) * 2021-05-25 2021-08-10 河南中全科技有限公司 一种基于医疗大数据的眼睑炎图像处理及预警系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101228551A (zh) * 2005-07-22 2008-07-23 卡尔斯特里姆保健公司 医学图像中的异常检测
CN104658014A (zh) * 2015-02-10 2015-05-27 重庆金山科技（集团）有限公司 一种检测活体内色度异常的方法
CN106709518A (zh) * 2016-12-20 2017-05-24 西南大学 基于Android平台的盲道识别系统
CN107145899A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 三通道Narrow‑band感知颜色特征提取用于描述消化道内医学图像的工作方法
CN108256531A (zh) * 2018-01-05 2018-07-06 上海交通大学 一种基于图像彩色信息的局部特征描述子构造方法及系统
CN108389187A (zh) * 2018-01-30 2018-08-10 李家菊 基于卷积神经网络法和支持向量机法的影像科图像识别方法
CN109035252A (zh) * 2018-06-29 2018-12-18 山东财经大学 一种面向医学图像分割的超像素方法
CN111353062A (zh) * 2018-12-21 2020-06-30 华为技术有限公司 一种图像检索方法、装置以及设备
CN110428475A (zh) * 2019-06-21 2019-11-08 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110443800A (zh) * 2019-08-22 2019-11-12 深圳大学 视频图像质量的评价方法
CN110477846A (zh) * 2019-08-23 2019-11-22 西安交通大学医学院第二附属医院 一种消化内镜异常特征实时标记方法及系统
AU2021101377A4 (en) * 2021-03-17 2021-05-13 Elango, N.M. DR A system and method for automatic brain tumor classification in mri images
CN113034403A (zh) * 2021-04-16 2021-06-25 重庆飞唐网景科技有限公司 医学影像数据通过高斯滤波进行降噪的工作方法
CN113160166A (zh) * 2021-04-16 2021-07-23 重庆飞唐网景科技有限公司 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN113240657A (zh) * 2021-05-25 2021-08-10 河南中全科技有限公司 一种基于医疗大数据的眼睑炎图像处理及预警系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
K. S. MANU等: "FPGA Implementation of Image Block Generation and Color Space Conversion for the Gaussian Mixture Model", 《2017 INTERNATIONAL CONFERENCE ON RECENT ADVANCES IN ELECTRONICS AND COMMUNICATION TECHNOLOGY (ICRAECT)》 *
TERCEL_ZHANG等: "关于高斯滤波的一些理解", 《HTTPS://BLOG.CSDN.NET/TERCEL_ZHANG/ARTICLE/DETAILS/79481296》 *
江韬等: "基于滤波器组与中心对称局部二值模式的内窥镜病灶图像检测方法", 《电子测量与仪器学报》 *
苏宝星: "基于深度学习的医学图像模式分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
许晴: "基于颜色转换的异常视觉辅助识别算法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN113160167B (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN110428450B (zh) 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN110472479B (zh) 一种基于surf特征点提取和局部lbp编码的指静脉识别方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN107657209B (zh) 一种基于手指静脉图像质量的模板图像注册机制
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN113963041A (zh) 一种图像纹理识别方法及系统
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN113034403B (zh) 医学影像数据通过高斯滤波进行降噪的工作方法
CN113160166B (zh) 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN114965316A (zh) 一种基于高光谱多参数的水质监测方法、计算机程序产品
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN113160167B (zh) 通过深度学习网络模型进行医学影像数据提取工作方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN112509026A (zh) 一种绝缘子裂缝长度识别方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
CN109886320B (zh) 一种人体股骨x光片智能识读方法及系统
CN111815542A (zh) 一种树木年轮图像髓心定位、年轮测量方法
CN116842976A (zh) 一种基于图像粗定位后的DataMatrix二维码识别方法及系统
CN115063679B (zh) 一种基于深度学习的路面质量评估方法

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
CB03 Change of inventor or designer information

Inventor after: Wang Silun

Inventor after: Zhou Jingyu

Inventor after: Xiao Huanhui

Inventor after: Deng Guifu

Inventor before: Deng Guifu

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20211230

Address after: 518000 1001, maikelon building, No. 6, Gaoxin South 6th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Applicant after: SHENZHEN YIWEI MEDICAL TECHNOLOGY Co.,Ltd.

Address before: 401120 6-2, unit 1, building 14, Xiangzhi Tinglan, no.6, langui Avenue, shuanglonghu street, Yubei District, Chongqing

Applicant before: Chongqing feitang Netscape Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant