CN115064247A - 一种基于图像特征分析的图像分层采集方法及系统 - Google Patents
一种基于图像特征分析的图像分层采集方法及系统 Download PDFInfo
- Publication number
- CN115064247A CN115064247A CN202210946577.6A CN202210946577A CN115064247A CN 115064247 A CN115064247 A CN 115064247A CN 202210946577 A CN202210946577 A CN 202210946577A CN 115064247 A CN115064247 A CN 115064247A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- enhancement
- abnormal
- identification
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims description 115
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 37
- 238000003745 diagnosis Methods 0.000 claims description 16
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 21
- 230000008569 process Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像特征分析的图像分层采集方法及系统,涉及数字图像处理技术领域,基于目标用户的初始影像集合获取影像特征集合,将其输入异常分析模块进行异常分析获取标识区域影像,进一步进行标识区域影像的影像增强扫描,输出增强影像信息,再次进行异常分析输出二次标识区域影像,进行影像增强扫描输出二次增强影像信息,以此类推,得到多次增强影像信息,作为多层影像采集结果发送至目标用户的诊疗医生,解决了现有技术中图像采集过程较为简易,智能度不足,使得所采集的图像无法直接进行分析,需进一步进行图像处理,流程较为繁杂且无法保证图像处理结果与需求的高匹配度的技术问题,实现了智能化的图像优化增强采集。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于图像特征分析的图像分层采集方法及系统。
背景技术
现如今,主要通过医学影像诊断进行身体状况检查,为保证诊断的准确性,对于采集影像的质量与特征清晰度有所要求,然而由于光线、采集角度等多种因素影响,所获取的影像不可避免的会受到一定影响,为后续分析诊断造成偏差影响,现有技术中,主要通过对采集的影像进行预处理,例如增强、降噪等,但相应的处理技术还存在一定的弊端,使得影像处理结果还存在一定的可提升空间。
现今常用的图像采集方法由于图像采集过程较为简易,智能度不足,使得所采集的图像无法直接进行分析,需进一步进行图像处理,流程较为繁杂且无法保证图像处理结果与需求的高匹配度。
发明内容
本申请提供了一种基于图像特征分析的图像分层采集方法及系统,用于针对解决现有技术中存在的图像采集过程较为简易,智能度不足,使得所采集的图像无法直接进行分析,需进一步进行图像处理,流程较为繁杂且无法保证图像处理结果与需求的高匹配度的技术问题。
鉴于上述问题,本申请提供了一种基于图像特征分析的图像分层采集方法及系统。
第一方面,本申请提供了一种基于图像特征分析的图像分层采集方法,所述方法包括:获得目标用户的初始影像集合;将所述初始影像集合传输至所述特征识别模块中,根据所述特征识别模块,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围;通过对所述标识区域影像进行影像增强扫描,输出增强影像信息;将所述增强影像信息输入所述异常分析模块二次异常分析,输出二次标识区域影像;将所述二次标识区域影像进行影像增强扫描,输出二次增强影像信息,以此类推,得到多次增强影像信息;将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生。
第二方面,本申请提供了一种基于图像特征分析的图像分层采集系统,所述系统包括:影像获取模块,所述影像获取模块用于获得目标用户的初始影像集合;特征识别输出模块,所述特征识别输出模块用于将所述初始影像集合传输至所述特征识别模块中,根据所述特征识别模块,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;特征分析模块,所述特征分析模块用于将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围;影像增强模块,所述影像增强模块用于通过对所述标识区域影像进行影像增强扫描,输出增强影像信息;异常分析模块,所述异常分析模块用于将所述增强影像信息输入所述异常分析模块二次异常分析,输出二次标识区域影像;影像二次增强模块,所述影像二次增强模块用于将所述二次标识区域影像进行影像增强扫描,输出二次增强影像信息,以此类推,得到多次增强影像信息;影像发送模块,所述影像发送模块用于将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于图像特征分析的图像分层采集方法,获得目标用户的初始影像集合并将其传输至所述特征识别模块中,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围,进一步进行所述标识区域影像的影像增强扫描,输出增强影像信息,将其输入所述异常分析模块二次异常分析,输出二次标识区域影像,通过进行所述二次标识区域影像的影像增强扫描输出二次增强影像信息,以此类推,得到多次增强影像信息;将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生,解决了现有技术中存在的图像采集过程较为简易,智能度不足,使得所采集的图像无法直接进行分析,需进一步进行图像处理,流程较为繁杂且无法保证图像处理结果与需求的高匹配度的技术问题,实现了智能化的图像优化增强采集。
附图说明
图1为本申请提供了一种基于图像特征分析的图像分层采集方法流程示意图;
图2为本申请提供了一种基于图像特征分析的图像分层采集方法中影像增强信息输出流程示意图;
图3为本申请提供了一种基于图像特征分析的图像分层采集方法中多层影像采集结果节点标识流程示意图;
图4为本申请提供了一种基于图像特征分析的图像分层采集系统结构示意图。
附图标记说明:影像获取模块a,特征识别输出模块b,特征分析模块c,影像增强模块d,异常分析模块e,影像二次增强模块f,影像发送模块g。
具体实施方式
本申请通过提供一种基于图像特征分析的图像分层采集方法及系统,基于目标用户的初始影像集合获取影像特征集合,将其输入异常分析模块进行异常分析获取标识区域影像,进一步进行标识区域影像的影像增强扫描,输出增强影像信息,再次进行异常分析输出二次标识区域影像,进行影像增强扫描输出二次增强影像信息,以此类推,得到多次增强影像信息,作为多层影像采集结果发送至目标用户的诊疗医生,用于解决现有技术中存在的图像采集过程较为简易,智能度不足,使得所采集的图像无法直接进行分析,需进一步进行图像处理,流程较为繁杂且无法保证图像处理结果与需求的高匹配度的技术问题。
实施例一
如图1所示,本申请提供了一种基于图像特征分析的图像分层采集方法,所述方法应用于图像分层采集系统,所述系统包括特征识别模块,所述方法包括:
步骤S100:获得目标用户的初始影像集合;
具体而言,本申请提供的一种基于图像特征分析的图像分层采集方法应用于所述图像分层采集系统,所述系统包括特征识别模块,所述特征识别模块用于对采集的影像集合进行影像特征识别,针对识别的所述影像特征进行后续异常分析处理,对所述目标用户进行初始影像的采集,所述初始影像集合指所述目标用户进行的肺部初步采集影像,获取所述目标用户肺部的完整影像与多个局部影像采集结果,对其进行整合处理,确定为所述目标用户的初始影像集合,所述初始影像集合的获取为后续进行影像分析处理提供了基本信息依据。
步骤S200:将所述初始影像集合传输至所述特征识别模块中,根据所述特征识别模块,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;
具体而言,将所述初始影像集合传输至所述特征识别分析模块中,所述特征识别模块内嵌于所述图像分层采集系统中,用于对捕捉的所述初始影像集合进行特征识别提取,将所述初始影像集合传输至所述特征识别模块中之前,先对所述初始影像集合进行影像预筛选,获取筛选条件进行所述初始影像集合的排查,以删除部分不合格影像减少后续分析信息量,基于所述特征识别模块,确定所述初始影像集合所覆盖的多种特征,例如色调、阴影、位置、布局与形状等,并对获取的所述影像特征集合进行输出,所述影像特征集合的获取为进行后续影像异常分析提供了信息支持。
进一步而言,将所述初始影像集合传输至所述特征识别模块中之前,本申请步骤S200还包括:
步骤S210:将所述初始影像集合输入影像预筛选模块中,根据所述影像预筛选模块,获取影像特征强度、影像特征覆盖率和影像特征清晰度;
步骤S220:以所述影像特征强度、所述影像特征覆盖率和所述影像特征清晰度,生成影像筛选条件;
步骤S230:根据所述影像筛选条件对所述初始影像集合进行筛选,得到筛选影像集合;
步骤S240:将所述筛选影像集合输入至所述特征识别模块中。
具体而言,对所述初始影像集合进行影像筛选,将所述初始影像集合输入所述影像预筛选模块中,所述影像预筛选模块用于对所述初始影像集合进行筛选,排除部分 影像,基于所述影像预筛选模块,对所述初始影像集合中各影像的影像特征强度、影像特征覆盖率与影像特征清晰度进行确定,进一步的,以所述影像特征强度、所述影像特征覆盖率与所述影像特征清晰度为基准,生成所述影像筛选条件,所述影像筛选条件为对所述初始影像集合进行不合格影像排查的限制条件,例如,将影像特征覆盖率90%以上,特征可进行可视化捕捉作为筛选条件,以此为基准对所述初始影像集合进行筛选,对不符合筛选条件的初始影像进行排除,对其余影像进行整合作为所述筛选影像集合,进一步将所述筛选影像集合输入所述特征识别模块中,进行影像特征识别分析,通过进行所述初始影像集合的筛选排查,排除不合格影像以减少后期影像信息分析处理的复杂度。
步骤S300:将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围;
步骤S400:通过对所述标识区域影像进行影像增强扫描,输出增强影像信息;
具体而言,将所述影像特征集合输入所述异常分析模块中,通过与正常状况下的标准影像特征进行特征映射比对,进而对所述影像特征集合进行异常特征筛选,确定所述异常特征对应的影像区域,基于一定序列对其进行标识,获取所述标识区域影像,所述标识区域影像指影像中的异常区域范围,即病灶区,以所述标识区域影像作为待分析影像进行后续分析处理,进一步的,对所述标识区域影像进行影像增强判断,基于影像增强逻辑模块中的异常范围分析模块与异常概率分析模块进行异常识别分析,通过进行所述标识区域影像的像素统计与概率计算获取像素统计结果与概率计算结果,进一步进行结果判断,当所述像素统计结果与所述概率计算结果均满足阈值要求时,说明所述标识区域影像异常范围与异常概率较大,需进行影像增强,获取影像增强指令并对所述标识区域影像进行增强扫描,输出所述影像增强信息,基于所述影像增强信息进行后续影像分析。
进一步而言,如图2所示,通过对所述标识区域影像进行影像增强扫描,输出增强影像信息,本申请步骤S400还包括:
步骤S410:将所述标识区域影像输入影像增强逻辑模块,其中,所述影像增强逻辑模块包括异常范围分析模块和异常概率分析模块,且所述异常概率分析模块的输出与所述异常范围分析模块的输出连接;
步骤S420:根据所述异常范围分析模块,对所述标识区域影像进行异常区域像素点统计,获得像素统计结果;
步骤S430:判断所述像素统计结果是否大于等于预设像素阈值,获取像素判断结果。
具体而言,将所述标识区域影像输入所述影像增强逻辑模块中进行影像增强处理,所述影像增强逻辑模块包含所述异常范围分析模块与所述异常概率分析模块,所述异常概率分析模块用于对所述标识区域影像进行异常概率的分析计算,确当所述标识区域影像的异常程度,所述异常范围分析模块用于进行所述标识区域影像中的异常区域范围界定,通过进行异常区域像素点的捕捉统计以界定所述标识区域影像中的异常范围,获取所述像素统计结果,所述异常概率分析模块与所述异常范围输出模块的输出相连接,便于进行输出结果的综合评定,进一步进行所述预设像素阈值的设定,所述预设像素阈值指判断所述像素统计结果指是否需进行增强处理的限定条件,判断所述像素统计结果是否大于等于所述预设像素阈值,当所述像素统计结果大于等于所述预设像素阈值时,说明异常范围较大,需进一步进行分层分析,获取所述像素判断结果,所述像素判断结果的获取为进行后续影像处理奠定了基础。
进一步而言,本申请步骤S410还包括:
步骤S411:根据所述异常概率分析模块,对所述标识区域影像进行异常概率计算,获取异常概率计算结果;
步骤S412:判断所述异常概率计算结果是否大于等于预设概率阈值,获取概率判断结果;
步骤S413:当所述像素判断结果和所述概率判断结果均为通过时,激活影像增强指令;
步骤S414:根据所述影像增强指令,对所述标识区域影像进行影像增强扫描,输出所述增强影像信息。
进一步而言,本申请步骤S412还包括:
步骤S4121:若所述像素判断结果和所述概率判断结果中任一结果为不通过时,不激活所述影像增强指令,获取影像发送指令,由所述影像发送指令将所述标识区域影像发送至所述目标用户的诊疗医生。
具体而言,将所述标识区域影像输入影像增强逻辑模块,基于所述影像增强逻辑模块中的异常概率分析模块进行所述标识区域影像的异常概率计算,对异常概率较大的区域可进行进一步的搜寻,获取所述异常概率计算结果,进一步进行所述异常概率计算结果的判断,判断所述异常概率计算结果是否大于等于所述预设概率阈值,所述预设概率阈值指判定所述异常概率计算结果大小,是否需进行影像增强的概率限定范围,当所述异常概率计算结果大于等于所述预设概率阈值时,说明该区域异常概率较大,需进行影像增强以进行进一步搜寻,获取所述概率判断结果。
进一步的,对所述概率判断结果进行分析,当所述像素判断结果和所述概率判断结果中任一结果处于阈值界定范围内,则判定为不通过,说明所述标识区域影像包含异常信息量较少,无需进行影像增强,则不激活所述影像增强指令,直接获取影像发送指令,由所述影像发送指令将所述标识区域影像发送至所述目标用户的诊疗医生,进行后续诊疗;当所述像素判断结果与所述概率判断结果均为通过时,说明所述标识区域影像异常区域范围较大且异常概率较大,此时激活所述影像增强指令,以所述影像增强指令为基准,对所述标识区域影像开始进行影像增强扫描,以改善所述标识区域影像质量以突出影像特征信息,输出所述影像增强信息,基于所述影像增强信息进行后续分析处理,使得影像覆盖信息的可视化表现更加明显,便于进行信息识别。
进一步而言,获取异常概率计算结果,本申请步骤S411还包括:
步骤S4111:将所述标识区域影像输入所述异常概率分析模块中,其中,所述异常概率分析模块嵌有概率计算模型;
步骤S4112:获取所述标识区域影像的影像特征,并生成特征分布信息;
步骤S4113:将所述特征分布信息输入所述概率计算模型中进行异常概率计算,输出所述异常概率计算结果,包括异常概率值,其中,所述异常概率值用于表示所述标识区域影像中影像异常的程度。
具体而言,将所述标识区域影像输入所述异常概率分析模块中进行影像的异常概率分析,所述异常概率分析模块中内嵌有所述概率计算模型,对接收的所述标识区域影像进行特征识别,获取所述标识区域影像的影像特征,包括图像形状、色彩、范围大小、轮廓等,以此为基准生成所述特征分布信息,进而将所述特征分布信息输入所述概率计算模型中,通过进行所述标识区域影像中特征信息的自动识别进行所述标识区域影像的异常概率计算,输出所述异常概率计算结果,所述异常概率计算结果包括所述异常概率值,所述异常概率值表述所述标识区域影像中的影像异常程度,其中,所述异常概率值与所述标识区域影像一一对应,以所述异常概率值为基准进行所述标识区域影像的异常分析。
步骤S500:将所述增强影像信息输入所述异常分析模块二次异常分析,输出二次标识区域影像;
步骤S600:将所述二次标识区域影像进行影像增强扫描,输出二次增强影像信息,以此类推,得到多次增强影像信息;
具体而言,将所述增强影像信息输入所述异常分析模型中,通过进行所述增强影像信息的特征识别分析,获取所述影像增强信息中包含的异常特征,以所述异常特征为基准进行所述异常特征区域的映射,进而对所述异常特征区域基于另一标识序列进行影像标识,输出所述二次标识区域影像,进一步的,对所述二次标识区域影像进行增强分析,将所述二次标识区域影像输入所述影像增强逻辑模块,基于所述影像增强逻辑模块中的所述异常范围分析模块与所述异常概率分析模块进行异常分析,获取所述像素判断结果与所述异常概率判断结果,进一步分别进行结果的阈值判定来确定是否需要激活影像增强指令,当上述两种判断结果大于等于阈值界定范围时,激活所述影像激活指令进行影像的二次增强,获取二次增强影像信息,进一步重复上述影像增强分析,直至最终获取的影像增强信息其一或两者均小于界定阈值,即异常范围变小,异常概率变小,停止进行影像增强,获取多次增强影像信息,将所述多次增强影像信息作为最终确定的影像信息,通过进行多次影像增强,使得所述标识区域影像的异常特征信息能得到清晰表述,便于进行异常状态分析。
步骤S700:将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生。
进一步的,通过进行所述标识区域影像的多次影像增强,获取所述多次增强影像信息,将所述多层影像采集结果作为所述多层影像采集结果,获取所述多层影像采集结果的分层影像量,即各部分影像特征增强完成对应的增强层数,进一步获取所述节点标识指令进行节点标识,将所述节点标识结果发送至所述目标用户的诊疗医生,通过进行影像检查完成就诊,通过对所述标识区域影像进行影像增强标识,可有效增强所述标识区域影像中所包含的细节指标特征,提升影像质量与清晰度,以提升后续进行诊疗的准确度。
进一步而言,如图3所示,本申请步骤S700还包括:
步骤S710:分析所述多层影像采集结果的层数信息,确定分层影像量;
步骤S720:按照所述分层影像量,判断是否激活节点标识指令,若激活所述节点标识指令,从所述多层影像采集结果中进行差异度分析,得到待标识层数;
步骤S730:以所述待标识层数进行节点标识,发送至所述目标用户的诊疗医生。
具体而言,将所述多测增强影像作为所述多层影像采集结果,进行所述多层影像采集结果的层数信息分析,所述分层信息指对所述标识区域影像进行增强的影像增强次数,确定所述分层影像量,基于所述分层影像量进行所述节点标识指令的激活判断,所述节点标识指令值指对所述多层影像采集结果的异常信息进行增强层数的节点标识判断,当激活所述节点标识指令时,对所述多层影像采集结果进行差异度分析,确定所述多层影像采集结果的待标识层数,示例性的,当部分异常区域的经2次增强后则停止进行影像信息增强,将该异常区域的停止进行影像增强的节点处进行所述节点标识指令的激活,基于所述节点标识指令进行所述多层影像采集结果的节点标识,获取标识结果并发送至所述目标用户的诊疗医生,进而进行所述目标用户的肺部影像诊断,通过进行节点标识,可有效提高所述多层影像采集结果的信息清楚度。
实施例二
基于与前述实施例中一种基于图像特征分析的图像分层采集方法相同的发明构思,如图4所示,本申请提供了一种基于图像特征分析的图像分层采集系统,所述系统包括:
影像获取模块a,所述影像获取模块a用于获得目标用户的初始影像集合;
特征识别输出模块b,所述特征识别输出模块b用于将所述初始影像集合传输至所述特征识别模块中,根据所述特征识别模块,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;
特征分析模块c,所述特征分析模块c用于将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围;
影像增强模块d,所述影像增强模块d用于通过对所述标识区域影像进行影像增强扫描,输出增强影像信息;
异常分析模块e,所述异常分析模块e用于将所述增强影像信息输入所述异常分析模块二次异常分析,输出二次标识区域影像;
影像二次增强模块f,所述影像二次增强模块f用于将所述二次标识区域影像进行影像增强扫描,输出二次增强影像信息,以此类推,得到多次增强影像信息;
影像发送模块g,所述影像发送模块g用于将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生。
进一步而言,所述系统还包括:
影像传输模块,所述影像传输模块用于将所述标识区域影像输入影像增强逻辑模块,其中,所述影像增强逻辑模块包括异常范围分析模块和异常概率分析模块,且所述异常概率分析模块的输出与所述异常范围分析模块的输出连接;
异常像素点统计模块,所述异常像素点统计模块用于根据所述异常范围分析模块,对所述标识区域影像进行异常区域像素点统计,获得像素统计结果;
像素判断模块,所述像素判断模块用于判断所述像素统计结果是否大于等于预设像素阈值,获取像素判断结果。
进一步而言,所述系统还包括:
概率计算模块,所述概率计算模块用于根据所述异常概率分析模块,对所述标识区域影像进行异常概率计算,获取异常概率计算结果;
阈值判断模块,所述阈值判断模块用于判断所述异常概率计算结果是否大于等于预设概率阈值,获取概率判断结果;
指令激活模块,所述指令激活模块用于当所述像素判断结果和所述概率判断结果均为通过时,激活影像增强指令;
增强扫描模块,所述增强扫描模块用于根据所述影像增强指令,对所述标识区域影像进行影像增强扫描,输出所述增强影像信息。
进一步而言,所述系统还包括:
指令发送模块,所述指令发送模块用于若所述像素判断结果和所述概率判断结果中任一结果为不通过时,不激活所述影像增强指令,获取影像发送指令,由所述影像发送指令将所述标识区域影像发送至所述目标用户的诊疗医生。
进一步而言,所述系统还包括:
影像输入模块,所述影像输入模块用于将所述标识区域影像输入所述异常概率分析模块中,其中,所述异常概率分析模块嵌有概率计算模型;
分布信息生成模块,所述分布信息生成模块用于获取所述标识区域影像的影像特征,并生成特征分布信息;
异常概率计算模块,所述异常概率计算模块用于将所述特征分布信息输入所述概率计算模型中进行异常概率计算,输出所述异常概率计算结果,包括异常概率值,其中,所述异常概率值用于表示所述标识区域影像中影像异常的程度。
进一步而言,所述系统还包括:
初始影像输入模块,所述初始影像输入模块用于将所述初始影像集合输入影像预筛选模块中,根据所述影像预筛选模块,获取影像特征强度、影像特征覆盖率和影像特征清晰度;
筛选条件生成模块,所述筛选条件生成模块用于以所述影像特征强度、所述影像特征覆盖率和所述影像特征清晰度,生成影像筛选条件;
影像筛选模块,所述影像筛选模块用于根据所述影像筛选条件对所述初始影像集合进行筛选,得到筛选影像集合;
筛选影像输入模块,所述筛选影像输入模块用于将所述筛选影像集合输入至所述特征识别模块中。
进一步而言,所述系统还包括:
层数分析模块,所述层数分析模块用于分析所述多层影像采集结果的层数信息,确定分层影像量;
指令激活判断模块,所述指令激活判断模块用于按照所述分层影像量,判断是否激活节点标识指令,若激活所述节点标识指令,从所述多层影像采集结果中进行差异度分析,得到待标识层数;
节点标识模块,所述节点标识模块用于以所述待标识层数进行节点标识,发送至所述目标用户的诊疗医生。
本说明书通过前述对一种基于图像特征分析的图像分层采集方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于图像特征分析的图像分层采集方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于图像特征分析的图像分层采集方法,其特征在于,所述方法应用于图像分层采集系统,所述系统包括特征识别模块,所述方法包括:
获得目标用户的初始影像集合;
将所述初始影像集合传输至所述特征识别模块中,根据所述特征识别模块,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;
将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围;
通过对所述标识区域影像进行影像增强扫描,输出增强影像信息;
将所述增强影像信息输入所述异常分析模块二次异常分析,输出二次标识区域影像;
将所述二次标识区域影像进行影像增强扫描,输出二次增强影像信息,以此类推,得到多次增强影像信息;
将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生。
2.如权利要求1所述的方法,其特征在于,通过对所述标识区域影像进行影像增强扫描,输出增强影像信息,所述方法还包括:
将所述标识区域影像输入影像增强逻辑模块,其中,所述影像增强逻辑模块包括异常范围分析模块和异常概率分析模块,且所述异常概率分析模块的输出与所述异常范围分析模块的输出连接;
根据所述异常范围分析模块,对所述标识区域影像进行异常区域像素点统计,获得像素统计结果;
判断所述像素统计结果是否大于等于预设像素阈值,获取像素判断结果。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述异常概率分析模块,对所述标识区域影像进行异常概率计算,获取异常概率计算结果;
判断所述异常概率计算结果是否大于等于预设概率阈值,获取概率判断结果;
当所述像素判断结果和所述概率判断结果均为通过时,激活影像增强指令;
根据所述影像增强指令,对所述标识区域影像进行影像增强扫描,输出所述增强影像信息。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
若所述像素判断结果和所述概率判断结果中任一结果为不通过时,不激活所述影像增强指令,获取影像发送指令,由所述影像发送指令将所述标识区域影像发送至所述目标用户的诊疗医生。
5.如权利要求3所述的方法,其特征在于,获取异常概率计算结果,所述方法还包括:
将所述标识区域影像输入所述异常概率分析模块中,其中,所述异常概率分析模块嵌有概率计算模型;
获取所述标识区域影像的影像特征,并生成特征分布信息;
将所述特征分布信息输入所述概率计算模型中进行异常概率计算,输出所述异常概率计算结果,包括异常概率值,其中,所述异常概率值用于表示所述标识区域影像中影像异常的程度。
6.如权利要求1所述的方法,其特征在于,将所述初始影像集合传输至所述特征识别模块中之前,所述方法还包括:
将所述初始影像集合输入影像预筛选模块中,根据所述影像预筛选模块,获取影像特征强度、影像特征覆盖率和影像特征清晰度;
以所述影像特征强度、所述影像特征覆盖率和所述影像特征清晰度,生成影像筛选条件;
根据所述影像筛选条件对所述初始影像集合进行筛选,得到筛选影像集合;
将所述筛选影像集合输入至所述特征识别模块中。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
分析所述多层影像采集结果的层数信息,确定分层影像量;
按照所述分层影像量,判断是否激活节点标识指令,若激活所述节点标识指令,从所述多层影像采集结果中进行差异度分析,得到待标识层数;
以所述待标识层数进行节点标识,发送至所述目标用户的诊疗医生。
8.一种基于图像特征分析的图像分层采集系统,其特征在于,所述系统包括特征识别模块,所述系统包括:
影像获取模块,所述影像获取模块用于获得目标用户的初始影像集合;
特征识别输出模块,所述特征识别输出模块用于将所述初始影像集合传输至所述特征识别模块中,根据所述特征识别模块,输出影像特征集合,其中,所述特征识别模块嵌于所述图像分层采集系统;
特征分析模块,所述特征分析模块用于将所述影像特征集合输入异常分析模块进行异常分析,获取标识区域影像,其中,所述标识区域影像为影像中的异常区域范围;
影像增强模块,所述影像增强模块用于通过对所述标识区域影像进行影像增强扫描,输出增强影像信息;
异常分析模块,所述异常分析模块用于将所述增强影像信息输入所述异常分析模块二次异常分析,输出二次标识区域影像;
影像二次增强模块,所述影像二次增强模块用于将所述二次标识区域影像进行影像增强扫描,输出二次增强影像信息,以此类推,得到多次增强影像信息;
影像发送模块,所述影像发送模块用于将所述多次增强影像信息作为多层影像采集结果,发送至所述目标用户的诊疗医生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946577.6A CN115064247B (zh) | 2022-08-09 | 2022-08-09 | 一种基于图像特征分析的图像分层采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946577.6A CN115064247B (zh) | 2022-08-09 | 2022-08-09 | 一种基于图像特征分析的图像分层采集方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115064247A true CN115064247A (zh) | 2022-09-16 |
CN115064247B CN115064247B (zh) | 2022-11-11 |
Family
ID=83208237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946577.6A Active CN115064247B (zh) | 2022-08-09 | 2022-08-09 | 一种基于图像特征分析的图像分层采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115064247B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512762A (zh) * | 2012-06-29 | 2014-01-15 | 北京华兴致远科技发展有限公司 | 图像处理方法、装置及列车故障检测系统 |
CN112863667A (zh) * | 2021-01-22 | 2021-05-28 | 杭州电子科技大学 | 一种基于深度学习的肺部声音诊断装置 |
CN113808738A (zh) * | 2021-09-18 | 2021-12-17 | 安徽爱朋科技有限公司 | 一种基于自识别影像的疾病识别系统 |
CN114365188A (zh) * | 2019-08-16 | 2022-04-15 | 未艾医疗技术(深圳)有限公司 | 基于vrds ai下腔静脉影像的分析方法及产品 |
CN114445746A (zh) * | 2022-01-26 | 2022-05-06 | 郑州云海信息技术有限公司 | 模型训练方法、铁路接触网异常检测方法及相关装置 |
-
2022
- 2022-08-09 CN CN202210946577.6A patent/CN115064247B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512762A (zh) * | 2012-06-29 | 2014-01-15 | 北京华兴致远科技发展有限公司 | 图像处理方法、装置及列车故障检测系统 |
CN114365188A (zh) * | 2019-08-16 | 2022-04-15 | 未艾医疗技术(深圳)有限公司 | 基于vrds ai下腔静脉影像的分析方法及产品 |
CN112863667A (zh) * | 2021-01-22 | 2021-05-28 | 杭州电子科技大学 | 一种基于深度学习的肺部声音诊断装置 |
CN113808738A (zh) * | 2021-09-18 | 2021-12-17 | 安徽爱朋科技有限公司 | 一种基于自识别影像的疾病识别系统 |
CN114445746A (zh) * | 2022-01-26 | 2022-05-06 | 郑州云海信息技术有限公司 | 模型训练方法、铁路接触网异常检测方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
张艳等: "基于改进的 LIP 算法低照度图像增强算法", 《电子测量与仪器学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115064247B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
US20220192615A1 (en) | System and method for hierarchical multi-level feature image synthesis and representation | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
JP4669268B2 (ja) | 画像の経時変化を検出し表示する方法及び装置 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
US20210249118A1 (en) | Computer Classification of Biological Tissue | |
JPH07284090A (ja) | 画像分類装置 | |
CN112309566A (zh) | 影像智能识别与医学智能推理的远程自动诊断系统及方法 | |
CN117274270B (zh) | 基于人工智能的消化内镜实时辅助系统及方法 | |
CN115064247B (zh) | 一种基于图像特征分析的图像分层采集方法及系统 | |
CN117095169A (zh) | 超声影像疾病识别方法及系统 | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
Li et al. | Pixel-level diabetic retinopathy lesion detection using multi-scale convolutional neural network | |
JPH06233761A (ja) | 医用画像診断装置 | |
CN116433528A (zh) | 一种目标区域检出的图像细节增强显示方法及系统 | |
US7558427B2 (en) | Method for analyzing image data | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
JP2019054896A (ja) | 医用画像処理装置及び医用画像処理方法及びそれに用いる処理プログラム | |
CN110960194B (zh) | 一种耳相采集装置及采集方法 | |
CN114155234A (zh) | 病灶肺段位置的识别方法、装置、存储介质及电子设备 | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
JP2022526964A (ja) | 非造影頭部ctにおける重大領域の迅速検出及びインデックス付けのための自動化システム | |
CN117481672B (zh) | 一种乳腺组织硬化初期快速筛查智能方法 | |
CN113449777B (zh) | 一种甲状腺结节自动分级方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |