CN116596901A - 一种基于大数据的超声波数据监测系统及方法 - Google Patents
一种基于大数据的超声波数据监测系统及方法 Download PDFInfo
- Publication number
- CN116596901A CN116596901A CN202310601388.XA CN202310601388A CN116596901A CN 116596901 A CN116596901 A CN 116596901A CN 202310601388 A CN202310601388 A CN 202310601388A CN 116596901 A CN116596901 A CN 116596901A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic image
- similarity
- characteristic
- image
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 31
- 230000009467 reduction Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 13
- 238000002604 ultrasonography Methods 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 241001270131 Agaricus moelleri Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004738 parenchymal cell Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10132—Ultrasound image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及超声波图像识别与管理技术领域,具体为一种基于大数据的超声波数据监测系统及方法,包括:提取已有的超声图像特征信息,将包含图像特征信息的部分保存为特征切片,对当前患者的超声图像进行特征识别,计算当前患者超声图像特征与特征切片的相似度,通过不同规格切片的相似度情况结合相似度评价函数对当前超声图像与图像特征信息的比对结果进行评价,通过识别和替换超声图像中病灶区域的异常像素,改善超声图像画质,通过对超声图像的灰度变换提升超声图像中病灶区域的图像对比度,便于肉眼能更好辨识超声图像上展现的信息。
Description
技术领域
本发明涉及超声波图像识别与管理技术领域,具体为一种基于大数据的超声波数据监测系统及方法。
背景技术
超声成像的研究最早可追溯到20世纪30年代。在20实际40年代出现的脉冲回波探伤仪器成为超声波检测技术的重要标识。20世纪60年代末,由于电子技术、计算机技术和信号处理技术的飞速发展,超声成像研究有了很大进展。20世纪70年代形成了几种比较成熟的方法,大量商品化设备上市,在医学诊断中得到极其广泛的应用。超声波成像技术有着价廉、简便、无创、无辐射性、成像快速、可连续动态及重复扫描,因此易于推广应用,常作为实质脏器及含液器官的首选方法。
超声成像受限于检测条件,受被检测物体,超声波检测设备,外界条件等影响等不可抗力影响导致图像失真甚至损坏的问题,造成超声图像上的信息难以被肉眼辨别,图像不可用的结果。此外一般的图像画质智能提升方法需要大量图片作为训练集,但相比于自然图像,超声图像比较稀缺,所以对于超声图像的标注和提升画质比自然图片更加困难。
发明内容
本发明的目的在于提供一种基于大数据的超声波数据监测系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的超声波数据监测方法,方法包括:
步骤S100:从医院的超声图像记录中提取超声图像特征信息,将包含图像特征信息的部分保存为第一特征切片和第二特征切片;
步骤S200:对当前患者的超声图像进行特征识别,分别计算当前患者超声图像特征与第一特征切片和第二特征切片的相似度;
步骤S300:通过相似度评价函数对当前患者的超声图像与图像特征信息的比对结果进行评价,辅助医生对当前患者的超声图像进行标注;
步骤S400:通过像素替换的方式消除当前患者的超声图像中病灶区域的异常像素点;
步骤S500:通过对灰度图像进行分段非线性灰度变换,提高当前患者的超声图像中病灶区域图像的画面对比度。
进一步的,步骤S100包括:
步骤S101:从医院的超声图像记录中提取超声图像特征信息,将超声图像特征信息记录为a1×b1大小的第一特征切片,a1、b1为截取图像的边长,第一特征切片记入超声图像第一特征信息数据库T1,T1={t1,t2,t3,……,tn},其中t1,t2,t3,……,tn分别表示超声图像的第1、第2、第3、……、第n个第一特征切片;
步骤S102:在各个第一特征切片所对应超声波图像的原有位置中,以第一特征切片为中心截取大小为a2×b2的切片,满足a2>a1,b2>b1,得到第二特征切片记入第二特征切片数据库T2,T2={t1 *,t2 *,t3 *,……,tn *},其中t1 *,t2 *,t3 *,……,tn *分别表示超声图像的第1、第2、第3、……、第n个第二特征切片。
进一步的,步骤S200包括:
步骤S201:用当前患者的超声图像与第一特征切片数据库进行比对,得到与第一特征切片相似的区域,记为第一相似区域,分别计算各个第一相似区域与对应第一特征切片的相似度,记为第一特征相似度,并把各个第一相似区域与第一特征切片的相似度由高至低排列,设置第一特征相似度阈值α,记入第一特征相似度数据库P,P={p1,p2,p3,……,pm},其中p1,p2,p3,……,pm分别表示第1、第2、第3、……、第m个第一特征相似度;
步骤S202:在各个第一比对结果所对应的当前患者的超声图像中,以比较结果切片为中心截取一个a2×b2的切片,与第二特征切片数据库进行第二相似度比较,得到第二似度区域,记入第二特征相似度数据库Q,Q={q1,q2,q3,……qm},其中q1,q2,q3,……qm分别表示第1、第2、第3、……、第m个第二特征相似度。
进一步的,步骤S300包括:
步骤S301:各个第一相似区域代替对应相似的第一特征切片与该第一特征切片所在的第二特征切片进行图像特征的关联度比较,得到的关联度值,记入特征关联度比对结果数据库R,R={r1,r2,r3,……,rm},其中r1,r2,r3,……,rm分别表示第1、第2、第3、……、第m个第一相似区域与的特征关联度;
步骤S302:设置第一比对结果相似度权重为λ,第二比对结果相似度权重为ρ,特征关联度比对结果相似度权重为φ,设置相似度评价函数fi=λpi+ρqi+φri,pi、qi、ri表示某个第一特征比对结果切片对应的第一比对结果相似度,第二比对结果相似度,特征关联度比对结果相似度,fi为评价得分;
通过第一比对结果相似度、第二比对结果相似度、特征关联度比对结果相似度三个参数共同评价特征比对结果,从而找到最合适的相似比较结果,超声图像有稀缺和标注代价高的特点,需要在图像上挖掘出更多的信息,图像局部区域之间的联系作为素材库样本,引入多角度评价相似度区域的方法,降低不可控因素的干扰,以提升相似度比对的准确性;
步骤S303:设置相似度评价得分阈值β,fi>β时记为有效判定区域,统计每张当前患者的超声图像中有效判定区域的个数,设置有效判定告警门限为n,当前患者的超声图像中有效判定区域数量小于n时,提醒医生对当前患者的超声图像进行重点查看和标注;
步骤S304:当前患者的超声图像中有效判定区域数量大于n时,在现有图上标记出这n个第一相似区域和第二相似区域,当第二相似区域发生重叠时,比较对应的第一相似区域的相似度,隐去第一特征相似度较小的第一相似区域所在的第二相似区域;
步骤S305:医生在第一相似区域和第二相似区域进行病灶区域和健康区域进行判断,如果第一相似区域和第二相似区域之外存在病灶区域,请医生进行补充标注;
步骤S306:对医生补充标注的区域进行记录和提取图像特征信息,将提取到的图像特征信息存入第一特征信息数据库T1。
进一步的,步骤S400包括:
步骤S401:将当前患者的超声图像转化为灰度图像S,灰度值量化范围为0~255,像素的灰度值用sij表示i,j表示该像素在二维空间中的位置,横坐标指示方向用i计数,纵坐标指示方向用j计数,sij周围的8个像素记为sij-1、si-1 j、si+1 j、sij+1、si-1 j-1、si+1 j-1、si-1 j+1、si+1 j+1;
步骤S402:设置像素灰度变化评价函数U,U=ω1·H1+ω2·H2,对于可能存在的异常像素点sij,记sij-1、si-1 j、si+1 j、sij+1指向sij的数值变化率为第一关系,记为H1,记si-1 j-1、si+1j-1、si-1 j+1、si+1 j+1指向sij的数值变化率为第二关系,记为H2,记异常像素第一权重值ω1和异常像素第二权重值ω2,满足ω1>ω2;
步骤S403:设置异常像素判决门限Δ,对病灶区域像素每个像素点进行评价,将灰度值变化评价结果大于门限Δ的像素点记为异常像素点,计算异常像素点周围8个像素点的平均值;
步骤S404:在当前患者的超声图像健康区域选取3×3像素区域,计算不包含中心像素的其他剩余8个像素的均值,选取与异常像素周围像素均值相同的像素区域,将区域中的像素用像素灰度变化评价函数U进行评价,取评价最小值所在的区域,最小值区域中心的像素点记为替可替换像素s* ij,其中i,j表示替换像素点在二维空间里的位置,用s* xy替换对应异常像素sij;
外界因素在不同情况下对超声图像中呈现出不同的干扰作用,使用当前患者的超声图像中健康区域的像素对前患者的超声图像中病灶区域中的异常像素进行替换,降低外界因素在异常像素替换过程中的干扰作用。
进一步的,步骤S500包括:
步骤S501:建立分段非线性灰度变换模型,用于控制灰度增加的子模型为,y1=σ1(1-logε1(x1-c))·(x1-c)+c,其中,σ1为灰度值增加参数1,满足σ1>1,用于控制灰度值增加程度,σ1值越大,灰度值增加量越大,ε1为灰度值增加参数2,满足ε1>1,用于控制提升灰度增加的覆盖范围,ε1越大灰度值增加的范围越大,c为灰度值增加区间起始值,满足0<c<255,x1为灰度值增加区间输入灰度值,y1为灰度值增加区间输出灰度值;
步骤S502:建立用于控制灰度增加的子模型为,y2=σ2(1+ε2 x2-d)·x,σ2为灰度值减小参数1,满足0<σ2<1,用于控制灰度值减少程度,σ2值越大,灰度值减小量越少,ε2为灰度值减少参数2,满足0<ε2<1,d为灰度值减少区间偏移量,满足0<d<c,用于控制灰度值减小区间和灰度值增加区间的距离,d值越大灰度值减小区间和灰度值增大区间越接近,x2为灰度值减小区间输入灰度值,y2为灰度值减小区间输出灰度;
分段非线性灰度变换的方法可以使灰度值连续平滑变化,降低在灰度变化过程中对图像的损坏,并可以根据病灶区域图像的实际需要,提供不同的变换方法。
为更好实现上述方法,还提出一种基于大数据的超声波数据监测系统包括:超声图像信息提取模块、超声图像特征信息截取模块、超声图像特征比对模块、超声图像相似度计算模块、相似度数值排序模块、图像特征相似度评价模块、超声图像画质改善模块,超声图像信息提取模块用于提取超声图像特征信息,超声图像特征信息截取模块用于在提取到超声图像特征信息的对应位置截取保存图像切片,超声图像特征比对模块用于对当前患者的超声图像与第一特征切片数据库进行比对,相似度数值排序模块用于第一相似区域与第一特征切片的相似度由高至低排列,图像特征相似度评价模块用于对第一相似区域与第一特征切片的相似性进行评价,超声图像标记模块用于系统和医生在当前患者的超声图像上标记病灶区域和健康区域,超声图像画质改善模块用于改善当前患者的超声图像上病灶区域的画质。
进一步的,所述图像特征相似度评价模块包括:特征相似度评分单元、特征相似度阈值判定单元、特征相似度评价反馈单元,特征相似度评分单元用于对当前患者超声图像中与第一特征信息数据库和第二特征信息数据库的相似情况进行评分,特征相似度阈值判定单元用于判定每次比对过程中的有效区域,特征相似度评价反馈单元用于在当前患者超声图像中有效判定区域小于告警门限时,向医生发出提醒信息。
进一步的,所述声图像画质改善模块包括:超声图像灰度转化单元、像素灰度值变化率评价单元、异常像素判定单元、可替换像素选取单元、像素替换单元、分段非线性灰度变换单元、灰度值比较与映射单元、灰度值计算单元,超声图像灰度转化单元用于将当前患者的超声图像转化为灰度图像,像素灰度值变化率评价单元用于评价某个像素灰度与周围像素灰度值变化率,异常像素判定单元用于将某个像素灰度与周围像素灰度值变化率大于阈值的像素判定为异常像素,可替换像素选取单元用于在当前患者超声图像中的健康区域选取可替换像素,像素替换单元用于将可替换像素替换对应异常像素,分段非线性灰度变换单元用于对当前患者超声图像病灶区域灰度值进行分段变化,灰度值比较与映射单元用于检测当前患者健康区域与对应特征切片灰度值的映射关系,灰度值计算单元用于通过所述映射关系结合分段非线性灰度变换方法提升当前患者超声图像病灶区域的图像对比度。
与现有技术相比,本发明所达到的有益效果是:本发明通过对医院已有超声图像进行特征分析以提高医生的诊断速度,并提供一种对图像特征校验的方法,提高图像识别的准确度。通过引入对超声图像特征校验方法,提高在图像识别样本不足条件下的超声图像特征识别的准确度。本发明通过同一张超声图像上的像素修复受损的像素,减少在图像修复过程中引入外界干扰。本发明通过非线性灰度变换的方法对灰度像素进行平滑过渡的灰度变换,既提升超声图像的对比度,也降低在灰度变换过程中对图像的损坏。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是一种基于大数据的超声波数据监测系统的结构示意图;
图2是一种基于大数据的超声波数据监测方法的流程示意图;
图3是一种基于大数据的超声波数据监测方法的像素平面位置关系示意图;
图4是一种基于大数据的超声波数据监测方法的一种实施例示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-4,本发明提供技术方案:
步骤S100:从医院的超声图像记录中提取超声图像特征信息,将包含图像特征信息的部分保存为第一特征切片和第二特征切片;
其中,步骤S100包括:
步骤S101:从医院的超声图像记录中提取超声图像特征信息,将超声图像特征信息记录为a1×b1大小的第一特征切片,a1、b1为截取图像的边长,第一特征切片记入超声图像第一特征信息数据库T1,T1={t1,t2,t3,……,tn},其中t1,t2,t3,……,tn分别表示超声图像的第1、第2、第3、……、第n个第一特征切片;
步骤S102:在各个第一特征切片所对应超声波图像的原有位置中,以第一特征切片为中心截取大小为a2×b2的切片,满足a2>a1,b2>b1,得到第二特征切片记入第二特征切片数据库T2,T2={t1 *,t2 *,t3 *,……,tn *},其中t1 *,t2 *,t3 *,……,tn *分别表示超声图像的第1、第2、第3、……、第n个第二特征切片。
步骤S200:对当前患者的超声图像进行特征识别,分别计算当前患者超声图像特征与第一特征切片和第二特征切片的相似度;
其中,步骤S200包括:
步骤S201:用当前患者的超声图像与第一特征切片数据库进行比对,得到与第一特征切片相似的区域,记为第一相似区域,分别计算各个第一相似区域与对应第一特征切片的相似度,记为第一特征相似度,并把各个第一相似区域与第一特征切片的相似度由高至低排列,设置第一特征相似度阈值α,记入第一特征相似度数据库P,P={p1,p2,p3,……,pm},其中p1,p2,p3,……,pm分别表示第1、第2、第3、……、第m个第一特征相似度;
步骤S202:在各个第一比对结果所对应的当前患者的超声图像中,以比较结果切片为中心截取一个a2×b2的切片,与第二特征切片数据库进行第二相似度比较,得到第二似度区域,记入第二特征相似度数据库Q,Q={q1,q2,q3,……qm},其中q1,q2,q3,……qm分别表示第1、第2、第3、……、第m个第二特征相似度。
步骤S300:通过相似度评价函数对当前患者的超声图像与图像特征信息的比对结果进行评价,辅助医生对当前患者的超声图像进行标注;
其中,步骤S300包括:
步骤S301:各个第一相似区域代替对应相似的第一特征切片与该第一特征切片所在的第二特征切片进行图像特征的关联度比较,得到的关联度值,记入特征关联度比对结果数据库R,R={r1,r2,r3,……,rm},其中r1,r2,r3,……,rm分别表示第1、第2、第3、……、第m个第一相似区域与的特征关联度;
步骤S302:设置第一比对结果相似度权重为λ,第二比对结果相似度权重为ρ,特征关联度比对结果相似度权重为φ,设置相似度评价函数fi=λpi+ρqi+φri,pi、qi、ri表示某个第一特征比对结果切片对应的第一比对结果相似度,第二比对结果相似度,特征关联度比对结果相似度,fi为评价得分;
步骤S303:设置相似度评价得分阈值β,fi>β时记为有效判定区域,统计每张当前患者的超声图像中有效判定区域的个数,设置有效判定告警门限为n,当前患者的超声图像中有效判定区域数量小于n时,提醒医生对当前患者的超声图像进行重点查看和标注;
步骤S304:当前患者的超声图像中有效判定区域数量大于n时,在现有图上标记出这n个第一相似区域和第二相似区域,当第二相似区域发生重叠时,比较对应的第一相似区域的相似度,隐去第一特征相似度较小的第一相似区域所在的第二相似区域;
步骤S305:医生在第一相似区域和第二相似区域进行病灶区域和健康区域进行判断,如果第一相似区域和第二相似区域之外存在病灶区域,请医生进行补充标注;
步骤S306:对医生补充标注的区域进行记录和提取图像特征信息,将提取到的图像特征信息存入第一特征信息数据库T1。
步骤S400:通过像素替换的方式消除当前患者的超声图像中病灶区域的异常像素点;
其中,步骤S400包括:
步骤S401:将当前患者的超声图像转化为灰度图像S,灰度值量化范围为0~255,像素的灰度值用sij表示i,j表示该像素在二维空间中的位置,横坐标指示方向用i计数,纵坐标指示方向用j计数,sij周围的8个像素记为sij-1、si-1 j、si+1 j、sij+1、si-1 j-1、si+1 j-1、si-1 j+1、si+1 j+1;
步骤S402:设置像素灰度变化评价函数U,U=ω1·H1+ω2·H2,对于可能存在的异常像素点sij,如图3所示,记si j-1、si-1 j、si+1 j、si j+1指向sij的数值变化率为第一关系,记为H1,记si-1 j-1、si+1 j-1、si-1 j+1、si+1 j+1指向sij的数值变化率为第二关系,记为H2,记异常像素第一权重值ω1和异常像素第二权重值ω2,满足ω1>ω2;
步骤S403:设置异常像素判决门限Δ,对病灶区域像素每个像素点进行评价,将灰度值变化评价结果大于门限Δ的像素点记为异常像素点,计算异常像素点周围8个像素点的平均值;
步骤S404:在当前患者的超声图像健康区域选取3×3像素区域,计算不包含中心像素的其他剩余8个像素的均值,选取与异常像素周围像素均值相同的像素区域,将区域中的像素用像素灰度变化评价函数U进行评价,取评价最小值所在的区域,最小值区域中心的像素点记为替可替换像素s* ij,其中i,j表示替换像素点在二维空间里的位置,用s* xy替换对应异常像素sij。
步骤S500:通过对灰度图像进行分段非线性灰度变换,提高当前患者的超声图像中病灶区域图像的画面对比度;
其中,步骤S500包括:
步骤S501:建立分段非线性灰度变换模型,用于控制灰度增加的子模型为,y1=σ1(1-logε1(x1-c))·(x1-c)+c,其中,σ1为灰度值增加参数1,满足σ1>1,用于控制灰度值增加程度,σ1值越大,灰度值增加量越大,ε1为灰度值增加参数2,满足ε1>1,用于控制提升灰度增加的覆盖范围,ε1越大灰度值增加的范围越大,c为灰度值增加区间起始值,满足0<c<255,x1为灰度值增加区间输入灰度值,y1为灰度值增加区间输出灰度值;
步骤S502:建立用于控制灰度增加的子模型为,y2=σ2(1+ε2 x2-d)·x,σ2为灰度值减小参数1,满足0<σ2<1,用于控制灰度值减少程度,σ2值越大,灰度值减小量越少,ε2为灰度值减少参数2,满足0<ε2<1,d为灰度值减少区间偏移量,满足0<d<c,用于控制灰度值减小区间和灰度值增加区间的距离,d值越大灰度值减小区间和灰度值增大区间越接近,x2为灰度值减小区间输入灰度值,y2为灰度值减小区间输出灰度;
图4表示了一种分段非线性灰度变换的方式,如图所示y1=5.379(1-log395(x1-125))·(x1-125)+125,y2=0.417(1+1.045x2-115)·x2其中σ1=5.379、ε1=395、c=125、σ2=0.417、ε2=1.045、d=115,变换前灰度输出值为y=x时,通过非线性灰度变换法调整后的输出值分别为y1,y2;
非线性灰度变换可以由医生手动操作,调整参数大小以调整变换区间和变换强度,也可以通过检测当前患者健康区域与对应特征切片灰度值的映射关系,根据分段非线性灰度变换模型计算变化曲线,用于改变当前患者的超声图像中病灶区域的图像灰度值。
其中,系统包括:超声图像信息提取模块、超声图像特征信息截取模块、超声图像特征比对模块、超声图像相似度计算模块、相似度数值排序模块、图像特征相似度评价模块、超声图像画质改善模块,超声图像信息提取模块用于提取超声图像特征信息,超声图像特征信息截取模块用于在提取到超声图像特征信息的对应位置截取保存图像切片,超声图像特征比对模块用于对当前患者的超声图像与第一特征切片数据库进行比对,相似度数值排序模块用于第一相似区域与第一特征切片的相似度由高至低排列,图像特征相似度评价模块用于对第一相似区域与第一特征切片的相似性进行评价,超声图像标记模块用于系统和医生在当前患者的超声图像上标记病灶区域和健康区域,超声图像画质改善模块用于改善当前患者的超声图像上病灶区域的画质。
其中,所述图像特征相似度评价模块包括:特征相似度评分单元、特征相似度阈值判定单元、特征相似度评价反馈单元,特征相似度评分单元用于对当前患者超声图像中与第一特征信息数据库和第二特征信息数据库的相似情况进行评分,特征相似度阈值判定单元用于判定每次比对过程中的有效区域,特征相似度评价反馈单元用于在当前患者超声图像中有效判定区域小于告警门限时,向医生发出提醒信息。
其中,所述声图像画质改善模块包括:超声图像灰度转化单元、像素灰度值变化率评价单元、异常像素判定单元、可替换像素选取单元、像素替换单元、分段非线性灰度变换单元、灰度值比较与映射单元、灰度值计算单元,超声图像灰度转化单元用于将当前患者的超声图像转化为灰度图像,像素灰度值变化率评价单元用于评价某个像素灰度与周围像素灰度值变化率,异常像素判定单元用于将某个像素灰度与周围像素灰度值变化率大于阈值的像素判定为异常像素,可替换像素选取单元用于在当前患者超声图像中的健康区域选取可替换像素,像素替换单元用于将可替换像素替换对应异常像素,分段非线性灰度变换单元用于对当前患者超声图像病灶区域灰度值进行分段变化,灰度值比较与映射单元用于检测当前患者健康区域与对应特征切片灰度值的映射关系,灰度值计算单元用于通过所述映射关系结合分段非线性灰度变换方法提升当前患者超声图像病灶区域的图像对比度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的超声波数据监测方法,其特征在于,所述方法包括以下步骤:
步骤S100:从医院的超声图像记录中提取超声图像特征信息,将包含图像特征信息的部分保存为第一特征切片和第二特征切片;
步骤S200:对当前患者的超声图像进行特征识别,分别计算当前患者超声图像特征与第一特征切片和第二特征切片的相似度;
步骤S300:通过相似度评价函数对当前患者的超声图像与图像特征信息的比对结果进行评价,辅助医生对当前患者的超声图像进行标注;
步骤S400:通过像素替换的方式消除当前患者的超声图像中病灶区域的异常像素点;
步骤S500:通过对灰度图像进行分段非线性灰度变换,提高当前患者的超声图像中病灶区域图像的画面对比度。
2.根据权利要求1所述的一种基于大数据的超声波数据监测方法,其特征在于:步骤S100包括:
步骤S101:从医院的超声图像记录中提取超声图像特征信息,将超声图像特征信息记录为a1×b1大小的第一特征切片,a1、b1为截取图像的边长,第一特征切片记入超声图像第一特征信息数据库T1,T1={t1,t2,t3,……,tn},其中t1,t2,t3,……,tn分别表示超声图像的第1、第2、第3、……、第n个第一特征切片;
步骤S102:在各个第一特征切片所对应超声波图像的原有位置中,以第一特征切片为中心截取大小为a2×b2的切片,满足a2>a1,b2>b1,得到第二特征切片记入第二特征切片数据库T2,T2={t1 *,t2 *,t3 *,……,tn *},其中t1 *,t2 *,t3 *,……,tn *分别表示超声图像的第1、第2、第3、……、第n个第二特征切片。
3.根据权利要求1所述的一种基于大数据的超声波数据监测方法,其特征在于:步骤S200包括:
步骤S201:用当前患者的超声图像与第一特征切片数据库进行比对,得到与第一特征切片相似的区域,记为第一相似区域,分别计算各个第一相似区域与对应第一特征切片的相似度,记为第一特征相似度,并把各个第一相似区域与第一特征切片的相似度由高至低排列,设置第一特征相似度阈值α,记入第一特征相似度数据库P,P={p1,p2,p3,……,pm},其中p1,p2,p3,……,pm分别表示第1、第2、第3、……、第m个第一特征相似度;
步骤S202:在各个第一比对结果所对应的当前患者的超声图像中,以比较结果切片为中心截取一个a2×b2的切片,与第二特征切片数据库进行第二相似度比较,得到第二似度区域,记入第二特征相似度数据库Q,Q={q1,q2,q3,……qm},其中q1,q2,q3,……qm分别表示第1、第2、第3、……、第m个第二特征相似度。
4.根据权利要求1所述的一种基于大数据的超声波数据监测方法,其特征在于:步骤S300包括:
步骤S301:各个第一相似区域代替对应相似的第一特征切片与该第一特征切片所在的第二特征切片进行图像特征的关联度比较,得到的关联度值,记入特征关联度比对结果数据库R,R={r1,r2,r3,……,rm},其中r1,r2,r3,……,rm分别表示第1、第2、第3、……、第m个第一相似区域与的特征关联度;
步骤S302:设置第一比对结果相似度权重为λ,第二比对结果相似度权重为ρ,特征关联度比对结果相似度权重为φ,设置相似度评价函数fi=λpi+ρqi+φri,pi、qi、ri表示某个第一特征比对结果切片对应的第一比对结果相似度,第二比对结果相似度,特征关联度比对结果相似度,fi为评价得分;
步骤S303:设置相似度评价得分阈值β,fi>β时记为有效判定区域,统计每张当前患者的超声图像中有效判定区域的个数,设置有效判定告警门限为n,当前患者的超声图像中有效判定区域数量小于n时,提醒医生对当前患者的超声图像进行重点查看和标注;
步骤S304:当前患者的超声图像中有效判定区域数量大于n时,在现有图上标记出这n个第一相似区域和第二相似区域,当第二相似区域发生重叠时,比较对应的第一相似区域的相似度,隐去第一特征相似度较小的第一相似区域所在的第二相似区域;
步骤S305:医生在第一相似区域和第二相似区域进行病灶区域和健康区域进行判断,如果第一相似区域和第二相似区域之外存在病灶区域,请医生进行补充标注;
步骤S306:对医生补充标注的区域进行记录和提取图像特征信息,将提取到的图像特征信息存入第一特征信息数据库T1。
5.根据权利要求1所述的一种基于大数据的超声波数据监测方法,其特征在于:步骤S400包括:
步骤S401:将当前患者的超声图像转化为灰度图像S,灰度值量化范围为0~255,像素的灰度值用sij表示i,j表示该像素在二维空间中的位置,横坐标指示方向用i计数,纵坐标指示方向用j计数,sij周围的8个像素记为sij-1、si-1j、Si+1j、sij+1、si-1j-1、Si+lj-1、si-1j+1、Si+1j+1;
步骤S402:设置像素灰度变化评价函数U,U=ω1·H1+ω2·H2,对于可能存在的异常像素点sij,记sij-1、si-1j、Si+1j、sij+1指向sij的数值变化率为第一关系,记为H1,记si-1j-1、si+1j-1、si-1j+1、si+1j+1指向sij的数值变化率为第二关系,记为H2,记异常像素第一权重值ω1和异常像素第二权重值ω2,满足ω1>ω2;
步骤S403:设置异常像素判决门限Δ,对病灶区域像素每个像素点进行评价,将灰度值变化评价结果大于门限Δ的像素点记为异常像素点,计算异常像素点周围8个像素点的平均值;
步骤S404:在当前患者的超声图像健康区域选取3×3像素区域,计算不包含中心像素的其他剩余8个像素的均值,选取与异常像素周围像素均值相同的像素区域,将区域中的像素用像素灰度变化评价函数U进行评价,取评价最小值所在的区域,最小值区域中心的像素点记为替可替换像素s* ij,其中i,j表示替换像素点在二维空间里的位置,用s* xy替换对应异常像素sij。
6.根据权利要求1所述的一种基于大数据的超声波数据监测方法,其特征在于:步骤S500包括:
步骤S501:建立分段非线性灰度变换模型,用于控制灰度增加的子模型为,y1=σ1(1-logε1(x1-c))·(x1-c)+c,其中,σ1为灰度值增加参数1,满足σ1>1,用于控制灰度值增加程度,σ1值越大,灰度值增加量越大,ε1为灰度值增加参数2,满足ε1>1,用于控制提升灰度增加的覆盖范围,ε1越大灰度值增加的范围越大,c为灰度值增加区间起始值,满足0<c<255,x1为灰度值增加区间输入灰度值,y1为灰度值增加区间输出灰度值;
步骤S502:建立用于控制灰度增加的子模型为,y2=σ2(1+ε2 x2-d)·x,σ2为灰度值减小参数1,满足0<σ2<1,用于控制灰度值减少程度,σ2值越大,灰度值减小量越少,ε2为灰度值减少参数2,满足0<ε2<1,d为灰度值减少区间偏移量,满足0<d<c,用于控制灰度值减小区间和灰度值增加区间的距离,d值越大灰度值减小区间和灰度值增大区间越接近,x2为灰度值减小区间输入灰度值,y2为灰度值减小区间输出灰度。
7.一种用于权利要求1-6中任意一项所述的一种基于大数据的超声波数据监测方法的超声波数据监测系统,其特征在于,所述系统包括以下模块:超声图像信息提取模块、超声图像特征信息截取模块、超声图像特征比对模块、超声图像相似度计算模块、相似度数值排序模块、图像特征相似度评价模块、超声图像画质改善模块,超声图像信息提取模块用于提取超声图像特征信息,超声图像特征信息截取模块用于在提取到超声图像特征信息的对应位置截取保存图像切片,超声图像特征比对模块用于对当前患者的超声图像与第一特征切片数据库进行比对,相似度数值排序模块用于第一相似区域与第一特征切片的相似度由高至低排列,图像特征相似度评价模块用于对第一相似区域与第一特征切片的相似性进行评价,超声图像标记模块用于系统和医生在当前患者的超声图像上标记病灶区域和健康区域,超声图像画质改善模块用于改善当前患者的超声图像上病灶区域的画质。
8.根据权利要求7所述的超声波数据监测系统,其特征在于:所述图像特征相似度评价模块包括:特征相似度评分单元、特征相似度阈值判定单元、特征相似度评价反馈单元,特征相似度评分单元用于对当前患者超声图像中与第一特征信息数据库和第二特征信息数据库的相似情况进行评分,特征相似度阈值判定单元用于判定每次比对过程中的有效区域,特征相似度评价反馈单元用于在当前患者超声图像中有效判定区域小于告警门限时,向医生发出提醒信息。
9.根据权利要求7所述的超声波数据监测系统,其特征在于:所述声图像画质改善模块包括:超声图像灰度转化单元、像素灰度值变化率评价单元、异常像素判定单元、可替换像素选取单元、像素替换单元、分段非线性灰度变换单元、灰度值比较与映射单元、灰度值计算单元,超声图像灰度转化单元用于将当前患者的超声图像转化为灰度图像,像素灰度值变化率评价单元用于评价某个像素灰度与周围像素灰度值变化率,异常像素判定单元用于将某个像素灰度与周围像素灰度值变化率大于阈值的像素判定为异常像素,可替换像素选取单元用于在当前患者超声图像中的健康区域选取可替换像素,像素替换单元用于将可替换像素替换对应异常像素,分段非线性灰度变换单元用于对当前患者超声图像病灶区域灰度值进行分段变化,灰度值比较与映射单元用于检测当前患者健康区域与对应特征切片灰度值的映射关系,灰度值计算单元用于通过所述映射关系结合分段非线性灰度变换方法提升当前患者超声图像病灶区域的图像对比度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601388.XA CN116596901A (zh) | 2023-05-25 | 2023-05-25 | 一种基于大数据的超声波数据监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601388.XA CN116596901A (zh) | 2023-05-25 | 2023-05-25 | 一种基于大数据的超声波数据监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596901A true CN116596901A (zh) | 2023-08-15 |
Family
ID=87607892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310601388.XA Pending CN116596901A (zh) | 2023-05-25 | 2023-05-25 | 一种基于大数据的超声波数据监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596901A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541731A (zh) * | 2024-01-09 | 2024-02-09 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于超声数据的肺部可视化三维重建方法 |
CN117542485A (zh) * | 2023-11-21 | 2024-02-09 | 江苏瑞康成医疗科技有限公司 | 一种影像检查的智慧处理方法及系统 |
-
2023
- 2023-05-25 CN CN202310601388.XA patent/CN116596901A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117542485A (zh) * | 2023-11-21 | 2024-02-09 | 江苏瑞康成医疗科技有限公司 | 一种影像检查的智慧处理方法及系统 |
CN117542485B (zh) * | 2023-11-21 | 2024-05-10 | 江苏瑞康成医疗科技有限公司 | 一种影像检查的智慧处理方法及系统 |
CN117541731A (zh) * | 2024-01-09 | 2024-02-09 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于超声数据的肺部可视化三维重建方法 |
CN117541731B (zh) * | 2024-01-09 | 2024-03-12 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于超声数据的肺部可视化三维重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596901A (zh) | 一种基于大数据的超声波数据监测系统及方法 | |
Xie et al. | Using deep‐learning algorithms to classify fetal brain ultrasound images as normal or abnormal | |
US11935644B2 (en) | Deep learning automated dermatopathology | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN111883256A (zh) | 基于电子病历数据的肺结核患者预警系统及预警方法 | |
CN111652838A (zh) | 基于目标检测网络的甲状腺结节定位与超声报告纠错方法 | |
CN113951834A (zh) | 基于视觉Transformer算法的阿尔兹海默症分类预测方法 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
CN107684439A (zh) | 一种基于超声瞬时弹性成像技术的应变图识别方法 | |
CN112200810B (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
CN111652837B (zh) | 基于ai的甲状腺结节左右叶定位与超声报告纠错方法 | |
CN116168029A (zh) | 一种用于评估肋骨骨折的方法、设备和介质 | |
CN111563880A (zh) | 一种基于目标检测与聚类的横突棘突检测定位方法 | |
Devi et al. | Automated dental identification system: An aid to forensic odontology | |
CN116229236A (zh) | 一种基于改进YOLO v5模型的结核杆菌检测方法 | |
CN116363104A (zh) | 一种具有影像医学用自动诊断设备及系统 | |
CN116152168A (zh) | 一种医肺影像病变分类方法和分类装置 | |
CN111402242B (zh) | 一种用于医疗图像精细化处理系统及方法 | |
CN117649381B (zh) | 一种基于数字病理切片自动计算缩放倍率的装置 | |
Ji et al. | A novel artificial intelligence model for fetal facial profile marker measurement during the first trimester |
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 |