CN116759052A - 一种基于大数据的图像存储管理系统及方法 - Google Patents

一种基于大数据的图像存储管理系统及方法 Download PDF

Info

Publication number
CN116759052A
CN116759052A CN202310732162.3A CN202310732162A CN116759052A CN 116759052 A CN116759052 A CN 116759052A CN 202310732162 A CN202310732162 A CN 202310732162A CN 116759052 A CN116759052 A CN 116759052A
Authority
CN
China
Prior art keywords
data
image
dimensional
cutting
curved surface
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
CN202310732162.3A
Other languages
English (en)
Other versions
CN116759052B (zh
Inventor
袁本祥
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.)
Huaping Xiangsheng Shanghai Medical Technology Co ltd
Original Assignee
Huaping Xiangsheng Shanghai Medical 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 Huaping Xiangsheng Shanghai Medical Technology Co ltd filed Critical Huaping Xiangsheng Shanghai Medical Technology Co ltd
Priority to CN202310732162.3A priority Critical patent/CN116759052B/zh
Publication of CN116759052A publication Critical patent/CN116759052A/zh
Application granted granted Critical
Publication of CN116759052B publication Critical patent/CN116759052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像管理技术领域，具体为一种基于大数据的图像存储管理系统及方法，包括：图像采集模块、数据分析模块、数据处理模块、数据库、数据矫正模块和数据对比模块；通过所述图像采集模块采集患者的所有病灶图像；通过所述数据分析模块分析病灶图像的特点，并对病灶进行定位；通过所述数据处理模块生成三维曲面，对三维图像进行虚拟切割，合成最优方案；通过所述数据库对处理后的数据进行存储；通过所述数据矫正模块采集实体图像，分析曲面数据，进行二次矫正；通过所述数据对比模块采集实际切割图像，计算虚拟切割图像的准确率；解决了二维病灶图像存在误差及缺乏相关的图像更新机制，导致系统分析不准确的问题。

Description

一种基于大数据的图像存储管理系统及方法
技术领域
本发明涉及图像管理技术领域，具体为一种基于大数据的图像存储管理系统及方法。
背景技术
随着计算机技术和医学影像技术的发展，使其逐渐趋于专业分工的智能化和可视化，基于医学图像的计算机辅助技术取得了较快的发展。图像病灶检测的目的是将具有一定特殊含义的医学影像图片进行相关特征的提取，为病理学研究和医疗诊断提供有效的依据。为了能够提高影像诊断的效率和诊断精度，提高图像数据的利用率，引入智能图像处理技术，辅助医师进行疾病诊断已成为现代医学影像学发展的必然趋势。
近年来，随着图像处理技术和影像信息化管理技术的提高，病灶图像分割技术已经取得了一定的研究成果。然而，仅通过分析二维病灶图像仍存在许多的误差，使手术无法正常进行，同时，因缺乏相关的图像更新机制，使得实际病灶图像数据与术前虚拟病灶图像数据不能完全匹配，从而使得后续所产生的手术方案是不合适的，使手术执行者接收不合适的术前规划信息，而可能造成不佳的治疗效果，甚至是造成严重的后果。
所以，人们需要一种基于大数据的图像存储管理系统及方法来解决上述问题，通过将二维图像数据转换为三维数据，有助于纠正医生二维阅片和空间想象的思维误区，提高其二维阅片水平和空间构想能力，提升手术的确定性，预见性和可控性；通过将术前病灶图像与术中病灶图像进行二次图像匹配，提高系统分析的准确性，便于后续对手术方案的进一步探讨。
发明内容
本发明的目的在于提供一种基于大数据的图像存储管理系统及方法，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：一种基于大数据的图像存储管理系统，所述系统包括：图像采集模块、数据分析模块、数据处理模块、数据库、数据矫正模块和数据对比模块；
所述图像采集模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述数据处理模块的输入端，所述数据处理模块的输出端连接所述数据库的输入端；所述数据库的输出端连接所述数据矫正模块和所述数据对比模块的输入端，所述数据矫正模块的输出端连接所述数据处理模块的输入端；
通过所述图像采集模块采集患者的所有病灶图像；
通过所述数据分析模块分析病灶图像的特点，并对病灶进行定位；
通过所述数据处理模块生成三维曲面，对三维图像进行多次虚拟切割，合成最优方案；
通过所述数据库对处理后的数据进行加密存储；
通过所述数据矫正模块采集实体图像，分析曲面数据，进行二次矫正；
通过所述数据对比模块采集实际切割图像，计算虚拟切割图像的准确率。
进一步的，所述数据分析模块包括特征分析单元和图像定位单元；
所述特征分析单元用于根据图像特征分析图像特点；所述图像定位单元用于对病灶进行定位处理，并将定位后的图像信息发送至所述数据处理模块。
进一步的，所述数据处理模块包括三维构建单元、图像对比单元、数据计算单元和方案生成单元；
所述三维构建单元用于根据病灶图像信息生成三维曲面；所述图像对比单元用于比较三维图像边界数据是否与二维数据一致，若一致，则说明三维曲面构建成功，反之，则说明三维曲面构建不成功，重新进入所述三维构建单元，其中，所述三维边界数据近似于二维数据；所述数据计算单元用于计算三维图像数据，并将计算的结果发送至所述方案生成单元；所述方案生成单元用于根据计算结果生成不同的切割方案，同时进行三维虚拟切割的演示，并对方案做风险评估，辅助手术者对手术方案进行筛选和优化。
进一步的，所述数据库用于将所有处理后的数据编号加密后进行存储，同时存储病灶图像作为样本训练集。
进一步的，所述数据矫正模块包括实体采集单元、曲面生成单元和数据矫正单元；
所述实体采集单元用于利用结构光实时捕捉实体形态；所述曲面生成单元用于根据结构光曲面视图进行曲率的测算，生成二次曲面图像数据；所述数据矫正单元用于矫正数据库中存储的曲面图像数据，并将数据发送至所述数据处理模块的方案生成单元，更新切割方案，提高数据准确性，便于后续分析系统的准确性。
进一步的，所述数据对比模块包括信息采集单元和数据对比单元；
所述信息采集单元用于采集实际切割图像；所述数据对比单元用于将实际切割图像信息与虚拟切割图像进行比对，分析系统的准确率。
一种基于大数据的图像存储管理方法，包括以下步骤：
S1：采集患者的所有病灶图像；
S2：分析病灶图像的特点，并对病灶进行定位；
S3：生成三维曲面，对三维图像进行多次虚拟切割，合成最优方案；
S4：对处理后的数据进行加密存储；
S5：采集实体图像，分析曲面数据，进行二次矫正；
S6：采集实际切割图像，计算虚拟切割图像的准确率。
进一步的，在步骤S1中：采集患者的病灶图像数据：A＝{(xi,yi)},i＝1,2,…,σ。
进一步的，在步骤S2中：通过建立二维平面坐标，获取病灶图像数据A＝{(xi,yi)},i＝1,2,…,σ；
分析病灶图像的特点，并对病灶进行定位处理，具体包括以下步骤：
S201：利用LBP特征算法提取图像特征：设定(xc,yc)为病灶图像的中心像素坐标，则根据公式：得到病灶图像像素点的特征集合/>
其中，p表示像素点(xi,yi)的邻域的第p个像素，dp表示邻域像素的灰度值，dc表示中心像素的灰度值；
S202：根据关联性分析法分析病灶图像的特点，步骤如下：
A1：利用DFS搜索算法将图像数据A分割成m×n个区块，其中，选取的m和n适中，过多不利于系统的计算，且会产生一定的损耗；则提取每一个区块的像素点特征数据为其中/>所述DFS搜索算法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
A2：计算每一个区块与病灶样本集Q之间的相似度：通过遍历每一个区块的像素点特征数据为得到每一个区块的像素均值：则根据关联公式：/> 得到相似度集合D＝{zj},j＝1,2,…,m×n；
其中，P(ej)表示区块j的像素均值在病灶样本集Q中的概率；
A3：分析病灶图像的特点，对病灶进行定位处理：通过遍历相似度集合D＝{zj},j＝1,2,…,m×n，若yδ>ω，则表示该区块存在病灶，反之，若yδ<ω，则表示该区块为安全区域；对yδ>ω的区块进行标记定位处理，进入步骤S3。
进一步的，在步骤S3中：提取多个病灶图像中存在标记的区块数据，所述病灶由多个像素点构成，根据区块数据建立病灶的三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈；
对三维图像进行多次虚拟切割，合成最优方案，步骤如下：
B1：比较三维曲面的边界数据是否与步骤S2中的二维数据一致：若一致，表示病灶图像的三维曲面构建数据成功，则进入步骤B2，反之，则表示病灶图像的三维曲面构建数据不成功，则进入步骤S3；
B2：对三维曲面数据进行曲率的测算：获取三维曲面K任一坐标点数据P0(x0,y0,z0)，根据曲率计算公式计算出P0的曲面曲率g0，则通过遍历三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈，得到曲率的集合：G＝{gv},v＝1,2,…,∈；其中，所述曲率计算公式属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
B3：对三维图像进行多次虚拟切割，生成多种切割方案：通过遍历曲率集合G＝{gv},v＝1,2,…,∈，生成r个切割方案根据MAE评价函数：得到方案评价集合U＝{um},m＝1,2,…,r；
B4：根据方案评价集合U合成最优方案：通过遍历方案评价集合U＝{um},m＝1,2,…,r，利用冒泡排序法将数据进行降序，则排序后的第一个数据对应的为最优的切割方案，此时，进入步骤S4；其中，所述冒泡排序法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
进一步的，在步骤S4中，将所有处理后的数据编号加密后进行存储，同时存储病灶图像作为样本训练集：获取切割方案R的图像数据，通过遍历切割方案将其进行编号处理，形成r个编号数据；同时，利用哈希加密算法将r个编号数据进行加密存储至数据库中；其中，所述哈希加密算法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
进一步的，在步骤S5中：采集实体图像，分析曲面数据，进行二次矫正，步骤如下：
C1：利用结构光实时捕捉实体形态，在实体曲面之上，覆盖标准数学网格板，通过标准数学网格板采集实体数据J＝{(xμ,yμ,zμ)},μ＝1,2,…,α；
C2：根据结构光曲面视图进行曲率的测算：获取三维曲面J的坐标点数据T0(x0,y0,z0)，同步骤B2，根据曲率计算公式计算出T0的曲面曲率，生成二次曲面数据：F＝{Fv},v＝1,2,…,∈；其中，所述曲率计算公式属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
C3：将二次曲面数据F与步骤B2中的曲面数据G进行比对矫正，进入步骤B3。
进一步的，在步骤S6中：采集实际切割图像，计算虚拟切割图像的准确率，步骤如下：
D1：采集实际切割图像数据W＝{(xβ,yβ,zβ)},β＝1,2,…,τ；
D2：将实际切割图像数据W与虚拟切割方案进行匹配，得到相应的切割方案/>
D3：切割方案与最优切割方案/>进行比对，则得到准确率：若/>则表示系统分析的虚拟切割方案准确性高，反之，若/>则表示系统分析的虚拟切割方案准确性低，分析系统误差，提高系统分析的准确率，便于手术结束后对方案的探讨。
与现有技术相比，本发明所达到的有益效果是：
本发明通过利用LBP特征算法提取图像特征，提高数据分析的准确性，便于后续对图像特点的分析；通过利用DFS搜索算法将图像分割成m×n个区块，减少系统误差，有利于后续分析图像相似度，确认病灶位置；通过利用关联性分析法分析图像特点，确认病灶位置，有利于后续对病灶三维曲面数据的建立；通过根据区块数据建立病灶的三维曲面，有助于纠正医生二维阅片和空间想象的思维误区，提高其二维阅片水平和空间构想能力；通过比较三维曲面的边界数据是否与二维数据一致，提高构建三维曲面数据的严谨性；通过根据曲率数据进行方案评估，从而确认最优方案，提升手术的确定性，预见性和可控性；通过将术前病灶图像与术中病灶图像进行二次图像匹配，同时，通过比较实际切割图像和虚拟切割图像，计算准确率，极大地提高了系统分析的准确性，便于后续对手术方案的进一步探讨；解决了二维病灶图像存在误差及缺乏相关的图像更新机制，导致系统分析不准确的问题。
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是本发明一种基于大数据的图像存储管理系统的结构图；
图2是本发明一种基于大数据的图像存储管理方法的流程图。
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-图2，本发明提供技术方案：一种基于大数据的图像存储管理系统，系统包括：图像采集模块、数据分析模块、数据处理模块、数据库、数据矫正模块和数据对比模块；
所述图像采集模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述数据处理模块的输入端，所述数据处理模块的输出端连接所述数据库的输入端；所述数据库的输出端连接所述数据矫正模块和所述数据对比模块的输入端，所述数据矫正模块的输出端连接所述数据处理模块的输入端；
通过所述图像采集模块采集患者的所有病灶图像；
所述图像采集模块用于采集患者的所有病灶图像，并将数据存储至数据库。
通过所述数据分析模块分析病灶图像的特点，并对病灶进行定位；
所述数据分析模块包括特征分析单元和图像定位单元；
所述特征分析单元用于根据图像特征分析图像特点；所述图像定位单元用于对病灶进行定位处理，并将定位后的图像信息发送至所述数据处理模块。
通过所述数据处理模块生成三维曲面，对三维图像进行多次虚拟切割，合成最优方案；
所述数据处理模块包括三维构建单元、图像对比单元、数据计算单元和方案生成单元；
所述三维构建单元用于根据病灶图像信息生成三维曲面；所述图像对比单元用于比较三维图像边界数据是否与二维数据一致，若一致，则说明三维曲面构建成功，反之，则说明三维曲面构建不成功，重新进入所述三维构建单元，其中，所述三维边界数据近似于二维数据；所述数据计算单元用于计算三维图像数据，并将计算的结果发送至所述方案生成单元；所述方案生成单元用于根据计算结果生成不同的切割方案，同时进行三维虚拟切割的演示，并对方案做风险评估，辅助手术者对手术方案进行筛选和优化。
通过所述数据库对处理后的数据进行加密存储；
所述数据库用于将所有处理后的数据编号加密后进行存储，同时存储病灶图像作为样本训练集。
通过所述数据矫正模块采集实体图像，分析曲面数据，进行二次矫正；
所述数据矫正模块包括实体采集单元、曲面生成单元和数据矫正单元；
所述实体采集单元用于利用结构光实时捕捉实体形态；所述曲面生成单元用于根据结构光曲面视图进行曲率的测算，生成二次曲面图像数据；所述数据矫正单元用于矫正数据库中存储的曲面图像数据，并将数据发送至所述数据处理模块的方案生成单元，更新切割方案，提高数据准确性，便于后续分析系统的准确性。
通过所述数据对比模块采集实际切割图像，计算虚拟切割图像的准确率。
所述数据对比模块包括信息采集单元和数据对比单元；
所述信息采集单元用于采集实际切割图像；所述数据对比单元用于将实际切割图像信息与虚拟切割图像进行比对，分析系统的准确率。
一种基于大数据的图像存储管理方法，包括以下步骤：
S1：采集患者的所有病灶图像；
在步骤S1中：采集患者的病灶图像数据：A＝{(xi,yi)},i＝1,2,…,σ。
S2：分析病灶图像的特点，并对病灶进行定位；
在步骤S2中：通过建立二维平面坐标，获取病灶图像数据A＝{(xi,yi)},i＝1,2,…,σ；
分析病灶图像的特点，并对病灶进行定位处理，具体包括以下步骤：
S201：利用LBP特征算法提取图像特征：设定(xc,yc)为病灶图像的中心像素坐标，则根据公式：得到病灶图像像素点的特征集合/>
其中，p表示像素点(xi,yi)的邻域的第p个像素，dp表示邻域像素的灰度值，dc表示中心像素的灰度值；
S202：根据关联性分析法分析病灶图像的特点，步骤如下：
A1：利用DFS搜索算法将图像数据A分割成m×n个区块，其中，选取的m和n适中，过多不利于系统的计算，且会产生一定的损耗；则提取每一个区块的像素点特征数据为其中/>所述DFS搜索算法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
A2：计算每一个区块与病灶样本集Q之间的相似度：通过遍历每一个区块的像素点特征数据为得到每一个区块的像素均值：则根据关联公式：/> 得到相似度集合D＝{zj},j＝1,2,…,m×n；
其中，P(ej)表示区块j的像素均值在病灶样本集Q中的概率；
A3：分析病灶图像的特点，对病灶进行定位处理：通过遍历相似度集合D＝{zj},j＝1,2,…,m×n，若yδ>ω，则表示该区块存在病灶，反之，若yδ<ω，则表示该区块为安全区域；对yδ>ω的区块进行标记定位处理，进入步骤S3。
S3：生成三维曲面，对三维图像进行多次虚拟切割，合成最优方案；
在步骤S3中：提取多个病灶图像中存在标记的区块数据，所述病灶由多个像素点构成，根据区块数据建立病灶的三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈；
对三维图像进行多次虚拟切割，合成最优方案，步骤如下：
B1：比较三维曲面的边界数据是否与步骤S2中的二维数据一致：若一致，表示病灶图像的三维曲面构建数据成功，则进入步骤B2，反之，则表示病灶图像的三维曲面构建数据不成功，则进入步骤S3；
B2：对三维曲面数据进行曲率的测算：获取三维曲面K任一坐标点数据P0(x0,y0,z0)，根据曲率计算公式计算出P0的曲面曲率g0，则通过遍历三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈，得到曲率的集合：G＝{gv},v＝1,2,…,∈；其中，所述曲率计算公式属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
B3：对三维图像进行多次虚拟切割，生成多种切割方案：通过遍历曲率集合G＝{gv},v＝1,2,…,∈，生成r个切割方案根据MAE评价函数：得到方案评价集合U＝{um},m＝1,2,…,r；
B4：根据方案评价集合U合成最优方案：通过遍历方案评价集合U＝{um},m＝1,2,…,r，利用冒泡排序法将数据进行降序，则排序后的第一个数据对应的为最优的切割方案，此时，进入步骤S4；其中，所述冒泡排序法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
S4：对处理后的数据进行加密存储；
在步骤S4中：获取切割方案R的图像数据，通过遍历切割方案将其进行编号处理，形成r个编号数据；同时，利用哈希加密算法将r个编号数据进行加密存储至数据库中；其中，所述哈希加密算法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
S5：采集实体图像，分析曲面数据，进行二次矫正；
在步骤S5中：采集实体图像，分析曲面数据，进行二次矫正，步骤如下：
C1：利用结构光实时捕捉实体形态，在实体曲面之上，覆盖标准数学网格板，通过标准数学网格板采集实体数据J＝{(xμ,yμ,zμ)},μ＝1,2,…,α；
C2：根据结构光曲面视图进行曲率的测算：获取三维曲面J的坐标点数据T0(x0,y0,z0)，同步骤B2，根据曲率计算公式计算出T0的曲面曲率，生成二次曲面数据：F＝{Fv},v＝1,2,…,∈；其中，所述曲率计算公式属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
C3：将二次曲面数据F与步骤B2中的曲面数据G进行比对矫正，进入步骤B3。
S6：采集实际切割图像，计算虚拟切割图像的准确率。
在步骤S6中：采集实际切割图像，计算虚拟切割图像的准确率，步骤如下：
D1：采集实际切割图像数据W＝{(xβ,yβ,zβ)},β＝1,2,…,τ；
D2：将实际切割图像数据W与虚拟切割方案进行匹配，得到相应的切割方案/>
D3：切割方案与最优切割方案/>进行比对，则得到准确率：/>若/>则表示系统分析的虚拟切割方案准确性高，反之，若/>则表示系统分析的虚拟切割方案准确性低，分析系统存在误差；有利于提高系统分析的准确率，便于手术结束后对方案的探讨。
实施例一：
在步骤S1中：采集患者的肝脏图像数据：A＝{(xi,yi)},i＝1,2,…,σ。
在步骤S2中：通过建立二维平面坐标，获取肝脏图像数据A＝{(xi,yi)},i＝1,2,…,σ；
分析肝脏图像的特点，并对病灶进行定位处理，具体包括以下步骤：
S201：利用LBP特征算法提取图像特征：设定(xc,yc)为肝脏图像的中心像素坐标，则根据公式：得到肝脏图像像素点的特征集合/>
其中，p表示像素点(xi,yi)的邻域的第p个像素，dp表示邻域像素的灰度值，dc表示中心像素的灰度值；
S202：根据关联性分析法分析肝脏图像的特点，步骤如下：
A1：利用DFS搜索算法将图像数据A分割成50×100个区块，则提取每一个区块的像素点特征数据为其中/>
A2：计算每一个区块与病灶样本集Q之间的相似度：通过遍历每一个区块的像素点特征数据为得到每一个区块的像素均值：则根据关联公式：/> 得到相似度集合D＝{zj},j＝1,2,…,5000；
其中，P(ej)表示区块j的像素均值在病灶样本集Q中的概率；
A3：分析肝脏图像的特点，对病灶进行定位处理：通过遍历相似度集合D＝{zj},j＝1,2,…,5000，若yδ>0.95，则表示该区块存在病灶，反之，若yδ<0.95，则表示该区块为安全区域；对yδ>0.95的区块进行标记定位处理，确认肝脏左叶区块处存在病灶，进入步骤S3。
在步骤S3中：提取多个肝脏图像中存在标记的区块数据，根据区块数据建立病灶的三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈；
对三维图像进行多次虚拟切割，合成最优方案，步骤如下：
B1：比较三维曲面的边界数据与步骤S2中的二维数据一致，表示病灶图像的三维曲面构建数据成功，则进入步骤B2；
B2：对三维曲面数据进行曲率的测算：获取三维曲面K任一坐标点数据P0(x0,y0,z0)，根据曲率计算公式计算出P0的曲面曲率g0，则通过遍历三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈，得到曲率的集合：G＝{gv},v＝1,2,…,∈；
B3：对三维图像进行多次虚拟切割，生成多种切割方案：通过遍历曲率集合G＝{gv},v＝1,2,…,∈，生成5个切割方案根据MAE评价函数：得到方案评价集合U＝{um},m＝1,2,…,5；
B4：根据方案评价集合U合成最优方案：通过遍历方案评价集合U＝{um},m＝1,2,…,5，利用冒泡排序法将数据进行降序，则排序后的第一个数据对应的则说明最优的方案为第三个切割方案，此时，进入步骤S4。
在步骤S4中：获取切割方案R的图像数据，通过遍历切割方案将其进行编号处理，形成5个编号数据；同时，利用哈希加密算法将5个编号数据进行加密存储至数据库中。
在步骤S5中：采集实体图像，分析曲面数据，进行二次矫正，步骤如下：
C1：利用结构光实时捕捉实体形态，在实体曲面之上，覆盖标准数学网格板，通过标准数学网格板采集实体数据J＝{(xμ,yμ,zμ)},μ＝1,2,…,α；
C2：根据结构光曲面视图进行曲率的测算：获取三维曲面J的坐标点数据T0(x0,y0,z0)，同步骤B2，根据曲率计算公式计算出T0的曲面曲率，生成二次曲面数据：F＝{Fv},v＝1,2,…,∈；
C3：将二次曲面数据F与步骤B2中的曲面数据G进行比对矫正，进入步骤B3。
在步骤S6中：采集实际切割图像，计算虚拟切割图像的准确率，步骤如下：
D1：采集实际切割图像数据W＝{(xβ,yβ,zβ)},β＝1,2,…,τ；
D2：将实际切割图像数据W与虚拟切割方案进行匹配，得到相应的切割方案/>
D3：切割方案与最优切割方案/>进行比对，则得到准确率：/>此时，/>则表示系统分析的虚拟切割方案准确性高。
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 (10)

1.一种基于大数据的图像存储管理系统，其特征在于：所述系统包括：图像采集模块、数据分析模块、数据处理模块、数据库、数据矫正模块和数据对比模块；
所述图像采集模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述数据处理模块的输入端，所述数据处理模块的输出端连接所述数据库的输入端；所述数据库的输出端连接所述数据矫正模块和所述数据对比模块的输入端，所述数据矫正模块的输出端连接所述数据处理模块的输入端；
通过所述图像采集模块采集患者的所有病灶图像；
通过所述数据分析模块分析病灶图像的特点，并对病灶进行定位；
通过所述数据处理模块生成三维曲面，对三维图像进行虚拟切割，合成最优方案；
通过所述数据库对处理后的数据进行加密存储；
通过所述数据矫正模块采集实体图像，分析曲面数据，进行二次矫正；
通过所述数据对比模块采集实际切割图像，计算虚拟切割图像的准确率。
2.根据权利要求1所述的一种基于大数据的图像存储管理系统，其特征在于：所述数据分析模块包括特征分析单元和图像定位单元；
所述特征分析单元用于根据图像特征分析图像特点；所述图像定位单元用于对病灶进行定位处理，并将定位后的图像信息发送至所述数据处理模块。
3.根据权利要求1所述的一种基于大数据的图像存储管理系统，其特征在于：所述数据处理模块包括三维构建单元、图像对比单元、数据计算单元和方案生成单元；
所述三维构建单元用于根据病灶图像信息生成三维曲面；所述图像对比单元用于比较三维图像边界数据是否与二维数据一致；所述数据计算单元用于计算三维图像数据，并将计算的结果发送至所述方案生成单元；所述方案生成单元用于根据计算结果生成不同的切割方案，同时进行三维虚拟切割的演示，并对方案做风险评估。
4.根据权利要求1所述的一种基于大数据的图像存储管理系统，其特征在于：所述数据矫正模块包括实体采集单元、曲面生成单元和数据矫正单元；
所述实体采集单元用于利用结构光实时捕捉实体形态；所述曲面生成单元用于根据结构光曲面视图进行曲率的测算，生成二次曲面图像数据；所述数据矫正单元用于矫正数据库中存储的曲面图像数据，并将数据发送至所述数据处理模块的方案生成单元。
5.根据权利要求1所述的一种基于大数据的图像存储管理系统，其特征在于：所述数据对比模块包括信息采集单元和数据对比单元；
所述信息采集单元用于采集实际切割图像；所述数据对比单元用于将实际切割图像信息与虚拟切割图像进行比对，分析系统的准确率。
6.一种基于大数据的图像存储管理方法，其特征在于：包括以下步骤：
S1：采集患者的所有病灶图像；
S2：分析病灶图像的特点，并对病灶进行定位；
S3：生成三维曲面，对三维图像进行多次虚拟切割，合成最优方案；
S4：对处理后的数据进行加密存储；
S5：采集实体图像，分析曲面数据，进行二次矫正；
S6：采集实际切割图像，计算虚拟切割图像的准确率。
7.根据权利要求6所述的一种基于大数据的图像存储管理方法，其特征在于：在步骤S2中：通过建立二维平面坐标，获取病灶图像数据A＝{(xi,yi)},i＝1,2,…,σ；
分析病灶图像的特点，并对病灶进行定位处理，具体包括以下步骤：
S201：利用LBP特征算法提取图像特征：设定(xc,yc)为病灶图像的中心像素坐标，则根据公式：得到病灶图像像素点的特征集合
其中，p表示像素点(xi,yi)的邻域的第p个像素，dp表示邻域像素的灰度值，dc表示中心像素的灰度值；
S202：根据关联性分析法分析病灶图像的特点，步骤如下：
A1：利用DFS搜索算法将图像数据A分割成m×n个区块，则提取每一个区块的像素点特征数据为其中/>
A2：计算每一个区块与病灶样本集Q之间的相似度：通过遍历每一个区块的像素点特征数据为得到每一个区块的像素均值：则根据关联公式：/> 得到相似度集合D＝{zj},j＝1,2,…,m×n；
其中，P(ej)表示区块j的像素均值在病灶样本集Q中的概率；
A3：分析病灶图像的特点，对病灶进行定位处理：通过遍历相似度集合D＝{zj},j＝1,2,…,m×n，若yδ>ω，则表示该区块存在病灶，反之，若yδ<ω，则表示该区块为安全区域；对yδ>ω的区块进行标记定位处理，进入步骤S3。
8.根据权利要求7所述的一种基于大数据的图像存储管理方法，其特征在于：在步骤S3中：提取多个病灶图像中存在标记的区块数据，根据区块数据建立病灶的三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈；
对三维图像进行多次虚拟切割，合成最优方案，步骤如下：
B1：比较三维曲面的边界数据是否与步骤S2中的二维数据一致：若一致，表示病灶图像的三维曲面构建数据成功，则进入步骤B2，反之，则进入步骤S3；
B2：对三维曲面数据进行曲率的测算：获取三维曲面K任一坐标点数据P0(x0,y0,z0)，根据曲率计算公式计算出P0的曲面曲率g0，则通过遍历三维曲面：K＝{(xv,yv,zv)},v＝1,2,…,∈，得到曲率的集合：G＝{gv},v＝1,2,…,∈；
B3：对三维图像进行多次虚拟切割，生成多种切割方案：通过遍历曲率集合G＝{gv},v＝1,2,…,∈，生成r个切割方案根据MAE评价函数：得到方案评价集合U＝{um},m＝1,2,…,r；
B4：根据方案评价集合U合成最优方案：通过遍历方案评价集合U＝{um},m＝1,2,…,r，利用冒泡排序法将数据进行降序，则排序后的第一个数据对应的为最优的切割方案，此时，进入步骤S4；
在步骤S4中：获取切割方案R的图像数据，通过遍历切割方案将其进行编号处理，形成r个编号数据；同时，利用哈希加密算法将r个编号数据进行加密存储至数据库中。
9.根据权利要求8所述的一种基于大数据的图像存储管理方法，其特征在于：在步骤S5中：采集实体图像，分析曲面数据，进行二次矫正，步骤如下：
C1：利用结构光实时捕捉实体形态，在实体曲面之上，覆盖标准数学网格板，通过标准数学网格板采集实体数据J＝{(xμ,yμ,zμ)},μ＝1,2,…,α；
C2：根据结构光曲面视图进行曲率的测算：获取三维曲面J的坐标点数据T0(x0,y0,z0)，同步骤B2，根据曲率计算公式计算出T0的曲面曲率，生成二次曲面数据：F＝{Fv},v＝1,2,…,∈；
C3：将二次曲面数据F与步骤B2中的曲面数据G进行比对矫正，进入步骤B3。
10.根据权利要求9所述的一种基于大数据的图像存储管理方法，其特征在于：在步骤S6中：采集实际切割图像，计算虚拟切割图像的准确率，步骤如下：
D1：采集实际切割图像数据W＝{(xβ,yβ,zβ)},β＝1,2,…,τ；
D2：将实际切割图像数据W与虚拟切割方案进行匹配，得到相应的切割方案/>
D3：切割方案与最优切割方案/>进行比对，则得到准确率：/> 若/>则表示系统分析的虚拟切割方案准确性高。
CN202310732162.3A 2023-06-20 2023-06-20 一种基于大数据的图像存储管理系统及方法 Active CN116759052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310732162.3A CN116759052B (zh) 2023-06-20 2023-06-20 一种基于大数据的图像存储管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310732162.3A CN116759052B (zh) 2023-06-20 2023-06-20 一种基于大数据的图像存储管理系统及方法

Publications (2)

Publication Number Publication Date
CN116759052A true CN116759052A (zh) 2023-09-15
CN116759052B CN116759052B (zh) 2024-04-05

Family

ID=87960437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310732162.3A Active CN116759052B (zh) 2023-06-20 2023-06-20 一种基于大数据的图像存储管理系统及方法

Country Status (1)

Country Link
CN (1) CN116759052B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001078005A2 (en) * 2000-04-11 2001-10-18 Cornell Research Foundation, Inc. System and method for three-dimensional image rendering and analysis
US20060173268A1 (en) * 2005-01-28 2006-08-03 General Electric Company Methods and systems for controlling acquisition of images
CN106780518A (zh) * 2017-02-10 2017-05-31 苏州大学 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法
CN111588517A (zh) * 2020-04-27 2020-08-28 安徽医科大学第二附属医院 一种用于修复骨缺损的系统
CN111986330A (zh) * 2020-08-18 2020-11-24 云南省第一人民医院 一种基于混合现实的术前规划模拟系统、装置及方法
CN112288843A (zh) * 2020-09-10 2021-01-29 深圳市智影医疗科技有限公司 一种病灶的三维构建方法、装置、终端设备及存储介质
CN112634196A (zh) * 2020-11-23 2021-04-09 西安科锐盛创新科技有限公司 一种基于智慧医疗的医学图像分割与显示方法
CN113274129A (zh) * 2021-05-11 2021-08-20 温州医科大学附属第二医院（温州医科大学附属育英儿童医院） 一种基于虚拟现实的心胸外科手术辅助控制系统
CN113420826A (zh) * 2020-07-14 2021-09-21 十堰市太和医院 一种肝脏病灶图像处理系统及图像处理方法
CN114533265A (zh) * 2022-02-18 2022-05-27 上海电气集团股份有限公司 一种辅助截骨手术的方法及设备
CN115137499A (zh) * 2022-07-19 2022-10-04 华中科技大学同济医学院附属协和医院 一种基于混合现实技术的骨科手术定位方法
CN115472051A (zh) * 2022-08-25 2022-12-13 南通大学 一种医学生手术操作模拟假人及使用方法
CN115998334A (zh) * 2021-10-22 2023-04-25 深圳迈瑞生物医疗电子股份有限公司 消融效果的显示方法和超声成像系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001078005A2 (en) * 2000-04-11 2001-10-18 Cornell Research Foundation, Inc. System and method for three-dimensional image rendering and analysis
US20060173268A1 (en) * 2005-01-28 2006-08-03 General Electric Company Methods and systems for controlling acquisition of images
CN106780518A (zh) * 2017-02-10 2017-05-31 苏州大学 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法
CN111588517A (zh) * 2020-04-27 2020-08-28 安徽医科大学第二附属医院 一种用于修复骨缺损的系统
CN113420826A (zh) * 2020-07-14 2021-09-21 十堰市太和医院 一种肝脏病灶图像处理系统及图像处理方法
CN111986330A (zh) * 2020-08-18 2020-11-24 云南省第一人民医院 一种基于混合现实的术前规划模拟系统、装置及方法
CN112288843A (zh) * 2020-09-10 2021-01-29 深圳市智影医疗科技有限公司 一种病灶的三维构建方法、装置、终端设备及存储介质
CN112634196A (zh) * 2020-11-23 2021-04-09 西安科锐盛创新科技有限公司 一种基于智慧医疗的医学图像分割与显示方法
CN113274129A (zh) * 2021-05-11 2021-08-20 温州医科大学附属第二医院（温州医科大学附属育英儿童医院） 一种基于虚拟现实的心胸外科手术辅助控制系统
CN115998334A (zh) * 2021-10-22 2023-04-25 深圳迈瑞生物医疗电子股份有限公司 消融效果的显示方法和超声成像系统
CN114533265A (zh) * 2022-02-18 2022-05-27 上海电气集团股份有限公司 一种辅助截骨手术的方法及设备
CN115137499A (zh) * 2022-07-19 2022-10-04 华中科技大学同济医学院附属协和医院 一种基于混合现实技术的骨科手术定位方法
CN115472051A (zh) * 2022-08-25 2022-12-13 南通大学 一种医学生手术操作模拟假人及使用方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王玫;张月东;尚宪刚;张兆臣;: "虚拟脊柱手术系统的设计", 计算机技术与发展, no. 07, pages 179 - 182 *
陈先卓;晏燕;赵明才;: "计算机辅助三维重建技术在鼻整形术中的应用现状", 中华临床医师杂志(电子版), no. 03, pages 1242 - 1244 *

Also Published As

Publication number Publication date
CN116759052B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN110895809B (zh) 准确提取髋关节影像中关键点的方法
JP7489732B2 (ja) 深層学習に基づく脊椎ｍｒｉ映像キーポイント検出方法
JP5186269B2 (ja) 画像認識結果判定装置、方法、およびプログラム
CN110599528A (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
JP2008259682A (ja) 部位認識結果修正装置、方法、およびプログラム
CN115345938B (zh) 基于全局到局部的头影标记点定位方法、设备及介质
CN111311655A (zh) 多模态图像配准方法、装置、电子设备、存储介质
CN109567839A (zh) 髋关节x光图像自动分析方法
WO2022178997A1 (zh) 医学影像配准方法、装置、计算机设备及存储介质
JP2005065728A (ja) 類似画像検索装置
CN112614573A (zh) 基于病理图像标注工具的深度学习模型训练方法及装置
Pham et al. Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks
CN110533120A (zh) 器官结节的图像分类方法、装置、终端及存储介质
CN112634221B (zh) 基于图像和深度的角膜层次识别及病变定位方法和系统
CN116759052B (zh) 一种基于大数据的图像存储管理系统及方法
CN117746055A (zh) 基于3d点云数据提取立体特征的算法
Daly et al. Multimodal image registration using multiresolution genetic optimization
CN113722306B (zh) 基于实体相似度的医疗数据修复方法、装置及计算机设备
Zhan et al. EAswin-unet: Segmenting CT images of COVID-19 with edge-fusion attention
CN109166108B (zh) 一种ct影像肺部异常组织的自动识别方法
CN113782157A (zh) 医疗影像处理方法、系统、计算机设备和存储介质
CN117476219B (zh) 基于大数据分析的定位ct断层图像的辅助方法和辅助系统
CN113378794A (zh) 一种眼象与症状信息的信息关联方法
CN113674261B (zh) 骨骼检测方法、系统、电子设备和存储介质
Nassar et al. An efficient multi-resolution GA approach to dental image alignment

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