CN117633867B - 医疗图像脱敏方法、装置、电子设备及可读存储介质 - Google Patents
医疗图像脱敏方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN117633867B CN117633867B CN202311395134.3A CN202311395134A CN117633867B CN 117633867 B CN117633867 B CN 117633867B CN 202311395134 A CN202311395134 A CN 202311395134A CN 117633867 B CN117633867 B CN 117633867B
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- key point
- sensitive
- category
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000586 desensitisation Methods 0.000 claims abstract description 75
- 238000007689 inspection Methods 0.000 claims abstract description 71
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001310793 Podium Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction 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
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种医疗图像脱敏方法、装置、电子设备及可读存储介质，属于图像脱敏的技术领域，方法包括：获取检查单图像；确定所述检查单图像的类别；确定所述检查单图像中的文字区域，提取所述文字区域对应的第一图像的第一关键点描述符；获取预设的脱敏信息库中所述类别对应的预存图像信息，确定所述预存图像信息的第二关键点描述符；将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，确定所述敏感信息标题后的区域为需要脱敏的敏感区域；在所述敏感区域进行数据脱敏。本申请具有提高脱敏效率的效果。
Description
技术领域
本申请涉及图像脱敏的技术领域，尤其是涉及一种医疗图像脱敏方法、装置、电子设备及可读存储介质。
背景技术
随着大数据与互联网的迅速发展，网络信息增长，我国在网络信息安全方面面临巨大的挑战。其中，医疗行业数据安全问题是普遍存在的问题之一。医疗信息中包含大量敏感数据，若在收集、存储、传输过程中若未实施有效的加密措施，那么医疗信息则处于极大的泄露风险中。
在医疗行业中存储有大量的检查单图像，在检查单图像中包括病人隐私信息，如姓名、病案号、门诊号等，针对这些隐私信息，需要进行脱敏处理。目前，对检查单图像脱敏时，可以预设脱敏数据库，在脱敏数据库中预存敏感信息对应的图像信息，进而将检查单图像与预存图像信息对比，确定脱敏区域，进而在脱敏区域进行数据脱敏。
而脱敏数据库中的预存图像信息较多，通过逐个对比，对比速度缓慢，影像脱敏效率。
发明内容
为了提高脱敏效率，本申请提供一种医疗图像脱敏方法、装置、电子设备及可读存储介质。
第一方面，本申请提供一种医疗图像脱敏方法，采用如下的技术方案：
获取检查单图像；
确定所述检查单图像的类别；
确定所述检查单图像中的文字区域，提取所述文字区域对应的第一图像的第一关键点描述符；
获取预设的脱敏信息库中所述类别对应的预存图像信息，确定所述预存图像信息的第二关键点描述符；
将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，确定所述敏感信息标题后的区域为需要脱敏的敏感区域；
在所述敏感区域进行数据脱敏。
通过采用上述技术方案，获取检查单图像，分析检查单图像的类别，确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符，进而获取脱敏数据库中对应类别的预存图像信息，确定预存图像信息的第二关键点描述符，将第一关键点描述符与第二关键点描述符对比，确定第一图像中的敏感信息标题，从而确定标题后的区域为敏感区，进而便于在敏感区域数据脱敏。因此通过分类对比，减小用于对比的预存图像信息数量，减小计算量，提高脱敏效率。
进一步地，所述类别包括清晰度和倾斜度，所述确定所述检查单图像的类别，包括：
运用FFT确定检查单图像的清晰度；
运用训练好的神经网络模型确定所述检查单图像中文字的倾斜度。
通过采用上述技术方案，通过算法确定检查单图像的清晰度和文字倾斜度，进行快速细致分析。
进一步地，所述将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，包括：
将第一关键点描述符作为共轭实体,将所述第二关键点描述符作为匹配实体，通过计算匹配实体之间的相似性测度以实现共轭实体配准的影像匹配方法，确定第一图像中的敏感信息标题。
进一步地，所述方法还包括：
基于大数据获取包括敏感文字的第一图像以及历史检查单图像中包括敏感文字的第二图像，改变所述第一图像和第二图像的清晰度和/或文字倾斜度，确定第三图像；
将所述第一图像、所述第二图像和所述第三图像确定为图库图片；
获取所述图库图片的清晰度和文字倾斜度；
根据所述清晰度和所述文字倾斜度对所述图库图片进行分类，分别确定多个清晰度以及文字倾斜度对应的类别，每个类别中包括至少一个图库图片；
确定每个所述图库图片及对应的第二关键点描述符为一个预存图像信息；
根据每个类别对应的预存图像信息建立脱敏数据库。
通过采用上述技术方案，电子设备根据大数据和历史数据获取第一图像和第二图像，进而通过对第一图像和第二图像变形，确定第三图像，进而丰富图库图片的种类，使分类后的脱敏数据库的数据量足够大，便于分析准确。
进一步地，若所述脱敏信息库中不包括所述类别对应的预存图像信息，所述确定第一图像中的敏感信息标题，包括：
获取至少一个相邻类别的预存图像信息；
将所述第一关键点描述符分别与相邻类别预存图像信息的第二关键点描述符对比，确定第一关键点描述符与各个第二关键点描述符的相似度；
根据相似度最高的第二关键点描述符对应的预存图像信息与所述检查单图像的第一关键点描述符对比，确定确定第一图像中的敏感信息标题。
通过采用上述技术方案，通过相邻类别的预存图像信息的第二关键点描述符与第一关键点描述符对比，选取相似度最高的结果来确定敏感信息标题。提高分析准确度。
进一步地，所述提取所述文字区域对应的第一图像的第一图像描述符，包括：
S11：尺度空间极值检测，获取尺度空间,构建图像金字塔，包括：
基于对小的关键点使用小的窗口，对大的关键点使用大的窗口的原则，使用尺度空间滤波器，采用唯一可产生多尺度空间的核函数的高斯核；
定义一个图像的尺度空间,如下：
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)；
G(x,y,σ)= (2)；
其中，(x,y)代表图像的像素位置，I(x,y)表示原始图像，*表示卷积运算, G(x,y,σ)表示高斯函数，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大；
不同图像的尺度空间构成图像高斯金字塔，通过公式（1）、（2）函数对图像进行模糊以及降采样得到若干组图像，不同组包括若干层图像，其中，高斯金字塔的组数计算公式如下：
（3）；
其中，表示高斯金字塔的组数，m，n分别是原始图像的行和列；系数/>是0-之间的任意值；
再次，由公式（4）关系得到高斯滤波参数σ：
（4）；
其中, s是所在的层，是初始尺度，s是每组的层数，o为所在的组数；之后，确定同组内相邻层的图像尺度间的关系：
，/> （5）；
确定相邻组之间的关系：
（6）；
S12：构建图像高斯差分金字塔；图像沿着尺度轴做高斯差分，获得尺度空间上尺度轴上的梯度极值，采用dog函数计算梯度极值，在高斯金字塔中每个组中相邻两层使用dog函数构成高斯差分金字塔，DOG函数如下：
D(x,y,σ)=L(x,y,kσ)- L(x,y,σ) （7）；
S13：寻找极值点，在DOG空间中寻找极值，极值比设定周围点都大或者都小的点认为是关键点；
S14：特征点过滤与关键点定位；
去除较小的极值，为了获得更加准确的关键点位置，将每个关键点的每小段DOG函数进行泰勒二次展开：
（8）；
其中， , />是高斯滤波参数，x，y是图像像素点；
然后，对公式（8）求极值，并令公式（8）导数为零得到极值点：
（9）；
其次，对公式（9）得到极值点处的极值：/>：
（10）；
并剔除的极值点，以去除边缘噪声，即剔除山脊线；
S15：通过Hessian矩阵刻画该公式（9）极值点周围的变化趋势，协方差矩阵的特征值对应着在特征向量方向上的投影，Hessian矩阵的特征值和特征值所在特征向量方向上的曲率成正比；
通过二阶差分公式（11）计算得到Hessian矩阵：
（11）；
其中，，/>，/>，/>表示DOG函数关于像素点x，y二阶偏导数；
计算特征值的比值，获得特征值在特征向量方向的变化趋势；
假设两个特征值分别为，/>，则：
（12）；
（13）；
其中,，/>分别是矩阵的迹和矩阵的行列式；
其次，设为较大特征值，并且/>，则
（14）；
其中，，/>分别是矩阵的迹和矩阵的行列式，/>是/>，/>的比值；
当是/>最小，当/>越大时，对应的/>越大，将/>的点剔除；
S16：方向确定：
为了实现旋转不变性，需要为每个关键点分配一个方向角度，也就是根据检测到的关键点所在的高斯尺度图像的领域结构中确认关键点的方向；
对于任意一个关键点，采集所在高斯金字塔图像以r为半径的区域内所有像素的梯度特征，半径r为：
（15）；
梯度幅度和方向/>的计算公式为：
（16）；
（17）；
其中，x，y表示示像素点，是对应尺度的尺度图像；
通过公式（16）、公式（17）计算关键点周围区域内的所有样本点的梯度值与方向；将方向分为若干个bins，使用高斯函数加权统计样本点的方向直方图，取最大峰值对应的bins，其就是关键点的方向；
S17：确定关键点描述符；
找得图像在不同尺度的关键点后，为了实现后续的分类或者匹配，需要获取关键点周围的特征；
将关键点附件半径为r的领域划分为的子区域，在每个子区域统计长度h（h=9）为的方向直方图，每个直方图作为一个种子点，获得一个长度为/>的向量；
然后，为保证旋转不变性，固定关键点的方向为相同方向，即将图像旋转使得关键点的方向为坐标轴x轴方向，再对旋转后的图像进行区域统计方向直方图；
坐标旋转后的值为：
（18）；
其中，是关键点方向与x坐标轴的夹角，顺时针旋转角度为负值，逆时针为正值；
其次，计算子区域内的像素的梯度，并按照进行高斯加权，并采用双线性插值法得到每个种子的八个方向的梯度；
再次，在方向直方图P处，方向o上的增量为：
（19）；
其中， 是p点周围旋转后的样本点，限制其距离在单位内，/>是/>的坐标，/>是高斯权重，/>分别是/>对该网络点在两个方向的影响率和所求方向上的影响率；
之后，区域大小的选择和高斯权重尺度的选择，每个子区域的选择和计算关键点方向时的区域大小一致，即，其中/>是图像在尺度空间的尺度；
再后，考虑到旋转的问题，为了避免旋转后半径为的区域内有部分是空的，在选的区域要能够在旋转后仍然后/>的区域检测到，每个子区域的半径为：
（20）；
所以，总体区域半径为：
（21）；
往后，为了去除光照影响：将关键点生成的特征向量归一化，计算公式如下：
（22）；
其中，是方差。
进一步地，所述在所述敏感区域进行数据脱敏包括：
在所述文字区域建立坐标系；
基于所述坐标系确定敏感区域所在的坐标范围；
在所述敏感区域的最左边缘确定第一起始边和第二移动边，以所述第一起始边作为起点，向右平移所述第二移动边，直至第二移动边左侧预设距离均为空白，确定所述第一起始边和所述第二移动边之间的区域为待脱敏区域；
在所述待脱敏区域叠加空白图像。
通过采用上述技术方案，确定敏感区域所在的坐标范围，便于精确确定敏感区域范围，且确定第一起始边和第一移动边，准确确定待脱敏区域。
第二方面，本申请提供一种医疗图像脱敏装置，采用如下的技术方案：
检查单图像获取模块，用于获取检查单图像；
类别确定模块，用于确定所述检查单图像的类别；
第一关键点描述符提取模块，用于确定所述检查单图像中的文字区域，提取所述文字区域对应的第一图像的第一关键点描述符；
第二关键点描述符确定模块，用于获取预设的脱敏信息库中所述类别对应的预存图像信息，确定所述预存图像信息的第二关键点描述符；
敏感区域确定模块，用于将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，确定所述敏感信息标题后的区域为需要脱敏的敏感区域；
脱敏模块，用于在所述敏感区域进行数据脱敏。
通过采用上述技术方案，检查单图像获取模块获取检查单图像，类别确定模块分析检查单图像的类别，第一关键点描述符提取模块确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符，进而第二关键点描述符确定模块获取脱敏数据库中对应类别的预存图像信息，确定预存图像信息的第二关键点描述符，敏感区域确定模块将第一关键点描述符与第二关键点描述符对比，确定第一图像中的敏感信息标题，从而确定标题后的区域为敏感区，进而便于脱敏模块在敏感区域数据脱敏。因此通过分类对比，减小用于对比的预存图像信息数量，减小计算量，提高脱敏效率。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，包括：
至少一个处理器；
存储器；
至少一个计算机程序，其中所述至少一个计算机程序被存储在所述存储器中并被配置为由所述至少一个处理器执行，所述至少一个计算机程序配置用于：执行如第一方面中任一项所述的方法。
通过采用上述技术方案，处理器执行存储器中的计算机程序，获取检查单图像，分析检查单图像的类别，确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符，进而获取脱敏数据库中对应类别的预存图像信息，确定预存图像信息的第二关键点描述符，将第一关键点描述符与第二关键点描述符对比，确定第一图像中的敏感信息标题，从而确定标题后的区域为敏感区，进而便于在敏感区域数据脱敏。因此通过分类对比，减小用于对比的预存图像信息数量，减小计算量，提高脱敏效率。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一项所述的方法的计算机程序。
通过采用上述技术方案，处理器执行计算机可读存储介质中的计算机程序，获取检查单图像，分析检查单图像的类别，确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符，进而获取脱敏数据库中对应类别的预存图像信息，确定预存图像信息的第二关键点描述符，将第一关键点描述符与第二关键点描述符对比，确定第一图像中的敏感信息标题，从而确定标题后的区域为敏感区，进而便于在敏感区域数据脱敏。因此通过分类对比，减小用于对比的预存图像信息数量，减小计算量，提高脱敏效率。
综上所述，本申请包括以下至少一种有益技术效果：
1.获取检查单图像，分析检查单图像的类别，确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符，进而获取脱敏数据库中对应类别的预存图像信息，确定预存图像信息的第二关键点描述符，将第一关键点描述符与第二关键点描述符对比，确定第一图像中的敏感信息标题，从而确定标题后的区域为敏感区，进而便于在敏感区域数据脱敏。因此通过分类对比，减小用于对比的预存图像信息数量，减小计算量，提高脱敏效率；
2.电子设备根据大数据和历史数据获取第一图像和第二图像，进而通过对第一图像和第二图像变形，确定第三图像，进而丰富图库图片的种类，使分类后的脱敏数据库的数据量足够大，便于分析准确；
3.确定敏感区域所在的坐标范围，便于精确确定敏感区域范围，且确定第一起始边和第一移动边，准确确定待脱敏区域。
附图说明
图1是本申请实施例中医疗图像脱敏方法的流程示意图。
图2是本申请实施例中医疗图像脱敏装置的结构框图。
图3是本申请实施例中电子设备的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请实施例公开一种医疗图像脱敏方法。参照图1，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等，但并不局限于此。包括（步骤S101～步骤S106）：
步骤S101：获取检查单图像。
具体地，检查单图像可以由用户输入电子设备，也可以由待分析数据库导入电子设备。
步骤S102：确定检查单图像的类别，检查单图像的类别包括清晰度和倾斜度，因此步骤S102包括（步骤S1021～步骤S1022）：
步骤S1021：运用FFT确定检查单图像的清晰度。
步骤S1022；运用训练好的神经网络模型确定检查单图像中文字的倾斜度。
具体地，FFT（Fast Fourier Transform）是一种常用的频域分析工具，可以将图像从空间域转换到频域，在频域中，高频对应了图像的细节部分，低频对应了图像的大致形状。因此，我们可以通过计算图像在高频部分的能量来评估图像的清晰度。
另外，电子设备建立由多组带有文字的图片和其中文字倾斜度的训练集和验证集，应用训练集对神经网络模型进行训练，并用验证集进行验证，进而训练得到用于识别文字倾斜度的神经网络模型。电子设备将检查单图像输入至训练好的神经网络模型，确定其中文字倾斜度。
其中，本申请并不限定步骤S1021和步骤S1022的先后顺序，步骤S1021可以位于步骤S1022之前，也可以位于步骤S1022之后，也可以和步骤S1022同时执行。
步骤S103：确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符。
具体地，电子设备预先训练得到图文识别模型，将检查单图像输入至图文识别模型中后，确定检查单图像中的文字区域和图像区域，进而将图像区域切除，进而保存得到文字区域对应的第一图像。
电子设备提取第一图像的特征，确定第一图像的第一关键点描述符。
进一步地，电子设备提取图像的关键点描述符时，方法包括（步骤S11～步骤S17）：
S11：尺度空间极值检测，获取尺度空间,构建图像金字塔，包括：
基于对小的关键点使用小的窗口，对大的关键点使用大的窗口的原则，使用尺度空间滤波器，采用唯一可产生多尺度空间的核函数的高斯核；
定义一个图像的尺度空间,如下：
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)；
G(x,y,σ)= (2)；
其中，(x,y)代表图像的像素位置，I(x,y)表示原始图像，*表示卷积运算, G(x,y,σ)表示高斯函数，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大。
不同图像的尺度空间构成图像高斯金字塔，通过公式（1）、（2）函数对图像进行模糊以及降采样得到若干组图像，不同组包括若干层图像，其中，高斯金字塔的组数计算公式如下：
（3）；
其中，表示高斯金字塔的组数，m，n分别是原始图像的行和列；系数/>是0-之间的任意值。
再次，由公式（4）关系得到高斯滤波参数σ：
（4）；
其中, s是所在的层，是初始尺度，s是每组的层数，o为所在的组数；之后，确定同组内相邻层的图像尺度间的关系：
，/> （5）；
确定相邻组之间的关系：
（6）；
S12：构建图像高斯差分金字塔；图像沿着尺度轴做高斯差分，获得尺度空间上尺度轴上的梯度极值，采用dog函数计算梯度极值，在高斯金字塔中每个组中相邻两层使用dog函数构成高斯差分金字塔，DOG函数如下：
D(x,y,σ)=L(x,y,kσ)- L(x,y,σ) （7）。
S13：寻找极值点，在DOG空间中寻找极值，极值比设定周围点都大或者都小的点认为是关键点。
S14：特征点过滤与关键点定位。
去除较小的极值，为了获得更加准确的关键点位置，将每个关键点的每小段DOG函数进行泰勒二次展开：
（8）；
其中， , />是高斯滤波参数，x，y是图像像素点；
然后，对公式（8）求极值，并令公式（8）导数为零得到极值点：
（9）；
其次，对公式（9）得到极值点处的极值：/>：
（10）；
并剔除的极值点，以去除边缘噪声，即剔除山脊线；
S15：通过Hessian矩阵刻画该公式（9）极值点周围的变化趋势，协方差矩阵的特征值对应着在特征向量方向上的投影，Hessian矩阵的特征值和特征值所在特征向量方向上的曲率成正比；
通过二阶差分公式（11）计算得到Hessian矩阵：
（11）
其中，，/>，/>，/>表示DOG函数关于像素点x，y二阶偏导数；
计算特征值的比值，获得特征值在特征向量方向的变化趋势；
假设两个特征值分别为，/>，则：
（12）；
（13）；
其中, ，/>分别是矩阵的迹和矩阵的行列式；
其次，设为较大特征值，并且/>，则
（14）；
其中，，/>分别是矩阵的迹和矩阵的行列式，/>是/>，/>的比值；
当是/>最小，当/>越大时，对应的/>越大，将/>的点剔除。
S16：方向确定：
为了实现旋转不变性，需要为每个关键点分配一个方向角度，也就是根据检测到的关键点所在的高斯尺度图像的领域结构中确认关键点的方向。
对于任意一个关键点，采集所在高斯金字塔图像以r为半径的区域内所有像素的梯度特征，半径r为：
（15）；
梯度幅度和方向/>的计算公式为：
（16）；
（17）；
其中，x，y表示像素点，是对应尺度的尺度图像。
通过公式（16）、公式（17）计算关键点周围区域内的所有样本点的梯度值与方向；将方向分为若干个bins，使用高斯函数加权统计样本点的方向直方图，取最大峰值对应的bins，其就是关键点的方向。
S17：确定关键点描述符。
找得图像在不同尺度的关键点后，为了实现后续的分类或者匹配，需要获取关键点周围的特征。
将关键点附件半径为r的领域划分为的子区域，在每个子区域统计长度h（h=9）为的方向直方图，每个直方图作为一个种子点，获得一个长度为/>的向量。
然后，为保证旋转不变性，固定关键点的方向为相同方向，即将图像旋转使得关键点的方向为坐标轴x轴方向，再对旋转后的图像进行区域统计方向直方图。
坐标旋转后的值为：
（18）；
其中，是关键点方向与x坐标轴的夹角，顺时针旋转角度为负值，逆时针为正值。
其次，计算子区域内的像素的梯度，并按照进行高斯加权，并采用双线性插值法得到每个种子的八个方向的梯度。
再次，在方向直方图P处，方向o上的增量为：
（19）；
其中， 是p点周围旋转后的样本点，限制其距离在单位内，/>是/>的坐标，/>是高斯权重，/>分别是/>对该网络点在两个方向的影响率和所求方向上的影响率。
之后，区域大小的选择和高斯权重尺度的选择，每个子区域的选择和计算关键点方向时的区域大小一致，即，其中/>是图像在尺度空间的尺度。
再后，考虑到旋转的问题，为了避免旋转后半径为的区域内有部分是空的，在选的区域要能够在旋转后仍然后/>的区域检测到，每个子区域的半径为：
（20）；
所以，总体区域半径为：
（21）。
往后，为了去除光照影响：将关键点生成的特征向量归一化，计算公式如下：
（22）；
其中，是方差。
步骤S104：获取预设的脱敏信息库中类别对应的预存图像信息，确定预存图像信息的第二关键点描述符。
具体地，电子设备建立脱敏信息库的方法包括（步骤S21～步骤S26）；
步骤S21：基于大数据获取包括敏感文字的第一图像以及历史检查单图像中包括敏感文字的第二图像，改变第一图像和第二图像的清晰度和/或文字倾斜度，确定第三图像。
具体地，电子设备根据大数据获取包括敏感文字的第一图像，敏感文字包括姓名、病案号、门诊号等。进而，电子设备将用户输入的历史检查单，也作为脱敏信息库中的数据，截取历史检查单图像中包括敏感文字的第二图像。另一方面，为了丰富脱敏信息库中的数据，电子设备将获得的第一图像和第二图像进行处理，改变清晰度或文字清晰度，得到第三图像，也将第三图像保存于脱敏数据库中。
随着用户不断识别检查单图像，第二图像随之增加，脱敏数据库不断进行更新。
步骤S22：将第一图像、第二图像和第三图像确定为图库图片。
步骤S23：获取图库图片的清晰度和文字倾斜度。
进一步地，电子设备对图库图片进行分析，确定清晰度和文字清晰度。
步骤S24；根据清晰度和文字倾斜度对图库图片进行分类，分别确定多个清晰度以及文字倾斜度对应的类别，每个类别中包括至少一个图库图片。
具体地，图库图片的属性包括清晰度和文字倾斜度，进而可以将每个图库图片分别归类于对应清晰度和文字倾斜度的两个分类中，因此，电子设备对多个图库图片分类后，可以确定多个清晰度类别和文字清晰度类别，每个类别中对应保存图库图片。
步骤S25：确定每个图库图片及对应的第二关键点描述符为一个预存图像信息。
具体地，电子设备提取每个图库图片的关键点特征，确定第二关键点描述符，将图库图片与第二关键点描述符对应保存，确定预存图像信息。
步骤S26：根据每个类别对应的预存图像信息建立脱敏数据库。
因此，电子设备根据检查单图像的类别，在脱敏数据库中获取对应类别的预存图像信息。
步骤S105：将第一关键点描述符与各个第二关键点描述符对比，将第一关键点描述符与各个第二关键点描述符对比，确定第一图像中的敏感信息标题，确定敏感信息标题后的区域为需要脱敏的敏感区域。
具体地，电子设备将第一关键点描述符与第二关键点描述符对比，将第一关键点描述符作为共轭实体,将第二关键点描述符作为匹配实体，通过计算匹配实体之间的相似性测度以实现共轭实体配准的影像匹配方法，确定检查单图像中的敏感信息标题所在位置，将位于敏感信息标题后的区域确定为需要脱敏的敏感区域。
例如，敏感信息标题为姓名，则在检查单图像中确定姓名所在位置，将姓名后的区域确定为敏感区域。
步骤S106：在敏感区域进行数据脱敏。
具体地，电子设备将敏感区域上叠加空白图像，将敏感信息进行遮盖，包括（步骤S31～步骤S34）：
步骤S31：在文字区域建立坐标系。
步骤S32：基于坐标系确定敏感区域所在的坐标范围。
步骤S33：在敏感区域的最左边缘确定第一起始边和第二移动边，以第一起始边作为起点，向右平移第二移动边，直至第二移动边左侧预设距离均为空白，确定第一起始边和第二移动边之间的区域为待脱敏区域。
具体地，电子设备确定第一起始边和第二移动边的高度为敏感信息标题所在区域的最大高度，进而向右平移后，逐渐扩大待脱敏区域，使待脱敏区域不断涵盖敏感信息标题后的敏感信息，而当第二移动边左侧预设距离为空白，则可以预测待脱敏区域已经将敏感信息完全覆盖。
步骤S34：在待脱敏区域叠加空白图像。
具体地，叠加空白图像后，空白图像将敏感信息覆盖，进而完成数据脱敏。
在另一种可能的实现方式中，若脱敏信息库中不包括类别对应的预存图像信息，步骤S105确定需要脱敏的敏感区域，包括（步骤S41～步骤S43）：
步骤S41：获取至少一个相邻类别的预存图像信息。
具体地，脱敏信息库中的类别按照清晰度由高到低、文字倾斜度按照倾斜度数进行排列，进而可以确定至少一个相邻类别的预存图像信息。
步骤S42：将第一关键点描述符分别与相邻类别预存图像信息的第二关键点描述符对比，确定第一关键点描述符与各个第二关键点描述符的相似度。
具体地，电子设备将第一关键点描述符将第一关键点描述符作为共轭实体,将相邻类别预存图像信息的第二关键点描述符作为匹配实体，通过计算匹配实体之间的相似性测度确定第一关键点描述符与第二关键点描述符的相似度。
步骤S43：根据相似度最高的第二关键点描述符对应的预存图像信息与检查单图像的第一关键点描述符对比，确定敏感区域。
具体地，电子设备确定相似度后，按照相似度最高的对比结果确定敏感区域。
为了更好地执行上述方法，本申请实施例还提供一种医疗图像脱敏装置，参照图2，医疗图像脱敏装置200包括：
检查单图像获取模块201，用于获取检查单图像；
类别确定模块202，用于确定检查单图像的类别；
第一关键点描述符提取模块203，用于确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符；
第二关键点描述符确定模块204，用于获取预设的脱敏信息库中类别对应的预存图像信息，确定预存图像信息的第二关键点描述符；
敏感区域确定模块205，用于将第一关键点描述符与各个第二关键点描述符对比，确定第一图像中的敏感信息标题，确定敏感信息标题后的区域为需要脱敏的敏感区域；
脱敏模块206，用于在敏感区域进行数据脱敏。
进一步地，类别确定模块202，具体用于：
运用FFT确定检查单图像的清晰度；
运用训练好的神经网络模型确定检查单图像中文字的倾斜度。
进一步地，敏感区域确定模块205具体用于：
将第一关键点描述符作为共轭实体,将第二关键点描述符作为匹配实体，通过计算匹配实体之间的相似性测度以实现共轭实体配准的影像匹配方法，确定需要脱敏的敏感区域。
在另一种可能的实现方式中，医疗图像脱敏装置200还包括：
图像确定模块，用于基于大数据获取包括敏感文字的第一图像以及历史检查单图像中包括敏感文字的第二图像，改变第一图像和第二图像的清晰度和/或文字倾斜度，确定第三图像；
图库图片确定模块，用于将第一图像、第二图像和第三图像确定为图库图片；
清晰度和文字倾斜度获取模块，用于获取图库图片的清晰度和文字倾斜度；
分类模块，用于根据清晰度和文字倾斜度对图库图片进行分类，分别确定多个清晰度以及文字倾斜度对应的类别，每个类别中包括至少一个图库图片；
预存图像信息确定模块，用于确定每个图库图片及对应的第二关键点描述符为一个预存图像信息；
脱敏数据库确定模块，用于根据每个类别对应的预存图像信息建立脱敏数据库。
进一步地，敏感区域确定模块205确定第一图像中的敏感信息标题，具体用于：
获取至少一个相邻类别的预存图像信息；
将第一关键点描述符分别与相邻类别预存图像信息的第二关键点描述符对比，确定第一关键点描述符与各个第二关键点描述符的相似度；
根据相似度最高的第二关键点描述符对应的预存图像信息与检查单图像的第一关键点描述符对比，确定确定第一图像中的敏感信息标题。
脱敏模块206，具体用于：
在文字区域建立坐标系；
基于坐标系确定敏感区域所在的坐标范围；
在敏感区域的最左边缘确定第一起始边和第二移动边，以第一起始边作为起点，向右平移第二移动边，直至第二移动边左侧预设距离均为空白，确定第一起始边和第二移动边之间的区域为待脱敏区域；
在待脱敏区域叠加空白图像。
前述实施例中的方法中的各种变化方式和具体实例同样适用于本实施例的医疗图像脱敏装置，通过前述对医疗图像脱敏方法的详细描述，本领域技术人员可以清楚的知道本实施例中的医疗图像脱敏装置的实施方法，所以为了说明书的简洁，在此不再详述。
为了更好地实施以上方法，本申请实施例提供一种电子设备，参照图3，电子设备300包括：处理器301、存储器303和显示屏305。其中，存储器303、显示屏305均与处理器301相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
图3示出的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时实现上述实施例提供的医疗图像脱敏方法，获取检查单图像，分析检查单图像的类别，确定检查单图像中的文字区域，提取文字区域对应的第一图像的第一关键点描述符，进而获取脱敏数据库中对应类别的预存图像信息，确定预存图像信息的第二关键点描述符，将第一关键点描述符与第二关键点描述符对比，确定第一图像中的敏感信息标题，从而确定标题后的区域为敏感区，进而便于在敏感区域数据脱敏。因此通过分类对比，减小用于对比的预存图像信息数量，减小计算量，提高脱敏效率。
本实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。具体的，计算机可读存储介质可以是便携式计算机盘、硬盘、U盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、讲台随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、光盘、磁碟、机械编码设备以及上述任意组合。
本实施例中的计算机程序包含用于执行前述所有的方法的程序代码，程序代码可包括对应执行上述实施例提供的方法步骤对应的指令。计算机程序可从计算机可读存储介质下载到各个计算/处理设备，或者通过网络（例如因特网、局域网、广域网和/或无线网）下载到外部计算机或外部存储设备。计算机程序可完全地在用户计算机上执行、作为一个独立的软件包执行。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
另外，需要理解的是，诸如第一和第二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者操作区分开来，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。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。
Claims (8)
1.一种医疗图像脱敏方法，其特征在于，包括：
获取检查单图像；
确定所述检查单图像的类别；
确定所述检查单图像中的文字区域，提取所述文字区域对应的第一图像的第一关键点描述符；获取预设的脱敏信息库中所述类别对应的预存图像信息，确定所述预存图像信息的第二关键点描述符；
将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，确定所述敏感信息标题后的区域为需要脱敏的敏感区域；
在所述敏感区域进行数据脱敏；
所述类别包括清晰度和倾斜度，所述确定所述检查单图像的类别，包括：
运用FFT确定检查单图像的清晰度；
运用训练好的神经网络模型确定所述检查单图像中文字的倾斜度；
所述方法还包括：
基于大数据获取包括敏感文字的第一图像以及历史检查单图像中包括敏感文字的第二图像，改变所述第一图像和第二图像的清晰度和/或文字倾斜度，确定第三图像；
将所述第一图像、所述第二图像和所述第三图像确定为图库图片；
获取所述图库图片的清晰度和文字倾斜度；
根据所述清晰度和所述文字倾斜度对所述图库图片进行分类，分别确定多个清晰度以及文字倾斜度对应的类别，每个类别中包括至少一个图库图片；
确定每个所述图库图片及对应的第二关键点描述符为一个预存图像信息；
根据每个类别对应的预存图像信息建立脱敏数据库。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，包括：
将第一关键点描述符作为共轭实体,将所述第二关键点描述符作为匹配实体，通过计算匹配实体之间的相似性测度以实现共轭实体配准的影像匹配方法，确定第一图像中的敏感信息标题。
3.根据权利要求1所述的方法，其特征在于，若所述脱敏信息库中不包括所述类别对应的预存图像信息，所述确定第一图像中的敏感信息标题，包括：
获取至少一个相邻类别的预存图像信息；
将所述第一关键点描述符分别与相邻类别预存图像信息的第二关键点描述符对比，确定第一关键点描述符与各个第二关键点描述符的相似度；
根据相似度最高的第二关键点描述符对应的预存图像信息与所述检查单图像的第一关键点描述符对比，确定第一图像中的敏感信息标题。
4.根据权利要求1所述的方法，其特征在于，所述提取所述文字区域对应的第一图像的第一图像描述符，包括：
S11：尺度空间极值检测，获取尺度空间,构建图像金字塔，包括：
基于对小的关键点使用小的窗口，对大的关键点使用大的窗口的原则，使用尺度空间滤波器，采用唯一可产生多尺度空间的核函数的高斯核；
定义一个图像的尺度空间L(x,y,z),如下：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)；
其中，(x,y)代表图像的像素位置，I(x,y)表示原始图像，*表示卷积运算,G(x,y,σ)表示高斯函数，σ是尺度空间因子，是高斯正态分布的标准差，反映了图像被模糊的程度，其值越大图像越模糊，对应的尺度也就越大；
不同图像的尺度空间构成图像高斯金字塔，通过公式(1)、(2)函数对图像进行模糊以及降采样得到若干组图像，不同组包括若干层图像，其中，高斯金字塔的组数计算公式如下：
o＝[log2 min(m，n)]-a (3)；
其中，o表示高斯金字塔的组数，m，n分别是原始图像的行和列；系数a是0-log2 min(m，n)之间的任意值；
由公式(4)关系得到高斯滤波参数σ：
其中,s是所在的层，σ0是初始尺度，s是每组的层数，o为所在的组数；之后，确定同组内相邻层的图像尺度间的关系：
确定相邻组之间的关系：
σo+1＝2σo (6)；
S12：构建图像高斯差分金字塔；图像沿着尺度轴做高斯差分，获得尺度空间上尺度轴上的梯度极值，采用dog函数计算梯度极值，在高斯金字塔中每个组中相邻两层使用dog函数构成高斯差分金字塔，DOG函数如下：
D(x,y,σ)＝L(x,y,kσ)- L(x,y,σ) (7)；
S13：寻找极值点，在DOG空间中寻找极值，极值比设定周围点都大或者都小的点认为是关键点；
S14：特征点过滤与关键点定位；
去除小的极值，为了获得更加准确的关键点位置，将每个关键点的每小段DOG函数进行泰勒二次展开：
其中，X＝(x，y，σ)T,σ是高斯滤波参数，x，y是图像像素点；
然后，对公式(8)求极值，并令公式(8)导数为零得到极值点
其次，对公式(9)得到极值点处的极值：/>
并剔除的极值点，以去除边缘噪声，即剔除山脊线；
S15：通过Hessian矩阵刻画该公式(9)极值点周围的变化趋势，协方差矩阵的特征值对应着在特征向量方向上的投影，Hessian矩阵的特征值和特征值所在特征向量方向上的曲率成正比；
通过二阶差分公式(11)计算得到Hessian矩阵：
其中，Dxx，Dxy，Dyx，Dyy表示DOG函数关于像素点x，y二阶偏导数；
计算特征值的比值，获得特征值在特征向量方向的变化趋势；
假设两个特征值分别为α，β，则：
Tr(H)＝Dxx+Dyy＝α+β (12)；
Det(H)＝DxxDyy-(Dxy)2＝αβ (13)；
其中,Tr(H)，Det(H)分别是矩阵的迹和矩阵的行列式；
设α为大的特征值，并且α＝γβ，其中，γ>1，则
其中，Tr(H)，Det(H)分别是矩阵的迹和矩阵的行列式，γ是α，β的比值；
当γ＝1是最小，当/>越大时，对应的γ越大，将γ>γ0的点剔除，其中，γ0＝10；
S16：方向确定：
根据检测到的关键点所在的高斯尺度图像的领域结构中确认关键点的方向；
对于任意一个关键点，采集所在高斯金字塔图像以r为半径的区域内所有像素的梯度特征，半径r为：
r＝3×1.5σ (15)；
梯度幅度m(x，y)和方向θ(x，y)的计算公式为：
其中，x，y表示像素点，L(x，y)是对应尺度的尺度图像；
通过公式(16)、公式(17)计算关键点周围区域内的所有样本点的梯度值与方向；将方向分为若干个bins，使用高斯函数加权统计样本点的方向直方图，取最大峰值对应的bins，其就是关键点的方向；
S17：确定关键点描述符；
找得图像在不同尺度的关键点后，获取关键点周围的特征；
将关键点附件半径为r的领域划分为d×d的子区域，其中，d＝4，在每个子区域统计长度h为的方向直方图，其中，h＝9，每个直方图作为一个种子点，获得一个长度为r2/d2*h的向量；
固定关键点的方向为相同方向，将图像旋转使得关键点的方向为坐标轴x轴方向，再对旋转后的图像进行区域统计方向直方图；
坐标旋转后的值为：
其中，θ是关键点方向与x坐标轴的夹角，顺时针旋转角度为负值，逆时针为正值；
计算子区域内的像素的梯度，并按照σ＝0.5d进行高斯加权，并采用双线性插值法得到每个种子的八个方向的梯度；
在方向直方图P处，方向o上的增量为：
/>
其中，pi是p点周围旋转后的样本点，限制其距离在单位内，(xi’,yi’)是pi的坐标，G(·)是高斯权重，dri，dci，doi分别是pi对该网络点在两个方向的影响率和所求方向上的影响率；区域大小的选择和高斯权重尺度的选择，每个子区域的选择和计算关键点方向时的区域大小一致，即r＝3×1.5σ，其中σ是图像在尺度空间的尺度；
避免旋转后半径为r＝3×1.5σ的区域内有部分是空的，在选的区域要能够在旋转后仍然后r2的区域检测到，每个子区域的半径为：
总体区域半径为：
将关键点生成的特征向量H＝(h1,h2,…,h128)归一化，计算公式如下：
其中，D(·)是方差。
5.根据权利要求1所述的方法，其特征在于，所述在所述敏感区域进行数据脱敏包括：
在所述文字区域建立坐标系；
基于所述坐标系确定敏感区域所在的坐标范围；
在所述敏感区域的最左边缘确定第一起始边和第二移动边，以所述第一起始边作为起点，向右平移所述第二移动边，直至第二移动边左侧预设距离均为空白，确定所述第一起始边和所述第二移动边之间的区域为待脱敏区域；
在所述待脱敏区域叠加空白图像。
6.一种医疗图像脱敏装置，其特征在于，包括：
检查单图像获取模块，用于获取检查单图像；
类别确定模块，用于确定所述检查单图像的类别；
第一关键点描述符提取模块，用于确定所述检查单图像中的文字区域，提取所述文字区域对应的第一图像的第一关键点描述符；
第二关键点描述符确定模块，用于获取预设的脱敏信息库中所述类别对应的预存图像信息，确定所述预存图像信息的第二关键点描述符；
敏感区域确定模块，用于将所述第一关键点描述符与各个所述第二关键点描述符对比，确定第一图像中的敏感信息标题，确定所述敏感信息标题后的区域为需要脱敏的敏感区域；
脱敏模块，用于在所述敏感区域进行数据脱敏；
所述类别确定模块，具体用于：
运用FFT确定检查单图像的清晰度；
运用训练好的神经网络模型确定检查单图像中文字的倾斜度；
还包括：
图像确定模块，用于基于大数据获取包括敏感文字的第一图像以及历史检查单图像中包括敏感文字的第二图像，改变第一图像和第二图像的清晰度和/或文字倾斜度，确定第三图像；图库图片确定模块，用于将第一图像、第二图像和第三图像确定为图库图片；
清晰度和文字倾斜度获取模块，用于获取图库图片的清晰度和文字倾斜度；
分类模块，用于根据清晰度和文字倾斜度对图库图片进行分类，分别确定多个清晰度以及文字倾斜度对应的类别，每个类别中包括至少一个图库图片；
预存图像信息确定模块，用于确定每个图库图片及对应的第二关键点描述符为一个预存图像信息；
脱敏数据库确定模块，用于根据每个类别对应的预存图像信息建立脱敏数据库。
7.一种电子设备，其特征在于，包括：
至少一个处理器；
存储器；
至少一个计算机程序，其中所述至少一个计算机程序被存储在所述存储器中并被配置为由所述至少一个处理器执行，所述至少一个计算机程序配置用于：执行如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至5中任一项所述的方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395134.3A CN117633867B (zh) | 2023-10-26 | 2023-10-26 | 医疗图像脱敏方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311395134.3A CN117633867B (zh) | 2023-10-26 | 2023-10-26 | 医疗图像脱敏方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633867A CN117633867A (zh) | 2024-03-01 |
| CN117633867B true CN117633867B (zh) | 2024-06-14 |
Family
ID=90031107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311395134.3A Active CN117633867B (zh) | 2023-10-26 | 2023-10-26 | 医疗图像脱敏方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633867B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114297720A (zh) * | 2021-12-31 | 2022-04-08 | 零氪科技（北京）有限公司 | 一种图像脱敏方法、装置、电子设备及存储介质 |
| CN114822781A (zh) * | 2022-04-24 | 2022-07-29 | 唐山启奥科技股份有限公司 | 基于检查图像的医疗图像脱敏方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013061505A1 (en) * | 2011-10-25 | 2013-05-02 | Sony Corporation | Image processing apparatus, method and computer program product |
| CN109376518A (zh) * | 2018-10-18 | 2019-02-22 | 深圳壹账通智能科技有限公司 | 基于人脸识别的防止隐私泄露方法及相关设备 |
| CN109872284A (zh) * | 2019-01-18 | 2019-06-11 | 平安普惠企业管理有限公司 | 图像信息脱敏方法、装置、计算机设备及存储介质 |
| CN111695605B (zh) * | 2020-05-20 | 2024-05-10 | 平安科技（深圳）有限公司 | 基于oct图像的图像识别方法、服务器及存储介质 |
| KR102229035B1 (ko) * | 2020-06-23 | 2021-03-17 | 주식회사 우리홈쇼핑 | 민감정보를 마스킹하는 방법 및 디바이스 |
| CN112001282A (zh) * | 2020-08-12 | 2020-11-27 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种图像识别方法 |
| EP3975125A1 (en) * | 2020-09-24 | 2022-03-30 | Koninklijke Philips N.V. | Anonymous fingerprinting of medical images |
| CN113762280A (zh) * | 2021-04-23 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 一种图像类别识别方法、装置及介质 |
| US11687534B2 (en) * | 2021-06-17 | 2023-06-27 | Huawei Technologies Co., Ltd. | Method and system for detecting sensitive data |
| CN114758145A (zh) * | 2022-03-08 | 2022-07-15 | 深圳集智数字科技有限公司 | 一种图像脱敏方法、装置、电子设备及存储介质 |
| CN115618371B (zh) * | 2022-07-11 | 2023-08-04 | 上海期货信息技术有限公司 | 一种非文本数据的脱敏方法、装置及存储介质 |
| CN115690934A (zh) * | 2023-01-05 | 2023-02-03 | 武汉利楚商务服务有限公司 | 基于批量人脸识别的师生考勤打卡方法及装置 |
| CN116186770A (zh) * | 2023-02-14 | 2023-05-30 | 重庆长安汽车股份有限公司 | 图像脱敏方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-26 CN CN202311395134.3A patent/CN117633867B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114297720A (zh) * | 2021-12-31 | 2022-04-08 | 零氪科技（北京）有限公司 | 一种图像脱敏方法、装置、电子设备及存储介质 |
| CN114822781A (zh) * | 2022-04-24 | 2022-07-29 | 唐山启奥科技股份有限公司 | 基于检查图像的医疗图像脱敏方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633867A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Riaz et al. | Texture classification using rotation-and scale-invariant gabor texture features | |
| JP4605445B2 (ja) | 画像処理装置および方法、記録媒体、並びにプログラム | |
| US8798377B2 (en) | Efficient scale-space extraction and description of interest points | |
| US20090245638A1 (en) | Method And Apparatus For Region-Based Segmentation Image Processing Using Region Mapping | |
| US8923623B2 (en) | Method and apparatus for acquiring descriptive information of a plurality of images and image matching method | |
| CN110348511A (zh) | 一种图片翻拍检测方法、系统及电子设备 | |
| US20170032217A1 (en) | Online per-feature descriptor customization | |
| US8027978B2 (en) | Image search method, apparatus, and program | |
| Govindaraj et al. | A new 2D shape retrieval scheme based on phase congruency and histogram of oriented gradients | |
| Wang et al. | Superpixel-level target discrimination for high-resolution SAR images in complex scenes | |
| JP7469341B2 (ja) | 非偏向分類のためのパラメータサイズ不変分類器を利用してデータを分類する方法およびシステム | |
| CN114822781A (zh) | 基于检查图像的医疗图像脱敏方法 | |
| Badura et al. | Advanced scale-space, invariant, low detailed feature recognition from images-car brand recognition | |
| CN117633867B (zh) | 医疗图像脱敏方法、装置、电子设备及可读存储介质 | |
| Nanni et al. | Ensemble of shape descriptors for shape retrieval and classification | |
| CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
| CN106557772B (zh) | 用于提取局部特征子的方法、装置及图像处理方法 | |
| Juvela | Template matching method for the analysis of interstellar cloud structure | |
| CN114708420A (zh) | 基于局部方差和后验概率分类器的视觉定位方法及装置 | |
| Dolly et al. | Image retrieval based on texture using local binary pattern and local phase quantization | |
| Frery | Stochastic contrast measures for SAR data: A survey | |
| JPWO2015178001A1 (ja) | 画像照合システム、画像照合方法、およびプログラムを記憶する記録媒体 | |
| de Mesquita Sá et al. | A simplified gravitational model for texture analysis | |
| CN113077410A (zh) | 图像检测方法、装置方法、芯片及计算机可读存储介质 | |
| US12032892B2 (en) | Semiconductor layout context around a point of interest |
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 |