CN103324852A - 基于特征匹配的四模态医学影像诊断*** - Google Patents
基于特征匹配的四模态医学影像诊断*** Download PDFInfo
- Publication number
- CN103324852A CN103324852A CN201310254378XA CN201310254378A CN103324852A CN 103324852 A CN103324852 A CN 103324852A CN 201310254378X A CN201310254378X A CN 201310254378XA CN 201310254378 A CN201310254378 A CN 201310254378A CN 103324852 A CN103324852 A CN 103324852A
- Authority
- CN
- China
- Prior art keywords
- vector
- module
- feature database
- pet
- feature
- 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
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于特征匹配的四模态医学影像诊断***,包括:CT图像设备、PET图像设备、SPET图像设备、FMI图像设备、图像采集模块、网络通信模块和终端处理器,图像采集模块输入端分别与CT图像设备、PET图像设备、SPET图像设备、FMI图像设备连接,输出端连接网络通信模块,图像采集模块采集CT、PET、SPET、FMI四模态医学影像,并将四路图像信号封装成一个视频流发送至网络通信模块,网络通信模块分别与图像采集模块和终端处理器连接,用以将接收到的视频流发送至终端处理器,终端处理器通过对医学图像与特征库的相似度检测来诊断疾病。本发明具有准确度高,误诊、漏诊率小的优点,具有广阔的应用前景。
Description
技术领域
本发明涉及医学图像诊断技术领域,具体地,涉及一种基于特征匹配的四模态医学影像诊断***。
背景技术
CT、PET图像是对病人的疾病进行诊断的重要依据,由于CT、PET检查通常是对患者的全身进行检查,因此获得的图像数据量很大。目前,对于拍摄完成的CT、PET图像,都是由医生直接通过肉眼观察进行疾病诊断,医生在进行诊断时,由于图像数据量大,加上人眼对图像的识别能力有限,不可避免的会出现误诊、漏诊等各种情况,对患者治疗的准确性留下了很大的隐患。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于特征匹配的四模态医学影像诊断***。
根据本发明的一个方面,提供一种基于特征匹配的四模态医学影像诊断***,包括:CT图像设备、PET图像设备、SPET图像设备、FMI图像设备、图像采集模块、网络通信模块和终端处理器,图像采集模块输入端分别与CT图像设备、PET图像设备、SPET图像设备、FMI图像设备连接,输出端连接网络通信模块,图像采集模块采集CT、PET、SPET、FMI四模态医学影像,并将四路图像信号封装成一个视频流发送至网络通信模块,网络通信模块分别与图像采集模块和终端处理器连接,用以将接收到的视频流发送至终端处理器,终端处理器进一步包括:
解码模块:用以对视频流图像信号进行解码处理,解包分离出CT、PET、SPET、FMI四模态医学影像信号发送至图像显示模块;
图像显示模块:与解码模块连接,用以显示接收到的CT、PET、SPET、FMI四模态医学影像信号;
特征库模块:存储由医学专家对相关特征明显的病例进行手工标注并且注明的患病情况,并自动提取该患病区域的病理图像特征,按照该特征建立待匹配的特征向量列表并且计算出相关阈值条件并存储;
特征提取模块:与解码模块连接,用以对采集到的CT、PET、SPET、FMI四模态医学影像信号进行特征提取,通过PET、SPET、FMI三个模态的医学影像信息来确定病变区域,并且找出该病变区域CT图像的层数,对该区域进行特征的提取,提取的特征向量列表和特征库模块中的一致;
特征匹配模块:分别与特征提取模块和特征库模块连接,用以选取五组特征库向量建立匹配算子对提取的病变区域的特征向量和特征库模块存储的特征向量进行匹配计算;
相似度判别模块:按照特征匹配模块选出的五组特征库向量,将相关的比例查找出来,并且计算出相似度算子;
病理诊断模块:按照阈值条件给出相似度最大的病例情况,并且按照向量的特征值给出患病的程度。
优选地,该基于特征匹配的四模态医学影像诊断***还包括:特征库更新模块,特征库更新模块与特征库模块连接,用以导入新的特征病理,更新原始的特征库模块存储的特征库向量并且计算出新的阈值条件。
优选地,特征匹配模块匹配前先对向量进行归一化操作,并且计算向量的SSD(平方差和)系数,找出SSD值最小的特征库向量,并按照由小到大的顺序选出五组特征库向量对应的病例。
优选地,相似度算子的计算公式为:1-SSD/N,其中,N为向量的维数,SSD为向量的平方差和系数,按照相似度大小依次显示出相关病例。
优选地,归一化操作包括:对特征库模块存储的N维特征向量,计算每一个维度特征值的最小值和最大值,最大值为Vector_Max(i),最小值为Vector_Min(i),其中i代表第i维特征向量,假设第i维特征向量值为Vector(i),则归一化后的值为Normalization(i)=(Vector(i)-Vector_Min(i))/(Vector_Max(i)-Vector_Min(i));则归一化后的向量值范围为0~1。
优选地,特征库向量包括:面积、长度、长宽比、圆率、灰度均值、纹理共生矩阵以及纹理二阶矩。
优选地,五组特征库向量是按照由大到小从特征库中存储的特征库向量中选出5个向量。
与现有技术相比,本发明具有如下的有益效果:本发明依据CT图像、PET图像、SPET图像和FMI图像建立基于四模态医学影像自动诊断疾病的诊断***,通过布置在图像获取设备上的网络***采集病人的医学影像,通过对医学图像与特征库的相似度检测来诊断疾病,充分利用计算机***弥补了人工诊断的诸多缺陷。具备准确度高,误诊、漏诊率小的优点,具有广阔的应用前景。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于特征匹配的四模态医学影像诊断***的结构原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
请参阅图1,一种基于特征匹配的四模态医学影像诊断***,包括:CT图像设备、PET图像设备、SPET图像设备、FMI图像设备、图像采集模块、网络通信模块和终端处理器,图像采集模块输入端分别与CT图像设备、PET图像设备、SPET图像设备、FMI图像设备连接,输出端连接网络通信模块,图像采集模块采集CT、PET、SPET、FMI四模态医学影像,并将四路图像信号封装成一个视频流发送至网络通信模块,网络通信模块分别与图像采集模块和终端处理器连接,用以将接收到的视频流发送至终端处理器,终端处理器进一步包括:
解码模块:用以对视频流图像信号进行解码处理,解包分离出CT、PET、SPET、FMI四模态医学影像信号发送至图像显示模块;
图像显示模块:与解码模块连接,用以显示接收到的CT、PET、SPET、FMI四模态医学影像信号;
特征库模块:存储由医学专家对相关特征明显的病例进行手工标注并且注明的患病情况,并自动提取该患病区域的病理图像特征,按照该特征建立待匹配的特征向量列表并且计算出相关阈值条件并存储;
特征提取模块:与解码模块连接,用以对采集到的CT、PET、SPET、FMI四模态医学影像信号进行特征提取,通过PET、SPET、FMI三个模态的图像信息来确定病变区域,并且找出该病变区域CT图像的层数,对该区域进行特征的提取,提取的特征向量列表和特征库模块中的一致;
特征匹配模块:分别与特征提取模块和特征库模块连接,用以选取五组特征库向量建立匹配算子对提取的病变区域的特征向量和特征库模块存储的特征向量进行匹配计算;
相似度判别模块:按照特征匹配模块选出的五组特征库向量,将相关的比例查找出来,并且计算出相似度算子;
病理诊断模块:按照阈值条件给出相似度最大的病例情况,并且按照向量的特征值给出患病的程度。
进一步地,该基于特征匹配的四模态医学影像诊断***还包括:特征库更新模块,特征库更新模块与特征库模块连接,用以导入新的特征病理,更新原始的特征库模块存储的特征库向量并且计算出新的阈值条件。
进一步地,特征匹配模块匹配前先对向量进行归一化操作,并且计算向量的SSD(平方差和)系数,找出SSD值最小的特征库向量,并按照由小到大的顺序选出五组特征库向量对应的病例。
进一步地,相似度算子的计算公式为:1-SSD/N,其中,N为向量的维数,SSD为向量的平方差和系数,按照相似度大小依次显示出相关病例。
进一步地,归一化操作包括:对特征库模块存储的N维特征向量,计算每一个维度特征值的最小值和最大值,最大值为Vector_Max(i),最小值为Vector_Min(i),其中i代表第i维特征向量,假设第i维特征向量值为Vector(i),则归一化后的值为Normalization(i)=(Vector(i)-Vector_Min(i))/(Vector_Max(i)-Vector_Min(i));则归一化后的向量值范围为0~1。
进一步地,特征库向量包括:面积、长度、长宽比、圆率、灰度均值、纹理共生矩阵以及纹理二阶矩。
进一步地,五组特征库向量是按照由大到小从特征库中存储的特征库向量中选出5个向量。
具体地,本发明的工作过程为:先由图像采集模块采集CT、PET、SPET、FMI四模态医学影像,通过图像采集模块的图像采集板卡把四路图像信号封装成一个视频流,通过网络通信模块传输到终端处理器上。终端处理器上运行四模态病理诊断程序,对视频流的图像信号进行解包,分离出四模态的信号进行显示。特征库模块是建立初始特征分析的匹配向量,由医学专家对相关特征明显的病例进行手工标注并且注明患病情况,运行特征库模块则自动提取该患病区域的病理图像特征,按照该特征建立待匹配的特征向量列表并且计算出相关阈值条件,放入特征库中。特征库更新模块是用户导入新的特征病理时,可以更新原始的特征库向量并且计算出新的阈值条件,这样保证特征库可以不断地完善。特征提取模块是对用户采集到的四模态图像信号进行特征的提取,通过PET、SPET、FMI三个模态的图像信息来确定病变区域,并且找出该病变区域CT图像的层数,对该区域进行特征的提取,提取的特征向量列表和特征库中的一致。特征匹配模块是通过建立的匹配算子对提取的病变区域的特征向量和特征库的向量进行匹配计算,匹配前向量需要进行归一化的操作,并且计算向量的SSD系数(平方差和),找出SSD值最小的特征库向量,并且进行按照由小到大的顺序选出五组特征库向量对应的病例。相似度判别模块按照前面选出的五组特征库向量,把相关的比例查找出来,并且计算出相似度算子,计算公式为1-SSD/N(N为向量的维数),按照相似度大小依次显示出相关病例。病理诊断模块按照阈值条件给出相似度最大的病例情况,并且按照向量的特征值,给出患病的程度,如果相似度过小则判定为正常。
本发明依据CT图像、PET图像、SPET图像和FMI图像建立基于四模态医学影像自动诊断疾病的诊断***,通过布置在图像获取设备上的网络***采集病人的医学影像,通过对医学图像与特征库的相似度检测来诊断疾病,充分利用计算机弥补了人工诊断的诸多缺陷。具备准确度高,误诊、漏诊率小等优点,具有广阔的应用前景。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (7)
1.一种基于特征匹配的四模态医学影像诊断***,其特征在于,包括:CT图像设备、PET图像设备、SPET图像设备、FMI图像设备、图像采集模块、网络通信模块和终端处理器,所述图像采集模块输入端分别与所述CT图像设备、PET图像设备、SPET图像设备、FMI图像设备连接,输出端连接所述网络通信模块,所述图像采集模块采集CT、PET、SPET、FMI四模态医学影像,并将CT、PET、SPET、FMI四模态医学影像对应的四路图像信号封装成一个视频流发送至所述网络通信模块,所述网络通信模块分别与所述图像采集模块和终端处理器连接,用以将接收到的视频流发送至所述终端处理器,所述终端处理器进一步包括:
解码模块:用以对视频流图像信号进行解码处理,解包分离出CT、PET、SPET、FMI四模态医学影像信号发送至图像显示模块;
图像显示模块:与所述解码模块连接,用以显示接收到的CT、PET、SPET、FMI四模态医学影像信号;
特征库模块:存储由医学专家对相关特征明显的病例进行手工标注并且注明的患病情况,并自动提取该患病区域的病理图像特征,按照该特征建立待匹配的特征向量列表并且计算出相关阈值条件并存储;
特征提取模块:与所述解码模块连接,用以对采集到的CT、PET、SPET、FMI四模态医学影像信号进行特征提取,通过PET、SPET、FMI三个模态的图像信息来确定病变区域,并且找出该病变区域CT图像的层数,对该区域进行特征的提取,提取的特征向量列表和特征库模块中的一致;
特征匹配模块:分别与所述特征提取模块和特征库模块连接,用以选取五组特征库向量建立匹配算子对提取的病变区域的特征向量和特征库模块存储的特征向量进行匹配计算;
相似度判别模块:按照特征匹配模块选出的五组特征库向量,将相关的比例查找出来,并且计算出相似度算子;
病理诊断模块:按照阈值条件给出相似度最大的病例情况,并且按照向量的特征值给出患病的程度。
2.根据权利要求1所述的基于特征匹配的四模态医学影像诊断***,其特征在于,还包括:特征库更新模块,所述特征库更新模块与所述特征库模块连接,用以导入新的特征病理,更新原始的特征库模块存储的特征库向量并且计算出新的阈值条件。
3.根据权利要求1所述的基于特征匹配的四模态医学影像诊断***,其特征在于,所述特征匹配模块匹配前先对向量进行归一化操作,并且计算向量的SSD系数,找出SSD值最小的特征库向量,并按照由小到大的顺序选出五组特征库向量对应的病例。
4.根据权利要求1所述的基于特征匹配的四模态医学影像诊断***,其特征在于,所述相似度算子的计算公式为:1-SSD/N,其中,N为向量的维数,SSD为向量的平方差和系数,按照相似度大小依次显示出相关病例。
5.根据权利要求3所述的基于特征匹配的四模态医学影像诊断***,其特征在于,所述归一化操作包括:对特征库模块存储的N维特征向量,计算每一个维度特征值的最小值和最大值,最大值为Vector_Max(i),最小值为Vector_Min(i),其中i代表第i维特征向量,假设第i维特征向量值为Vector(i),则归一化后的值为Normalization(i)=(Vector(i)-Vector_Min(i))/(Vector_Max(i)-Vector_Min(i));则归一化后的向量值范围为0~1。
6.根据权利要求1所述的基于特征匹配的四模态医学影像诊断***,其特征在于,所述特征库向量包括:面积、长度、长宽比、圆率、灰度均值、纹理共生矩阵以及纹理二阶矩。
7.根据权利要求6所述的基于特征匹配的四模态医学影像诊断***,其特征在于,所述五组特征库向量是按照由大到小从特征库中存储的特征库向量中选出5个向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310254378XA CN103324852A (zh) | 2013-06-25 | 2013-06-25 | 基于特征匹配的四模态医学影像诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310254378XA CN103324852A (zh) | 2013-06-25 | 2013-06-25 | 基于特征匹配的四模态医学影像诊断*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103324852A true CN103324852A (zh) | 2013-09-25 |
Family
ID=49193591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310254378XA Pending CN103324852A (zh) | 2013-06-25 | 2013-06-25 | 基于特征匹配的四模态医学影像诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103324852A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318500A (zh) * | 2014-10-29 | 2015-01-28 | 无锡中盛医疗设备有限公司 | 一种医疗影像工作站 |
TWI511072B (zh) * | 2014-02-10 | 2015-12-01 | Ind Tech Res Inst | 病理資料處理裝置以及方法 |
CN105118068A (zh) * | 2015-09-29 | 2015-12-02 | 常熟理工学院 | 一种小样本条件下医学图像自动标注方法 |
CN108288499A (zh) * | 2018-01-22 | 2018-07-17 | 沈阳东软医疗***有限公司 | 一种自动分诊方法及装置 |
CN110348477A (zh) * | 2019-06-04 | 2019-10-18 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、存储介质及计算机设备 |
CN111640480A (zh) * | 2020-05-21 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 医学报告生成方法、计算机设备和存储介质 |
CN111930992A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
CN113314202A (zh) * | 2020-02-26 | 2021-08-27 | 张瑞明 | 基于大数据来处理医学影像的*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201200423Y (zh) * | 2008-04-30 | 2009-03-04 | 深圳市蓝韵实业有限公司 | 一种医学超声数字视频图像输出装置 |
CN101669815A (zh) * | 2009-09-22 | 2010-03-17 | 广东威创视讯科技股份有限公司 | 一种医学切片远程诊断的***及其网络传输方法 |
US20100272338A1 (en) * | 2007-12-21 | 2010-10-28 | Koninklijke Philips Electronics N.V. | Method and system for cross-modality case-based computer-aided diagnosis |
CN102164273A (zh) * | 2011-04-20 | 2011-08-24 | 上海交通大学 | 手术室医学信息重构与交互*** |
-
2013
- 2013-06-25 CN CN201310254378XA patent/CN103324852A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272338A1 (en) * | 2007-12-21 | 2010-10-28 | Koninklijke Philips Electronics N.V. | Method and system for cross-modality case-based computer-aided diagnosis |
CN201200423Y (zh) * | 2008-04-30 | 2009-03-04 | 深圳市蓝韵实业有限公司 | 一种医学超声数字视频图像输出装置 |
CN101669815A (zh) * | 2009-09-22 | 2010-03-17 | 广东威创视讯科技股份有限公司 | 一种医学切片远程诊断的***及其网络传输方法 |
CN102164273A (zh) * | 2011-04-20 | 2011-08-24 | 上海交通大学 | 手术室医学信息重构与交互*** |
Non-Patent Citations (2)
Title |
---|
卢小泉等: "《化学计量学研究方法》", 30 April 2013, 科学出版社 * |
黎维娟: ""多模态影像脑部疾病检索研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI511072B (zh) * | 2014-02-10 | 2015-12-01 | Ind Tech Res Inst | 病理資料處理裝置以及方法 |
CN104318500A (zh) * | 2014-10-29 | 2015-01-28 | 无锡中盛医疗设备有限公司 | 一种医疗影像工作站 |
CN105118068A (zh) * | 2015-09-29 | 2015-12-02 | 常熟理工学院 | 一种小样本条件下医学图像自动标注方法 |
CN105118068B (zh) * | 2015-09-29 | 2017-12-05 | 常熟理工学院 | 一种小样本条件下医学图像自动标注方法 |
CN108288499B (zh) * | 2018-01-22 | 2021-08-06 | 东软医疗***股份有限公司 | 一种自动分诊方法及装置 |
CN108288499A (zh) * | 2018-01-22 | 2018-07-17 | 沈阳东软医疗***有限公司 | 一种自动分诊方法及装置 |
CN110348477A (zh) * | 2019-06-04 | 2019-10-18 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、存储介质及计算机设备 |
CN110348477B (zh) * | 2019-06-04 | 2021-10-22 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、存储介质及计算机设备 |
CN113314202A (zh) * | 2020-02-26 | 2021-08-27 | 张瑞明 | 基于大数据来处理医学影像的*** |
CN111640480A (zh) * | 2020-05-21 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 医学报告生成方法、计算机设备和存储介质 |
CN111640480B (zh) * | 2020-05-21 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 医学报告生成方法、计算机设备和存储介质 |
CN111930992A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
CN111930992B (zh) * | 2020-08-14 | 2022-10-28 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324852A (zh) | 基于特征匹配的四模态医学影像诊断*** | |
WO2020207377A1 (zh) | 一种图像识别模型训练及图像识别方法、装置及*** | |
KR102237441B1 (ko) | 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치 | |
US20220051405A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
EP3021753B1 (en) | Systems and methods for determining hepatic function from liver scans | |
US20210174505A1 (en) | Method and system for imaging and analysis of anatomical features | |
CN103324853A (zh) | 基于医学图像特征的相似度计算***及方法 | |
CN109460717B (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
WO2019098415A1 (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치 | |
CN110287862A (zh) | 基于深度学习的防偷拍检测方法 | |
Girgis et al. | An intelligent system to detect Crohn's disease inflammation in Wireless Capsule Endoscopy videos | |
CN115019049A (zh) | 基于深度神经网络的骨显像骨病灶分割方法、***及设备 | |
Chakraborty et al. | Chronic wound characterization using bayesian classifier under telemedicine framework | |
Jebarani et al. | Assessment of Crohn's disease lesions in Wireless Capsule Endoscopy images using SVM based classification | |
US20150199587A1 (en) | Image processing device, image processing method, and image processing program | |
Amiri et al. | A computer-aided method to detect bleeding frames in capsule endoscopy images | |
CN105512473A (zh) | 一种***镜图像的智能识别方法及装置 | |
CN108960305A (zh) | 一种内镜影像判定***及方法 | |
CN115050456A (zh) | 一种人工智能医学图像自动诊断***和方法 | |
Wang et al. | Computer aided endoscope diagnosis via weakly labeled data mining | |
WO2022041710A1 (zh) | 一种基于图像的运动检测方法 | |
Jia | Polyps auto-detection in wireless capsule endoscopy images using improved method based on image segmentation | |
Figueiredo et al. | An automatic blood detection algorithm for wireless capsule endoscopy images | |
Zhang et al. | Detection and retrieval of cysts in joint ultrasound b-mode and elasticity breast images | |
CN103345576B (zh) | 基于四模态医学影像的病例库诊断*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130925 |
|
RJ01 | Rejection of invention patent application after publication |