CN108876772A - 一种基于大数据的肺癌图像诊断***及方法 - Google Patents
一种基于大数据的肺癌图像诊断***及方法 Download PDFInfo
- Publication number
- CN108876772A CN108876772A CN201810567040.2A CN201810567040A CN108876772A CN 108876772 A CN108876772 A CN 108876772A CN 201810567040 A CN201810567040 A CN 201810567040A CN 108876772 A CN108876772 A CN 108876772A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- lung cancer
- big data
- profile
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30061—Lung
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明属于医疗诊断技术领域,公开了一种基于大数据的肺癌图像诊断***及方法,图像采集模块采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,进行具有单像素边缘的图像轮廓提取,获得用户图像数据信息;通过呼气采集模块采集用户呼出的气体;通过体温检测模块检测用户的体温数据。本发明的基于大数据的肺癌图像诊断方法可操作性强,图像诊断方法易进行。在实际中应用广泛,可应用于其他领域图像数据处理。本发明的图像诊断方法鲁棒性强;能够提高预测早期细胞肺癌的准确性;同时通过云服务模块可以大大提高诊断数据分析计算速度,提高诊断效率。
Description
技术领域
本发明属于医疗诊断技术领域,尤其涉及一种基于大数据的肺癌图像诊断***及方法。
背景技术
目前,业内常用的现有技术是这样的:
肺癌是发病率和死亡率增长最快,对人群健康和生命威胁最大的恶性肿瘤之一。近50年来许多国家都报道肺癌的发病率和死亡率均明显增高,男性肺癌发病率和死亡率均占所有恶性肿瘤的第一位,女性发病率占第二位,死亡率占第二位。肺癌的病因至今尚不完全明确,大量资料表明,长期大量吸烟与肺癌的发生有非常密切的关系。已有的研究证明:长期大量吸烟者患肺癌的概率是不吸烟者的10~20倍,开始吸烟的年龄越小,患肺癌的几率越高。此外,吸烟不仅直接影响本人的身体健康,还对周围人群的健康产生不良影响,导致被动吸烟者肺癌患病率明显增加。城市居民肺癌的发病率比农村高,这可能与城市大气污染和烟尘中含有致癌物质有关。因此应该提倡不吸烟,并加强城市环境卫生工作。然而,现有肺癌诊断图像数据不准确;同时肺癌诊断数据处理速度慢,诊断效率低。
基于计算机视觉的图像处理技术是以光学为基础,融合光电子学、计算机技术、图像处理技术等多门现代科学的综合技术。它通过处理被采集对象的图像得到其几何特征参数,而目标物体轮廓的提取则成为影响测量精度的主要因素。因此,在基于计算机视觉的测量***中,为保证测量精度选取合适的轮廓提取方法是非常重要的。
轮廓提取的基本方法是边缘检测法,即借助于空域微分算子进行,通过将模板与图像卷积完成。
经典的边缘检测方法是局部算子法,如梯度算子、Sobel算子、Roberts算子、Canny算子等,该方法具有实现简单、运算速度快等优点,但存在下述缺点:检测出来的边缘无法保证单像素宽,往往出现孤立的或仅仅是分小段连续的边缘。因此,需要进行细化处理,同时要设法将断续的边缘像素连接起来,这样才能完成轮廓提取。显然,这一处理过程过于复杂,提取的轮廓精度无法保证。在某些情况下,由于噪声的影响,甚至无法提取图像的轮廓。
综上所述,现有技术存在的问题是:
现有肺癌诊断图像数据不准确;同时肺癌诊断数据处理速度慢,诊断效率低。
现有的基于大数据的肺癌图像诊断方法可操作性差,图像诊断方法复杂。在实际中应用受限制。
传统边缘检测方法中存在抗干扰性弱、精度低等特点,不能满足医学工程图像技术的实际需要。
发明内容
针对现有技术存在的问题,本发明提供了一种基于大数据的肺癌图像诊断***及方法。
本发明是这样实现的,一种基于大数据的肺癌图像诊断方法,所述基于大数据的肺癌图像诊断方法包括以下步骤:
图像采集模块采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,进行具有单像素边缘的图像轮廓提取,获得用户图像数据信息;通过呼气采集模块采集用户呼出的气体;通过体温检测模块检测用户的体温数据;
中央控制模块调度气体成分检测模块将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
筛查模块检测血液样品中YKL-40和NSE的含量,分析判断图像病变风险;通过病理分析模块对检测的图像数据进行病理分析;
通过云服务模块集中大数据计算资源对检测数据信号s(t)进行非线性变换处理,其中A表示信号的幅度,a(m)表示信号的码元符号,p(t)表示成形函数,fc表示信号的载波频率,表示信号的相位;通过显示模块显示检测数据信息。
进一步,灰度阈值法进行图像分割的方法中,若图像f(x,y)的灰度区间为[Zmin,Zmax],在该区间内设定一个阈值Zt,且Zmin<Zt<Zmax,令图像中所有灰度值小于或等于Zt的像素的新灰度值都为0,大于Zt的像素的新灰度值都为1,经过这样的阈值分割构建出一个输出的二值图像ft(x,y):
其中,灰度阈值为Zt;
具体包括:
1)求出图像的最大灰度值Zmax和最小灰度值Zmin,令阈值Zt的初始值为(Zmax+Zmin)/2;
2)根据阈值Zt将图像分割为目标和背景,分别求出两者的平均灰度值ZO和ZB;
3)求出新阈值Zt+1=(ZO+ZB)/2;
4)若Zt=Zt+1,则所得即为阈值;否则令Zt=Zt+1转步骤2)继续进行迭代计算。
进一步,用数学形态学方法对二值图像进行缺陷修补的方法包括:
设A为输入的二值图像,采用结构元素B对图像进行形态学处理;
A被B膨胀,表示为A⊕B,为:A⊕B={x|x=a+b,对某些a∈A和b∈B};
A被B腐蚀,表示为AΘB,为:AΘB={x|(x+b)∈A,对每一个b∈B};
A被B作开运算,表示为AΟB,为:AΟB=(AΘB)⊕B;
A被B作闭运算,表示为A·B,为:A·B=(A⊕B)ΘB。
进一步,链码跟踪存储轮廓信息的方法包括:
第一步,采用行扫描技术得到起始的轮廓点,记录该点坐标为Start-X和Start-Y,且以该起始点为当前点,转第二步;若扫描后得不到轮廓点,则转第四步;
第二步,按方向链码的顺序扫描与当前点相邻的8邻域,若遇到轮廓点,立即停止跟踪轮廓且记录所跟踪到的方向链码值,转第三步;若没有遇到轮廓点,则置“-”轮廓跟踪结束标志,将扫描起点置为Start-X和Start-Y,转第一步;
第三步,用底色填充扫描到的轮廓点,且将当前点置为跟踪到的轮廓点处,转第二步;
第四步,用“-”标志置所有轮廓跟踪结束;得到所有轮廓信息的链码序列List;链码序列的格式包括起始点的坐标和方向链码的值,序列中的不同轮廓之间用轮廓结束标志分开;记录方式包括:对一封闭轮廓,首先是轮廓坐标起点,然后是方向链码序列,接着是轮廓结束标志;由于采用轮廓的自封闭跟踪,故序列中的值是根据轮廓线条的顺序来记录的,为轮廓的后续处理提供了方便。链码跟踪法能实现一次跟踪即可得出所有轮廓;
进行具有单像素边缘的图像轮廓提取的方法包括:
1)以Sobel算子或基于颜色空间聚类方法计算目标轮廓的预测值:
2)将图像目标轮廓视为由N个单元线段构成的集{dli}1,2,...,N,对于i=1,2,…,N;
3)在C0中找到与dli对应的位置,依据C0中对应位置的切线作为dli的采样基准值,生成初始粒子集;
4)按照状态转移模型引导粒子不断的向已知的最佳解方向聚集,避免标准粒子滤波过程中退化的方法实现粒子状态转移,并计算每个粒子对应的轮廓点集合;
5)按照建立的观测模型计算粒子权重;
6)以粒子集的加权平均计算本次迭代得到的参数dlj (i)=(kj (i),bj (i));
7)若其中,取ε=0.5,则得到以粒子集的加权平均作为dli参数的估计,否则转步骤4)。
进一步,筛查模块筛查方法包括:
首先,检测血液样品中YKL-40和NSE的含量;
然后,若NSE的含量在其临界值范围内,且YKL-40的含量大于其临界值范围,则初步判断血液样品存在较大的细胞病变图像风险;
若NSE的含量大于其临界值范围,且YKL-40的含量等于或小于其临界值范围,则初步判断血液样品存在较小的细胞病变图像风险。
本发明的另一目的在于提供一种实现所述基于大数据的肺癌图像诊断方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于大数据的肺癌图像诊断方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于大数据的肺癌图像诊断方法。
本发明的另一目的在于提供一种实现所述基于大数据的肺癌图像诊断方法的基于大数据的肺癌图像诊断***,包括:
图像采集模块、呼气采集模块、体温检测模块、中央控制模块、气体成分检测模块、筛查模块、病理分析模块、云服务模块、显示模块;
图像采集模块,与中央控制模块连接,用于通过摄像头采集用户图像数据信息;
呼气采集模块,与中央控制模块连接,用于通过气囊采集用户呼出的气体;
体温检测模块,与中央控制模块连接,用于通过温度传感器检测用户的体温数据;
中央控制模块,与图像采集模块、呼气采集模块、体温检测模块、气体成分检测模块、筛查模块、病理分析模块、云服务模块、显示模块连接,用于控制各个模块正常工作;
气体成分检测模块,与中央控制模块连接,用于将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
筛查模块,与中央控制模块连接,用于抽取用户血液样品分析判断病变风险;
病理分析模块,与中央控制模块连接,用于对检测的数据进行病理分析;
云服务模块,与中央控制模块连接,用于通过云服务器集中大数据计算资源对检测数据进行处理;
显示模块,与中央控制模块连接,用于显示检测数据信息。
本发明的另一目的在于提供一种安装有所述基于大数据的肺癌图像诊断***的肺癌图像诊断设备。
本发明的优点及积极效果为:
本发明通过筛查模块采用角质素酶蛋白(YKL-40)联合神经元特异性烯醇化酶(NSE)二联检进行早期细胞肺癌的筛查。由于角质素酶蛋白(YKL-40)的灵敏度比神经元特异性烯醇化酶(NSE)高,通过这种方式,能够提高预测早期细胞肺癌的准确性;同时通过云服务模块可以大大提高诊断数据分析计算速度,提高诊断效率。
本发明的基于大数据的肺癌图像诊断方法可操作性强,图像诊断方法易进行。在实际中应用广泛,可应用于其他领域图像数据处理。本发明的图像诊断方法鲁棒性强。
本发明图像采集模块的图像采集方法结合计算机视觉测量技术的特点,提出了一种实用的轮廓提取方法。该方法采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,实现了具有单像素边缘的图像轮廓提取。给出了关键技术的原理及实现方法。实验表明,与经典的边缘检测方法相比,此方法具有抗干扰性强、精度高等特点,能满足医学工程的实际需要。
本发明提取的轮廓具有连续、精度高、单像素宽等特点,与经典的边缘检测方法相比,本发明给出的轮廓提取方法抗干扰性强,鲁棒性好,能够满足基于计算机视觉图像测量技术的要求。
本发明经阈值分割得到的二值图像中可能存在断线、凹洞、毛刺等缺陷,尤其当图像中存在噪声的情况下,若直接利用带有缺陷的图像进行轮廓提取,就会得到包含断点、毛刺等缺陷的轮廓,给轮廓的进一步处理造成困难,甚至影响测量精度,因此,必须采取措施消除这些缺陷。
数学形态学是一种非线性滤波方法,其中的膨胀和腐蚀运算有着很直观的几何背景,可以使图像在一定方向上增厚或减薄,其方向取决于所选取的结构元素。基于这一特性,本发明采用数学形态学方法对二值图像进行缺陷修补,以消除图像中的缺陷和噪声。
本发明通过云服务模块集中大数据计算资源对检测数据信号s(t)进行非线性变换处理,可得到准确的检测数据,为后期的需要提供条件。
附图说明
图1是本发明实施提供的基于大数据的肺癌诊断方法流程图。
图2是本发明实施提供的基于大数据的肺癌图像诊断***结构框图。
图中:1、图像采集模块;2、呼气采集模块;3、体温检测模块;4、中央控制模块;5、气体成分检测模块;6、筛查模块;7、病理分析模块;8、云服务模块;9、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供的基于大数据的肺癌诊断方法包括以下步骤:
S101,通过图像采集模块采集用户图像数据信息;通过呼气采集模块采集用户呼出的气体;通过体温检测模块检测用户的体温数据;
S102,中央控制模块调度气体成分检测模块将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
S103,通过筛查模块抽取用户血液样品分析判断病变风险;通过病理分析模块对检测的数据进行病理分析;
S104,通过云服务模块集中大数据计算资源对检测数据进行处理;通过显示模块显示检测数据信息。
如图2所示,本发明实施例提供的基于大数据的肺癌图像诊断***包括:图像采集模块1、呼气采集模块2、体温检测模块3、中央控制模块4、气体成分检测模块5、筛查模块6、病理分析模块7、云服务模块8、显示模块9。
图像采集模块1,与中央控制模块4连接,用于通过摄像头采集用户图像数据信息;
呼气采集模块2,与中央控制模块4连接,用于通过气囊采集用户呼出的气体;
体温检测模块3,与中央控制模块4连接,用于通过温度传感器检测用户的体温数据;
中央控制模块4,与图像采集模块1、呼气采集模块2、体温检测模块3、气体成分检测模块5、筛查模块6、病理分析模块7、云服务模块8、显示模块9连接,用于控制各个模块正常工作;
气体成分检测模块5,与中央控制模块4连接,用于将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
筛查模块6,与中央控制模块4连接,用于抽取用户血液样品分析判断病变风险;
病理分析模块7,与中央控制模块4连接,用于对检测的数据进行病理分析;
云服务模块8,与中央控制模块4连接,用于通过云服务器集中大数据计算资源对检测数据进行处理;
显示模块9,与中央控制模块4连接,用于显示检测数据信息。
下面结合具体实施例对本发明作进一步描述。
本发明实施例提供的基于大数据的肺癌图像诊断方法,包括以下步骤:
图像采集模块采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,进行具有单像素边缘的图像轮廓提取,获得用户图像数据信息;通过呼气采集模块采集用户呼出的气体;通过体温检测模块检测用户的体温数据;
中央控制模块调度气体成分检测模块将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
筛查模块检测血液样品中YKL-40和NSE的含量,分析判断图像病变风险;通过病理分析模块对检测的图像数据进行病理分析;
通过云服务模块集中大数据计算资源对检测数据信号s(t)进行非线性变换处理,其中A表示信号的幅度,a(m)表示信号的码元符号,p(t)表示成形函数,fc表示信号的载波频率,表示信号的相位;通过显示模块显示检测数据信息。
灰度阈值法进行图像分割的方法中,若图像f(x,y)的灰度区间为[Zmin,Zmax],在该区间内设定一个阈值Zt,且Zmin<Zt<Zmax,令图像中所有灰度值小于或等于Zt的像素的新灰度值都为0,大于Zt的像素的新灰度值都为1,经过这样的阈值分割构建出一个输出的二值图像ft(x,y):
其中,灰度阈值为Zt;
具体包括:
1)求出图像的最大灰度值Zmax和最小灰度值Zmin,令阈值Zt的初始值为(Zmax+Zmin)/2;
2)根据阈值Zt将图像分割为目标和背景,分别求出两者的平均灰度值ZO和ZB;
3)求出新阈值Zt+1=(ZO+ZB)/2;
4)若Zt=Zt+1,则所得即为阈值;否则令Zt=Zt+1转步骤2)继续进行迭代计算。
进一步,用数学形态学方法对二值图像进行缺陷修补的方法包括:
设A为输入的二值图像,采用结构元素B对图像进行形态学处理;
A被B膨胀,表示为A⊕B,为:A⊕B={x|x=a+b,对某些a∈A和b∈B};
A被B腐蚀,表示为AΘB,为:AΘB={x|(x+b)∈A,对每一个b∈B};
A被B作开运算,表示为AΟB,为:AΟB=(AΘB)⊕B;
A被B作闭运算,表示为A·B,为:A·B=(A⊕B)ΘB。
进一步,链码跟踪存储轮廓信息的方法包括:
第一步,采用行扫描技术得到起始的轮廓点,记录该点坐标为Start-X和Start-Y,且以该起始点为当前点,转第二步;若扫描后得不到轮廓点,则转第四步;
第二步,按方向链码的顺序扫描与当前点相邻的8邻域,若遇到轮廓点,立即停止跟踪轮廓且记录所跟踪到的方向链码值,转第三步;若没有遇到轮廓点,则置“-”轮廓跟踪结束标志,将扫描起点置为Start-X和Start-Y,转第一步;
第三步,用底色填充扫描到的轮廓点,且将当前点置为跟踪到的轮廓点处,转第二步;
第四步,用“-”标志置所有轮廓跟踪结束;得到所有轮廓信息的链码序列List;链码序列的格式包括起始点的坐标和方向链码的值,序列中的不同轮廓之间用轮廓结束标志分开;记录方式包括:对一封闭轮廓,首先是轮廓坐标起点,然后是方向链码序列,接着是轮廓结束标志;由于采用轮廓的自封闭跟踪,故序列中的值是根据轮廓线条的顺序来记录的,为轮廓的后续处理提供了方便。链码跟踪法能实现一次跟踪即可得出所有轮廓;
进行具有单像素边缘的图像轮廓提取的方法包括:
1)以Sobel算子或基于颜色空间聚类方法计算目标轮廓的预测值:
2)将图像目标轮廓视为由N个单元线段构成的集{dli}1,2,...,N,对于i=1,2,…,N;
3)在C0中找到与dli对应的位置,依据C0中对应位置的切线作为dli的采样基准值,生成初始粒子集;
4)按照状态转移模型引导粒子不断的向已知的最佳解方向聚集,避免标准粒子滤波过程中退化的方法实现粒子状态转移,并计算每个粒子对应的轮廓点集合;
5)按照建立的观测模型计算粒子权重;
6)以粒子集的加权平均计算本次迭代得到的参数dlj (i)=(kj (i),bj (i));
7)若其中,取ε=0.5,则得到以粒子集的加权平均作为dli参数的估计,否则转步骤4)。
筛查模块筛查方法包括:
首先,检测血液样品中YKL-40和NSE的含量;
然后,若NSE的含量在其临界值范围内,且YKL-40的含量大于其临界值范围,则初步判断血液样品存在较大的细胞病变图像风险;
若NSE的含量大于其临界值范围,且YKL-40的含量等于或小于其临界值范围,则初步判断血液样品存在较小的细胞病变图像风险。
本发明提供的样品为血液样品。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,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肺癌图像诊断方法,其特征在于,所述基于大数据的肺癌图像诊断方法包括以下步骤:
图像采集模块采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,进行具有单像素边缘的图像轮廓提取,获得用户图像数据信息;通过呼气采集模块采集用户呼出的气体;通过体温检测模块检测用户的体温数据;
中央控制模块调度气体成分检测模块将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
筛查模块检测血液样品中YKL-40和NSE的含量,分析判断图像病变风险;通过病理分析模块对检测的图像数据进行病理分析;
通过云服务模块集中大数据计算资源对检测数据信号s(t)进行非线性变换处理,其中A表示信号的幅度,a(m)表示信号的码元符号,p(t)表示成形函数,fc表示信号的载波频率,表示信号的相位;通过显示模块显示检测数据信息。
2.如权利要求1所述的基于大数据的肺癌图像诊断方法,其特征在于,灰度阈值法进行图像分割的方法中,若图像f(x,y)的灰度区间为[Zmin,Zmax],在该区间内设定一个阈值Zt,且Zmin<Zt<Zmax,令图像中所有灰度值小于或等于Zt的像素的新灰度值都为0,大于Zt的像素的新灰度值都为1,经过这样的阈值分割构建出一个输出的二值图像ft(x,y):
其中,灰度阈值为Zt;
具体包括:
1)求出图像的最大灰度值Zmax和最小灰度值Zmin,令阈值Zt的初始值为(Zmax+Zmin)/2;
2)根据阈值Zt将图像分割为目标和背景,分别求出两者的平均灰度值ZO和ZB;
3)求出新阈值Zt+1=(ZO+ZB)/2;
4)若Zt=Zt+1,则所得即为阈值;否则令Zt=Zt+1转步骤2)继续进行迭代计算。
3.如权利要求1所述的基于大数据的肺癌图像诊断方法,其特征在于,用数学形态学方法对二值图像进行缺陷修补的方法包括:
设A为输入的二值图像,采用结构元素B对图像进行形态学处理;
A被B膨胀,表示为A⊕B,为:A⊕B={x|x=a+b,对某些a∈A和b∈B};
A被B腐蚀,表示为AΘB,为:AΘB={x|(x+b)∈A,对每一个b∈B};
A被B作开运算,表示为AΟB,为:AΟB=(AΘB)⊕B;
A被B作闭运算,表示为A·B,为:A·B=(A⊕B)ΘB。
4.如权利要求1所述的基于大数据的肺癌图像诊断方法,其特征在于,链码跟踪存储轮廓信息的方法包括:
第一步,采用行扫描技术得到起始的轮廓点,记录该点坐标为Start-X和Start-Y,且以该起始点为当前点,转第二步;若扫描后得不到轮廓点,则转第四步;
第二步,按方向链码的顺序扫描与当前点相邻的8邻域,若遇到轮廓点,立即停止跟踪轮廓且记录所跟踪到的方向链码值,转第三步;若没有遇到轮廓点,则置“-”轮廓跟踪结束标志,将扫描起点置为Start-X和Start-Y,转第一步;
第三步,用底色填充扫描到的轮廓点,且将当前点置为跟踪到的轮廓点处,转第二步;
第四步,用“-”标志置所有轮廓跟踪结束;得到所有轮廓信息的链码序列List;链码序列的格式包括起始点的坐标和方向链码的值,序列中的不同轮廓之间用轮廓结束标志分开;记录方式包括:对一封闭轮廓,首先是轮廓坐标起点,然后是方向链码序列,接着是轮廓结束标志;
进行具有单像素边缘的图像轮廓提取的方法包括:
1)以Sobel算子或基于颜色空间聚类方法计算目标轮廓的预测值:
2)将图像目标轮廓视为由N个单元线段构成的集{dli}1,2,...,N,对于i=1,2,…,N;
3)在C0中找到与dli对应的位置,依据C0中对应位置的切线作为dli的采样基准值,生成初始粒子集;
4)按照状态转移模型引导粒子不断的向已知的最佳解方向聚集,避免标准粒子滤波过程中退化的方法实现粒子状态转移,并计算每个粒子对应的轮廓点集合;
5)按照建立的观测模型计算粒子权重;
6)以粒子集的加权平均计算本次迭代得到的参数dlj (i)=(kj (i),bj (i));
7)若‖dlj (i)-dlj ( - i) 1‖<ε,其中,取ε=0.5,则得到以粒子集的加权平均作为dli参数的估计,否则转步骤4)。
5.如权利要求1所述的基于大数据的肺癌图像诊断方法,其特征在于,筛查模块筛查方法包括:
首先,检测血液样品中YKL-40和NSE的含量;
然后,若NSE的含量在其临界值范围内,且YKL-40的含量大于其临界值范围,则初步判断血液样品存在较大的细胞病变图像风险;
若NSE的含量大于其临界值范围,且YKL-40的含量等于或小于其临界值范围,则初步判断血液样品存在较小的细胞病变图像风险。
6.一种实现权利要求1~5任意一项所述基于大数据的肺癌图像诊断方法的计算机程序。
7.一种实现权利要求1~5任意一项所述基于大数据的肺癌图像诊断方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于大数据的肺癌图像诊断方法。
9.一种实现权利要求1所述基于大数据的肺癌图像诊断方法的基于大数据的肺癌图像诊断***,其特征在于,所述基于大数据的肺癌图像诊断***包括:
图像采集模块,与中央控制模块连接,用于通过摄像头采集用户图像数据信息;
呼气采集模块,与中央控制模块连接,用于通过气囊采集用户呼出的气体;
体温检测模块,与中央控制模块连接,用于通过温度传感器检测用户的体温数据;
中央控制模块,与图像采集模块、呼气采集模块、体温检测模块、气体成分检测模块、筛查模块、病理分析模块、云服务模块、显示模块连接,用于控制各个模块正常工作;
气体成分检测模块,与中央控制模块连接,用于将气囊采集到的用户气体抽进反应气室,使气体能在反应气室中与预先的卟啉传感器反应,检测出呼出的有害气体成分;
筛查模块,与中央控制模块连接,用于抽取用户血液样品分析判断病变风险;
病理分析模块,与中央控制模块连接,用于对检测的数据进行病理分析;
云服务模块,与中央控制模块连接,用于通过云服务器集中大数据计算资源对检测数据进行处理;
显示模块,与中央控制模块连接,用于显示检测数据信息。
10.一种安装有权利要求9所述基于大数据的肺癌图像诊断***的肺癌图像诊断设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567040.2A CN108876772B (zh) | 2018-06-05 | 2018-06-05 | 一种基于大数据的肺癌图像诊断***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567040.2A CN108876772B (zh) | 2018-06-05 | 2018-06-05 | 一种基于大数据的肺癌图像诊断***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876772A true CN108876772A (zh) | 2018-11-23 |
CN108876772B CN108876772B (zh) | 2021-10-12 |
Family
ID=64336173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810567040.2A Active CN108876772B (zh) | 2018-06-05 | 2018-06-05 | 一种基于大数据的肺癌图像诊断***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876772B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724689A (zh) * | 2019-02-21 | 2019-05-07 | 哈尔滨工程大学 | 一种水中单气泡声特性的测量装置及测量方法 |
CN110246584A (zh) * | 2019-06-13 | 2019-09-17 | 吉林大学第一医院 | 一种肺癌样本的预测评估方法和*** |
CN110533658A (zh) * | 2019-09-02 | 2019-12-03 | 山东大学齐鲁医院 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
CN114266724A (zh) * | 2021-11-16 | 2022-04-01 | 中国航空工业集团公司雷华电子技术研究所 | 基于雷达红外可见光图像融合的高压线检测方法 |
CN114821114A (zh) * | 2022-03-28 | 2022-07-29 | 南京业恒达智能***股份有限公司 | 一种基于视觉***的坡口切割机器人图像处理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080051653A1 (en) * | 2006-08-23 | 2008-02-28 | Medison Co., Ltd. | System and method for image processing |
CN101420991A (zh) * | 2003-11-20 | 2009-04-29 | 血管技术国际股份公司 | 聚合物组合物及其使用方法 |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN106461664A (zh) * | 2013-12-30 | 2017-02-22 | 斯克利普斯研究所 | 用于肺癌的循环肿瘤细胞诊断 |
CN106456628A (zh) * | 2014-03-19 | 2017-02-22 | 无限药品股份有限公司 | 用于治疗PI3K‑γ介导的障碍的杂环化合物 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
CN107767362A (zh) * | 2017-09-01 | 2018-03-06 | 苏州侠洛信息科技有限公司 | 一种基于深度学习的肺癌早筛装置 |
CN107765012A (zh) * | 2016-08-16 | 2018-03-06 | 华明康生物科技(东莞)有限公司 | 早期非小细胞肺癌筛查方法及试剂盒 |
-
2018
- 2018-06-05 CN CN201810567040.2A patent/CN108876772B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101420991A (zh) * | 2003-11-20 | 2009-04-29 | 血管技术国际股份公司 | 聚合物组合物及其使用方法 |
US20080051653A1 (en) * | 2006-08-23 | 2008-02-28 | Medison Co., Ltd. | System and method for image processing |
CN106461664A (zh) * | 2013-12-30 | 2017-02-22 | 斯克利普斯研究所 | 用于肺癌的循环肿瘤细胞诊断 |
CN106456628A (zh) * | 2014-03-19 | 2017-02-22 | 无限药品股份有限公司 | 用于治疗PI3K‑γ介导的障碍的杂环化合物 |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN107765012A (zh) * | 2016-08-16 | 2018-03-06 | 华明康生物科技(东莞)有限公司 | 早期非小细胞肺癌筛查方法及试剂盒 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
CN107767362A (zh) * | 2017-09-01 | 2018-03-06 | 苏州侠洛信息科技有限公司 | 一种基于深度学习的肺癌早筛装置 |
Non-Patent Citations (1)
Title |
---|
刘露: "基于CT图像肺癌定性诊断若干关键问题研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724689A (zh) * | 2019-02-21 | 2019-05-07 | 哈尔滨工程大学 | 一种水中单气泡声特性的测量装置及测量方法 |
CN109724689B (zh) * | 2019-02-21 | 2021-11-30 | 哈尔滨工程大学 | 一种水中单气泡声特性的测量装置及测量方法 |
CN110246584A (zh) * | 2019-06-13 | 2019-09-17 | 吉林大学第一医院 | 一种肺癌样本的预测评估方法和*** |
CN110533658A (zh) * | 2019-09-02 | 2019-12-03 | 山东大学齐鲁医院 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
CN114266724A (zh) * | 2021-11-16 | 2022-04-01 | 中国航空工业集团公司雷华电子技术研究所 | 基于雷达红外可见光图像融合的高压线检测方法 |
CN114821114A (zh) * | 2022-03-28 | 2022-07-29 | 南京业恒达智能***股份有限公司 | 一种基于视觉***的坡口切割机器人图像处理方法 |
CN114821114B (zh) * | 2022-03-28 | 2024-04-30 | 南京业恒达智能***有限公司 | 一种基于视觉***的坡口切割机器人图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108876772B (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876772A (zh) | 一种基于大数据的肺癌图像诊断***及方法 | |
CN108764286B (zh) | 一种基于迁移学习的血管图像中特征点的分类识别方法 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及*** | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
Narasimha-Iyer et al. | Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy | |
Forero et al. | Identification of tuberculosis bacteria based on shape and color | |
EP2973397B1 (en) | Tissue object-based machine learning system for automated scoring of digital whole slides | |
CN110772286B (zh) | 一种基于超声造影识别肝脏局灶性病变的*** | |
CN109584218A (zh) | 一种胃癌图像识别模型的构建方法及其应用 | |
Fan et al. | Effect of image noise on the classification of skin lesions using deep convolutional neural networks | |
CN109671053A (zh) | 一种胃癌图像识别***、装置及其应用 | |
CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
CN107543788A (zh) | 一种尿红细胞畸形率检测方法及*** | |
Yan et al. | HLDnet: Novel deep learning based artificial intelligence tool fuses acetic acid and Lugol’s iodine cervicograms for accurate pre-cancer screening | |
CN114332910A (zh) | 一种面向远红外图像的相似特征计算的人体部位分割方法 | |
CN113706518A (zh) | 一种基于人工智能的股骨头坏死分期分析方法及*** | |
CN108364289A (zh) | Ivoct图像易损斑块自动检测方法 | |
Atiyah et al. | Brain MRI Images Segmentation Based on U-Net Architecture | |
CN106127738B (zh) | 凝集试验判读方法 | |
CN108416769A (zh) | 基于预处理的ivoct图像易损斑块自动检测方法 | |
CN115880266B (zh) | 一种基于深度学习的肠道息肉检测***和方法 | |
Meejaroen et al. | Detection of fibrosis in liver biopsy images by using Bayesian classifier | |
Yadav et al. | Edge detection of images using Prewitt algorithm comparing with Sobel algorithm to improve accuracy | |
Koukounis et al. | Retinal image registration based on multiscale products and optic disc detection | |
Selmani et al. | A novel ant colonies approach to medical image segmentation |
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 |