CN115527657A - 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 - Google Patents
基于医学数字成像和通信的影像、图像多模态重建、成像及标注 Download PDFInfo
- Publication number
- CN115527657A CN115527657A CN202211262218.5A CN202211262218A CN115527657A CN 115527657 A CN115527657 A CN 115527657A CN 202211262218 A CN202211262218 A CN 202211262218A CN 115527657 A CN115527657 A CN 115527657A
- Authority
- CN
- China
- Prior art keywords
- image
- imaging
- information
- communication
- labeling
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 51
- 238000002372 labelling Methods 0.000 title claims abstract description 35
- 238000004891 communication Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 230000006835 compression Effects 0.000 claims abstract description 5
- 238000007906 compression Methods 0.000 claims abstract description 5
- 238000012800 visualization Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 44
- 230000000007 visual effect Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000003045 statistical classification method Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims 2
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 210000000056 organ Anatomy 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医学信息处理技术领域，且公开了基于医学数字成像和通信的影像、图像多模态重建，包括以下步骤：S1：图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤。该基于医学数字成像和通信的影像、图像多模态重建、成像及标注，通过收集图影像对图影像进行压缩、增强、复原分割等一系列处理，使得图影像得到重建后以三维形式展示，提高图影像传输稳定的同时，还能辅助医生诊断治疗，医学图像可视化可以根据CR CT DR MR MRI等图像序列构造出三维几何模型，将看不见的人体器官以三维形式真实地显示出来，还可以对图像任意放大、缩小、旋转、对比调整等处理。
Description
技术领域
本发明涉及医学信息处理技术领域，具体为基于医学数字成像和通信的影像、图像多模态重建、成像及标注。
背景技术
医学图像数据在患者诊断、治疗、手术计划、培训等场景中这重要作用，近年来，数字化医学图像的大规模增长，为推动以深层神经网络为代表的医学图像处理技术研究和应用提供了数据基础，但是目前医学图像领域缺少大规模且可靠的基准数据集，以至于影响针对医学图像数据的深度学习的发展。
而造成目前医学图像领域缺少准确可靠的基准数据集的原因是，由于医学图像的专业性和复杂性，不同专家对医学图像进行手工标注时存在较大分歧，标注结果往往存在差异，因此，手动标注医学图像变得越来越困难和昂贵，可见，现有的针对医学图像数据的信息标注方法主要是通过专家手工标注，降低了信息标注的效率和质量，而且医学影像图像文件需要通过前置机上传到影像云，而前置机上传过程中经常出现上传异常终止或上传失败等情况，稳定性得不到保证。
且在医学影像领域，病灶勾画(病灶分割)是利用机器学习对病灶进行自动测量和诊断分析的关键预处理方式，当前已经大量应用于各种医学工作，然而当前的病灶勾画方式，存在明显的弊端：人工标注需要有经验的医生对边界进行判断和描记，其过程繁琐且耗时长，医生难以在本已繁重的工作中抽出时间完成标注工作，给数据集收集工作带来极大的挑战，故而提出基于医学数字成像和通信的影像、图像多模态重建、成像及标注来解决上述问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于医学数字成像和通信的影像、图像多模态重建、成像及标注，具备标注效率质量高且影图像传输稳定等优点，解决了标注效率质量低且影图像传输不够稳定的问题。
(二)技术方案
为实现上述标注效率质量高且影图像传输稳定目的，本发明提供如下技术方案：基于医学数字成像和通信的影像、图像多模态重建，包括以下步骤：
S1：图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤，并建立与影像拍摄设备之间的通信连接，使影像文件处理设备与影像拍摄设备之间可基于医学数字成像和通信协议实现数据传输；
S2：图影像压缩和编码，通过删除冗余的或者不需要的信息来达到减小减少数据存储量的目的，图像编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等；
S3：图影像增强：增强图像中感兴趣的信息，去除或衰减不需要的信息，便于目标区分或对象解释；
S4：图影像复原：由于成像***受各种因素的影响，导致了图像质量的降低，退化基本表现是图像模糊，可通过复原方法去掉模糊和噪声干扰；
S5：图影像变换，通过用正交函数或正交矩阵对原始图像执行二维线性可逆变换，可通过傅里叶变换、沃尔什.阿达玛变换、离散余弦变换、霍特林变换、离散卡夫纳一勒维变换、哈达玛变换等；
S6：图影像分割：将图像分成互不相交的各具特性的区域，提取出感兴趣目标，是提供定量、定性分析基础；
S7：图影像识别，通过对图影像进行处理、分析和理解，识别方法大致可分为统计分类法、句法(结构)识别法和模糊识别法，统计识别法主要抽取出图像特征研究，可以用贝叶斯分类器、神经网络、支持向量机来实现，句法识别用于分析图像模式的结构，通过句法分析或对应的自动机来实现；模糊识别法则将模糊数学方法引入到图像识别中；
S8：图影像重建，通过对物体的探测获取的数据来重新建立图像，用于重建图像的数据一般是分时、分步取得的，通过透射模型(光，x射线)、发射模型(MRI、PET等)、反射模型(光电子、雷达、超声波)三重步骤来对图像进行多模态重建，重建结束可将处理结果保存至存储空间；
S9：图像标注：通过获取待标注的目标CT MR MRI DR影像；对所述目标超声影像的边界的标注操作，显示边界标注信息；基于所述边界标注信息，确定目标影像区域；提取所述目标影像区域的区域特征信息，并提取所述目标超声影像的全局特征信息；基于所述区域特征信息和全局特征信息，输出病灶标注信息，其中，所述病灶标注信息用于区分所述目标超声影像中的病灶区域和非病灶区域；
S10：病灶测量仲裁：通过识别目标CT MR MRI DR影像；对所述目标病灶区域的进行勾画，建立边界标注区域；通过所选区域框进行区域测量、钢量、长度、精度、维度、建立数据测试模型，通过数据模型形成区域层厚计算，通过人工智能融合计算方法，形成病灶体积、面积、层厚、层高等体现面积的结论，提供业务流程进行高级仲裁、审核、批准。
优选的，所述步骤S3中主要方法有：直方图增强、空域和频域增强、伪彩色增强等技术。
优选的，所述步骤S4中复原实现方法有维纳滤波、逆滤波、同态滤波、最小约束二乘方滤波等。
优选的，所述步骤S8中三维可视化的主要目的就是使用计算机图形学技术，直观地表现三维效果，从而提供用传统手段无法获得的结构信息，其算法有面绘制法和体绘制法两大类。
本发明要解决的另一技术问题是提供一种基于医学数字成像和通信的成像及标注，包括以下步骤：
1)对于成像局部特征提取，在图像数据库中随机选取的若干副图像的子集作为词典的训练样本，对这些选取的图像以随机或者网格的方式提取一定数量的NxN大小的图像子块(即Patch)，再将其按行或者列排成一个1xN2的特征向量；
2)其次为了去除噪声和降低计算量，我们对归一化后的Patch特征再进行PCA降维，选取值最大的几个特征值所对应的特征向量作为主元，并将其作为图像表达阶段特征的基；
3)进一步操作是对得到的局部特征进行聚类以构造视觉词典，直接将Patch的位置信息和视觉信息一起构成局部特征，再将K均值对其聚类生成视觉词典，取得了很好的分类标注效果；
4)在得到视觉词典后，就可以为每一幅图像生成其图像特征标注，提取Patch时与第一步类似，但采取稠密网格选取Patch，计算出每个Patch对应的视觉单词。
优选的，所述步骤1)中为了消除噪声和对Patch所包含的信息进行增强，把Patch特征的灰度值归一化到均值为0，方差为1。
优选的，所述步骤4)中为了利用每个Patch的空间信息，我们采用空间金字塔特征表示方法，得到一个高维的视觉单词的直方图。
(三)有益效果
与现有技术相比，本发明提供了一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注，具备以下有益效果：
1、该基于医学数字成像和通信的影像、图像多模态重建、成像及标注，通过收集图影像对图影像进行压缩、增强、复原分割等一系列处理，使得图影像得到重建后以三维形式展示，提高图影像传输稳定的同时，还能辅助医生诊断治疗，医学图像可视化可以根据CRCT DR MR MRI等图像序列构造出三维几何模型，将看不见的人体器官以三维形式真实地显示出来，还可以对图像任意放大、缩小、旋转、对比调整等处理。
2、该基于医学数字成像和通信的影像、图像多模态重建、成像及标注，通过Patch结合位置信息的方法在医学图像中的有效性，表现出了良好的分类性能，因此在特征提取标注速度较快，提高了医学图像的信息标注效率和质量。
附图说明
图1为本发明提出的一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注方法流程图；
图2为本发明提出的一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注框架图。
具体实施方式
下面将结合本发明的实施例，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。
基于医学数字成像和通信的影像、图像多模态重建，包括以下步骤：
S1：图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤，并建立与影像拍摄设备之间的通信连接，使影像文件处理设备与影像拍摄设备之间可基于医学数字成像和通信协议实现数据传输；
S2：图影像压缩和编码，通过删除冗余的或者不需要的信息来达到减小减少数据存储量的目的，图像编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等；
S3：图影像增强：增强图像中感兴趣的信息，去除或衰减不需要的信息，便于目标区分或对象解释，主要方法有：直方图增强、空域和频域增强、伪彩色增强等技术；
S4：图影像复原：由于成像***受各种因素的影响，导致了图像质量的降低，退化基本表现是图像模糊，可通过复原方法去掉模糊和噪声干扰，复原实现方法有维纳滤波、逆滤波、同态滤波、最小约束二乘方滤波等；
S5：图影像变换，通过用正交函数或正交矩阵对原始图像执行二维线性可逆变换，可通过傅里叶变换、沃尔什.阿达玛变换、离散余弦变换、霍特林变换、离散卡夫纳一勒维变换、哈达玛变换等；
S6：图影像分割：将图像分成互不相交的各具特性的区域，提取出感兴趣目标，是提供定量、定性分析基础；
S7：图影像识别，通过对图影像进行处理、分析和理解，识别方法大致可分为统计分类法、句法(结构)识别法和模糊识别法，统计识别法主要抽取出图像特征研究，可以用贝叶斯分类器、神经网络、支持向量机来实现，句法识别用于分析图像模式的结构，通过句法分析或对应的自动机来实现；模糊识别法则将模糊数学方法引入到图像识别中；
S8：图影像重建，通过对物体的探测获取的数据来重新建立图像，用于重建图像的数据一般是分时、分步取得的，通过透射模型(光，x射线)、发射模型(MRI、PET等)、反射模型(光电子、雷达、超声波)三重步骤来对图像进行多模态重建，重建结束可将处理结果保存至存储空间，三维可视化的主要目的就是使用计算机图形学技术，直观地表现三维效果，从而提供用传统手段无法获得的结构信息，其算法有面绘制法和体绘制法两大类；
S9：图像标注：通过获取待标注的目标CT MR MRI DR影像；对所述目标超声影像的边界的标注操作，显示边界标注信息；基于所述边界标注信息，确定目标影像区域；提取所述目标影像区域的区域特征信息，并提取所述目标超声影像的全局特征信息；基于所述区域特征信息和全局特征信息，输出病灶标注信息，其中，所述病灶标注信息用于区分所述目标超声影像中的病灶区域和非病灶区域；
S10：病灶测量仲裁：通过识别目标CT MR MRI DR影像；对所述目标病灶区域的进行勾画，建立边界标注区域；通过所选区域框进行区域测量、钢量、长度、精度、维度、建立数据测试模型，通过数据模型形成区域层厚计算，通过人工智能融合计算方法，形成病灶体积、面积、层厚、层高等体现面积的结论，提供业务流程进行高级仲裁、审核、批准。
一种基于医学数字成像和通信的成像及标注，包括以下步骤：
1)对于成像局部特征提取，在图像数据库中随机选取的若干副图像的子集作为词典的训练样本，对这些选取的图像以随机或者网格的方式提取一定数量的NxN大小的图像子块(即Patch)，再将其按行或者列排成一个1xN2的特征向量，为了消除噪声和对Patch所包含的信息进行增强，把Patch特征的灰度值归一化到均值为0，方差为1；
2)其次为了去除噪声和降低计算量，我们对归一化后的Patch特征再进行PCA降维，选取值最大的几个特征值所对应的特征向量作为主元，并将其作为图像表达阶段特征的基；
3)进一步操作是对得到的局部特征进行聚类以构造视觉词典，直接将Patch的位置信息和视觉信息一起构成局部特征，再将K均值对其聚类生成视觉词典，取得了很好的分类标注效果；
4)在得到视觉词典后，就可以为每一幅图像生成其图像特征标注，提取Patch时与第一步类似，但采取稠密网格选取Patch，计算出每个Patch对应的视觉单词，为了利用每个Patch的空间信息，我们采用空间金字塔特征表示方法，得到一个高维的视觉单词的直方图。
本发明的有益效果是：通过收集图影像对图影像进行压缩、增强、复原分割等一系列处理，使得图影像得到重建后以三维形式展示，提高图影像传输稳定的同时，还能辅助医生诊断治疗，医学图像可视化可以根据CR CT DR MRMRI等图像序列构造出三维几何模型，将看不见的人体器官以三维形式真实地显示出来，还可以对图像任意放大、缩小、旋转、对比调整等处理，而通过Patch结合位置信息的方法在医学图像中的有效性，表现出了良好的分类性能，因此在特征提取标注速度较快，提高了医学图像的信息标注效率和质量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于医学数字成像和通信的影像、图像多模态重建，其特征在于，包括以下步骤：
S1:图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤，并建立与影像拍摄设备之间的通信连接，使影像文件处理设备与影像拍摄设备之间可基于医学数字成像和通信协议实现数据传输；
S2：图影像压缩和编码，通过删除冗余的或者不需要的信息来达到减小减少数据存储量的目的，图像编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等；
S3：图影像增强：增强图像中感兴趣的信息，去除或衰减不需要的信息，便于目标区分或对象解释；
S4：图影像复原：由于成像***受各种因素的影响，导致了图像质量的降低，退化基本表现是图像模糊，可通过复原方法去掉模糊和噪声干扰；
S5:图影像变换，通过用正交函数或正交矩阵对原始图像执行二维线性可逆变换，可通过傅里叶变换、沃尔什.阿达玛变换、离散余弦变换、霍特林变换、离散卡夫纳一勒维变换、哈达玛变换等；
S6:图影像分割：将图像分成互不相交的各具特性的区域，提取出感兴趣目标，是提供定量、定性分析基础；
S7：图影像识别，通过对图影像进行处理、分析和理解，识别方法大致可分为统计分类法、句法(结构)识别法和模糊识别法，统计识别法主要抽取出图像特征研究，可以用贝叶斯分类器、神经网络、支持向量机来实现，句法识别用于分析图像模式的结构，通过句法分析或对应的自动机来实现；模糊识别法则将模糊数学方法引入到图像识别中；
S8：图影像重建，通过对物体的探测获取的数据来重新建立图像，用于重建图像的数据一般是分时、分步取得的，通过透射模型(光，x射线)、发射模型(MRI、PET等)、反射模型(光电子、雷达、超声波)三重步骤来对图像进行多模态重建，重建结束可将处理结果保存至存储空间；
S9：图像标注：通过获取待标注的目标CT MR MRI DR影像；对所述目标超声影像的边界的标注操作，显示边界标注信息；基于所述边界标注信息，确定目标影像区域；提取所述目标影像区域的区域特征信息，并提取所述目标超声影像的全局特征信息；基于所述区域特征信息和全局特征信息，输出病灶标注信息，其中，所述病灶标注信息用于区分所述目标超声影像中的病灶区域和非病灶区域；
S10：病灶测量仲裁：通过识别目标CT MR MRI DR影像；对所述目标病灶区域的进行勾画，建立边界标注区域；通过所选区域框进行区域测量、钢量、长度、精度、维度、建立数据测试模型，通过数据模型形成区域层厚计算，通过人工智能融合计算方法，形成病灶体积、面积、层厚、层高等体现面积的结论，提供业务流程进行高级仲裁、审核、批准。
2.根据权利要求1所述的一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注，其特征在于，所述步骤S3中主要方法有：直方图增强、空域和频域增强、伪彩色增强等技术。
3.根据权利要求1所述的一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注，其特征在于，所述步骤S4中复原实现方法有维纳滤波、逆滤波、同态滤波、最小约束二乘方滤波等。
4.根据权利要求1所述的一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注，其特征在于，所述步骤S8中三维可视化的主要目的就是使用计算机图形学技术，直观地表现三维效果，从而提供用传统手段无法获得的结构信息，其算法有面绘制法和体绘制法两大类。
5.一种基于医学数字成像和通信的成像及标注，其特征在于，包括以下步骤：
1)对于成像局部特征提取，在图像数据库中随机选取的若干副图像的子集作为词典的训练样本，对这些选取的图像以随机或者网格的方式提取一定数量的NxN大小的图像子块(即Patch)，再将其按行或者列排成一个1xN2的特征向量；
2)其次为了去除噪声和降低计算量，我们对归一化后的Patch特征再进行PCA降维，选取值最大的几个特征值所对应的特征向量作为主元，并将其作为图像表达阶段特征的基；
3)进一步操作是对得到的局部特征进行聚类以构造视觉词典，直接将Patch的位置信息和视觉信息一起构成局部特征，再将K均值对其聚类生成视觉词典，取得了很好的分类标注效果；
4)在得到视觉词典后，就可以为每一幅图像生成其图像特征标注，提取Patch时与第一步类似，但采取稠密网格选取Patch，计算出每个Patch对应的视觉单词。
6.根据权利要求5所述的一种基于医学数字成像和通信的成像及标注，其特征在于，所述步骤1)中为了消除噪声和对Patch所包含的信息进行增强，把Patch特征的灰度值归一化到均值为0，方差为1。
7.根据权利要求5所述的一种基于医学数字成像和通信的成像及标注，其特征在于，所述步骤4)中为了利用每个Patch的空间信息，我们采用空间金字塔特征表示方法，得到一个高维的视觉单词的直方图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211262218.5A CN115527657A (zh) | 2022-10-14 | 2022-10-14 | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211262218.5A CN115527657A (zh) | 2022-10-14 | 2022-10-14 | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115527657A true CN115527657A (zh) | 2022-12-27 |
Family
ID=84701452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211262218.5A Pending CN115527657A (zh) | 2022-10-14 | 2022-10-14 | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115527657A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115995287A (zh) * | 2023-03-23 | 2023-04-21 | 山东远程分子互联网医院有限公司 | 一种云影像资料收发***及方法 |
| CN116485778A (zh) * | 2023-04-27 | 2023-07-25 | 鄂东医疗集团市中心医院 | 成像检测方法、***、计算机设备及存储介质 |
-
2022
- 2022-10-14 CN CN202211262218.5A patent/CN115527657A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115995287A (zh) * | 2023-03-23 | 2023-04-21 | 山东远程分子互联网医院有限公司 | 一种云影像资料收发***及方法 |
| CN116485778A (zh) * | 2023-04-27 | 2023-07-25 | 鄂东医疗集团市中心医院 | 成像检测方法、***、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
| CN115527657A (zh) | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 | |
| Hossain | Microc alcification segmentation using modified u-net segmentation network from mammogram images | |
| CN110782427B (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
| EP2401719B1 (fr) | Méthodes de segmentation d'images et de détection de structures particulières | |
| CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
| CN112070785A (zh) | 一种基于计算机视觉的医学图像分析方法 | |
| CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
| EP4118617A1 (en) | Automated detection of tumors based on image processing | |
| CN113592794A (zh) | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 | |
| Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN112967295B (zh) | 一种基于残差网络和注意力机制的图像处理方法及*** | |
| CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
| Judice et al. | A novel assessment of various bio-imaging methods for lung tumor detection and treatment by using 4-D and 2-D CT images | |
| Srilakshmi et al. | Performance enhancement of content based medical image retrieval for MRI brain images based on hybrid approach | |
| Patibandla et al. | CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection | |
| 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*** | |
| Sayyad et al. | Data Conditioning for Medical Imaging | |
| CN116051508A (zh) | 一种基于相邻切片推理的脑肿瘤弱监督分割方法及*** | |
| Dubey | Classification of the Magnetic Resonance Imaging of the Brain Tumor Using the Residual Neural Network Framework | |
| Ghasemi et al. | Improving the Accuracy of Detecting Cancerous Tumors Based on Deep Learning on MRI Images. | |
| CN117218484A (zh) | 一种肺结节影像分类模型的训练方法、***、终端及介质 | |
| Chen et al. | Medical CT image amplification and reconstruction system based on deep learning |
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 |