CN117201800A - 基于空间冗余的医疗检查大数据压缩存储*** - Google Patents

Abstract

本发明涉及图像压缩存储技术领域，具体涉及基于空间冗余的医疗检查大数据压缩存储***，该***将胸部CT图像划分为若干个连通域，再将其任意一个连通域，记为目标连通域，根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列，从而得到目标连通域边界的形状变化程度，再得到目标连通域的灰度变化程度和梯度特征程度，由此获取重要程度，从而得到阈值参数，获取更新目标连通域，根据胸部CT图像划分的所有连通域的更新连通域，构成更新胸部CT图像，对其使用游程编码压缩算法，得到压缩后的数据，并存储到医院数据库中。本发明在提高压缩效率的同时，保证了CT图像中病变的重要区域的细节信息。

Description

基于空间冗余的医疗检查大数据压缩存储***

技术领域

本发明涉及图像压缩存储技术领域，具体涉及基于空间冗余的医疗检查大数据压缩存储***。

背景技术

医疗CT图像是一种用于医学诊断和评估的影像学工具。在医疗检查中是重要的一环，通过CT图像医生可以观察分辨正常组织和异常组织、肿块、肿瘤等。通常一套1.25mm的CT序列约有200至300张，占用空间内存约100M至500M，医院每日累计病人数量巨大，医院服务器一天接收的胸部CT图像就可能达到500至1000套，每天需要新增的存储量便是50G值100G。这些CT图像在服务器中占用了大量空间，并且在病人之后多次复诊期间都需要保持存储，不断累积的数据为服务器的存储带来了严重的负担，只能定期删除时间过久的CT图像，但这也大大降低了CT图像的保存时限。为了有效管理和存储这些图像，需要使用图像压缩减少图像文件的大小，节省存储空间，提高传输速度和效率。对于医疗CT图像的压缩，通常采用无损压缩中的游程编码压缩，保证图像的完整性以确保诊断的准确性，该方法对存在多个连续重复像素点的图像压缩效果较好。

现有的问题：在CT图像中存在着大部分相似区域与不重要区域，这些区域用人眼观察辨别是颜色相同的区域，或是不需要进行病理观察的区域，但是微观到像素点，他们之间存在灰度值的差异导致无法被压缩，对数据存储空间造成了冗余占用。

发明内容

本发明提供基于空间冗余的医疗检查大数据压缩存储***，以解决现有的问题。

本发明的基于空间冗余的医疗检查大数据压缩存储***采用如下技术方案：

本发明一个实施例提供了基于空间冗余的医疗检查大数据压缩存储***，该***包括以下模块：

图像采集模块：用于采集胸部CT图像，使用区域生长算法将胸部CT图像划分为若干个连通域；

连通域边界分析模块：用于将胸部CT图像划分的任意一个连通域，记为目标连通域；根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列；根据序数值序列中所有相邻数据的差异，得到目标连通域边界的形状变化程度；

连通域重要程度分析模块：用于根据目标连通域内像素点与其八邻域上的像素点的灰度差异，得到目标连通域的灰度变化程度；根据目标连通域内像素点的灰度梯度值之间的差异，得到目标连通域的梯度特征程度；根据目标连通域边界的形状变化程度、目标连通域的灰度变化程度、目标连通域的梯度特征程度，得到目标连通域的重要程度；

图像灰度变换模块：用于根据目标连通域的重要程度，得到目标连通域对应的阈值参数；根据目标连通域对应的阈值参数，得到更新目标连通域；根据胸部CT图像划分的所有连通域的更新连通域，构成更新胸部CT图像；

数据压缩存储模块：用于使用游程编码压缩算法，对更新胸部CT图像进行压缩处理，得到压缩后的数据；将压缩后的数据存储到医院数据库中。

进一步地，所述根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列包括：

在胸部CT图像中，从每个像素点八邻域的左上角开始，按照顺时针方向，对每个像素点八邻域上的像素点依次排序，得到每个像素点八邻域上的所有像素点的序数值；

在目标连通域边界上，从任意一个像素点开始，逐个像素点遍历，依次统计每一个遍历的像素点处于其前一个遍历的像素点八邻域上的序数值，得到序数值序列。

进一步地，所述根据序数值序列中所有相邻数据的差异，得到目标连通域边界的形状变化程度包括：

若序数值序列中相邻数据的差值的绝对值大于等于预设的最小差异阈值、且小于等于预设的最大差异阈值时，将序数值序列中相邻数据之间的变化程度设置为预设的最大变化程度；

若序数值序列中相邻数据的差值的绝对值小于预设的最小差异阈值、或者大于预设的最大差异阈值时，将序数值序列中相邻数据之间的变化程度设置为预设的最小变化程度；

将序数值序列中所有相邻数据之间的变化程度的均值，记为目标连通域边界的形状变化程度。

进一步地，所述根据目标连通域内像素点与其八邻域上的像素点的灰度差异，得到目标连通域的灰度变化程度包括：

将目标连通域内任意一个像素点，记为目标像素点；

分别计算目标像素点与其八邻域上所有的像素点的灰度差值的绝对值，将所述灰度差值的绝对值中大于预设的判断阈值时对应的八邻域上的像素点数量，记为目标像素点的灰度差异；

将目标连通域内所有像素点的灰度差异的均值的归一化值，记为目标连通域的灰度变化程度。

进一步地，所述根据目标连通域内像素点的灰度梯度值之间的差异，得到目标连通域的梯度特征程度包括：

使用大津算法得到目标连通域的分割阈值，将目标连通域内灰度值大于分割阈值的所有像素点构成的区域，记为目标连通域的中心区域；

使用Sobel算子，得到目标连通域内每一个像素点的灰度梯度值；

根据目标连通域边界上和目标连通域的中心区域内的像素点的灰度梯度值差异，得到目标连通域内部的梯度特征差异；

根据目标连通域内部的梯度特征差异、目标连通域边界上的像素点的灰度梯度值，得到目标连通域的梯度特征程度。

进一步地，所述根据目标连通域内部的梯度特征差异、目标连通域边界上的像素点的灰度梯度值，得到目标连通域的梯度特征程度对应的具体计算公式为：

其中L为目标连通域的梯度特征程度，为目标连通域边界上的第i个像素点的灰 度梯度值，n为目标连通域边界上的像素点数量，为目标连通域的中心区域内第x个像素 点的灰度梯度值，y为目标连通域的中心区域内的像素点数量，为目标 连通域内部的梯度特征差异，为以自然常数为底的指数函数，k为预设的指数函数调 整值，为线性归一化函数。

进一步地，所述根据目标连通域边界的形状变化程度、目标连通域的灰度变化程度、目标连通域的梯度特征程度，得到目标连通域的重要程度包括：

根据目标连通域的灰度变化程度、目标连通域的梯度特征程度、预设的第一权值和第二权值，得到目标连通域的内部特征；

根据目标连通域的内部特征和目标连通域边界的形状变化程度，得到目标连通域的重要程度。

进一步地，所述根据目标连通域的内部特征和目标连通域边界的形状变化程度，得到目标连通域的重要程度对应的具体计算公式为：

其中P为目标连通域的重要程度，C为目标连通域边界的形状变化程度，G为目标连 通域的灰度变化程度，L为目标连通域的梯度特征程度，为预设的第一权值，为预设的 第二权值，为目标连通域的内部特征，为线性归一化函数。

进一步地，所述根据目标连通域的重要程度，得到目标连通域对应的阈值参数对应的具体计算公式为：

其中R为目标连通域对应的阈值参数，P为目标连通域的重要程度，为预设的最 小阈值参数，为预设的最大阈值参数。

进一步地，所述根据目标连通域对应的阈值参数，得到更新目标连通域包括：

根据目标连通域对应的阈值参数，使用区域生长算法将目标连通域划分为若干个小连通域；

将目标连通域划分的任意一个小连通域，记为参考小连通域；

将参考小连通域内所有像素点的灰度值设置为参考小连通域内像素点灰度均值，得到更新参考小连通域；

根据目标连通域划分的所有小连通域对应的更新小连通域，构成更新目标连通域。

本发明的技术方案的有益效果是：

本发明实施例中，将胸部CT图像划分为若干个连通域，再将其任意一个连通域，记为目标连通域，根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列，再根据序数值序列中所有相邻数据的差异，得到目标连通域边界的形状变化程度。根据目标连通域内像素点与其八邻域上的像素点的灰度差异，得到目标连通域的灰度变化程度。根据目标连通域内像素点的灰度梯度值之间的差异，得到目标连通域的梯度特征程度。由此根据目标连通域边界的形状变化程度、目标连通域的灰度变化程度、目标连通域的梯度特征程度，得到目标连通域的重要程度，从而得到目标连通域对应的阈值参数，获取更新目标连通域，根据胸部CT图像划分的所有连通域的更新连通域，构成更新胸部CT图像，最后使用游程编码压缩算法，对更新胸部CT图像进行压缩处理，得到压缩后的数据，将压缩后的数据存储到医院数据库中。本发明通过CT图像中重要组织区域或病变区域的形态与灰度等特征，对不同区域进行不同精度的压缩，相比于以往CT图像压缩手段，本发明提高了图像压缩效率的同时，并保证了CT图像中病变的重要区域的细节信息，不影响CT的解压后使用，极大降低了图像中相似数据的较高冗余度带来的数据存储空间冗余问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于空间冗余的医疗检查大数据压缩存储***的模块流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于空间冗余的医疗检查大数据压缩存储***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于空间冗余的医疗检查大数据压缩存储***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于空间冗余的医疗检查大数据压缩存储***的模块流程图，该方法包括以下模块：

模块101：图像采集模块。

本实施例以人体的胸部CT图像为例进行分析，先采集胸部CT图像，已知阈值参数 为区域生长算法中的主要参数，本实施例设定最小阈值参数和最大阈值参数，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。本 方案先根据设定的最大阈值参数，使用区域生长算法将胸部CT图像划分为若干个连通 域。其中，区域生长算法为公知技术，具体方法在此不做介绍。

模块102：连通域边界分析模块。

已知胸部CT图像可分为内部组织部位和外部骨质组织部分，其中外部骨质组织部分为不重要区域，且边缘较为平滑，而内部组织部位病变的重要部分的连通域具有一定的形状特征，如磨玻璃状病变边缘存在灰度梯度变化，纤维性病变连通域内灰度变化频繁。且病变组织连通域的范围大小相较于其它不被重视的连通域通常都较小。同时结合灰度变化特征程度与范围特征大小，进一步获得连通域的重要程度。根据重要程度不同采取不同的生长准则，重要程度越大生长准则越局限，生长结束后所有生长区域的灰度值大小相同，完成图像像素冗余度的增加，提高压缩效率。

在胸部CT图像中，从每个像素点八邻域的左上角开始，按照顺时针方向，对每个像 素点八邻域上的像素点依次排序，得到每个像素点八邻域上的所有像素点的序数值。所需 说明的是，像素点z的八邻域上的所有像素点的序数值为：。在胸部CT图像任意 选取一个连通域，记为目标连通域，在目标连通域边界上，从任意一个像素点开始，逐个像 素点遍历，依次统计每一个遍历的像素点处于其前一个遍历的像素点八邻域上的序数值， 得到序数值序列，其中n为目标连通域边界上的像素点数量，n也为 序数值序列中的数据数量，为目标连通域边界上遍历的第n个像素点处于遍历的第n-1 个像素点八邻域上的序数值。所需说明的是，目标连通域边界为完整的闭环，因此序数值序 列中第一个数据的获取过程为：目标连通域边界上遍历的第一个像素点处于遍历的最 后一个像素点八邻域上的序数值。

通过序数值序列中相邻的数据可以判断目标连通域边界上像素点的走势，比如4，5，4，6，3，4，可以看出在上一个序数值是6的像素点之后有一个序数值是3的像素点，这两个像素点之间有明显的方向变化，形成一个变化程度较大的钝角，在图像上表现为一处明显的锐角突变。而像4，5，4这样的变化就较为平滑。分析序数值序列中的数字，只要位于该数字的八邻域（包括自身）的数字内，当两个数字之间的夹角较小，即变化程度都不大，例如对于数字6，下一个序数值是4，5，6，7，8的变化程度较小，下一个序数值是1，2，3的变化程度较大。对于序数值中3，4，5，6，7，都有序数值序列中相邻数据的差异小于3时，变化程度不大，大于等于3时变化程度大的规律，但是对于序数值中1，2，8在相邻序数值差值大于3时也有可能变化程度不大，比如1的相邻序数值是8的情况，所以再设置一个上限阈值，当序数值序列中相邻数据的差异大于等于3，且小于等于5时，该相邻数据之间变化程度较大。故本实施例设定的最小差异阈值a为3，最大差异阈值b为5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

由此可知目标连通域边界的形状变化程度C的计算公式为：

当或者时，的获取方式如下：

当时，的获取方式如下：

其中C为目标连通域边界的形状变化程度，和分别表示序数值序列第i 个和第i+1个数据值，n为目标连通域边界上的像素点数量，n也为序数值序列中的数据数 量，为设定的最小变化程度，为设定的最大变化程度，为序数值序列第i个 和第i+1个数据之间的变化程度，a为设定的最小差异阈值，b为设定的最大差异阈值，| |为 绝对值函数。本实施例以，为例进行叙述，其它实施方式中可设置为 其它值，本实施例不进行限定。

所需说明的是：当时，说明序数值序列第i个和第i+1个 数据值之间的变化程度较大，则令其为设定的最大变化程度。当或者时，说明序数值序列第i个和第i+1个数据值之间的变化程度较小，则 令其为设定的最小变化程度。由此令序数值序列所有相邻数据之间的变化程度的均值，表示目标连通域边界的形状变化程度，其值越大，说明目标连通域为重要的病变区 域的概率越大。

模块103：连通域重要程度分析模块。

对在CT图像中需要观察的区域进行分析，发现不需要进行CT图像诊断的部分，如CT图像中黑色的大面积区域，灰度的变化较少，且灰度梯度较为突变。内部的重要部分的连通域中小范围内灰度的整体呈现两种特征：整体的灰度变化更加多变，体现为连通域内灰度十分驳杂；灰度变化呈现边缘部分向四周梯度递减，体现为连通域边缘较为模糊。故通过对连通域中的灰度变化情况与灰度梯度特征程度综合进行评估，对每种情况的影响程度进行加权，构建对连通域的重要程度评估模型。

先得到目标连通域内区域的灰度变化程度。已知对于灰度差异，大约在2至5个单位的灰度级变化左右，被认为是能够被肉眼察觉到的差异，所以当像素点与比对像素点的灰度差值大于五则认为存在灰度差异。因此本实施例设定判断阈值为5，以为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

将目标连通域内任意一个像素点，记为目标像素点，分别计算目标像素点与其八邻域上所有的像素点的灰度差值的绝对值，将目标像素点与其八邻域上所有的像素点的灰度差值的绝对值中大于设定的判断阈值5时对应的八邻域上的像素点数量，记为目标像素点的灰度差异。

按照上述方式，得到目标连通域内每一个像素点的灰度差异。

由此可知目标连通域的灰度变化程度G的计算公式为：

其中G为目标连通域的灰度变化程度，为目标连通域内第j个像素点的灰度差 异，m为目标连通域内的像素点数量，为线性归一化函数，将数据值归一化至[0, 1]区间内。

所需说明的是：像素点与其八邻域上所有的像素点的灰度差值的绝对值中大于设 定的判断阈值5的数量越多，像素点的灰度差异越大，因此用目标连通域内所有像素点的灰 度差异均值的归一化值，表示目标连通域的灰度变化程度。

已知外部区域的灰度在与内部组织相接的边缘骤变，所以对应的灰度梯度将会很大，因为病变区域的边缘模糊，所以对应的边缘梯度将会较小。故可以通过连通域边界上所有像素点的灰度梯度大小的均值可以表示病变区域梯度特征的部分；病变的重要区域中心部分的梯度与边界部分的梯度差值较大，所以通过中心梯度与边界梯度的差值也可以表示。由于病变区域连通域由中心向四周灰度降低，中心有一部分灰度值最亮，有较明显的梯度，故使用大津算法得到目标连通域的分割阈值，将目标连通域内灰度值大于分割阈值的所有像素点构成的区域，记为目标连通域的中心区域。再使用Sobel算子，得到目标连通域内每一个像素点的灰度梯度值。其中，Sobel算子和大津算法均为公知技术，具体方法在此不做介绍。所需说明的是，Sobel算子计算出的灰度梯度值都是非负的。

由此可知目标连通域的梯度特征程度L的计算公式为：

其中L为目标连通域的梯度特征程度，为目标连通域边界上的第i个像素点的灰 度梯度值，n为目标连通域边界上的像素点数量，为目标连通域的中心区域内第x个像素 点的灰度梯度值，y为目标连通域的中心区域内的像素点数量。为以自然常数为底的 指数函数，本实施例以来呈现反比例关系及归一化处理，实施者可根据实际情况 设置反比例函数及归一化函数，k为设定的指数函数调整值，避免指数函数过早趋于0。为线性归一化函数，将数据值归一化至[0,1]区间内。本实施例以为例 进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

所需说明的是：表示目标连通域边界的梯度特征，其值越小，说明目标连通 域边界越符合病变的重要区域的边缘梯度特征，而表示目标连通域内 部的梯度特征差异，其值越大，说明目标连通域内部的梯度变化越符合病变的重要区域。因 此用反比例的归一化值为的调整至，两者乘积 的归一化值，表示目标连通域的梯度特征程度。

由此可知目标连通域的重要程度P的计算公式为：

其中P为目标连通域的重要程度，C为目标连通域边界的形状变化程度，G为目标连 通域的灰度变化程度，L为目标连通域的梯度特征程度，为设定的第一权值，为设定的 第二权值，为线性归一化函数，将数据值归一化至[0,1]区间内。本实施例以，为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限 定。

所需说明的说：表示目标连通域的内部特征，其值越大，为病 变的重要区域的概率越大，而C体现了目标连通域的边界特征，其值越大为病变的重要区域 的概率越大。因此用两者的乘积，表示目标连通域的重要程度。

模块104：图像灰度变换模块。

已知连通域的阈值参数就是在对连通域进行区域生长算法时，每个区域从种子点开始向周围生长的条件，即灰度值差异应小于阈值参数。对于CT图像中重要的区域使用较小阈值参数，增加区域生长条件的限制，令生长面积较小，对于不重要区域使用较大阈值参数，种子点与将要生长的区域只有相差较小的灰度值就可以生长。这样就可以得到不重要的区域对应的生长区域较大的效果。

由此可知目标连通域对应的阈值参数R的计算公式为：

其中R为目标连通域对应的阈值参数，P为目标连通域的重要程度，为设定的最 小阈值参数，为设定的最大阈值参数。所需说明的是，重要程度P越小，需要越小的阈值 参数，因此根据和设定阈值参数范围，得到目标连通域对应的阈值参数。

根据目标连通域对应的阈值参数，使用区域生长算法将目标连通域划分为若干个小连通域，将目标连通域划分的任意一个小连通域，记为参考小连通域。将参考小连通域内所有像素点的灰度值设置为参考小连通域内像素点灰度均值，得到更新参考小连通域。

按照上述方式，得到目标连通域划分的每一个小连通域对应的更新小连通域。根据目标连通域划分的所有小连通域对应的更新小连通域，构成更新目标连通域；

按照上述方式，得到胸部CT图像划分的每一个连通域的更新连通域，根据胸部CT图像划分的所有连通域的更新连通域，构成更新胸部CT图像。

模块105：数据压缩存储模块。

最后使用游程编码压缩算法，从更新胸部CT图像的左上角像素点开始逐行进行游程编码，得到压缩后的数据。将压缩后的数据存储到医院数据库中。所需说明的是，其令不重要的区域对应的生长连通域面积更大，自适应增加了不重要区域的冗余程度，令病变的重要区域的生长连通域面积较小，保护了病变区域的细节信息。其中，游程编码压缩算法为公知技术，具体方法在此不做介绍。

至此，本发明完成。

综上所述，在本发明实施例中，将胸部CT图像划分为若干个连通域，再将其任意一个连通域，记为目标连通域，根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列，再根据序数值序列中所有相邻数据的差异，得到目标连通域边界的形状变化程度，再根据目标连通域内像素点与其八邻域上的像素点的灰度差异，得到目标连通域的灰度变化程度，以及根据目标连通域内像素点的灰度梯度值之间的差异，得到目标连通域的梯度特征程度，由此得到目标连通域的重要程度，从而得到目标连通域对应的阈值参数，获取更新目标连通域，根据胸部CT图像划分的所有连通域的更新连通域，构成更新胸部CT图像，最后使用游程编码压缩算法，对更新胸部CT图像进行压缩处理，得到压缩后的数据，将压缩后的数据存储到医院数据库中。本发明通过CT图像中重要组织区域或病变区域的形态与灰度等特征，对不同区域进行不同精度的压缩，相比于以往CT图像压缩手段，本发明在提高压缩效率的同时，保证了CT图像中病变的重要区域的细节信息，不影响CT的解压后使用，极大降低了图像中相似数据的较高冗余度带来的数据存储空间冗余问题。

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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于空间冗余的医疗检查大数据压缩存储***，其特征在于，该***包括以下模块：

图像采集模块：用于采集胸部CT图像，使用区域生长算法将胸部CT图像划分为若干个连通域；

连通域边界分析模块：用于将胸部CT图像划分的任意一个连通域，记为目标连通域；根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列；根据序数值序列中所有相邻数据的差异，得到目标连通域边界的形状变化程度；

连通域重要程度分析模块：用于根据目标连通域内像素点与其八邻域上的像素点的灰度差异，得到目标连通域的灰度变化程度；根据目标连通域内像素点的灰度梯度值之间的差异，得到目标连通域的梯度特征程度；根据目标连通域边界的形状变化程度、目标连通域的灰度变化程度、目标连通域的梯度特征程度，得到目标连通域的重要程度；

图像灰度变换模块：用于根据目标连通域的重要程度，得到目标连通域对应的阈值参数；根据目标连通域对应的阈值参数，得到更新目标连通域；根据胸部CT图像划分的所有连通域的更新连通域，构成更新胸部CT图像；

数据压缩存储模块：用于使用游程编码压缩算法，对更新胸部CT图像进行压缩处理，得到压缩后的数据；将压缩后的数据存储到医院数据库中。

2.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域边界上所有相邻像素点的位置关系，得到序数值序列包括：

在胸部CT图像中，从每个像素点八邻域的左上角开始，按照顺时针方向，对每个像素点八邻域上的像素点依次排序，得到每个像素点八邻域上的所有像素点的序数值；

在目标连通域边界上，从任意一个像素点开始，逐个像素点遍历，依次统计每一个遍历的像素点处于其前一个遍历的像素点八邻域上的序数值，得到序数值序列。

3.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据序数值序列中所有相邻数据的差异，得到目标连通域边界的形状变化程度包括：

若序数值序列中相邻数据的差值的绝对值大于等于预设的最小差异阈值、且小于等于预设的最大差异阈值时，将序数值序列中相邻数据之间的变化程度设置为预设的最大变化程度；

若序数值序列中相邻数据的差值的绝对值小于预设的最小差异阈值、或者大于预设的最大差异阈值时，将序数值序列中相邻数据之间的变化程度设置为预设的最小变化程度；

将序数值序列中所有相邻数据之间的变化程度的均值，记为目标连通域边界的形状变化程度。

4.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域内像素点与其八邻域上的像素点的灰度差异，得到目标连通域的灰度变化程度包括：

将目标连通域内任意一个像素点，记为目标像素点；

分别计算目标像素点与其八邻域上所有的像素点的灰度差值的绝对值，将所述灰度差值的绝对值中大于预设的判断阈值时对应的八邻域上的像素点数量，记为目标像素点的灰度差异；

将目标连通域内所有像素点的灰度差异的均值的归一化值，记为目标连通域的灰度变化程度。

5.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域内像素点的灰度梯度值之间的差异，得到目标连通域的梯度特征程度包括：

使用大津算法得到目标连通域的分割阈值，将目标连通域内灰度值大于分割阈值的所有像素点构成的区域，记为目标连通域的中心区域；

使用Sobel算子，得到目标连通域内每一个像素点的灰度梯度值；

根据目标连通域边界上和目标连通域的中心区域内的像素点的灰度梯度值差异，得到目标连通域内部的梯度特征差异；

根据目标连通域内部的梯度特征差异、目标连通域边界上的像素点的灰度梯度值，得到目标连通域的梯度特征程度。

6.根据权利要求5所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域内部的梯度特征差异、目标连通域边界上的像素点的灰度梯度值，得到目标连通域的梯度特征程度对应的具体计算公式为：

其中L为目标连通域的梯度特征程度，为目标连通域边界上的第i个像素点的灰度梯度值，n为目标连通域边界上的像素点数量，/>为目标连通域的中心区域内第x个像素点的灰度梯度值，y为目标连通域的中心区域内的像素点数量，/>为目标连通域内部的梯度特征差异，/>为以自然常数为底的指数函数，k为预设的指数函数调整值，/>为线性归一化函数。

7.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域边界的形状变化程度、目标连通域的灰度变化程度、目标连通域的梯度特征程度，得到目标连通域的重要程度包括：

根据目标连通域的灰度变化程度、目标连通域的梯度特征程度、预设的第一权值和第二权值，得到目标连通域的内部特征；

根据目标连通域的内部特征和目标连通域边界的形状变化程度，得到目标连通域的重要程度。

8.根据权利要求7所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域的内部特征和目标连通域边界的形状变化程度，得到目标连通域的重要程度对应的具体计算公式为：

其中P为目标连通域的重要程度，C为目标连通域边界的形状变化程度，G为目标连通域的灰度变化程度，L为目标连通域的梯度特征程度，为预设的第一权值，/>为预设的第二权值，/>为目标连通域的内部特征，/>为线性归一化函数。

9.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域的重要程度，得到目标连通域对应的阈值参数对应的具体计算公式为：

其中R为目标连通域对应的阈值参数，P为目标连通域的重要程度，为预设的最小阈值参数，/>为预设的最大阈值参数。

10.根据权利要求1所述基于空间冗余的医疗检查大数据压缩存储***，其特征在于，所述根据目标连通域对应的阈值参数，得到更新目标连通域包括：

根据目标连通域对应的阈值参数，使用区域生长算法将目标连通域划分为若干个小连通域；

将目标连通域划分的任意一个小连通域，记为参考小连通域；

将参考小连通域内所有像素点的灰度值设置为参考小连通域内像素点灰度均值，得到更新参考小连通域；

根据目标连通域划分的所有小连通域对应的更新小连通域，构成更新目标连通域。