专利名称：基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法
技术领域：
本发明涉及医学图像的处理方法，具体涉及一种基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法。
背景技术：
数字化健康诊断系统是实现医疗单位数字化、网络化的重要组成部分。现有的远程医疗诊断系统，往往依赖于特定的硬件系统，将病人信息如病历、医学图片通过文件或视频方式进行远程传输，往往需要医生通过网络进行实时会诊，对诊断的医生要求高，而病人信息如传递的医学图像，由于医学图像文件一般较大，受带宽等因素限制，传输速度慢，效果不好，也影响了诊断质量。目前的医学图像压缩技术，虽然有提出对兴趣区(ROI)和非兴趣区域采用不同的压缩方法以提高传输效率，但是主要的问题是，需要医生通过人工交互界面来确定兴趣区， 受医生经验、单位人力资源条件和主观因素等限制，缺乏固定的标准来衡量兴趣区的准确性。
发明内容
本发明的目的是提供一种能对医学图像进行有效压缩并提高医学图像文件传输速度的的医学图像兴趣区自动识别和分级压缩方法，通过基于人工神经网络的图像处理方法来自动识别兴趣区和分级，从而实现对兴趣区(ROI)和非兴趣区域不同级别采用不同的压缩方法，达到提高远程医疗的诊疗效率和诊疗质量的双重目的。本发明所采用的技术方案是
基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法，其特征在于 由以下步骤实现
步骤一对医学数字影像即DICOM影像进行预处理，包括消除背景噪声、窗/水平调整和直方图均衡化处理，及运用基于栅格搜索和哈夫变换的边缘检测算法，识别人体组织轮廓，确定人体内部组织和表皮肌肉的界限；
步骤二 通过应用带通滤波器和小波滤波器算法，对步骤一分割出来的组织影像进行多次叠加运算，强化图像特征，识别兴趣区；然后提取兴趣区特征值，并根据特征值信息， 应用人工神经网络方法进行分类，确定兴趣区和相应的级别；
步骤三根据当前网络带宽条件以及医生对网络传输效果的要求，对步骤二确定的兴趣区和非感兴趣区按照不同级别采用不同的压缩方式。步骤一中所述的预处理是指去除图像边缘的白道、人为加注的图像信息、无关的噪音数据和人体组织轮廓以外的空气背景。步骤二中所述的特征值为兴趣区图像的密度、形态、纹理、位置和距离信息。所述的步骤三中，根据当前网络带宽条件包括宽带、无线、拨号的上网方式以及当前网速，医生对网络传输效果的要求包括每幅图包含兴趣区的数目和压缩方式即快速压缩、适当压缩或精确压缩，按兴趣区和非感兴趣区的不同级别采用不同的压缩方式生成 TIFF图像；
对步骤三确定的兴趣区应用LZW编码无损压缩；
对包括兴趣区和非感兴趣区域的整图采用相应不同压缩比例的JPEG有损压缩。本发明具有以下优点
(1)本发明对医学图像文件进行降噪处理，并将病灶所在的兴趣区图像的特征进行强化，不仅使图像文件大幅变小，提高了传输速率，还保留了图像中用于诊疗的有效必要信息，便于医生阅读。(2)患者可在社区医疗中心、体检中心或医学图像中心，利用当地设备采集数据， 并通过有线网或无线网络传输数据到远程处理中心，获得专业分析结果，无需再到城市中心医院挂号、排队。(3)医疗单位不用购买昂贵的远程医疗专用设备，可以利用通用的计算机硬件和网络，在边远乡村可以只需要一台带有无线网卡的笔记本或一部TD物联网终端，就可以利用先进的网络技术，获得专业的诊断结果。而实施远程诊断的医生无需投入额外的时间如与病人实时会谈、多人重复读片及会诊，通过智能算法的自动分析和网络的调度，可以大大减轻医生的工作量，有效降低了医疗运行成本，并提升了医疗技术服务水平。(4)现行的体检由于缺乏精确有效的技术和相关领域的专家，往往限制了其预防治疗的效果。本技术将有利于促进医疗检查成本的降低，普及常规性体检。随着医学远程诊断技术的提高，每年例行体检将成为预防治疗的重要手段，为很多重大疾病消灭在早期提供保障，实现预防治疗的先进理念，提高群众的健康生活水平。
图1为本发明的步骤流程图。图2为4个具有不同标准差的高斯卷积算子构成的带通滤波器。图3为人工神经网络向后传播算法的算法设计图。图4为待处理影像原图。图5为待处理影像原图的直方图曲线。图6为优化处理后的影像图。图7为优化处理后的影像图的直方图曲线。图8为压缩处理后的图像，A为整图有损压缩，兴趣区用方框标识；B、C为无损压缩，B是疑似肿块，C是微钙化簇。
具体实施例方式
下面结合具体实施方式
对本发明进行详细的说明。 如图1所示，本发明所涉及的数字诊断系统医学图像传输过程中图像文件的压缩方法，由以下步骤实现 步骤一预处理
在客户端采集医学数字影像，即DICOM影像，对该影像文件进行预处理，包括背景消除，窗/水平修正和直方图均衡以及去除噪音和无关信息。图像背景包括由于准直器阻塞引起的X光胶片边缘的白道、人为加注信息和病人轮廓之外的区域。消除背景将帮助增强图像的视觉质量，同时为后续的处理减少工作量。为了确保不把诊断相关的图像错误擦除，采用基于图像直方图分析的动态阈值法，即在直方图上确定两个峰值，则二者之间频率的最低处设为T1 ；
再用一个固定大小的窗在图像中心部分及周围扫描，图像中心部分高于平均值的窗应在人体组织内，计算出窗内的平均值和方差，然后选取单侧0. 95信任度的频率值设为T2 ； 选取二者中的最小值作为阈值来分离背景Min {T" T2)。这种方法比传统的图像直方图分析方法更安全，在最坏情况(兴趣区包括大块的组织和脂肪层，但是其边缘十分模糊)下，由于脂肪层的光强度一般低于其他组织，可能会把低于10%的脂肪组织也分离出去，但是考虑到脂肪层往往不是病变产生部位，所以是安全的。窗/水平修正用于调节图像对比度和显示质量。窗是指灰度值的分布范围，窗值减小则增加图像的对比度。水平值是窗范围间隔的中心。通过计算机自动找出整个图像直方图的最大值和最小值，抑制无关的灰度值，用窗和水平生成用于图像显示的缺省的查找表，从而提高图像的显示质量。直方图均衡是将图像灰度信息分布得尽可能均勻，通过分析图像强度和光阶，从图像的直方图计算归一化累加直方图，从而生成图像细节得到明显增强的图像。哈夫变换(Hough Transform)算法，是利用图像全局特性检测目标轮廓，将边缘像素连接组成封闭边界的一种常用方法，其优点是受噪声和曲线间断的影响较小。为了检查人体内部组织和表皮肌肉的界限，可以有两种方法栅格搜索和曲线矢量法。栅格法有时会在某些情况下错误地标出边界信息，但是曲线矢量法的缺点是计算量大。为了满足系统对响应时间和性能的要求，采用了综合栅格搜索和基于哈夫变换的边缘检测算法，来实现快速准确地确定组织与表皮的边界，生成组织掩码，从而隔离出人体组织影像。步骤二 识别兴趣区
对步骤一分割出来的人体组织影像进行图像分析，判断兴趣区(R0I)。带通滤波器(band-pass filters)算法通过将待处理像素周围一个领域的像素灰度与对应的带通滤波器元素进行运算来提高信噪比和增强图像。图2显示的是由4个具有不同标准差(standard deviation)的高斯卷积算子(Gaussian kernels)构成的带通滤波器，用于增强中央组织信号。图像边缘是图像上灰度的不连续点或灰度剧烈变化的地方，在实际图像中，由于噪声的存在，边缘检测成为一个难题。经典的边缘检测方法如Roberts算子，Sobel算子， Prewitt算子，Log算子和Carmy算子，都有不足之处，在某些具体情况下并不能检测到物体的最佳边缘。经过研究，采用使用二维离散小波变换的图像边缘检测算法，首先对离散小波变换系数
WjtCn1 +s，n2 + s) 及 W:t (Il1+ s, n2+ s)
做增强变换，然后对调整后的系数重建，可以对图像做非线性对比度增强，在抑制噪声的同时提供了较高的边缘定位精度。
将以上两种算法处理的结果进行叠加运算，从而识别强化兴趣区(ROI，Region of Interest)特征；再对兴趣区的图像，提取特征值包括图像的密度、形态、纹理、位置、 图像强度均值和标准差、与表皮距离、针状体的数目和大小等信息。将以上所述兴趣区的特征值信息，输入到人工神经网络，来确定兴趣区。人工神经网络就是模拟人思维通过神经元之间同时相互作用的动态过程，是一个非线性动态系统，其特色在于信息的分布式存储和并行协同处理。目前最成熟、应用最为广泛的人工神经网络“向后传播算法(Back Propagat ion，BP ) ”，人工神经网络向后传播算法(Back ft~0pagati0n，BP)算法的设计主要包括输入层、隐层、输出层及各层之间的传输函数几个方面，见图3。
1)、网络层数。BP网络可以包含不同的隐层，理论上已经证明具有偏差和至少一个S 型隐层加上一个线性输出层的网络，能够逼近任何有理函数。对隐层层数的经验选择为对于线性问题一般可以采用感知器或自适应网络来解决，而不采用非线性网络，因为单层不能发挥出非线性激活函数的特长；非线性问题，一般采用两层或两层以上的隐层，但是误差精度的提高实际上也可以通过增加隐层中的神经元数目获得，其训练效果也比增加层数更容易观察和调整，所以一般情况下，应优先考虑增加隐层中的神经元数。2)、输入层的节点数和输出层的节点数。输入层起缓冲存储器的作用，它接收外部的输入数据，因此其节点数取决于输入矢量的维数 ，相应的输入层也有不同个数的神经元。输出层的节点数取决于两个方面，输出数据类型和表示该类型所需的数据大小。由于预测的输出样本为2维的输出向量即兴趣区类型(如肿块或微钙化簇)和级别(在O和1之间，O表示不是病变，1表示确诊病变；级别越高，病变的可能性越大)，因此，输出层有2个神经元。
3)、隐层神经元的节点数。隐层神经元的节点数确定是通过对不同神经元数进行训练对比，然后适当的增加一点余量。根据经验，参照以下公式进行设计
式中:n为隐层节点数礼为输入节点数识0为输出节点数为1 10之间的常数。 4)、传输函数。一般情况下BP网络结构均是在隐层采用S型激活函数，而输出层采用线性激活函数。5)、训练方法的选取。采用附加动量法使反向传播减少了网络在误差表面陷入低谷的可能性有助于减少训练时间。太大的学习速率导致学习的不稳定，太小值又导致极长的训练时间。自适应学习速率通过保证稳定训练的前提下，达到了合理的高速率，可以减少训练时间。6)、学习速率的经验选择。一般情况下倾向于选取较小的学习速率以保证系统的稳定性，学习速率的选取范围推荐在0. 01 0. 8之间。
7)、期望误差的选取。若样本的目标输出值为7)，则误差函数为
权利要求
1.基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法，其特征在于由以下步骤实现步骤一对医学数字影像即DICOM影像进行预处理，包括消除背景噪声、窗/水平调整和直方图均衡化处理，及运用基于栅格搜索和哈夫变换的边缘检测算法，识别人体组织轮廓，确定人体内部组织和表皮肌肉的界限；步骤二 通过应用带通滤波器和小波滤波器算法，对步骤一分割出来的组织影像进行多次叠加运算，强化图像特征，识别兴趣区；然后提取兴趣区特征值，并根据特征值信息， 应用人工神经网络方法进行分类，确定兴趣区和相应的级别；步骤三根据当前网络带宽条件以及医生对网络传输效果的要求，对步骤二确定的兴趣区和非感兴趣区按照不同级别采用不同的压缩方式。
2.根据权利要求1所述的基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法，其特征在于步骤一中所述的预处理是指去除图像边缘的白道、人为加注的图像信息、无关的噪音数据和人体组织轮廓以外的空气背景。
3.根据权利要求1或2所述的基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法，其特征在于步骤二中所述的特征值为兴趣区图像的密度、形态、纹理、位置和距离信息。
4.根据权利要求3所述的基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法，其特征在于所述的步骤三中，根据当前网络带宽条件包括宽带、无线、拨号的上网方式以及当前网速，医生对网络传输效果的要求包括每幅图包含兴趣区的数目和压缩方式即快速压缩、适当压缩或精确压缩，按兴趣区和非感兴趣区的不同级别采用不同的压缩方式生成TIFF图像；对步骤三确定的兴趣区应用LZW编码无损压缩；对包括兴趣区和非感兴趣区域的整图采用相应不同压缩比例的JPEG有损压缩。
全文摘要
本发明涉及一种基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法。数字诊断系统中的医学图像文件一般较大，受带宽等因素限制，传输速度慢，效果不好，也影响了诊断质量。本发明对医学数字影像进行除噪处理，识别人体组织轮廓，对组织影像进行多次叠加运算,强化兴趣区的图像特征，提取特征值，应用人工神经网络方法进行分类，确定兴趣区和相应的级别，按兴趣区和非感兴趣区的不同级别采用不同的压缩方式生成TIFF图像。本发明不仅使医学图像文件大幅变小，提高了传输速率，还保留了图像中用于诊疗的有效必要信息，便于医生阅读，可运用到数字诊断系统和远程医疗系统中，提高诊疗效率和效果。
文档编号G06N3/02GK102332162SQ20111027617
公开日2012年1月25日 申请日期2011年9月19日 优先权日2011年9月19日
发明者周明, 张雪英 申请人:西安百利信息科技有限公司