一种医疗摄影数据的获取方法及医疗摄影成像系统与流程

本发明属于医学成像技术领域，尤其涉及一种医疗摄影数据的获取方法及医疗摄影成像系统。

背景技术：

医疗摄影是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医疗摄影成像系统(medicalimagingsystem)和医学图像处理(medicalimageprocessing)。前者是指图像形成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。然而，现有医学成像图像识别过程不但耗时耗力，依赖经验，准确率不太理想，而且不同经验的医生对同一病症图片可能存在不同识别结论的风险；同时，一些现有的组织病症图像特征提取方法是提取手工设计的特征，由于病症图像的多样性及复杂性，这些手工设计的特征并不能准确区分病症图像的类别。

综上所述，现有技术存在的问题是：

现有医学成像图像识别过程不但耗时耗力，依赖经验，准确率不太理想，而且不同经验的医生对同一病症图片可能存在不同识别结论的风险；

同时，一些现有的组织病症图像特征提取方法是提取手工设计的特征，由于病症图像的多样性及复杂性，这些手工设计的特征并不能准确区分病症图像的类别。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种医疗摄影数据的获取方法及医疗摄影成像系统。

本发明是这样实现的，一种医疗摄影成像系统包括：

图像采集模块、主控模块、图像增强模块、图像识别模块、特征提取模块、图像分类模块、分析模块、数据存储模块、显示模块；

图像采集模块，与主控模块连接，用于通过医疗摄影设备采集患者病症部位图像数据信息；

主控模块，与图像采集模块、图像增强模块、图像识别模块、特征提取模块、图像分类模块、分析模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；

图像增强模块，与主控模块连接，用于通过图像处理软件增强采集图像的清晰度；

图像识别模块，与主控模块连接，用于通过图像处理软件对病症图片进行识别；

特征提取模块，与主控模块连接，用于通过图像处理软件提取采集图像病症特征元素；

图像分类模块，与主控模块连接，用于通过图像分析软件根据采集的特征元素对患者病症进行分析；

分析模块，与主控模块连接，用于通过图像分析软件对采集图像进行分类操作；

数据存储模块，与主控模块连接，用于通过存储器存储采集的患者病症部位图像数据信息；

显示模块，与主控模块连接，用于通过显示器显示医疗摄影成像系统界面及采集的患者病症部位图像数据信息。

本发明的另一目的在于提供一种医疗摄影数据的获取方法包括以下步骤：

步骤一，通过图像采集模块利用医疗摄影设备采集患者病症部位图像数据信息；

步骤二，主控模块通过图像增强模块利用图像处理软件增强采集图像的清晰度；

步骤三，通过图像识别模块利用图像处理软件对病症图片进行识别；通过特征提取模块利用图像处理软件提取采集图像病症特征元素；

步骤四，通过图像分类模块利用图像分析软件根据采集的特征元素对患者病症进行分析；

步骤五，通过分析模块利用图像分析软件对采集图像进行分类操作；通过数据存储模块利用存储器存储采集的患者病症部位图像数据信息；

步骤六，通过显示模块利用显示器显示医疗摄影成像系统界面及采集的患者病症部位图像数据信息。

进一步，所述图像识别模块识别方法如下：

(1)获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病症图片，所述负样本为正常或良性病变病症图片，所述恶性病变病症图片上标记出病变区域；

(2)将所述样本数据划分为训练集和测试集；

(3)利用所述训练集对深度神经网络模型进行训练；

(4)利用所述测试集对训练好的深度神经网络模型进行测试；

(5)根据测试结果对训练好的深度神经网络模型进行参数调整；

(6)利用训练好的深度神经网络模型对病症图片进行识别。

进一步，所述在获得样本数据后，按如下方式对所述样本数据进行预处理：

在恶性病变病症图片上标记的病变区域切割出不同尺寸的图片；

在正常或良性病变病症图片上随机切割出不同尺寸的图片。

进一步，所述不同尺寸的图片包括：256×256像素、512×512像素、1024×1024像素三种不同尺寸的图片。

进一步，所述利用所述训练集对深度神经网络模型进行训练，包括：将不同尺寸的图片分别输入深度神经网络模型进行训练；

利用所述测试集对训练好的深度神经网络模型进行测试，包括：将测试图片的识别结果与测试图片上的病变区域标记进行比对，输出测试结果；

根据测试结果对训练好的深度神经网络模型进行调整，包括：

在测试结果不正确时，将测试图片映射回原始病症图片，在测试图片周围切割出多个相同尺寸的图片，将切割出的图片输入深度神经网络模型进行迭代训练。

进一步，所述图像分类模块分类方法如下：

1)分别利用健康及患病的病症图像块训练对应poe模型；根据得到的两类poe模型对训练

2)图像块进行特征提取；

3)利用图像块的类别标注及其特征向量，训练svm分类器并找到图像块分类标准；

4)用该svm分类器分别统计训练图像中健康和患病图像块个数的比值，找出可区分两类图像的阈值η；

5)对待分类图像进行图像块级别的特征提取和svm分类，并根据阈值η做出图像类别的判断。

进一步，所述利用健康及患病的病症图像块训练对应的poe模型具体为：

分别从健康及患病的病症图像中随机选取大小为w×w的训练图像块，图像块间可重叠，并利用两类图像块分别训练其对应的poe模型，使各类样本在其对应的模型下出现的概率最大。

进一步，所述根据得到的两类poe模型对训练图像块进行特征提取具体为：

计算训练图像块在两类模型下的各专家值，将全部专家值按顺序相连得到矢量，该矢量作为样本在模型下的特征。

进一步，所述利用图像块的类别标注及其特征向量，训练svm分类器并找到图像块分类标准具体为：

从两类训练图像块中分别选取相同数量的图像块，根据图像块所属图像类别作为其类别医疗摄影，并利用其在poe模型下的特征进行svm分类器的训练，保存得到的分类标准，将其作为对未知类别图像块分类的模型。

进一步，所述用该svm分类器分别统计训练图像中健康和患病图像块个数的比值，找出可区分两类图像的阈值η具体为：

将训练图像划分为w×w的不重叠图像块，根据所得分类器对图像中的图像块类别作出判断，统计其中健康和患病图像块个数的比值，在训练集中找出可准确区分两类图像的阈值η，作为图像分类依据。

进一步，医疗摄影设备采集患者病症部位图像数据信息中，医疗摄影设备集成有：

医疗摄影信息录入系统，利用图像识别技术提取混沌图形医疗摄影的特征信息，然后将混沌图形医疗摄影的id、特征信息以及与医疗摄影关联的标的物的信息存入云端数据中；

医疗摄影验证系统，利用相同的图像识别技术计算出混沌图形医疗摄影的特征信息，然后利用混沌图形医疗摄影的id在云端数据库中找出对应医疗摄影特征信息，根据两个特征信息相似度，判断是否匹配，如果匹配，则返回当前医疗摄影关联的标的物信息，如果不匹配，则返回匹配失败。

进一步，医疗摄影信息录入系统的信息录入方法包括：

步骤1，采用多角度图形扫描技术，每次图形扫描时较上次扫描错开一定角度；

步骤2，利用角点检测算法，计算出不同视角的混沌图形医疗摄影的角点，并进行特征匹配，得到相邻视角图像之间的匹配特征点；

步骤3，根据计算机多视几何原理，利用7点算法计算相邻匹配图像间的基础矩阵；

步骤4，利用基础矩阵，计算出任一图像中的每个特征点在相邻匹配图像上对应的对极线，利用局部模板匹配算法，计算出对极线上存在的其他匹配的特征点；

步骤5，计算匹配图像的匹配特征点视差，得到相邻匹配图像视差图；

步骤6，利用视差原理，由得到的相邻匹配图像的视差图计算出混沌图形医疗摄影中的特征点空间坐标，并进一步得到混沌图形医疗摄影中的特征点相对位置信息；

步骤7，利用基于结构的图像纹理特征提取算法，提取每个视角对应的混沌图形医疗摄影中点位分布的纹理信息；

步骤8，将医疗摄影关联的标的物信息与获取的混沌图形医疗摄影的特征相对位置信息及纹理信息构成复合数据信息，赋予id信息，并将复合数据信息及id信息存入后台数据库。

进一步，图像识别方法包括：

步骤一，采用多角度图形扫描技术，每次图形扫描时较上次扫描错开；

步骤二，利用角点检测算法，计算出不同视角的混沌图形医疗摄影的角点，并进行特征匹配，得到相邻视角图像之间的匹配特征点；

步骤三，根据计算机多视几何原理，利用7点算法计算相邻匹配图像间的基础矩阵；

步骤四，利用基础矩阵，计算出任一图像中的每个特征点在相邻匹配图像上对应的对极线，利用局部模板匹配算法，计算出对极线上存在的其他匹配的特征点；

步骤五，计算匹配图像的匹配特征点视差，得到相邻匹配图像视差图；

步骤六，利用视差原理，由得到的相邻匹配图像的视差图计算出混沌图形医疗摄影中的特征点空间坐标，并进一步得到混沌图形医疗摄影中的特征点相对位置信息；

步骤七，利用基于结构的图像纹理特征提取算法，提取每个视角对应的混沌图形医疗摄影中点位分布的纹理信息；

步骤八，识别出医疗摄影上的二维码信息，读取医疗摄影id；步骤九，利用医疗摄影id在数据库中获得之前录入的医疗摄影信息，并与以上获得的混沌图形医疗摄影的角点相对位置信息、医疗摄影纹理特征进行相似性度量。

本发明的优点及积极效果为：

本发明通过图像识别模块使训练好的深度神经网络模型具有病症图片自动识别功能，将病症图片输入该深度神经网络模型，即可识别出病症图片上可能有恶性病变的区域，实现对病症图片的良恶性分类，整个过程省时、省力；本发明通过图像分类模块利用专家乘积系统来描述组织病症图像概率分布，该方法可作为通用的特征表示方法，对于不同图像类别适用性强；可以在较短的特征长度下具有较好的分类性能，且稳定性高。

本发明利用图像识别与多视几何原理，计算出混沌图形的表面空间关系，并根据混沌标签的结构唯一性与相似性度量，实现混沌图形标签的智能识别，鉴别快速准确，极大程度提升采集清晰度。

本发明提取混沌图形纹理特征，并在智能识别过程中进行对比验证，避免由于混沌图形标签空间结构识别的准确性不足而引起的误差，进一步提高了验证结果的可靠性。

附图说明

图1是本发明实施例提供的医疗摄影数据的获取方法流程图。

图2是本发明实施例提供的医疗摄影成像系统结构框图。

图2中：1、图像采集模块；2、主控模块；3、图像增强模块；4、图像识别模块；5、特征提取模块；6、图像分类模块；7、分析模块；8、数据存储模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

现有医学成像图像识别过程不但耗时耗力，依赖经验，准确率不太理想，而且不同经验的医生对同一病症图片可能存在不同识别结论的风险；

同时，一些现有的组织病症图像特征提取方法是提取手工设计的特征，由于病症图像的多样性及复杂性，这些手工设计的特征并不能准确区分病症图像的类别。

为解决上述技术问题，下面结合技术方案对本发明做详细描述。

如图1所示，本发明实施例提供的医疗摄影数据的获取方法包括以下步骤：

s101，通过图像采集模块利用医疗摄影设备采集患者病症部位图像数据信息。

s102，主控模块通过图像增强模块利用图像处理软件增强采集图像的清晰度。

s103，通过图像识别模块利用图像处理软件对病症图片进行识别；通过特征提取模块利用图像处理软件提取采集图像病症特征元素。

s104，通过图像分类模块利用图像分析软件根据采集的特征元素对患者病症进行分析。

s105，通过分析模块利用图像分析软件对采集图像进行分类操作；通过数据存储模块利用存储器存储采集的患者病症部位图像数据信息。

s106，通过显示模块利用显示器显示医疗摄影成像系统界面及采集的患者病症部位图像数据信息。

如图2所示，本发明实施例提供的医疗摄影成像系统包括：图像采集模块1、主控模块2、图像增强模块3、图像识别模块4、特征提取模块5、图像分类模块6、分析模块7、数据存储模块8、显示模块9。

图像采集模块1，与主控模块2连接，用于通过医疗摄影设备采集患者病症部位图像数据信息；

主控模块2，与图像采集模块1、图像增强模块3、图像识别模块4、特征提取模块5、图像分类模块6、分析模块7、数据存储模块8、显示模块9连接，用于通过单片机控制各个模块正常工作；

图像增强模块3，与主控模块2连接，用于通过图像处理软件增强采集图像的清晰度；

图像识别模块4，与主控模块2连接，用于通过图像处理软件对病症图片进行识别；

特征提取模块5，与主控模块2连接，用于通过图像处理软件提取采集图像病症特征元素；

图像分类模块6，与主控模块2连接，用于通过图像分析软件根据采集的特征元素对患者病症进行分析；

分析模块7，与主控模块2连接，用于通过图像分析软件对采集图像进行分类操作；

数据存储模块8，与主控模块2连接，用于通过存储器存储采集的患者病症部位图像数据信息；

显示模块9，与主控模块2连接，用于通过显示器显示医疗摄影成像系统界面及采集的患者病症部位图像数据信息。

本发明实施例中，本发明提供的图像识别模块4识别方法如下：

(1)获得样本数据，所述样本数据包括正样本和负样本，所述正样本为恶性病变病症图片，所述负样本为正常或良性病变病症图片，所述恶性病变病症图片上标记出病变区域；

(2)将所述样本数据划分为训练集和测试集；

(3)利用所述训练集对深度神经网络模型进行训练；

(4)利用所述测试集对训练好的深度神经网络模型进行测试；

(5)根据测试结果对训练好的深度神经网络模型进行参数调整；

(6)利用训练好的深度神经网络模型对病症图片进行识别。

本发明提供的在获得样本数据后，按如下方式对所述样本数据进行预处理：

在恶性病变病症图片上标记的病变区域切割出不同尺寸的图片；

在正常或良性病变病症图片上随机切割出不同尺寸的图片。

本发明提供的不同尺寸的图片包括：256×256像素、512×512像素、1024×1024像素三种不同尺寸的图片。

本发明实施例中，本发明提供的利用所述训练集对深度神经网络模型进行训练，包括：将不同尺寸的图片分别输入深度神经网络模型进行训练；

利用所述测试集对训练好的深度神经网络模型进行测试，包括：将测试图片的识别结果与测试图片上的病变区域标记进行比对，输出测试结果；

根据测试结果对训练好的深度神经网络模型进行调整，包括：

在测试结果不正确时，将测试图片映射回原始病症图片，在测试图片周围切割出多个相同尺寸的图片，将切割出的图片输入深度神经网络模型进行迭代训练。

本发明提供的图像分类模块6分类方法如下：

1)分别利用健康及患病的病症图像块训练对应poe模型；根据得到的两类poe模型对训练

2)图像块进行特征提取；

3)利用图像块的类别标注及其特征向量，训练svm分类器并找到图像块分类标准；

4)用该svm分类器分别统计训练图像中健康和患病图像块个数的比值，找出可区分两类图像的阈值η；

5)对待分类图像进行图像块级别的特征提取和svm分类，并根据阈值η做出图像类别的判断。

本发明实施例中，本发明提供的利用健康及患病的病症图像块训练对应的poe模型具体为：

分别从健康及患病的病症图像中随机选取大小为w×w的训练图像块，图像块间可重叠，并利用两类图像块分别训练其对应的poe模型，使各类样本在其对应的模型下出现的概率最大。

本发明提供的根据得到的两类poe模型对训练图像块进行特征提取具体为：

计算训练图像块在两类模型下的各专家值，将全部专家值按顺序相连得到矢量，该矢量作为样本在模型下的特征。

本发明提供的利用图像块的类别标注及其特征向量，训练svm分类器并找到图像块分类标准具体为：

从两类训练图像块中分别选取相同数量的图像块，根据图像块所属图像类别作为其类别医疗摄影，并利用其在poe模型下的特征进行svm分类器的训练，保存得到的分类标准，将其作为对未知类别图像块分类的模型。

本发明提供的用该svm分类器分别统计训练图像中健康和患病图像块个数的比值，找出可区分两类图像的阈值η具体为：

将训练图像划分为w×w的不重叠图像块，根据所得分类器对图像中的图像块类别作出判断，统计其中健康和患病图像块个数的比值，在训练集中找出可准确区分两类图像的阈值η，作为图像分类依据。

本发明实施例中，医疗摄影设备采集患者病症部位图像数据信息中，医疗摄影设备集成有：

医疗摄影信息录入系统，利用图像识别技术提取混沌图形医疗摄影的特征信息，然后将混沌图形医疗摄影的id、特征信息以及与医疗摄影关联的标的物的信息存入云端数据中；

医疗摄影验证系统，利用相同的图像识别技术计算出混沌图形医疗摄影的特征信息，然后利用混沌图形医疗摄影的id在云端数据库中找出对应医疗摄影特征信息，根据两个特征信息相似度，判断是否匹配，如果匹配，则返回当前医疗摄影关联的标的物信息，如果不匹配，则返回匹配失败。

本发明实施例中，医疗摄影信息录入系统的信息录入方法包括：

步骤1，采用多角度图形扫描技术，每次图形扫描时较上次扫描错开一定角度；

步骤2，利用角点检测算法，计算出不同视角的混沌图形医疗摄影的角点，并进行特征匹配，得到相邻视角图像之间的匹配特征点；

步骤3，根据计算机多视几何原理，利用7点算法计算相邻匹配图像间的基础矩阵；

步骤4，利用基础矩阵，计算出任一图像中的每个特征点在相邻匹配图像上对应的对极线，利用局部模板匹配算法，计算出对极线上存在的其他匹配的特征点；

步骤5，计算匹配图像的匹配特征点视差，得到相邻匹配图像视差图；

步骤6，利用视差原理，由得到的相邻匹配图像的视差图计算出混沌图形医疗摄影中的特征点空间坐标，并进一步得到混沌图形医疗摄影中的特征点相对位置信息；

步骤7，利用基于结构的图像纹理特征提取算法，提取每个视角对应的混沌图形医疗摄影中点位分布的纹理信息；

步骤8，将医疗摄影关联的标的物信息与获取的混沌图形医疗摄影的特征相对位置信息及纹理信息构成复合数据信息，赋予id信息，并将复合数据信息及id信息存入后台数据库。

本发明实施例中，图像识别方法包括：

步骤一，采用多角度图形扫描技术，每次图形扫描时较上次扫描错开；

步骤二，利用角点检测算法，计算出不同视角的混沌图形医疗摄影的角点，并进行特征匹配，得到相邻视角图像之间的匹配特征点；

步骤三，根据计算机多视几何原理，利用7点算法计算相邻匹配图像间的基础矩阵；

步骤四，利用基础矩阵，计算出任一图像中的每个特征点在相邻匹配图像上对应的对极线，利用局部模板匹配算法，计算出对极线上存在的其他匹配的特征点；

步骤五，计算匹配图像的匹配特征点视差，得到相邻匹配图像视差图；

步骤六，利用视差原理，由得到的相邻匹配图像的视差图计算出混沌图形医疗摄影中的特征点空间坐标，并进一步得到混沌图形医疗摄影中的特征点相对位置信息；

步骤七，利用基于结构的图像纹理特征提取算法，提取每个视角对应的混沌图形医疗摄影中点位分布的纹理信息；

步骤八，识别出医疗摄影上的二维码信息，读取医疗摄影id；步骤九，利用医疗摄影id在数据库中获得之前录入的医疗摄影信息，并与以上获得的混沌图形医疗摄影的角点相对位置信息、医疗摄影纹理特征进行相似性度量。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。