一种神经系统影像交互信息处理系统及方法技术方案

本发明专利技术属于神经系统影像交互信息处理技术领域，公开了一种神经系统影像交互信息处理系统及方法，神经系统影像交互信息处理系统包括：神经影像采集模块、主控模块、影像增强模块、影像特征提取模块、影像压缩模块、影像分类模块、影像加密模块、影像存储模块、显示模块。本发明专利技术通过影像压缩模块大大提高了压缩效率，与现有仅对横断面序列进行视频压缩的方法相比，能发现神经影像数据在体积内或体积间上下、前后、左右方向上空间相关度或时间相关度最高的方向，进一步提高了压缩效率；采用高性能的标准视频编码器进行神经影像压缩，便于解码压缩后的神经影像数据，易于推广。

An image interactive information processing system and method for neural system

【技术实现步骤摘要】
一种神经系统影像交互信息处理系统及方法
本专利技术属于神经系统影像交互信息处理
，尤其涉及一种神经系统影像交互信息处理系统及方法。
技术介绍
神经系统(nervoussystem)是机体内对生理功能活动的调节起主导作用的系统，主要由神经组织组成，分为中枢神经系统和周围神经系统两大部分。中枢神经系统又包括脑和脊髓，周围神经系统包括脑神经和脊神经。中枢神经系统(centralnervoussystem＝CNS)是神经系统的主要部分，包括位于椎管内的脊髓和位于颅腔内的脑；其位置常在动物体的中轴，由明显的脑神经节、神经索或脑和脊髓以及它们之间的连接成分组成。在中枢神经系统内大量神经细胞聚集在一起，有机地构成网络或回路；其主要功能是传递、储存和加工信息，产生各种心理活动，支配与控制动物的全部行为。然而，现有神经影像压缩算法无法正确重建原始影像，可能导致错误诊断或分析；同时，对神经影像的分类准确性差。针对高维医学影像的无损压缩方法主要分为基于小波变换的方法和基于预测编码的方法。前者利用离散小波变换去除数据冗余，如基于JPEG2000、3D-JPEG2000、4D-JPEG2000的医学影像压缩方法；后者利用MC(MotionCompensation，运动补偿)或DPCM(DifferentialPulseCodeModulation，差分脉冲编码调制)去除层内、层间或体积间的数据相关性，如基于H.264/AVC、HEVC视频编码标准的医学影像压缩方法。大量测试结果表明，基于预测编码的方法比基于小波变换的方法具有更高的压缩性能。Sanchez等人(V.Sanchez,P.Nasiopoulos,R.Abugharbieh."Efficientlosslesscompressionof4-Dmedicalimagesbasedontheadvancedvideocodingscheme",IEEETransactionsonInformationTechnologyinBiomedicine.vol.12,no.4,pp.442-446,July2008.)提出了一种基于H.264/AVC视频编码标准的四维医学影像压缩方法。该方法通过将H.264/AVC的多参考帧运动补偿技术引入空间维度与时间维度的层间预测之中，有效地去除了各维度的数据冗余，与基于小波变换的方法相比，大幅提高了压缩效率。Sanchez等人(V.Sanchez,P.Nasiopoulos,R.Abugharbieh."NovellosslessfMRIimagecompressionbasedonmotioncompensationandcustomizedentropycoding",IEEETransactionsonInformationTechnologyinBiomedicine.vol.13,no.4,pp.645-655,July2009.)对上述基于H.264/AVC多参考帧运动补偿技术的医学影像无损压缩方法进行了改进，提出了一种用于功能性磁共振影像的无损压缩算法。通过引入4-D运动搜索、可变尺寸块匹配和双向预测机制，进一步降低了空间维度与时间维度的数据冗余。根据残差数据和运动矢量数据的统计特性，设计了适于对此类数据进行熵编码的上下文自适应二进制算数编码器，进一步提高了编码性能。虽然上述基于视频编码标准的医学影像无损压缩方法具有优秀的压缩性能，但仍然存在以下问题：上述基于H.264/AVC的医学影像压缩方法虽然在编码性能上表现突出，但仅考虑了如何利用视频编码框架去除数据冗余，局限于通过改进视频编码器以提高其无损编码效率，而没有充分考虑医学影像数据在空间、时间上的相关性要远远高于视频编码所面向的自然场景。由于在保持相同视觉质量的前提下，HEVC的压缩效率比H.264/AVC提高一倍，因此，上述基于H.264/AVC的医学影像压缩方法还有较大的压缩比提升空间。上述基于HEVC的医学影像压缩方法过于强调解码图像的随机访问需求，根据原始影像目标边缘丰富的特征，仅通过改进HEVC的帧内预测编码机制提高压缩效率，却忽略了压缩性能更为突出的HEVC帧间预测编码。上述方法均涉及对标准视频编码器内部预测编码或熵编码机制的改动，产生的视频码流不再符合标准规定，无法利用标准解码器解码，势必影响此类方法的实际应用与推广，实用性有待检验。针对上述问题，现有技术有：一种神经影像图压缩方法，包括：获取待压缩的神经影像图。对所述待压缩的神经影像图进行多源特征提取，获得所述待压缩的神经影像图对应的多个数据源特征。基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征。将所述多个数据源特征中的选择特征带入预设的压缩库进行压缩，获得压缩结果。综上所述，现有技术存在的问题是：现有神经影像压缩算法无法正确重建原始影像，可能导致错误诊断或分析；同时，对神经影像的分类准确性差。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种神经系统影像交互信息处理系统及方法。本专利技术是这样实现的，一种神经系统影像交互信息处理方法，包括：第一步，利用提取程序提取神经影像特征数据：(a)利用图像提取设备提取的图像进行神经影像特征识别；(b)根据神经影像特征识别的结果，确定提取到神经影像特征的图像提取设备，将所述图像提取设备作为当前图像提取设备；(c)关闭除当前图像提取设备外的其它图像提取设备；(d)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域；(e)将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域，其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域；若所述神经影像特征在第一区域或第三区域，根据第一区域或第三区域在图像上的方位，开启所述当前图像提取设备相应方向的图像提取设备；若所述神经影像特征在第二区域，根据所述神经影像特征的反应区域开启所述当前图像提取设备相应方向的图像提取设备，并关闭所述当前图像提取设备；所述预设阈值包括第一阈值和第二阈值，其中所述第一阈值小于所述第二阈值；将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域包括：若所述位置小于所述第一阈值，确定所述神经影像特征位于第一区域；若所述位置大于等于所述第一阈值、小于等于所述第二阈值，确定所述神经影像特征位于第二区域；若所述位置大于所述第二阈值，确定所述神经影像特征位于第三区域；(f)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域中：(f.1)对所述当前图像提取设备采集的当前图像以及当前图像的下一个图像进行边缘提取，获取当前图像的第一神经影像特征边缘信息和所述当前图像的下一个图像的第二神经影像特征边缘信息；(f.2)将所述第二神经影像特征边缘信息与所述第一神经影像特征本文档来自技高网...

【技术保护点】
1.一种神经系统影像交互信息处理方法，其特征在于，所述神经系统影像交互信息处理方法包括：/n第一步，利用提取程序提取神经影像特征数据：/n(a)利用图像提取设备提取的图像进行神经影像特征识别；/n(b)根据神经影像特征识别的结果，确定提取到神经影像特征的图像提取设备，将所述图像提取设备作为当前图像提取设备；/n(c)关闭除当前图像提取设备外的其它图像提取设备；/n(d)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域；/n(e)将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域，其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域；/n若所述神经影像特征在第一区域或第三区域，根据第一区域或第三区域在图像上的方位，开启所述当前图像提取设备相应方向的图像提取设备；/n若所述神经影像特征在第二区域，根据所述神经影像特征的反应区域开启所述当前图像提取设备相应方向的图像提取设备，并关闭所述当前图像提取设备；/n所述预设阈值包括第一阈值和第二阈值，其中所述第一阈值小于所述第二阈值；/n将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域包括：/n若所述位置小于所述第一阈值，确定所述神经影像特征位于第一区域；/n若所述位置大于等于所述第一阈值、小于等于所述第二阈值，确定所述神经影像特征位于第二区域；/n若所述位置大于所述第二阈值，确定所述神经影像特征位于第三区域；/n(f)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域中：/n(f.1)对所述当前图像提取设备采集的当前图像以及当前图像的下一个图像进行边缘提取，获取当前图像的第一神经影像特征边缘信息和所述当前图像的下一个图像的第二神经影像特征边缘信息；/n(f.2)将所述第二神经影像特征边缘信息与所述第一神经影像特征边缘信息相减，得到黑点和白点；/n(f.3)根据黑点和白点的痕迹确定所述神经影像特征的反应区域以及所述神经影像特征在图像中的位置；/n第二步，利用压缩程序对提取的神经影像特征数据中的神经影像进行压缩处理：/n(1)通过压缩程序提取NIfTI格式原始神经影像文件I的文件头H和神经影像数据D；将视频编码器标识嵌入文件头H的说明字段；/n(2)对步骤(1)所述神经影像数据D进行维度重排，得到三个视频帧平面分别为所述神经影像数据D体积的横断面、冠状面和矢状面的神经影像序列A、C和S；/n(3)分别对步骤(2)所述神经影像序列A、C和S进行帧平面填充，使各序列的帧宽和帧高能被步骤(1)所述视频编码器标识对应的视频编码器最小编码单元尺寸L整除；/n(4)根据步骤(1)所述视频编码器标识，使用相应的标准视频编码器对步骤(3)所述神经影像序列A、C和S进行视频编码，得到对应的神经影像序列压缩码流A′、C′和S′；/n(5)在步骤(4)所述神经影像压缩码流A′、C′和S′中选择最小码流M作为步骤(1)所述神经影像数据D的最终压缩码流；将所述最小码流M对应的帧平面标识嵌入步骤(1)所述文件头H的说明字段；将所述文件头H与最小码流M合并，得到压缩后的神经影像文件I′；/n(6)解码端提取步骤(5)所述压缩后的神经影像文件I′的文件头H′和压缩后的神经影像数据D′；从文件头H′中解析视频编码器标识，调用相应的标准视频解码器对压缩后的神经影像数据D′进行视频解码，得到重建的神经影像序列R′；/n(7)根据步骤(6)所述视频编码器标识得到对应的视频编码器最小编码单元尺寸L；从步骤(6)所述文件头H′中解析原始神经影像数据维度信息和帧平面标识，对所述重建的神经影像序列R′进行帧平面裁剪；/n(8)根据步骤(7)所述原始神经影像数据维度信息和帧平面标识，对所述重建的神经影像序列R′进行维度复原，得到重建的原始神经影像数据R；将视频编码器标识和帧平面标识从步骤(6)所述文件头H′中清除；将所述文件头H′与重建的原始神经影像数据R合并，得到重建的NIfTI格式神经影像文件；/n第三步，利用分类程序对压缩处理后的神经影像数据进行分类：/n1)通过医疗影像设备获取所述中枢神经系统影像数据；/n2)自动提取出所述影像数据中的特征，并对所述特征进行线性组合得到第一分类概率，将所述第一分类概率作为第一分类维度；/n3)根据所述特征基于随机森林算法生成若干棵决策树，再根据所述决策树得到第二分类概率，将所述第二分类概率作为第二分类维度；/n4)将所述第一分类维度与所述第二分类维度作为第一二维特征，基于二维SVM算法得到第三分类概率，将所述第三分类概率作为第一分类结果。/n...

【技术特征摘要】
1.一种神经系统影像交互信息处理方法，其特征在于，所述神经系统影像交互信息处理方法包括：
第一步，利用提取程序提取神经影像特征数据：
(a)利用图像提取设备提取的图像进行神经影像特征识别；
(b)根据神经影像特征识别的结果，确定提取到神经影像特征的图像提取设备，将所述图像提取设备作为当前图像提取设备；
(c)关闭除当前图像提取设备外的其它图像提取设备；
(d)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域；
(e)将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域，其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域；
若所述神经影像特征在第一区域或第三区域，根据第一区域或第三区域在图像上的方位，开启所述当前图像提取设备相应方向的图像提取设备；
若所述神经影像特征在第二区域，根据所述神经影像特征的反应区域开启所述当前图像提取设备相应方向的图像提取设备，并关闭所述当前图像提取设备；
所述预设阈值包括第一阈值和第二阈值，其中所述第一阈值小于所述第二阈值；
将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域包括：
若所述位置小于所述第一阈值，确定所述神经影像特征位于第一区域；
若所述位置大于等于所述第一阈值、小于等于所述第二阈值，确定所述神经影像特征位于第二区域；
若所述位置大于所述第二阈值，确定所述神经影像特征位于第三区域；
(f)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域中：
(f.1)对所述当前图像提取设备采集的当前图像以及当前图像的下一个图像进行边缘提取，获取当前图像的第一神经影像特征边缘信息和所述当前图像的下一个图像的第二神经影像特征边缘信息；
(f.2)将所述第二神经影像特征边缘信息与所述第一神经影像特征边缘信息相减，得到黑点和白点；
(f.3)根据黑点和白点的痕迹确定所述神经影像特征的反应区域以及所述神经影像特征在图像中的位置；
第二步，利用压缩程序对提取的神经影像特征数据中的神经影像进行压缩处理：
(1)通过压缩程序提取NIfTI格式原始神经影像文件I的文件头H和神经影像数据D；将视频编码器标识嵌入文件头H的说明字段；
(2)对步骤(1)所述神经影像数据D进行维度重排，得到三个视频帧平面分别为所述神经影像数据D体积的横断面、冠状面和矢状面的神经影像序列A、C和S；
(3)分别对步骤(2)所述神经影像序列A、C和S进行帧平面填充，使各序列的帧宽和帧高能被步骤(1)所述视频编码器标识对应的视频编码器最小编码单元尺寸L整除；
(4)根据步骤(1)所述视频编码器标识，使用相应的标准视频编码器对步骤(3)所述神经影像序列A、C和S进行视频编码，得到对应的神经影像序列压缩码流A′、C′和S′；
(5)在步骤(4)所述神经影像压缩码流A′、C′和S′中选择最小码流M作为步骤(1)所述神经影像数据D的最终压缩码流；将所述最小码流M对应的帧平面标识嵌入步骤(1)所述文件头H的说明字段；将所述文件头H与最小码流M合并，得到压缩后的神经影像文件I′；
(6)解码端提取步骤(5)所述压缩后的神经影像文件I′的文件头H′和压缩后的神经影像数据D′；从文件头H′中解析视频编码器标识，调用相应的标准视频解码器对压缩后的神经影像数据D′进行视频解码，得到重建的神经影像序列R′；
(7)根据步骤(6)所述视频编码器标识得到对应的视频编码器最小编码单元尺寸L；从步骤(6)所述文件头H′中解析原始神经影像数据维度信息和帧平面标识，对所述重建的神经影像序列R′进行帧平面裁剪；
(8)根据步骤(7)所述原始神经影像数据维度信息和帧平面标识，对所述重建的神经影像序列R′进行维度复原，得到重建的原始神经影像数据R；将视频编码器标识和帧平面标识从步骤(6)所述文件头H′中清除；将所述文件头H′与重建的原始神经影像数据R合并，得到重建的NIfTI格式神经影像文件；
第三步，利用分类程序对压缩处理后的神经影像数据进行分类：
1)通过医疗影像设备获取所述中枢神经系统影像数据；
2)自动提取出所述影像数据中的特征，并对所述特征进行线性组合得到第一分类概率，将...

【专利技术属性】
技术研发人员：付宪伟，
申请(专利权)人：付宪伟，
类型：发明
国别省市：山东;37