通过卷积神经网络模型进行医学影像数据挖掘工作方法技术

本发明专利技术提出了一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，包括：S1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；S2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。

【技术实现步骤摘要】
通过卷积神经网络模型进行医学影像数据挖掘工作方法
本专利技术涉及图像识别领域，尤其涉及一种通过卷积神经网络模型进行医学影像数据挖掘工作方法。
技术介绍
由于进行医疗检测过程中，需要收集海量的医疗图像进行比对和分析，采用传统的图像识别方法效率较低，随着神经网络学习的引入，进行有针对性的提取海量数据成为图像筛选分析的必然趋势，但是现有技术中图像数据是多元的，杂乱的，无序的状态，这就需要更加具体化的模型进行归类和提取，对图像轮廓信息筛选的更加准确，并且能够精准归类，这就亟需本领域技术人员解决相应的技术问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过卷积神经网络模型进行医学影像数据挖掘工作方法。为了实现本专利技术的上述目的，本专利技术提供了一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，包括如下步骤：S1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；S2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。优选的，所述S1包括：S1-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，为卷积计算；优选的，所述S1还包括：S1-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数。优选的，所述S1还包括：S1-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；其中，表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数J(x)表示医学图像中像素的灰度值，图像最小灰度值图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库。优选的，所述S2包括：S2-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，S2-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：通过对图像进行Lab转换之后，把医学图像进行图像集合划分，能够并行进行图像噪声处理，对高斯滤波模型引入特征权重计算，从而完成降噪操作，获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库；对每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术总体示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。如图1所示，本专利技术公开一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，包括如下步骤：S1，获取医学图像数据，对医学图像进行预处理，转换为Lab颜色空间图像；通过高斯滤波进行降噪；S2，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选(边缘检测)模型形成医学图像异常特征候选特征库；S3，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。所述S1包括：S1-1，根据医学图像的内容，进行预处理RGB医学图像，例如：RGB和Lab之间需要通过转换公式，将RGB颜色空间图像转换为XYZ空间，然后在通过XYZ空间获得L、a和b通道图像IL(x)，Ia(x)和Ib(x)其中，通过判断条件，当c＞0.3618时，校正函数当c取其它数值时，其中r,g,b分别为RGB图像R、G、B的通道值；XYZ转Lab，IL＝110h(Y/Yn)-10；Ia＝255[h(X/Xn)-h(Y/Yn)]+255；Ib＝300[h(Y/Yn)-h(Z/Zn)]+255；当判断颜色校正函数h(s)为当s取其它赋值状态下，h(s)为其它状态下，其中Xn＝96.051，Yn＝96.56和Zn＝101.99。S1-2，删除进行Lab转换后无法展示对比度深浅的医学图像，对剩余医学图像通过降噪处理，将医学图像划分为i个图像集合，每个图像集合中包含j个图像样本，将医学图像的特征权值利用高斯滤本文档来自技高网...

【技术保护点】
1.一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，包括：/nS1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；/nS2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。/n

【技术特征摘要】
1.一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，包括：
S1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；
S2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。


2.根据权利要求1所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S1包括：
S1-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，






设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，为卷积计算。


3.根据权利要求2所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S1还包括：
S1-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习



ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数。


4.根据权利要求2所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S1还包括：
S1-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
...

【专利技术属性】
技术研发人员：杨晓凡，
申请(专利权)人：重庆飞唐网景科技有限公司，
类型：发明
国别省市：重庆;50