获取异常医学影像的工作方法技术

本发明专利技术提出了一种获取异常医学影像的工作方法，包括：S1，获取原始医学图像，对医学图像进行坐标绘制并划分特征区域的边界，按照时间轨迹进行特征区域描述，对时间发展轨迹中的特征区域进行特征提取；S2，特征提取之后，提取的特征区域通过训练分析模型进行计算，进行异常特征筛选；并传输至远程终端。并传输至远程终端。并传输至远程终端。

【技术实现步骤摘要】
获取异常医学影像的工作方法


[0001]本专利技术涉及大数据领域，尤其涉及一种获取异常医学影像的工作方法。

技术介绍

[0002]在患者进行医学检测过程中，获取的海量医学图像，其通过传统的检测算法进行异常图像提取无法满足检测的准确性，由于异常图像的判断区域发生动态变化，异常特征坐标需要满足新的检测准则完成异常区域判断，但是新的异常图像在同一区域出现时，没有可接受的邻近异常区域，那么灰度值或者异常区域无法得出连通目标的特征值，需反复调试阈值内容，耗时较长并且增加系统开销，而且导致异常图像漏检问题，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

[0003]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获取异常医学影像的工作方法。
[0004]为了实现本专利技术的上述目的，本专利技术提供了一种获取异常医学影像的工作方法，其包括：
[0005]S1，获取原始医学图像，对医学图像进行坐标绘制并划分特征区域的边界，按照时间轨迹进行特征区域描述，对时间发展轨迹中的特征区域进行特征提取；
[0006]S2，特征提取之后，提取的特征区域通过训练分析模型进行计算，进行异常特征筛选；并传输至远程终端。
[0007]优选的，所述S1包括：
[0008]S1
‑
1，提取患者医学图像，设置医学图像坐标起点(x,y)；沿着坐标起点的像素点P进行逐行遍历，根据像素点P的灰度值对全部医疗图像的灰度分布信息和灰度发生突变区域的分布情况进行标记，划定目标医学图像的特征区域；通过调整灰度认知模型K(x,y)对特征区域的边界进行划分，
[0009][0010]由于像素点坐标形成坐标矩阵，对于每个像素点坐标通过灰度价值函数w(a)提取特定坐标，a为灰度变化产生的次数，在灰度价值函数计算过程中，对像素点坐标的特征属性进行收敛，提取的像素点坐标进行了灰度偏差判断，p(x
n
)为第n个像素点x轴发生灰度变化的概率，p(y
n
)为第n个像素点y轴发生灰度变化的概率，u(p(x
n
))为第n个像素点x轴灰度变化权重函数，v(p(y
n
))为第n个像素点y轴灰度变化权重函数，
[0011]在进行灰度认知模型判断过程中，对灰度变化判断结果产生的像素点坐标噪声进行阈值判断，使用灰度价值函数w(a)阈值决策机制提取特定坐标
[0012][0013]Q(a)为全部灰度变化的偏移值，δ为灰度的变化程度调节因子。
[0014]优选的，所述S1还包括：
[0015]S1
‑
2，将划分后的医学图像根据时间发展轨迹进行特征区域描述，根据时间序列生成特征区域变化队列，设定记录图像的时间为t1、t2、t3、
…
、t
m
，其中t
m
为结束时间，对划分后的特征区域进行平均切块，对每个子块在基准特征图像中进行色差比对，计算在时间发展轨迹中的特征区域匹配函数
[0016]M(t)＝F(t)
·
γ
·
E(η(t+1))+T(t)
[0017]F(t)是按照时间t顺序遍历特征图像的判断函数，γ为拟合因子，E(η(t+1))为t+1时间节点特征图像预期函数η(t+1)的匹配值，T(t)为特征图像提取框架的时间耗费值；根据时间发展轨迹对特征区域内的子块特征进行提取。
[0018]优选的，所述S1还包括：
[0019]S1
‑
3，判断灰度门限值，对时间发展轨迹中的特征区域通过门限值进行初步提取，生成特征区域整体灰度渐进的变化度阈值μ，判断公式为
[0020][0021]其中，c为特征区域发生灰度变化的子块总数，|E
t
|为特征区域子块在时间发展轨迹过程中关联图像比较序列，ε为待提取子块的灰度渐变度，λ为对灰度设定的门限值。
[0022]优选的，所述S2包括：
[0023]S2
‑
1，当提取的特征区域通过训练分析模型进行计算时，观察特征区域的综合差异，将差异进行异常提取，
[0024]训练分析模型
[0025][0026]其中，N
j
为特征区域归一化的灰度特征，D
j
为特征区域灰度的类别，B
j
为特征区域灰度的梯度，A(C(e))为特征区域灰度分类函数，C(e)灰度偏移特征量，e为灰度，m为正整数。
[0027]优选的，所述S2包括：
[0028]S2
‑
2，根据特征区域的灰度差异通过最优超平面定义，对异常灰度特征进行筛选
操作；最优超平面为其中，w为特征区域权重向量，w0叫做偏置(bias)，x表示离超平面最近的灰度像素点，T为转置，当像素点坐标到特征区域的超平面(w,w0)的距离为：
[0029][0030]其中，特征区域灰度差异距离灰度学习值r
j
，以及转化的灰度训练损失值s
j
；通过标量σ调节，通过特征区域筛选函数R(w)将隐含超平面中所有特征区域的灰度训练样本z进行收敛，
[0031][0032]其中，H
r
为特征区域灰度样本类别，H
c
为特征区域灰度训练阈值，为调节参数，p为迭代次数。
[0033]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：
[0034]针对肝部或者肺部的异常病变，进行特征图像提取，通过设定判断阈值能够更为准确获取异常病变位置信息，再经过与基准图像的比对之后能够筛选出异常图像，并传输至远程服务器进行异常图像参考。
[0035]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
[0036]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：
[0037]图1是本专利技术具体实施示意图；
[0038]图2是本专利技术具体实施示意图；
[0039]图3是本专利技术总体示意图。
具体实施方式
[0040]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。
[0041]如图3所示，本专利技术公开一种获取异常医学影像的工作方法，包括如下步骤：
[0042]S1，获取原始医学图像，对医学图像进行坐标绘制并划分特征区域的边界，按照时间轨迹进行特征区域描述，对时间发展轨迹中的特征区域进行特征提取；
[0043]S2，特征提取之后，提取的特征区域通过训练分析模型进行计算，进行异常特征筛选；并传输至远程终端。
[0044]所述S1包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种获取异常医学影像的工作方法，其特征在于，包括：S1，获取原始医学图像，对医学图像进行坐标绘制并划分特征区域的边界，按照时间轨迹进行特征区域描述，对时间发展轨迹中的特征区域进行特征提取；S2，特征提取之后，提取的特征区域通过训练分析模型进行计算，进行异常特征筛选；并传输至远程终端。2.根据权利要求1所述的获取异常医学影像的工作方法，其特征在于，所述S1包括：S1
‑
1，提取患者医学图像，设置医学图像坐标起点(x,y)；沿着坐标起点的像素点P进行逐行遍历，根据像素点P的灰度值对全部医疗图像的灰度分布信息和灰度发生突变区域的分布情况进行标记，划定目标医学图像的特征区域；通过调整灰度认知模型K(x,y)对特征区域的边界进行划分，由于像素点坐标形成坐标矩阵，对于每个像素点坐标通过灰度价值函数w(a)提取特定坐标，a为灰度变化产生的次数，在灰度价值函数计算过程中，对像素点坐标的特征属性进行收敛，提取的像素点坐标进行了灰度偏差判断，p(x
n
)为第n个像素点x轴发生灰度变化的概率，p(y
n
)为第n个像素点y轴发生灰度变化的概率，u(p(x
n
))为第n个像素点x轴灰度变化权重函数，v(p(y
n
))为第n个像素点y轴灰度变化权重函数，在进行灰度认知模型判断过程中，对灰度变化判断结果产生的像素点坐标噪声进行阈值判断，使用灰度价值函数w(a)阈值决策机制提取特定坐标Q(a)为全部灰度变化的偏移值，δ为灰度的变化程度调节因子。3.根据权利要求2所述的获取异常医学影像的工作方法，其特征在于，所述S1还包括：S1
‑
2，将划分后的医学图像根据时间发展轨迹进行特征区域描述，根据时间序列生成特征区域变化队列，设定记录图像的时间为t1、t2、t3、
…
、t
m
，其中t
m
为结束时间，对划分后的特征区域进行平均切块，对每个子块在基准特征图像中进行色差比对，计算在时间发展轨迹中的特征区域匹配函数M(t)＝F(t)
·
γ
...

【专利技术属性】
技术研发人员：刘玉蓉，
申请(专利权)人：重庆真逆思维科技有限公司，
类型：发明
国别省市：