脏器医学影像的数据压缩方法、系统，及重建方法、系统技术方案

本发明专利技术提供了一种脏器医学影像的数据压缩方法、系统，及重建方法、系统，数据压缩方法，包括以下步骤：搜集医学影像数据库中的脏器医学影像，并对脏器医学影像预处理后形成为医学影像数据集；确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引；存储对应于医学影像数据集的稀疏采样列向量的位置索引的图像信息，及低维稀疏表示有效基的图像特征为压缩数据。采用上述技术方案后，可对医学影像高倍率压缩和快速无损重建。学影像高倍率压缩和快速无损重建。学影像高倍率压缩和快速无损重建。

【技术实现步骤摘要】
脏器医学影像的数据压缩方法、系统，及重建方法、系统


[0001]本专利技术涉及医学影像处理领域，尤其涉及一种脏器医学影像的数据压缩方法、系统，及重建方法、系统。

技术介绍

[0002]医学影像发展至今，常用的医学影像技术包括：电子计算机断层扫描技术(CT)；核磁共振技术(MRI)；计算机放射成像技术(CR)；超声图像(US)以及核医学成像方法(正电子发射断层PET)等。在一些实施例中，可以基于医学图像对特定的疾病做出诊断。
[0003]当前，医学影像往往产生较大体量的数据，而对医学影像进行人工智能算法等的研究更是需要极大体量的数据集。此外，数字技术和算法的发展，如图像处理和图像存档，需要更多的图像数据。目前医学图像存档和通信所面临的巨大挑战是：数据容量问题和医学影像数据的机密性。因此，如何实现医疗数据的高效传输、存储、加密和应用已成为医学图像领域发展的关键问题。
[0004]医学图像通常存在一个潜在的低维表示，这使得数据压缩成为可能。
[0005]因此需要一种能满足实际应用需求的医学影像压缩技术，使得医学影像在压缩并重建后不再丢失重要信息，起到数据保密效果的同时减少医疗数据传输的带宽需求。

技术实现思路

[0006]为了克服上述技术缺陷，本专利技术的目的在于提供一种脏器医学影像的数据压缩方法、系统，及重建方法、系统，可对医学影像高倍率压缩和快速无损重建。
[0007]本专利技术公开了一种脏器医学影像的数据压缩方法，包括以下步骤：
[0008]搜集医学影像数据库中的脏器医学影像，并对脏器医学影像预处理后形成为医学影像数据集；
[0009]确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引；
[0010]存储对应于医学影像数据集的稀疏采样列向量的位置索引的图像信息，及低维稀疏表示有效基的图像特征为压缩数据。
[0011]优选地，搜集医学影像数据库中的脏器医学影像，并对脏器医学影像预处理后形成为医学影像数据集的步骤包括：
[0012]搜集医学影像数据库中指定脏器的脏器医学影像；
[0013]对特定脏器医学影像归一化及标定预处理以形成医学影像数据集。
[0014]优选地，确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引的步骤包括：
[0015]基于以下本征正交分解算法对医学影像数据集确定POD基：
[0016][0017][0018]其中表示医学影像数据集，表示秩为r的POD基的特征向量矩阵，T表示矩阵转置。
[0019]优选地，确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引的步骤还包括：
[0020]基于离散经验插值法以及列旋转的QR分解算法对特征向量矩阵进行离散稀疏采样，筛选出POD基对应的稀疏采样列向量，其中
[0021]当离散稀疏采样的采样点数量p＝r时，在Φ
r
内选取p个插值点，基于以下列旋转的QR分解得到p个离散稀疏采样的采样点：
[0022][0023]其中Φ
r
为POD基的特征向量矩阵、Q为标准正交矩阵、R为上三角矩阵、B为离散稀疏采样列向量的矩阵，T表示矩阵转置；
[0024]当离散稀疏采样的采样点数量p＞r时，采用以下基于的列旋转QR分解得到p个离散稀疏采样的采样点：
[0025][0026]其中Φ
r
为POD基的特征向量矩阵、Q为标准正交矩阵、R为上三角矩阵、B为离散稀疏采样列向量的矩阵，T表示矩阵转置。
[0027]优选地，对脏器医学影像预处理不包含傅里叶变换时，则脏器医学影像表示的图像特征向量为原始空间图像特征；
[0028]对脏器医学影像预处理包含傅里叶变换时，则脏器医学影像表示的图像特征向量为频域空间图像特征。
[0029]本专利技术还公开了一种脏器医学影像的重建方法，包括以下步骤：
[0030]搜集医学影像数据库中的脏器医学影像，并对脏器医学影像预处理后形成为医学影像数据集；
[0031]确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引；
[0032]存储对应于医学影像数据集的稀疏采样列向量的位置索引的图像信息，及低维稀疏表示有效基的图像特征为压缩数据；
[0033]基于压缩数据，及稀疏采样列向量的位置索引的图像信息进行医学影像重建为重建图像。
[0034]优选地，确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引的步骤包括：
[0035]基于以下本征正交分解算法对医学影像数据集确定POD基：
[0036][0037][0038]其中表示医学影像数据集，表示秩为r的POD基的特征向量矩阵，T表示矩阵转置。
[0039]优选地，基于压缩数据，及稀疏采样列向量的位置索引的信息进行医学影像重建为重建图像的步骤包括：
[0040]读取储存的POD基的特征向量矩阵Φ
r
；
[0041]获取与POD基的特征向量矩阵Φ
r
对应的稀疏采样列向量的矩阵；
[0042]基于以下公式实现图像重建，输出重建图像：
[0043][0044]其中为重建影像，Φ
r
为POD基的特征向量矩阵，为稀疏采样列向量的位置索引的图像信息。
[0045]本专利技术还公开了一种脏器医学影像的数据压缩系统，数据压缩系统包括：
[0046]搜集模块，搜集医学影像数据库中的脏器医学影像，并对脏器医学影像预处理后形成为医学影像数据集；
[0047]处理模块，确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引；
[0048]存储模块，存储对应于医学影像数据集的稀疏采样列向量的位置索引的图像信息，及低维稀疏表示有效基的图像特征为压缩数据。
[0049]本专利技术又公开了一种脏器医学影像的重建系统，重建系统包括：
[0050]搜集模块，搜集医学影像数据库中的脏器医学影像，并对脏器医学影像预处理后形成为医学影像数据集；
[0051]处理模块，确定医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引；
[0052]存储模块，存储对应于医学影像数据集的稀疏采样列向量的位置索引的图像信息，及低维稀疏表示有效基的图像特征为压缩数据；
[0053]重建模块，基于压缩数据，及稀疏采样列向量的位置索引的图像信息进行医学影像重建为重建图像。
[0054]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0055]1.针对高维医学影像数据，如三维MRI数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脏器医学影像的数据压缩方法，其特征在于，包括以下步骤：搜集医学影像数据库中的脏器医学影像，并对所述脏器医学影像预处理后形成为医学影像数据集；确定所述医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引；存储对应于所述医学影像数据集的稀疏采样列向量的位置索引的图像信息，及低维稀疏表示有效基的图像特征为压缩数据。2.如权利要求1所述的重建方法，其特征在于，搜集医学影像数据库中的脏器医学影像，并对所述脏器医学影像预处理后形成为医学影像数据集的步骤包括：搜集医学影像数据库中指定脏器的脏器医学影像；对所述特定脏器医学影像归一化及标定预处理以形成医学影像数据集。3.如权利要求1所述的重建方法，其特征在于，确定所述医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引的步骤包括：基于以下本征正交分解算法对所述医学影像数据集确定POD基：算法对所述医学影像数据集确定POD基：其中表示医学影像数据集，表示秩为r的POD基的特征向量矩阵，T表示矩阵转置。4.如权利要求3所述的重建方法，其特征在于，确定所述医学影像数据集的高维图像信息的低维稀疏表示有效基，及与低维稀疏表示有效基对应的稀疏采样列向量的位置索引的步骤还包括：基于离散经验插值法以及列旋转的QR分解算法对特征向量矩阵进行离散稀疏采样，筛选出所述POD基对应的稀疏采样列向量，其中当离散稀疏采样的采样点数量p＝r时，在Φ
r
内选取p个插值点，基于以下列旋转的QR分解得到p个离散稀疏采样的采样点：其中Φ
r
为POD基的特征向量矩阵、Q为标准正交矩阵、R为上三角矩阵、B为离散稀疏采样列向量的矩阵，T表示矩阵转置；当离散稀疏采样的采样点数量p＞r时，采用以下基于的列旋转QR分解得到p个离散稀疏采样的采样点：其中Φ
r
为POD基的特征向量矩阵、Q为标准正交矩阵、R为上三角矩阵、B为离散稀疏采样列向量的矩阵，T表示矩阵转置。
5.如权利要求3所述的重建方法，其特征在于，对所述脏器医学影像预处理不包含傅里叶变换时，则脏器医学影像表示的图像特征向量为原始空间图像特征；对所述脏器医学影像预处理包含傅里叶变换时，则脏器医学影像表示的图像特征向量为频域空间图像特征。6.一种脏器医学影像的重建方法，其特征在于，包括以下步骤：搜集医学影像数据库中的...

【专利技术属性】
技术研发人员：徐磊，畅婉如，杨格儿，孔德兴，
申请(专利权)人：海盐县南北湖医学人工智能研究院，
类型：发明
国别省市：