基于医学数字成像和通信的影像、图像多模态重建、成像及标注制造技术

本发明专利技术涉及医学信息处理技术领域，且公开了基于医学数字成像和通信的影像、图像多模态重建，包括以下步骤：S1：图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤。该基于医学数字成像和通信的影像、图像多模态重建、成像及标注，通过收集图影像对图影像进行压缩、增强、复原分割等一系列处理，使得图影像得到重建后以三维形式展示，提高图影像传输稳定的同时，还能辅助医生诊断治疗，医学图像可视化可以根据CR CT DR MR MRI等图像序列构造出三维几何模型，将看不见的人体器官以三维形式真实地显示出来，还可以对图像任意放大、缩小、旋转、对比调整等处理。对比调整等处理。对比调整等处理。

【技术实现步骤摘要】
基于医学数字成像和通信的影像、图像多模态重建、成像及标注


[0001]本专利技术涉及医学信息处理
，具体为基于医学数字成像和通信的影像、图像多模态重建、成像及标注。

技术介绍

[0002]医学图像数据在患者诊断、治疗、手术计划、培训等场景中这重要作用，近年来，数字化医学图像的大规模增长，为推动以深层神经网络为代表的医学图像处理技术研究和应用提供了数据基础，但是目前医学图像领域缺少大规模且可靠的基准数据集，以至于影响针对医学图像数据的深度学习的发展。
[0003]而造成目前医学图像领域缺少准确可靠的基准数据集的原因是，由于医学图像的专业性和复杂性，不同专家对医学图像进行手工标注时存在较大分歧，标注结果往往存在差异，因此，手动标注医学图像变得越来越困难和昂贵，可见，现有的针对医学图像数据的信息标注方法主要是通过专家手工标注，降低了信息标注的效率和质量，而且医学影像图像文件需要通过前置机上传到影像云，而前置机上传过程中经常出现上传异常终止或上传失败等情况，稳定性得不到保证。
[0004]且在医学影像领域，病灶勾画(病灶分割)是利用机器学习对病灶进行自动测量和诊断分析的关键预处理方式，当前已经大量应用于各种医学工作，然而当前的病灶勾画方式，存在明显的弊端：人工标注需要有经验的医生对边界进行判断和描记，其过程繁琐且耗时长，医生难以在本已繁重的工作中抽出时间完成标注工作，给数据集收集工作带来极大的挑战，故而提出基于医学数字成像和通信的影像、图像多模态重建、成像及标注来解决上述问题。

技术实现思路
r/>[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了基于医学数字成像和通信的影像、图像多模态重建、成像及标注，具备标注效率质量高且影图像传输稳定等优点，解决了标注效率质量低且影图像传输不够稳定的问题。
[0007](二)技术方案
[0008]为实现上述标注效率质量高且影图像传输稳定目的，本专利技术提供如下技术方案：基于医学数字成像和通信的影像、图像多模态重建，包括以下步骤：
[0009]S1：图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤，并建立与影像拍摄设备之间的通信连接，使影像文件处理设备与影像拍摄设备之间可基于医学数字成像和通信协议实现数据传输；
[0010]S2：图影像压缩和编码，通过删除冗余的或者不需要的信息来达到减小减少数据
存储量的目的，图像编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等；
[0011]S3：图影像增强：增强图像中感兴趣的信息，去除或衰减不需要的信息，便于目标区分或对象解释；
[0012]S4：图影像复原：由于成像系统受各种因素的影响，导致了图像质量的降低，退化基本表现是图像模糊，可通过复原方法去掉模糊和噪声干扰；
[0013]S5：图影像变换，通过用正交函数或正交矩阵对原始图像执行二维线性可逆变换，可通过傅里叶变换、沃尔什.阿达玛变换、离散余弦变换、霍特林变换、离散卡夫纳一勒维变换、哈达玛变换等；
[0014]S6：图影像分割：将图像分成互不相交的各具特性的区域，提取出感兴趣目标，是提供定量、定性分析基础；
[0015]S7：图影像识别，通过对图影像进行处理、分析和理解，识别方法大致可分为统计分类法、句法(结构)识别法和模糊识别法，统计识别法主要抽取出图像特征研究，可以用贝叶斯分类器、神经网络、支持向量机来实现，句法识别用于分析图像模式的结构，通过句法分析或对应的自动机来实现；模糊识别法则将模糊数学方法引入到图像识别中；
[0016]S8：图影像重建，通过对物体的探测获取的数据来重新建立图像，用于重建图像的数据一般是分时、分步取得的，通过透射模型(光，x射线)、发射模型(MRI、PET等)、反射模型(光电子、雷达、超声波)三重步骤来对图像进行多模态重建，重建结束可将处理结果保存至存储空间；
[0017]S9：图像标注：通过获取待标注的目标CT MR MRI DR影像；对所述目标超声影像的边界的标注操作，显示边界标注信息；基于所述边界标注信息，确定目标影像区域；提取所述目标影像区域的区域特征信息，并提取所述目标超声影像的全局特征信息；基于所述区域特征信息和全局特征信息，输出病灶标注信息，其中，所述病灶标注信息用于区分所述目标超声影像中的病灶区域和非病灶区域；
[0018]S10：病灶测量仲裁：通过识别目标CT MR MRI DR影像；对所述目标病灶区域的进行勾画，建立边界标注区域；通过所选区域框进行区域测量、钢量、长度、精度、维度、建立数据测试模型，通过数据模型形成区域层厚计算，通过人工智能融合计算方法，形成病灶体积、面积、层厚、层高等体现面积的结论，提供业务流程进行高级仲裁、审核、批准。
[0019]优选的，所述步骤S3中主要方法有：直方图增强、空域和频域增强、伪彩色增强等技术。
[0020]优选的，所述步骤S4中复原实现方法有维纳滤波、逆滤波、同态滤波、最小约束二乘方滤波等。
[0021]优选的，所述步骤S8中三维可视化的主要目的就是使用计算机图形学技术，直观地表现三维效果，从而提供用传统手段无法获得的结构信息，其算法有面绘制法和体绘制法两大类。
[0022]本专利技术要解决的另一技术问题是提供一种基于医学数字成像和通信的成像及标注，包括以下步骤：
[0023]1)对于成像局部特征提取，在图像数据库中随机选取的若干副图像的子集作为词典的训练样本，对这些选取的图像以随机或者网格的方式提取一定数量的NxN大小的图像
子块(即Patch)，再将其按行或者列排成一个1xN2的特征向量；
[0024]2)其次为了去除噪声和降低计算量，我们对归一化后的Patch特征再进行PCA降维，选取值最大的几个特征值所对应的特征向量作为主元，并将其作为图像表达阶段特征的基；
[0025]3)进一步操作是对得到的局部特征进行聚类以构造视觉词典，直接将Patch的位置信息和视觉信息一起构成局部特征，再将K均值对其聚类生成视觉词典，取得了很好的分类标注效果；
[0026]4)在得到视觉词典后，就可以为每一幅图像生成其图像特征标注，提取Patch时与第一步类似，但采取稠密网格选取Patch，计算出每个Patch对应的视觉单词。
[0027]优选的，所述步骤1)中为了消除噪声和对Patch所包含的信息进行增强，把Patch特征的灰度值归一化到均值为0，方差为1。
[0028]优选的，所述步骤4)中为了利用每个Patch的空间信息，我们采用空间金字塔特征表示方法，得到一个高维的视觉单词的直方图。
[0029](三)有益效果
[0030]与现有技术相比，本专利技术提供了一种基于医学数字成像和通信的影像、图像多模态重建、成像及标注，具备以下有益效果：
[0031]1、该基于医学数字成像和通信的影像、图像多模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于医学数字成像和通信的影像、图像多模态重建，其特征在于，包括以下步骤：S1:图像影像获得，通过对模拟图像或影像转换成适合计算机或数字设备处理的数字信号，主要包括摄取图像、光电转换、数字化等步骤，并建立与影像拍摄设备之间的通信连接，使影像文件处理设备与影像拍摄设备之间可基于医学数字成像和通信协议实现数据传输；S2：图影像压缩和编码，通过删除冗余的或者不需要的信息来达到减小减少数据存储量的目的，图像编码的主要方法有去冗余编码、变换编码、小波变换编码、神经网络编码、模型基编码等；S3：图影像增强：增强图像中感兴趣的信息，去除或衰减不需要的信息，便于目标区分或对象解释；S4：图影像复原：由于成像系统受各种因素的影响，导致了图像质量的降低，退化基本表现是图像模糊，可通过复原方法去掉模糊和噪声干扰；S5:图影像变换，通过用正交函数或正交矩阵对原始图像执行二维线性可逆变换，可通过傅里叶变换、沃尔什.阿达玛变换、离散余弦变换、霍特林变换、离散卡夫纳一勒维变换、哈达玛变换等；S6:图影像分割：将图像分成互不相交的各具特性的区域，提取出感兴趣目标，是提供定量、定性分析基础；S7：图影像识别，通过对图影像进行处理、分析和理解，识别方法大致可分为统计分类法、句法(结构)识别法和模糊识别法，统计识别法主要抽取出图像特征研究，可以用贝叶斯分类器、神经网络、支持向量机来实现，句法识别用于分析图像模式的结构，通过句法分析或对应的自动机来实现；模糊识别法则将模糊数学方法引入到图像识别中；S8：图影像重建，通过对物体的探测获取的数据来重新建立图像，用于重建图像的数据一般是分时、分步取得的，通过透射模型(光，x射线)、发射模型(MRI、PET等)、反射模型(光电子、雷达、超声波)三重步骤来对图像进行多模态重建，重建结束可将处理结果保存至存储空间；S9：图像标注：通过获取待标注的目标CT MR MRI DR影像；对所述目标超声影像的边界的标注操作，显示边界标注信息；基于所述边界标注信息，确定目标影像区域；提取所述目标影像区域的区域特征信息，并提取所述目标超声影像的全局特征信息；基于所述区域特征信息和全局特征信息，输出病灶标注信息，其中，所述病灶标注信息用于区分所述目标超声影像中的病灶区域和非病灶区域；S10：病灶测量仲裁：通过识别目标CT MR MRI DR影像；对所述目标病灶区域的进行勾画，建立边...

【专利技术属性】
技术研发人员：刘程，
申请(专利权)人：北京帆引未来科技有限公司，
类型：发明
国别省市：