基于深度学习的泌尿结石影像识别分析系统技术方案

本发明专利技术公开了基于深度学习的泌尿结石影像识别分析系统，涉及泌尿结石影像识别技术领域，包括结构连通映射模块、边缘扰动解析模块、结构保真编码模块、可信路径分派模块以及自适应筛选调控模块；边缘扰动解析模块，基于区域连通性向量构建边缘方向差分矩阵，对增强图像中的边界像素进行梯度方向分析，提取边缘频率扰动特征；结构保真编码模块，将区域连通性向量、边缘频率扰动特征按位置索引进行对应融合，构建结构完整性描述向量，并基于结构完整性描述向量构建结构保真度核函数，以生成结构保真度评分。本发明专利技术解决了增强图像结构不完整导致训练误导的问题，实现了训练样本结构完整性筛选与路径优化，提升模型识别精度与稳定性。

【技术实现步骤摘要】

本专利技术涉及泌尿结石影像识别，具体涉及基于深度学习的泌尿结石影像识别分析系统。

技术介绍

1、泌尿结石影像识别是指通过对医学影像数据（如ct、超声或x光图像）进行处理与分析，从中自动检测、定位并识别出泌尿系统中的结石位置、大小、形态及密度等关键特征，从而为临床诊断和治疗提供辅助决策支持。传统的泌尿结石识别主要依赖医生手动阅片，不仅耗时费力，还容易因经验差异或视觉疲劳导致漏诊、误判等问题，难以满足高效、精准医疗的需求。深度学习作为一种具备强大图像识别与模式提取能力的人工智能技术，尤其是在医学图像分析领域表现出色，其通过构建和训练多层神经网络，可以自动从大量标注图像中学习提取复杂的特征表示，实现对泌尿结石的精准检测与分类，并显著提升识别准确率和处理效率。基于深度学习的泌尿结石影像识别分析技术，不仅能够降低医生的工作强度和诊断主观性，还能实现标准化、智能化的分析流程，是推动智能医疗影像辅助诊断系统发展的关键方向。

2、现有的基于深度学习的泌尿结石影像识别分析技术主要依赖于构建多层神经网络模型对医学影像数据进行自动化处理，其核心流程通常包括图像采集与本文档来自技高网...

【技术保护点】

1.基于深度学习的泌尿结石影像识别分析系统，其特征在于，包括结构连通映射模块、边缘扰动解析模块、结构保真编码模块、可信路径分派模块以及自适应筛选调控模块；

2.根据权利要求1所述的基于深度学习的泌尿结石影像识别分析系统，其特征在于，在结构连通映射模块中，通过在原始图像中预设参考基准点并记录增强处理所对应的几何变换参数，建立增强图像与原始标注区域之间的像素级映射关系，并通过反向仿射变换将增强图像坐标还原至原始图像参考框架以实现目标区域对齐；结构连通映射模块在映射完成后提取增强图像中与标注区域对应的目标区域，构建二值图结构并引入八邻域连接规则识别连通区域，对每个连通区域执行像素组...

【技术特征摘要】

1.基于深度学习的泌尿结石影像识别分析系统，其特征在于，包括结构连通映射模块、边缘扰动解析模块、结构保真编码模块、可信路径分派模块以及自适应筛选调控模块；

2.根据权利要求1所述的基于深度学习的泌尿结石影像识别分析系统，其特征在于，在结构连通映射模块中，通过在原始图像中预设参考基准点并记录增强处理所对应的几何变换参数，建立增强图像与原始标注区域之间的像素级映射关系，并通过反向仿射变换将增强图像坐标还原至原始图像参考框架以实现目标区域对齐；结构连通映射模块在映射完成后提取增强图像中与标注区域对应的目标区域，构建二值图结构并引入八邻域连接规则识别连通区域，对每个连通区域执行像素组成密度、轮廓闭合程度、区域面积比和中心轴分布计算，获取对应的结构连通性信息，并以该结构连通性信息生成包括连通块数量、最大连通块的像素覆盖率、边缘平滑程度、内外边界梯度差异、重心偏移率及结构方向主轴分布的区域连通性向量。

3.根据权利要求2所述的基于深度学习的泌尿结石影像识别分析系统，其特征在于，边缘扰动解析模块基于区域连通性向量中包含的目标像素连通标签、边界像素标识标记与结构闭合度指标，对增强图像中目标区域的边界像素集合进行提取，并以每个边界像素为中心构建方向感知窗口，方向感知窗口按照图像坐标系定义八个方向顺序，并依次编号为第1至第8方向，同时记录每个方向上相邻像素与当前边界像素之间的相对位置偏移关系以生成方向映射索引表；边缘扰动解析模块根据该方向映射索引表，采用中心差分计算当前像素与各方向相邻像素的灰度差值并进行归一化处理，构建边缘方向差分矩阵，边缘方向差分矩阵的每一行对应一个边界像素，每一列对应一个方向，单元格中的数值为该方向上的标准化灰度差响应值，用于描述边界在空间方向上的梯度变化行为。

4.根据权利要求3所述的基于深度学习的泌尿结石影像识别分析系统，其特征在于，边缘扰动解析模块基于边缘方向差分矩阵中每个边界像素的方向响应序列进行梯度方向分析，并采用角向插值机制构建准连续角度序列以提升方向变化建模的灵敏度，角向插值机制通过三次样条插值方式填充原始八方向之间的中间角度点，并以插值结果为基础施加拉普拉斯方向差分函数，检测局部梯度突变位置与方向跳变频率；在此基础上提取边缘频率扰动特征，边缘频率扰动特征包括方向梯度均方差、方向跳变次数和局部梯度峰值分布三项指标，并统一采用空间卷积响应归约机制进行区域尺度归一化与响应校准，形成具备方向敏感性与扰动聚集性的边缘频率扰动特征集合。

5.根据权利要求4所述的基于深度学习的泌尿结石影像识别分析系统，其特征在于，结构保真编码模块以增强图像的二维像素坐标为统一索引基准，对每一个像素位置分别获取与该像素位置坐标对应的区域连通性向量与边缘频率扰动特征，其中区域连通性向量包括像素所属连通区域的编号标识、连通区域的像素密度、边界闭合评分与轴向结构分布角度，边缘频率扰动特征包括方向梯度均方差、方向跳变次数与局部极值点密度；通过建立空间位置索引映射表，将区域连通性向量中的结构属性与边缘频率扰动特征中的方向响应信息在同一坐标位置下进行一一对应融合，并通过引入归一化调节、边界方向加权与空间稳定性限制机制，形成...

【专利技术属性】
技术研发人员：黄山珑，李敏，
申请(专利权)人：西安交通大学医学院第二附属医院，
类型：发明
国别省市：