專利名稱：基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)圖像的處理方法，具體涉及一種基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法。
背景技術(shù)：
數(shù)字化健康診斷系統(tǒng)是實(shí)現(xiàn)醫(yī)療單位數(shù)字化、網(wǎng)絡(luò)化的重要組成部分?，F(xiàn)有的遠(yuǎn)程醫(yī)療診斷系統(tǒng)，往往依賴于特定的硬件系統(tǒng)，將病人信息如病歷、醫(yī)學(xué)圖片通過文件或視頻方式進(jìn)行遠(yuǎn)程傳輸，往往需要醫(yī)生通過網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)會診，對診斷的醫(yī)生要求高，而病人信息如傳遞的醫(yī)學(xué)圖像，由于醫(yī)學(xué)圖像文件一般較大，受帶寬等因素限制，傳輸速度慢，效果不好，也影響了診斷質(zhì)量。目前的醫(yī)學(xué)圖像壓縮技術(shù)，雖然有提出對興趣區(qū)(ROI)和非興趣區(qū)域采用不同的壓縮方法以提高傳輸效率，但是主要的問題是，需要醫(yī)生通過人工交互界面來確定興趣區(qū)， 受醫(yī)生經(jīng)驗(yàn)、單位人力資源條件和主觀因素等限制，缺乏固定的標(biāo)準(zhǔn)來衡量興趣區(qū)的準(zhǔn)確性。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種能對醫(yī)學(xué)圖像進(jìn)行有效壓縮并提高醫(yī)學(xué)圖像文件傳輸速度的的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法，通過基于人工神經(jīng)網(wǎng)絡(luò)的圖像處理方法來自動(dòng)識別興趣區(qū)和分級，從而實(shí)現(xiàn)對興趣區(qū)(ROI)和非興趣區(qū)域不同級別采用不同的壓縮方法，達(dá)到提高遠(yuǎn)程醫(yī)療的診療效率和診療質(zhì)量的雙重目的。本發(fā)明所采用的技術(shù)方案是
基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法，其特征在于 由以下步驟實(shí)現(xiàn)
步驟一對醫(yī)學(xué)數(shù)字影像即DICOM影像進(jìn)行預(yù)處理，包括消除背景噪聲、窗/水平調(diào)整和直方圖均衡化處理，及運(yùn)用基于柵格搜索和哈夫變換的邊緣檢測算法，識別人體組織輪廓，確定人體內(nèi)部組織和表皮肌肉的界限；
步驟二 通過應(yīng)用帶通濾波器和小波濾波器算法，對步驟一分割出來的組織影像進(jìn)行多次疊加運(yùn)算，強(qiáng)化圖像特征，識別興趣區(qū)；然后提取興趣區(qū)特征值，并根據(jù)特征值信息， 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分類，確定興趣區(qū)和相應(yīng)的級別；
步驟三根據(jù)當(dāng)前網(wǎng)絡(luò)帶寬條件以及醫(yī)生對網(wǎng)絡(luò)傳輸效果的要求，對步驟二確定的興趣區(qū)和非感興趣區(qū)按照不同級別采用不同的壓縮方式。步驟一中所述的預(yù)處理是指去除圖像邊緣的白道、人為加注的圖像信息、無關(guān)的噪音數(shù)據(jù)和人體組織輪廓以外的空氣背景。步驟二中所述的特征值為興趣區(qū)圖像的密度、形態(tài)、紋理、位置和距離信息。所述的步驟三中，根據(jù)當(dāng)前網(wǎng)絡(luò)帶寬條件包括寬帶、無線、撥號的上網(wǎng)方式以及當(dāng)前網(wǎng)速，醫(yī)生對網(wǎng)絡(luò)傳輸效果的要求包括每幅圖包含興趣區(qū)的數(shù)目和壓縮方式即快速壓縮、適當(dāng)壓縮或精確壓縮，按興趣區(qū)和非感興趣區(qū)的不同級別采用不同的壓縮方式生成 TIFF圖像；
對步驟三確定的興趣區(qū)應(yīng)用LZW編碼無損壓縮；
對包括興趣區(qū)和非感興趣區(qū)域的整圖采用相應(yīng)不同壓縮比例的JPEG有損壓縮。本發(fā)明具有以下優(yōu)點(diǎn)
(1)本發(fā)明對醫(yī)學(xué)圖像文件進(jìn)行降噪處理，并將病灶所在的興趣區(qū)圖像的特征進(jìn)行強(qiáng)化，不僅使圖像文件大幅變小，提高了傳輸速率，還保留了圖像中用于診療的有效必要信息，便于醫(yī)生閱讀。(2)患者可在社區(qū)醫(yī)療中心、體檢中心或醫(yī)學(xué)圖像中心，利用當(dāng)?shù)卦O(shè)備采集數(shù)據(jù)， 并通過有線網(wǎng)或無線網(wǎng)絡(luò)傳輸數(shù)據(jù)到遠(yuǎn)程處理中心，獲得專業(yè)分析結(jié)果，無需再到城市中心醫(yī)院掛號、排隊(duì)。(3)醫(yī)療單位不用購買昂貴的遠(yuǎn)程醫(yī)療專用設(shè)備，可以利用通用的計(jì)算機(jī)硬件和網(wǎng)絡(luò)，在邊遠(yuǎn)鄉(xiāng)村可以只需要一臺帶有無線網(wǎng)卡的筆記本或一部TD物聯(lián)網(wǎng)終端，就可以利用先進(jìn)的網(wǎng)絡(luò)技術(shù)，獲得專業(yè)的診斷結(jié)果。而實(shí)施遠(yuǎn)程診斷的醫(yī)生無需投入額外的時(shí)間如與病人實(shí)時(shí)會談、多人重復(fù)讀片及會診，通過智能算法的自動(dòng)分析和網(wǎng)絡(luò)的調(diào)度，可以大大減輕醫(yī)生的工作量，有效降低了醫(yī)療運(yùn)行成本，并提升了醫(yī)療技術(shù)服務(wù)水平。(4)現(xiàn)行的體檢由于缺乏精確有效的技術(shù)和相關(guān)領(lǐng)域的專家，往往限制了其預(yù)防治療的效果。本技術(shù)將有利于促進(jìn)醫(yī)療檢查成本的降低，普及常規(guī)性體檢。隨著醫(yī)學(xué)遠(yuǎn)程診斷技術(shù)的提高，每年例行體檢將成為預(yù)防治療的重要手段，為很多重大疾病消滅在早期提供保障，實(shí)現(xiàn)預(yù)防治療的先進(jìn)理念，提高群眾的健康生活水平。


圖1為本發(fā)明的步驟流程圖。圖2為4個(gè)具有不同標(biāo)準(zhǔn)差的高斯卷積算子構(gòu)成的帶通濾波器。圖3為人工神經(jīng)網(wǎng)絡(luò)向后傳播算法的算法設(shè)計(jì)圖。圖4為待處理影像原圖。圖5為待處理影像原圖的直方圖曲線。圖6為優(yōu)化處理后的影像圖。圖7為優(yōu)化處理后的影像圖的直方圖曲線。圖8為壓縮處理后的圖像，A為整圖有損壓縮，興趣區(qū)用方框標(biāo)識；B、C為無損壓縮，B是疑似腫塊，C是微鈣化簇。
具體實(shí)施例方式
下面結(jié)合具體實(shí)施方式
對本發(fā)明進(jìn)行詳細(xì)的說明。 如圖1所示，本發(fā)明所涉及的數(shù)字診斷系統(tǒng)醫(yī)學(xué)圖像傳輸過程中圖像文件的壓縮方法，由以下步驟實(shí)現(xiàn) 步驟一預(yù)處理
在客戶端采集醫(yī)學(xué)數(shù)字影像，即DICOM影像，對該影像文件進(jìn)行預(yù)處理，包括背景消除，窗/水平修正和直方圖均衡以及去除噪音和無關(guān)信息。圖像背景包括由于準(zhǔn)直器阻塞引起的X光膠片邊緣的白道、人為加注信息和病人輪廓之外的區(qū)域。消除背景將幫助增強(qiáng)圖像的視覺質(zhì)量，同時(shí)為后續(xù)的處理減少工作量。為了確保不把診斷相關(guān)的圖像錯(cuò)誤擦除，采用基于圖像直方圖分析的動(dòng)態(tài)閾值法，即在直方圖上確定兩個(gè)峰值，則二者之間頻率的最低處設(shè)為T1 ；
再用一個(gè)固定大小的窗在圖像中心部分及周圍掃描，圖像中心部分高于平均值的窗應(yīng)在人體組織內(nèi)，計(jì)算出窗內(nèi)的平均值和方差，然后選取單側(cè)0. 95信任度的頻率值設(shè)為T2 ； 選取二者中的最小值作為閾值來分離背景Min {T" T2)。這種方法比傳統(tǒng)的圖像直方圖分析方法更安全，在最壞情況(興趣區(qū)包括大塊的組織和脂肪層，但是其邊緣十分模糊)下，由于脂肪層的光強(qiáng)度一般低于其他組織，可能會把低于10%的脂肪組織也分離出去，但是考慮到脂肪層往往不是病變產(chǎn)生部位，所以是安全的。窗/水平修正用于調(diào)節(jié)圖像對比度和顯示質(zhì)量。窗是指灰度值的分布范圍，窗值減小則增加圖像的對比度。水平值是窗范圍間隔的中心。通過計(jì)算機(jī)自動(dòng)找出整個(gè)圖像直方圖的最大值和最小值，抑制無關(guān)的灰度值，用窗和水平生成用于圖像顯示的缺省的查找表，從而提高圖像的顯示質(zhì)量。直方圖均衡是將圖像灰度信息分布得盡可能均勻，通過分析圖像強(qiáng)度和光階，從圖像的直方圖計(jì)算歸一化累加直方圖，從而生成圖像細(xì)節(jié)得到明顯增強(qiáng)的圖像。哈夫變換(Hough Transform)算法，是利用圖像全局特性檢測目標(biāo)輪廓，將邊緣像素連接組成封閉邊界的一種常用方法，其優(yōu)點(diǎn)是受噪聲和曲線間斷的影響較小。為了檢查人體內(nèi)部組織和表皮肌肉的界限，可以有兩種方法柵格搜索和曲線矢量法。柵格法有時(shí)會在某些情況下錯(cuò)誤地標(biāo)出邊界信息，但是曲線矢量法的缺點(diǎn)是計(jì)算量大。為了滿足系統(tǒng)對響應(yīng)時(shí)間和性能的要求，采用了綜合柵格搜索和基于哈夫變換的邊緣檢測算法，來實(shí)現(xiàn)快速準(zhǔn)確地確定組織與表皮的邊界，生成組織掩碼，從而隔離出人體組織影像。步驟二 識別興趣區(qū)
對步驟一分割出來的人體組織影像進(jìn)行圖像分析，判斷興趣區(qū)(R0I)。帶通濾波器(band-pass filters)算法通過將待處理像素周圍一個(gè)領(lǐng)域的像素灰度與對應(yīng)的帶通濾波器元素進(jìn)行運(yùn)算來提高信噪比和增強(qiáng)圖像。圖2顯示的是由4個(gè)具有不同標(biāo)準(zhǔn)差(standard deviation)的高斯卷積算子(Gaussian kernels)構(gòu)成的帶通濾波器，用于增強(qiáng)中央組織信號。圖像邊緣是圖像上灰度的不連續(xù)點(diǎn)或灰度劇烈變化的地方，在實(shí)際圖像中，由于噪聲的存在，邊緣檢測成為一個(gè)難題。經(jīng)典的邊緣檢測方法如Roberts算子，Sobel算子， Prewitt算子，Log算子和Carmy算子，都有不足之處，在某些具體情況下并不能檢測到物體的最佳邊緣。經(jīng)過研究，采用使用二維離散小波變換的圖像邊緣檢測算法，首先對離散小波變換系數(shù)
WjtCn1 +s，n2 + s) 及 W:t (Il1+ s, n2+ s)
做增強(qiáng)變換，然后對調(diào)整后的系數(shù)重建，可以對圖像做非線性對比度增強(qiáng)，在抑制噪聲的同時(shí)提供了較高的邊緣定位精度。
將以上兩種算法處理的結(jié)果進(jìn)行疊加運(yùn)算，從而識別強(qiáng)化興趣區(qū)(ROI，Region of Interest)特征；再對興趣區(qū)的圖像，提取特征值包括圖像的密度、形態(tài)、紋理、位置、 圖像強(qiáng)度均值和標(biāo)準(zhǔn)差、與表皮距離、針狀體的數(shù)目和大小等信息。將以上所述興趣區(qū)的特征值信息，輸入到人工神經(jīng)網(wǎng)絡(luò)，來確定興趣區(qū)。人工神經(jīng)網(wǎng)絡(luò)就是模擬人思維通過神經(jīng)元之間同時(shí)相互作用的動(dòng)態(tài)過程，是一個(gè)非線性動(dòng)態(tài)系統(tǒng)，其特色在于信息的分布式存儲和并行協(xié)同處理。目前最成熟、應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)“向后傳播算法(Back Propagat ion，BP ) ”，人工神經(jīng)網(wǎng)絡(luò)向后傳播算法(Back ft~0pagati0n，BP)算法的設(shè)計(jì)主要包括輸入層、隱層、輸出層及各層之間的傳輸函數(shù)幾個(gè)方面，見圖3。
1)、網(wǎng)絡(luò)層數(shù)。BP網(wǎng)絡(luò)可以包含不同的隱層，理論上已經(jīng)證明具有偏差和至少一個(gè)S 型隱層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。對隱層層數(shù)的經(jīng)驗(yàn)選擇為對于線性問題一般可以采用感知器或自適應(yīng)網(wǎng)絡(luò)來解決，而不采用非線性網(wǎng)絡(luò)，因?yàn)閱螌硬荒馨l(fā)揮出非線性激活函數(shù)的特長；非線性問題，一般采用兩層或兩層以上的隱層，但是誤差精度的提高實(shí)際上也可以通過增加隱層中的神經(jīng)元數(shù)目獲得，其訓(xùn)練效果也比增加層數(shù)更容易觀察和調(diào)整，所以一般情況下，應(yīng)優(yōu)先考慮增加隱層中的神經(jīng)元數(shù)。2)、輸入層的節(jié)點(diǎn)數(shù)和輸出層的節(jié)點(diǎn)數(shù)。輸入層起緩沖存儲器的作用，它接收外部的輸入數(shù)據(jù)，因此其節(jié)點(diǎn)數(shù)取決于輸入矢量的維數(shù) ，相應(yīng)的輸入層也有不同個(gè)數(shù)的神經(jīng)元。輸出層的節(jié)點(diǎn)數(shù)取決于兩個(gè)方面，輸出數(shù)據(jù)類型和表示該類型所需的數(shù)據(jù)大小。由于預(yù)測的輸出樣本為2維的輸出向量即興趣區(qū)類型(如腫塊或微鈣化簇)和級別(在O和1之間，O表示不是病變，1表示確診病變；級別越高，病變的可能性越大)，因此，輸出層有2個(gè)神經(jīng)元。
3)、隱層神經(jīng)元的節(jié)點(diǎn)數(shù)。隱層神經(jīng)元的節(jié)點(diǎn)數(shù)確定是通過對不同神經(jīng)元數(shù)進(jìn)行訓(xùn)練對比，然后適當(dāng)?shù)脑黾右稽c(diǎn)余量。根據(jù)經(jīng)驗(yàn)，參照以下公式進(jìn)行設(shè)計(jì)
式中:n為隱層節(jié)點(diǎn)數(shù)禮為輸入節(jié)點(diǎn)數(shù)識0為輸出節(jié)點(diǎn)數(shù)為1 10之間的常數(shù)。 4)、傳輸函數(shù)。一般情況下BP網(wǎng)絡(luò)結(jié)構(gòu)均是在隱層采用S型激活函數(shù)，而輸出層采用線性激活函數(shù)。5)、訓(xùn)練方法的選取。采用附加動(dòng)量法使反向傳播減少了網(wǎng)絡(luò)在誤差表面陷入低谷的可能性有助于減少訓(xùn)練時(shí)間。太大的學(xué)習(xí)速率導(dǎo)致學(xué)習(xí)的不穩(wěn)定，太小值又導(dǎo)致極長的訓(xùn)練時(shí)間。自適應(yīng)學(xué)習(xí)速率通過保證穩(wěn)定訓(xùn)練的前提下，達(dá)到了合理的高速率，可以減少訓(xùn)練時(shí)間。6)、學(xué)習(xí)速率的經(jīng)驗(yàn)選擇。一般情況下傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性，學(xué)習(xí)速率的選取范圍推薦在0. 01 0. 8之間。
7)、期望誤差的選取。若樣本的目標(biāo)輸出值為7)，則誤差函數(shù)為
權(quán)利要求
1.基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法，其特征在于由以下步驟實(shí)現(xiàn)步驟一對醫(yī)學(xué)數(shù)字影像即DICOM影像進(jìn)行預(yù)處理，包括消除背景噪聲、窗/水平調(diào)整和直方圖均衡化處理，及運(yùn)用基于柵格搜索和哈夫變換的邊緣檢測算法，識別人體組織輪廓，確定人體內(nèi)部組織和表皮肌肉的界限；步驟二 通過應(yīng)用帶通濾波器和小波濾波器算法，對步驟一分割出來的組織影像進(jìn)行多次疊加運(yùn)算，強(qiáng)化圖像特征，識別興趣區(qū)；然后提取興趣區(qū)特征值，并根據(jù)特征值信息， 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分類，確定興趣區(qū)和相應(yīng)的級別；步驟三根據(jù)當(dāng)前網(wǎng)絡(luò)帶寬條件以及醫(yī)生對網(wǎng)絡(luò)傳輸效果的要求，對步驟二確定的興趣區(qū)和非感興趣區(qū)按照不同級別采用不同的壓縮方式。
2.根據(jù)權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法，其特征在于步驟一中所述的預(yù)處理是指去除圖像邊緣的白道、人為加注的圖像信息、無關(guān)的噪音數(shù)據(jù)和人體組織輪廓以外的空氣背景。
3.根據(jù)權(quán)利要求1或2所述的基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法，其特征在于步驟二中所述的特征值為興趣區(qū)圖像的密度、形態(tài)、紋理、位置和距離信息。
4.根據(jù)權(quán)利要求3所述的基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法，其特征在于所述的步驟三中，根據(jù)當(dāng)前網(wǎng)絡(luò)帶寬條件包括寬帶、無線、撥號的上網(wǎng)方式以及當(dāng)前網(wǎng)速，醫(yī)生對網(wǎng)絡(luò)傳輸效果的要求包括每幅圖包含興趣區(qū)的數(shù)目和壓縮方式即快速壓縮、適當(dāng)壓縮或精確壓縮，按興趣區(qū)和非感興趣區(qū)的不同級別采用不同的壓縮方式生成TIFF圖像；對步驟三確定的興趣區(qū)應(yīng)用LZW編碼無損壓縮；對包括興趣區(qū)和非感興趣區(qū)域的整圖采用相應(yīng)不同壓縮比例的JPEG有損壓縮。
全文摘要
本發(fā)明涉及一種基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像興趣區(qū)自動(dòng)識別和分級壓縮方法。數(shù)字診斷系統(tǒng)中的醫(yī)學(xué)圖像文件一般較大，受帶寬等因素限制，傳輸速度慢，效果不好，也影響了診斷質(zhì)量。本發(fā)明對醫(yī)學(xué)數(shù)字影像進(jìn)行除噪處理，識別人體組織輪廓，對組織影像進(jìn)行多次疊加運(yùn)算,強(qiáng)化興趣區(qū)的圖像特征，提取特征值，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分類，確定興趣區(qū)和相應(yīng)的級別，按興趣區(qū)和非感興趣區(qū)的不同級別采用不同的壓縮方式生成TIFF圖像。本發(fā)明不僅使醫(yī)學(xué)圖像文件大幅變小，提高了傳輸速率，還保留了圖像中用于診療的有效必要信息，便于醫(yī)生閱讀，可運(yùn)用到數(shù)字診斷系統(tǒng)和遠(yuǎn)程醫(yī)療系統(tǒng)中，提高診療效率和效果。
文檔編號G06N3/02GK102332162SQ20111027617
公開日2012年1月25日 申請日期2011年9月19日 優(yōu)先權(quán)日2011年9月19日
發(fā)明者周明, 張雪英 申請人:西安百利信息科技有限公司