一种基于特征信息检索的图像诊断方法和系统技术方案

本发明专利技术提供一种基于特征信息检索的图像诊断方法和系统，构建一神经网络模型，并采用具有诊断结果的若干历史多普勒图像形成训练样本集对神经网络模型进行训练；利用训练好的神经网络模型对训练样本进行特征数据和分类数据提取并编码存入特征数据库中；获取待诊断的多普勒图像；基于预先训练好的一神经网络模型对待诊断的多普勒图像进行特征数据和分类数据提取；从数据库中获取与待诊断的多普勒图像的特征数据相近的训练样本；算法简单，提高诊断效率，有效降低误检率和漏检率。有效降低误检率和漏检率。有效降低误检率和漏检率。

【技术实现步骤摘要】
一种基于特征信息检索的图像诊断方法和系统


[0001]本专利技术涉及医学图像处理
，尤其涉及一种基于特征信息检索的图像诊断方法和系统。

技术介绍

[0002]图像特征信息检索属于计算机视觉领域的范畴，目前较多地应用于人脸识别和图库搜索，但很少应用于医疗领域。由于机器视觉转向医疗领域的时间较短，尚未有大规模成熟的应用算法，目前的多数算法存在复杂和时间慢等多种缺点。

技术实现思路

[0003]基于现有技术中存在的技术问题，本专利技术提供一种基于特征信息检索的图像诊断方法和系统，旨在解决现有技术中计算效率低、精度低下等技术问题。
[0004]一种基于特征信息检索的图像诊断方法，建立一特征数据库，随后根据特征数据库进行图像诊断；
[0005]特征数据库的建立步骤包括：
[0006]步骤A1，构建一神经网络模型，并采用具有诊断结果的若干历史多普勒图像形成训练样本集，采用训练样本集对神经网络模型进行训练；
[0007]步骤A2，利用训练好的神经网络模型对训练样本集进行特征数据和分类数据提取，并编码存入特征数据库中；
[0008]图像诊断步骤包括：
[0009]步骤B1，获取待诊断的多普勒图像；
[0010]步骤B2，基于预先训练好的一神经网络模型对待诊断的多普勒图像进行特征数据和分类数据提取；
[0011]步骤B3，从数据库中获取与待诊断的多普勒图像的特征数据相近的训练样本；
[0012]其中，分类数据包括性质分类标签和特征量化分类标签，性质分类标签包括用于表示异常的训练样本的异常标签和用于表示正常的训练样本的正常标签；；特征量化分类包括训练样本的特征类别标签以及对应的等级。
[0013]进一步的，步骤A1包括：
[0014]步骤A11，采集具有诊断结果的若干历史多普勒图像；
[0015]步骤A12，对每一张历史多普勒图像打上性质分类标签和特征量化分类标签；
[0016]步骤A13，将历史多普勒图像划分为训练样本集和测试样本集；
[0017]步骤A14，采用神经网络模型提取训练样本集中的每一个训练样本的特征数据和分类数据；
[0018]步骤A15，基于性质分类标签和特征量化分类标签对神经网络模型进行优化训练；
[0019]步骤A16，通过测试样本集测试每一次训练后的神经网络模型的准确率，以训练形成神经网络模型。
[0020]进一步的，步骤A15包括：
[0021]步骤A151，根据最近邻距离算法，利用提取的特征数据分别从训练样本集中选取相同的性质分类的最近邻距离的第一预设数量的训练样本；
[0022]步骤A152，利用第一损失函数对神经网络模型进行梯度优化，以最小化选取的第一预设数量的训练样本的最近邻距离；
[0023]步骤A153，计算由所有的正常的训练样本构成的一第一特征中心，以及由所有的异常的训练样本构成的一第二特征中心；
[0024]步骤A154，采用第二损失函数对神经网络模型进行进一步梯度优化，以最大化第一特征中心和第二特征中心之间的距离。
[0025]进一步的，步骤A15还包括：
[0026]步骤A155，分别对训练样本集的相同特征类别标签的特征数据进行聚类，采用第三损失函数对神经网络进一步进行梯度优化，获取每一训练样本的各特征类别对应的等级；
[0027]步骤A16，重复步骤A151
‑
A155，直到通过测试样本集测试训练后的神经网络模型的准确率达到预设值。
[0028]进一步的，特征类别包括内径大小、内径光滑程度、内中膜厚度、内中膜回声、管腔斑块、斑块大小以及斑块回声。
[0029]进一步的，第一损失函数的公式如下：
[0030][0031]其中，
[0032]为相同性质分类的所有训练样本的特征中心；
[0033]f(x)为训练样本x的特征数据；
[0034]第二损失函数表达式为：
[0035][0036]其中，
[0037]Center(P)为所有正常的训练样本的特征中心；
[0038]Center(N)为所有的异常的训练样本的特征中心。
[0039]进一步的，步骤B3包括：
[0040]步骤B31，计算待诊断的多普勒图像的特征数据与数据库中训练样本中的特征数据的最近邻距离；
[0041]步骤B32，按照最近邻距离对训练样本进行排序；
[0042]步骤B33，获取排序在前的第二预设数量的训练样本输出。
[0043]一种基于特征信息检索的图像诊断系统，包括前述的一种基于特征信息检索的图像诊断系统，包括：
[0044]模型构建模块，用于构建一神经网络模型，并采用具有诊断结果的若干历史多普勒图像形成训练样本集，采用训练样本集对神经网络模型进行训练；
[0045]特征入库模块，连接模型构建模块，用于利用训练好的神经网络模型对训练样本集进行特征数据和分类数据提取并编码存入特征数据库中；
[0046]图像获取模块，用于获取待诊断的多普勒图像；
[0047]特征提取模块，连接图像获取模块，用于基于预先训练好的神经网络模型对待诊断的多普勒图像进行特征数据和分类数据提取；
[0048]图像检索模块，分别连接特征提取模块和数据库，用于从特征数据库中获取与待诊断的多普勒图像的特征数据相近的样本图像；
[0049]其中，分类数据包括性质分类标签和特征量化分类标签，性质分类标签包括用于表示异常的训练样本的异常标签和用于表示正常的训练样本的正常标签；特征量化分类包括训练样本中特征类别标签以及对应的等级。
[0050]进一步的，模型构建模块包括：
[0051]采集单元，用于采集具有诊断结果的若干历史多普勒图像；
[0052]标注单元，连接图像采集单元，用于对每一张历史多普勒图像打上性质分类标签和特征量化分类标签；划分单元，连接标注单元，用于将多普勒图像划分为训练样本集和测试样本集；
[0053]特征提取单元，连接划分单元，用于采用神经网络模型提取训练样本集中的每一个训练样本的特征数据和分类数据；
[0054]训练单元，连接特征提取单元，用于基于性质分类标签和特征量化分类标签对神经网络模型进行优化训练；
[0055]测试单元，分别连接划分单元和训练单元，用于通过测试样本集测试每一次训练后的神经网络模型的准确率，以训练形成神经网络模型。
[0056]进一步的，训练单元包括：
[0057]样本筛选子单元，根据最近邻距离算法，利用提取的特征数据分别选取相同的性质分类标签的最近邻距离的第一预设数量的训练样本；
[0058]第一训练子单元，连接样本筛选子单元，用于利用第一损失函数对神经网络模型进行梯度优化，以最小化选取的第一预设数量的训练样本的最近邻距离；
[0059]中心计算子单元，用于计算由所有的正常的训练样本构成的一第一特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征信息检索的图像诊断方法，其特征在于，建立一特征数据库，随后根据所述特征数据库进行图像诊断；所述特征数据库的建立步骤包括：步骤A1，构建一神经网络模型，并采用具有诊断结果的若干历史多普勒图像形成训练样本集，采用所述训练样本集对所述神经网络模型进行训练；步骤A2，利用训练好的所述神经网络模型对所述训练样本集进行特征数据和分类数据提取，并编码存入所述特征数据库中；图像诊断步骤包括：步骤B1，获取待诊断的多普勒图像；步骤B2，基于预先训练好的一神经网络模型对待诊断的所述多普勒图像进行特征数据和分类数据提取；步骤B3，从所述数据库中获取与所述待诊断的多普勒图像的特征数据相近的所述训练样本；其中，所述分类数据包括性质分类标签和特征量化分类标签，所述性质分类标签包括用于表示异常的训练样本的异常标签和用于表示正常的训练样本的正常标签；；所述特征量化分类包括训练样本的特征类别标签以及对应的等级。2.如权利要求1所述的一种特征信息检索的图像诊断方法，其特征在于，所述步骤A1包括：步骤A11，采集具有诊断结果的若干历史多普勒图像；步骤A12，对每一张所述历史多普勒图像打上所述性质分类标签和所述特征量化分类标签；步骤A13，将所述历史多普勒图像划分为所述训练样本集和测试样本集；步骤A14，采用神经网络模型提取所述训练样本集中的每一个训练样本的特征数据和分类数据；步骤A15，基于所述性质分类标签和所述特征量化分类标签对所述神经网络模型进行优化训练；步骤A16，通过所述测试样本集测试每一次训练后的所述神经网络模型的准确率，以训练形成所述神经网络模型。3.如权利要求2所述的一种特征信息检索的图像诊断方法，其特征在于，所述步骤A15包括：步骤A151，根据最近邻距离算法，利用提取的特征数据分别从所述训练样本集中选取相同的所述性质分类的最近邻距离的第一预设数量的所述训练样本；步骤A152，利用第一损失函数对所述神经网络模型进行梯度优化，以最小化所述选取的第一预设数量的所述训练样本的最近邻距离；步骤A153，计算由所有的正常的所述训练样本构成的一第一特征中心，以及由所有的异常的所述训练样本构成的一第二特征中心；步骤A154，采用第二损失函数对所述神经网络模型进行进一步梯度优化，以最大化所述第一特征中心和所述第二特征中心之间的距离。4.如权利要求3所述的一种特征信息检索的图像诊断方法，其特征在于，所述步骤A15
还包括：步骤A155，分别对所述训练样本集的相同特征类别标签的特征数据进行聚类，采用第三损失函数对所述神经网络进一步进行梯度优化，获取每一所述训练样本的各所述特征类别对应的等级；所述步骤A16，重复所述步骤A151
‑
A155，直到通过所述测试样本集测试训练后的所述神经网络模型的准确率达到预设值。5.如权利要求1所述的一种特征信息检索的图像诊断方法，其特征在于，所述特征类别包括内径大小、内径光滑程度、内中膜厚度、内中膜回声、管腔斑块、斑块大小以及斑块回声。6.如权利要求3所述的一种基于特征信息检索图像诊断方法，其特征在于，所述第一损失函数的公式如下：其中，为相同性质分类的所有所述训练样本的特征中心；f(x)为训练样本x的特征数据；所述第二损失函数表达式...

【专利技术属性】
技术研发人员：朱瑞星，堵葛亮，
申请(专利权)人：上海深至信息科技有限公司，
类型：发明
国别省市：