[发明专利]大数据环境下医疗异常影像的分类方法

说明书

本发明公开一种大数据环境下医疗异常影像的分类方法，包括如下步骤：S1，按照关系数据模型挖掘不同灰阶的异常影像数据；将异常影像数据进行灰度分布模式分级；S3，设定灰度分布模式分级的判断模型，根据判断模型归类医疗影像异常特征点，将异常特征点上传至云端服务器。

技术领域

本发明涉及数字医疗影像提取领域，尤其涉及一种大数据环境下医疗异常影像的分类方法。

背景技术

由于数字化医疗影像都上传至互联网平台，在医疗影像的提取过程中，不同组织器官的影像图集数据量巨大，因此当需要获得不同组织器官经过归类的图像并不容易，而且在归类的图像中需要进行异常特征点的提取操作，在医疗影像提取过程中来进行筛选和校正，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种大数据环境下医疗异常影像的分类方法。

为了实现本发明的上述目的，本发明提供了一种大数据环境下医疗异常影像的分类方法，包括如下步骤：

S1，按照关系数据模型挖掘不同灰阶的异常影像数据；将异常影像数据进行灰度分布模式分级；

S2，设定灰度分布模式分级的判断模型，根据判断模型归类医疗影像异常特征点，将异常特征点上传至云端服务器。

S1-1，通过异常特征点的提取规则将提取图像集进行完全转换并导入关系数据模型进行异常特征点分析，在完全转换过程中通过简化计算量，对相似性进行判断，设置相似性取值范围，将医疗影像数据中的经过异常特征点提取的图像帧通过非最大抑制阈值化和边缘重构得到医疗影像数据闭合形状直方图；

其中关系数据模型为：

计算医疗影像数据按照图像帧分辨率划分的纵向纹理谱的加权因子和医疗影像数据按照图像帧分辨率划分的横向纹理谱的加权因子的至W的累加函数，1＜W＜255，d为图像帧噪声系数，λ为图像帧滤波参数；计算医疗影像数据按照图像帧对比度划分的纵向纹理谱的加权因子和医疗影像数据按照图像帧对比度划分的横向纹理谱的加权因子至W的累加函数，横向像素点i按照尺寸不变性的图像块为G_i，纵向像素点j按照尺寸不变性的图像块为G_j；

从而得到横向、纵向分辨率和对比度的加权纹理直方图向量C₁(k)和C₂(k)；

S1-2，医疗影像数据在通过关系数据模型建立异常特征点的提取图像，然后进行精细化的灰度分布模式划分处理，对提取的异常特征点图像进行均匀切割获取的图像均匀的切割为均等图像块，对每个均等图像块进行处理；均等图像块进行逐一帧率监测，在进行灰度分布模式划分时，检测异常特征点。

S1-3，进行灰度分布模式划分时，对于采样图像帧坐标x，y位置的异常特征点提取图像中处理医疗影像数据中获取异常特征点轮廓，并基于异常特征点轮廓中分割出异常特征点提取图像的目标对象边界，在x和y方向进行图像析出，得到横轴析出异常点图像集和纵轴析出异常点图像集，在横轴析出异常点图像集和纵轴析出异常点图像集的连通区域进行合并后，对合并后的连通区域进行平滑运算，获得提取图像的灰度分布图；确定灰度分布图的灰度变化基点，在基点位置对医疗影像数据中获取异常特征点轮廓进行轮廓分割，将不同的灰度分布划分对应的分类轮廓图像；

S1-4，对分类轮廓图像进行切割过程中，提取图像的切割形状为长方形或者正方向，然后逐一对每一个提取图像的灰度分布进行分析，并对灰度分布进行标记和分级操作；