一种红外诊断系统及方法

暂无

一种红外诊断系统及方法\n技术领域\n[0001] 本发明涉及医疗技术领域，尤其涉及一种红外诊断系统及方法。\n背景技术\n[0002] 目前红外诊断在医学上有所应用，但是在现有的红外诊断过程中需要在拍摄红外图像后，人工的进行进一步的诊断，在人工诊断的过程中，对诊断能力具有较高的要求，所以，红外诊断技术由于要求较高并没有被广泛的使用。\n发明内容\n[0003] 针对现有技术存在的问题，现提供了一种红外诊断系统及方法。\n[0004] 具体的技术方案如下：\n[0005] 一种红外诊断系统，包括：\n[0006] 红外摄像模块，利用红外成像技术获取灰度图像；\n[0007] 编码模块，与所述红外摄像模块连接，将所述灰度图像进行彩色处理，输出一彩色图像，以通过所述彩色图像显示红外信息；\n[0008] 特征提取模块，与所述编码模块连接，对所述彩色图像进行特征提取；\n[0009] 检索模块，与所述特征提取模块连接，所述检索模块中预存储有多个标准信息，利用提取的特征于所述标准信息中选取出与所述彩色图像适配的检索信息；\n[0010] 匹配模块，与所述检索模块连接，利用预设算法于所述检索信息中计算得到一与所述彩色图像最匹配的检索信息。\n[0011] 优选的，所述特征提取模块包括：\n[0012] 分割模块，将所述彩色图像分割为多个区域；\n[0013] 提取模块，与所述分割模块连接，于所述多个区域中提取感兴趣的区域；\n[0014] 构建模块，与所述提取模块连接，对所述感兴趣的区域进行特征提取，以构建特征空间。\n[0015] 优选的，所述特征提取模块提取的特征包括：颜色、形状和纹理。\n[0016] 优选的，所述检索模块的检索方法包括：基于颜色特征的检索，基于形状特征的检索和基于纹理特征的检索。\n[0017] 优选的，所述预设算法为遗传算法。\n[0018] 一种红外诊断方法，包括：\n[0019] 步骤S1，利用红外成像技术获取灰度图像；\n[0020] 步骤S2，将所述灰度图像进行彩色处理，输出一彩色图像，以通过所述彩色图像显示红外信息；\n[0021] 步骤S3，对所述彩色图像进行特征提取；\n[0022] 步骤S4，利用提取的特征于预存储的标准信息中选取出与所述彩色图像适配的检索信息；\n[0023] 步骤S5，利用预设算法于所述检索信息中计算得到一与所述彩色图像最匹配的检索信息。\n[0024] 优选的，所述步骤S3包括：\n[0025] 步骤S31，将所述彩色图像分割为多个区域；\n[0026] 步骤S32，于所述多个区域中提取感兴趣的区域；\n[0027] 步骤S33，对所述感兴趣的区域进行特征提取，以构建特征空间。\n[0028] 优选的，提取的特征包括：颜色、形状和纹理。\n[0029] 优选的，所述步骤S4中的检索方法包括：基于颜色特征的检索，基于形状特征的检索和基于纹理特征的检索。\n[0030] 优选的，所述预设算法为遗传算法。\n[0031] 上述技术方案的有益效果是：\n[0032] 上述技术方案中，通过匹配出与彩色图像最匹配的检索信息，即可通过该最匹配的检索信息对彩色图像进行诊断，即对彩色图像中存在的疾病进行诊断，降低了诊断的要求。\n附图说明\n[0033] 图1为本发明一种红外诊断系统的实施例的结构示意图；\n[0034] 图2为本发明一种红外诊断方法的实施例的流程图。\n具体实施方式\n[0035] 需要说明的是，在不冲突的情况下，下述技术方案，技术特征之间可以相互组合。\n[0036] 下面结合附图对本发明的具体实施方式作进一步的说明：\n[0037] 一种红外诊断系统，如图1所示，包括：\n[0038] 红外摄像模块，利用红外成像技术获取灰度图像；\n[0039] 编码模块，与红外摄像模块连接，将灰度图像进行彩色处理，输出一彩色图像，以通过彩色图像显示红外信息；\n[0040] 特征提取模块，与编码模块连接，对彩色图像进行特征提取；\n[0041] 检索模块，与特征提取模块连接，检索模块中预存储有多个标准信息，利用提取的特征于标准信息中选取出与彩色图像适配的检索信息；\n[0042] 匹配模块，与检索模块连接，利用预设算法于检索信息中计算得到一与彩色图像最匹配的检索信息。\n[0043] 本实施例中，红外摄像模块由红外热像仪利用相关的红外成像技术生成，红外成像技术是一种辐射信息探测技术，利用某种特殊的电子装置，将物体的热分布转化为灰度图像，并且以灰度级或伪彩色显示出来，从而得到被测目标的温度分布场。红外成像技术一般是被动地接收物体的红外辐射而成像的，用图像的灰度表征物体的温度场分布。由于物体热平衡的原因和根据普朗克定律，采用红外成像技术拍摄的图像局部相邻具有较高的空间灰度相关性。\n[0044] 本实施例中，由于人眼的彩色敏感细胞能分辨出几千种彩色色调和亮度，但是对黑白灰度级却不敏感。红外摄像模块产生的红外图像为黑白灰度级图像(灰度图像)，灰度值动态范围不大。因此，人眼很难从这些灰度级中获得丰富的信息。为了更直观地增强显示图像的层次，提高人眼分辨能力，编码模块对灰度图像进行伪彩色处理，从而达到图像增强的效果，使图像信息更加丰富。在彩虹编码的基础上，结合医用红外热像系统对图像特征检测的要求和对伪彩色编码处理的算法研究，使得不同的图像和不同的区域因温度的不同而显示不同的色彩，并且彩色图像层次分明、色彩清晰。\n[0045] 本实施例中，特征提取模块是通过计算机视觉技术和图像处理技术实现的，指的是使用计算机提取彩色图像中的信息，决定每个彩色图像的点是否属于一个图像特征。特征提取的结果是把彩色图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。\n[0046] 本实施例的检索模块是基于内容的图像检索技术进行图像检索，基于内容的图像检索技术是指直接根据描述媒体对象图像内容的各种特征进行检索，它能从数据库的标准信息中查找到具有指定特征或含有特定内容的检索信息(包括视频片段)，它区别于传统的基于关键字的检索手段，融合了图像理解、模式识别等技术。\n[0047] 在广域网(Internet)环境下实现一个基于内容检索的图像数据库系统的框架结构可分为两个部分：图像特征索引的创建和图像检索。一般来说，图像特征的分析和索引的创建是在服务器端离线完成的，其主要功能包括图像入库前的预处理、图像的内容特征的提取与分析、图像特征描述的编码和存储。对于图像的检索，其主要的任务是将用户感兴趣的图像实例提交给服务器，对其内容的特征进行提取和表示。然后调用图像检索引擎按一定的相似检索方法进行图像之间的相似度计算，对查询得到的相似图像(检索信息)按它们的相似距离从小到大进行排序，并将结果反馈。\n[0048] 本发明一个较佳的实施例中，特征提取模块包括：\n[0049] 分割模块，将彩色图像分割为多个区域；\n[0050] 提取模块，与分割模块连接，于多个区域中提取感兴趣的区域；\n[0051] 构建模块，与提取模块连接，对感兴趣的区域进行特征提取，以构建特征空间。\n[0052] 本实施例中，在特征提取之前先对彩色图像进行分割，提取感兴趣区域进行相关处理。彩色图像分割是图像处理与计算机视觉领域的基础性工作。图像分割方法的数量非常多，本实施例以能量最小化方法进行举例说明，能量最小化方法的基本步骤为：①设计一个目标函数(能量函数)，其最小值对应最优解，常用的两个约束是数据和先验知识。数据约束限制了理想解应该和真实数据尽量接近；先验约束要求理想解的形式应该和先验知识保持一致；②最小化目标函数，大多数感兴趣的能量函数是非凸的，有多个极小值，导致多数方法只能找到逼近解，因此，最小化过程通常比较困难。合适的编码问题的约束形成能量函数和找到一个好的最小化方法是同等重要的，因为任何一步出错都会造成分割的失效。\n[0053] 能量最小化方法，给出了分割的统一框架，用标准优化方法可以求解，②提供了明确的思路来编码要解决问题的约束，由于最小化能量函数和MRF的最大后验估计是等效的，从贝叶斯统计角度也可以求证能量最小化方法的正确性。能量最小化方法有多种分类方法，包括全局和局部方法、确定性和随机性方法、连续性和离散性方法等。常采用全局和局部的分类方法，常见的全局能量最小化方法包括模拟退火方法、动态规划方法和图论方法等；局部能量最小化方法包括变分方法和ICM(Iterated conditional modes)方法等。模拟退火方法代表了一类随机优化方法；动态规划是一个多步决策过程，通过把一个N步过程转化为N个单步过程实现将全局最优转化为局部最优之和；图论方法的主要思想是将图像映射成加权图，把图像像素看作图的顶点，邻接像素之间的关系看作图的边，邻接像素之间的相似性看作边的权值，根据边的权值设计能量函数，通过最小化能量函数完成对图的分割，从而实现图像分割；变分方法是几何活动轮廓模型(Geometry active contour model)的能量最小化方法；ICM方法是基于确定性贪婪策略来寻优的能量最小化方法。\n[0054] 上述实施例中，针对分割结果进行相关的特征提取，首先应用归一化分割(Normalized cut，Ncut)方法进行图像的分割，提取感兴趣区域；然后对提取的感兴趣区域进行特征提取构成特征空间，接着用检索模块以及匹配模块进行诊断，得出诊断结果。\n[0055] Ncut准则是一种无监督图像分割技术，它不需要初始化，并具有3个主要的特点：\n(1)它将图像分割问题转换为图的划分问题；(2)它是一个全局准则；(3)它同时最大化不同组之间的不相似性和同一组内的相似性。Ncut准则的基本原理是：对于一个给定的图G＝(V，E)，假设将其分为两个不相交的部分A与B，A∪B＝V，这两个部分不相似程度可以定义为原先连接两部分而现在被删去的所有边的权的综合：\n[0056]\n[0057] 式中w(i，j)即连接点i和点j的边的权，它表示两点之间的相似程度。一幅图的最优二分法即是使cut的值最小，但由于割直接与割中边的数目成比例，因此最小割通常并非就是最优割。\n[0058] 本发明一个较佳的实施例中，特征提取模块提取的特征包括：颜色、形状和纹理。\n[0059] 本发明一个较佳的实施例中，检索模块的检索方法包括：基于颜色特征的检索，基于形状特征的检索和基于纹理特征的检索。\n[0060] 上述实施例中的三种检索方式具体为：\n[0061] 首先，基于颜色特征的检索：彩色图像的颜色是物体表面的一种视觉特性，每种物体都有其特有的颜色特征，如人们说到绿色往往是和树木或草原相关，谈到蓝色往往是和大海或蓝天相关。同一类物体往往有着相似的颜色特征，因此可以根据颜色特征来区分物体，本实施例采用直方图来描述颜色特征。\n[0062] 其次，基于形状特征的检索：形状特征是描述彩色图像的关键要素之一，它可以较好地反映出区域的特征，因此该特征是CBIR技术中一个比较重要的可利用因素。在二维图像空间中，形状通常被认为是一条封闭的轮廓曲线所包围的区域，所以对形状的描述涉及到对轮廓边界的描述以及对这个边界所包围区域的描述。目前的基于形状检索方法大多围绕着从形状的轮廓特征和形状的区域特征建立图像索引。形状包括面积、连通性、环形性、偏心率、主轴方向等特征。\n[0063] 最后，基于纹理特征的检索:纹理是指图像像素灰度集或颜色的某种规律性变化。\n纹理特征主要包括粗糙度、方向性、对比度以及规则性。基于纹理的检索通常采用统计方法、结构方法以及频谱分析方法进行。\n[0064] 本发明一个较佳的实施例中，预设算法为遗传算法。\n[0065] 本实施例中，匹配模块主要进行图像模式识别与模式匹配，模式识别的基本原理是，将一个输入模式与保存在系统中的多个标准模式相比较，找出最近似的标准模式，将该标准模式所代表的类名作为输入模式的类名输出。本研究在将获取的图像信息经过特征提取以后经过图像检索使用模式识别算法进行模式匹配，最终匹配得到相应的专家系统里面的预存储信息。\n[0066] 本申请采用遗传算法(Genetic Algorithm，简称GA)实现图像的模式识别与匹配。\n遗传算法是基于达尔文生物进化论的自然选择学说和群体遗传学原理，借鉴自然界中自然选择、适者生存的法则，在计算机中采用遗传学中的相应名字和方法建立的一种算法。遗传算法建立在自然选择和种群遗传基础上，模拟自然界“物竞天择、适者生存”的进化过程，在问题空间进行全局并行、随机的搜索优化，使得种群成为全局最优的收敛。\n[0067] GA实施中最关键的三点是：定义编码结构、确定适应度函数及定义遗传算子。利用马尔科夫理论，对采用实编码的遗传算法进行全局收敛性分析，得出了在群体数为无穷大时能收敛到全局最优解的结论。虽然其建立在群体规模无穷大基础上，但在规模有限时，收敛到全局更优点是可以达到的。基于此，在进行遗传算法设计时，个体染色体位串由分类器所有实数权值级联构成，每个染色体可表示为(W1T，W2T，W3T，…，W1T)型的实向量，其中Wi(i＝1，2，…，M)为分类器的权值向量。这样，群体中的每一个个体就是一个分类器。分类器在测试样本集中的判别率作为个体染色体的适应值，其中使用Yik(i＝1，2，…N)表示第k次迭代时群体中的第i个个体。\n[0068] 一种红外诊断方法，如图2所示，包括：\n[0069] 步骤S1，利用红外成像技术获取灰度图像；\n[0070] 步骤S2，将灰度图像进行彩色处理，输出一彩色图像，以通过彩色图像显示红外信息；\n[0071] 步骤S3，对彩色图像进行特征提取；\n[0072] 步骤S4，利用提取的特征于预存储的标准信息中选取出与彩色图像适配的检索信息；\n[0073] 步骤S5，利用预设算法于检索信息中计算得到一与彩色图像最匹配的检索信息。\n[0074] 本发明一个较佳的实施例中，步骤S3包括：\n[0075] 步骤S31，将彩色图像分割为多个区域；\n[0076] 步骤S32，于多个区域中提取感兴趣的区域；\n[0077] 步骤S33，对感兴趣的区域进行特征提取，以构建特征空间。\n[0078] 本发明一个较佳的实施例中，提取的特征包括：颜色、形状和纹理。\n[0079] 本发明一个较佳的实施例中，步骤S4中的检索方法包括：基于颜色特征的检索，基于形状特征的检索和基于纹理特征的检索。\n[0080] 本发明一个较佳的实施例中，预设算法为遗传算法。\n[0081] 上述实施例中，通过特征提取模块将特征提取，以及图像检索模块进行彩色图像的检索，输出一检索信息，检索信息与匹配模块进行交互，从而确定一最匹配的检索信息，即可通过该最匹配的检索信息对彩色图像进行诊断，即对彩色图像中存在的疾病进行诊断，降低了诊断的要求。\n[0082] 通过说明和附图，给出了具体实施方式的特定结构的典型实施例，基于本发明精神，还可作其他的转换。尽管上述发明提出了现有的较佳实施例，然而，这些内容并不作为局限。\n[0083] 对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。\n因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。