[发明专利]一种通过卷积神经网络学习的医疗图像提取方法

说明书

本发明公开一种通过卷积神经网络学习的医疗图像提取方法，包括如下步骤：S1，获取肠镜图像数据从而建立肠镜图像数据集，对每张图像数据进行语义特征分析，按照时间序列进行图像数据排列；S2，通过构建损失函数形成肠镜图像帧训练模型，将训练模型的肠镜图像帧训练结果形成特征样本。

技术领域

本发明涉及图像处理领域，尤其涉及一种通过卷积神经网络学习的医疗图像提取方法。

背景技术

当获取的海量肠道医疗图像之后，由于图像中重复内容较多，而且原始图像采集过程中，图像对比度和图像饱和度不明显，无法采集异常特征值，或者所采集的异常特征值不准确，造成肠道医疗图像中需要获取的异常图像并不是用户所需，现有的通过神经网络学习的方法能够提炼出一定的异常图像，但是并不能更准确的获取异常图像，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通过卷积神经网络学习的医疗图像提取方法。

为了实现本发明的上述目的，本发明提供了一种通过卷积神经网络学习的医疗图像提取方法，包括如下步骤：

S1，获取肠镜图像数据从而建立肠镜图像数据集，对每张图像数据进行语义特征分析，按照时间序列进行图像数据排列；

S2，通过构建损失函数形成肠镜图像帧训练模型，将训练后的肠镜图像帧训练结果形成特征样本。

优选的，所述S1包括：

S1-1，利用传递函数将肠镜图像特征图进行归一化，获取肠镜图像的数据集；

肠镜图像坐标(x,y)的传递函数e^x,y为肠镜图像坐标的指数函数，β为扫描图像坐标的权重；

其中s为肠镜图像中的突出特征点获取因子，n为每一肠镜图像帧中的突出特征点数量，a(x,y)为一张肠镜图像帧中突出特征点位置函数，p_n为突出特征点的概率分布。

优选的，所述S1还包括：

S1-2，经过归一化之后，将具备关联关系的肠镜图像帧的位置路径进行定位，对突出特征点的分布信息进行特征分布区间分析；获取区间分析的位置坐标点，确定突出特征点的分布以及坐标输出信息，直至完成一个肠镜图像帧全部突出特征点的定位，并形成相关性数据特征集；

S1-3，提取基准肠镜图像帧，与实时采集的肠镜图像帧进行比对，根据图像帧像素匹配方法进行融合，对两幅待融合的肠镜图像帧逐像素进行比对，判断突出特征点的有无，对突出特征点的交叠部分求差值，从而对肠镜图像帧进行图像语义判断，迭代多次，保存该多次后的训练样本，计算训练样本的交叉比；

训练样本交叉比计算Z(x,y)＝Z₁(x,y)+(Z₁(x,y)-Z₂(x,y))·δ·W

Z₁(x,y)为基准肠镜图像帧的坐标灰度值，Z₂(x,y)为实时肠镜图像帧的坐标灰度值，δ为图像位置坐标灰度差值系数，W为图像位置坐标灰度差值权重。

优选的，所述S1还包括：

S1-4，将训练之后的肠镜图像帧按照获取时间进行排列，在时间序列T的图像帧划分形成特征点提取窗序列对(T₁,T₂),(T₂,T₃),...,(T_n-1,T_n)；定位肠镜图像帧特征界限，通过特征点提取窗序列进行抓取，获得前一图像帧和后一图像帧的变化度