[发明专利]一种基于特征信息检索的图像诊断方法和系统

权利要求书

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为：

其中，

Center(P)为所有正常的所述训练样本的特征中心；

Center(N)为所有的异常的所述训练样本的特征中心。