[发明专利]一种基于特征信息检索的图像诊断方法和系统

说明书

本发明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。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种基于特征信息检索的图像诊断方法和系统。

背景技术

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。

发明内容

基于现有技术中存在的技术问题，本发明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。

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；

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，采用训练样本集对神经网络模型进行训练；

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；

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多普勒图像进行特征数据和分类数据提取；

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；

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。

进一步的，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，对每一张历史多普勒图像打上性质分类标签和特征量化分类标签；

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；

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；

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；

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。

进一步的，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；

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；

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；

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。