[发明专利]一种神经系统影像交互信息处理系统及方法

摘要

本发明属于神经系统影像交互信息处理技术领域，公开了一种神经系统影像交互信息处理系统及方法，神经系统影像交互信息处理系统包括：神经影像采集模块、主控模块、影像增强模块、影像特征提取模块、影像压缩模块、影像分类模块、影像加密模块、影像存储模块、显示模块。本发明通过影像压缩模块大大提高了压缩效率，与现有仅对横断面序列进行视频压缩的方法相比，能发现神经影像数据在体积内或体积间上下、前后、左右方向上空间相关度或时间相关度最高的方向，进一步提高了压缩效率；采用高性能的标准视频编码器进行神经影像压缩，便于解码压缩后的神经影像数据，易于推广。

主权项

1.一种神经系统影像交互信息处理方法，其特征在于，所述神经系统影像交互信息处理方法包括：/n第一步，利用提取程序提取神经影像特征数据：/n(a)利用图像提取设备提取的图像进行神经影像特征识别；/n(b)根据神经影像特征识别的结果，确定提取到神经影像特征的图像提取设备，将所述图像提取设备作为当前图像提取设备；/n(c)关闭除当前图像提取设备外的其它图像提取设备；/n(d)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域；/n(e)将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域，其中所述图像区域包括第一区域、第三区域以及位于所述第一区域和第三区域之间的第二区域；/n若所述神经影像特征在第一区域或第三区域，根据第一区域或第三区域在图像上的方位，开启所述当前图像提取设备相应方向的图像提取设备；/n若所述神经影像特征在第二区域，根据所述神经影像特征的反应区域开启所述当前图像提取设备相应方向的图像提取设备，并关闭所述当前图像提取设备；/n所述预设阈值包括第一阈值和第二阈值，其中所述第一阈值小于所述第二阈值；/n将所述位置和预设阈值进行比较，确定所述神经影像特征所在的图像区域包括：/n若所述位置小于所述第一阈值，确定所述神经影像特征位于第一区域；/n若所述位置大于等于所述第一阈值、小于等于所述第二阈值，确定所述神经影像特征位于第二区域；/n若所述位置大于所述第二阈值，确定所述神经影像特征位于第三区域；/n(f)确定所述神经影像特征在图像中的位置以及所述神经影像特征的反应区域中：/n(f.1)对所述当前图像提取设备采集的当前图像以及当前图像的下一个图像进行边缘提取，获取当前图像的第一神经影像特征边缘信息和所述当前图像的下一个图像的第二神经影像特征边缘信息；/n(f.2)将所述第二神经影像特征边缘信息与所述第一神经影像特征边缘信息相减，得到黑点和白点；/n(f.3)根据黑点和白点的痕迹确定所述神经影像特征的反应区域以及所述神经影像特征在图像中的位置；/n第二步，利用压缩程序对提取的神经影像特征数据中的神经影像进行压缩处理：/n(1)通过压缩程序提取NIfTI格式原始神经影像文件I的文件头H和神经影像数据D；将视频编码器标识嵌入文件头H的说明字段；/n(2)对步骤(1)所述神经影像数据D进行维度重排，得到三个视频帧平面分别为所述神经影像数据D体积的横断面、冠状面和矢状面的神经影像序列A、C和S；/n(3)分别对步骤(2)所述神经影像序列A、C和S进行帧平面填充，使各序列的帧宽和帧高能被步骤(1)所述视频编码器标识对应的视频编码器最小编码单元尺寸L整除；/n(4)根据步骤(1)所述视频编码器标识，使用相应的标准视频编码器对步骤(3)所述神经影像序列A、C和S进行视频编码，得到对应的神经影像序列压缩码流A′、C′和S′；/n(5)在步骤(4)所述神经影像压缩码流A′、C′和S′中选择最小码流M作为步骤(1)所述神经影像数据D的最终压缩码流；将所述最小码流M对应的帧平面标识嵌入步骤(1)所述文件头H的说明字段；将所述文件头H与最小码流M合并，得到压缩后的神经影像文件I′；/n(6)解码端提取步骤(5)所述压缩后的神经影像文件I′的文件头H′和压缩后的神经影像数据D′；从文件头H′中解析视频编码器标识，调用相应的标准视频解码器对压缩后的神经影像数据D′进行视频解码，得到重建的神经影像序列R′；/n(7)根据步骤(6)所述视频编码器标识得到对应的视频编码器最小编码单元尺寸L；从步骤(6)所述文件头H′中解析原始神经影像数据维度信息和帧平面标识，对所述重建的神经影像序列R′进行帧平面裁剪；/n(8)根据步骤(7)所述原始神经影像数据维度信息和帧平面标识，对所述重建的神经影像序列R′进行维度复原，得到重建的原始神经影像数据R；将视频编码器标识和帧平面标识从步骤(6)所述文件头H′中清除；将所述文件头H′与重建的原始神经影像数据R合并，得到重建的NIfTI格式神经影像文件；/n第三步，利用分类程序对压缩处理后的神经影像数据进行分类：/n1)通过医疗影像设备获取所述中枢神经系统影像数据；/n2)自动提取出所述影像数据中的特征，并对所述特征进行线性组合得到第一分类概率，将所述第一分类概率作为第一分类维度；/n3)根据所述特征基于随机森林算法生成若干棵决策树，再根据所述决策树得到第二分类概率，将所述第二分类概率作为第二分类维度；/n4)将所述第一分类维度与所述第二分类维度作为第一二维特征，基于二维SVM算法得到第三分类概率，将所述第三分类概率作为第一分类结果。/n