一种用于痛风性关节炎的CT影像数据特征提取方法及系统与流程

本发明涉及数据分析，尤其涉及一种用于痛风性关节炎的ct影像数据特征提取方法及系统。

背景技术：

1、在痛风性关节炎的ct影像数据特征提取方法的背景技术发展历程中，起初主要依赖于传统的图像处理和特征工程方法。这些方法通常包括基于滤波器和形态学处理的预处理步骤，以及手工设计的特征提取器，如边缘检测器和纹理描述符。然而，这些方法往往依赖于领域专家的先验知识，并且难以捕捉复杂的关节炎病变特征。随着深度学习技术的兴起，特别是卷积神经网络(cnn)，痛风性关节炎的ct影像数据特征提取逐渐迈向了自动化和更高效的方向。cnn能够通过学习大量标记的数据集中的特征来提取图像中的关键信息，从而避免了手工设计特征提取器的限制。这种方法在处理痛风性关节炎ct影像数据时，能够捕捉到更丰富和复杂的病变模式，提高了诊断的准确性和效率，然而目前传统方法对于ct影像的弱光区域往往难以准确提取和重建，导致关节影像中重要的细节和信息丢失，同时对关节异常区域的多模态特征分析较少，无法全面评估关节病变的复杂性和多样性，导致对ct影像特征提取的精准性较低。

技术实现思路

1、基于此，有必要提供一种用于痛风性关节炎的ct影像数据特征提取方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种用于痛风性关节炎的ct影像数据特征提取方法，所述方法包括以下步骤：

3、步骤s1：获取痛风性关节炎ct影像；对痛风性关节炎ct影像进行关节边缘检测，生成ct影像关节边缘检测数据；通过ct影像关节边缘检测数据进行ct影像核心区域分割，生成关节ct核心影像；

4、步骤s2：对关节ct核心影像进行弱光区域提取，得到关节ct影像弱光区域；对关节ct影像弱光区域进行超分辨率重建，生成关节ct亮度补强区域；将关节ct亮度补强区域和关节ct核心影像进行弱光区域替换，从而生成关节ct核心优化影像；

5、步骤s3：对关节ct核心优化影像进行关节结构标记，生成关节结构标记数据；对关节结构标记数据进行结构检测，生成关节正常结构检测数据和关节异常结构检测数据；根据关节异常结构检测数据对关节ct核心优化影像进行异常关节结构区域分割，生成异常关节结构部位分割图像；

6、步骤s4：获取关节异常信息数据；根据关节异常信息数据对异常关节结构部位分割图像进行关节异常区域多模态特征分析，生成关节异常区域多模态特征分析数据；

7、步骤s5：对关节正常结构检测数据和关节异常区域多模态特征分析数据进行特征可视化，从而生成关节异常区域特征图和关节正常区域特征图；通过关节异常区域特征图和关节正常区域特征图对痛风性关节炎ct影像进行结构标记，生成关节ct特征影像。

8、本发明通过收集和准备用于分析的痛风性关节炎ct扫描影像。对ct影像进行边缘检测，以准确提取关节的轮廓和边缘信息。基于边缘检测结果，分割出关节的核心区域，以便后续分析和处理。提供了清晰的关节结构边缘信息，有助于精确定位和分析关节的形态和位置。生成的核心区域影像可以作为进一步分析和处理的基础。从关节ct核心影像中提取出弱光区域，这些区域包含重要的病变信息。对弱光区域进行超分辨率重建，增强其图像的亮度和清晰度。将亮度补强区域与核心影像进行合成，生成优化的关节ct影像。提高了弱光区域的视觉品质，能够更准确地识别和分析痛风性关节炎的病变部位。优化后的影像更具信息丰富度，有助于进一步的结构标记和分析。在优化的关节ct影像上进行结构标记，标识关节的各个组成部分。分析标记数据，检测出正常结构和异常结构，如病变区域。根据异常结构检测数据，分割出关节中的异常结构部位，生成异常关节结构图像。提供了详细的结构标记和异常结构信息，帮助识别和理解痛风性关节炎的具体病变情况。异常结构图像的生成有助于定量分析和治疗决策，提升了诊断的准确性和效率。基于关节异常信息数据，分析异常区域的多模态特征，如形状、密度、灰度等。将正常结构和异常区域的特征数据进行可视化，生成特征图，以便直观地理解和评估病变的特征。提供了直观和量化的异常区域特征分析结果，帮助在诊断和治疗过程中做出更准确的决策。因此，本发明通过深度学习和多模态特征分析，以及对弱光区域进行重建替换，提高了对ct影像特征提取的精准性。

9、优选的，步骤s1包括以下步骤：

10、步骤s11：获取痛风性关节炎ct影像；

11、步骤s12：对痛风性关节炎ct影像进行图像预处理，生成标准ct影像，其中图像预处理包括影像滤波、影像去噪和对比度增强；

12、步骤s13：对标准ct影像进行关节边缘检测，生成ct影像关节边缘检测数据；

13、步骤s14：通过ct影像关节边缘检测数据对标准ct影像进行ct影像核心区域分割，生成关节ct核心影像。

14、本发明通过从ct扫描设备中获取患者的关节ct影像。获得高质量的原始ct影像，为后续处理提供基础数据。应用滤波算法去除影像中的高频噪声，使用去噪技术减少ct影像中的随机噪声，调整影像对比度以提高影像中关节结构的可见度。通过滤波、去噪和对比度增强，提高影像的清晰度和对比度，使影像中的关节结构更加清晰，便于后续分析。应用边缘检测算法(如canny边缘检测)识别标准ct影像中关节的边缘。精确识别关节的边缘，使得关节结构的轮廓更加明显，便于进一步的图像处理和分析。利用边缘检测数据，将标准ct影像中的关节核心区域分割出来，准确分割出关节的核心区域，利用边缘检测数据进行核心区域分割，确保关节核心影像的准确性。

15、优选的，步骤s2包括以下步骤：

16、步骤s21：对关节ct核心影像进行光亮度检测，生成关节ct核心影像像素亮度数据；

17、步骤s22：基于关节ct核心影像像素亮度数据对关节ct核心影像进行弱光区域提取，得到关节ct影像弱光区域；

18、步骤s23：对关节ct影像弱光区域进行超分辨率重建，生成关节ct亮度补强区域；

19、步骤s24：将关节ct亮度补强区域和关节ct核心影像进行弱光区域替换，从而生成关节ct核心优化影像。

20、本发明通过对关节ct核心影像中的每个像素进行亮度检测，记录每个像素的亮度值。获取关节ct核心影像的亮度分布数据，为后续的弱光区域提取和处理提供基础数据。分析像素亮度数据，识别并提取亮度较低的弱光区域。准确定位并提取关节ct核心影像中的弱光区域，使后续处理能够集中在这些区域，提高处理效率和效果。应用超分辨率重建算法，对提取的弱光区域进行处理，提升这些区域的分辨率和亮度。通过超分辨率重建，增强弱光区域的图像细节和亮度，改善这些区域的影像质量。将经过超分辨率重建的亮度补强区域替换回原始关节ct核心影像中的对应弱光区域。通过替换处理，生成光亮度均匀、图像细节丰富的关节ct核心优化影像，提升整体影像质量。通过光亮度检测，获取详细的亮度数据，为后续处理提供基础。精确提取出关节ct核心影像中的弱光区域，确保处理的针对性和有效性。通过超分辨率重建，显著提升弱光区域的图像质量，使这些区域的细节更加清晰。

21、优选的，步骤s23包括以下步骤：

22、步骤s231：对关节ct影像弱光区域进行弱光区域阈值分割，生成弱光区域掩码数据；

23、步骤s232：基于弱光区域掩码数据对关节ct影像弱光区域进行多视角图像采集，得到弱光区域多视角ct影像；

24、步骤s233：对弱光区域多视角ct影像进行空间配准，生成弱光区域多视角ct配准影像；对弱光区域多视角ct配准影像进行超分辨率区域影像重建，生成超分辨率重建影像；

25、步骤s234：将超分辨率重建影像和关节ct影像弱光区域进行金字塔分解，生成重建影像分解影像和关节ct影像弱光区域分解影像；将重建影像分解影像和关节ct影像弱光区域分解影像进行图像融合，生成关节ct亮度补强区域。

26、本发明通过使用阈值分割算法对关节ct影像中的弱光区域进行分割，生成对应的掩码数据。精准识别并标记出关节ct影像中的弱光区域，生成的掩码数据为后续处理提供明确的参考。利用不同角度和视角对标记的弱光区域进行ct扫描，获取多视角的ct影像数据。通过多视角采集，获取更多角度的影像信息，增加影像细节和深度，提高图像处理的准确性。对不同视角的ct影像进行空间配准，使其在同一坐标系下对齐。对配准后的多视角ct影像进行超分辨率重建，提升影像的分辨率和细节。通过空间配准，确保不同视角影像的一致性；通过超分辨率重建，显著提升影像的清晰度和细节，为进一步处理打下坚实基础。对超分辨率重建影像和原始弱光区域影像进行金字塔分解，生成不同层级的分解影像。将不同层级的分解影像进行融合，合成最终的亮度补强区域。通过金字塔分解和图像融合，有效结合重建影像和原始影像的优点，生成细节丰富且亮度均匀的关节ct亮度补强区域，提升整体影像质量。

27、优选的，步骤s3包括以下步骤：

28、步骤s31：对关节ct核心优化影像进行图像灰度值计算，得到影像灰度值数据；

29、步骤s32：对关节ct核心优化影像进行图像纹理特征分析，生成影像纹理特征数据；

30、步骤s33：通过影像灰度值数据和影像纹理特征数据对关节ct核心优化影像进行关节结构标记，生成关节结构标记数据；

31、步骤s34：对关节结构标记数据进行结构检测，生成关节正常结构检测数据和关节异常结构检测数据；根据关节异常结构检测数据对关节ct核心优化影像进行异常关节结构区域分割，生成异常关节结构部位分割图像。

32、本发明通过对关节ct核心优化影像中的每个像素进行灰度值计算，记录每个像素的灰度值。获得影像中每个像素的灰度值数据，为后续的图像纹理特征分析和关节结构标记提供基础。通过纹理分析算法(如灰度共生矩阵、局部二值模式等)提取关节ct核心优化影像的纹理特征。生成影像的纹理特征数据，反映影像中不同区域的纹理细节和特征，为关节结构标记提供更多信息。结合影像灰度值数据和纹理特征数据，对关节ct核心优化影像中的关节结构进行标记。准确标记关节结构，生成关节结构标记数据，为后续的结构检测和异常区域分割提供基础。对关节结构标记数据进行分析，检测关节的正常结构和异常结构。根据检测结果，对关节ct核心优化影像进行异常关节结构区域分割，生成分割图像。识别并分割出关节中的异常结构区域，为临床诊断提供直观的参考影像。

33、优选的，通过影像灰度值数据和影像纹理特征数据对关节ct核心优化影像进行关节结构标记包括：

34、基于预设的灰度阈值范围对影像灰度值数据进行灰度权值划分，生成灰度权值划分数据，其中灰度权值划分数据包括第一灰度权值、第二灰度权值和第三灰度权值；

35、对影像纹理特征数据进行纹理形态分析，生成纹理形态分析数据；对影像纹理特征数据进行纹理规律性分析，生成纹理规律性分析数据；根据纹理形态分析数据和纹理规律性分析数据进行影像纹理密度划分，生成影像纹理密度划分数据，其中影像纹理密度数据包括纹理密集数据、纹理均匀数据和纹理稀疏数据；

36、通过灰度权值划分数据和影像纹理密度划分数据对关节ct核心优化影像进行关节结构标记，生成关节结构标记数据。

37、本发明通过设定灰度阈值范围，将影像灰度值数据划分为不同的灰度权值区域，生成灰度权值划分数据。灰度权值划分数据包括第一灰度权值、第二灰度权值和第三灰度权值。通过灰度权值划分，精确识别影像中不同灰度级别的区域，提供更细致的灰度信息。应用纹理形态分析算法(如局部二值模式、纹理方向性分析等)对影像纹理特征数据进行分析，生成纹理形态分析数据。获取影像中不同区域的纹理形态特征，帮助识别不同结构和组织。使用纹理规律性分析方法(如灰度共生矩阵、纹理周期性分析等)对影像纹理特征数据进行分析，生成纹理规律性分析数据，可以了解影像中纹理的规律性和一致性，帮助区分不同类型的组织和结构。结合纹理形态分析数据和纹理规律性分析数据，对影像中的纹理进行密度划分，生成纹理密集数据、纹理均匀数据和纹理稀疏数据。通过纹理密度划分，更准确地描述影像中的纹理特征，提供更丰富的纹理信息。将灰度权值划分数据和纹理密度划分数据结合，进行关节结构标记。生成的关节结构标记数据能够精确识别和区分影像中的关节结构。通过综合利用灰度和纹理特征数据，准确标记关节结构，提高标记的精确性和可靠性。

38、优选的，步骤s4包括以下步骤：

39、步骤s41：基于医疗信息数据库获取关节异常信息数据；

40、步骤s42：根据关节异常信息数据对异常关节结构部位分割图像进行异常特征关联，生成关节异常结构特征关联数据；

41、步骤s43：基于关节异常信息数据进行模型构建，得到异常关节结构区域检测模型；

42、步骤s44：通过异常关节结构区域检测模型对关节异常结构特征关联数据进行关节异常区域多模态特征分析，生成关节异常区域多模态特征分析数据。

43、本发明通过从医疗信息数据库中提取与关节异常相关的信息数据，包括病例记录、影像数据、诊断结果等。利用丰富的医疗数据，获取关节异常的详细信息，为后续的特征关联和模型构建提供基础。将从医疗信息数据库中获取的关节异常信息与异常关节结构部位分割图像进行关联，提取异常特征并生成关节异常结构特征关联数据。通过特征关联，识别并提取异常关节结构的详细特征信息，形成高质量的关联数据。利用关节异常信息数据和特征关联数据，构建异常关节结构区域检测模型。模型可以采用机器学习或深度学习算法进行训练和优化。通过构建检测模型，实现对异常关节结构区域的自动识别和检测，提高检测的准确性和效率。应用检测模型，对关节异常结构特征关联数据进行多模态特征分析，提取不同模态下的特征信息，生成关节异常区域多模态特征分析数据。通过多模态特征分析，全面了解异常关节区域的特征信息，提供更丰富的诊断依据。

44、优选的，步骤s43包括以下步骤：

45、步骤s431：对关节异常信息数据进行关节异常特征提取，得到关节异常信息特征数据；

46、步骤s432：对关节异常信息特征数据进行数据集划分，得到模型训练集和模型测试集；

47、步骤s433：通过卷积神经网络算法对模型训练集进行模型训练，生成异常关节结构区域训练模型；

48、步骤s434：利用模型测试集对异常关节结构区域训练模型进行模型优化迭代，从而生成异常关节结构区域训练模型。

49、本发明通过从医疗信息数据库中提取关节异常信息，通过特征提取算法(如特征工程、统计分析等)得到关节异常信息的特征数据。获取关节异常信息的关键特征，为构建模型提供数据基础和特征选择依据。将关节异常信息特征数据划分为模型训练集和模型测试集，通常采用交叉验证或随机划分方法。确保模型训练和评估的独立性和可靠性，验证模型的泛化能力。使用卷积神经网络(cnn)或其他适合的深度学习算法，对模型训练集进行训练，生成专门用于异常关节结构区域检测的训练模型。利用深度学习的强大学习能力，提高对关节异常结构的自动检测和识别能力。通过模型测试集对训练模型进行评估和优化迭代，确保模型的性能和泛化能力达到预期要求。优化模型的参数和结构，提高异常关节结构区域检测的准确性和稳定性。

50、优选的，步骤s5包括以下步骤：

51、步骤s51：对关节正常结构检测数据和关节异常区域多模态特征分析数据进行特征可视化，从而生成关节异常区域特征图和关节正常区域特征图；

52、步骤s52：通过关节异常区域特征图和关节正常区域特征图对痛风性关节炎ct影像进行结构标记，生成关节ct特征影像。

53、本发明通过将关节正常结构检测数据和关节异常区域多模态特征分析数据进行可视化处理，生成关节异常区域特征图和关节正常区域特征图，涉及使用图像处理和数据可视化技术，如热图、特征映射等，通过可视化，直观展示关节中正常和异常结构的区别和特征。利用生成的关节异常区域特征图和关节正常区域特征图，对痛风性关节炎ct影像进行结构标记。结构标记包括用颜色、标记、轮廓等方式突出显示正常和异常区域。通过对痛风性关节炎ct影像进行结构标记，凸显出正常和异常区域，提供更具信息量和直观性的影像结果。

54、在本说明书中，提供了一种用于痛风性关节炎的ct影像数据特征提取系统，用于执行上述的用于痛风性关节炎的ct影像数据特征提取方法，该用于痛风性关节炎的ct影像数据特征提取系统包括：

55、区域分割模块，用于获取痛风性关节炎ct影像；对痛风性关节炎ct影像进行关节边缘检测，生成ct影像关节边缘检测数据；通过ct影像关节边缘检测数据进行ct影像核心区域分割，生成关节ct核心影像；

56、弱光重建模块，用于对关节ct核心影像进行弱光区域提取，得到关节ct影像弱光区域；对关节ct影像弱光区域进行超分辨率重建，生成关节ct亮度补强区域；将关节ct亮度补强区域和关节ct核心影像进行弱光区域替换，从而生成关节ct核心优化影像；

57、结构划分模块，用于对关节ct核心优化影像进行关节结构标记，生成关节结构标记数据；对关节结构标记数据进行结构检测，生成关节正常结构检测数据和关节异常结构检测数据；根据关节异常结构检测数据对关节ct核心优化影像进行异常关节结构区域分割，生成异常关节结构部位分割图像；

58、异常特征分析模块，用于获取关节异常信息数据；根据关节异常信息数据对异常关节结构部位分割图像进行关节异常区域多模态特征分析，生成关节异常区域多模态特征分析数据；

59、特征标记模块，用于对关节正常结构检测数据和关节异常区域多模态特征分析数据进行特征可视化，从而生成关节异常区域特征图和关节正常区域特征图；通过关节异常区域特征图和关节正常区域特征图对痛风性关节炎ct影像进行结构标记，生成关节ct特征影像。

60、本发明的有益效果在于通过对痛风性关节炎ct影像进行关节边缘检测和核心区域分割，可以提取关节区域的形态特征，帮助更好地理解和分析病变的位置和范围。关节ct影像中存在一些弱光区域，这些区域的信息不够清晰。通过提取弱光区域并进行超分辨率重建，可以增强这些区域的亮度和细节，提高图像的可视化效果。对关节ct核心优化影像进行结构标记，可以标示出关节的不同组织结构，如骨骼、软组织等，为后续的分析和诊断提供基础。通过结构检测，可以进一步识别和分割出关节的正常结构和异常结构，有助于发现病变或异常情况。根据关节异常信息数据，对异常关节结构部位分割图像进行关节异常区域分割，可以准确定位和提取出关节的异常部位。通过多模态特征分析，可以对这些异常区域进行更深入的特征提取和分析，有助于了解病变的性质和程度。将关节正常结构检测数据和关节异常区域多模态特征分析数据进行特征可视化，可以生成关节异常区域特征图和关节正常区域特征图。通过这些特征图对痛风性关节炎ct影像进行结构标记，可以生成关节ct特征影像，提供更直观和全面的信息供参考。因此，本发明通过深度学习和多模态特征分析，以及对弱光区域进行重建替换，提高了对ct影像特征提取的精准性。