技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种多模态脑肿瘤图像分析系统的制作方法  >  正文

一种多模态脑肿瘤图像分析系统的制作方法

  • 国知局
  • 2024-10-21 15:01:34

本发明涉及脑肿瘤图像分析,具体为一种多模态脑肿瘤图像分析系统。

背景技术:

1、多模态脑肿瘤图像分析系统是一种用于处理和分析脑肿瘤图像数据的系统,它通常结合了不同成像模态(如mri、ct等)所提供的图像信息,通过计算机视觉和医学影像处理技术,对脑肿瘤进行定位、分割、特征提取和分类等操作,可以帮助医生更全面、准确地了解脑肿瘤的形态特征、生理状态和发展趋势,有助于医生制定个性化的治疗方案。

2、目前大部分的多模态脑肿瘤图像分析系统没有结合脑肿瘤的图像进行分析计算脑肿瘤图像形态特征值、脑肿瘤图像纹理特征值以及脑肿瘤图像密度特征值来训练脑肿瘤图像分析深度学习模型,并生成相应的分析报告,导致在对病人的脑肿瘤图像检测时存在检测准确度不足的问题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足,本发明提供了一种多模态脑肿瘤图像分析系统,具备通过图像采集模块采集多模态脑肿瘤图像数据dmnl,预处理模块对图像采集模块传输的多模态脑肿瘤图像数据dmnl进行去噪,图像配准以及图像重建操作,图像分割模块对重建脑肿瘤图像cjnl进行图像分割,特征提取模块基于图像分割模块传输的脑肿瘤图像fgnl进行特征提取,计算得到脑肿瘤图像形态特征值nlxt、脑肿瘤图像纹理特征值nlwl以及脑肿瘤图像密度特征值nlmd,深度学习模块基于上述数值作为输入参数,训练脑肿瘤图像分析深度学习模型,辅助诊断模块基于训练好的深度学习模型,对多模态脑肿瘤图像进行识别诊断,预测脑肿瘤病变程度,并生成脑肿瘤分析报告由结果输出模块输出到电脑显示界面,通过结合脑肿瘤图像的特征值训练的脑肿瘤分析深度学习模型,生成详细的分析报告,提高了对病人脑肿瘤图像的检测准确度等优点,解决了上述问题。

3、(二)技术方案

4、为实现上述目的,本发明提供如下技术方案:一种多模态脑肿瘤图像分析系统,包括图像采集模块、预处理模块、图像分割模块、特征提取模块、深度学习模块、辅助诊断模块以及结果输出模块;

5、所述图像采集模块通过网络与预处理模块连接;

6、所述预处理模块通过网络与图像分割模块连接;

7、所述图像分割模块通过网络与特征提取模块连接;

8、所述特征提取模块通过网络与深度学习模块连接;

9、所述深度学习模块通过网络与辅助诊断模块连接;

10、所述辅助诊断模块通过网络与结果输出模块连接;

11、所述图像采集模块用于采集多模态脑肿瘤图像数据dmnl,并通过网络将该图像数据传输至预处理模块;

12、所述预处理模块对图像采集模块传输的多模态脑肿瘤图像数据dmnl进行去噪,图像配准以及图像重建,计算得到去噪脑肿瘤图像qznl、配准脑肿瘤图像pznl以及重建脑肿瘤图像cjnl,并将上述计算数据传输至图像分割模块

13、所述图像分割模块对重建脑肿瘤图像cjnl进行图像分割操作,得到分割脑肿瘤图像fgnl,并将上述数据传输至特征提取模块;

14、所述特征提取模块基于图像分割模块传输的脑肿瘤图像fgnl进行特征提取,计算得到脑肿瘤图像形态特征值nlxt、脑肿瘤图像纹理特征值nlwl以及脑肿瘤图像密度特征值nlmd,并将上述计算数值传输至深度学习模块;

15、所述深度学习模块基于特征提取模块传输的数值训练深度学习模型;

16、所述辅助诊断模块基于训练好的深度学习模型,对多模态脑肿瘤图像进行识别诊断,预测脑肿瘤病变程度,并生成脑肿瘤分析报告传输至结果输出模块;

17、所述结果输出模块将脑肿瘤分析报告展示在显示界面。

18、优选的,所述图像采集模块将采集的多模态脑肿瘤图像数据编入数据集,该数据集合为{dmnln-15,dmnln-14,dmnln-13,...,dmnln}。

19、优选的,所述预处理模块对图像采集模块传输的多模态脑肿瘤图像数据dmnl进行去噪,计算得到去噪脑肿瘤图像qznl,去噪公式如下:

20、

21、公式中,qznl(x,y)表示去噪脑肿瘤图像像素值,dmnli(x,y)表示多模态脑肿瘤图像像素值,该像素值由系统扫描获取,n表示滤波窗口的大小,设置为5*5大小。

22、优选的,所述预处理模块对图像采集模块传输的多模态脑肿瘤图像数据dmnl进行图像配准,得到配准脑肿瘤图像pznl,配准公式如下:

23、

24、公式中,pznl表示配准脑肿瘤图像,p(i,j)是两幅图像中具有相同像素值i和j的概率,p(i)与p(j)分别是在两幅图像中像素值为i和j的概率,m和n分别表示两幅图像的灰度级数。

25、优选的,所述预处理模块对图像采集模块传输的多模态脑肿瘤图像数据dmnl进行图像重建,得到重建脑肿瘤图像cjnl,图像重建公式如下:

26、cjnl(x,y)=∫p(ρ,θ)δ(x*cos(θ)+y*sin(θ)-ρ)

27、公式中,cjnl(x,y)表示重建脑肿瘤图像,p(ρ,θ)是投影数据,δ表示狄拉克函数。

28、优选的,所述图像分割模块对重建脑肿瘤图像cjnl进行图像分割操作,得到分割脑肿瘤图像fgnl,图像分割公式如下:

29、

30、公式中,fgnl(x,y)表示分割脑肿瘤图像,p(x,y)表示分割脑肿瘤图像像素(x,y)水平方向的梯度值,q(x,y)表示分割脑肿瘤图像像素(x,y)垂直方向的梯度值。

31、优选的,所述特征提取模块基于图像分割模块传输的脑肿瘤图像fgnl进行特征提取,计算得到脑肿瘤图像形态特征值nlxt,计算公式如下:

32、

33、公式中,nlxt表示脑肿瘤图像形态特征值,h表示脑肿瘤图像的高度,w表示脑肿瘤图像的宽度,fgnl(i,j)表示脑肿瘤图像图像像素点的灰度值。

34、优选的,所述特征提取模块基于图像分割模块传输的脑肿瘤图像fgnl进行特征提取,计算得到脑肿瘤图像纹理特征值nlwl,计算公式如下:

35、

36、公式中,nlwl表示脑肿瘤图像纹理特征值,glcm(i,j)表示脑肿瘤图像灰度共生矩阵的像素灰度值,i,j表示脑肿瘤图像灰度共生矩阵的行索引与列索引。

37、优选的,所述特征提取模块基于图像分割模块传输的脑肿瘤图像fgnl进行特征提取,计算得到脑肿瘤图像密度特征值nlmd,计算公式如下:

38、

39、公式中,nlmd表示脑肿瘤图像密度特征值,object count表示脑肿瘤图像像素的个数,area表示脑肿瘤图像待检测区域的面积。

40、优选的,所述深度学习模块基于特征提取模块传输的脑肿瘤图像形态特征值nlxt、脑肿瘤图像纹理特征值nlwl以及脑肿瘤图像密度特征值nlmd,将上述数值作为输入参数,训练脑肿瘤图像分析深度学习模型,所述辅助诊断模块基于训练好的深度学习模型,对多模态脑肿瘤图像进行识别诊断,预测脑肿瘤病变程度,并生成脑肿瘤分析报告由结果输出模块输出至显示终端。

41、与现有技术相比,本发明提供了一种多模态脑肿瘤图像分析系统,具备以下有益效果:

42、本发明通过图像采集模块采集多模态脑肿瘤图像数据dmnl,预处理模块对图像采集模块传输的多模态脑肿瘤图像数据dmnl进行去噪,图像配准以及图像重建操作,图像分割模块对重建脑肿瘤图像cjnl进行图像分割,特征提取模块基于图像分割模块传输的脑肿瘤图像fqnl进行特征提取,计算得到脑肿瘤图像形态特征值nlxt、脑肿瘤图像纹理特征值nlwl以及脑肿瘤图像密度特征值nlmd,深度学习模块基于上述数值作为输入参数,训练脑肿瘤图像分析深度学习模型,辅助诊断模块基于训练好的深度学习模型,对多模态脑肿瘤图像进行识别诊断,预测脑肿瘤病变程度,并生成脑肿瘤分析报告由结果输出模块输出到电脑显示界面,通过结合脑肿瘤图像的特征值训练的脑肿瘤分析深度学习模型,生成详细的分析报告,提高了对病人脑肿瘤图像的检测准确度。

本文地址:https://www.jishuxx.com/zhuanli/20241021/320213.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。