400
正文

基于物联网的医学图像病变区域自适应检测方法研究

       针对传统的图像病变区域检测方法准确性低的问题,提出了基于物联网的医学图像病变区域自适应检测方法。从提高医学图像病变区域图像检测准确性的角度出发,引入图像增强方法对医学图像病变区域特征进行提取,并引入小波变换算法,对图像病变区域进行各尺度下的小波变换,设定医学图像病变区域自适应阈值,以此实现医学图像病变区域的自适应检测。实验对比结果表明,此次设计的基于物联网的医学图像病变区域自适应检测方法比传统的方法准确性高, 具有一定的实际应用意义。
       引言:在医学诊疗中,主要是观察图像去发现病原体, 来确定病体的空间位置、大小、几何形状等。但是随着医疗技术的发展以及人们对健康关注的增加,医院所获得的影像数据也越来越多,使医院放射科的工作人员压力越来越大。并且医学影像个性化差异较大,不同的成像设备得到的影响质量差别也较大,导致对医学图像的漏诊和误诊率增加,严重影响了医学领域的发展。针对目前存在的问题,提出基于物联网的医学图像病变区域自适应检测方法、三维重建和三维显示,能够给医生在分析病变体上提供一定的分析依据, 提高医疗诊断的准确性和可靠性。
       对医学图像病变区域特征提取,引入小波变换算法,对图像病变区域进行各尺度下的小波变换,设定医学图像病变区域自适应阈值,以此实现了医学图像病变区域自适应检测。为证明此次设计的实验的有效性,将传统的检测方法与本文设计的检测方法对比,实验对比结果表明,此次设计的基于物联网的医学图像病变区域自适应检测方法比传统检测方法准确性高,具有一定的实际应用意义。
1、基于物联网的医学图像病变区域自适应检测方法设计
1.1 医学图像病变区域特征提取
       在对医学图像病变区域检测之前,对医学图像病变区域的特征进行提取,为提高图像病变区域特征提取的准确性,引入图像增强方法对医学图像病变区域特征进行提取。通过图像增强方法突出图像病变区域中的某些信息,去除不需要的信息,并增强图像病变区域中点的信息,扩大图像中不同物体特征之间的差别,增强图像中具有特点的信息。
       将图像从空间域按照某种变换模型变换到频率域,变换算法原理图如图1所示:
变换算法原理图_论文发表





图1 变换算法原理图
       上图1为变换算法原理图,其主要计算公式为:
        (1)
       公式(1)中,代表图像变换因子,1g代表图像频率域因子,mi代表基本图像信息。
       在频率域空间内对图像进行处理,增加图像中的频率分量,在医学图像病变区域中,高频部分对应的是图像中的边缘细节,低频部分对应的是图像中过度比较平缓的部分,增加图像频率算法为:
            (2)

       公式(2)中,K代表图像频率增强因子,qn代表图像病变区域边缘细节,Pi代表图像频率分量,此次计算不做定向分析。
       在上述公式计算完成的基础上,将其反变换到空间域从而得到增强图像,从而完成对医学图像病变区域特征的提取,为图像病变区域自适应检测提供基础。
1.2 实现医学图像病变区域自适应检测
       在对医学图像病变区域检测时,如果选择固定阈值大小的方法检测,在去除噪声时,将图像病变区域微弱边缘的边缘也去除,从而影响到图像病变区域的监测。所以为了检测到清晰,完整的图像病变区域,根据图像自身的特点,进行自适应的选择阈值,对医学图像病变区域进行检测,检测过程如图2所示:
医学图像病变区域检测过程_论文发表



图2 医学图像病变区域检测过程
       此时引入小波变换算法,对图像病变区域进行各尺度下的小波变换,首先确定图像灰度值,将大于或者小于该灰度值的像素判为对象,并采用一个灰度值进行显示,然后将小于此灰度值的像素作为背景用另一个灰度值显示,并生成图像族和相角图像族。通过沿相角方向进行小波变换的局部模极大值点的检测,得到可能的图像病变区域边缘图像,计算公式为:
        (3)

        公式(3)中,代表图像病变区域的某一像素点的像素值,log代表区域内像素点个数,Q(vi u)代表区域内像素点灰度值,此次计算不做定向分析。
       在此基础上,用灰度差分提取出图像病变区域,传统算法在进行计算时存在主观性和局限性,所以提出自适应检测算法,该算法能够根据实际需要自动对检测算子进行阈值选取,从而实现图像病变区域自适应检测,检测算法为:

               (4)
        公式(4)中,M代表自适应检测算法因子,KPi代表图像病变区域基本参数,NP代表阈值选取计算因子,此次计算不做定向分析。
       通过上述公式计算,实现图像病变区域自适应检测,通过该检测算法能够大大提高对医学图像病变区域检测的准确性,为了证明此次设计的检测方法的有效性,将在下一步进行实验。
2、实验对比
      为测试本文设计的基于物联网的医学图像病变区域自适应检测方法的有效性,采用195幅来自某医院数据库的医学图像,采用其中的50幅图像作为训练样本,其中每幅图像中至少包含一个肿块, 将本文设计的方法投入到实验环境中,对医学图像病变区域检测, 并且为了保证此次设计的严谨性,将传统方法也投入到实验环境中,并对比两种检测方法的准确性,将实验结果通过第三方软件进行记录,在生成相关的测定曲线,其实验对比结果如图3所示:
实验对比结果_期刊发表







图3 实验对比结果
       分析图可知,采用本文设计的医学图像病变区域自适应检测方法能够将检测准确度保证在80%以上,因为该方法能够有效对医学图像病变区域的特征提取,并且通过自适应检测方法对该图像检测,大大提高了检测的准确性。而传统的检测方法在进行检测时,检测准确性较低,不能对医学图像有效显示,降低了医生分析医学图像时的准确性,很大程度上会造成误判现象。因此通过上述实验基本能够证明此次设计的医学图像病变区域自适应检测方法的有效性。
3、结束语
      综上所述,对医学图像病变区域特征提取,并引入小波变换算法,对图像病变区域进行各尺度下的小波变换,在此基础上,设定医学图像病变区域自适应阈值,根据该值完成了物联网的医学图像病变区域自适应检测。实验对比结果表明,此次设计的物联网的医学图像病变区域自适应检测方法比传统的检测方法准确程度高,具有一定的应用意义。希望通过此次设计的基于物联网的医学图像病变区域自适应检测方法能够为医学图像病变区域自适应检测上提供一定的帮助,减少医院工作人员的压力,提高医院的检测精准度。

热门期刊
0851-88507641
联系地址 贵州省遵义市红花岗区海尔大道34号 周一至周五 09:00-17:30
友情链接:

网站地图

版权所有 Copyright © 2018 轩睿期刊网期刊网 www.xrqkw.com. All Rights Reserved ,鄂ICP备19020030号 如您在使用的过程中任何产品或技术性问题请反馈

编辑
顾问

联系客服

企业QQ,一对一编辑辅导发稿
QQ交谈 网页在线咨询

服务时间

周一至周五
08:30-17:30

服务
热线

18685220838
24小时服务热线:0851-88507641

基于物联网的医学图像病变区域自适应检测方法研究
       针对传统的图像病变区域检测方法准确性低的问题,提出了基于物联网的医学图像病变区域自适应检测方法。从提高医学图像病变区域图像检测准确性的角度出发,引入图像增强方法对医学图像病变区域特征进行提取,并引入小波变换算法,对图像病变区域进行各尺度下的小波变换,设定医学图像病变区域自适应阈值,以此实现医学图像病变区域的自适应检测。实验对比结果表明,此次设计的基于物联网的医学图像病变区域自适应检测方法比传统的方法准确性高, 具有一定的实际应用意义。
       引言:在医学诊疗中,主要是观察图像去发现病原体, 来确定病体的空间位置、大小、几何形状等。但是随着医疗技术的发展以及人们对健康关注的增加,医院所获得的影像数据也越来越多,使医院放射科的工作人员压力越来越大。并且医学影像个性化差异较大,不同的成像设备得到的影响质量差别也较大,导致对医学图像的漏诊和误诊率增加,严重影响了医学领域的发展。针对目前存在的问题,提出基于物联网的医学图像病变区域自适应检测方法、三维重建和三维显示,能够给医生在分析病变体上提供一定的分析依据, 提高医疗诊断的准确性和可靠性。
       对医学图像病变区域特征提取,引入小波变换算法,对图像病变区域进行各尺度下的小波变换,设定医学图像病变区域自适应阈值,以此实现了医学图像病变区域自适应检测。为证明此次设计的实验的有效性,将传统的检测方法与本文设计的检测方法对比,实验对比结果表明,此次设计的基于物联网的医学图像病变区域自适应检测方法比传统检测方法准确性高,具有一定的实际应用意义。
1、基于物联网的医学图像病变区域自适应检测方法设计
1.1 医学图像病变区域特征提取
       在对医学图像病变区域检测之前,对医学图像病变区域的特征进行提取,为提高图像病变区域特征提取的准确性,引入图像增强方法对医学图像病变区域特征进行提取。通过图像增强方法突出图像病变区域中的某些信息,去除不需要的信息,并增强图像病变区域中点的信息,扩大图像中不同物体特征之间的差别,增强图像中具有特点的信息。
       将图像从空间域按照某种变换模型变换到频率域,变换算法原理图如图1所示:
变换算法原理图_论文发表





图1 变换算法原理图
       上图1为变换算法原理图,其主要计算公式为:
        (1)
       公式(1)中,代表图像变换因子,1g代表图像频率域因子,mi代表基本图像信息。
       在频率域空间内对图像进行处理,增加图像中的频率分量,在医学图像病变区域中,高频部分对应的是图像中的边缘细节,低频部分对应的是图像中过度比较平缓的部分,增加图像频率算法为:
            (2)

       公式(2)中,K代表图像频率增强因子,qn代表图像病变区域边缘细节,Pi代表图像频率分量,此次计算不做定向分析。
       在上述公式计算完成的基础上,将其反变换到空间域从而得到增强图像,从而完成对医学图像病变区域特征的提取,为图像病变区域自适应检测提供基础。
1.2 实现医学图像病变区域自适应检测
       在对医学图像病变区域检测时,如果选择固定阈值大小的方法检测,在去除噪声时,将图像病变区域微弱边缘的边缘也去除,从而影响到图像病变区域的监测。所以为了检测到清晰,完整的图像病变区域,根据图像自身的特点,进行自适应的选择阈值,对医学图像病变区域进行检测,检测过程如图2所示:
医学图像病变区域检测过程_论文发表



图2 医学图像病变区域检测过程
       此时引入小波变换算法,对图像病变区域进行各尺度下的小波变换,首先确定图像灰度值,将大于或者小于该灰度值的像素判为对象,并采用一个灰度值进行显示,然后将小于此灰度值的像素作为背景用另一个灰度值显示,并生成图像族和相角图像族。通过沿相角方向进行小波变换的局部模极大值点的检测,得到可能的图像病变区域边缘图像,计算公式为:
        (3)

        公式(3)中,代表图像病变区域的某一像素点的像素值,log代表区域内像素点个数,Q(vi u)代表区域内像素点灰度值,此次计算不做定向分析。
       在此基础上,用灰度差分提取出图像病变区域,传统算法在进行计算时存在主观性和局限性,所以提出自适应检测算法,该算法能够根据实际需要自动对检测算子进行阈值选取,从而实现图像病变区域自适应检测,检测算法为:

               (4)
        公式(4)中,M代表自适应检测算法因子,KPi代表图像病变区域基本参数,NP代表阈值选取计算因子,此次计算不做定向分析。
       通过上述公式计算,实现图像病变区域自适应检测,通过该检测算法能够大大提高对医学图像病变区域检测的准确性,为了证明此次设计的检测方法的有效性,将在下一步进行实验。
2、实验对比
      为测试本文设计的基于物联网的医学图像病变区域自适应检测方法的有效性,采用195幅来自某医院数据库的医学图像,采用其中的50幅图像作为训练样本,其中每幅图像中至少包含一个肿块, 将本文设计的方法投入到实验环境中,对医学图像病变区域检测, 并且为了保证此次设计的严谨性,将传统方法也投入到实验环境中,并对比两种检测方法的准确性,将实验结果通过第三方软件进行记录,在生成相关的测定曲线,其实验对比结果如图3所示:
实验对比结果_期刊发表







图3 实验对比结果
       分析图可知,采用本文设计的医学图像病变区域自适应检测方法能够将检测准确度保证在80%以上,因为该方法能够有效对医学图像病变区域的特征提取,并且通过自适应检测方法对该图像检测,大大提高了检测的准确性。而传统的检测方法在进行检测时,检测准确性较低,不能对医学图像有效显示,降低了医生分析医学图像时的准确性,很大程度上会造成误判现象。因此通过上述实验基本能够证明此次设计的医学图像病变区域自适应检测方法的有效性。
3、结束语
      综上所述,对医学图像病变区域特征提取,并引入小波变换算法,对图像病变区域进行各尺度下的小波变换,在此基础上,设定医学图像病变区域自适应阈值,根据该值完成了物联网的医学图像病变区域自适应检测。实验对比结果表明,此次设计的物联网的医学图像病变区域自适应检测方法比传统的检测方法准确程度高,具有一定的应用意义。希望通过此次设计的基于物联网的医学图像病变区域自适应检测方法能够为医学图像病变区域自适应检测上提供一定的帮助,减少医院工作人员的压力,提高医院的检测精准度。