一種存儲醫(yī)學圖像的方法和裝置的制造方法
【技術領域】
[0001]本發(fā)明涉及計算機技術領域，具體涉及一種存儲醫(yī)學圖像的方法和裝置。
【背景技術】
[0002]隨著云計算時代的到來，越來越多的醫(yī)療服務機構傾向于將其每天產(chǎn)生的大量醫(yī)療診斷影像(例如，超聲波成像和磁共振成像)數(shù)據(jù)存儲于云服務器中。然而，醫(yī)學圖像的云存儲會存在以下兩個問題:首先，由于每天都有海量醫(yī)學圖像的產(chǎn)生，需要大量占用存儲服務器的存儲空間，導致存儲服務器容量不足；其次，將醫(yī)學圖像直接存儲到云端，還會導致數(shù)據(jù)泄露風險的增大。

【發(fā)明內容】

[0003]本發(fā)明提供了一種存儲醫(yī)學圖像的方法和裝置，以解決現(xiàn)有的醫(yī)學圖像的云存儲中存在的容量大以及安全風險大的缺陷。
[0004]本發(fā)明提供了一種存儲醫(yī)學圖像的方法，包括以下步驟:
[0005]提取圖像庫中的各個醫(yī)學圖像的輪廓特征，根據(jù)所述輪廓特征，對所述圖像庫中的醫(yī)學圖像進行分類；
[0006]分別對各類醫(yī)學圖像組建三維張量，對所述三維張量執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量；
[0007]使用三維隨機欠采樣模板，對所述三維傅立葉系數(shù)張量進行采樣，將得到的樣本點作為與該類醫(yī)學圖像對應的壓縮存儲數(shù)據(jù)，存儲到存儲服務器中。
[0008]可選地，所述的方法，還包括:
[0009]將所述三維隨機欠采樣模板設置為保護數(shù)據(jù)。
[0010]可選地，對所述三維張量執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量，具體為:
[0011]對所述三維張量逐層執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量，使每層圖像的信息集中在傅立葉變換域的中心位置。
[0012]可選地，將得到的樣本點作為與該類醫(yī)學圖像對應的壓縮存儲數(shù)據(jù)，存儲到存儲服務器中之后，還包括:
[0013]從所述存儲服務器中獲取所述壓縮存儲數(shù)據(jù)，獲取與所述壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板，并根據(jù)所述壓縮存儲數(shù)據(jù)以及與所述壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板，重建與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像。
[0014]可選地，根據(jù)所述壓縮存儲數(shù)據(jù)以及與所述壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板，重建與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像，具體為:
[0015]采用以下公式重建與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像:
[0016]X = argmin | | x | |! s.t.| | Φ Fm_b | 1ε
[0017]其中，m為與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像，χ為m的稀疏表示，F(xiàn)為m的逐層傅立葉變換，I |x| ^為χ的L1范數(shù)，b為所述壓縮存儲數(shù)據(jù)，Φ為三維隨機欠采樣模板。
[0018]本發(fā)明提供了一種存儲醫(yī)學圖像的裝置，包括:
[0019]提取模塊，用于提取圖像庫中的各個醫(yī)學圖像的輪廓特征；
[0020]分類模塊，用于根據(jù)所述輪廓特征，對所述圖像庫中的醫(yī)學圖像進行分類；
[0021]組建模塊，用于分別對各類醫(yī)學圖像組建三維張量；
[0022]變換模塊，對所述三維張量執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量；
[0023]采樣模塊，用于使用三維隨機欠采樣模板，對所述三維傅立葉系數(shù)張量進行采樣，將得到的樣本點作為與該類醫(yī)學圖像對應的壓縮存儲數(shù)據(jù)，存儲到存儲服務器中。
[0024]可選地，所述的裝置，還包括:
[0025]設置模塊，用于將所述三維隨機欠采樣模板設置為保護數(shù)據(jù)。
[0026]可選地，所述變換模塊，具體用于對所述三維張量逐層執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量，使每層圖像的信息集中在傅立葉變換域的中心位置。
[0027]可選地，所述的裝置，還包括:
[0028]獲取模塊，用于從所述存儲服務器中獲取所述壓縮存儲數(shù)據(jù)，獲取與所述壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板；
[0029]重建模塊，用于根據(jù)所述壓縮存儲數(shù)據(jù)以及與所述壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板，重建與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像。
[0030]可選地，所述重建模塊，具體用于采用以下公式重建與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像:
[0031 ] χ = argmin | | χ | |! s.t.| | Φ Fm_b | 1ε
[0032]其中，m為與所述壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像，χ為m的稀疏表示，F(xiàn)為m的逐層傅立葉變換，I |x| ^為χ的L1范數(shù)，b為所述壓縮存儲數(shù)據(jù)，Φ為三維隨機欠采樣模板。
[0033]本發(fā)明基于壓縮感知理論的信號采集方法移植到對醫(yī)學圖像的壓縮存儲中，以遠低于奈奎斯特-香農(nóng)采樣定理要求的樣本量完成海量醫(yī)學圖像在云端的存儲，能夠僅采集1/4至1/12的樣本量即可重建出高質量的目標信號，極大地節(jié)省存儲空間，降低了醫(yī)學圖像在云端的存儲空間要求，提高了醫(yī)學圖像的存儲安全性，能夠有效地防止未授權用戶獲得就醫(yī)人員的診斷數(shù)據(jù)。
【附圖說明】
[0034]圖1為本發(fā)明實施例中的一種存儲醫(yī)學圖像的方法流程圖；
[0035]圖2為本發(fā)明實施例中的三維隨機欠采樣模板的示意圖；
[0036]圖3為本發(fā)明實施例中的一種存儲醫(yī)學圖像的裝置結構圖。
【具體實施方式】
[0037]下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0038]需要說明的是，如果不沖突，本發(fā)明實施例以及實施例中的各個特征可以相互結合，均在本發(fā)明的保護范圍之內。另外，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。
[0039]本發(fā)明實施例提供了一種存儲醫(yī)學圖像的方法，如圖1所示，包括以下步驟:
[0040]步驟101，提取圖像庫中的各個醫(yī)學圖像的輪廓特征，根據(jù)輪廓特征，對圖像庫中的醫(yī)學圖像進行分類。
[0041]具體地，由于不同組織部位的影像(例如，大腦、心臟和血管)具有明顯的輪廓差異，可以通過一系列方法(例如，先驗知識法、數(shù)學形態(tài)法和神經(jīng)動力學方法)提取醫(yī)學圖像的輪廓特征，并根據(jù)輪廓特征，采用聚類方法(例如，K均值、層次聚類和支持向量機)對醫(yī)學圖像進行分類。
[0042]步驟102，分別對各類醫(yī)學圖像組建三維張量，對三維張量執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量。
[0043]具體地，可以分別對各類醫(yī)學圖像組建三維張量，對三維張量逐層執(zhí)行傅立葉變換，得到三維傅立葉系數(shù)張量，使每層圖像的信息集中在傅立葉變換域的中心位置。
[0044]步驟103，使用三維隨機欠采樣模板，對三維傅立葉系數(shù)張量進行采樣，將得到的樣本點作為與該類醫(yī)學圖像對應的壓縮存儲數(shù)據(jù)，存儲到存儲服務器中。
[0045]本實施例中，可以將表現(xiàn)同一組織部位的醫(yī)學圖像聚合在一起，構建三維張量，以便有效地利用同一類圖像間的結構相似性，使用三維隨機欠采樣模板在傅立葉域執(zhí)行欠采樣。
[0046]其中，三維隨機欠采樣模板如圖2所示，其采樣點是隨機分布的，以保證采樣模板與稀疏變換的不相關性；三維隨機欠采樣模板的每一層的采樣點位置都不完全相同，使采樣過程能盡可能獲得多樣化的數(shù)據(jù)信息；此外，由于目標數(shù)據(jù)的主要/關鍵信息集中在傅立葉域的中心區(qū)域，因此，三維隨機欠采樣模板的采樣點更大概率地分布在數(shù)據(jù)的中心區(qū)域。
[0047]步驟104，將三維隨機欠采樣模板設置為保護數(shù)據(jù)。
[0048]步驟105，從存儲服務器中獲取壓縮存儲數(shù)據(jù)，獲取與壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板。
[0049]步驟106，根據(jù)壓縮存儲數(shù)據(jù)以及與壓縮存儲數(shù)據(jù)對應的三維隨機欠采樣模板，重建與壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像。
[0050]具體地，可以采用以下公式重建與壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像:
[0051 ] χ = argmin | | x | |! s.t.| | Φ Fm_b | 1ε
[0052]其中，m為與壓縮存儲數(shù)據(jù)對應的醫(yī)學圖像，χ為m的稀疏表示，即χ = Φ (m)，Φ為三維稀疏變換方法，F(xiàn)為m的逐層傅立葉變換，| | χ | |:為χ的L1范數(shù)，b為壓縮存儲數(shù)據(jù)，Φ為三維隨機欠采樣模板。在理論層面，χ = Φ (m)越稀疏，貝ij重建質量越高。