[发明专利]基于医学图像特征的相似度计算系统及方法

说明书

技术领域

本发明涉及医学图像诊断技术领域，具体地，涉及一种基于医学图像特征的相似度计算系统及方法。

背景技术

运用医学影像对病人进行诊断已经是现在普遍应用的诊断方法，但是，目前都是由医生直接通过肉眼观察影响进行疾病诊断，人工诊断在进行诊断时，由于图像数据量大，加上人眼对图像的识别能力有限，不可避免的会出现误诊、漏诊，各种主观失误也时有出现，对患者治疗的准确性留下了很大的隐患。并且医院里进行ct、pet检查，往往会产生大量的图片，使得有限数目的医学图像工作人员任务繁重，劳动强度大。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于医学图像特征的相似度计算系统及方法。

根据本发明的一个方面，提供一种基于医学图像特征的相似度计算系统，包括：

患者医学图像数据库：用以存储待诊断患者的医学图像；

正常医学图像数据库：用以存储正常人的医学图像；

疾病特征数据库：用以存储由医生录入的疾病的图像特征以及相关病征、病史信息；

图像特征提取模块：分别与患者医学图像数据库、正常医学图像数据库以及相似度计算模块连接，用以调入患者的医学图像和正常人的医学图像，提取患者的医学影像信息与正常人的医学图像对比查找病变区域，并提取病变区域的图像特征发送至相似度计算模块；

相似度计算模块：分别与疾病特征数据库和图像特征提取模块连接，用以将接收到的病变区域的图像特征与疾病特征数据库中的图像特征进行比对，计算相似度，得到相似度计算结果并发送至显示模块；以及，

显示模块：与相似度计算模块连接，用以显示相似度计算结果。

优选地，相似度计算模块通过对特征向量的平方差和进行计算得到相似度计算结果，具体为：首先计算向量的SSD系数，对特征库模块存储的N维特征向量，假设特征库中第i维特征向量值为Vector(i)，待匹配的病例图中第i维特征向量值为Co_Vecto r(i),则SSD=(Co_Vector(1)-Vector(1))^2+(Co_Vector(2)-Vector(2))^2+…(Co_Vector(N)-Vector(N))^2，相似度算子为1-SSD/N，其中，N为向量的维数，SSD为向量的SSD系数。

优选地，病变区域的图像特征包括：病变区域的灰度值、形状、轮廓、大小、位置和表面粗糙程度。

优选地，相似度计算结果包括相似度数值，显示模块显示相似度数值最高的疾病的相关信息。

根据本发明的另一个方面，提供一种基于医学图像特征的相似度计算方法，包括以下步骤：

步骤1：图像特征提取模块调入患者的医学图像和正常人的医学图像，提取患者的医学影像信息与正常人的医学图像对比查找病变区域，并提取病变区域的图像特征发送至相似度计算模块；

步骤2：相似度计算模块将接收到的病变区域的图像特征与疾病特征数据库中的图像特征进行比对，计算相似度，得到相似度计算结果并显示。

优选地，步骤1中病变区域的图像特征包括：病变区域的灰度值、形状、轮廓、大小、位置和表面粗糙程度。

优选地，步骤2中，相似度计算具体为：首先计算向量的SSD系数，对特征库模块存储的N维特征向量，假设特征库中第i维特征向量值为Vector(i)，待匹配的病例图中第i维特征向量值为Co_Vector(i),则SSD=(Co_Vector(1)-Vector(1))^2+(Co_Vector(2)-Vector(2))^2+…(Co_Vector(N)-Vector(N))^2，相似度算子为1-SSD/N，其中，N为向量的维数，SSD为向量的SSD系数。

本发明通过图像特征提取模块识别患者医学图像不同于正常人医学图像的地方，并提取相应的图像特征；图像相似度计算模块计算该病例的图像与特征数据库中储存的疾病图像的相似度，并最终给出相似度的数值，显示相似度数值最高的疾病的相关信息，从而协助医生进行诊断。与现有技术相比，本发明具有如下的有益效果：本发明结合计算机系统建立相似度算法，计算符合医生经验知识的相似度，结合医学图像专家的经验知识，对疾病做出初步的诊断，为疾病诊断提供重要参考，有效提高了诊断的准确度和效率，并大大减少医生的工作量。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明基于医学图像特征的相似度计算系统的结构原理图；