[发明专利]一种医学影像的检索与压缩方法

说明书

本发明公开了一种医学影像的检索与压缩方法，包括以下步骤:步骤101,对医学影像进行检索；步骤201，对步骤101得到的每幅图像进行压缩；步骤301，将步骤101和步骤201的程序导入单片机的RAM中，在所述的单片机中插有5G网络通信技术的芯片，以借助5G网络进行传输，所述的单片机具有USB接口，以插在医院电脑的主机上，实现医学影像的检索与压缩以及不同医院间的资源共享。通过本方法可以实现医学影像的检索与压缩。通过单片机来包装医学影像检索与压缩的软件，并采用5G网络通信技术进行传输，实现不同医院间的医学影像信息传输，从而达到医疗资源共享。

技术领域

本发明涉及医学影像检索与压缩技术领域以及单片机技术和5G网络通信技术，可以用在医学影像检索与压缩上，并实现不同医院间的医疗资源共享。

背景技术

随着医学成像技术的快速发展，医院每天都会产生大量的医学影像数据，如何在海量的医学影像数据中进行有效快速地检索和压缩已经成为亟待解决的问题。在医学影像中进行检索可以起到辅助诊断医生的作用，可以在一定程度上提升医生的工作效率；对医学影像进行压缩，可以有效减少医学影像数据的存储空间，以便更好地进行医学影像数据传输，可以应用到医疗信息共享和远程医疗上。

2014年xia等人提出一种基于卷积神经网络的哈希算法(Convolution NeuralNetwork Hashing,CNNH)，该算法是CNN与哈希结合的一次全新尝试(参见Xia R,Pan Y,LaiH,et al.Supervised hashing for image retrieval via image representationlearning//Proceedings of the 23rd International Joint Conference onArtificial Intelligence.Quebec City,Canada,2014:2156-2162.)。2016年康奈尔大学的Gao Huang、清华大学的Zhuang Liu以及Facebook AI Research的Laurensvan derMaaten提出了密集卷积神经网络(Dense Convolutional Network,DenseNet)(参见HuangG,Liu Z,Kilian Q W,et al.Densely connected convolutional networks[EB/OL].arXiv preprint arXiv,1608.06993,2016.)，本发明采用了基于DenseNet和监督哈希的图像检索方法。该方法的基本原理是：首先用训练优化好的DenseNet模型提取图像的高层语义特征，其次用改进的监督哈希编码对提取到的特征进行哈希编码，从而实现检索。

1996年Said等人提出了SPIHT图像压缩方法(参见Said A，Pearlman W A.A New，Fast，and Efficient Image Code Based on Set Partitioning in Hierarchical Trees[J].IEEE Transactions on Circuits and Systems for Video Technology，1996，6(3)：243-250.)，但是该方法会损失图像的纹理和轮廓等高频信息，考虑到高频信息对医学影像诊断的重要性，本发明采用联合Canny(参见J.Canny.A computational approach to edgedetection.IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.)和SPIHT的图像压缩方法。该方法的基本原理是：首先对图像进行Canny边缘检测，对提取的边缘图像进行Huffman编码及解码，得到边缘重构图像；其次用SPIHT算法对图像进行编码，并对编码后的码流进行Huffman编码及解码，经SPIHT算法解码及小波逆变换后得到一副重构图；最后将得到的两幅重构图进行相加以恢复原图像。该方法使重构图像的高频信息得到很好地保留，但也存在一部分高频信息冗余致使重构图像的视觉效果下降的缺点。

发明内容