丁曉東

（青海省第五人民醫(yī)院，青海西寧 810007）

1 引言

醫(yī)療與信息技術(shù)深度結(jié)合為醫(yī)學(xué)領(lǐng)域與生命科學(xué)帶來新的發(fā)展契機(jī)與推動力。在區(qū)域醫(yī)療系統(tǒng)階段，醫(yī)生對圖像信息共享需求量較大，而海量的醫(yī)學(xué)圖像只能局限在本地保存。要想在衛(wèi)生主管單位引導(dǎo)下，構(gòu)建集成的醫(yī)療圖像信息交互共享系統(tǒng)，就必須對各種圖像資源進(jìn)行整合，實(shí)現(xiàn)信息共享。

現(xiàn)階段許多圖像信息交互共享方法陸續(xù)提出，文獻(xiàn)[1]利用云計算方法構(gòu)建大型醫(yī)療信息共享平臺。在綜合考慮醫(yī)療圖像交互平臺設(shè)計必要性基礎(chǔ)上，提出集成技術(shù)，分析網(wǎng)絡(luò)接入方式，選擇恰當(dāng)連接方式；構(gòu)建大型信息共享平臺。與傳統(tǒng)共享平臺相比，共享效率得到一定提高。文獻(xiàn)[2]提出基于神經(jīng)網(wǎng)絡(luò)的交互系統(tǒng)分布式信息融合方法。利用多元判別分析法和局部切空間排序法提取不同圖像信息的線性與非線性特征；去除冗余數(shù)據(jù)，減少噪聲干擾，獲得有價值的特征信息；通過T-S 模糊系統(tǒng)模型較強(qiáng)的自適應(yīng)性與自動學(xué)習(xí)更新能力，結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)信息融合與交互，實(shí)驗表明該方法響應(yīng)延時較低。但是當(dāng)圖像在進(jìn)行交互共享時，容易出現(xiàn)畸變現(xiàn)象，上述兩種方法是利用原始圖像直接進(jìn)行信息交互，沒有對圖像做預(yù)處理和矯正。導(dǎo)致單位時間內(nèi)一些圖像無法傳輸，降低系統(tǒng)吞吐量，影響工作效率[3-4]?；诖耍疚耐ㄟ^局部加權(quán)擬合算法對圖像做預(yù)處理，實(shí)現(xiàn)圖像規(guī)范化；再對圖像進(jìn)行語義指向性特征量化編碼來標(biāo)記圖像類型、結(jié)構(gòu)屬性等特征。在這些算法基礎(chǔ)上，構(gòu)建共享算法。實(shí)驗結(jié)果證明，所提方法在改善吞吐量的同時，提高圖像質(zhì)量，減少醫(yī)療信息管理者工作強(qiáng)度。

2 醫(yī)療圖像信息交互共享系統(tǒng)

2.1 基于局部加權(quán)擬合算法的醫(yī)療圖像校正

2.1.1 圖像特征點(diǎn)提取

對畸變圖像校正之前，需要進(jìn)行特征點(diǎn)提取與匹配。特征點(diǎn)是表示局部特征的位置結(jié)果，可作為局部區(qū)域位置標(biāo)志，將其分為狹義與廣義兩類。前者是對于點(diǎn)自身定義的，其位置本身存在常規(guī)屬性意義，例如邊緣點(diǎn)、交叉點(diǎn)等；后者是在區(qū)域基礎(chǔ)上定義的，自身位置不存在特征意義。就本質(zhì)而言，可將廣義特征點(diǎn)看作一個特征區(qū)域。而大多數(shù)特征點(diǎn)提取都是針對某一特定圖像的，所以本文針對醫(yī)療圖像進(jìn)行校正，利用Moravec算子來提取廣義特征點(diǎn)。假定存在某個狹義特征點(diǎn)，則對該點(diǎn)附近鄰域窗口高于設(shè)定閾值，如果圖像g(i，j)中存在一個M×N大小的窗口{(k，l)：k=1，2，…，M；l=1，2，…，N}，此時Moravec算子計算公式表示為：

其中：

將V＞VT的窗口區(qū)域作為特征區(qū)域[4]，其中心點(diǎn)或重心點(diǎn)屬于廣義特征點(diǎn)，VT是事先設(shè)計的閾值。

2.1.2 特征點(diǎn)匹配

原始匹配點(diǎn)的構(gòu)建必須參考特征點(diǎn)周圍灰度數(shù)據(jù)，其局部匹配遵循規(guī)則[5]為：若P={p1，p2，…，pm}與Q={q1，q2，…，qn}分別代表醫(yī)療圖像f1(x，y)與f2(x，y)內(nèi)的特征點(diǎn)集合，且P(px，py)與Q(qx，qy)表示正考慮的一組特征點(diǎn)。則衡量p、q 相似性交叉公式如下：

公式中，μ1與δ1分別代表圖像f1(x，y)在p 點(diǎn)周圍的局部均值與方差；μ2與δ2分別表示圖像f2(x，y)在點(diǎn)q 周圍局部均值與方差。(2M+1)2描述局部匹配窗口大小。實(shí)際匹配過程中可以發(fā)現(xiàn)，因為灰度屬性不相同，再加上噪聲影響，兩幅待配準(zhǔn)圖像內(nèi)同名點(diǎn)的特征點(diǎn)在位置上有所差異。因此對公式(6)的交叉相關(guān)規(guī)定做局部平移抖動[6]，將最大交叉相關(guān)值當(dāng)作p與q的相似性度量。表達(dá)式如下：

公式中，Rp與Rq分別描述p與q兩點(diǎn)附近最小鄰域。通過下述三個條件構(gòu)建原始匹配關(guān)系[7]，如果點(diǎn)pr與qs之間相似度量(pr，qs)符合如下三個條件時，則認(rèn)為pr與qs屬于同名控制點(diǎn)。

上述公式中，CT代表閾值，通常取值為0．7左右。公式(9)與公式(10)用于約束點(diǎn)pr與qs是點(diǎn)集合中鄰域灰度最接近的點(diǎn)。公式(11)確保它們的相似度高于閾值CT，以此實(shí)現(xiàn)特征點(diǎn)匹配。

2.1.3 圖像校正

利用局部加權(quán)擬合方法矯正醫(yī)療圖像，首先將控制點(diǎn)O作為中心，R為半徑，此時控制圓中包含A個控制點(diǎn)，對A+1個控制點(diǎn)進(jìn)行局部表面擬合，因為所選的多項式屬于二次，所以控制點(diǎn)數(shù)量最少是六個，即A=5。在控制點(diǎn)實(shí)現(xiàn)局部擬合后，控制點(diǎn)O對應(yīng)一個擬合結(jié)果?？刂泣c(diǎn)選擇結(jié)果如圖1所示。

圖1 控制點(diǎn)選擇

如果圖像中局部控制點(diǎn)較為稀疏，為確?？刂茍A中包含足夠多的控制點(diǎn)，需要添加幾個輔助控制點(diǎn)。具體的操作步驟如下：

步驟一：選取控制圓中某一個內(nèi)接正方形，將正方形每條邊上的點(diǎn)作為新增控制點(diǎn)。由于該正方形是能夠控制選取的，因此可將新增點(diǎn)控制在圖像范圍內(nèi)。

步驟二：在標(biāo)準(zhǔn)空間中，新增控制點(diǎn)附近又會存在若干控制點(diǎn)，對這些點(diǎn)做三角聯(lián)網(wǎng)[8-10]，獲得若干個三角形，確定離新增控制點(diǎn)最近的三角形。

步驟三：利用最近三角形每個頂點(diǎn)構(gòu)成的控制點(diǎn)構(gòu)建校正模型，則新增控制點(diǎn)在畸變圖像中共軛位置可通過這一模型計算得出。

步驟四：全部控制點(diǎn)完成以上局部表面擬合后，任意一點(diǎn)都會對應(yīng)一個擬合結(jié)果。而圖像中每個畸變點(diǎn)的映射關(guān)系都能通過附近計算點(diǎn)獲得，以此來實(shí)現(xiàn)畸變點(diǎn)矯正。

2.2 醫(yī)學(xué)圖像信息交互共享

2.2.1 語義指向性特征量化編碼

在完成圖像矯正后，對語義窗口內(nèi)圖像交互信息的梯度值進(jìn)行自適應(yīng)加權(quán)，得到交互共享圖像加權(quán)向量，并對該向量做屬性壓縮，結(jié)合壓縮結(jié)果獲取圖像交互數(shù)據(jù)的語義指向性向量，同時對其做量化編碼，主要目的是利用統(tǒng)一標(biāo)志對交互信息來源、種類與結(jié)構(gòu)等特征做標(biāo)記。詳細(xì)流程如下：

對圖像交互共享信息梯度值做自適應(yīng)加權(quán)，得到加權(quán)向量為：

公式中，T代表矢量空間溫度，通過一個1×N的時間窗口實(shí)現(xiàn)圖像信息屬性壓縮，明確信息挖掘時間窗口是N，并將時間窗口分割成多個時間間隔，通過公式(13)計算出圖像交互共享信息壓縮的持續(xù)滑動窗口距離：

公式中，ωij(t)代表圖像最高梯度差加權(quán)系數(shù)，i屬于屬性種類，ik，xi(t)為某一加權(quán)矢量。

假設(shè)共享信息的窄時域窗為TLX，結(jié)合窄時間窗，得到圖像交互共享特性提取判斷公式：

若m代表醫(yī)療圖像共享信息的能量密度譜，在最窄時間窗下，得到共享信息的時鐘采樣Bj，則量化編碼空間軌跡函數(shù)表示為：

將語義本質(zhì)特征波束的提取范圍分割成3×3拓?fù)浣Y(jié)構(gòu)，確定窗函數(shù)，實(shí)現(xiàn)特征向量量化編碼的公式如下：

公式中，uj(k)代表圖像屬性集合的傅里葉變換，Bj(k)則為圖像語義本質(zhì)特性概率密度函數(shù)。

2.2.2 基于特征向量量化編碼的信息交互共享

利用醫(yī)療圖像交互共享的唯一標(biāo)志，通過圖像清洗原則將圖像交互信息進(jìn)行封裝處理，結(jié)合圖像交互共享矢量特征對處理后的圖像進(jìn)行質(zhì)量評定，構(gòu)建評價模型。選出評分較高的圖像做統(tǒng)一整合，并將整合后的信息發(fā)送到客戶端。從海量備份文件中選取用戶興趣度較高的圖像優(yōu)先顯示，實(shí)現(xiàn)醫(yī)療圖像的信息共享。詳細(xì)操作流程如下：

結(jié)合交互共享唯一標(biāo)識，按照數(shù)據(jù)清洗原則，對醫(yī)療圖像利用如下公式做數(shù)據(jù)清洗：

公式中，D(Vi)代表清洗后的圖像特征向量封裝包。該封裝包信息完整度與一致性難以保證，因此需要對圖像做質(zhì)量評價。構(gòu)建下述評價模型：

公式中，Hb代表圖像原有質(zhì)量，κb為圖像交互時的可取質(zhì)量，J(t)描述交互圖像之間存在的依賴關(guān)系，F(xiàn)則是模型重要程度。

通過上述模型可獲取評分質(zhì)量較高的圖像交互數(shù)據(jù)，把這些信息泛化為客戶感興趣的集成元信息V，過濾冗余屬性，同時補(bǔ)充缺失屬性，表達(dá)式為：

公式中，V(i)F表示冗余圖像濾除，δ(k)代表泛化后的痕跡系數(shù)。

對交互共享圖像進(jìn)行統(tǒng)一整合，利用下述公式進(jìn)行壓縮，并將交互后的圖像傳輸?shù)接脩舳耍?/p>

公式中，γ代表圖像碼流，z為獲得的函數(shù)。通過公式(21)實(shí)現(xiàn)解碼備份：

公式中，θ表示備份文件總數(shù)。

3 仿真實(shí)驗

為測試所設(shè)計交互共享算法的應(yīng)用性能，設(shè)置仿真實(shí)驗。圖像特征采集時間間隔為50s，選出200 張可交互共享的醫(yī)療圖像，分別利用本文方法、文獻(xiàn)[1]方法與文獻(xiàn)[2]方法，將系統(tǒng)吞吐量作為評價指標(biāo)進(jìn)行對比。對比結(jié)果如下圖2所示。

圖2 不同方法信息共享吞吐量對比結(jié)果

吞吐量表示對網(wǎng)絡(luò)、設(shè)備或其它設(shè)施，單位時間內(nèi)成功傳輸數(shù)據(jù)的總量。從圖2中可以看出，隨著時間推移，本文方法信息共享吞吐量最高，文獻(xiàn)[2]方法次之，文獻(xiàn)[1]方法最低。主要因為，所提方法實(shí)現(xiàn)了圖像矯正，并對質(zhì)量評分較高的圖像進(jìn)行整合，并壓縮交互共享信息，減少圖像儲存空間，使其在單位時間內(nèi)傳輸圖像數(shù)量最多。

在對吞吐量進(jìn)行測試后，需驗證所提方法對圖像的校正性能。假設(shè)控制點(diǎn)實(shí)際坐標(biāo)為(Ox，Oy)，利用局部加權(quán)擬合算法對其校正，(Oxl，Oyl)描述校正后的控制點(diǎn)坐標(biāo)，(Oxl，Oyl)為平面坐標(biāo)點(diǎn)誤差，測試結(jié)果如表1所示。

表1 校正精準(zhǔn)度表(單位:像元)

分析上述結(jié)果可知，所提圖像校正方法能夠準(zhǔn)確校正畸變控制點(diǎn)誤差，最大程度提高圖像質(zhì)量，從而增強(qiáng)交互共享利用率，增強(qiáng)工作效率。

4 結(jié)束語

為實(shí)現(xiàn)醫(yī)療體系之間圖像數(shù)據(jù)自由流轉(zhuǎn)，本文利用局部加權(quán)擬合算法對圖像進(jìn)行處理后再進(jìn)行信息交互共享。實(shí)驗結(jié)果表明，所提方法可以提高系統(tǒng)吞吐量，同時根據(jù)客戶要求實(shí)現(xiàn)圖像信息共享。打破各醫(yī)院之間信息孤島，促進(jìn)各衛(wèi)生單位醫(yī)療水平提升，提高工作效率；同時整合現(xiàn)有軟、硬件資源，提高原有系統(tǒng)的應(yīng)用價值，對建設(shè)節(jié)約型診療機(jī)構(gòu)起到推動作用。