一种基于结构重要性图谱驱动的医学图像差异化压缩方法及系统与流程
本发明涉及医学图像处理与压缩编码,特别是一种基于结构重要性图谱驱动的医学图像差异化压缩方法及系统。
背景技术:
1、随着ct、mri等医学影像设备分辨率的不断提高,海量影像数据的存储与传输对图像压缩技术提出了极高要求。据《图像压缩算法在医学影像中的应用及进展》等综述文献,皇家放射学家学院、德国伦琴学会等专业机构已发布使用有损图像压缩的临床建议,指出在保证诊断质量的前提下,有限度地引入高效有损压缩具有临床可行性。这为本发明提供了重要的应用背景:医学界对有损压缩的接受是有条件的——必须确保诊断关键信息不受损失。
2、当前,医学影像压缩方法涵盖全局压缩、基于感兴趣区域(roi)的压缩以及基于深度学习的压缩等多个技术方向。其中,全局压缩方法以整体像素保真度为优化目标,对所有图像内容无差别处理,无法在高压缩比下优先保护诊断关键区域。基于roi的压缩方法将图像分割为roi和非roi并分别采用不同压缩策略,但综述文献明确指出,roi的划分需紧密结合病变区域,分割方法直接影响诊断价值,且基于深度学习的分割算法可解释性较差,这使得roi方法在实际临床部署中面临分割算法选择和评估的额外负担。基于深度学习的端到端压缩方法虽能实现高压缩比,但综述文献亦指出,此类方法难以对压缩过程进行充分控制,需对结果进行额外监督以避免不可控的图像损失,这一固有缺陷限制了其在需要严格可追溯性的医学诊断场景中的应用。
3、需要特别指出,现有技术中存在一类利用结构分析进行图像压缩的方法,其通常先提取稀疏的结构表征,然后丢弃大部分原始像素,在解码端依靠数学模型进行重建。本发明与之对比,不同在于保留了所有原始像素,通过差异化控制量化步长来分配码率。这种架构使得本发明可直接嵌入现有pacs和dicom标准工作流。同时,本发明可以在压缩过程发生前,以一种可解释、可审计的方式,显式地定义和解耦出医学图像中的“诊断结构信息”与“视觉冗余信息”,从而在压缩时实现前者绝对无损、后者极限压缩。
4、此外,也有现有技术利用结构张量来辅助图像压缩决策。例如,通过计算图像块内结构张量矩阵元素的方差来评估颜色变化剧烈程度,并以此将图像块二分为无损压缩区和有损压缩区。然而,此类方法存在本质缺陷:第一,方差作为一种标量统计量,丢失了结构张量中的方向性信息,无法区分“边缘”、“角点”和“平坦区域”等具有不同诊断价值的结构类型——在ct、mri等医学图像中,存在灰度变化平缓但具有明确方向性的诊断关键结构(如微小囊肿的模糊边缘、密度渐变的软组织交界),此类结构的灰度变化平缓导致方差值偏低,但其方向性结构特征仍然显著,方差法会将其系统性遗漏,导致该区域被错误归入有损压缩区,造成不可逆的诊断信息丢失;第二,其硬二分类机制使得不同区域的交界处量化参数发生突变,极易产生编码块效应,且缺乏对交界区域的平滑过渡处理。
5、例如,在极高压缩比下,肺结节边缘的微小毛刺征、血管分叉处的细微钙化点等关键诊断信息,极易与平坦背景区域一同被平滑掉。而诸如基于像素灰度相似性进行分割压缩的方法,则会因病灶与周围组织灰度相近而将其错误归入背景区域,造成不可逆的诊断信息丢失。
6、因此,亟需一种全新的压缩控制方法,以解决上述矛盾。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种基于结构重要性图谱驱动的医学图像差异化压缩方法及系统,旨在解决现有技术中,医学图像压缩过程无法在实现高压缩比的同时,以一种可解释、可审计的方式,确保图像中具有高诊断价值的解剖结构信息绝对无损的问题。
2、为实现上述目的,本发明采用如下技术方案:一种基于结构重要性图谱驱动的医学图像差异化压缩方法,包括以下步骤:
3、s1,接收待压缩的原始医学图像数据;
4、s2,对所述原始医学图像数据进行无监督的几何结构分析,生成一张空间上逐点反映解剖结构复杂度的结构重要性图谱;其中,所述几何结构分析通过计算局部结构张量的特征值关系,导出反映局部几何结构类型的标量值;
5、s3,基于所述结构重要性图谱,通过一个预设的映射函数,为图像中不同区域生成差异化的编码量化步长偏移量;
6、s4,对所述量化步长偏移量进行结构自适应平滑处理,使用以原始图像结构张量为导向的各向异性滤波器,在结构边缘切线方向允许平滑以消除区域交界处的编码块效应,在法线方向抑制平滑以保持重要性边界;
7、s5,将处理后的量化步长偏移量输出至下游编码器,以驱动其对所述原始医学图像数据进行有差别的压缩编码。
8、在一较佳的实施例中,所述的几何结构分析通过计算每个像素局部邻域的结构张量及其特征值()的关系,区分边缘、角点和平坦区域等不同结构类型,并据此赋予不同的重要性度量值。
9、在一较佳的实施例中,所述的结构重要性图谱的生成采用多尺度融合策略:对原始图像构建多尺度金字塔,在各尺度上分别计算结构重要性图谱,再通过预设的融合策略合并为最终图谱。
10、在一较佳的实施例中,所述的映射函数为分段线性函数,将重要性值划分为多个区间,每个区间对应不同的量化步长偏移量,且重要性越高的区间,量化偏移越趋向负值。
11、在一较佳的实施例中,所述的映射函数在将重要性度量值转换为量化步长偏移量时,综合结构重要性度量值和局部纹理复杂度两个因素进行融合决策,对重要性等级相同但纹理复杂度不同的区域,生成差异化的量化步长偏移量;对于重要性等级相同的区域,纹理复杂度越高,量化偏移量相对增大,纹理越平滑,量化偏移量相对减小。
12、在一较佳的实施例中,在生成量化步长偏移量之前,先对所述结构重要性图谱进行区域结构一致性检测:对于标记为高重要性的孤立像素点,若其邻域内高重要性像素密度低于预设阈值,则将其重要性强制降级为与周围背景区域一致。
13、在一较佳的实施例中,结构自适应平滑处理中,各向异性滤波器的扩散张量由原始图像每个像素的结构张量决定,扩散系数在边缘切线方向和法线方向具有不同的值。
14、在一较佳的实施例中,在生成结构重要性图谱之前,还包括一个模态自适应步骤:由一个轻量级图像分类网络自动识别输入医学图像的成像模态类型,并根据识别结果自动适配结构分析算法的超参数。
15、本发明还提供看一种基于结构重要性图谱驱动的医学图像差异化压缩系统,其特征在于,运行所述的一种基于结构重要性图谱驱动的医学图像差异化压缩方法,包括:
16、一个结构分析模块,用于对原始医学图像进行无监督几何结构分析,生成结构重要性图谱;
17、一个参数决策模块,用于基于所述结构重要性图谱和预设映射函数,生成差异化的编码控制参数;
18、一个结构自适应平滑模块,用于对所述编码控制参数进行以原始图像结构张量为导向的各向异性滤波平滑处理;
19、一个编码驱动接口,用于将处理后的编码控制参数输出至下游编码器。
20、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种基于结构重要性图谱驱动的医学图像差异化压缩方法。
21、与现有技术相比,本发明具有以下有益效果:
22、1.调和诊断关键结构无损与背景极限压缩的矛盾,同时通过结构自适应平滑处理消除区域交界处的编码块效应,通过孤点剔除处理抑制噪声干扰,通过纹理复杂度修正实现更精细的码率分配。
23、2.通过分析结构张量的特征值关系,能够捕捉灰度变化平缓但具有明确方向性的诊断关键结构,而现有基于方差的方法会因灰度变化平缓而系统性遗漏此类结构。
24、3.结构重要性图谱通过无监督几何结构分析自动生成,无需人工标注或依赖特定病灶检测模型,避免了传统roi方法中分割算法选择和分割结果评估的额外负担,同时具备完全的可解释性。
25、4.图谱生成完全无监督,不依赖任何特定诊断任务或病灶标注,对不同模态和不同解剖部位具有普适性。同时,因其本身就是对压缩策略的直观解释,满足医疗领域对信任追溯的根本需求。
26、5.方案作为一个编码控制模块,可与现有或未来的多种编码器配合使用,无缝融入现有医院影像系统工作流。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com