基于局部加权拟合算法的医疗图像信息交互共享方法

丁晓东

（青海省第五人民医院，青海西宁 810007）

1 引言

医疗与信息技术深度结合为医学领域与生命科学带来新的发展契机与推动力。在区域医疗系统阶段，医生对图像信息共享需求量较大，而海量的医学图像只能局限在本地保存。要想在卫生主管单位引导下，构建集成的医疗图像信息交互共享系统，就必须对各种图像资源进行整合，实现信息共享。

现阶段许多图像信息交互共享方法陆续提出，文献[1]利用云计算方法构建大型医疗信息共享平台。在综合考虑医疗图像交互平台设计必要性基础上，提出集成技术，分析网络接入方式，选择恰当连接方式；构建大型信息共享平台。与传统共享平台相比，共享效率得到一定提高。文献[2]提出基于神经网络的交互系统分布式信息融合方法。利用多元判别分析法和局部切空间排序法提取不同图像信息的线性与非线性特征；去除冗余数据，减少噪声干扰，获得有价值的特征信息；通过T-S 模糊系统模型较强的自适应性与自动学习更新能力，结合BP神经网络算法实现信息融合与交互，实验表明该方法响应延时较低。但是当图像在进行交互共享时，容易出现畸变现象，上述两种方法是利用原始图像直接进行信息交互，没有对图像做预处理和矫正。导致单位时间内一些图像无法传输，降低系统吞吐量，影响工作效率[3-4]。基于此，本文通过局部加权拟合算法对图像做预处理，实现图像规范化；再对图像进行语义指向性特征量化编码来标记图像类型、结构属性等特征。在这些算法基础上，构建共享算法。实验结果证明，所提方法在改善吞吐量的同时，提高图像质量，减少医疗信息管理者工作强度。

2 医疗图像信息交互共享系统

2.1 基于局部加权拟合算法的医疗图像校正

2.1.1 图像特征点提取

对畸变图像校正之前，需要进行特征点提取与匹配。特征点是表示局部特征的位置结果，可作为局部区域位置标志，将其分为狭义与广义两类。前者是对于点自身定义的，其位置本身存在常规属性意义，例如边缘点、交叉点等；后者是在区域基础上定义的，自身位置不存在特征意义。就本质而言，可将广义特征点看作一个特征区域。而大多数特征点提取都是针对某一特定图像的，所以本文针对医疗图像进行校正，利用Moravec算子来提取广义特征点。假定存在某个狭义特征点，则对该点附近邻域窗口高于设定阈值，如果图像g(i，j)中存在一个M×N大小的窗口{(k，l)：k=1，2，…，M；l=1，2，…，N}，此时Moravec算子计算公式表示为：

其中：

将V＞VT的窗口区域作为特征区域[4]，其中心点或重心点属于广义特征点，VT是事先设计的阈值。

2.1.2 特征点匹配

原始匹配点的构建必须参考特征点周围灰度数据，其局部匹配遵循规则[5]为：若P={p1，p2，…，pm}与Q={q1，q2，…，qn}分别代表医疗图像f1(x，y)与f2(x，y)内的特征点集合，且P(px，py)与Q(qx，qy)表示正考虑的一组特征点。则衡量p、q 相似性交叉公式如下：

公式中，μ1与δ1分别代表图像f1(x，y)在p 点周围的局部均值与方差；μ2与δ2分别表示图像f2(x，y)在点q 周围局部均值与方差。(2M+1)2描述局部匹配窗口大小。实际匹配过程中可以发现，因为灰度属性不相同，再加上噪声影响，两幅待配准图像内同名点的特征点在位置上有所差异。因此对公式(6)的交叉相关规定做局部平移抖动[6]，将最大交叉相关值当作p与q的相似性度量。表达式如下：

公式中，Rp与Rq分别描述p与q两点附近最小邻域。通过下述三个条件构建原始匹配关系[7]，如果点pr与qs之间相似度量(pr，qs)符合如下三个条件时，则认为pr与qs属于同名控制点。

上述公式中，CT代表阈值，通常取值为0．7左右。公式(9)与公式(10)用于约束点pr与qs是点集合中邻域灰度最接近的点。公式(11)确保它们的相似度高于阈值CT，以此实现特征点匹配。

2.1.3 图像校正

利用局部加权拟合方法矫正医疗图像，首先将控制点O作为中心，R为半径，此时控制圆中包含A个控制点，对A+1个控制点进行局部表面拟合，因为所选的多项式属于二次，所以控制点数量最少是六个，即A=5。在控制点实现局部拟合后，控制点O对应一个拟合结果。控制点选择结果如图1所示。

图1 控制点选择

如果图像中局部控制点较为稀疏，为确保控制圆中包含足够多的控制点，需要添加几个辅助控制点。具体的操作步骤如下：

步骤一：选取控制圆中某一个内接正方形，将正方形每条边上的点作为新增控制点。由于该正方形是能够控制选取的，因此可将新增点控制在图像范围内。

步骤二：在标准空间中，新增控制点附近又会存在若干控制点，对这些点做三角联网[8-10]，获得若干个三角形，确定离新增控制点最近的三角形。

步骤三：利用最近三角形每个顶点构成的控制点构建校正模型，则新增控制点在畸变图像中共轭位置可通过这一模型计算得出。

步骤四：全部控制点完成以上局部表面拟合后，任意一点都会对应一个拟合结果。而图像中每个畸变点的映射关系都能通过附近计算点获得，以此来实现畸变点矫正。

2.2 医学图像信息交互共享

2.2.1 语义指向性特征量化编码

在完成图像矫正后，对语义窗口内图像交互信息的梯度值进行自适应加权，得到交互共享图像加权向量，并对该向量做属性压缩，结合压缩结果获取图像交互数据的语义指向性向量，同时对其做量化编码，主要目的是利用统一标志对交互信息来源、种类与结构等特征做标记。详细流程如下：

对图像交互共享信息梯度值做自适应加权，得到加权向量为：

公式中，T代表矢量空间温度，通过一个1×N的时间窗口实现图像信息属性压缩，明确信息挖掘时间窗口是N，并将时间窗口分割成多个时间间隔，通过公式(13)计算出图像交互共享信息压缩的持续滑动窗口距离：

公式中，ωij(t)代表图像最高梯度差加权系数，i属于属性种类，ik，xi(t)为某一加权矢量。

假设共享信息的窄时域窗为TLX，结合窄时间窗，得到图像交互共享特性提取判断公式：

若m代表医疗图像共享信息的能量密度谱，在最窄时间窗下，得到共享信息的时钟采样Bj，则量化编码空间轨迹函数表示为：

将语义本质特征波束的提取范围分割成3×3拓扑结构，确定窗函数，实现特征向量量化编码的公式如下：

公式中，uj(k)代表图像属性集合的傅里叶变换，Bj(k)则为图像语义本质特性概率密度函数。

2.2.2 基于特征向量量化编码的信息交互共享

利用医疗图像交互共享的唯一标志，通过图像清洗原则将图像交互信息进行封装处理，结合图像交互共享矢量特征对处理后的图像进行质量评定，构建评价模型。选出评分较高的图像做统一整合，并将整合后的信息发送到客户端。从海量备份文件中选取用户兴趣度较高的图像优先显示，实现医疗图像的信息共享。详细操作流程如下：

结合交互共享唯一标识，按照数据清洗原则，对医疗图像利用如下公式做数据清洗：

公式中，D(Vi)代表清洗后的图像特征向量封装包。该封装包信息完整度与一致性难以保证，因此需要对图像做质量评价。构建下述评价模型：

公式中，Hb代表图像原有质量，κb为图像交互时的可取质量，J(t)描述交互图像之间存在的依赖关系，F则是模型重要程度。

通过上述模型可获取评分质量较高的图像交互数据，把这些信息泛化为客户感兴趣的集成元信息V，过滤冗余属性，同时补充缺失属性，表达式为：

公式中，V(i)F表示冗余图像滤除，δ(k)代表泛化后的痕迹系数。

对交互共享图像进行统一整合，利用下述公式进行压缩，并将交互后的图像传输到用户端：

公式中，γ代表图像码流，z为获得的函数。通过公式(21)实现解码备份：

公式中，θ表示备份文件总数。

3 仿真实验

为测试所设计交互共享算法的应用性能，设置仿真实验。图像特征采集时间间隔为50s，选出200 张可交互共享的医疗图像，分别利用本文方法、文献[1]方法与文献[2]方法，将系统吞吐量作为评价指标进行对比。对比结果如下图2所示。

图2 不同方法信息共享吞吐量对比结果

吞吐量表示对网络、设备或其它设施，单位时间内成功传输数据的总量。从图2中可以看出，随着时间推移，本文方法信息共享吞吐量最高，文献[2]方法次之，文献[1]方法最低。主要因为，所提方法实现了图像矫正，并对质量评分较高的图像进行整合，并压缩交互共享信息，减少图像储存空间，使其在单位时间内传输图像数量最多。

在对吞吐量进行测试后，需验证所提方法对图像的校正性能。假设控制点实际坐标为(Ox，Oy)，利用局部加权拟合算法对其校正，(Oxl，Oyl)描述校正后的控制点坐标，(Oxl，Oyl)为平面坐标点误差，测试结果如表1所示。

表1 校正精准度表(单位:像元)

分析上述结果可知，所提图像校正方法能够准确校正畸变控制点误差，最大程度提高图像质量，从而增强交互共享利用率，增强工作效率。

4 结束语

为实现医疗体系之间图像数据自由流转，本文利用局部加权拟合算法对图像进行处理后再进行信息交互共享。实验结果表明，所提方法可以提高系统吞吐量，同时根据客户要求实现图像信息共享。打破各医院之间信息孤岛，促进各卫生单位医疗水平提升，提高工作效率；同时整合现有软、硬件资源，提高原有系统的应用价值，对建设节约型诊疗机构起到推动作用。