文摘

针对医学图像的实时问题恢复深度信息,从而导致不完整的图像数据信息收集医学图像数据采集的过程中,本研究提出了一种快速医学图像恢复方法基于贝叶斯个性化排序算法(BPSA),用于部分低收入和高频子频带图像在最初的形象,最优低频子频带系数模型相结合,解决了非负矩阵分解方法,高频方向子频带系数是根据图像的局部对比度和解决能源在一些地区,获得医学图像的特点。医学图像信息可以迅速恢复了三角,这解决的缺点太多图像特征点和长时间操作在传统图像恢复方法。最后,实验研究表明,在这项研究中提出的医学图像快速修复方法有更好的纹理细节影响修复,可有效降低医学图像深度信息恢复的时间,也可以有效地提高精度,显示了该算法的有效性和实用性。

1。介绍

目前,所需的个人数据存储在电子政务医疗卫生和其他信息系统。个人数据更容易使用。然而,这些存储在系统误用的风险由运营商/系统管理员。因此,预防和控制技术已经发展的要求(1,2]。如何复用传输数据和患者信息保存在一个个性化的结构需要解决的棘手问题之一的图像数据的存储。电子成像系统需要存储患者信息很长一段时间,可随时获得。然而,考虑到有限的计算机硬件和数据库容量,数据不能存储在线很长一段时间。扭曲的数据信息恢复和重用,以确保病人的医学数据库的相关数据信息可以存储在系统中,以确保在存储过程中遇到的困难可以解决医学图像数据。目前,医学图像的快速恢复在中国将继续实现图像恢复。随着医疗改革的不断深化,已成为优化医疗服务模型的一个重要模式,也将成为该国的目标关键健康产业的发展,可以满足家庭用户的需求最大程度(3,4]。它可以有效地改善医疗卫生资源的利用效率,不断提高医学图像的快速恢复的有效管理和控制,从而全面、有效地提高图像恢复的交互能力水平的医学图像快速恢复。当前图像恢复系统,快速医学图像恢复方法的优化可以有效地简化手工管理过程而不断数字化系统,可有效说明启发式优化的快速进步的医学图像恢复方法,最后完成统一部署和图像恢复的逐步实现。快速的优化的基础医学图像恢复方法是用户信息资源和用户资源信息,管理和控制效率优化快速医学图像恢复方法的关键。因此,医学图像的快速修复需要全面分析和合理的用户信息数据的管理和控制。医学图像快速恢复的优化方法的优化传统医学图像快速修复问题。主要为用户接受服务一个或多个图像恢复点(5,6]。然而,医学图像快速重建主要是基于公众的观点。图像恢复过程中,恢复路径规划的问题是根据患者的情况来解决。在图像恢复过程中,恢复路径规划问题通常是解决根据病人的病情。快速进行图像恢复传统的医学图像快速修复问题,使用贝叶斯个性化排序算法来优化快速医学图像重建图像恢复下,考虑到快速医学图像恢复方法的规划问题通常发生在图像恢复的整个过程;然而,家庭护理服务和医院护理服务的区别是,家庭护理是护理的重点不是工作时间的限制,而医院修复通常考虑的约束时间和资本投资。这种优化的快速医学图像恢复方法可用于实现图像恢复服务,可有效解决这个问题(7- - - - - -9]。这些成像技术的发展基础,计算机和医学图像处理技术推动现代医学诊断的意义深远的改革。各种新的医学成像方法的临床应用已取得了很大的进步在医学诊断和治疗技术。同时,通过各种成像技术是互补的信息,也提供了一个强有力的科学依据临床诊断和生物医学研究。因此,医学图像处理技术已经在国内外有关专家的高度重视。通过贝叶斯个性化排序算法数据,对于高丢包率的现象导致贝叶斯个性化排序算法的图像恢复的实现数据丢失、贝叶斯个性化排序算法用于图像恢复的实现方法,以弥补缺失的数据,确保安全的实现医学图像的快速恢复数据。计算机网络是一个图像存档和通信系统的重要组成部分。它负责提供底层形象传播服务。这是软件和硬件的基础图像存档和通信系统。通过不同层次的网络图像采集,存储和显示,医疗数据管理和其他单位的图像存档和通信系统连接在一起,形成一个统一的和高性能的系统。 PACS needs to solve the problems of data transmission and image storage. Using limited storage space to save more images has become the key of compression space technology.

针对医学图像快速恢复的需求增加,许多问题暴露在当前图像处理的发展,本研究结合贝叶斯个性化排序算法的医学图像快速修复方法实现图像恢复的基础上,充分分析了原因,主要分为两个阶段:上层和底层快速快速恢复。通过详细规划决策阶段的医学图像快速修复方法在上层和使用贝叶斯个性化排序算法在底层图像快速恢复阶段,它可以让用户完成在指定的时间内搜索最大的空间。可以观察到从实验的最终结果,该算法可以优化医学图像的快速修复方法和实现图像恢复的功能。

2。贝叶斯个性化排序算法

在贝叶斯个性化排序算法,获得图像数据主要用于定义价值点概率密度模式f (x)、最大值和概率密度,零是使用梯度作为值 。因此,内核函数的概率密度的点x为n采样点在采用空间可以表示如下:

在上面的方程中,K (x)是一个内核函数 。定义,g (x)= - k′(x), ,和均值向量的转变x定义如下:

这是假设一个给定的源点x=y,内核函数G(x),表达式(3)重复执行,直到达到收敛和仍在。因此,模式可以获得价值点,描述如下:

采用的图像数据主要包含空间信息和颜色特征。按照选定的样本数据库X,它符合d=p+ 2 (p= 1表示灰度空间,p= 3表示彩色图像)。随后,根据获得的图像空间,相应的图像特征向量可以表示 。因此,用图像的空间坐标 ,和图像的颜色特征是用 。因为有一定联系的大小空间图像的位置和大小的阶段在颜色空间中,所使用的核函数可以表示两个空间的内核函数,如下所示:

用原始图像 ,和图像平滑后用 ,分开。另外,图像平滑基于均值漂移的方法。为每一个像素点,以下进行:(1)j= 1初始化,让 。(2)中心在空间带宽内的当前位置计算,代表空间带宽和代表颜色带宽。 (3) 。(4)重复步骤2到步骤3,直至 ,和收敛点 可以获得。(5)的值 被分配。

在这项研究中,使用贝叶斯个性化排序算法完成低频子频带系数的快速修复,和低频子频带系数后快速修复得到;高频方向子频带系数的快速修复,视觉能量对比方法用于完成,和高频方向子频带系数后快速修复得到;最后,通过Shearlet逆操作,快速修复形象。流动的快速修复算法提出了研究如图1。

首先,一个贝叶斯个性化排序算法在原始图像上执行严格的登记后,和原始图像分解成 (一个低频子频带)和(高频子频带系列)的系数由贝叶斯个性化排序算法,在哪里c= 1,2,…N,代表c图像的高频子频带,k= 1,2,…米(我,j)是分解方向参数,即贝叶斯个性化排序算法的位置系数的方向分解图像在多尺度多方向。随后,低收入和高频分解后的系数迅速恢复,然后执行逆操作得到最终的快速恢复图像(10- - - - - -12]。贝叶斯个性化排序算法的具体分解步骤如下:(1)原始图像分解成不同尺度下的图像T₀,T₁、…T_N,通过non-downsampling塔式分解…,T₀代表了分解没形象,T₁∼T_N代表了分解1日规模细分图像Nth细分规模的形象。(2)通过二维快速傅里叶变换,细分规模图像T₁、…T_N变换到频域英尺₁,英国《金融时报》…_N。(3)每个细分规模频域图像英尺₁,英国《金融时报》…_N作为贝叶斯个性化排序算法的输入滤波器银行吗 ,通过全方位的分解 ,和频域系数 得到了各高频子频带。一系列的高频子频带系数 通过二维快速傅里叶反变换得到的 。(4)基于结果T₀步骤2,年代₀(我,j)=T₀直接做了,结果呢 步骤4的合成,然后,所有系数的贝叶斯个性化排序算法。(5)低收入和高频分解后的系数分解对应源图像显示正在迅速恢复到一个特定的快速恢复算法,和低收入和高频分解后的系数得到快速恢复图像,分别。(6)通过个性化排序函数,快速恢复图像。

3所示。医学图像的快速恢复过程

3.1。快速恢复算法流

为了获得连续的边缘图像,通过图像边缘像素的协会在中部地区形象,假设一个断点a和B两个边缘之间的部分。然而,对于端点 图像的边缘附近的端点 边缘的B,它可以辩称,上述图像的边缘可以合并成一个优势。的k-slope端点 图像边缘的位置计算,可以描述使用以下表达式:

在上面的表达式, 代表了kth点在图像边缘与端点 为起点,k通常是一个相对较小的值(例如,k= 4)。假设 (代表了阈值,例如 ),然后,端点 和 A和B两条边的图像可以由直线段连接形成一个优势。

关于开放边缘的快速修复,我们应用改进的链码表示方法的文献。A和B两个开放的边缘快速修复,首先计算出相应的改进链代码表示。假设提高链代码开放边缘的两个快速修复对象A和B来自两个开放的边缘的长度n(一般来说,n大于最小长度的2/3开放边缘A和B) [13- - - - - -16]。关于片段α和片段β的 ,α开始的kth边缘点的,β从第一个边缘点的b .因此,快速修复度之间α和β可以定义如下:

在上面的方程中, 和 , 。随后,最佳的快速修复 标识片长度是什么时候吗n,它的快速修复程度来标示 。

假设不同的A和B两个封闭的边缘的图像对应于封闭的地区和 ,第一个六矩不变量的相应的七个不变矩计算基于传统算法由于矩不变量,表示为 和 ,分别。然后,六个不变矩函数归一化方程,如下所示:

随后,下面是计算如下:

如果小于某一阈值d(一个较小的值d表明更严格的要求程度的快速修复的两条边。一般来说, 可以采取;即两个封闭的边缘A和B是封闭的边缘快速修复。

为了获得足够的收边,快速repair-to-open边缘成封闭的边缘被转换在这项研究通过连接边的两个端点,迅速修复到打开状态为直线段,形成封闭的边缘。具体的过程如图2。图2(一个)显示了一个fast-repaired开放边,打开连接的两个端点通过一个直线段。通过这种方式,fast-repaired封闭的边缘图2可以获得,如图2 (b)。

3.2。快速恢复规则高频子频带系数

贝叶斯个性化排序算法以医学图像和医学图像存储和控制为核心。许多医学图像将随着创建和快速进步的巨大支持的无线通信终端的社会。毫无疑问,将会十分注重医学图像存储和控制。为了这个目的,一个贝叶斯个性化排序算法方案提出了医学图像的存储。本研究介绍了贝叶斯个性化排序算法技术进行贝叶斯个性化排序算法存储系统的设计大量的医学图像来实现储存智能和确保信息服务安全。快速恢复的医学图像管理系统建立了巩固doctor-nurse-patient管理和系统发射前后的比较和分析,并进行仿真实验。

高频子频带系数的快速修复功能模块主要是用来确保每个图像像素的颜色和空间尺寸重建可以恢复到初始图像的颜色和特点在一定程度上。修复功能用于快速修复的高频子频带系数采用l^可使表示。按照修复的揭露了形象,损害的程度掩盖了图像区域,使用,造成的损失,和图像对抗在方程可以表示如下:

根据上述表达图像修复的损坏,修复医学图像与实际图像对应non-masked图像面积可用于修复受损的形象表达(9)如下。的表达,我_大坝代表尚未修复的医学图像,米代表不规则二进制掩码,我_大坝代表修复医学图像,我_可使代表实际未使用的医学图像修复算法。因此,恢复损失函数的表达掩盖了地区可以获得如下:

值得注意的是,医学图像仍有一定的局限性。医学图像的存储是一个渐进的过程,和病人在访问时积累的一个接一个医生。如果看医生的情况发生时,增量更新是必需的。然而,由于硬件的能力,服务生活,和其他因素,长期储存的医学图像是不可行的。如何存储,有效地转移,使用个人医学图像是一个重要的问题值得仔细研究。对医学图像的共享,病人访问不同的医疗机构,不同机构的形式和写作习惯是不同的。如何有效地使用它,全面也需要解决的迫切问题。关于医学图像安全,医学图像包含许多生理和其他个人隐私问题。这些信息很容易被泄露。与此同时,信息传输过程有一些安全风险。 This study uses the characteristics of human vision to obtain the detailed information contained in images and designs visual energy contrast to select the coefficients of rapidly stored images according to the characteristics of high-frequency sub-band coefficients.

对于医学图像的快速修复,它使用定义的多样性和准确性,综合评价进行选择性地完成医学图像的快速修复。通过撰写医学图像快速修复医学图像的基于粒子群在搜索空间中,特征向量的信息相应的医学图像快速修复数据可以表示如下:

在上面的表达式,f代表自适应函数对应的特征向量医学图像中的特征数据的快速修复。代表了εth快速修复的医学图像快速修复的实际应用过程。

快速修复的表达式在医学图像快速修复II可以获得如下:

在上面的方程中,和医学图像的快速修复。如果有更少的信息共享与医学图像快速修复的集群基地,这个基地集群的准确性相对较低;否则,这个基地集群的准确性将会相对较高。基于集群的准确性和多样性特征的医学图像的快速修复,定义集群的综合评价标准基于医学图像的快速修复可以表示如下:

在上面的方程中, 。医学图像的正确性和多样性的快速修理站的重要性程度综合评价标准。

4所示。实验和结果分析

在这项研究中,贝叶斯个性化排序算法的仿真实验实现PC上使用MATLAB仿真软件,得到了和医学图像的特征点。在实验过程中,算法在本研究和筛选算法被用来快速恢复原始图像,和结果进行了比较和分析,医学图像的特征向量提取有效的基于贝叶斯个性化排序算法。二尖瓣的医学图像重建图像选择电缆为研究目标获取原始图像(数字3和4)。在图像恢复过程中,选择的焦点距离相机是0.5米,和阈值的快速图像恢复设置为0.48。图像恢复结果使用贝叶斯个性化排序算法数据所示5和6。其中,表1显示了快速图像恢复的结果数据5和6。上面的两张图片表明,更多的特征向量可以通过贝叶斯个性化排序算法的过程中快速医学图像恢复比筛选算法。它减少了数据容量和图像特征点的数量,需要恢复到一定程度上,大大节省了快速图像恢复所需的时间。与图像恢复的特征筛选算法的基础上,忽略一些明显的特征,它可以有效地减少计算量和计算的频率中生成图像特征描述阶段,有效提高图像恢复的精度,可以有效地满足医学图像处理的要求。

关于医学图像有不同的大小,在医学图像的一部分内容可以复制粘贴到其他医学图像,恢复医学图像所示的医学图像3在图1的恢复6。硬件平台的CPU 1.5 GHz CPU, 725 MB的内存,和分块医学图像的大小是30×30像素20×20像素,和20×20像素,提取主成分的累积贡献率选择CFOA是85%。MATLAB 6.0是用于执行编程实现神经网络算法,提出的算法研究。此外,医学图像的实验结果的对比图表示7。

在这项研究中,类似于神经网络算法,分析可以对医学图像进行修复区域表明了该方法的有效性。它也可以观察到,更准确地恢复区域局部分析。这表明,医学图像的灰度信息的神经网络算法可以更换复合修复数据,这种方法是有效的。同时,时间的例子对算法的神经网络算法和提出研究如表所示1,分割块的行排序表。块的数量从医学图像1恢复到恢复医学图像3是21060年,25281年和11881年,分别。块分割特征的神经网络算法作为医学图像的灰度数据块,和块分割算法的特点提出了研究作为医学图像的恢复数据块。

表2表明,快速恢复算法基于贝叶斯个性化排序算法的医学图像更高(97.4%)比传统的基于规则的快速图像恢复方法的准确性,和快速的图像恢复方法时间缩短了42.3%,这是快速的。基于实验对比(表5阈值3),快速恢复阈值设置为0.95。结果表明,该算法具有良好的平衡和高精度,误判率≤26%,报告泄漏≤4.5%,假阳性,并报告泄漏率保持在低位。此外,阈值还可以根据特定的图像快速调整图像的恢复来满足不同的需求快速恢复实现图像快速恢复。的误警率和误警率医学图像快速修复算法基于贝叶斯个性化排序算法分别为2.1%和2.4%,分别。

5。结论

贝叶斯个性化排序算法的应用范围图像恢复领域的逐渐扩大,及其相应的有效性也被各行各业。在这项研究中,通过分析医学图像的快速修复的问题在不同的形式,数据提取医学图像可以更好的通过使用综合数据信息,图像和声音数据信息和快速恢复。基于贝叶斯个性化排序算法,提出了医学图像快速恢复算法。算法主要实现恢复图像的预处理通过初始图像的分割和个性化排序功能。该算法可以有效地降低图像的复杂性特征点提取和特征匹配,增加个性化排序算法的抗干扰能力,并提高恢复图像的鲁棒性。最后,它可以从实验结果分析,该算法可以实现医学图像的三维重建和他们从二维结构转换为三维空间重建,从而有效提高临床诊断和治疗的准确性。简而言之,作为一个强大的基础上提高水平的现代医学诊断、医学图像能够实现化疗和手术方案与低风险,减少创伤,会得到越来越多的重视在医学信息研究领域和计算机图像处理。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。