本發(fā)明涉及醫(yī)學圖像識別技術領域，尤其涉及一種去背景干擾的醫(yī)學圖像文字識別增強方法。

背景技術：

電子計算機斷層掃描，即ct（computedtomography），是利用精確準直的x線束、γ射線、超聲波等，與靈敏度極高的探測器一同圍繞人體的某一部位作連續(xù)的斷面掃描。磁共振成像，即mri（magneticresonanceimaging），也是斷層成像的一種，它利用磁共振現象從人體中獲得電磁信號,并重建出人體信息。

在實踐中，大部分ct、mri不能將文字信息分層儲存，系統將其標識在醫(yī)學圖像的四個角落，部分疊加在圖像上，影響文字信息的準確提取，從而影響到醫(yī)學影像的分類。所述文字信息包括但不限于患者姓名、年齡、性別、檢查號、就診號、時間、拍攝設備、ct值、窗寬窗位、fov、kv、mas、矩陣等。為了準確提取這些文字信息，需要盡量的減少圖像的干擾。

基于ct、mri斷層掃描的連續(xù)性，每次檢查都包含一個或多個序列的圖像，而每個序列都有數十張或數百張醫(yī)學圖像，包含圖像的數量與醫(yī)生拍攝時設置的層厚/層距。其中，層厚指掃描層的厚度，層距指兩層中心之間的距離，一般層厚設置在2-5mm，層距是連續(xù)的，所以相鄰兩張重建出來的圖像間距在0-10mm之間。ct、mri都是利用人體組織密度的變化或含水量的變化來形成影像的，而人體組織的密度或含水量的變化也是連續(xù)的。因此兩個連續(xù)的掃描層的外形以及內部影像有較大的相似度，層厚越薄、層距越小相似度越高。

鑒于ct、mri這種斷層醫(yī)學圖像的特性：同序列的圖片標注的檢查號、就診號、姓名、年齡、性別這類都是相同的，且絕對位置及單幅圖像的尺寸及這些信息的顏色值是固定的。本發(fā)明方法提出了通過反相疊加相減去除斷層醫(yī)學圖像的背景干擾，來提高醫(yī)學文字信息的識別率。

技術實現要素：

為解決上述問題，本發(fā)明提出了一種去背景干擾的醫(yī)學圖像文字識別增強方法，通過去除斷層醫(yī)學圖像的背景干擾，大大地提高了醫(yī)學圖像文字信息的識別。

本發(fā)明通過以下技術方案實現了一種去背景干擾的醫(yī)學圖像文字識別增強方法，其包括：

按照預先設定的規(guī)則在同一序列中選取兩張相鄰且相似的原醫(yī)學圖像；

對一張醫(yī)學圖像rgb顏色進行反相處理，生成新的醫(yī)學圖像；

并與另一張原醫(yī)學圖像進行相減取絕對值；

進行二值化處理，得到文字識別增強的醫(yī)學圖像；

所述反相處理是指將醫(yī)學圖像的顏色色相反轉。

進一步地，所述預先設定的規(guī)則指依照拍攝部位的特性，選取兩張相似的醫(yī)學圖像。

本發(fā)明通過反相疊加相減去除斷層醫(yī)學圖像的背景干擾，得到高質量的醫(yī)學文字信息，從而便于醫(yī)學影像的分類，患者、醫(yī)生的識別。

附圖說明

圖1：實施例一的顱腦ct圖。

圖2：實施例二的縱隔窗ct圖。

具體實施方式

下面結合實施例及附圖對本發(fā)明做進一步詳細的描述，但本發(fā)明的實施方式不限于此。

結合實施例一顱腦ct圖對本發(fā)明方法進行詳述。其步驟包括：

（1）選取患者顱腦ct檢查的同一序列的兩張相鄰的醫(yī)學圖像，其選擇方法：基于頭顱是橢圓形的球體，其同一個序列的起始部分和結束部分截面積的變化較大，而本發(fā)明提供的方法是兩張圖片越相似效果越好，所以這時選取中間部分兩張連續(xù)的切片圖像比較優(yōu)。如圖1，選取了一個包含了25張圖像的顱腦ct序列的部分切片。其中a和b是起始部分的連續(xù)兩張，c和d是中間部分的連續(xù)兩張，e和f是結束部分的連續(xù)兩張。通過對比可以看出起始部分的a和b以及結束部分的e和f的相似度較低，而中間部分的c和d相似度較高。所以本方適合選取c和d作為處理對象。

（2）對一張醫(yī)學圖像rgb顏色進行反相處理，生成新的醫(yī)學圖像。

（3）新醫(yī)學圖像與步驟（1）中另一張原醫(yī)學圖像按相同坐標的像素的rgb值進行相減并取絕對值。

（4）將步驟（3）處理完成的圖像做二值化處理，閾值為255，小于255的置為0，得到文字識別增強的醫(yī)學圖像。

結合實施例二縱隔窗ct圖對本發(fā)明方法進行詳述。其步驟包括：

（1）選取患者縱隔窗ct檢查的同一序列的兩張相鄰的醫(yī)學圖像，其選擇方法：基于縱膈窗的影像在起始部分變化較大，在靠近結束部分的變化較小，所以選取靠近結束部位的兩張連續(xù)的切片比較優(yōu)。如附圖2，選取了一個包含了65張圖像的肺部ct縱膈窗序列中的部分切片。其中a和b是起始部分的連續(xù)兩張，c和d是中間部分的連續(xù)兩張，e和f是結束部分的連續(xù)兩張。通過對比可以看出起始部分的a和b以及中間部分的c和d的相似度較低，而結束部分的e和f相似度較高。所以本方適合選取e和f作為處理對象。

（2）對一張醫(yī)學圖像rgb顏色進行反相處理，生成新的醫(yī)學圖像。

（3）新醫(yī)學圖像與步驟（1）中另一張原醫(yī)學圖像按相同坐標的像素的rgb值進行相減并取絕對值。

（4）將步驟（3）處理完成的圖像做二值化處理，閾值為255，小于255的置為0，得到文字識別增強的醫(yī)學圖像。

上所述，僅是本發(fā)明的較佳兩個實施例而已，并非對本發(fā)明作任何形式上的限制，雖然本發(fā)明已以較佳實施例揭示如上，然而并非用以限定本發(fā)明，任何本領域技術人員，在不脫離本發(fā)明技術方案范圍內，當可利用上述揭示的技術內容做出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發(fā)明技術方案內容，依據本發(fā)明的技術實質對以上實施例所作的任何簡介修改、等同變化與修飾，均仍屬于本發(fā)明技術方案的范圍。

技術特征：

技術總結
本發(fā)明涉及一種去背景干擾的醫(yī)學圖像文字識別增強方法，其步驟包括：先按照預先設定的規(guī)則在同一序列中選取兩張相鄰且相似的原醫(yī)學圖像；然后對一張醫(yī)學圖像RGB顏色進行反相處理，生成新的醫(yī)學圖像；再將新醫(yī)學圖像與另一張原醫(yī)學圖像進行相減取絕對值；最后通過二值化處理，得到文字識別增強的醫(yī)學圖像。本發(fā)明方法通過過反相疊加相減去除斷層醫(yī)學圖像的背景干擾，得到高質量的醫(yī)學文字信息，從而便于醫(yī)學影像的分類，患者、醫(yī)生的識別。

技術研發(fā)人員：程國華;溫婷;代漢章;萬強;季紅麗
受保護的技術使用者：杭州健培科技有限公司
技術研發(fā)日：2017.05.25
技術公布日：2017.09.29