(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210357195.X (22)申请日 2022.04.07 (65)同一申请的已公布的文献号 申请公布号 CN 114428873 A (43)申请公布日 2022.05.03 (73)专利权人 源利腾达 （西安） 科技有限公司 地址 710000 陕西省西安市灞桥区纺西街 华夏世纪广场C座1812室 专利权人 安阳市肿瘤医院 (72)发明人 曹建伟　 (74)专利代理 机构 石家庄嘉宏 智信知识产权代 理有限公司 1316 0 专利代理师 李兵 (51)Int.Cl. G06F 16/55(2019.01) G06F 16/583(2019.01) G06V 10/772(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01)G06V 10/74(2022.01) G06V 10/77(2022.01) G06K 9/62(2022.01) G16H 30/20(2018.01) (56)对比文件 US 20173 60377 A1,2017.12.21 CN 111667453 A,2020.09.15 CN 107730479 A,2018.02.23 US 2019095787 A1,2019.0 3.28 CN 103914823 A,2014.07.09 CN 113112557 A,2021.07.13 CN 113223032 A,2021.08.0 6 代晓婷等.基 于结构联合字典的肺部LDCT图 像降噪. 《电子学报》 .2018,(第0 6期),第14 45- 1453页. Saif Daw ood Salman Al-Shai khli. 《Brain tumor clas sificati on using sparse codi ng and dicti onary learn ing》 . 《IEEE》 .2015, 审查员 刘莹 (54)发明名称 一种胸外科检查数据整理方法 (57)摘要 本发明涉及医疗 数据领域， 具体涉及一种胸 外科检查数据整理方法， 包括： 将预设数量的没 有患病和患病的胸片图像进行K ‑SVD分解， 获得 正常字典、 正常稀疏图像集合、 异常字典、 异常稀 疏图像集合， 进而获得正常字典和异常字典中每 个字典向量的热度值， 根据正常字典、 异常字典、 字典向量的热度值获得正常字典向量集合、 异常 字典向量集合， 将所有胸片图像进行K ‑SVD分解， 并根据正常字典向量集合、 异常字典向量集合和 每个字典向量的热度值获得最终字典和最终稀 疏图像集合， 将最终字典和最终稀 疏图像集合进 行存储和分类。 本发明使 得胸片图像在整理后便 于读写与存储以及相关数据特征的快速查询， 使 得医生能够对病情快速分析， 增加医院的接诊效率。 权利要求书2页 说明书7页 附图1页 CN 114428873 B 2022.06.28 CN 114428873 B 1.一种胸外科检查数据整理方法， 其特 征在于， 该 方法包括以下步骤： 将预设数量的且没有患病的胸片图像进行K ‑SVD分解， 获得正常字典以及正常稀疏图 像集合， 将预设数量的且患病的胸片图像进行K ‑SVD分解， 获得异常字典以及异常稀疏图像 集合； 根据正常稀疏图像集合以及正常字典， 获得正常字典中每个字典向量的热度值， 根据 异常稀疏图像集 合以及异常字典， 获得异常字典中每 个字典向量的热度值； 根据正常字典、 异常字典以及字典向量的热度值获得正常字典向量集合以及异常字典 向量集合， 将所有的没有患病的胸片图像以及所有患病的胸片图像进 行K‑SVD分解， 并根据 正常字典向量集合、 异常字典向量集合以及集合中每个字典向量的热度值， 获得最终字典 以及最终稀疏图像集 合； 所述的正常字典向量 集合以及异常字典向量 集合的获取 方法为： 对于正常字典中所有的字典向量， 获取热度值大于第一预设阈值的字典向量集合， 称 为第一正常类别， 获取热度值不大于第一预设阈值的字典向量集合， 称为第二正常类别； 对 于异常字典中所有的字典向量， 获取热度值大于第一预设阈值的字典向量集合， 称为第一 异常类别， 获取热度值不大于第一预设阈值的字典向量集合， 称为第二异常类别； 根据第一 正常类别和第一异常类别获得第一交叉类别， 根据第二正常类别和第二异常类别获得第二 交叉类别， 然后 获取属于第二异常类别但不属于第二交叉类别的所有字典向量， 并将所述 的所有字典向量称为异常字典向量 集合， 将所述的第一交叉类别称为 正常字典向量 集合； 所述的最终字典的获取 方法为： 首先将正常字典向量集合中的所有字典向量的热度值归一化处理， 将异常字典向量集 合中的所有字典向量的热度值归一化处理， 正常字典向量集合中的所有字典向量和异常字 典向量集合中的所有字典向量合并为一个字典向量集合， 称为参考字典， 将参考字典中的 字典向量称为 参考向量； 在对所有的没有患病的胸片图像以及所有的患病胸片图像进行SVD分解过程中， 随机 初始化一个随机字典， 将随机字典中的字典向量称为待更新向量， 随机字典中的待更新向 量与参考字典中的参 考向量一一对应； 然后利用K ‑SVD算法对随机字典中的每个待更新向量进行更新， 当每个待更新向量更 新一次后令每个待更新向量再产生一个参考位移， 当每个待 更新向量产生一个参考位移后 再根据K‑SVD算法对每个待 更新向量进行更新， 不断重复所述更新的过程， 直至所有的待 更 新向量收敛， 将待 更新向量收敛后的随机字典视为最 终字典， 同时根据K ‑SVD算法获得所有 胸片图像的最终稀疏图像集 合； 将最终字典进行存储， 将最终稀疏图像集合中的图像首先进行分类， 然后进行存储， 当 需要查询胸片图像数据时直接对分完类的最终稀疏图像进行查询即可。 2.根据权利要求1所述的一种胸外科检查数据整理方法， 其特征在于， 所述的正常字典 中每个字典向量的热度值、 异常字典中每 个字典向量的热度值的获取步骤 包括： 首先将正常稀疏图像集合中每张正常稀疏图像都进行归一化处理， 然后将归一化处理 之后的所有正常稀疏图像求和， 获得正常融合图像， 正常融合图像中每个像素都对应正常 字典中的一个字典向量， 最后将正常融合图像归一化处理， 在归一化处理之后的正常融合 图像上， 每 个像素的灰度值 就视为每 个像素对应的字典向量的热度值；权　利　要　求　书 1/2 页 2 CN 114428873 B 2同理， 将异常稀疏图像集合中每张异常稀疏图像都进行归一化处理， 然后将归一化处 理之后的所有异常稀疏图像求和， 获得异常融合图像， 异常融合图像中每个像素都对应异 常字典中的一个字典向量， 最后将异常融合图像归一化处理， 在归一化处理之后的异常融 合图像上， 每 个像素的灰度值 就视为每 个像素对应的字典向量的热度值。 3.根据权利要求1所述的一种胸外科检查数据整理方法， 其特征在于， 所述的参考位移 的获取方法为： 获取待更新向量对应的参考向量， 计算所述参考向量与所述待更新向量的差值向量， 获取所述差值向量所指向的方向， 计算所述差值向量的模长与参考向量对应的热度值的乘 积， 以所述乘积为模长， 根据所述方向重新构建一个向量， 该向量就是待 更新向量对应的参 考位移。 4.根据权利要求1所述的一种胸外科检查数据整理方法， 其特征在于， 所述的第 一交叉 类别和第二交叉类别的获取步骤为： 分别从第一正常类别和第 一异常类别中选择两个字典向量作为一个字典向量对， 计算 所述字典向量对的欧式距离， 如果欧式距离小于第二预设阈值时， 那么所述的字典向量对 就能够成相似向量， 如果欧式距离不小于第二预设阈值时， 那么所述的字典向量对就不能 够成相似向量； 然后将第一正常类别和第一异常类别中所有能构成相似向量的字典向量对都获取出 来， 获得的所有字典向量对构成的字典向量 集合称为第一交叉类别； 同理根据第二 正常类别和第二异常类别 利用同样的方法获得第二交叉类别。 5.根据权利要求1所述的一种胸外科检查数据整理方法， 其特征在于， 所述的正常字典 以及正常稀疏图像集 合的获取步骤 包括： 将每个没有患病的胸片图像展平为一维向量， 将预设数量的且没有患病的胸片图像对 应的一维向量输入到K ‑SVD算法中， 所述的K ‑SVD算法输出一个正常字典， 所述的正常字典 是一个字典向量的集 合； 并且K‑SVD算法还输出预设数量的稀疏向量， 所述的预设数量的稀疏向量与预设数量 的胸片图像一一对应， 将 每个稀疏向量映射成图像， 称为稀疏图像， 所有稀疏图像的集合称 为正常稀疏图像集 合； 同理根据预设数量的且患病的胸片图像获得异常字典以及异常稀疏图像集 合。权　利　要　求　书 2/2 页 3 CN 114428873 B 3