海量医学影像在网络附属存储NAS状态下特征点提取工作方法

摘要

本发明提出了一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法，包括如下步骤：S1，将医学影像数据收集在NAS存储器中，多个NAS存储器形成医学影像数据库，在医学影像数据库中实时检测医学影像数据对应的NAS存储器，并保存所检测的医学影像数据来源列表；S2，对医学影像数据通过半监督算法进行划分操作，在划分医学影像数据过程中，对医学影像数据进行属性归类操作，将划分和归类完成的医学影像数据进行准确性验证；S3，验证完毕，对医学影像数据进行骨架提取，并标注属性特征点，并将骨架提取的属性特征点反馈至相应的NAS存储器，NAS存储器上传至云端服务器进行远程展示。

权利要求

1.一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法，其特征在于，包括如下步骤：

S1，将医学影像数据收集在NAS存储器中，多个NAS存储器形成医学影像数据库，在医学影像数据库中实时检测医学影像数据对应的NAS存储器，并保存所检测的医学影像数据来源列表；

S2，对医学影像数据通过半监督算法进行划分操作，在划分医学影像数据过程中，对医学影像数据进行属性归类操作，将划分和归类完成的医学影像数据进行准确性验证；

S3，验证完毕，对医学影像数据进行骨架提取，并标注属性特征点，并将骨架提取的属性特征点反馈至相应的NAS存储器，NAS存储器上传至云端服务器进行远程展示；

所述S1包括如下步骤：

S1‑1，在单个NAS存储器中提取医学影像数据，执行创建索引医学影像数据节点，定位所选取的医学影像数据，并根据医学影像数据的位置时间戳获取相应的NAS存储器地址，通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接，计算NAS存储器剩余容量；

S1‑2，根据NAS存储器剩余容量，对新导入的医学影像数据进行相似度区间判别，根据相似度区间判别后的医学影像数据，计算剩余容量下的NAS存储器，能够在具备相似度区间范围内所存储的医学影像数据量，将不同的NAS存储器设置不同的医学影像数据相似度区间，从而对医学影像数据进行分配；

S1‑3，若医学影像数据判别结果超出某一相似度区间，则查找医学影像数据哈希值对应的NAS存储器列表，遍历全部NAS存储器重新对应符合相似度区间的NAS存储器，导入的医学影像数据经过计算相似度区间之后，不符合现有任何已设置相似度区间NAS存储器存储范围，则重新定义全新的NAS存储器进行存储操作。

2.根据权利要求1所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法，其特征在于，所述相似度区间计算包括：对医学影像数据P1和医学影像数据P2按照时间轴进行编号，根据P1和P2欧式距离计算医学影像数据的关联性：其中， 为医学影像数据P1中图像坐标x的样本特征值， 为医学影像数据P1中图像坐标y的样本特征值， 为医学影像数据P2中图像坐标x的样本特征值， 为医学影像数据P2中图像坐标y的样本特征值，

根据P1和P2关联性求相似度区间 Wmin和Wmax分别代表P1和P2的最小特征关系阈值以及P1和P2最大特征关系阈值，ζ代表相似度调节系数。

3.根据权利要求1所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法，其特征在于，所述S2包括如下步骤：S2‑1，获取实例医学影像数据xi∈L和xj∈L，其中i,j≥1，对于xi和xj中包括医学影像数据索引信息，索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学影像数据用户拍摄位置信息，

先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci，然后根据ci所对应的高斯分布中生成一个实例xi，然后根据分布在NAS存储器中医学影像数据抽取医学影像评价样本cj，然后根据cj所对应的高斯分布中生成另一个实例xj，通过影像特征评价参数Oi,j，像素质量评价参数Qi,j，细节复杂度评价参数Ui,j，求解医学影像数据索引信息的最大似然估计为：

在此，最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率：S(cj|xj)表示获取实例xj属于医学影像评价样本cj的概率，上标T为设置医学影像数据调节因子μ对实例的xi和xj进行调节之后的数值求转置：通过对医学影像训练样本ci和医学影像评价样本cj的影响特征、像素质量、和细节复杂度进行计算后，能够刻画出医学影像数据的索引值；

S2‑2，在划分医学影像数据过程中，对医学影像数据进行属性归类，医学影像数据中属性归类需要进行信息匹配，得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数：其中，N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集，Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集，Kj(r)为医学影像数据中匹配信息r中信息元素j的数据集，λi,j为图像信息元素i和j对于关联特征数据集的调节参数，Y(x,y)和Z(x,y)分别表示医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系，Ti为医学影像数据的控制变量，Tj为医学影像数据的条件变量，αi和αj分别表示控制判断阈值和条件判断阈值，D(i,j)为医学影像数据进行匹配的判断决策值，βi,j表示医学影像数据筛选因子， 为卷积；

S2‑3，通过医学影像数据归类关联熵值的计算 是对医学影像数据经过划分和属性归类之后的准确性的校验过程，δ为概率计算隐含变量，其中，ti表示NAS存储器中医学影像数据关联概率，tj表示NAS存储器中医学影像数据条件概率，关联概率值和条件概率值越离散，医学影像数据归类关联熵值越大，也就是说医学影像数据关联性强，关联概率值和条件概率值越聚合，归类关联熵值越小。

4.根据权利要求1所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法，其特征在于，所述S3包括如下步骤：S3‑1，对医学影像数据进行骨架提取，经过属性关联性判断之后，对医学影像数据进行数据统计分析，建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系，根据图像转换参数，建立转换模型,对每个转换模型进行离散化处理，得到转换模型中每个医学影像数据；

S3‑2，获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ)，Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ)；根据骨架提取的约束条件，对同类型医学影像数据进行特征描述，

IX(φ)＝g(R×30％)；

IY(φ)＝g(G×59％)；

IZ(φ)＝g(B×11％)。

5.根据权利要求4所述的海量医学影像在网络附属存储NAS状态下特征点提取工作方法，其特征在于，S3‑3，在医学影像数据转换过程中，医学影像数据关系强度在骨架提取中需要设置连接权重w，当获取医学影像数据在NAS存储器中连接权重具有重要相关性时，观察医学影像数据的交互关系，骨架提取权重函数表示为：连接权重是影响医学影像数据路径的重要因子，它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据；d为医学影像数据的联系因子，q为医学影像数据的提取因子，N(IX(φ))为X轴转换函数下变换的R色像素提取函数，N(IY(φ))为Y轴转换函数下变换的G色像素提取函数，N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数，S3‑4，通过骨架提取权重函数计算后，对医学影像数据进行属性特征点标注，对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。

说明书

海量医学影像在网络附属存储NAS状态下特征点提取工作

方法

技术领域

[0001] 本发明涉及大数据挖掘领域，尤其涉及一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法。

背景技术

[0002] NAS(Network Attached Storage：网络附属存储)连接在网络中，具备资料存储和调用功能的系统，也称为专用数据存储服务器。随着数据上云的不断深化，尤其对于医疗影
像数据来说更需要将海量数据进行云端存储，但是在云端存储之后如何能够快速查找定位
相应的医学影像数据是比较困难的事情，尤其随之医学影像数据的不断更新，对于网络带
宽、数据交互都承载着史无前例的巨大压力，所以将云存储后，如何快速的定位医学影像数
据，这就亟需本领域技术人员解决相应的技术问题。

发明内容

[0003] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法。

[0004] 为了实现本发明的上述目的，本发明提供了一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法，包括：

[0005] S1，将医学影像数据收集在NAS存储器中，多个NAS存储器形成医学影像数据库，在医学影像数据库中实时检测医学影像数据对应的NAS存储器，并保存所检测的医学影像数
据来源列表；

[0006] S2，对医学影像数据通过半监督算法进行划分操作，在划分医学影像数据过程中，对医学影像数据进行属性归类操作，将划分和归类完成的医学影像数据进行准确性验证；

[0007] S3，验证完毕，对医学影像数据进行骨架提取，并标注属性特征点，并将骨架提取的属性特征点反馈至相应的NAS存储器，NAS存储器上传至云端服务器进行远程展示。

[0008] 优选的，所述S1包括如下步骤：

[0009] S1‑1，在单个NAS存储器中提取医学影像数据，执行创建索引医学影像数据节点，定位所选取的医学影像数据，并根据医学影像数据的位置时间戳获取相应的NAS存储器地
址，通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接，计算NAS
存储器剩余容量；

[0010] S1‑2，根据NAS存储器剩余容量，对新导入的医学影像数据进行相似度区间判别，根据相似度区间判别后的医学影像数据，计算剩余容量下的NAS存储器，能够在具备相似度
区间范围内所存储的医学影像数据量，将不同的NAS存储器设置不同的医学影像数据相似
度区间，从而对医学影像数据进行分配；

[0011] S1‑3，若医学影像数据判别结果超出某一相似度区间，则查找医学影像数据哈希值对应的NAS存储器列表，遍历全部NAS存储器重新对应符合相似度区间的NAS存储器，导入
的医学影像数据经过计算相似度区间之后，不符合现有任何已设置相似度区间NAS存储器
存储范围，则重新定义全新的NAS存储器进行存储操作。

[0012] 优选的，所述相似度区间计算包括：对医学影像数据P1和医学影像数据P2按照时间轴进行编号，根据P1和P2欧式距离计算医学影像数据的关联性：

[0013]

[0014] 其中， 为医学影像数据P1中图像坐标x的样本特征值， 为医学影像数据P1中图像坐标y的样本特征值， 为医学影像数据P2中图像坐标x的样本特征值， 为医学影像数
据P2中图像坐标y的样本特征值，

[0015] 根据P1和P2关联性求相似度区间 Wmin和Wmax分别代表P1和P2的最小特征关系阈值以及P1和P2最大特征关系阈值，ζ代表相似度调节系
数。

[0016] 优选的，所述S2包括如下步骤：

[0017] S2‑1，获取实例医学影像数据xi∈L和xj∈L，其中i,j≥1，对于xi和xj中包括医学影像数据索引信息，索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学
影像数据用户拍摄位置信息，

[0018] 先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci，然后根据ci所对应的高斯分布中生成一个实例xi，然后根据分布在NAS存储器中医学影像数据抽取医学影
像评价样本cj，然后根据cj所对应的高斯分布中生成另一个实例xj，通过影像特征评价参数
Oi,j，像素质量评价参数Qi,j，细节复杂度评价参数Ui,j，求解医学影像数据索引信息的最大
似然估计为：

[0019]

[0020] 在此，最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率：S(cj|xj)表示获取实例xj属于医学影像评价样本cj的概率，上标T为设置医学影像数
据调节因子μ对实例的xi和xj进行调节之后的数值求转置：通过对医学影像训练样本ci和医
学影像评价样本cj的影响特征、像素质量、和细节复杂度进行计算后，能够刻画出医学影像
数据的索引值；

[0021] S2‑2，在划分医学影像数据过程中，对医学影像数据进行属性归类，

[0022] 医学影像数据中属性归类需要进行信息匹配，得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数：

[0023]

[0024] 其中，N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集，Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集，Kj(r)为医学影像数据中匹配信息r中信息元素j的数
据集，λi,j为图像信息元素i和j对于关联特征数据集的调节参数，Y(x,y)和Z(x,y)分别表示
医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系，Ti为医学影像数
据的控制变量，Tj为医学影像数据的条件变量，αi和αj分别表示控制判断阈值和条件判断阈
值，D(i,j)为医学影像数据进行匹配的判断决策值，βi,j表示医学影像数据筛选因子， 为
卷积；

[0025] S2‑3，通过医学影像数据归类关联熵值的计算 是对医学影像数据经过划分和属性归类之后的准确性的校验过程，δ为概率计算隐含变量，其中，ti
表示NAS存储器中医学影像数据关联概率，tj表示NAS存储器中医学影像数据条件概率，关
联概率值和条件概率值越离散，医学影像数据归类关联熵值越大，也就是说医学影像数据
关联性强，关联概率值和条件概率值越聚合，归类关联熵值越小。

[0026] 优选的，所述S3包括如下步骤：

[0027] S3‑1，对医学影像数据进行骨架提取，

[0028] 经过属性关联性判断之后，对医学影像数据进行数据统计分析，建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系，根据图像
转换参数，建立转换模型,对每个转换模型进行离散化处理，得到转换模型中每个医学影像
数据；

[0029] S3‑2，获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ)，Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ)；根据骨架提取的约束条件，对同类型医学影
像数据进行特征描述，

[0030] IX(φ)＝g(R×30％)；

[0031] IY(φ)＝g(G×59％)；

[0032] IZ(φ)＝g(B×11％)。

[0033] 优选的，S3‑3，在医学影像数据转换过程中，医学影像数据关系强度在骨架提取中需要设置连接权重w，当获取医学影像数据在NAS存储器中连接权重具有重要相关性时，观
察医学影像数据的交互关系，骨架提取权重函数表示为：

[0034]

[0035] 连接权重是影响医学影像数据路径的重要因子，它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子，q为医学影像数据
的提取因子，N(IX(φ))为X轴转换函数下变换的R色像素提取函数，N(IY(φ))为Y轴转换函
数下变换的G色像素提取函数，N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数，

[0036] S3‑4，通过骨架提取权重函数计算后，对医学影像数据进行属性特征点标注，对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。

[0037] 综上所述，由于采用了上述技术方案，本发明的有益效果是：

[0038] 能够对医学影像数据根据自身的特点进行属性分类，经过关联评价之后，对图像数据进行进一步划分，并通过骨架提取方式划分准确的医学影像数据，仿真之后该工作方
法执行的医学影像数据分类具备很强的鲁棒性，虽然在影像数据提取过程中有一定的跃迁
现象，但是已经对于乱序状态下的影像数据提供了基础的引导和归类作用，并划分在相应
的存储器中进行后续处理操作，方便用户查找和重度调用计算使用。

[0039] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0040] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

[0041] 图1是本发明总体工作流程图；

[0042] 图2是本发明具体实施方式流程图；

[0043] 图3是本发明另一具体实施方式示意图。

具体实施方式

[0044] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附
图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

[0045] 如图1至图3所示，本发明公开一种海量医学影像在网络附属存储NAS状态下特征点提取工作方法，包括如下步骤：

[0046] S1，将医学影像数据收集在NAS存储器中，多个NAS存储器形成医学影像数据库，在医学影像数据库中实时检测医学影像数据对应的NAS存储器，并保存所检测的医学影像数
据来源列表；

[0047] S2，对医学影像数据通过半监督算法进行划分操作，在划分医学影像数据过程中，对医学影像数据进行属性归类操作，将划分和归类完成的医学影像数据进行准确性验证；

[0048] S3，验证完毕，对医学影像数据进行骨架提取，并标注属性特征点，并将骨架提取的属性特征点反馈至相应的NAS存储器，NAS存储器上传至云端服务器进行远程展示。

[0049] 所述S1包括如下步骤：

[0050] S1‑1，在单个NAS存储器中提取医学影像数据，执行创建索引医学影像数据节点，定位所选取的医学影像数据，并根据医学影像数据的位置时间戳获取相应的NAS存储器地
址，通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链接，计算NAS
存储器剩余容量；

[0051] S1‑2，根据NAS存储器剩余容量，对新导入的医学影像数据进行相似度区间判别，根据相似度区间判别后的医学影像数据，计算剩余容量下的NAS存储器，能够在具备相似度
区间范围内所存储的医学影像数据量，将不同的NAS存储器设置不同的医学影像数据相似
度区间，从而对医学影像数据进行分配；

[0052] S1‑3，若医学影像数据判别结果超出某一相似度区间，则查找医学影像数据哈希值对应的NAS存储器列表，遍历全部NAS存储器重新对应符合相似度区间的NAS存储器，导入
的医学影像数据经过计算相似度区间之后，不符合现有任何已设置相似度区间NAS存储器
存储范围，则重新定义全新的NAS存储器进行存储操作。

[0053] 换句话说，现有的NAS存储器已经存储了定义完成的医学影像数据，如果获取新的医学影像数据不符合现有的NAS存储器的存储范围，或者设置的标准，则获取新的NAS存储
器作为该新的医学影像数据的存储空间。

[0054] 所述相似度区间计算包括：对医学影像数据P1和医学影像数据P2按照时间轴进行编号，根据P1和P2欧式距离计算医学影像数据的关联性：

[0055]

[0056] 其中， 为医学影像数据P1中图像坐标x的样本特征值， 为医学影像数据P1中图像坐标y的样本特征值， 为医学影像数据P2中图像坐标x的样本特征值， 为医学影像
数据P2中图像坐标y的样本特征值，

[0057] 根据P1和P2关联性求相似度区间 Wmin和Wmax分别代表P1和P2的最小特征关系阈值以及P1和P2最大特征关系阈值，ζ代表相似度调节系
数；

[0058] 通过相似度区间判别两两医学影像数据的相似度，从而将医学影像数据进行初步检测。

[0059] 所述S2包括如下步骤：

[0060] S2‑1，获取实例医学影像数据xi∈L和xj∈L，其中i,j≥1，对于xi和xj中包括医学影像数据索引信息，索引信息中还包括NAS存储器地址信息、医学影像数据像素信息、医学
影像数据用户拍摄位置信息，例如、胃镜、肠镜、MRI等图像数据，

[0061] 先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci，然后根据ci所对应的高斯分布中生成一个实例xi，然后根据分布在NAS存储器中医学影像数据抽取医学影
像评价样本cj，然后根据cj所对应的高斯分布中生成另一个实例xj，通过影像特征评价参数
Oi,j，像素质量评价参数Qi,j，细节复杂度评价参数Ui,j，求解医学影像数据索引信息的最大
似然估计为：

[0062]

[0063] 假设事先知道了每个实例的xi和xj，那么这个最大似然估计问题将变得简单。在此，最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率：S(cj|
xj)表示获取实例xj属于医学影像评价样本cj的概率，上标T为设置医学影像数据调节因子μ
对实例的xi和xj进行调节之后的数值求转置：通过对医学影像训练样本ci和医学影像评价
样本cj的影响特征、像素质量、和细节复杂度进行计算后，能够刻画出医学影像数据的索引
值，完成半监督判断过程中根据最大似然估计进行医学影像数据索引信息的评价，从而对
医学影像数据进行划分操作；

[0064] S2‑2，在划分医学影像数据过程中，对医学影像数据进行属性归类，

[0065] 医学影像数据中属性归类需要进行信息匹配，得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数：

[0066]

[0067] 其中，N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集，Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集，Kj(r)为医学影像数据中匹配信息r中信息元素j的数
据集，λi,j为图像信息元素i和j对于关联特征数据集的调节参数，Y(x,y)和Z(x,y)分别表示
医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系，Ti为医学影像数
据的控制变量，Tj为医学影像数据的条件变量，αi和αj分别表示控制判断阈值和条件判断阈
值，D(i,j)为医学影像数据进行匹配的判断决策值，βi,j表示医学影像数据筛选因子， 为
卷积；

[0068] S2‑3，通过医学影像数据归类关联熵值的计算 是对医学影像数据经过划分和属性归类之后的准确性的校验过程，δ为概率计算隐含变量，其中，
ti表示NAS存储器中医学影像数据关联概率，tj表示NAS存储器中医学影像数据条件概率，关
联概率值和条件概率值越离散，医学影像数据归类关联熵值越大，也就是说医学影像数据
关联性强，关联概率值和条件概率值越聚合，归类关联熵值越小。

[0069] 所述S3包括如下步骤：

[0070] S3‑1，对医学影像数据进行骨架提取，

[0071] 经过属性关联性判断之后，对医学影像数据进行数据统计分析，建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系，根据图像
转换参数，建立转换模型,对每个转换模型进行离散化处理，得到转换模型中每个医学影像
数据；

[0072] S3‑2，获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ)，Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ)；根据骨架提取的约束条件，对同类型医学影
像数据进行特征描述，

[0073] IX(φ)＝g(R×30％)；

[0074] IY(φ)＝g(G×59％)；

[0075] IZ(φ)＝g(B×11％)；

[0076] S3‑3，在医学影像数据转换过程中，医学影像数据关系强度在骨架提取中需要设置连接权重w，当获取医学影像数据在NAS存储器中连接权重具有重要相关性时，观察医学
影像数据的交互关系，骨架提取权重函数表示为：

[0077]

[0078] 连接权重是影响医学影像数据路径的重要因子，它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子，q为医学影像数据
的提取因子，N(IX(φ))为X轴转换函数下变换的R色像素提取函数，N(IY(φ))为Y轴转换函
数下变换的G色像素提取函数，N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数，

[0079] S3‑4，通过骨架提取权重函数计算后，对医学影像数据进行属性特征点标注，对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。

[0080] 本发明还公开一种海量医学影像在网络附属存储NAS状态下特征点提取系统，包括：

[0081] 检测单元，用于将医学影像数据收集在NAS存储器中，多个NAS存储器形成医学影像数据库，在医学影像数据库中实时检测医学影像数据对应的NAS存储器，并保存所检测的
医学影像数据来源列表；

[0082] 划分和归类单元，用于对医学影像数据通过半监督算法进行划分操作，在划分医学影像数据过程中，对医学影像数据进行属性归类操作，将划分和归类完成的医学影像数
据进行准确性验证；

[0083] 提取单元，用于验证完毕，对医学影像数据进行骨架提取，并标注属性特征点，并将骨架提取的属性特征点反馈至相应的NAS存储器，NAS存储器上传至云端服务器进行远程
展示。

[0084] 所述检测单元包括：在单个NAS存储器中提取医学影像数据，执行创建索引医学影像数据节点，定位所选取的医学影像数据，并根据医学影像数据的位置时间戳获取相应的
NAS存储器地址，通过哈希定位算法对应NAS存储器并创建指向索引医学影像数据节点的链
接，计算NAS存储器剩余容量；

[0085] 根据NAS存储器剩余容量，对新导入的医学影像数据进行相似度区间判别，根据相似度区间判别后的医学影像数据，计算剩余容量下的NAS存储器，能够在具备相似度区间范
围内所存储的医学影像数据量，将不同的NAS存储器设置不同的医学影像数据相似度区间，
从而对医学影像数据进行分配；

[0086] 若医学影像数据判别结果超出某一相似度区间，则查找医学影像数据哈希值对应的NAS存储器列表，遍历全部NAS存储器重新对应符合相似度区间的NAS存储器，导入的医学
影像数据经过计算相似度区间之后，不符合现有任何已设置相似度区间NAS存储器存储范
围，则重新定义全新的NAS存储器进行存储操作。

[0087] 换句话说，现有的NAS存储器已经存储了定义完成的医学影像数据，如果获取新的医学影像数据不符合现有的NAS存储器的存储范围，或者设置的标准，则获取新的NAS存储
器作为该新的医学影像数据的存储空间。

[0088] 所述相似度区间计算包括：对医学影像数据P1和医学影像数据P2按照时间轴进行编号，根据P1和P2欧式距离计算医学影像数据的关联性：

[0089]

[0090] 其中， 为医学影像数据P1中图像坐标x的样本特征值， 为医学影像数据P1中图像坐标y的样本特征值， 为医学影像数据P2中图像坐标x的样本特征值， 为医学影像
数据P2中图像坐标y的样本特征值，

[0091] 根据P1和P2关联性求相似度区间 Wmin和Wmax分别代表P1和P2的最小特征关系阈值以及P1和P2最大特征关系阈值，ζ代表相似度调节系
数；

[0092] 通过相似度区间判别两两医学影像数据的相似度，从而将医学影像数据进行初步检测。

[0093] 所述划分和归类单元包括：

[0094] 划分单元，用于获取实例医学影像数据xi∈L和xj∈L，其中i,j≥1，对于xi和xj中包括医学影像数据索引信息，索引信息中还包括NAS存储器地址信息、医学影像数据像素信
息、医学影像数据用户拍摄位置信息，

[0095] 先从分布在NAS存储器中医学影像数据抽取医学影像训练样本ci，然后根据ci所对应的高斯分布中生成一个实例xi，然后根据分布在NAS存储器中医学影像数据抽取医学影
像评价样本cj，然后根据cj所对应的高斯分布中生成另一个实例xj，通过影像特征评价参数
Oi,j，像素质量评价参数Qi,j，细节复杂度评价参数Ui,j，求解医学影像数据索引信息的最大
似然估计为：

[0096]

[0097] 假设事先知道了每个实例的xi和xj，那么这个最大似然估计问题将变得简单。在此，最大似然估计引入了S(ci|xi)表示获取实例xi属于医学影像训练样本ci的概率：S(cj|
xj)表示获取实例xj属于医学影像评价样本cj的概率，上标T为设置医学影像数据调节因子μ
对实例的xi和xj进行调节之后的数值求转置：通过对医学影像训练样本ci和医学影像评价
样本cj的影响特征、像素质量、和细节复杂度进行计算后，能够刻画出医学影像数据的索引
值；

[0098] 归类单元，用于在划分医学影像数据过程中，对医学影像数据进行属性归类，

[0099] 医学影像数据中属性归类需要进行信息匹配，得到医学影像数据索引信息与NAS存储器中预先存储的医学影像数据的正相关条件函数：

[0100]

[0101] 其中，N(Ki(r)||Kj(r))为医学影像数据的关联特征数据集，Ki(r)为医学影像数据中匹配信息r中信息元素i的数据集，Kj(r)为医学影像数据中匹配信息r中信息元素j的数
据集，λi,j为图像信息元素i和j对于关联特征数据集的调节参数，Y(x,y)和Z(x,y)分别表示
医学影像数据中图像特征坐标和无关信息坐标之间缺失的相互作用关系，Ti为医学影像数
据的控制变量，Tj为医学影像数据的条件变量，αi和αj分别表示控制判断阈值和条件判断阈
值，D(i,j)为医学影像数据进行匹配的判断决策值，βi,j表示医学影像数据筛选因子， 为
卷积；

[0102] 判 定 单 元 ，用 于 通 过 医 学 影 像 数 据 归 类 关 联 熵 值 的 计 算是对医学影像数据经过划分和属性归类之后的准确性的校验过
程，δ为概率计算隐含变量，其中，ti表示NAS存储器中医学影像数据关联概率，tj表示NAS存
储器中医学影像数据条件概率，关联概率值和条件概率值越离散，医学影像数据归类关联
熵值越大，也就是说医学影像数据关联性强，关联概率值和条件概率值越聚合，归类关联熵
值越小。

[0103] 所述提取单元包括：用于对医学影像数据进行骨架提取，

[0104] 经过属性关联性判断之后，对医学影像数据进行数据统计分析，建立每个医学影像数据对应的图像转换参数和NAS存储器中原始图像特征信息之间的对应关系，根据图像
转换参数，建立转换模型,对每个转换模型进行离散化处理，得到转换模型中每个医学影像
数据；

[0105] 获取医学影像数据RGB转换为XYZ的图像通道分别是X轴的转换函数IX(φ)，Y轴的转换函数IY(φ)和Z轴的转换函数IZ(φ)；根据骨架提取的约束条件，对同类型医学影像数
据进行特征描述，

[0106] IX(φ)＝g(R×30％)；

[0107] IY(φ)＝g(G×59％)；

[0108] IZ(φ)＝g(B×11％)；

[0109] 在医学影像数据转换过程中，医学影像数据关系强度在骨架提取中需要设置连接权重w，当获取医学影像数据在NAS存储器中连接权重具有重要相关性时，观察医学影像数
据的交互关系，骨架提取权重函数表示为：

[0110]

[0111] 连接权重是影响医学影像数据路径的重要因子，它使行为人偏爱和相信连接权重高的NAS存储器传递过来的医学影像数据。d为医学影像数据的联系因子，q为医学影像数据
的提取因子，N(IX(φ))为X轴转换函数下变换的R色像素提取函数，N(IY(φ))为Y轴转换函
数下变换的G色像素提取函数，N(IZ(φ))为Z轴转换函数下变换的B色像素提取函数，

[0112] 通过骨架提取权重函数计算后，对医学影像数据进行属性特征点标注，对于标注完成的医学影像数据将相应的地址信息和属性信息发送至NAS存储器。

[0113] 本发明有益效果为，能够对医学影像数据根据自身的特点进行属性分类，经过关联评价之后，对图像数据进行进一步划分，并通过骨架提取方式划分准确的医学影像数据，
仿真之后该工作方法执行的医学影像数据分类具备很强的鲁棒性。

[0114] 而且通过对特定数据作为存储节点，将存储设备与云端服务器分离，集中管理数据，能够解放网络带宽、提高数据调用计算性能、降低网络相应开销，节省成本。

[0115] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本
发明的范围由权利要求及其等同物限定。