论文部分内容阅读
胶囊内镜作为一种新兴的、实现全消化道检查的内窥镜技术,随着技术愈发成熟、功能逐渐完善和检查成本不断降低,得到进一步普及和应用。与此同时,胶囊内镜使用所产生的图像数据的迅速增长带来许多新的问题。特别是在远程医疗背景下,要实现胶囊内镜远程实时诊疗系统需要高效的病灶图片识别算法和高性能的图片数据存储技术来支撑。本文为解决大量胶囊内镜图片病灶识别效率问题,分析了胶囊内图像相邻图片相关性强的特点,引入相关性信息,提出一种基于分级策略和规则修正的无线内镜图像出血检测方法;同时为满足在远程医疗背景下胶囊内镜图片数据的存储需求,分析设计了基于MongoDB的胶囊内镜图像数据存储系统;最后在实验环境下开发了本系统并实现基本存储管理功能和病灶识别功能,为以后系统远程实时诊疗功能扩展和实际产品化打下基础。本文的主要具体工作如下:1)为解决出大量出血图片高效识别的问题,本文分析了图像模式识别的相关技术,提出了出血检测算法,该算法针对图片本身所具有的特点,在融合并改进了已有的识别算法基础上,提出分级策略和窗口修正方法,分三步对图片数据进行出血识别,不仅发挥了不同算法的特点和优势,平衡了时间和性能的矛盾,而且在保证了较高精度的同时,显著提升了检测的效率。2)为满足胶囊内镜图像数据的高性能存储需求,分析了NoSQL数据库存储技术,阐明了MongoDB数据库整体框架和部署方式,对基于Mongo DB的胶囊内镜图片存储的可行性和需要解决的关键问题(如并行处理、数据库架构等)进行了分析,最后,在实验环境下对基于MongoDB数据库技术的胶囊内镜图片存储系统进行了分析设计。3)在实验环境下,搭建好开发环境,模拟了数据库的协同架构和集群部署,并利用C++开发语言,结合OpenCV视觉库,依据存储系统设计形成实验阶段的应用软件,最后对系统进行性能对比和功能验证。