一种深度递归心血管图像显示方法与流程

本发明属于医学图像处理技术领域，具体涉及一种深度递归心血管图像显示方法。

背景技术：

现有技术需要采集医疗机构公认的心血管图数据集，在采集过程中容易产生人为的判断误差，如心血管图像模糊导致清晰度不高等问题。对luoxiaonann次凸包曲线的逐点推导没有明确方法，需要进行单独推导，并得到学术认证方可使用。递归神经网络(rnn)在时间复杂度上存在延迟较大、数据输出的实时性不高的问题，会对实验过程造成干扰。初期无法有效初始化+relu激活函数能够得到较好效果，需要算法上的优化。

技术实现要素：

本发明的目的在于提供一种深度递归心血管图像显示方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种深度递归心血管图像显示方法，包括以下操作步骤：

s1：获取医学心血管图像的初始数据，并在二维坐标系中建立初始图像，将采集到的初始数据以图像点的形式映射在二维坐标系中，获得心血管图像bezier曲线；

s2：运行凸包曲线的逐点递推形式推导公式得出图像坐标点数据，并根据所得坐标点数据进行描点，重构图像；

s3：运行rnn神经网络对坐标点进行多层递归计算，并重新描点，进行误差分析；

s4：多层感知器进行模型效果分析；

s5：以步骤s2中图像坐标点以及步骤s3中的描点为原始数据，运行cnn网络进行模型重构，并显示识别结果。

优选的，步骤s1中由(n+1)个控制点pi(i＝0，1，...，n)定义的n次bezier曲线可被定义为分别有前后n个控制点定义的两条(n-1)次bezier曲线p0^n-1与p0^n-1的线性组合

优选的，步骤s2中由n+1个控制点pi(i＝0，1，...，n)定义的n次bezier曲线p0ⁿ可被定义为分别有前后n个控制点定义的两条n-1次bezier曲线p0^n-1与p1^n-1的线性组合，t∈[0，1]

由此得到bezier曲线的递推计算公式为

本发明的技术效果和优点：

本方法将对医学心血管图像运用n次凸包曲线的逐点推导公式并结合递归神经网络进行神经网络学习的模型搭建，使这种深度递归心血管图像显示方法达到实用性与学术性效果，由于本方法的医学心血管图像采集的集成度高，可使用同一方法对不同图像库的图像进行采集，本方法的神经网络学习方法具有较强的通用性，可以对不同大小的数据集进行训练。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种深度递归心血管图像显示方法，包括以下操作步骤：

s1：获取医学心血管图像的初始数据，并在二维坐标系中建立初始图像，将采集到的初始数据以图像点的形式映射在二维坐标系中，获得心血管图像bezier曲线，p0，p1，p2是控制点，p0²随时间从控制点p0移动到p2，这样就形成了二次的bezier曲线，同理，一次可以给出bezier曲线的组合公式，由(n+1)个控制点pi(i＝0，1，...，n)定义的n次bezier曲线可被定义为分别有前后n个控制点定义的两条(n-1)次bezier曲线p0^n-1与p0^n-1的线性组合

s2：运行凸包曲线的逐点递推形式推导公式得出图像坐标点数据，并根据所得坐标点数据进行描点，重构图像，由n+1个控制点pi(i＝0，1，...，n)定义的n次bezier曲线p0ⁿ可被定义为分别有前后n个控制点定义的两条n-1次bezier曲线p0^n-1与p1^n-1的线性组合，t∈[0，1]

由此得到bezier曲线的递推计算公式为

s3：运行rnn神经网络对坐标点进行多层递归计算，并重新描点，进行误差分析；

s4：多层感知器进行模型效果分析；

s5：以步骤s2中图像坐标点以及步骤s3中的描点为原始数据，运行cnn网络进行模型重构，并显示识别结果。

常见的时间序列数据包括:语言模型、手写体识别、序列生成、机器翻译、语音、视频分析等。时间序列数据的样本间存在顺序关系，每个样本和它之前的样本存在关联；直白一点呢的表述也就是选择和决策参考了上一次的状态。rnn不仅能够处理序列的输入，也能得到序列的输出，这里的序列指的是向量序列。

假设时间序列为:x{x1,x2,…,xn}x{x1,x2,…,xn}

时间序列模型为:p(x)＝∏ni＝1p(xi∣x1,…,xi-1)p(x)＝∏i＝1np(xi∣x1,…,xi-1)

根据输出和输入序列不同数量rnn可以有多种不同的结构，不同结构自然就有不同的应用场合。

根据bezier曲线的基本性质以及luoxiaonann次递归曲线曲线的定义以及推导方法，对luoxiaonann次凸包曲线进行逐点的递推形式的推导，并将其应用在深度递归检测上。

本方法主要采用深度递归的原理，递归神经网络(recursivenn)和循环神经网络(recurrentnn)都可以处理时间序列数据。但是递归神经网络(recursivenn)在基于词嵌入和句子的连续表示、自然场景图像和自然语言处理中的学习时序和树结构方面表现突出。运用递归神经网络(rnn)进行模型的搭建与计算，运用结构递归模型进行对次凸包曲线进行逐点的递推形式的多层递归计算，并使用多层感知器对模型效果进行评估，使用cnn等其他网络对模型进行重构，比较实时效果，在此基础上对rnn模型进行修改与完善。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。