(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210434694.4 (22)申请日 2022.04.24 (71)申请人 唐山启奥科技股份有限公司 地址 063000 河北省唐山市高新区庆北道 39号 (72)发明人 王莹　刘玉洁　 (74)专利代理 机构 河北磅礴律师事务所 13139 专利代理师 胡欣 (51)Int.Cl. G16H 30/20(2018.01) G06F 21/62(2013.01) G06V 10/46(2022.01) G06V 10/75(2022.01) (54)发明名称 基于检查图像的医疗图像脱敏 方法 (57)摘要 本发明涉及基于检查图像的医疗图像脱敏 方法， 其包括以下步骤， S1， 判断原始图像是否 可 读； S2， 若原始图像可读， 则对提供的原始图像进 行数据预处理， 获得原始图像的二值化图像； S3， 处理二值化图像， 对敏感信息进行截切， 并采用 SIFT进行特征检测， 提取检查图像， 获得关键点 与图像描述符， 并获得脱敏信息 数据库； S4， 将获 得图像描述符与脱敏信息数据库的图像描述符 进行特征匹配， 获得需要脱敏的信息区域； 然后， 在特征匹配过程中， 采用快速最近邻搜索进行特 征匹配： S5， 对匹配的脱敏信息区域后面的内容 进行数据脱敏； 本发明设计合理、 结构紧凑且使 用方便。 权利要求书5页 说明书7页 附图4页 CN 114822781 A 2022.07.29 CN 114822781 A 1.一种基于检查图像的医疗图像脱敏 方法， 其特 征在于： 包括以下步骤： S1， 判断原 始图像是否可读； S2， 若原始图像可读， 则对提供的原始图像进行数据预处理， 获得原始图像的二值化图 像； S3， 处理二值化图像， 对敏感信息进行截切， 并采用SIFT进行特征检测， 提取检查图像， 获得关键点与图像描述符， 并获得脱敏信息数据库,其中， 截 取预处理后的图像里的敏感信 息， 提取需要 脱敏的信息的特 征， 获得特征描述符， 组成脱敏信息库； S4， 首先， 将获得图像描述符与脱敏信息数据库的图像描述符进行特征匹配， 获得需要 脱敏的信息区域； 然后， 在特 征匹配过程中， 采用快速最近邻搜索进行 特征匹配： S5， 对匹配的脱敏信息区域后面的内容进行数据脱敏； 若脱敏成功的， 则获取脱敏后的 图像， 若不成功的话， 提醒需要人工参与。 2.根据权利要求1所述的基于检查图像的医疗图像脱敏方法， 其特征在于： 在S4中， 将 从CT影像中提取 的特征作为共轭实体,将所提特征属 性或描述参数作为匹配实体， 通过计 算匹配实体之间的相似性测度以实现共轭实体配准的影像匹配方法， 获得敏感信息位置； 特征可以是实际上 是图像的特 征， 也可以认为是影 像的特征。 3.根据权利要求1所述的基于检查图像的医疗图像脱敏方法， 其特征在于： 在S5中， 敏 感信息进 行脱敏时， 通过掩码操作， 将检查图像中涉及病人的姓名， 病案号等敏感信息进 行 脱敏处理。 4.根据权利要求1所述的基于检查图像的医疗图像脱敏方法， 其特征在于： 在S1中， 关 于特征提取； 首先， 检查图像特性， 提取检查图像的边缘特征与形状特征； 然后， 处理边缘特征， 采用 sobel算子检测 检查图像有无设定明显变化的边缘或者不连续的区域， 提取检查图像的边 缘特征； 其次， 处理形状特征， 形状特征的表达以对图像中物体或区域的分割为基础， 采用 SIFT在尺度空间中提取图像局部特征点， 其对旋转、 尺度缩放、 亮度变化保持不变性， 对视 角变化、 仿射变换、 噪声保持稳定性。 5.根据权利要求4所述的基于检查图像的医疗图像脱敏方法， 其特征在于： 进行尺度不 变特征转换过程中， 首先， 进行尺度空间极值检测， 搜索所有尺度上 的图像位置， 通过高斯 微分函数来识别潜在的对于尺度和旋转不变的兴趣点； 然后， 进行特征点过滤与关键点定 位， 在每个候选的位置上， 通过一个拟合模型来确定位置和尺度， 关键点的选择依据于它们 的稳定程度满足设定阈值； 其次， 进行方向确定， 基于图像局部的梯度方向， 分配给每个关 键点位置若干方向； 再次， 处理关键点描述符， 在每个关键点周围的邻域内， 在选定的尺度 上测量图像局部的梯度。 6.根据权利要求1所述的基于检查图像的医疗图像脱敏方法， 其特征在于： 在S3中， SIFT特征提取步骤如下； S3.1， 尺度空间极值检测， 获取尺度空间,构建图像金字塔； 首先， 基于对小的关键点使用小的窗口， 对大的关键点使用大的窗口的原则， 使用尺度 空间滤波器， 采用唯一可产生多尺度空间的核函数的高斯核； 然后， 定义 一个图像的尺度空间 ， 如下：权　利　要　求　书 1/5 页 2 CN 114822781 A 2      式 (1) ；    式(2)； 其中， 代表图像的像素位置， 表示原始图像， 表示卷积运算, 表 示高斯函数， 是尺度空间因子， 是高斯正态分布的标准差， 反映了图像被模糊的程度， 其 值越大图像越 模糊， 对应的尺度也 就越大； 其次， 不同图像的尺度空间构成图像高斯金字塔， 通过公式 （1） 、 （2） 函数对图像进行模 糊以及降采样得到若干组图像， 不同组包括若干层图像， 其中， 高斯金字塔的组数计算 公式 如下：        (3)； 其中 ， 表示高斯金字塔的组数 ， 分别是原始图像的行和列； 系数 是 之间的任意 值； 再次， 由公式 （4） 关系得到高斯滤波参数 ：                  (4)； 其中, 是所在的层，  是初始尺度， 是每组的层数， 为所在的组数； 之后， 确定同组内相邻层的图像尺度间的关系：  ，             (5)； 确定相邻组之间的关系：                       (6)； S3.2， 构建图像高斯差分金字塔； 图像沿着尺度轴做高斯差分， 获得尺度空间上设定为 比较显著的点， 即尺度轴上的梯度极值， 采用dog函数计算梯度极值， 在高斯金字塔中每个 组中相邻两层使用dog函数构成高斯差分金字塔， DO G函数如下：    (7)； S3.3， DOG空间极值检测； 寻找极值点， 在DOG空间中寻找极值， 极值比设定周围点都大或者都小的点认为是关键 点； S3.4， 特征点过滤与关键点定位； 首先， 去除较小 的极值， 为了获得更加准确的关键点位置， 将每个关键点的每小段DOG 函数进行泰勒二次展开：                 (8)； 其中， , 是高斯滤波参数， 是图像像素点； 然后， 对公式 （8） 求极值， 并令公式 （8） 导数为 零得到极值 点 ：权　利　要　求　书 2/5 页 3 CN 114822781 A 3