CN101803899A - 图像处理装置以及图像处理方法 - Google Patents

图像处理装置以及图像处理方法 Download PDF

Info

Publication number
CN101803899A
CN101803899A CN201010109468A CN201010109468A CN101803899A CN 101803899 A CN101803899 A CN 101803899A CN 201010109468 A CN201010109468 A CN 201010109468A CN 201010109468 A CN201010109468 A CN 201010109468A CN 101803899 A CN101803899 A CN 101803899A
Authority
CN
China
Prior art keywords
determinating reference
image
biological tissue
intra
tone
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201010109468A
Other languages
English (en)
Other versions
CN101803899B (zh
Inventor
北村诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Olympus Corp
Original Assignee
Olympus Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Olympus Corp filed Critical Olympus Corp
Publication of CN101803899A publication Critical patent/CN101803899A/zh
Application granted granted Critical
Publication of CN101803899B publication Critical patent/CN101803899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/041—Capsule endoscopes for imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/042—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances characterised by a proximal camera, e.g. a CCD camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30028—Colon; Small intestine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30092—Stomach; Gastric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Quality & Reliability (AREA)
  • Endoscopes (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Color Image Communication Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像处理装置以及图像处理方法，图像处理装置(10)具有：图像取得部(11)，其取得拍摄体腔内而得到的体腔内图像；特征量计算部(16)，其计算与体腔内图像中的像素或区域对应的特征量；活体组织提取部(17)，其将特征量符合预定基准的像素或区域作为活体组织提取；判定基准生成部(18)，其根据活体组织的特征量，生成检测对象的判定基准；以及检测部(19)，其将符合判定基准的活体组织检测为检测对象。

Description

图像处理装置以及图像处理方法
技术领域
本发明涉及从拍摄体腔内部得到的体腔内图像检测病变区域的图像处理装置以及图像处理方法。
背景技术
近年来，作为拍摄被检者的体腔内部的医用设备，开发出了胶囊内窥镜。胶囊内窥镜从口中被吞咽之后，一边通过蠕动运动等在消化管内移动，一边以预定的摄像速率拍摄体腔内的图像(体腔内图像)并发送到体外接收机，最终排出到体外。所拍摄的体腔内图像的张数可以通过摄像速率(约2～4frame/sec)×胶囊内窥镜的体内停留时间(约8hours＝8×60×60sec)概略表示，从而成为数万张以上的大量的张数。医生等观察者利用诊断用工作站等确认这些发送到体外接收机中的大量的体腔内图像，确定病变区域，因而需要耗费很多时间。因此，强烈期望出现使体腔内图像的观察作业高效化的技术。
作为解决这种问题的技术，例如公知有从体腔内图像中检测异常观察结果区域(病变区域)的技术。例如，在日本特开2005-192880号公报中，将体腔内图像的各像素的像素值或平均化的像素值映射到基于其颜色信息的特征空间来进行聚类，将距离正常的粘膜区域的聚类的欧几里德距离(Euclid)为预定值以上的数据检测为病变区域。
但是，在体腔内图像中，显现例如食道或胃、小肠、大肠等的内部。此处，显现在体腔内图像中的小肠粘膜和大肠粘膜是通过黄色的消化液(胆汁)进行拍摄的，因此具有黄色系的颜色。另一方面，显现在体腔内图像中的胃粘膜具有红色系的颜色。因此，在日本特开2005-192880号公报中所公开的方法中，有时不能适当地检测以出血或发红等为代表的具有红色的颜色特性的病变区域。例如，在胃粘膜等的具有红色系的颜色的粘膜的情况下，能够得到红色系的病变区域的数据作为在饱和度方向上偏离正常的粘膜区域的聚类的数据，因此能够良好检测这些数据。但是，在小肠粘膜或大肠粘膜等具有黄色系的颜色的粘膜的情况下，在在饱和度方向偏离正常的粘膜区域的聚类的数据中，不仅包括红色系的病变区域，还包括正常的黄色系的粘膜区域的数据。因此有时会将正常的粘膜区域错误检测为病变区域。
发明内容
本发明的一个方式涉及的图像处理装置的特征在于具有：图像取得部，其取得拍摄体腔内而得到的体腔内图像；特征量计算部，其计算与所述体腔内图像中的像素或区域对应的特征量；活体组织提取部，其将所述特征量符合预定基准的像素或区域作为活体组织提取；判定基准生成部，其根据所述活体组织的所述特征量，生成检测对象的判定基准；以及检测部，其将符合所述判定基准的活体组织检测为所述检测对象。
本发明的另一方式涉及的图像处理装置的特征在于具有：图像取得部，其取得连续拍摄体腔内而得到的一系列体腔内图像；图像提取部，其从所述一系列体腔内图像中提取一张以上的体腔内图像；特征量计算部，其计算与所述提取出的所述体腔内图像中的像素或区域对应的特征量；活体组织提取部，其从所述提取出的所述体腔内图像中将所述特征量符合预定基准的像素或区域作为活体组织提取；判定基准生成部，其根据所述活体组织的所述特征量，生成检测对象的判定基准；以及检测部，其将符合所述判定基准的活体组织检测为所述检测对象。
本发明的另一方式涉及的图像处理方法的特征在于包括，取得拍摄体腔内而得到的体腔内图像，计算与所述体腔内图像中的像素或区域对应的特征量，将所述特征量符合预定基准的像素或区域作活体组织提取，根据所述活体组织的所述特征量，生成检测对象的判定基准，将符合所述判定基准的活体组织检测作为所述检测对象。
一并参照附图来阅读如下的本发明的详细说明，可进一步对如上所述内容以及本发明的其他目的、特征、优点和技术上及产业上的意义加深理解。
附图说明
图1是表示包含图像处理装置的图像处理系统的整体结构的概要示意图。
图2是说明实施方式1的图像处理装置的功能构成的框图。
图3是表示实施方式1的图像处理装置进行的处理步骤的整体流程图。
图4是表示颜色平面转换处理的详细处理步骤的流程图。
图5是说明基于UV值的色调和饱和度的计算原理的示意图。
图6是表示粘膜区域提取处理的详细处理步骤的流程图。
图7是表示图5所示的色调范围HRange中的属于粘膜区域和内容物区域的数据的分布例的示意图。
图8是表示实施方式1中的判定基准生成处理的详细处理步骤的流程图。
图9是说明饱和度方向的判定阈值的计算原理的说明图。
图10是将所计算的饱和度方向的判定阈值的数据例曲线化的图。
图11是说明色调方向的判定阈值的计算原理的说明图。
图12是将所计算的色调方向的判定阈值的数据例曲线化的图。
图13是表示病变区域检测处理的详细处理步骤的流程图。
图14是表示病变区域的检测结果的一个例子的示意图。
图15是说明实施方式2的图像处理装置的功能构成的框图。
图16是表示饱和度方向的判定阈值的判定基准表的数据结构例的图。
图17是将图16所示的饱和度方向的判定阈值的判定基准表曲线化的图。
图18是表示色调方向的判定阈值的判定基准表的数据结构例的图。
图19是将图18所示的色调方向的判定阈值的判定基准表曲线化的图。
图20是表示实施方式2的图像处理装置进行的处理步骤的整体流程图。
图21是表示实施方式2中的判定基准生成处理的详细处理步骤的流程图。
图22是说明实施方式3的图像处理装置的功能构成的框图。
图23是表示实施方式3的图像处理装置进行的处理步骤的整体流程图。
图24是表示实施方式3中的判定基准生成处理的详细处理步骤的流程图。
图25是说明实施方式4的图像处理装置的功能构成的框图。
图26是表示实施方式4的图像处理装置进行的处理步骤的整体流程图。
具体实施方式
下面，参照附图详细说明本发明的优选实施方式。在本实施方式中，说明如下的图像处理装置：使用在消化管内移动的胶囊内窥镜作为摄像机的一个例子，该图像处理装置对胶囊内窥镜一边在被检者的消化管内移动一边连续拍摄的一系列体腔内图像进行处理。并且，本发明不限于该实施方式。另外，在各附图的描述中对相同部分标以相同符号来表示。
图1是表示包含实施方式1的图像处理装置的图像处理系统的整体结构的概要示意图。如图1所示，图像处理系统由胶囊内窥镜3、接收装置5和图像处理装置10等构成。胶囊内窥镜3对被检者1内部的图像(体腔内图像)进行拍摄。接收装置5接收从胶囊内窥镜3无线发送的体腔内图像。图像处理装置10根据通过接收装置5接收的体腔内图像，对通过胶囊内窥镜3拍摄到的体腔内图像进行处理并显示。对于接收装置5与图像处理装置10之间的图像数据的传递，例如可使用移动式的记录介质(移动式记录介质)7。
胶囊内窥镜3具备摄像功能和无线功能等，从被检者1口中被吞入而导入到被检者1内部，一边在消化管内移动一边依次拍摄体腔内图像。然后，将拍摄到的体腔内图像无线发送到体外。此处，通过胶囊内窥镜3拍摄的体腔内图像是在图像内的各像素位置上具有与R(红)、G(绿)、B(蓝)的各波长分量对应的像素值(RGB值)的彩色图像。
接收装置5具有分散配置在体表上的与被检者1内的胶囊内窥镜3的通过路径对应的位置上的接收用天线A1～An。而且，接收装置5经由各接收用天线A1～An接收从胶囊内窥镜3无线发送来的图像数据。该接收装置5构成为能自由拆装移动式记录介质7，将接收到的图像数据依次保存在移动式记录介质7内。这样，由胶囊内窥镜3对被检者1内部进行拍摄得到的一系列体腔内图像就会通过接收装置5按照时间序列的顺序蓄积在移动式记录介质7内进行保存。
图像处理装置10用于由医生等观察和诊断通过胶囊内窥镜3拍摄的一系列体腔内图像，通过工作站或个人计算机等通用计算机来实现。该图像处理装置10构成为能自由拆装移动式记录介质7，对保存在移动式记录介质7内的一系列体腔内图像进行处理，并按照时间序列的顺序依次在例如LCD或EL显示器等显示器上进行显示。
图2是说明实施方式1的图像处理装置10的功能构成的框图。在本实施方式中，图像处理装置10具有图像取得部11、输入部12、显示部13、记录部14、运算部15以及控制装置各部分的控制部21。
图像取得部11取得通过胶囊内窥镜3拍摄且通过接收装置5保存在移动式记录介质7中的一系列体腔内图像，例如以能自由拆装的方式安装移动式记录介质7，读出并取得蓄积在所安装的移动式记录介质7内的体腔内图像的图像数据。该图像取得部11例如可通过与移动式记录介质7的种类对应的读写装置来实现。并且，通过胶囊内窥镜3拍摄的一系列体腔内图像的取得并不限于使用移动式记录介质7的方法。例如可以构成为具备硬盘以代替图像取得部11，预先将通过胶囊内窥镜3拍摄的一系列体腔内图像保存在硬盘内。或者还可以构成为另外设置服务器以代替移动式记录介质7，预先将一系列体腔内图像保存在该服务器中。在这种情况下，通过用于与服务器连接的通信装置等来构成图像取得部11，经由该图像取得部11与服务器连接，从服务器取得体腔内图像。
输入部12例如可通过键盘、鼠标、触摸面板、各种开关等实现，将与操作输入对应的操作信号输出到控制部21。显示部13可通过LCD、EL显示器等显示装置来实现，通过控制部21的控制来显示包含体腔内图像的显示画面在内的各种画面。
记录部14通过能更新记录的闪存等ROM或RAM这样的各种IC存储器、内置的或通过数据通信端子连接的硬盘、可读写的存储卡或USB存储器等移动式记录介质及其读取装置等来实现。在该记录部14中，记录有程序以及在该程序的执行中所使用的数据等，该程序用于使图像处理装置10进行动作、实现该图像处理装置10具备的各种功能。另外，还记录有图像处理程序141，其用于检测体腔内图像中的病变区域。
运算部15可通过CPU等硬件来实现，对通过图像取得部11取得的一系列体腔内图像进行处理，进行用于检测显现在各体腔内图像中的病变区域的各种运算处理。在实施方式1中，例如检测出血或发红等具有红色的颜色特性的红色系的病变区域。该运算部15包括转换部16、作为活体组织提取部的提取部17、判定基准生成部18和作为检测部的病变区域检测部19。
转换部16将作为颜色要素的一例的色调和饱和度作为特征量，将体腔内图像转换为由色调和饱和度构成的颜色平面。提取部17从体腔内图像提取活体组织区域的一例即粘膜区域。判定基准生成部18根据通过提取部17提取的粘膜区域的色调和饱和度，生成用于检测病变区域的判定基准。在实施方式1中，生成用于检测出血或发红等红色系的病变区域的判定基准。该判定基准生成部18包括色调阈值计算部181和饱和度阈值计算部182。色调阈值计算部181根据粘膜区域的色调和饱和度，计算色调方向的判定阈值。饱和度阈值计算部182根据粘膜区域的色调和饱和度，计算饱和度方向的判定阈值。病变区域检测部19在通过转换部16转换后的颜色平面上，使用通过判定基准生成部18生成的判定基准从体腔内图像检测病变区域。
控制部21可通过CPU等硬件来实现。该控制部21根据从图像取得部11输入的图像数据和从输入部12输入的操作信号、记录在记录部14中的程序和数据等，对构成图像处理装置10的各部分进行指示和数据的传送等，统一控制图像处理装置10整体的动作。
图3是表示实施方式1的图像处理装置10进行的处理步骤的整体流程图。此处所说明的处理是通过由运算部15执行记录在记录部14中的图像处理程序141来实现的。
如图3所示，首先由运算部15取得一系列的体腔内图像(步骤a1)。此处，运算部15经由控制部21取得由图像取得部11从移动式记录介质7读出的一系列体腔内图像的图像数据。将所取得的各图像的图像数据与表示其时间序列顺序的图像编号一起记录在记录部14中，由此成为能读入任意图像编号的图像数据的状态。此外，也可以构成为取得记录在移动式记录介质7中的一系列体腔内图像的图像数据中的一部分，能够适当选择要取得的体腔内图像。
接着，依次逐张读出在步骤a1中取得并记录在记录部14中的一系列体腔内图像。之后，将读出的体腔内图像作为处理对象，首先由转换部16进行颜色平面转换处理(步骤a3)。接着，提取部17进行粘膜区域提取处理(步骤a5)。接着，判定基准生成部18进行判定基准生成处理(步骤a7)。然后，病变区域检测部19进行病变区域检测处理(步骤a9)。
之后，运算部15输出针对处理对象的体腔内图像的病变区域检测结果(步骤a11)。如后所述，病变区域检测部19生成表示病变区域的标签数据。运算部15例如根据该标签数据将从处理对象的体腔内图像检测出的病变区域图像化等，经由控制部21输出到显示部13上进行显示。
接着，运算部15判定是否将在步骤a1中取得的所有体腔内图像作为处理对象而进行了步骤a3～步骤a11的处理，如果存在未处理的体腔内图像(步骤a13：否)，则将处理对象的体腔内图像变更为未处理的体腔内图像并返回到步骤a3，进行上述处理。另一方面，在处理了所有体腔内图像的情况下(步骤a13：是)，结束图像处理装置10的运算部15中的处理。
此外，此处，对取得由多个体腔内图像构成的一系列的体腔内图像并从各体腔内图像分别检测病变区域的情况进行了说明，但是在步骤a1中取得的体腔内图像也可以是1张，也可以从所取得的1张体腔内图像检测病变区域。
接着，依次对图3的步骤a3～步骤a9的处理进行说明。此外，以下，将在各处理中为处理对象的体腔内图像称作“处理对象图像”。首先，针对在图3的步骤a3中由转换部16进行的颜色平面转换处理进行说明。图4是表示颜色平面转换处理的详细处理步骤的流程图。
如图4所示，在颜色平面转换处理中，转换部16首先将构成处理对象图像的各像素的RGB值转换为色差信号即UV值(步骤b1)。例如依照下式(1)、(2)进行RGB值向UV值的转换。
U＝-0.168×R-0.331×G+0.500×B    (1)
V＝0.500×R-0.418×G+0.081×B    (2)
此处，如式(1)、(2)所示，UV值具有如下的特性。即，U值是表示蓝色的色差信号，其值越大则蓝色越强。另一方面，V值是表示红色的色差信号，其值越大则红色越强。
此外，胶囊内窥镜3对数万张以上这样大量的图像张数的体腔内图像进行拍摄。因此，通常通过JPEG或MPEG等压缩编码方式压缩体腔内图像并进行记录。在这些压缩编码方式中，作为编码处理，进行将图像的RGB值转换为由亮度信号(Y)和色差信号(UV)构成的YUV值的处理。并且，在将所记录的编码数据图像化从而得到RGB值时的解码处理中，进行与编码处理相反的处理，将YUV值转换为RGB值。因此，在处理用这种压缩编码方式压缩的体腔内图像的情况下，在颜色平面转换处理中，也可以使用在解码处理时得到的各像素的UV值。此时，没有必要根据图像化后的RGB值计算UV值，因此不需要步骤b1的处理，作为整体实现了处理的高速化。
接着，如图4所示，转换部16将各像素的UV值转换为由色调和饱和度构成的颜色平面(步骤b3)。接着，返回到图3的步骤a3，之后转移到步骤a5。图5是说明基于UV值的色调和饱和度的计算原理的示意图，在图5中，示出了将横轴设为U值、将纵轴设为V值的二维颜色平面。例如，设为着眼于构成体腔内图像的一个像素，用点P1表示该像素(关注像素)的UV值。此时，关注像素的色调与如下的直线和横轴(U)所成的角度H相当，该直线连接二维颜色平面(UV)的原点P0和由关注像素的UV值确定的点P1。另一方面，关注像素的饱和度与从原点P0到点P1的距离S相当。
实际上，色调(以下表记为色调H)能够根据各像素的UV值，依照下式(3)计算。
色调 H = a tan ( V - U ) - - - ( 3 )
另一方面，饱和度(以下表记为饱和度S)能够根据各像素的UV值，依照下式(4)计算。
饱和度 S = U 2 + V 2 - - - ( 4 )
转换部16通过依照式(3)、(4)，针对各像素计算色调H和饱和度S的值，将处理对象图像转换由色调H和饱和度S构成的颜色平面(以下，适当称作“HS颜色平面”。)。
此外，此处，示出了按照像素单位将处理对象图像转换为色调H和饱和度S的方法，但是在用像素单位进行转换的情况下，转换对象的数据数太多从而处理负荷太大。因此，也可以构成将处理对象图像分割为预定大小的矩形块，按照每个矩形块计算构成各矩形块的像素的UV值的平均值(平均UV值)。此外，还可以将所计算的每个矩形块的平均UV值转换为色调H和饱和度S的值。由此，能够实现处理负担的降低。
或者，也可以构成为不分割为矩形块，而根据边缘对处理对象图像内进行区域分割，按照每个所分割的区域计算平均UV值。如果这样考虑处理对象的边缘来进行区域分割，则与单纯地分割为矩形块的情况相比，能够提高小的病变区域等的检测精度。
具体而言，例如，针对表示比较性图像的构造信息的G值、或针对用下式(5)计算的图像的亮度信号(Y)，进行使用已经公知的索贝尔滤波器(Sobel filter)等的边缘检测。并且，根据边缘检测结果，使用已经公知的分水岭(watershed)算法(参考：Luc Vincent and Pierre Soille，Watershed in digital spaces：An efficient algorithm based on immersionsimulations，Transactions on Pattern Analysis and Machine Intelligence，Vol.13，No.6，pp.583-598，June 1991.)对处理对象图像进行区域分割，按照每个所分割的区域计算平均UV值。此外，还可以将每个区域的平均UV值转为色调H和饱和度S的值。
Y＝0.299×R+0.587×G+0.114×B    (5)
此外，此处，示出了在转换为UV值后转换为由色调H和饱和度S构成的HS颜色平面的方法，但是也可以使用其他表色系统来转换为色调H和饱和度S的HS颜色平面。通过例如L*a*b转换(参考：CG-ARTS协会，デイジタル画像処理，P62～P63(数字图像处理，第62～63页))，根据RGB值求取a*b*的值。此外，也可以通过将a*处理为V值，将b*处理为U值，转换为由色调H和饱和度S构成的HS颜色平面。
此外，也可以不计算UV值，而使用例如HSI转换(参考：CG-ARTS协会，デイジタル画像処理，P64～P68(数字图像处理，第64～68页))，将RGB值直接转换为色调H和饱和度S的值。
接着，对在图3的步骤a5中由提取部17进行的粘膜区域提取处理进行说明。在通过胶囊内窥镜3所拍摄的体腔内图像中，除了粘膜外，还显现在体腔内浮游的粪便等内容物或泡等。在粘膜区域提取处理中，排除掉该粘膜区域以外的泡区域和内容物区域，提取粘膜区域。图6是表示粘膜区域提取处理的详细处理步骤的流程图。
如图6所示，在粘膜区域提取处理中，提取部17首先判别泡区域(步骤c1)。该泡区域的判别能够使用例如日本特开2007-313119号公报所公开的公知技术来实现。作为步骤，首先根据处理对象图像的G值计算像素的边缘强度。接着，根据所计算的边缘强度、泡的特征，计算与预先设定的泡模型的相关值，将与泡模型的相关性高的部分检测为泡区域。此外，能够适用的技术不限于此，能够适当使用判别泡区域的方法。
接着，提取部17作为分布形成部，对在步骤c1中没有判别为泡区域的处理对象图像中的像素在HS颜色平面上的数据进行聚类处理(步骤c3)。聚类是根据数据间的相似度将特征空间内的数据分布划分为被称作组群的块的方法。例如针对没有判别为泡区域的处理对象图像中的像素在HS颜色平面上的数据，使用k-means法等公知的方法(参考：CG-ARTS协会，デイジタル画像処理，P232(数字图像处理，第232页))进行聚类处理。此处，HS颜色平面上的数据间的距离与相似度相当。
此外，在k-means法中，需要将预先分割的组群数K指定为参数，聚类的精度根据指定的组群数K会发生较大变化。因此，为了得到高精度的聚类结果，需要按照每个图像确定最佳的组群数K。此处，作为最佳的组群数K的确定方法，使用了根据组群数评价值确定最佳组群数K的算法(参考：Chong-Wah Ngo et al，”On Clustering and Retrieval of VideoShots Through Temporal Slices Analysis，”Trans Mlt，Vol.4，No.4，pp446-458，2002)。但是，能够适用的聚类方法不限于k-means法，也可以使用其他的聚类方法。
接着，如图6所示，提取部17根据聚类结果计算属于各组群的数据的平均值，并将所计算的平均值设为对应的组群的中心(Hi、Si)(步骤c5)。此外，i＝1、…、K，K是组群数。
接着，提取部17按照各组群，进行是属于内容物区域的数据还是属于粘膜区域的数据的判别(步骤c7)。接着，提取部17将与判别为属于粘膜区域的数据对应的像素提取为粘膜区域(步骤c9)。接着，返回到图3的步骤a5，之后转移到步骤a7。
此处，粘膜或内容物的颜色分别根据血液或胆汁的吸收特性，它们的吸收波长偏向短波长侧。因此，能够推断为属于粘膜区域或内容物区域的数据分布在图5所示的从红色到黄色的色调范围HRange中。
图7是表示图5所示的色调范围HRange中的属于粘膜区域和内容物区域的数据的分布例的示意图。在粘膜区域和内容物区域中，RGB值的比率差异较大。这是因为存在于粘膜中的血液的构成成分即血红蛋白的吸收波长处于形成G值或B值的中波长到短波长的波段，与此相对，粪便等内容物区域中的胆汁的色素成分即胆红素的吸收波长处于形成B值的短波长的波段。因此，在大多情况下，粘膜区域成为相对于G值或B值R值较高的红色系的颜色，内容物区域成为相对于B值R值或G值较高的黄色系的颜色。此外，其表示为色调H的差，因此在图7中如用曲线包围所示，在色调H上，属于粘膜区域的数据C1和属于内容物区域的数据C3分离。因此，事先设定用于判别属于该粘膜区域的数据C1和属于内容物区域的数据C3的判定阈值HT，该判定阈值HT在图7中用点划线示出。并且，提取部17用阈值HT对在步骤c5中所计算的各组群的中心Hi进行阈值处理，如果HT＜Hi，则将属于该组群的数据判别为属于粘膜区域的数据。另一方面，在HT≥Hi时，则提取部17将属于该组群的数据判别为属于内容物区域的数据。
接着，针对在图3的步骤a7中由判定基准生成部18进行的判定基准生成处理进行说明。在该判定基准生成处理中，根据提取为粘膜区域的像素在HS颜色平面上的数据分布(以下称作“粘膜区域分布”)的中心，生成判定基准，该判定基准用于判定将在HS颜色平面上从该中心朝向哪个方向偏离了多大程度的数据设为属于病变区域的数据。图8是表示实施方式1中的判定基准生成处理的详细处理步骤的流程图。
如图8所示，在判定基准生成处理中，判定基准生成部18首先计算在图6的步骤c9中判别为属于粘膜区域分布的数据的平均值，将所计算的平均值设为该粘膜区域分布的中心(粘膜区域分布中心)的色调HNen和饱和度SNen(步骤d1)。
接着，判定基准生成部18的饱和度阈值计算部182计算用于检测病变区域的饱和度方向(饱和度S的方向)的判定阈值TS(步骤d3)。此外，色调阈值计算部181计算用于检测病变区域的色调方向(色调H的方向)的判定阈值TH(步骤d5)。如上所述，如果实际上显现在体腔内图像中的粘膜区域中，还存在小肠粘膜或大肠粘膜等具有黄色系的颜色的粘膜区域，则也存在胃粘膜等具有红色系的颜色的粘膜区域。在实施方式1中，设为检测对象的病变区域为红色系的病变区域。因此，计算各判定阈值，以使得对于粘膜区域，与病变区域的颜色特性相似的红色系的粘膜区域的情况下的色调方向的判定阈值和饱和度方向的判定阈值，比黄色系的粘膜区域的情况下的色调方向的判定阈值和饱和度方向的判定阈值小。
图9是说明饱和度方向的判定阈值TS的计算原理的说明图。此处，设为针对色调H为黄色系的粘膜区域分布，存在在饱和度方向上偏离的数据。此时，这些数据为通过胆汁等消化液而拍摄为黄色的正常粘膜的可能性比较高。这是因为在色调H为黄色系的情况下，即使在色调方向上偏离，也不会接近红色系的病变区域的特性。另一方面，设为针对色调H为红色系的粘膜区域分布，存在在饱和度方向上偏离的数据。此时，这些数据为红色系的病变区域的可能性比较高。
因此，按照粘膜区域分布中心的色调HNen越大，换言之，越是红色系的粘膜区域分布，则其值越小的方式，计算饱和度方向的判定阈值TS。即，针对红色系的粘膜区域分布，通过减小使用的判定阈值TS来提高检测灵敏度。另一方面，针对黄色系的粘膜区域分布，通过增大使用的判定阈值TS，抑制错误检测。例如，如图9所示，计算为粘膜区域分布32的判定阈值TS比色调HNen的值小于粘膜区域分布32的粘膜区域分布31的判定阈值TS小。此外，计算为粘膜区域分布33的判定阈值TS比色调HNen的值小于粘膜区域分布33的粘膜区域分布32的判定阈值TS小。
此外，设为针对饱和度S为红色系的粘膜区域分布，存在在饱和度方向上偏离的数据。此时，饱和度S越大，即使在饱和度方向上相对地微小偏离，红色病变的可能性也较高。因此，按照粘膜区域分布中心的饱和度SNen越大则其值越小的方式计算饱和度方向的判定阈值TS。例如，如图9所示，计算为粘膜区域分布34的判定阈值TS比饱和度SNen的值小于粘膜区域分布34的粘膜区域分布31的判定阈值TS小。
下式(6)示出该饱和度方向的判定阈值TS的计算式。如下式(6)所示，饱和度方向上的判定阈值TS的计算式，由使用了例如粘膜区域分布中心的色调HNen和饱和度SNen、以及预先设定的预定系数Th1、Ts1的减函数表示。由此，饱和度方向的判定阈值TS被计算为粘膜区域分布中心的色调HNen越大其越小，且粘膜区域分布中心的饱和度SNen越大其越小。图10是将根据粘膜区域分布中心的饱和度SNen和色调HNen实际用下式(6)所计算的饱和度方向的判定阈值TS的数据例曲线化的图。
TS＝(1/(HNen+1))×Th1-SNen×Ts1(6)
图11是说明色调方向的判定阈值TH的计算原理的说明图，示出了与图9相同的四个粘膜区域分布31～34。在以色调H为黄色系的粘膜区域分布为基准与属于红色系的粘膜的数据相比较的情况下，和以红色系的粘膜区域分布为基准与属于红色系的粘膜的数据相比较的情况下，以黄色系的粘膜区域分布为基准的情况在色调方向上的相对偏离较大。因此，在以粘膜区域分布为基准来判定数据的偏离，在将偏离超过了某个阈值的数据判定为病变的情况下，如果使用相同的判定基准判定具有某一色调H和饱和度S的数据的偏离，则根据将黄色系的粘膜区域分布和红色系的粘膜区域分布的哪一个用作基准，判定结果非常不同。因此，将色调方向的判定阈值TH计算为，粘膜区域分布中心的色调HNen越大，换言之，越是红色系的粘膜区域分布，其值就越小。例如，如图11所示，计算为粘膜区域分布32的判定阈值TH比色调HNen的值小于粘膜区域分布32的粘膜区域分布31的判定阈值TH小。此外，计算为粘膜区域分布33的判定阈值TH比色调HNen的值小于粘膜区域分布33的粘膜区域分布32的判定阈值TH小。
此外，设为针对饱和度S为红色系的粘膜区域分布，存在在色调方向上偏离的数据。此时，饱和度S的值越大，即使是相对的微小的色调方向的偏离，红色病变的可能性也较高，应该检测为病变区域。因此，将色调方向的判定阈值TH计算成粘膜区域分布中心的饱和度SNen越大其值就越小。例如，如图11所示，计算为粘膜区域分布34的判定阈值TH比饱和度SNen的值小于粘膜区域分布34的粘膜区域分布31的判定阈值TH小。
下式(7)示出该色调方向的判定阈值TH的计算式。如下式(7)所示，色调方向的判定阈值TH的计算式，由使用了例如粘膜区域分布中心的色调HNen和饱和度SNen、以及预先设定的预定系数Th2、Ts2的减函数表示。由此，饱和度方向的判定阈值TS被计算为粘膜区域分布中心的色调HNen越大其越小，且粘膜区域分布中心的饱和度SNen越大其越小。图12是将根据粘膜区域分布中心的饱和度SNen和色调HNen实际用下式(7)所计算的色调方向的判定阈值TH的数据例曲线化的图。
TH＝(1/(HNen+1))×Th2-SNen×Ts2(7)
此外，判定基准生成部18生成色调方向的判定基准HThresh和饱和度方向的判定基准SThresh，设为用于检测处理对象图像中的病变区域的判定基准(步骤d7)。之后，返回到图3的步骤a7，之后转移到步骤a9。具体而言，使用色调方向的判定阈值TH、饱和度方向的判定阈值TS，依照下式(8)生成色调方向的判定基准HThresh，并且依照下式(9)生成饱和度方向的判定基准SThresh。
HThresh＝HNen+TH    (8)
SThresh＝SNen+TS    (9)
例如，如图9或图11所示，在粘膜区域分布31的情况下，生成值311的判定基准SThresh，并且生成值313的判定基准HThresh。在粘膜区域分布32的情况下，生成值321的判定基准SThresh，并且生成值323的判定基准HThresh。在粘膜区域分布33的情况下，生成值331的判定基准SThresh，并且生成值333的判定基准HThresh。在粘膜区域分布34的情况下，生成值341的判定基准SThresh，并且生成值343的判定基准HThresh。
接着，对在图3的步骤a9中病变区域检测部19进行的病变区域检测处理进行说明。病变区域检测部19使用在步骤a7的判定基准生成处理中生成的判定基准来判定在图3的步骤a5的粘膜区域提取处理中被判别为属于粘膜区域的数据，从处理对象图像检测病变区域。实际上，在图6的步骤c5中进行计算，使用在步骤c7中判别为属于粘膜区域的数据的组群的中心(Hi、Si)和判定基准HThresh及SThresh，判定是否为病变区域。图13是病变区域检测处理的详细处理步骤的流程图。
如图13所示，在病变区域检测处理中，病变区域检测部19首先将属于粘膜区域的数据设为判定对象数据(步骤e1)。接着，病变区域检测部19比较Hi和HThresh，如果HThresh≤Hi(步骤e3：是)，则转移到步骤e7。另一方面，在不是HThresh≤Hi的情况下(步骤e3：否)，病变区域检测部19将Si和SThresh进行比较。并且，如果SThresh≤Si(步骤e5：是)，则转移到步骤e7。此外，在步骤e7中，病变区域检测部19将判定对象数据判定为属于病变区域的数据。即，病变区域检测部19将属于粘膜区域的数据中的、HThresh≤Hi或SThresh≤Si的数据判定为属于病变区域的数据。
此外，病变区域检测部19在不是HThresh≤Hi的情况下(步骤e3：否)，且不是SThresh≤Si的情况下(步骤e5：否)，将判定对象数据判定为属于正常的粘膜区域的数据(步骤e9)。即，病变区域检测部19将属于粘膜区域的数据中的、HThresh＞Hi且SThresh＞Si的数据判定为属于正常的粘膜区域的数据。
图14是表示针对1张体腔内图像进行的病变区域的检测结果的一个例子的示意图。在该图14中，示出了针对处理对象的体腔内图像所计算的粘膜区域分布中心P5的色调HNen和饱和度SNen，以及根据该粘膜区域分布中心P5所计算的饱和度方向的判定阈值TS和色调方向的判定阈值TH。此外，用点划线示出了根据色调方向的判定阈值TH计算的判定基准HThresh，用双点划线示出了根据饱和度方向的判定阈值TS计算的判定基准SThresh。在图14的例子中，将由表示判定基准HThresh的点划线和表示判定基准SThresh的双点划线所包围的区域内的数据51判定为属于正常的粘膜区域的数据。另一方面，将由表示判定基准HThresh的点划线和表示判定基准SThresh的双点划线包围的区域外的数据53判定为属于病变区域的数据。
此后，如图13所示，病变区域检测部19生成表示病变区域的标签数据(步骤e11)。即，病变区域检测部19对与判定为属于正常的粘膜区域的数据对应的体腔内图像的像素分配表示正常的粘膜区域的标签，并且对与判定为属于病变区域的数据对应的体腔内图像的像素分配表示病变区域的标签来生成标签数据。接着，返回到图3的步骤a9，之后转移到步骤a11。
如以上所说明的那样，根据实施方式1，能够根据显现在处理对象的体腔内图像中的粘膜区域的色调和饱和度，生成用于从处理对象的体腔内图像检测病变区域的判定基准。具体而言，能够将饱和度方向的判定阈值计算成从处理对象的体腔内图像提取的粘膜区域分布中心的色调的值越大其越小，粘膜区域分布中心的饱和度的值越大其越小，来生成饱和度方向的判定基准。此外，能够将色调方向的判定阈值计算成粘膜区域分布中心的色调的值越大其越小，粘膜区域分布中心的饱和度的值越火其越小，来生成色调方向的判定基准。此外，能够使用所生成的色调方向的判定阈值和饱和度方向的判定阈值，从处理对象的体腔内图像检测病变区域。由此，能够根据显现在体腔内图像中的粘膜区域的色调和饱和度的值，适当生成判定基准，能够改善从体腔内图像检测病变区域的制度。
此外，饱和度方向的判定阈值TS的计算式不限于上式(6)，只要至少根据粘膜区域的色调计算饱和度方向的判定阈值TS即可。例如，也可以如下式(10)所示，依照使用了粘膜区域分布中心的色调HNen、和预先设定的预定系数Th1的减函数，将饱和度方向的判定阈值TS计算成色调HNen越大其值越小。
TS＝(1/(HNen+1))×Th1(10)
此外，色调方向的判定阈值TH的计算式不限于上式(7)，只要至少根据粘膜区域的色调计算色调方向的判定阈值TH即可。例如，也可以如下式(11)所示，根据使用了粘膜区域分布中心的色调HNen、和预先设定的预定系数Th2的减函数，将色调方向的判定阈值TH计算成色调HNen越大其值越小。
TH＝(1/(HNen+1))×Th2(11)
接着，对实施方式2进行说明。图15是说明实施方式2的图像处理装置10a的功能构成的框图。此外，对与在实施方式1中已说明的结构相同的结构标以相同的符号。如图15所示，图像处理装置10a具有图像取得部11、输入部12、显示部13、记录部14a、运算部15a以及控制图像处理装置10a整体的动作的控制部21。
在记录部14a作为判定基准表记录部而记录判定基准表数据143a。并且在记录部14a中记录图像处理程序141a，图像处理程序141a用于使用从判定基准表数据143a读出的判定基准来检测体腔内图像中的病变区域。
判定基准表数据143a包括与饱和度SNen及色调HNen的各值对应地设定了饱和度方向的判定阈值TS的值的判定阈值TS的判定基准表、和与饱和度SNen及色调HNen的各值对应地设定了色调方向的判定阈值TH的值的判定阈值TH的判定基准表。
图16是表示饱和度方向的判定阈值TS的判定基准表的数据结构例的图，图17是将图16所示的饱和度方向的判定阈值TS的判定基准表曲线化的图。在该饱和度方向的判定阈值TS的判定基准表中，以与实施方式1相同的要领，与计算饱和度方向的判定阈值TS值时使用的色调HNen和饱和度SNen的组合对应地设置多个饱和度方向的判定阈值TS，该多个饱和度方向的判定阈值TS被以粘膜区域分布中心的色调HNen越大其越小，且粘膜区域分布中心的饱和度SNen越大其越小的方式预先计算出。
此外，图18是表示色调方向的判定阈值TH的判定基准表的数据结构例的图，图19是将图18所示的色调方向的判定阈值TH的判定基准表曲线化的图。在该色调方向的判定阈值TH的判定基准表中，以与实施方式1相同的要领，与计算色调方向的判定阈值TH值时使用的色调HNen和饱和度SNen的组合对应地设置了多个色调方向的判定阈值TH，该多个色调方向的判定阈值TH被以粘膜区域分布中心的色调HNen越大其越小，且粘膜区域分布中心的饱和度SNen越大其越小的方式预先计算出。
此外，运算部15a包括转换部16、作为活体组织提取部的提取部17、判定基准生成部18a和作为检测部的病变区域检测部19。在实施方式2中，判定基准生成部18a包括作为判定基准数据读出部的判定基准表读出处理部183a。判定基准表读出处理部183a根据粘膜区域的色调H及饱和度S的值，从判定基准表数据143a读出对应的饱和度方向的判定阈值TS和色调方向的判定阈值TH。
图20是表示实施方式2的图像处理装置10a进行的处理步骤的整体流程图。此处所说明的处理是通过由运算部15a执行记录在记录部14a中的图像处理程序141a来实现的。此外，在图20中，针对与实施方式1相同的处理步骤，标以相同的符号。
在实施方式2中，在步骤a5的粘膜区域提取处理后，判定基准生成部18进行判定基准生成处理(步骤f7)。之后，转移到步骤a9。图21是表示实施方式2中的判定基准生成处理的详细处理步骤的流程图。
如图21所示，在实施方式2的判定基准生成处理中，判定基准生成部18a，与实施方式1同样地，首先计算被判别为属于粘膜区域分布的数据的平均值，将所计算的平均值设为该粘膜区域分布的中心(粘膜区域分布中心)的色调HNen和饱和度SNen(步骤g1)。
接着，判定基准生成部18a的判定基准表读出处理部183a参照判定基准表数据143a的饱和度方向的判定阈值TS的判定基准表，根据粘膜区域分布的中心的色调HNen和饱和度SNen读出对应的饱和度方向的判定阈值TS(步骤g3)。
接着，判定基准表读出处理部183a参照判定基准表数据143a的色调方向的判定阈值TH的判定基准表，根据粘膜区域分布中心的色调HNen和饱和度SNen读出对应的色调方向的判定阈值TH(步骤g5)。
此外，判定基准生成部18a用与实施方式1相同的方法，计算色调方向的判定基准HThresh和饱和度方向的判定基准SThresh，生成用于检测处理对象图像中的病变区域的判定基准(步骤g7)。此时，使用了所读出的色调方向的判定阈值TH和饱和度方向的判定阈值TS。
如以上所说明那样，根据实施方式2，能够与色调HNen和饱和度SNen的组合对应地预先设定色调方向的判定阈值TH和饱和度方向的判定阈值TS。由此，能够起到与实施方式1相同的效果，并且没有必要每次都计算色调方向的判定阈值TH和饱和度方向的判定阈值TS的各值，从而能够减轻处理负担。
此外，在上述实施方式2中，作为判定基准表数据143a，设为准备了判定阈值TS的判定基准表和判定阈值TH的判定基准表的结构，在判定阈值TS的判定基准表中，与计算多个饱和度方向的判定阈值TS的值时使用的色调HNen和饱和度SNen的组合对应地设定了该多个饱和度方向的判定阈值TS的值，在判定阈值TH的判定基准表中，与计算多个色调方向的判定阈值TH的值时使用的色调HNen和饱和度SNen的组合对应地设定了该多个色调方向的判定阈值TH的值。与此相对，也可以构成为依照例如作为实施方式1的变形例示出的式(10)计算饱和度方向的判定阈值TS，并准备与在计算其值时使用的色调HNen的值对应地设定的判定阈值TS的判定基准表。此时，判定基准表读出处理部183a根据粘膜区域分布的中心的色调HNen读出对应的饱和度方向的判定阈值TS。此外，还可以构成为依照上述式(11)计算色调方向的判定阈值TH的值，准备与在计算其值时使用的色调HNen的值对应地设定的判定阈值TH的判定基准表。此时，判定基准表读出处理部183a根据粘膜区域分布的中心的色调HNen读出对应的色调方向的判定阈值TH。
接着，对实施方式3进行说明。图22是说明实施方式3的图像处理装置10b的功能构成的框图。此外，对与在实施方式1或实施方式2中已说明的结构相同的结构标以相同的符号。如图22所示，图像处理装置10b具有图像取得部11、输入部12、显示部13、记录部14b、运算部15b以及控制图像处理装置10b整体的动作的控制部21。
在记录部14b中，记录在实施方式2中说明的判定基准表数据143a。此外，在记录部14b中，记录图像处理程序141b，该图像处理程序141b用于判别显现在体腔内图像中的脏器种类，按照所判别的每种脏器种类来提取体腔内图像来检测病变区域。
此外，运算部15b包括体腔内图像提取部20b、转换部16、作为活体组织提取部的提取部17、判定基准生成部18b和作为检测部的病变区域检测部19。体腔内图像提取部20b从一系列体腔内图像中提取被判别为相同的脏器种类的体腔内图像。该体腔内图像提取部20b包括判别显现在各体腔内图像中的脏器种类的脏器种类判别部201b。此外，在实施方式3中，判定基准生成部18b包括判定基准表读出处理部183b，按照每种脏器种类生成判定基准。
图23是表示实施方式3的图像处理装置10b进行的处理步骤的整体流程图。此处所说明的处理是通过由运算部15b执行记录在记录部14b中的图像处理程序141b来实现的。
如图23所示，首先由运算部15用与实施方式1相同的步骤取得一系列的体腔内图像(步骤h1)。接着，脏器种类判别部201b判别显现在构成所取得的一系列的体腔内图像的各体腔内图像中的脏器种类(步骤h3)。此处，作为显现在各体腔内图像中的脏器种类，判别例如食道、胃、小肠和大肠这4个种类。
作为具体的脏器种类的判别方法，能够适当使用公知的技术。例如，使用在日本特开2006-288612号公报中公开的技术，根据体腔内图像的平均R值、G值、B值进行判别。具体而言，事先设定每个脏器种类的平均R值、G值、B值的数值范围。在实施方式1中，设为判别对象的脏器为食道、胃、小肠和大肠这4个种类，因此分别设定食道、胃、小肠和大肠的平均R值、G值、B值的数值范围。此外，如果体腔内图像的平均R值、G值、B值在食道的平均R值、G值、B值的数值范围内，则将显现在该体腔内图像中的观察部位的脏器种类判别为食道。如果体腔内图像的平均R值、G值、B值在胃的平均R值、G值、B值的数值范围内，则将显现在该体腔内图像中的观察部位的脏器种类判别为胃。如果体腔内图像的平均R值、G值、B值在小肠的平均R值、G值、B值的数值范围内，则将显现在该体腔内图像中的观察部位的脏器种类判别为小肠。如果体腔内图像的平均R值、G值、B值在大肠的平均R值、G值、B值的数值范围内，则将显现在该体腔内图像中的观察部位的脏器种类判别为大肠。此外，只要能够判别显现在图像中的脏器种类，则不限于此处所说明的方法，也可以使用任意一种方法。
接着，依次将所判别的食道、胃、小肠和大肠这4种脏器种类设为处理脏器种类来进行循环A的处理(步骤h5～步骤h17)。
即，首先，体腔内图像提取部20b从一系列体腔内图像中，将脏器种类判别为处理脏器种类的体腔内图像提取为处理脏器图像(步骤h7)。接着，从记录部14b依次逐张读出在步骤h7中所提取的处理脏器图像。并且，针对所读出的处理脏器图像，首先由转换部16以与实施方式1相同的步骤进行颜色平面转换处理(步骤h9)。接着，提取部17以与实施方式1相同的步骤进行粘膜区域提取处理(步骤h11)。接着，判定是否处理了在步骤h7中所提取的全部处理脏器图像。如果存在未处理的处理脏器图像(步骤h13：否)，则返回步骤h9，针对该未处理的处理脏器图像进行步骤h9～步骤h11的处理。另一方面，在处理了所提取的全部处理脏器图像的情况下(步骤h13：是)，接着判定基准生成部18b进行判定基准生成处理(步骤h15)。
接着，如果将各脏器种类设为处理脏器种类进行循环A的处理，并按照每个脏器种类生成判定基准，则依次逐张读出在步骤h1中取得并记录在记录部14b中的一系列体腔内图像。之后，病变区域检测部19将读出的体腔内图像作为处理对象，进行病变区域检测处理(步骤h19)。在该病变区域检测处理中，作为色调方向的判定基准和饱和度方向的判定基准，在步骤h15的判定基准生成处理中使用了针对处理对象图像的脏器种类而计算的值。针对处理步骤，能够利用与实施方式1相同的处理步骤实现。
之后，运算部15b输出针对处理对象的体腔内图像的病变区域检测结果(步骤h21)。接着，运算部15b判定是否将在步骤h1中取得的所有体腔内图像作为处理对象进行了步骤h19～步骤h21的处理。如果存在未处理的体腔内图像(步骤h23：否)，则将处理对象图像变更为未处理的体腔内图像，返回步骤h19进行上述处理。另一方面，在处理了所有体腔内图像的情况下(步骤h23：是)，结束图像处理装置10b的运算部15b中的处理。
接着，对图23的步骤h15的判定基准生成处理进行说明。图24是表示实施方式3中的判定基准生成处理的详细处理步骤的流程图。此外，在图24中，针对与实施方式2相同的处理步骤，标以相同的符号。
如图24所示，在实施方式3的判定基准生成处理中，判定基准生成部18b首先计算属于各处理脏器图像的粘膜区域分布的数据的平均值，并将所计算的平均值设为该粘膜区域分布的中心(粘膜区域分布中心)的色调HNen和饱和度SNen(步骤i1)。例如，可以计算属于各处理脏器图像的粘膜区域分布的所有数据的平均值，也可以从各处理脏器图像的粘膜区域分布分别选出几个数据，计算所选出的数据的平均值。之后，转移到步骤g3。
在上述实施方式1或2中，针对按照每个体腔内图像提取粘膜区域来求出粘膜区域分布，根据该粘膜区域分布生成判定基准的情况进行了说明。由此按照每个体腔内图像提取粘膜区域来求出粘膜区域分布时，在例如整个体腔内图像中具有出血那样的情况下，在包括较多的出血部的数据的状态下求出粘膜区域分布。因此，产生这些出血部的数据不能作为从粘膜区域分布偏离的数据来得到的情形，从而具有不能检测为病变区域的情况。与此相对，根据实施方式3，能够通过使用从判别为相同的脏器种类的所有体腔内图像提取的粘膜区域的粘膜区域分布来生成判定基准，按照每个脏器种类生成判定基准。并且，也能够分别适用于针对显现符合所生成的每个脏器种类的判定基准的脏器的体腔内图像。由此，在判别为相同的脏器种类的体腔内图像中，即使在包括整体中具有出血那样的体腔内图像的情况下，也能够抑制图像间的波动而将这些出血部稳定地检测为病变区域。
此外，实际的粘膜组成对于每个脏器都不同，因此粘膜区域的颜色根据脏器种类而变化。根据实施方式3，能够按照每种颜色相似的脏器种类来生成判定基准，能够高精度地检测病变区域。此外，当根据这种颜色不同的粘膜区域的粘膜区域分布来生成判定基准时，粘膜区域分布在颜色平面上变宽，由此不能够适当计算判定基准。
接着，对实施方式4进行说明。图25是说明实施方式4的图像处理装置10c的功能构成的框图。此外，对与在实施方式1～3中已说明的结构相同的结构标以相同的符号。如图25所示，图像处理装置10c具有图像取得部11、输入部12、显示部13、记录部14c、运算部15c以及控制图像处理装置10c整体的动作的控制部21。
在记录部14c中，记录有在实施方式2中说明的判定基准表数据143a。此外，在记录部14c中，记录有图像处理程序141c，该图像处理程序141c用于从一系列体腔内图像检测场景变化少的连续图像区间，按照所检测的每个连续图像区间提取体腔内图像来检测病变区域。
此外，运算部15c包括体腔内图像提取部20c、转换部16、作为活体组织提取部的提取部17、判定基准生成部18b和作为检测部的病变区域检测部19。体腔内图像提取部20c从一系列体腔内图像中提取判别为相同的脏器种类的体腔内图像。该体腔内图像提取部20c包括从一系列体腔内图像种检测场景变化少的连续图像区间的作为场景变化检测部的场景检测部203c。
图26是表示实施方式4的图像处理装置10c进行的处理步骤的整体流程图。此处所说明的处理是通过由运算部15c执行记录在记录部14c中的图像处理程序141c来实现的。此外，在图26中，针对与实施方式3相同的处理步骤，标以相同的符号。
如图26所示，首先由运算部15c用与实施方式1相同的步骤取得一系列的体腔内图像(步骤h1)。接着，场景检测部203c从所取得的一系列的体腔内图像种检测场景变化少的区间，并设为连续图像区间(步骤j3)。
作为具体的场景变化的检测方法，能够适当使用公知的技术。作为具体的计算方法，例如首先求出相邻的图像间的亮度值的差。并且，在亮度值的差在预先设定的阈值以上的情况下，判定为场景变化大，如果亮度值的差小于预先设定的阈值，则判定为在场景中没有变化或场景变化小。场景检测部203c针对构成一系列体腔内图像的各个各体腔内图像，利用上述方法判定场景变化的大小。此外，场景检测部203c根据判定结果，从一系列体腔内图像中检测在场景中没有变化或场景变化小的区间作为连续图像区间。此外，只要能够从一系列体腔内图像中检测出场景没有变化或场景变化小的区间，则不限于此处所说明的方法，也可以使用任意一种方法。
接着，依次将所检测出的连续图像区间设为处理区间来进行循环B的处理(步骤j5～步骤j17)。
即，首先，体腔内图像提取部20c从一系列体腔内图像中，将属于处理区间的体腔内图像提取为处理区间图像(步骤j7)。接着，从记录部14c依次逐张读出在步骤j7中所提取的处理区间图像，并转移到步骤h9。
并且，在针对在步骤j7中所提取的所有处理区间图像进行了步骤h9～步骤h11的处理的情况下(步骤j13：是)，接着判定基准生成部18b进行判定基准生成处理(步骤j15)。该判定基准生成处理能够用与实施方式3相同的处理步骤实现，但是在图24的步骤i1的处理中，计算各处理区间图像中的粘膜区域分布的所有数据的平均值，并进行将所计算的平均值设为该粘膜区域分布的中心(粘膜区域分布中心)的色调HNen和饱和度SNen的处理。
接着，如果将各连续图像区间设为处理区间进行循环B的处理，并按照每个连续图像区间生成判定基准，则依次逐张读出在步骤h1中取得并记录在记录部14c中的一系列体腔内图像。之后，病变区域检测部19将读出的体腔内图像作为处理对象，进行病变区域检测处理(步骤j19)。在该病变区域检测处理中，作为色调方向的判定基准和饱和度方向的判定基准，在步骤j15的判定基准生成处理中使用了针对处理对象图像所属的连续图像区间计算的值。针对处理步骤，能够利用与实施方式1相同的处理步骤实现。
之后，运算部15c输出针对处理对象的体腔内图像的病变区域检测结果(步骤j21)。接着，运算部15c判定是否将在步骤h1中取得的所有体腔内图像作为处理对象进行了步骤j19～步骤j21的处理。如果存在未处理的体腔内图像(步骤j23：否)，则将处理对象图像变更为未处理的体腔内图像，返回步骤j19进行上述处理。另一方面，在处理了所有体腔内图像的情况下(步骤j23：是)，结束图像处理装置10c的运算部15c中的处理。
场景变化较大的情况是指胶囊内窥镜移动较大的情况，如果胶囊内窥镜移动较大，则当然所拍摄的脏器位置会变化。此外，如上所述，实际的粘膜组成按照每个脏器而不同。由此，在胶囊内窥镜移动较大从而摄像对象的脏器变化的情况下，在场景变化的前后显现在体腔内图像中的粘膜区域的颜色变化。根据实施方式4，能够按照每个场景变化少的连续图像区间，使用从属于连续图像区间的所有体腔内图像提取的粘膜区域的粘膜区域分布来生成判定基准。此外，也能够分别适用于属于符合所生成的每个连续图像区间的判定基准的连续图像区间的体腔内图像。由此，能够按照每个连续图像区间适当地生成判定基准，能够抑制图像间的波动来稳定地检测病变区域。
此外，在上述实施方式3中，将判别为相同脏器种类的所有体腔内图像提取为处理脏器图像，并提取粘膜区域来生成判定基准。与此相对，也可以构成为将判别为相同脏器种类的体腔内图像中的两张以上的预定张数的体腔内图像提取为处理脏器图像。此外，在上述实施方式4中，将属于相同的连续图像区间的所有体腔内图像提取为处理区间图像，提取粘膜区域来生成判定基准。与此相对，也可以构成为将属于相同的连续图像区间的体腔内图像中的两张以上的预定张数的体腔内图像提取为处理区间图像。
此外，在上述各实施方式中，针对从通过胶囊内窥镜拍摄的体腔内图像检测病变区域的情况进行了说明，但是成为处理的对象的体腔内图像不限于通过胶囊内窥镜拍摄的图像。例如，也可以设为处理通过内窥镜等其他医疗设备拍摄的体腔内图像。
此外，在上述各实施方式中，针对将特征量设为色调和饱和度，作为用于从体腔内图像检测病变区域的判定基准而生成色调方向的判定基准和饱和度方向的判定基准的情况进行了说明。与此相对，能够在本发明中适用的特征量不限于色调和饱和度。例如，也可以将体腔内图像的各像素的R值、G值和B值设为特征量，生成各特征量的判定基准。或者，也可以使用与色调和饱和度相当的其他值作为特征量。例如，求出用G值除以R值的色比数据(G/R)或用B值除以G值的色比数据(B/G)，将各色比数据设为特征量来生成判定基准。此外，此时，也可以将特征量的判定阈值计算成构成粘膜区域的像素的特征量的值与作为检测对象的病变区域的颜色特性越相似则其值越小，根据所计算的特征量的判定阈值生成特征量的判定基准。
此外，在上述实施方式中，针对从体腔内图像检测红色系的病变区域的情况进行了说明，但是不限于此，如果知道想检测的病变区域是从粘膜区域的颜色相对向哪个颜色方向偏离的颜色，则同样能够适用。
根据本发明，能够计算与体腔内图像中的像素或区域对应的特征量，将特征量符合预定的基准的像素或区域提取为活体组织。并且，能够根据活体组织的特征量来生成检测对象的判定基准，将符合该判定基准的活体组织检测为检测对象。因此，能够高精度地从体腔内图像中检测例如病变区域等检测对象。

Claims (22)

1.一种图像处理装置，其特征在于，上述图像处理装置具有：
图像取得部，其取得拍摄体腔内而得到的体腔内图像；
特征量计算部，其计算与所述体腔内图像中的像素或区域对应的特征量；
活体组织提取部，其将所述特征量符合预定基准的像素或区域作为活体组织提取；
判定基准生成部，其根据所述活体组织的所述特征量，生成检测对象的判定基准；以及
检测部，其将符合所述判定基准的活体组织检测为所述检测对象。
2.一种图像处理装置，其特征在于，上述图像处理装置具有：
图像取得部，其取得连续拍摄体腔内而得到的一系列体腔内图像；
图像提取部，其从所述一系列体腔内图像中提取一张以上的体腔内图像；
特征量计算部，其计算与所述提取出的所述体腔内图像中的像素或区域对应的特征量；
活体组织提取部，其从所述提取出的所述体腔内图像中将所述特征量符合预定基准的像素或区域作为活体组织提取；
判定基准生成部，其根据所述活体组织的所述特征量，生成检测对象的判定基准；以及
检测部，其将符合所述判定基准的活体组织检测为所述检测对象。
3.根据权利要求1所述的图像处理装置，其特征在于，上述图像处理装置具有分布形成部，该分布形成部根据所述特征量求出所述活体组织的特征量分布，
所述判定基准生成部根据所述活体组织的所述特征量分布、和已知的所述检测对象的所述特征量的特性，生成所述判定基准。
4.根据权利要求3所述的图像处理装置，其特征在于，所述判定基准为特征空间中的判定阈值，
所述判定基准生成部按照如下方式设定所述判定阈值：所述特征空间中的所述活体组织的所述特征量分布位置与所述已知的所述检测对象的所述特征量的特性越接近，则设定与所述活体组织的所述特征量分布位置越接近的位置的判定阈值。
5.根据权利要求4所述的图像处理装置，其特征在于，所述特征量为色调和饱和度。
6.根据权利要求5所述的图像处理装置，其特征在于，所述判定基准生成部根据所述活体组织的所述特征量分布的色调的值，设定饱和度方向的判定阈值。
7.根据权利要求6所述的图像处理装置，其特征在于，所述活体组织的所述特征量分布的色调与已知的所述检测对象的色调越接近，则所述判定基准生成部将所述饱和度方向的判定阈值设定得越小。
8.根据权利要求7所述的图像处理装置，其特征在于，所述判定基准生成部依照由使用了所述活体组织的所述特征量分布的色调的值的下述式(1)表示的减函数，设定所述饱和度方向的判定阈值：
TS＝(1/(H+1))×Th1        (1)
其中，式(1)中的TS为饱和度方向的判定阈值，H为活体组织的特征量分布的色调的值，Th1为预定的系数。
9.根据权利要求5所述的图像处理装置，其特征在于，所述判定基准生成部根据所述活体组织的所述特征量分布的色调和饱和度的值，设定饱和度方向的判定阈值。
10.根据权利要求9所述的图像处理装置，其特征在于，所述活体组织的所述特征量分布的色调和饱和度与已知的所述检测对象的色调和饱和度越接近，则所述判定基准生成部将所述饱和度方向的判定阈值设定得越小。
11.根据权利要求10所述的图像处理装置，其特征在于，所述判定基准生成部依照由使用了所述活体组织的所述特征量分布的色调和饱和度的值的下述式(2)表示的减函数，设定所述饱和度方向的判定阈值：
TS＝(1/(H+1))×Th1-S×Ts1      (2)
其中，式(2)中的TS为饱和度方向的判定阈值，H为活体组织的特征量分布的色调的值，S为活体组织的特征量分布的饱和度的值，Th1、Ts1为预定的系数。
12.根据权利要求5所述的图像处理装置，其特征在于，所述判定基准生成部根据所述活体组织的所述特征量分布的色调的值，设定色调方向的判定阈值。
13.根据权利要求12所述的图像处理装置，其特征在于，所述活体组织的所述特征量分布的色调与已知的所述检测对象的色调越接近，则所述判定基准生成部将所述色调方向的判定阈值设定得越小。
14.根据权利要求13所述的图像处理装置，其特征在于，所述判定基准生成部依照由使用了所述活体组织的所述特征量分布的色调的值的下述式(3)表示的减函数，设定所述色调方向的判定阈值：
TH＝(1/(H+1))×Th2      (3)
其中，式(3)中的TH为色调方向的判定阈值，H为活体组织的特征量分布的色调的值，Th2为预定的系数。
15.根据权利要求5所述的图像处理装置，其特征在于，所述判定基准生成部根据所述活体组织的所述特征量分布的色调和饱和度的值，设定色调方向的判定阈值。
16.根据权利要求15所述的图像处理装置，其特征在于，所述活体组织的所述特征量分布的色调和饱和度与已知的所述检测对象的色调和饱和度越接近，则所述判定基准生成部将所述色调方向的判定阈值设定得越小。
17.根据权利要求16所述的图像处理装置，其特征在于，所述判定基准生成部依照由使用了所述活体组织的所述特征量分布的色调和饱和度的值的下述式(4)表示的减函数，设定所述色调方向的判定阈值：
TH＝(1/(H+1))×Th2-S×Ts2      (4)
其中，式(4)中的TH为色调方向的判定阈值，H为活体组织的特征量分布的色调的值，S为活体组织的特征量分布的饱和度的值，Th2、Ts2为预定的系数。
18.根据权利要求3所述的图像处理装置，其特征在于，所述判定基准生成部具有：
判定基准表记录部，其在判定基准表中记录与活体组织的特征量分布对应的判定基准；以及
判定基准表读出部，其参照所述判定基准表，读出与通过所述活体组织提取部所提取的所述活体组织的所述特征量分布对应的判定基准。
19.根据权利要求2所述的图像处理装置，其特征在于，所述图像提取部具有区间设定部，该区间设定部设定提取所述体腔内图像的区间，所述图像提取部从所述区间提取所述一张以上的体腔内图像。
20.根据权利要求19所述的图像处理装置，其特征在于，所述区间设定部具有脏器种类判别部，该脏器种类判别部为了所述区间的设定，而判别显现在所述一系列体腔内图像中的脏器种类，所述区间设定部根据所述脏器种类来设定所述区间。
21.根据权利要求19所述的图像处理装置，其特征在于，所述区间设定部具有场景变化检测部，该场景变化检测部为了所述区间的设定，而从所述一系列体腔内图像中检测场景变化小的图像区间，所述区间设定部根据所述场景变化小的图像区间来设定所述区间。
22.一种图像处理方法，其特征在于，该图像处理方法包括：
取得拍摄体腔内而得到的体腔内图像，
计算与所述体腔内图像中的像素或区域对应的特征量，
将所述特征量符合预定基准的像素或区域作为活体组织提取，
根据所述活体组织的所述特征量，生成检测对象的判定基准，
将符合所述判定基准的活体组织检测为所述检测对象。
CN201010109468.6A 2009-02-16 2010-02-12 图像处理装置以及图像处理方法 Active CN101803899B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009032887A JP2010187756A (ja) 2009-02-16 2009-02-16 画像処理装置、画像処理方法および画像処理プログラム
JP2009-032887 2009-02-16

Publications (2)

Publication Number Publication Date
CN101803899A true CN101803899A (zh) 2010-08-18
CN101803899B CN101803899B (zh) 2014-06-18

Family

ID=42559537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010109468.6A Active CN101803899B (zh) 2009-02-16 2010-02-12 图像处理装置以及图像处理方法

Country Status (3)

Country Link
US (1) US8743189B2 (zh)
JP (1) JP2010187756A (zh)
CN (1) CN101803899B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436638A (zh) * 2010-08-24 2012-05-02 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN102982529A (zh) * 2011-08-31 2013-03-20 奥林巴斯株式会社 图像处理装置及图像处理方法
CN104203065A (zh) * 2012-03-08 2014-12-10 奥林巴斯株式会社 图像处理装置、程序和图像处理方法
CN104246828A (zh) * 2012-02-23 2014-12-24 史密夫和内修有限公司 视频内窥镜系统
CN104470416A (zh) * 2012-07-17 2015-03-25 Hoya株式会社 图像处理装置和内窥镜装置
CN104540438A (zh) * 2012-07-17 2015-04-22 Hoya株式会社 图像处理装置和内窥镜装置
CN106687023A (zh) * 2015-08-13 2017-05-17 Hoya株式会社 评价值计算装置以及电子内窥镜系统
CN107072509A (zh) * 2015-09-30 2017-08-18 Hoya株式会社 内窥镜系统以及评价值计算装置
CN109068945A (zh) * 2016-03-29 2018-12-21 富士胶片株式会社 图像处理装置、图像处理装置的工作方法及图像处理程序
US11571108B2 (en) 2015-08-13 2023-02-07 Hoya Corporation Evaluation value calculation device and electronic endoscope system

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2149330B1 (en) * 2007-05-08 2016-05-18 Olympus Corporation Image processing apparatus and image processing program
JP5259141B2 (ja) * 2007-08-31 2013-08-07 オリンパスメディカルシステムズ株式会社 被検体内画像取得システム、被検体内画像処理方法および被検体内導入装置
JP5253284B2 (ja) * 2009-04-22 2013-07-31 三鷹光器株式会社 爪甲色素線条鑑別閾値の導出方法
TWI432168B (zh) * 2009-12-31 2014-04-01 Univ Nat Yunlin Sci & Tech 內視鏡導航方法以及內視鏡導航系統
JP5427143B2 (ja) 2010-08-25 2014-02-26 株式会社神戸製鋼所 成形用アルミニウム合金板
KR20120073887A (ko) * 2010-12-27 2012-07-05 삼성전자주식회사 이미지 처리 장치 및 그 이미지 처리 방법
JP5948203B2 (ja) 2011-10-12 2016-07-06 富士フイルム株式会社 内視鏡システム及びその作動方法
JP5926937B2 (ja) * 2011-11-30 2016-05-25 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
EP2789288A4 (en) * 2011-12-08 2016-02-24 Olympus Corp IMAGE PROCESSOR, IMAGE PROCESSING METHOD, AND IMAGE PROCESSING PROGRAM
CN104507392B (zh) * 2012-09-07 2017-03-08 株式会社日立制作所 图像处理装置及图像处理方法
JP6097629B2 (ja) * 2013-04-26 2017-03-15 Hoya株式会社 病変評価情報生成装置
JP5972312B2 (ja) * 2014-03-24 2016-08-17 富士フイルム株式会社 医用画像処理装置及びその作動方法
JP6339872B2 (ja) * 2014-06-24 2018-06-06 オリンパス株式会社 画像処理装置、内視鏡システム及び画像処理方法
US9633276B2 (en) * 2014-07-14 2017-04-25 Sony Corporation Blood detection system with real-time capability and method of operation thereof
JP2016107003A (ja) * 2014-12-10 2016-06-20 富士フイルム株式会社 医用画像処理装置及びその作動方法
JP6346576B2 (ja) * 2015-02-27 2018-06-20 Hoya株式会社 画像処理装置
KR20160121740A (ko) * 2015-04-10 2016-10-20 한국전자통신연구원 수술 관련 해부정보 제공 방법 및 장치
JP6557724B2 (ja) * 2015-05-25 2019-08-07 オリンパス株式会社 画像処理装置、医用観察システムおよび画像処理プログラム
JP6600356B2 (ja) 2015-06-24 2019-10-30 オリンパス株式会社 画像処理装置、内視鏡装置及びプログラム
CN109475278A (zh) * 2016-07-25 2019-03-15 奥林巴斯株式会社 图像处理装置、图像处理方法和程序
DE102016121668A1 (de) * 2016-11-11 2018-05-17 Karl Storz Se & Co. Kg Automatische Identifizierung medizinisch relevanter Videoelemente
JP6270967B2 (ja) * 2016-11-17 2018-01-31 Hoya株式会社 画像処理装置及び内視鏡装置
JP7021183B2 (ja) 2017-03-03 2022-02-16 富士フイルム株式会社 内視鏡システム、プロセッサ装置、及び、内視鏡システムの作動方法
WO2019216084A1 (ja) * 2018-05-09 2019-11-14 富士フイルム株式会社 検査動画処理装置、検査動画処理方法及び検査動画処理プログラム
WO2023181353A1 (ja) * 2022-03-25 2023-09-28 日本電気株式会社 画像処理装置、画像処理方法及び記憶媒体

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1567377A (zh) * 2003-07-02 2005-01-19 德鑫科技股份有限公司 数字图像的红眼处理方法
US20050036668A1 (en) * 2003-02-12 2005-02-17 The University Of Iowa Research Foundation Methods and devices useful for analyzing color medical images
EP1734475A2 (en) * 2005-06-14 2006-12-20 Canon Kabushiki Kaisha Detecting an image area having poor color tone
CN101150977A (zh) * 2005-04-13 2008-03-26 奥林巴斯医疗株式会社 图像处理装置以及图像处理方法
CN101252873A (zh) * 2005-09-02 2008-08-27 奥林巴斯医疗株式会社 接收装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4652694B2 (ja) * 2004-01-08 2011-03-16 オリンパス株式会社 画像処理方法
EP2415389B1 (en) * 2005-04-13 2016-05-04 Olympus Corporation Image processing apparatus and method for analysing mucosa, villi or feces
JP5147308B2 (ja) * 2007-06-20 2013-02-20 オリンパス株式会社 画像抽出装置および画像抽出プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050036668A1 (en) * 2003-02-12 2005-02-17 The University Of Iowa Research Foundation Methods and devices useful for analyzing color medical images
CN1567377A (zh) * 2003-07-02 2005-01-19 德鑫科技股份有限公司 数字图像的红眼处理方法
CN101150977A (zh) * 2005-04-13 2008-03-26 奥林巴斯医疗株式会社 图像处理装置以及图像处理方法
EP1734475A2 (en) * 2005-06-14 2006-12-20 Canon Kabushiki Kaisha Detecting an image area having poor color tone
CN101252873A (zh) * 2005-09-02 2008-08-27 奥林巴斯医疗株式会社 接收装置

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436638A (zh) * 2010-08-24 2012-05-02 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN102436638B (zh) * 2010-08-24 2016-10-05 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN102982529A (zh) * 2011-08-31 2013-03-20 奥林巴斯株式会社 图像处理装置及图像处理方法
CN102982529B (zh) * 2011-08-31 2017-11-17 奥林巴斯株式会社 图像处理装置及图像处理方法
CN104246828A (zh) * 2012-02-23 2014-12-24 史密夫和内修有限公司 视频内窥镜系统
CN106859578A (zh) * 2012-03-08 2017-06-20 奥林巴斯株式会社 图像处理装置和图像处理方法
CN104203065A (zh) * 2012-03-08 2014-12-10 奥林巴斯株式会社 图像处理装置、程序和图像处理方法
CN106859578B (zh) * 2012-03-08 2018-11-20 奥林巴斯株式会社 图像处理装置和图像处理方法
CN104203065B (zh) * 2012-03-08 2017-04-12 奥林巴斯株式会社 图像处理装置和图像处理方法
CN104540438A (zh) * 2012-07-17 2015-04-22 Hoya株式会社 图像处理装置和内窥镜装置
US9430833B2 (en) 2012-07-17 2016-08-30 Hoya Corporation Image processing device and endoscope device
CN104470416A (zh) * 2012-07-17 2015-03-25 Hoya株式会社 图像处理装置和内窥镜装置
CN106687023A (zh) * 2015-08-13 2017-05-17 Hoya株式会社 评价值计算装置以及电子内窥镜系统
CN106687023B (zh) * 2015-08-13 2018-12-18 Hoya株式会社 评价值计算装置以及电子内窥镜系统
US11559186B2 (en) 2015-08-13 2023-01-24 Hoya Corporation Evaluation value calculation device and electronic endoscope system
US11571108B2 (en) 2015-08-13 2023-02-07 Hoya Corporation Evaluation value calculation device and electronic endoscope system
CN107072509A (zh) * 2015-09-30 2017-08-18 Hoya株式会社 内窥镜系统以及评价值计算装置
CN107072509B (zh) * 2015-09-30 2019-03-19 Hoya株式会社 内窥镜系统以及评价值计算装置
CN109068945A (zh) * 2016-03-29 2018-12-21 富士胶片株式会社 图像处理装置、图像处理装置的工作方法及图像处理程序
US10779714B2 (en) 2016-03-29 2020-09-22 Fujifilm Corporation Image processing apparatus, method for operating image processing apparatus, and image processing program
CN109068945B (zh) * 2016-03-29 2020-12-01 富士胶片株式会社 图像处理装置、图像处理装置的工作方法及记录介质

Also Published As

Publication number Publication date
JP2010187756A (ja) 2010-09-02
CN101803899B (zh) 2014-06-18
US20100208047A1 (en) 2010-08-19
US8743189B2 (en) 2014-06-03

Similar Documents

Publication Publication Date Title
CN101803899B (zh) 图像处理装置以及图像处理方法
CN101909510B (zh) 图像处理装置以及图像处理程序
CN102056530B (zh) 图像处理装置以及图像处理方法
CN106651883B (zh) 基于机器视觉的粪便形态识别方法
US9324145B1 (en) System and method for detection of transitions in an image stream of the gastrointestinal tract
CN101751680B (zh) 图像处理装置以及图像处理方法
US7567692B2 (en) System and method for detecting content in-vivo
US7577283B2 (en) System and method for detecting content in-vivo
CN102525381B (zh) 图像处理装置、图像处理方法及计算机可读取的记录装置
US10572997B2 (en) System and method for detecting anomalies in an image captured in-vivo using color histogram association
CN107256552A (zh) 息肉图像识别系统及方法
US20070191677A1 (en) Image processing method and capsule type endoscope device
US20050075537A1 (en) Method and system for real-time automatic abnormality detection for in vivo images
Segui et al. Categorization and segmentation of intestinal content frames for wireless capsule endoscopy
CN101351149B (zh) 图像处理装置和该图像处理装置中的图像处理方法
US20100124365A1 (en) Image display device, computer readable storage medium storing image processing program, and image processing method
JP2006288878A (ja) 画像処理装置および当該画像処理装置における画像処理方法
CN101966071A (zh) 图像处理装置以及图像处理方法
CN101959458A (zh) 便于使用可见光图像来测定心率的方法和设备
Sainju et al. Bleeding detection in wireless capsule endoscopy based on color features from histogram probability
CN109635871A (zh) 一种基于多特征融合的胶囊内窥镜图像分类方法
US8913807B1 (en) System and method for detecting anomalies in a tissue imaged in-vivo
Mathew et al. Transform based bleeding detection technique for endoscopic images
CN111862090A (zh) 一种基于人工智能的食管癌术前管理的方法和系统
CN115553685B (zh) 一种判断内窥镜进出的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant