CN104363815B - 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
CN104363815B
CN104363815B CN201380030577.0A CN201380030577A CN104363815B CN 104363815 B CN104363815 B CN 104363815B CN 201380030577 A CN201380030577 A CN 201380030577A CN 104363815 B CN104363815 B CN 104363815B
Authority
CN
China
Prior art keywords
inspection area
camera distance
image processing
image
subject
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.)
Active
Application number
CN201380030577.0A
Other languages
English (en)
Other versions
CN104363815A (zh
Inventor
神田大和
北村诚
河野隆志
弘田昌士
上山都士也
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 CN104363815A publication Critical patent/CN104363815A/zh
Application granted granted Critical
Publication of CN104363815B publication Critical patent/CN104363815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • 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
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000094—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope extracting biological structures
    • 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
    • G06T7/40—Analysis of texture
    • 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
    • A61B1/06—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 with illuminating arrangements
    • A61B1/0661—Endoscope light sources
    • A61B1/0676—Endoscope light sources at distal tip of an endoscope
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

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

Abstract

提供一种图像处理装置等，在由于摄像距离的差异而在被摄体的细微结构上产生分辨率的差异的情况下，能够精度良好地识别细微结构的异常。图像处理装置(1)具有：摄像距离估计部(110)，其估计与显现于图像中的被摄体之间的摄像距离；检查区域设定部(120)，其在上述图像内设定检查区域，使得表示在该检查区域中显现的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及异常结构识别部(130)，其使用纹理特征量来识别显现于检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照检查区域确定的，能够识别显现于检查区域内的被摄体的细微结构的异常。

Description

图像处理装置以及图像处理方法
技术领域
本发明涉及根据对活体的管腔内进行摄像得到的图像来判别异常部区域的图像处理装置、图像处理方法以及图像处理程序。
背景技术
作为针对通过内窥镜或胶囊型内窥镜等医用观察装置拍摄活体的管腔内得到的图像(以下，称作内窥镜图像或管腔内图像或简称为图像)进行的图像处理，例如在专利文献1中公开了从图像内检测异常部的技术，该异常部基于粘膜表面的细微结构或血管行进方式。在这种技术中，在内窥镜图像中提取出由含有大量的与粘膜的细微结构和血管像有关的信息的G(绿)成分构成的图像之后，计算使粘膜表面的像素值图案数值化后的特征量，使用该特征量以及事先制作的线性判别函数，判别被拍摄到该图像中的被摄体是正常还是异常。作为特征量，例如可使用对特定的空间频率成分的图像进行二值化而提取的区域的形状特征量(面积、槽宽度、周围长度、圆形度、分支点、端点、分支率等，例如参照专利文献2)、基于使用了Gabor滤波器等的空间频率解析的特征量(例如参照专利文献3)。此外，线性判别函数是以根据正常和异常情况下所见的图像而计算的特征量作为示教数据而事先制作的。
现有技术文献
专利文献
专利文献1日本特开2005-192880号公报
专利文献2专利第2918162号公报
专利文献3日本特开2002-165757号公报
发明内容
发明要解决的课题
然而，在内窥镜图像中，斜向地对管腔内壁进行摄像的图像较多，因而根据摄像距离(内窥镜与管腔内壁之间的距离)不同，管腔内壁的粘膜表面的细微结构的分辨率也不同。即，在远景部中表示细微结构的异常的特征量与在近景部中表示细微结构的异常的特征量不同。因此，如现有技术那样，在对远景部和近景部混合存在的图像整体即使计算出基于空间频率的特征量，由于分辨率差的影响，也无法计算适当的特征量，存在无法精度良好地判别细微结构是正常还是异常的问题。
本发明就是鉴于上述情况而完成的，其目的在于提供一种在由于摄像距离的差异而在被摄体的细微结构中产生分辨率的差异的情况下，能够精度良好地识别细微结构的异常的图像处理装置、图像处理方法以及图像处理程序。
用于解决课题的手段
为了解决上述课题，达成目的，本发明的图像处理装置的特征在于，具有：摄像距离估计部，其估计与显现于图像中的被摄体之间的摄像距离；检查区域设定部，其在所述图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及异常结构识别部，其使用纹理特征量来识别显现于所述检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照所述检查区域确定的，能够识别显现于所述检查区域内的被摄体的细微结构的异常。
本发明的图像处理方法的特征在于，具有：摄像距离估计步骤，估计与显现于图像中的被摄体之间的摄像距离；检查区域设定步骤，在所述图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及异常结构识别步骤，使用纹理特征量来识别显现于所述检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照所述检查区域确定的，能够识别显现于所述检查区域内的被摄体的细微结构的异常。
本发明的图像处理程序的特征在于，使计算机执行如下步骤：摄像距离估计步骤，估计与显现于图像中的被摄体之间的摄像距离；检查区域设定步骤，在所述图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及异常结构识别步骤，使用纹理特征量来识别显现于所述检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照所述检查区域确定的，能够识别显现于所述检查区域内的被摄体的细微结构的异常。
发明的效果
根据本发明，使用按照各检查区域而设定的纹理特征量对被设定为使得表示显现于检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内的检查区域进行异常的识别，因此即使在由于摄像距离的差异而在被摄体的细微结构上产生分辨率的差异的情况下，也能够精度良好地识别细微结构的异常。
附图说明
图1是表示本发明的第1实施方式的图像处理装置的结构的框图。
图2是表示图1所示的图像处理装置的动作的流程图。
图3A是表示通过内窥镜对管腔内进行摄像的情形的示意图。
图3B是表示通过内窥镜所拍摄的管腔内图像的示意图。
图4是详细表示图1所示的摄像距离估计部执行的处理的流程图。
图5是详细表示图1所示的检查区域设定部执行的处理的流程图。
图6是说明检查区域的设定方法的示意图。
图7是详细表示图1所示的异常结构识别部执行的处理的流程图。
图8是表示变形例1-1的图像处理装置具有的运算部的结构的框图。
图9是详细表示图8所示的检查区域设定部执行的处理的流程图。
图10是说明图8所示的检查区域设定部执行的处理的示意图。
图11是详细表示图8所示的异常结构识别部执行的处理的流程图。
图12是表示变形例1-2的图像处理装置具有的运算部的结构的框图。
图13是详细表示图12所示的检查区域设定部执行的处理的流程图。
图14是详细表示图12所示的异常结构识别部执行的处理的流程图。
图15是表示本发明的第2实施方式的图像处理装置的结构的框图。
图16是表示图15所示的图像处理装置的动作的流程图。
图17是表示本发明的第3实施方式的图像处理装置的结构的框图。
图18是详细表示图17所示的检查区域设定部执行的处理的流程图。
图19是说明图17所示的检查区域设定部执行的处理的示意图。
图20是详细表示图17所示的异常结构识别部执行的处理的流程图。
图21是表示与管腔内图像的摄像距离对应的频率成分的强度特性的示意图。
图22是表示本发明的第4实施方式的图像处理装置的结构的框图。
图23是表示图22所示的图像处理装置的动作的流程图。
图24是详细表示图22所示的检查区域设定部执行的处理的流程图。
图25是说明图22所示的检查区域设定部执行的处理的示意图。
图26是表示本发明的第5实施方式的图像处理装置的结构的框图。
图27是表示图26所示的图像处理装置的动作的流程图。
图28是详细表示图26所示的检查区域变形部执行的处理的流程图。
图29是说明图26所示的检查区域变形部执行的处理的概念的示意图。
图30是表示变形例5-1的检查区域变形部的结构的框图。
图31是表示图30所示的检查区域变形部执行的处理的详细情况的流程图。
图32A是说明图30所示的检查区域变形部执行的处理的概念的示意图。
图32B是说明图30所示的检查区域变形部执行的处理的示意图。
具体实施方式
以下，参照附图说明本发明的实施方式的图像处理装置、图像处理方法以及图像处理程序。另外，本发明不限于这些实施方式。此外，在各附图的描述中，对相同部分赋予相同标号来进行表示。
(第1实施方式)
图1是表示本发明的第1实施方式的图像处理装置的结构的框图。本第1实施方式的图像处理装置1作为一例是如下的装置，其对于通过内窥镜或胶囊型内窥镜(以下，将它们一并简称为内窥镜)对活体的管腔内进行摄像而取得的管腔内图像(以下，有时简称为图像)，实施用于识别粘膜表面的细微结构的异常的图像处理。管腔内图像是通常在各像素位置对于R(红)、G(绿)、B(蓝)的波长成分(颜色成分)具有规定的(例如256灰度的)像素级别(像素值)的彩色图像。
如图1所示，图像处理装置1具有控制该图像处理装置1整体的动作的控制部10、取得与内窥镜所拍摄的图像对应的图像数据的图像取得部20、受理从外部输入的输入信号的输入部30、进行各种显示的显示部40、储存由图像取得部20取得的图像数据和各种程序的记录部50、对图像数据执行规定的图像处理的运算部100。
控制部10通过CPU等硬件实现，通过读入记录于记录部50中的各种程序，从而按照从图像取得部20输入的图像数据和从输入部30输入的操作信号等，进行对于构成图像处理装置1的各部分的指示和数据的传送等，综合控制图像处理装置1整体的动作。
图像取得部20是按照包含内窥镜的系统的形态而适当构成的。例如，在与胶囊型内窥镜之间的图像数据的交接时使用可搬运型的记录介质的情况下，图像取得部20由读取器装置构成，该读取器装置能够以自由拆装的方式安装该记录介质，并读出所记录的图像的图像数据。此外，在设置了预先保存由内窥镜拍摄的图像的图像数据的服务器的情况下，图像取得部20由与服务器连接的通信装置等构成，与服务器进行数据通信以取得图像数据。抑或，还可以由从内窥镜经由电缆输入图像信号的接口装置等构成图像取得部20。
输入部30例如通过键盘、鼠标、触摸面板、各种开关等输入设备实现，将所受理的输入信号输出给控制部10。
显示部40通过LCD或EL显示器等显示装置实现，在控制部10的控制下，显示包含管腔内图像在内的各种画面。
记录部50通过能够更新记录的闪存等ROM或RAM这样的各种IC存储器、内置或通过数据通信端子连接的硬盘或CD-ROM等信息记录装置及其读取装置等实现。记录部50除了储存由图像取得部20取得的图像数据之外，还储存用于使图像处理装置1进行工作、并使图像处理装置1执行各种功能的程序和在该程序的执行中使用的数据等。具体而言，记录部50储存用于识别拍摄于图像内的粘膜表面的细微结构的异常的图像处理程序51和在该程序的执行中使用的各种信息等。
运算部100通过CPU等硬件实现，通过读入图像处理程序51而实施对于管腔内图像的图像处理，执行用于识别粘膜表面的细微结构的异常的各种运算处理。
接着，说明运算部100的详细结构。
如图1所示，运算部100具有：摄像距离估计部110，其估计与显现于图像中的被摄体之间的摄像距离；检查区域设定部120，其在上述图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及异常结构识别部130，其使用按照检查区域确定的、能够识别显现于检查区域内的被摄体的细微结构的异常的纹理(texture)特征量，识别显现于检查区域内的被摄体的细微结构是否为异常。
这里，图像处理中的纹理(texture)指的是重复的亮度图案(参考：CG-ARTS协会、《数字图像处理》、第192页(区域的纹理))。在本第1实施方式中，作为使纹理的特征数值化的纹理特征量，使用特定的空间频率成分。
在上述运算部100的结构之中，摄像距离估计部110具有低吸收波长选择部111，该低吸收波长选择部111选择图像内的各像素的像素值(R成分、G成分、B成分的各值)中的与活体内的吸收或散射的程度最低的波长成分即低吸收波长成分对应的R成分的值(以下，称之为R成分值)，摄像距离估计部110根据该R成分值，估计与显现于图像中的被摄体之间的摄像距离。
检查区域设定部120具有在图像内设定检查候选区域的候选区域设定部121、根据显现于所设定的检查候选区域内的被摄体的摄像距离信息来确定检查区域的区域确定部122。其中，区域确定部122具有计算与显现于检查候选区域内的被摄体之间的摄像距离的分布范围的摄像距离范围计算部122a，并且将该分布范围在规定的阈值以下的检查候选区域确定为检查区域。
异常结构识别部130具有计算检查区域中的特定空间频率成分的特定频率成分计算部131、根据该特定空间频率成分进行统计分类的统计分类部132。另外，后面叙述特定空间频率成分。
接着，说明图像处理装置1的动作。图2是表示图像处理装置1的动作的流程图。另外，在本第1实施方式中，在管腔内图像的几乎整个区域显现有粘膜，以下说明对于粘膜区域的处理。
首先，在步骤S11中，运算部100读入记录于记录部50中的图像数据，从而取得处理对象的管腔内图像。
这里，图3A是表示通过内窥镜对管腔内进行摄像的情形的示意图。此外，图3B是表示通过内窥镜拍摄的管腔内图像的示意图。内窥镜6通常将视野V朝向管腔7的长边方向来进行摄像。因此，在显现作为被摄体的粘膜表面8的图像M中混合存在显现近景v1的图像区域m1与显现远景v2的图像区域m2。因此，由于摄像距离r的差异，会在图像区域m1与图像区域m2之间产生画质的差异。以下，作为一例，将图像M作为处理对象进行说明。
在接下来的步骤S12中，摄像距离估计部110估计与显现于图像中的粘膜表面8之间的摄像距离r。图4是详细表示摄像距离估计部110执行的处理的流程图。
在步骤S121中，低吸收波长选择部111选择活体内的吸收或散射的程度最低的波长成分即低吸收波长成分。其原因在于，为了抑制粘膜表面8附近的血管等对光的吸收或散射的影响，获得最为良好地反映内窥镜6与粘膜表面8之间的摄像距离r的像素值。在由R、G、B的各成分构成的图像中，R成分最为远离血液的吸收频带，而且为波长最长的成分，因而不易受到活体内的吸收或散射的影响。因此，在本第1实施方式中选择R成分。
在接下来的步骤S122中，摄像距离估计部110根据被选择为低吸收波长成分的R成分值，使用下式(1)估计假定粘膜表面8为均等扩散面时的摄像距离r。
【数1】
在式(1)中，记号I为内窥镜6内置的光源的放射强度，可应用事先测定的测定值。记号K是粘膜表面8的扩散反射系数，可事先测定平均值并使用。记号θ是由粘膜表面8的法线矢量与从该粘膜表面8到光源(内窥镜6)的矢量构成的角度。另外，角度θ是实际根据设置于内窥镜6的前端的光源与粘膜表面8之间的位置关系而个别确定的值，但也可以事先设定平均值并使用。记号L是摄像距离为r的粘膜表面8上的估计对象区域所显现的像素的R成分值。
在接着步骤S12后的步骤S13中，检查区域设定部120在图像内设定检查区域，以使得表示显现于检查区域内的被摄体的摄像距离r的分布广度的指标位于规定的范围内。在本第1实施方式中，作为表示分布广度的指标，使用摄像距离r的分布范围。图5是详细表示检查区域设定部120执行的处理的流程图。此外，图6是说明检查区域设定部120执行的处理的示意图。
在步骤S131中，候选区域设定部121如图6所示，将把图像M呈网格状分割的规定尺寸的矩形区域分别设定为检查候选区域CAi(i＝1、2、…、n)。
在接下来的步骤S132中，摄像距离范围计算部122a计算与显现于各检查候选区域CAi内的粘膜表面8之间的摄像距离r的分布范围。具体地，在各检查候选区域CAi内，将根据各像素的R成分值计算的摄像距离r的最小值rmin与最大值rmax之差Δr(Δr＝rmax-rmin)作为分布范围求出。
进而，在步骤S133中，区域确定部122将分布范围Δr在规定的阈值以下的检查候选区域确定为检查区域。在本第1实施方式中，确定了通过图6的粗框表示的检查区域EAj(j＝1、2、…、m；m≤n)。
在接着步骤S13后的步骤S14中，异常结构识别部130识别显现于所确定的检查区域内的被摄体的表面、即粘膜表面8的细微结构是否为异常。图7是详细表示异常结构识别部130执行的处理的流程图。
在步骤S141中，特定频率成分计算部131对于各检查区域EAj，针对各像素计算构成图像M的各波长成分(R成分、G成分、B成分)的特定空间频率成分的强度。这里，特定空间频率成分是能够识别显现于图像M中的粘膜表面8的细微结构的异常的有无的空间频率成分，是根据示教数据等事先设定的。
关于特定空间频率成分的计算，可通过对检查区域EAj的各波长成分使用公知的带通滤波器(参考：CG-ARTS協会、《ディジタル画像処理》、第136页(バンドパスフィルタ)、第141页(LOGフィルタ))来实现。另外，在第1实施方式中，不对位于检查区域EAj的端部的像素(端部像素)进行带通滤波处理(特定空间频率成分的计算)。其原因在于，在计算检查区域EAj的端部像素的特定空间频率成分的情况下，需要使用检查区域EAj的外部的像素，而例如像检查区域EA3那样的检查区域EAj位于图像M的端部的情况下，检查区域EAj的外部即为图像M的外部，有时不存在像素。此外，在检查区域EAj的外部存在像素的情况下，在检查区域EAj的外部存在值与检查区域EAj的内部像素的像素值大不相同的可能性。
在步骤S142中，统计分类部132对各检查区域EAj，针对每种波长成分计算特定空间频率成分的像素间的平均强度，制作以这些平均强度作为成分的特征矢量x。另外，在第1实施方式中，对R、G、B这3个波长成分进行运算，因此特征矢量x的成分为3个(即，3行1列的矩阵)。
这里，在粘膜表面的细微结构为异常的情况下，在将表示粘膜表面的形状的低频成分和表示摄像噪声的高频成分排除后的中间频带的特定的空间频率成分中，与细微结构为正常的情况之间产生强度的差异。
于是，在步骤S143中，异常结构识别部130根据事先制作的异常区域的识别函数和根据特定空间频率成分制作的特征矢量，进行各检查区域EAj是否为异常区域的分类。作为实际的处理，计算基于式(2)所示的概率模型的分类指标P(x)，在该值为阈值以上的情况下，将该检查区域EAj分类为异常区域。
【数2】
在式(2)中，记号μ是事先取得的多个异常区域的样本的特征矢量的平均矢量(3行1列)。记号Z是事先取得的多个异常区域的样本的特征矢量的方差协方差矩阵(3行3列)。记号|Z|是方差协方差矩阵的矩阵式。记号Z-1是方差协方差矩阵的逆矩阵。记号k是特征矢量x的维数，在第1实施方式中，k＝3。
另外，在第1实施方式中，示出了使用概率模型的异常区域的分类方法，然而只要能够对各检查区域为异常还是正常进行分类即可，能够使用上述说明以外的方法。例如，可以通过基于与代表性特征矢量之间的特征空间距离的方法或在特征空间内设定分类边界的方法等进行分类。
在步骤S15中，运算部100输出步骤S14的异常识别结果，使其显示于显示部40上，并记录于记录部50。此后，结束图像处理装置1的处理。
如上所述，根据第1实施方式，在图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内，按照每个检查区域，使用能够识别显现于该检查区域内的被摄体的细微结构的异常的特定空间频率成分作为纹理特征量，识别显现于检查区域内的被摄体的细微结构是否为异常，因此在例如由于远景和近景这样的摄像距离的差异，在针对显现于图像内的被摄体(粘膜)表面的细微结构的分辨率产生差异的情况下，能够精度良好地识别粘膜表面的细微结构的异常。
(变形例1-1)
接着，说明第1实施方式的变形例1-1。
图8是表示变形例1-1的图像处理装置具有的运算部的结构的框图。如图8所示，变形例1-1的运算部100-1具有摄像距离估计部110、检查区域设定部140、异常结构识别部150。另外，摄像距离估计部110的结构和动作都与第1实施方式相同。此外，运算部100-1以外的图像处理装置整体的结构和动作也与第1实施方式相同。
检查区域设定部140具有候选区域设定部141和区域确定部142。其中，候选区域设定部141具有取得与显现于用于设定检查候选区域的位置上的被摄体之间的代表性摄像距离的代表摄像距离取得部141a，并且设定与该代表性摄像距离对应的尺寸的检查候选区域。此外，区域确定部142具有计算与显现于检查候选区域内的被摄体之间的摄像距离的方差的摄像距离方差计算部142a，将该方差在规定的阈值以下的检查候选区域确定为检查区域。
异常结构识别部150具有：特定波长成分选择部151，其选择按照活体内的吸收或散射的程度而确定的特定波长成分；特定频率成分计算部152，其计算所选择的波长的特定频率成分；以及统计分类部153，其根据特定空间频率成分进行统计分类。
接着，说明运算部100-1的动作。
运算部100-1的动作整体上与图2所示的内容相同，仅步骤S13和S14的详细处理不同。图9是详细表示检查区域设定部140执行的处理(步骤S13)的流程图。图10是说明检查区域设定部140执行的处理的示意图。图11是详细表示异常结构识别部150执行的处理(步骤S14)的流程图。
在接着步骤S12后的步骤S13中，检查区域设定部140在图像M内设定检查区域，以使得仅包含表示在步骤S12中估计的摄像距离的分布广度的指标位于规定范围内的被摄体。在本变形例1-1中，作为表示分布广度的指标，相比摄像距离的分布范围，使用对于噪声而言更稳定的摄像距离的方差。
更具体而言，在步骤S231中，候选区域设定部141如图10所示，随机确定多个欲设定检查候选区域的区域的中心位置(xi、yi)(i＝1、2、…)。在图10中，作为示例示出3处中心位置(x1、y1)、(x2、y2)、(x3、y3)。
在接下来的步骤S232中，代表摄像距离取得部141a取得与显现于各中心位置(xi、yi)上的被摄体之间的摄像距离。这里，在图像中通常近景部的被摄体则显现得越大，远景部的被摄体则显现得越小(参照图3A)。因此，如果摄像距离越长则将检查区域设定得越小，则将与检查区域内所包含的被摄体之间的摄像距离的方差抑制在规定值以下的可能性越高。
于是，在步骤S233中，候选区域设定部141以各中心位置(xi、yi)为中心设定与摄像距离对应的尺寸的检查候选区域CBi。此时，检查区域的形状不做特别限定，能够使用矩形和圆形等各种形状。例如，在图10的情况下，对于近景部的中心位置(x1、y1)设定较大的检查候选区域CB1，对于远景部的中心位置(x3、y3)设定较小的检查候选区域CB3。此外，在这些中间部的中心位置(x2、y2)上设定中间尺寸的检查候选区域CB2。
在步骤S234中，摄像距离方差计算部142a计算与显现于各检查候选区域CBi内的被摄体之间的摄像距离的分布的方差。
在步骤S235中，区域确定部142将方差在规定阈值以下的检查候选区域CBi确定为检查区域EBi。例如图10的情况下，检查候选区域CB1、CB3被确定为检查区域EB1、EB3。
在接着步骤S13后的步骤S14中，异常结构识别部150识别显现于检查区域EBi内的粘膜表面的细微结构是否为异常。这里，在第1实施方式中，使用所有的波长成分(R成分、G成分、B成分)的特定空间频率成分来识别细微结构的异常。然而，粘膜表面的细微结构的异常大多起因于毛细血管的形成状态。因此，越是接近血液的吸收频带的波长成分越表现出显著的变化。于是，在本变形例1-1中，使用活体内的吸收或散射的程度较高的特定波长的特定空间频率成分作为纹理特征量来进行异常结构的识别。
具体地，在步骤S241中，特定波长成分选择部151例如选择G成分或B成分，作为活体内的吸收或散射的程度较高的特定波长成分。
在接下来的步骤S242中，特定频率成分计算部152对于各检查区域EBi，针对各像素计算所选择的波长成分的特定空间频率成分的强度。另外，特定空间频率成分是根据示教数据等事先设定的。
在步骤S243中，统计分类部153计算所选择的波长成分的特定空间频率成分的像素间的平均强度，将该平均强度的值作为特征量。
进而，在步骤S244中，异常结构识别部150根据事先制作的异常区域的识别函数和特征量，进行各检查区域EBi是否为异常区域的分类。另外，使用识别函数的处理与第1实施方式相同。其中，在式(2)所示的分类指标P(x)的计算式中，取代特征矢量x，使用在步骤S243中计算的特征量。此外，取代式(2)的平均矢量μ，使用事先取得的多个异常区域的样本的特征量的平均值。进而，取代式(2)的方差协方差矩阵Z，使用事先取得的多个异常区域的样本的方差，取代逆矩阵Z-1，使用该样本的方差的倒数。此外，在式(2)中，k＝1。
如上所述，根据变形例1-1，按照摄像距离来变更检查候选区域的尺寸，因此能够效率良好地设定如下的检查区域：表示显现于检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内。其结果，能够对更大范围的粘膜表面识别细微结构的异常，并且能够提高细微结构的异常的识别精度。此外，通过确定用于细微结构的异常的识别的波长，从而能够精度良好地识别伴随吸光变化的细微结构的异常。
(变形例1-2)
接着，说明第1实施方式的变形例1-2。
图12是表示变形例1-2的图像处理装置具有的运算部的结构的框图。如图12所示，变形例1-2的运算部100-2具有摄像距离估计部110、检查区域设定部160、异常结构识别部170。另外，摄像距离估计部110的结构和动作都与第1实施方式相同。此外，运算部100-2以外的图像处理装置整体的结构和动作也与第1实施方式相同。
检查区域设定部160具有候选区域设定部161和区域确定部142。候选区域设定部161具有计算显现于用于设定检查候选区域的位置上的被摄体的代表性摄像距离梯度的代表摄像距离梯度计算部161a，并且设定与该代表性摄像距离梯度对应的尺寸的检查候选区域。区域确定部142的结构和动作都与变形例1-1相同。
异常结构识别部170具有：特定波长间比率计算部171，其计算活体内的吸收或散射的程度不同的特定波长成分间的比率；特定频率成分计算部172，其对计算出的特定波长成分间的比率计算特定空间频率成分；以及统计分类部173，其根据特定空间频率成分进行统计分类。
接着，说明运算部100-2的动作。
运算部100-2的动作整体上与图2所示的内容相同，仅步骤S13和S14的详细处理不同。图13是详细表示检查区域设定部160执行的处理(步骤S13)的流程图。图14是详细表示异常结构识别部170执行的处理(步骤S14)的流程图。另外，图13所示的步骤S231、S234和S235对应于图9。
在接着图13所示的步骤S231后的步骤S232’中，代表摄像距离梯度计算部161a计算显现于在图像M(图10参照)内随机确定的各中心位置(xi、yi)上的被摄体的摄像距离梯度。作为实际的处理，对显现于各像素位置上的被摄体的摄像距离使用公知的1次微分滤波器(参考：CG-ARTS協会、《ディジタル画像処理》、第114页(微分フィルタ))，求出计算出的值的绝对值。
这里，摄像距离梯度越大，则规定区域的摄像距离的范围就越大。因此，如果欲设定检查区域的位置处的摄像距离梯度越大，将检查区域设定得越小，则将与检查区域内包含的被摄体之间的摄像距离的方差抑制在规定值以下的可能性越高。
于是，在步骤S233’中，候选区域设定部161按照各中心位置(xi、yi)处的摄像距离梯度来确定检查候选区域的尺寸，以各中心位置(xi、yi)为中心来设定与摄像距离梯度对应的尺寸的检查候选区域。
此后的步骤S234、S235与变形例1-1相同。
在接着步骤S13后的步骤S14中，异常结构识别部170识别显现于检查区域内的粘膜表面的细微结构是否为异常。这里，在变形例1-1中，使用活体内的吸收或散射的程度较高的特定波长的特定空间频率成分来识别细微结构的异常。然而，显现于图像内的细微结构的像素值变化会受到摄像距离的影响，在远景部变化较小，而在近景部变化较大。因此，在变形例1-1中计算的特定空间频率成分的平均强度包含与摄像距离对应的像素值变化，如果使用同一个识别函数进行异常结构的识别，则识别精度可能会降低。于是，在本变形例1-2中，抑制伴随摄像距离的像素值变化的影响，因而计算活体内的吸收或散射的程度彼此不同的特定波长成分间的比率，使用该比率的特定空间频率成分作为纹理特征量，进行异常结构的识别。
具体地，在图14所示的步骤S241’中，特定波长间比率计算部171根据检查区域内的各像素的像素值，例如计算G/R等，作为活体内的吸收或散射的程度彼此不同的特定波长成分间的比率。以下，将由此计算的比率称作波长间比率。
在接下来的步骤S242’中，特定频率成分计算部172对于各检查区域，针对各像素计算波长间比率的特定空间频率成分的强度。另外，特定空间频率成分是根据示教数据等事先设定的。
在步骤S243’中，统计分类部173计算波长间比率的特定空间频率成分的像素间的平均强度，将该平均强度的值作为特征量。
进而在步骤S244中，异常结构识别部170根据事先制作的异常区域的识别函数和特征量，进行各检查区域是否为异常区域的分类。另外，该处理的详细情况与变形例1-1相同。
如上所述，根据变形例1-2，按照设定检查区域的位置的摄像距离梯度来变更检查区域的尺寸，因此能够效率良好地设定表示摄像距离的分布广度的指标位于规定的范围内的检查区域。其结果，能够对更大范围的粘膜表面识别细微结构的异常，并且能够提高细微结构的异常的识别精度。此外，在识别细微结构的异常时通过使用波长间比率，从而能够抑制随摄像距离而产生的特定空间频率成分的强度变化，精度良好地识别细微结构的异常。
(第2实施方式)
接着，说明本发明的第2实施方式。
图15是表示本发明的第2实施方式的图像处理装置的结构的框图。如图15所示，第2实施方式的图像处理装置2具有运算部200以取代图1所示的运算部100。运算部200以外的图像处理装置2的各部分的结构和动作都与第1实施方式相同。
运算部200具有：非检查区域排除部210，其将图像内不作为用于识别异常的对象的区域(非检查对象区域)从处理对象中排除；摄像距离估计部110；检查区域设定部120；重复控制部220，其进行控制以对于未设定为检查区域的区域重复执行检查区域的设定；以及异常结构识别部130。其中，摄像距离估计部110、检查区域设定部120和异常结构识别部130的结构和动作都与第1实施方式相同。另外，还可以取代检查区域设定部120和异常结构识别部130，使用变形例1-1的检查区域设定部140和异常结构识别部150或变形例1-2的检查区域设定部160和异常结构识别部170。
接着，说明图像处理装置2的动作。图16是表示图像处理装置2的动作的流程图。
首先，在步骤S21中，运算部200读入记录于记录部50中的图像数据，从而取得处理对象的管腔内图像。
在接下来的步骤S22中，非检查区域排除部210根据能够从图像取得的颜色信息、频率信息、形状信息等，确定暗部、亮部、残渣、泡这样的非检查区域并将它们从检查对象中排除。
这里，在管腔内图像中除了存在作为检查对象的粘膜区域以外，还存在管腔的深部所显现的区域(暗部)、从被摄体的表面被镜面反射的光晕区域(亮部)、显现残渣和泡的区域等。如果这些区域混合存在于检查区域内，则细微结构的异常的识别精度会降低。于是，非检查区域排除部210从图像中提取亮部、暗部、残渣和泡等移动的区域，将它们作为非检查区域排除。另外，还可以通过公知的各种方法提取这些非检查区域。例如，关于暗部，可以根据基于图像内的各像素的颜色信息(R成分、G成分、B成分的各值等)的颜色特征量来提取黑色区域，根据该黑色区域的周围的像素值变化的方向，判别该黑色区域是否为暗部，从而进行提取(参考：日本特开2011-234931号公报)。此外，关于亮部，例如可以根据图像内的各像素的颜色特征量来提取白色区域，根据该白色区域的边界附近的像素值的变化，判别该白色区域是否为光晕区域，从而进行提取(同上)。关于残渣，例如可以根据图像内的各像素的颜色特征量来检测被视作非粘膜区域的残渣候选区域，根据该残渣候选区域与图像内的结构边缘之间的位置关系来判别残渣候选区域是否为粘膜区域，从而进行提取。关于泡，例如可以从图像内提取边缘，根据泡图像的特征计算预先设定的泡模型与所提取的边缘的相关值，从而进行提取(参考：日本特开2007-313119号公报)。
在步骤S23中，摄像距离估计部110估计与显现于图像中的被摄体之间的摄像距离。另外，该估计处理与第1实施方式(参照图2的步骤S12)相同。
在步骤S24中，检查区域设定部120在图像内设定检查区域，以使得表示显现于检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内。另外，该检查区域的设定处理与第1实施方式(参照图2的步骤S13)相同。
在步骤S25中，重复控制部220判定作为尚未设定为检查区域的区域即未检查区域的面积是否小于规定的阈值(设为阈值A)，或判定迄今为止设定的检查区域的设定次数是否大于规定的阈值(设为阈值N)。这里，在图像内未充分设定检查区域的情况下，细微结构的异常的识别精度可能会降低。于是，在未检查区域的面积在阈值A以上，且检查区域的设定次数在阈值N以下的情况下(步骤S25：否)，重复控制部220判定为需要进一步进行检查区域的设定，使设定的检查区域的尺寸小于前次设定时的尺寸(步骤S26)。然后，转移至步骤S24，使检查区域设定部120再次执行检查区域的设定。通过如上减小检查区域的尺寸，从而1个检查区域中包含的摄像距离的范围大多会变小，因此可设定为检查区域的图像内的区域增加的可能性变高。
另一方面，在未检查区域的面积小于阈值A，或检查区域的设定次数大于阈值N的情况下(步骤S25：是)，重复控制部220判定为不需要进一步的检查区域的设定，转移到步骤S27，使异常结构识别部130执行细微结构的异常的识别。另外，细微结构的异常的识别处理与第1实施方式(参照图2的步骤S14)相同。
进而，在步骤S28中，运算部200输出异常识别结果(参照图2的步骤S15)。
如上所述，根据第2实施方式，将非检查区域事先排除并设定检查区域，因此能够精度良好地识别细微结构的异常。此外，通过重复进行检查区域的设定，从而能够对更大范围的粘膜表面识别细微结构的异常，并且能够提高细微结构的识别精度。进而，每当进行处理的重复时都减小检查区域的尺寸，从而能够对更大范围的粘膜表面识别细微结构的异常，并且能够提高细微结构的异常的识别精度。
(第3实施方式)
接着，说明本发明的第3实施方式。
图17是表示本发明的第3实施方式的图像处理装置的结构的框图。如图17所示，第3实施方式的图像处理装置3具有运算部300以取代图1所示的运算部100。运算部300以外的图像处理装置3的各部分的结构和动作都与第1实施方式相同。
运算部300具有摄像距离估计部110、检查区域设定部310、异常结构识别部320。其中，摄像距离估计部110的结构和动作与第1实施方式相同。
检查区域设定部310具有将摄像距离的值分类为1个或多个层级的层级分类部311、按照被分类为同一层级的摄像距离的被摄体所显现的每个区域，将图像分割为1个或多个区域的区域分割部312，检查区域设定部310将通过区域分割部312得到的1个或多个区域分别设定为各个检查区域。
异常结构识别部320具有：代表摄像距离取得部321，其取得与显现于检查区域内的被摄体之间的代表性摄像距离；特定频率成分计算部322，其计算与代表性摄像距离对应的特定空间频率成分；以及统计分类部323，其根据特定空间频率成分进行统计分类。
接着，说明图像处理装置3的动作。
图像处理装置3的动作整体上与图2所示的内容相同，仅步骤S13和S14的详细处理不同。图18是详细表示检查区域设定部310执行的处理(步骤S13)的流程图。图19是说明检查区域设定部310执行的处理的示意图。图20是详细表示异常结构识别部320执行的处理(步骤S14)的流程图。图21是表示与管腔内图像的摄像距离对应的频率成分的强度特性的示意图。
在接着步骤S12后的步骤S13中，检查区域设定部310在图像M内设定检查区域，以使得表示显现于检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内。
具体而言，首先，在图18所示的步骤S331中，层级分类部311将与显现于图像M内的被摄体之间的摄像距离的值分类为规定的多个层级。另外，将各层级设定为使得摄像距离的范围在规定值以下。
在接下来的步骤S332中，区域分割部312按照显现摄像距离为同一层级的被摄体的每个区域，分割图像M。例如在图19中，对应于摄像距离在r1以下的层级R1、摄像距离为r1～r2的范围的层级R2、摄像距离为r2～r3的范围的层级R3、摄像距离在r3以上的层级R4，将图像M分割为4个分割区域B1～B4。
在步骤S333中，检查区域设定部310将对应于各层级R1～R4的分割区域B1～B4分别设定为单个的检查区域。
在接着步骤S13后的步骤S14中，异常结构识别部320识别显现于检查区域内的粘膜表面的细微结构是否为异常。
具体地，在图20所示的步骤S341中，代表摄像距离取得部321取得与显现于各检查区域(分割区域)B1～B4内的被摄体之间的代表性摄像距离。作为代表性摄像距离，可举出与检查区域B1～B4所包含的被摄体之间的摄像距离的平均值、检查区域B1～B4的重心坐标处的摄像距离等。
在接下来的步骤S342中，特定频率成分计算部322对于各检查区域B1～B4，按照代表性摄像距离来确定用于异常的识别的空间频率成分。这里，如上所述，在通过内窥镜摄像的管腔内图像中，随着摄像距离不同而粘膜表面的细微结构的分辨率也不同。具体而言，摄像距离越长，则分辨率越降低。因此，例如图21所示，若设在摄像距离较短的情况下(近景)，能够识别细微结构的异常的特定空间频率为f1，则能够识别相同的细微结构的异常的空间频率在摄像距离变长的情况下会移至高频侧(远景：空间频率f2)。
于是，在本第3实施方式中，按照各检查区域B1～B4的代表性摄像距离，变更进行细微结构的异常的识别时用作纹理特征量的特定空间频率成分，实现了识别精度的提高和处理的效率化。具体地，摄像距离越长，则特定空间频率成分越高，能够检测更为细微的结构。另一方面，摄像距离越短则特定空间频率成分越低，抑制运算量。另外，对应于摄像距离的特定空间频率成分是根据示教数据等事先设定的。
在步骤S343中，特定频率成分计算部322对于各检查区域B1～B4，针对构成图像的各波长成分，按照各个像素计算对应于摄像距离的特定空间频率成分的强度。另外，特定空间频率成分的强度的计算处理与第1实施方式相同(参照图7的步骤S141)。
接下来的步骤S142和S143与第1实施方式相同。
如上所述，根据第3实施方式，不必重复进行检查候选区域的设定和确定这样的处理，能够在图像内的较大范围内效率良好地设定检查区域。其结果，能够精度良好地识别细微结构的异常。此外，根据与显现于检查区域内的被摄体之间的代表性摄像距离，确定用于细微结构的异常的识别的空间频率成分，因此能够在不依赖于摄像距离的情况下，能够精度良好地识别细微结构的异常，并且能够使运算处理效率化。
(第4实施方式)
接着，说明本发明的第4实施方式。
图22是表示本发明的第4实施方式的图像处理装置的结构的框图。如图22所示，第4实施方式的图像处理装置4具有运算部400以取代图1所示的运算部100。运算部400以外的图像处理装置4的各部分的结构和动作都与第1实施方式相同。
运算部400具有摄像距离估计部110、检查区域设定部410、重复控制部220、异常结构识别部130。其中，摄像距离估计部110和异常结构识别部130的结构和动作与第1实施方式相同。
检查区域设定部410具有层级分类部311、区域分割部312、局部区域设定部411。其中，层级分类部311和区域分割部312的结构和动作与第3实施方式相同。
局部区域设定部411在通过层级分类部311分类为同一层级的摄像距离的被摄体所显现的区域内设定局部区域。更具体而言，局部区域设定部411具有计算距离转换图像的距离转换图像计算部411a，该距离转换图像是将与彼此被分类为相同层级的摄像距离的被摄体所显现的区域的边界之间的距离转换为像素值后的图像，该局部区域设定部411根据该距离转换图像设定上述局部区域。
接着，说明图像处理装置4的动作。
图23是表示图像处理装置4的动作的流程图。另外，图23所示的步骤S11、S12、S14和S15对应于第1实施方式(参照图2)。
在接着步骤S12后的步骤S41中，检查区域设定部410在图像内设定检查区域，以使得表示显现于检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内。图24是详细表示检查区域设定部410执行的处理的流程图。此外，图25是说明检查区域设定部410执行的处理的示意图。
在步骤S411中，层级分类部311将与显现于图像M内的被摄体之间的摄像距离的值分类为规定的多个层级。
在接下来的步骤S412中，区域分割部312按照摄像距离为同一层级的被摄体所显现的每个区域，分割图像M。由此，例如在图25中，对应于摄像距离在r1以下的层级R1、摄像距离在r1～r2的范围的层级R2、摄像距离在r2～r3的范围的层级R3、摄像距离在r3以上的层级R4，将图像M分割为4个分割区域B1～B4。
如上分割的各分割区域B1～B4为与图像M内的被摄体对应的任意形状。因此，如果将这些分割区域B1～B4直接设定为检查区域，作为纹理特征量来执行特定空间频率成分的计算处理，则需要针对内部包含检查区域的矩形区域的像素全体判定是否为应计算特定空间频率成分的检查区域，处理需要较长时间。于是，在第4实施方式中，根据分割区域B1～B4，对处于同一层级的摄像距离的对象所显现的区域内的局部区域设定检查区域。
具体地，在步骤S413中，距离转换图像计算部411a计算距离转换图像，该距离转换图像是基于摄像距离为同一层级的被摄体所显现的区域的边界和已设定了检查区域的区域而转换的。
在接下来的步骤S414中，局部区域设定部411将距离转换图像的值为最大值的像素作为检查区域的中心坐标，以使得从该中心坐标到检查区域的端部的距离小于上述最大值的方式设定检查区域。这里，距离转换图像的值为最大值的像素即是与2个边界的距离相等的中间点的像素中的任意一个，例如在图25的情况下，相当于位于与层级R2对应的分割区域B2的边界D1和边界D2的中间的像素Pi。这种情况下，距离转换图像的值的最大值为从像素Pi到边界D1、D2的距离di。于是，以像素Pi为中心，设定对角线的最大值不超过距离di×2的检查区域ECi。由此，能够在处于同一层级的摄像距离的被摄体所显现的区域内，设定矩形的检查区域。
在接着步骤S41的步骤S42中，重复控制部220判定未检查区域的面积是否小于阈值A，或判定迄今为止设定的检查区域的设定次数是否大于阈值N。进行该判定的原因在于，在图像内未充分设定检查区域的情况下，可能会导致细微结构的异常的识别精度降低。
在未检查区域的面积为阈值A以上，且检查区域的设定次数在阈值N以下的情况下(步骤S42：否)，重复控制部220判定为需要进一步进行检查区域的设定，转移至步骤S41，使检查区域设定部410再次执行检查区域的设定。另一方面，在未检查区域的面积小于阈值A，或检查区域的设定次数大于阈值N的情况下(步骤S42：是)，处理转移至步骤S14。
如上所述，根据第4实施方式，不必重复进行检查候选区域的设定和确定这样的处理，能够设定可高效执行特定空间频率成分的计算的检查区域。因此，能够使得识别细微结构的异常的处理整体高速化。
(第5实施方式)
接着，说明本发明的第5实施方式。
图26是表示本发明的第5实施方式的图像处理装置的结构的框图。如图26所示，第5实施方式的图像处理装置5具有运算部500以取代图1所示的运算部100。运算部500以外的图像处理装置5的各部分的结构和动作都与第1实施方式相同。
运算部500具有摄像距离估计部110、检查区域设定部120、使检查区域内的图像变形的检查区域变形部510、异常结构识别部130。其中，摄像距离估计部110、检查区域设定部120和异常结构识别部130的结构和动作与第1实施方式相同。
检查区域变形部510具有：代表摄像距离取得部511，其取得与显现于检查区域内的被摄体之间的代表性摄像距离；以及尺寸归一化部512，其按照该代表性摄像距离使检查区域的尺寸归一化。
接着，说明图像处理装置5的动作。
图27是表示图像处理装置5的动作的流程图。另外，图27所示的步骤S11～S15对应于第1实施方式(参照图2)。
在接着步骤S13的步骤S51中，检查区域变形部510使检查区域内的图像变形。这里，如上所述，在通过内窥镜素所拍摄的管腔内图像中，随着摄像距离不同而粘膜表面的细微结构的分辨率也不同。于是，在本第5实施方式中，按照与所设定的检查区域之间的摄像距离，使检查区域内的图像变形，将变形后的图像的特定空间频率成分用作纹理特征量，进行细微结构的异常的识别，从而提高识别精度。
图28是详细表示检查区域变形部510执行的处理(步骤S51)的流程图。此外，图29是说明检查区域变形部510执行的处理的概念的示意图。
首先，在步骤S511中，代表摄像距离取得部511取得与显现于各检查区域内的被摄体之间的代表性摄像距离。
在接下来的步骤S512中，尺寸归一化部512按照代表性摄像距离，使检查区域的尺寸归一化。如图29所示，在某个摄像距离r0，设与能够识别细微结构的异常的特定空间频率对应的像素值变化的周期为c2。若摄像距离比该摄像距离r0短，则特定空间频率向低频侧移动，像素值变化的周期变大(c1＞c2)。反之，若摄像距离比摄像距离r0长，则特定空间频率向高频侧移动，像素值变化的周期变小(c3＜c2)。
于是，在作为处理对象的检查区域EC1的摄像距离比摄像距离r0短的情况下(即，近景部的情况下)，按照周期c1、c2的比率缩小检查区域EC1，从而能够使缩小后的检查区域EC1’的分辨率与摄像距离为r0的情况等同。反之，在作为处理对象的检查区域EC2的摄像距离比摄像距离r0长的情况下(即，远景部的情况下)，按照周期c2、c3的比率放大检查区域EC2，从而能够使放大后的检查区域EC2’的分辨率与摄像距离为r0的情况等同。即，通过进行这种变形，从而在后续的步骤S14中，能够不依赖于检查区域的摄像距离，计算相同的特定空间频率成分，进行异常的识别。
如上所述，根据第5实施方式，根据与显现于检查区域内的被摄体之间的代表性摄像距离，使检查区域的尺寸归一化，从而不依赖于摄像距离，计算相同的特定空间频率，从而能够精度良好地识别细微结构的异常。
(变形例5-1)
接着，说明第5实施方式的变形例5-1。
图30是表示变形例5-1的检查区域变形部的结构的框图。变形例5-1的运算部具有图30所示的检查区域变形部520，以取代图26所示的检查区域变形部510。该检查区域变形部520具有：三维坐标估计部521，其对于显现于检查区域内的被摄体上的至少3处基准点，根据摄像距离和图像内的坐标来估计三维坐标；以及图像转换部522，其对检查区域实施图像转换，以成为从规定的距离正对地对由上述至少3处基准点确定的平面上的检查区域进行拍摄时的图像。
变形例5-1的运算部的动作整体上与图27所示的内容相同，仅步骤S51的处理与第5实施方式不同。
图31是表示检查区域变形部520执行的处理(步骤S51)的详细情况的流程图。此外，图32A和图32B是说明检查区域变形部520执行的处理的概念的示意图。
在接着步骤S13后的步骤S51中，检查区域变形部520使检查区域内的图像变形。这里，在第5实施方式中使检查区域的尺寸归一化，而未校正收敛于在检查区域内残留的规定范围内的摄像距离的差，在同一检查区域内会产生摄像距离较短的粘膜表面的细微结构的分辨率与摄像距离较长的粘膜表面的细微结构的分辨率之差所带来的影响。于是，在本变形例5-1中，如图32A所示，以使得宛如通过内窥镜6从正面对包含管腔7内的粘膜表面8上的3处基准点(例如点P1、P2、P3)的区域进行摄像的方式，来使检查区域变形。
具体而言，在步骤S521中，三维坐标估计部521对于显现于检查区域内的被摄体上的至少3处基准点，根据摄像距离和图像内的坐标，估计三维坐标。作为实际的处理，首先选择在检查区域内彼此相离的任意的3点像素。然后，例如图32B所示，根据与对应于这些像素的被摄体上的位置(基准点)P1、P2、P3之间的摄像距离r1、r2、r3、摄像机(例如，内窥镜6)的焦点距离、对应于位置P1、P2、P3的图像内的坐标(x1、y1)、(x2、y2)、(x3、y3)，估计以摄像机为原点的坐标系上的被摄体上的位置P1、P2、P3的三维坐标。另外，摄像机的焦点距离是预先确定的。
在接下来的步骤S522中，图像转换部522以使得检查区域成为从规定的距离正对显现于该检查区域内的被摄体上的区域进行摄像时的图像的方式，对该检查区域实施图像转换。该图像转换例如可以假定如下情况来执行，即转换为将视点置于从通过被摄体上的位置P1、P2、P3的平面PL上的该位置P1、P2、P3的重心(或相当于检查区域的被摄体上的区域的重心)起，朝该平面PL的法线方向离开规定的距离的位置处，以规定的焦点距离所拍摄的图像。
如上所述，根据变形例5-1，能够校正检查区域内的摄像距离的差异。即，在转换后的图像上，能够使得与同一检查区域内的各像素位置对应的被摄体上的区域内的各位置与摄像机的位置之间的距离的偏差小于转换前的图像。由此，能够在同一检查区域内减小摄像距离较近的粘膜表面的细微结构的分辨率与摄像距离较远的粘膜表面的细微结构的分辨率之差。因此，通过将如上转换后的图像的特定空间频率成分用作纹理特征量，从而能够进一步提高细微结构的异常的识别精度。
如上所述，根据第1至第5实施方式及其变形例，在图像内设定检查区域，以使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内，按照每个检查区域，使用能够识别显现于该检查区域内的被摄体的细微结构的异常的纹理特征量，识别显现于检查区域内的被摄体的细微结构是否为异常，因此在由于摄像距离的差异，而在对于显现于图像内的粘膜表面的细微结构的分辨率产生差异的情况下，也能够精度良好地识别粘膜表面的细微结构的异常。
在上述第1至第5实施方式及其变形例中，作为纹理特征量的一例，使用了将纹理的频率特征数值化后的空间频率成分，然而也可以代之使用纹理的统计性特征量。纹理的统计性特征量可使用像素值的共生矩阵来求出。具体而言，利用共生矩阵，根据图像内的彼此相离的2个位置的像素对的值求出像素值的均匀性、方向性、对比度等表示性质的统计量(特征量)(参考：CG-ARTS協会、《ディジタル画像処理》、第194～195页(領域のテクスチャ))。
以上说明的第1至第5实施方式及其变形例的图像处理装置可通过由个人计算机或工作站等计算机系统执行记录于记录装置中的图像处理程序来实现。此外，还可以将这种计算机系统经由局域网、广域网(LAN/WAN)或因特网等公用线路，与其他的计算机系统和服务器等设备连接使用。这种情况下，第1至第3实施方式的图像处理装置可经由这些网络取得管腔内图像的图像数据，或向经由这些网络连接的各种输出设备(观察器或打印机等)输出图像处理结果，抑或将图像处理结果存储于经由这些网络连接的存储装置(记录装置及其读取装置等)中。
另外，本发明不限于第1至第5实施方式及其变形例，通过适当组合在各实施方式和变形例中公开的多个构成要素，从而能够形成各种发明。例如，既可以从各实施方式和变形例所示的所有构成要素中排除某几个构成要素形成发明，也可以适当组合不同实施方式和变形例所示的构成要素形成发明。
标号说明
1～5 图像处理装置
6 内窥镜
7 管腔
8 粘膜表面
10 控制部
20 图像取得部
30 输入部
40 显示部
50 记录部
51 图像处理程序
100，100-1，100-2，200，300，400，500 运算部
110 摄像距离估计部
111 低吸收波长选择部
120，140，160，310，410 检查区域设定部
121，141 候选区域设定部
122 区域确定部
122a 摄像距离范围计算部
130，150，170，320 异常结构识别部
131，152，172，322 特定频率成分计算部
132，153，173，323 统计分类部
141a，321 代表摄像距离取得部
142a 摄像距离方差计算部
151 特定波长成分选择部
161 候选区域设定部
161a 代表摄像距离梯度计算部
171 特定波长间比率计算部
210 非检查区域排除部
220 重复控制部
311 层级分类部
312 区域分割部
411 局部区域设定部
411a 距离转换图像计算部
510，520 检查区域变形部
511 代表摄像距离取得部
512 尺寸归一化部
521 三维坐标估计部
522 图像转换部

Claims (22)

1.一种图像处理装置，其特征在于，具有：
摄像距离估计部，其估计与显现于图像中的被摄体之间的摄像距离；
检查区域设定部，其在所述图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及
异常结构识别部，其使用纹理特征量来识别显现于所述检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照所述检查区域确定的，能够识别显现于所述检查区域内的被摄体的细微结构的异常。
2.根据权利要求1所述的图像处理装置，其特征在于，
所述检查区域设定部具有：
候选区域设定部，其在所述图像内设定检查候选区域；以及
区域确定部，其根据显现于所述检查候选区域内的被摄体的摄像距离信息来确定检查区域。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述候选区域设定部具有代表摄像距离取得部，该代表摄像距离取得部取得与显现于欲设定所述检查候选区域的位置上的被摄体之间的代表性摄像距离，所述候选区域设定部设定与所述代表性摄像距离对应的尺寸的所述检查候选区域。
4.根据权利要求2所述的图像处理装置，其特征在于，
所述候选区域设定部具有代表摄像距离梯度计算部，该代表摄像距离梯度计算部计算显现于欲设定所述检查候选区域的位置上的被摄体的代表性摄像距离梯度，所述候选区域设定部设定与所述代表性摄像距离梯度对应的尺寸的检查候选区域。
5.根据权利要求2所述的图像处理装置，其特征在于，
所述区域确定部具有摄像距离范围计算部，该摄像距离范围计算部计算与显现于所述检查候选区域内的被摄体之间的摄像距离的分布范围，所述区域确定部将所述分布范围在规定的阈值以下的检查候选区域确定为所述检查区域。
6.根据权利要求2所述的图像处理装置，其特征在于，
所述区域确定部具有摄像距离方差计算部，该摄像距离方差计算部计算与显现于所述检查候选区域内的被摄体之间的摄像距离的方差，所述区域确定部将所述方差在规定的阈值以下的检查候选区域确定为所述检查区域。
7.根据权利要求1所述的图像处理装置，其特征在于，
所述检查区域设定部具有：
层级分类部，其将所述摄像距离的值分类为1个或多个层级；以及
区域分割部，其按照被分类为同一层级的摄像距离的被摄体所显现的每个区域，将所述图像分割为1个或多个区域，
将通过所述区域分割部得到的1个或多个区域分别设定为单个的检查区域。
8.根据权利要求7所述的图像处理装置，其特征在于，
所述检查区域设定部还具有局部区域设定部，该局部区域设定部在被分类为所述同一层级的摄像距离的被摄体所显现的区域内设定局部区域，所述检查区域设定部将该局部区域设定为所述检查区域。
9.根据权利要求8所述的图像处理装置，其特征在于，
所述局部区域设定部具有距离转换图像计算部，该距离转换图像计算部计算距离转换图像，该距离转换图像是将与被分类为所述同一层级的摄像距离的被摄体所显现的区域的边界之间的距离转换为像素值而得到的图像，所述局部区域设定部根据所述距离转换图像设定所述局部区域。
10.根据权利要求1所述的图像处理装置，其特征在于，
所述图像处理装置还具有重复控制部，其进行对未设定所述检查区域的区域重复执行所述检查区域设定部的处理的控制。
11.根据权利要求10所述的图像处理装置，其特征在于，
所述重复控制部按照所述处理的重复，变更所述检查区域设定部执行的处理。
12.根据权利要求1所述的图像处理装置，其特征在于，
所述异常结构识别部具有：
特定频率成分计算部，其计算能够识别显现于所述检查区域内的被摄体的细微结构的异常的特定空间频率成分，作为所述纹理特征量；以及
统计分类部，其根据所述特定空间频率成分进行统计分类。
13.根据权利要求12所述的图像处理装置，其特征在于，
所述异常结构识别部还具有特定波长成分选择部，该特定波长成分选择部选择按照活体内的吸收或散射的程度而确定的特定波长成分，
所述特定频率成分计算部对所述特定波长成分计算所述特定空间频率成分。
14.根据权利要求12所述的图像处理装置，其特征在于，
所述异常结构识别部还具有特定波长间比率计算部，该特定波长间比率计算部计算活体内的吸收或散射的程度不同的特定波长成分间的比率，
所述特定频率成分计算部对所述特定波长成分间的比率计算所述特定空间频率成分。
15.根据权利要求12所述的图像处理装置，其特征在于，
所述异常结构识别部还具有代表摄像距离取得部，该代表摄像距离取得部取得与显现于所述检查区域内的被摄体之间的代表性摄像距离，
所述特定频率成分计算部按照所述代表性摄像距离来确定所述特定空间频率成分的频率，计算所述特定空间频率成分。
16.根据权利要求1所述的图像处理装置，其特征在于，
所述图像处理装置还具有使所述检查区域内的图像变形的检查区域变形部。
17.根据权利要求16所述的图像处理装置，其特征在于，
所述检查区域变形部具有：
代表摄像距离取得部，其取得与显现于所述检查区域内的被摄体之间的代表性摄像距离；以及
尺寸归一化部，其按照所述代表性摄像距离使所述检查区域的尺寸归一化，
所述异常结构识别部使用能够识别显现于所述检查区域内的被摄体的细微结构的异常的纹理特征量，识别显现于所述检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照具有被所述尺寸归一化部归一化后的尺寸的所述检查区域而确定的。
18.根据权利要求16所述的图像处理装置，其特征在于，
所述检查区域变形部具有：
三维坐标估计部，其根据摄像距离和图像内的对应的像素的坐标，对显现于所述检查区域内的被摄体上的至少3处基准点估计三维坐标；以及
图像转换部，其对所述检查区域实施图像转换，以使其成为从规定的距离正对地拍摄由所述至少3处基准点确定的平面上的所述检查区域而得到的图像。
19.根据权利要求1所述的图像处理装置，其特征在于，
所述图像由多个波长成分构成，
所述摄像距离估计部具有低吸收波长选择部，该低吸收波长选择部选择所述多个波长成分中的在活体内的吸收或散射的程度最低的波长成分即低吸收波长成分，所述摄像距离估计部根据所述低吸收波长成分，估计与显现于所述图像中的被摄体之间的摄像距离。
20.根据权利要求1所述的图像处理装置，其特征在于，
所述图像处理装置还具有将在所述图像内包含的非检查对象区域排除的非检查对象区域排除部。
21.根据权利要求20所述的图像处理装置，其特征在于，
所述非检查对象区域为所述图像内的暗部区域、亮部区域或残渣或泡所显现的区域中的任意一种。
22.一种图像处理装置的图像处理方法，其特征在于，具有：
摄像距离估计步骤，估计与显现于图像中的被摄体之间的摄像距离；
检查区域设定步骤，在所述图像内设定检查区域，使得表示显现于该检查区域内的被摄体的摄像距离的分布广度的指标位于规定的范围内；以及
异常结构识别步骤，使用纹理特征量来识别显现于所述检查区域内的被摄体的细微结构是否为异常，所述纹理特征量是按照所述检查区域确定的，能够识别显现于所述检查区域内的被摄体的细微结构的异常。
CN201380030577.0A 2012-06-12 2013-05-23 图像处理装置以及图像处理方法 Active CN104363815B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2012133187A JP6265588B2 (ja) 2012-06-12 2012-06-12 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
JP2012-133187 2012-06-12
PCT/JP2013/064332 WO2013187206A1 (ja) 2012-06-12 2013-05-23 画像処理装置、画像処理方法、及び画像処理プログラム

Publications (2)

Publication Number Publication Date
CN104363815A CN104363815A (zh) 2015-02-18
CN104363815B true CN104363815B (zh) 2018-04-13

Family

ID=49758036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380030577.0A Active CN104363815B (zh) 2012-06-12 2013-05-23 图像处理装置以及图像处理方法

Country Status (5)

Country Link
US (1) US9916666B2 (zh)
EP (1) EP2859833A4 (zh)
JP (1) JP6265588B2 (zh)
CN (1) CN104363815B (zh)
WO (1) WO2013187206A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6616071B2 (ja) * 2014-12-22 2019-12-04 富士フイルム株式会社 内視鏡用のプロセッサ装置、内視鏡用のプロセッサ装置の作動方法、内視鏡用の制御プログラム
JP6473177B2 (ja) * 2015-01-23 2019-02-20 オリンパス株式会社 画像処理装置、画像処理装置の作動方法および画像処理プログラム
JP6507747B2 (ja) * 2015-03-18 2019-05-08 カシオ計算機株式会社 情報処理装置、コンテンツ決定方法、及びプログラム
WO2016170655A1 (ja) * 2015-04-23 2016-10-27 オリンパス株式会社 画像処理装置、画像処理方法および画像処理プログラム
DE112015006378T5 (de) * 2015-04-23 2017-12-14 Olympus Corporation Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm
WO2016185617A1 (ja) 2015-05-21 2016-11-24 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
WO2016194200A1 (ja) * 2015-06-04 2016-12-08 オリンパス株式会社 可撓管挿入装置
EP3318176A4 (en) * 2015-07-03 2019-03-27 Olympus Corporation IMAGE PROCESSING DEVICE, IMAGE PROCESSING AND ENDOSCOPY SYSTEM
WO2017090166A1 (ja) * 2015-11-26 2017-06-01 オリンパス株式会社 画像処理装置、画像処理方法およびプログラム
US20180137369A1 (en) * 2016-11-13 2018-05-17 Pointgrab Ltd. Method and system for automatically managing space related resources
JP6774550B2 (ja) * 2017-03-03 2020-10-28 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
EP3590412A4 (en) * 2017-03-03 2020-06-03 Fujifilm Corporation ENDOSCOPE SYSTEM, PROCESSOR DEVICE AND ENDOSCOPE SYSTEM OPERATING METHOD
CN107049211B (zh) * 2017-03-13 2019-02-12 重庆金山医疗器械有限公司 一种测量胶囊式内窥镜与胃壁距离的装置
US11521319B2 (en) 2018-02-07 2022-12-06 Hoya Corporation Endoscope system
CN115624307A (zh) * 2019-09-22 2023-01-20 深圳硅基智控科技有限公司 用于构建组织腔体内壁的三维结构模型的胶囊内窥镜
CN112535451A (zh) * 2019-09-22 2021-03-23 深圳硅基智控科技有限公司 胶囊内窥镜用的测距系统
CN116778520B (zh) * 2023-08-11 2023-11-10 山东省大数据中心 一种海量证照数据质量检验方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2918162B2 (ja) 1988-11-02 1999-07-12 オリンパス光学工業株式会社 内視鏡画像処理装置
JPH03105483A (ja) * 1989-09-19 1991-05-02 Olympus Optical Co Ltd 内視鏡装置
JP4450973B2 (ja) 2000-11-30 2010-04-14 オリンパス株式会社 診断支援装置
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
JP4652694B2 (ja) 2004-01-08 2011-03-16 オリンパス株式会社 画像処理方法
JP4804742B2 (ja) * 2004-11-19 2011-11-02 オリンパス株式会社 画像処理装置、及び画像処理プログラム
US7764817B2 (en) * 2005-08-15 2010-07-27 Siemens Medical Solutions Usa, Inc. Method for database guided simultaneous multi slice object detection in three dimensional volumetric data
JP5086563B2 (ja) 2006-05-26 2012-11-28 オリンパス株式会社 画像処理装置及び画像処理プログラム
JP5028138B2 (ja) * 2007-05-08 2012-09-19 オリンパス株式会社 画像処理装置および画像処理プログラム
WO2008139812A1 (ja) * 2007-05-08 2008-11-20 Olympus Corporation 画像処理装置および画像処理プログラム
JP5190944B2 (ja) * 2008-06-26 2013-04-24 富士フイルム株式会社 内視鏡装置および内視鏡装置の作動方法
JP5117353B2 (ja) * 2008-11-07 2013-01-16 オリンパス株式会社 画像処理装置、画像処理プログラムおよび画像処理方法
CN102368947A (zh) * 2009-01-08 2012-03-07 美国生物光学公司 用于识别异常组织的探测设备
CN102548471B (zh) * 2009-09-24 2016-01-20 皇家飞利浦电子股份有限公司 具有增加的扫描速度的光学探针系统
WO2011129176A1 (ja) * 2010-04-12 2011-10-20 オリンパスメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理方法
JP5570866B2 (ja) * 2010-04-30 2014-08-13 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
JP5800468B2 (ja) 2010-05-11 2015-10-28 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5622461B2 (ja) * 2010-07-07 2014-11-12 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5658945B2 (ja) * 2010-08-24 2015-01-28 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
JP5620194B2 (ja) * 2010-08-24 2014-11-05 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5800626B2 (ja) * 2011-07-29 2015-10-28 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
JP5830295B2 (ja) 2011-07-29 2015-12-09 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
JP5851160B2 (ja) * 2011-08-31 2016-02-03 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
JP5931418B2 (ja) * 2011-11-25 2016-06-08 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
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
JP6422198B2 (ja) * 2012-11-29 2018-11-14 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
JP6045396B2 (ja) * 2013-02-27 2016-12-14 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

Also Published As

Publication number Publication date
JP6265588B2 (ja) 2018-01-24
EP2859833A4 (en) 2016-03-23
US20150092993A1 (en) 2015-04-02
EP2859833A1 (en) 2015-04-15
CN104363815A (zh) 2015-02-18
WO2013187206A1 (ja) 2013-12-19
JP2013255656A (ja) 2013-12-26
US9916666B2 (en) 2018-03-13

Similar Documents

Publication Publication Date Title
CN104363815B (zh) 图像处理装置以及图像处理方法
CN102243762B (zh) 图像处理装置以及图像处理方法
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
US11514270B2 (en) Speckle contrast analysis using machine learning for visualizing flow
TWI496112B (zh) 細胞影像分割方法以及核質比評估方法
CN102542564B (zh) 图像处理装置以及图像处理方法
CN104244802B (zh) 图像处理装置、图像处理方法以及图像处理程序
CN103619238B (zh) 用于确定皮炎值的装置和方法
CN104812288A (zh) 图像处理装置、图像处理方法和图像处理程序
CN102065744A (zh) 图像处理装置、图像处理程序及图像处理方法
CN103198467B (zh) 图像处理装置以及图像处理方法
CN103327883A (zh) 医用图像处理装置和医用图像处理方法
EP2565846A1 (en) Intraluminal lesion detection by classifying pixel colours
CN105072975A (zh) 图像处理装置、图像处理方法和图像处理程序
TWI624807B (zh) 醫學影像之迭代式分析法
CN108601509B (zh) 图像处理装置、图像处理方法以及记录有程序的介质
CN112164043A (zh) 一种用于多眼底图像拼接的方法及系统
KR20160118037A (ko) 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법
CN115760858B (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
CN111784686A (zh) 一种内窥镜出血区域的动态智能检测方法、系统及可读存储介质
CN103218802B (zh) 图像处理装置以及图像处理方法
CN108697310A (zh) 图像处理装置、图像处理方法和程序
CN114445406A (zh) 肠镜图像分析方法、装置和医学图像处理设备
CN102737388B (zh) 图像处理装置以及图像处理方法
Chaddad et al. GBM heterogeneity characterization by radiomic analysis of phenotype anatomical planes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant