CN105072975A - 图像处理装置、图像处理方法和图像处理程序 - Google Patents

图像处理装置、图像处理方法和图像处理程序 Download PDF

Info

Publication number
CN105072975A
CN105072975A CN201480009658.7A CN201480009658A CN105072975A CN 105072975 A CN105072975 A CN 105072975A CN 201480009658 A CN201480009658 A CN 201480009658A CN 105072975 A CN105072975 A CN 105072975A
Authority
CN
China
Prior art keywords
blood vessel
candidate region
vessel candidate
image processing
unit
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
CN201480009658.7A
Other languages
English (en)
Other versions
CN105072975B (zh
Inventor
北村诚
神田大和
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 CN105072975A publication Critical patent/CN105072975A/zh
Application granted granted Critical
Publication of CN105072975B publication Critical patent/CN105072975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Endoscopes (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种能够高精度地判别具有与红肿、出血点等的异常区域类似的颜色特征量的正常的透见血管的图像处理装置等。图像处理装置(1)处理通过对活体进行摄像而取得的图像，其具有：血管候选区域提取部(110)，其从图像内提取多个血管候选区域；同一血管候选区域提取部(120)，其提取多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；评价值计算部(130)，其针对同一血管候选区域，计算评价同一血管似然性的1种以上的评价值；以及血管区域判别部(140)，其根据该评价值，判别同一血管候选区域是否形成同一血管区域。

Description

图像处理装置、图像处理方法和图像处理程序
技术领域
本发明涉及从通过对活体的管腔内进行摄像而得到的图像中判别异常区域的图像处理装置、图像处理方法和图像处理程序。
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对活体的管腔内进行摄像而得到的图像(以下称为管腔内图像或简称为图像)进行的图像处理，在专利文献1中示出了从管腔内图像中检测病变区域的技术。更详细地，在专利文献1中，将管腔内图像内的各像素的像素值映射在基于颜色特征量的特征空间内，在该特征空间内进行聚类，之后根据各聚类的大小或重心坐标等的信息确定正常粘膜聚类或异常区域聚类，检测出属于异常区域聚类的像素区域作为异常观察区域。
并且，在专利文献2中公开了判别发热、出血点等的异常区域和正常的透见血管的技术。更详细地，在专利文献2中，对作为异常区域检测出的区域进行标示，根据各标签的形状信息判别是否是透见血管。
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：日本专利4434705号公报
发明内容
发明所要解决的课题
然而，在专利文献1公开的技术中，难以在特征空间中高精度地判别具有与发热、出血点等的异常区域类似的颜色特征量的正常的透见血管。并且，在专利文献2公开的技术中，难以对红肿、出血点与由于绒毛等的影响而中断并成为点状的正常的透见血管进行判别。
本发明是鉴于上述情况而完成的，本发明的目的是提供一种可以高精度地判别具有与红肿、出血点等的异常区域类似的颜色特征量的正常的透见血管的图像处理装置、图像处理方法和图像处理程序。
用于解决课题的手段
为了解决上述的课题，达到目的，本发明的图像处理装置处理通过对活体进行摄像而取得的图像，其特征在于，具有：血管候选区域提取单元，其从图像内提取多个血管候选区域；同一血管候选区域提取单元，其提取所述多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；评价值计算单元，其针对所述同一血管候选区域，计算用于评价同一血管似然性的1种以上的评价值；以及血管区域判别单元，其根据所述评价值，判别所述同一血管候选区域是否形成同一血管区域。
本发明的图像处理方法是由处理通过对活体进行摄像而取得的图像的图像处理装置执行的图像处理方法，其特征在于，包括：血管候选区域提取步骤，从图像内提取多个血管候选区域；同一血管候选区域提取步骤，提取所述多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；评价值计算步骤，针对所述同一血管候选区域，计算用于评价同一血管似然性的1种以上的评价值；以及血管区域判别步骤，根据所述评价值，判别所述同一血管候选区域是否形成同一血管区域。
本发明的图像处理程序的特征在于，其使用于处理通过对活体进行摄像而取得的图像的图像处理装置执行以下步骤：血管候选区域提取步骤，从图像内提取多个血管候选区域；同一血管候选区域提取步骤，提取所述多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；评价值计算步骤，针对所述同一血管候选区域，计算用于评价同一血管似然性的1种以上的评价值；以及血管区域判别步骤，根据所述评价值，判别所述同一血管候选区域是否形成同一血管区域。
发明的效果
根据本发明，从自图像内提取出的血管候选区域中进一步提取被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域，并根据评价该同一血管候选区域的同一血管似然性的评价值，判别同一血管候选区域是否形成同一血管区域，因而可以高精度地判别具有与红肿、出血点等的异常区域类似的颜色特征量的正常的透见血管。
附图说明
图1是示出本发明第1实施方式的图像处理装置的结构的框图。
图2是示出图1所示的图像处理装置的动作的流程图。
图3是示出图1所示的血管候选区域提取部执行的详细处理的流程图。
图4是示出图1所示的同一血管候选区域提取部执行的详细处理的流程图。
图5是用于说明图1所示的同一血管候选区域提取部执行的处理的示意图。
图6是用于说明图1所示的同一血管候选区域提取部执行的处理的示意图。
图7是用于说明评价同一血管似然性的评价值的计算方法的示意图。
图8是用于说明评价同一血管似然性的评价值的计算方法的示意图。
图9是用于说明评价同一血管似然性的评价值的计算方法的示意图。
图10是示出本发明第2实施方式的图像处理装置的结构的框图。
图11是示出图10所示的图像处理装置的动作的流程图。
图12是示出图10所示的同一血管候选区域提取部执行的详细处理的流程图。
图13是用于说明图10所示的同一血管候选区域提取部执行的处理的示意图。
具体实施方式
下面，参照附图对本发明实施方式的图像处理装置、图像处理方法和图像处理程序进行说明。另外，本发明不受这些实施方式限定。并且，在各附图的记载中，对相同部分标注相同标号示出。
(第1实施方式)
图1是示出本发明第1实施方式的图像处理装置的框图。本第1实施方式的图像处理装置1是通过对红肿、出血点等的异常与正常的透见血管进行判别，从而进行检测红肿、出血点等的异常区域的图像处理的装置。另外，在以下的说明中，将通过使用内窥镜或胶囊型内窥镜对作为被检体的活体的管腔内进行摄像而得到的管腔内图像(以下简称为图像)作为处理对象，然而也可以将通过除了内窥镜或胶囊型内窥镜以外的观察装置所取得的图像作为处理对象。并且，通过内窥镜等所取得的管腔内图像通常是在各像素位置处具有与R(红)、G(绿)、B(蓝)的波长成分对应的像素电平(像素值)的彩色图像。
如图1所示，图像处理装置1具有：控制部10，其对该图像处理装置1整体的动作进行控制；图像取得部20，其取得与通过内窥镜进行摄像而得到的窄带图像对应的图像数据；输入部30，其通过来自外部的操作产生输入信号；显示部40，其进行各种显示；记录部50，其存储由图像取得部20取得的图像数据和各种程序；以及运算部100，其对图像数据执行规定的图像处理。
控制部10由CPU等硬件实现，通过读入记录部50中记录的各种程序，从而根据从图像取得部20输入的图像数据和从输入部30输入的操作信号等，进行针对构成图像处理装置1的各部的指示和数据的转发等，统一控制图像处理装置1整体的动作。
图像取得部20是根据包含内窥镜的系统的方式适当构成的。例如，在与胶囊型内窥镜之间的图像数据的交换中使用移动型记录介质的情况下，图像取得部20由以拆装自如的方式安装该记录介质并读出所记录的图像的图像数据的读取装置构成。并且，在设置了预先保存由内窥镜进行摄像而得到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而取得图像数据。或者，图像取得部20也可以利用从内窥镜经由缆线输入图像信号的接口装置等构成。
输入部30例如由键盘和鼠标、触摸面板、各种开关等输入器件实现，并且将根据外部对于这些输入器件的操作而产生的输入信号输出到控制部10。
显示部40由LCD或EL显示器等显示装置实现，在控制部10的控制下，显示包括管腔内图像在内的各种画面。
记录部50由可更新记录的闪存等的ROM或RAM等各种IC存储器、内置或通过数据通信端子连接的硬盘、或者CD-ROM等信息记录装置及其读取装置等实现。记录部50除了存储由图像取得部20取得的图像数据之外，还存储用于使图像处理装置1进行动作并使图像处理装置1执行各种功能的程序、在该程序的执行中使用的数据等。具体地，记录部50存储使该图像处理装置1执行从通过内窥镜取得的管腔内图像中将红肿、出血点等的异常区域与正常的透见血管区别开而检测出来的图像处理的图像处理程序51等。
运算部100由CPU等硬件实现，通过读入图像处理程序51，进行从管腔内图像中将红肿、出血点等的异常区域与正常的透见血管区别开而检测出来的图像处理。
接着，对运算部100的结构进行说明。如图1所示，运算部100具有：血管候选区域提取部110，其从图像内提取多个血管候选区域；同一血管候选区域提取部120，其从多个血管候选区域内提取被视为形成同一血管区域的血管候选区域组(以下称为同一血管候选区域)；评价值计算部130，其针对同一血管候选区域运算评价同一血管似然性的评价值；血管区域判别部140，其根据该评价值，判别同一血管候选区域是否形成同一血管区域；以及异常区域判别部150，其将由血管候选区域提取部110提取出的血管候选区域中、未判别为形成同一血管区域的血管候选区域判别为异常区域。
血管候选区域提取部110具有颜色特征量计算部111、区域合并部112和形状特征量计算部113，并提取图像内的红色较强的区域作为血管候选区域。其中，颜色特征量计算部111计算R/G值作为图像内的各像素的颜色特征量。并且，区域合并部112根据该R/G值进行区域合并处理。形状特征量计算部113计算由区域合并部112合并后的区域的形状特征量。
同一血管候选区域提取部120具有候选点提取部121和近似曲线适用部122，通过反复地从血管候选区域内提取候选点并适用近似曲线，提取被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域。其中，候选点提取部121提取由血管候选区域提取部110提取出的多个血管候选区域内的任意的像素或区域、或者该多个血管候选区域内的任意的血管候选区域作为鲁棒估计中的候选像素或候选区域(以下将它们统称为候选点)。近似曲线适用部122将近似曲线适用于提取出的候选点。
评价值计算部130针对同一血管候选区域计算评价同一血管似然性的1种以上的评价值。这里，同一血管似然性是指判断为由同一血管候选区域内包含的血管候选区域组形成同一血管的程度。在第1实施方式中，评价值计算部130具有：血管颜色特征量计算部131，其计算同一血管候选区域内的颜色特征量；血管形状特征量计算部132，其计算与同一血管候选区域的形状相关的特征量(以下简称为形状特征量)；血管深度信息计算部133，其计算处理对象图像的深度信息；以及槽区域检测部134，其检测图像内的槽区域，评价值计算部130利用以上各部计算6种评价值。这里，深度信息是指与处理对象图像的摄像时的摄像单元(内窥镜、胶囊型内窥镜等)与被摄体(活体的粘膜面等)之间的距离相对应的信息。
其中，血管颜色特征量计算部131具有颜色类似性特征量计算部131a，该颜色类似性特征量计算部131a计算表示同一血管候选区域内的颜色特征量的类似性的量作为同一血管候选区域内的颜色特征量的特性。
血管形状特征量计算部132具有：间隔特征量计算部132a，其计算基于同一血管候选区域内的血管候选区域的间隔的特征量作为形状特征量；曲率特征量计算部132b，其计算基于与同一血管候选区域对应的线形状的曲率的特征量；以及方向特征量计算部132c，其计算表示同一血管候选区域的延伸方向与该同一血管候选区域内包含的各血管候选区域的长度方向之间的相似性的特征量。
血管深度信息计算部133具有深度连续性特征量计算部133a，该深度连续性特征量计算部133a计算表示同一血管候选区域内的深度信息的连续性的特征量。
槽区域检测部134根据图像内的各像素的亮度值等的梯度强度，检测粘膜的褶皱之类的槽区域。
血管区域判别部140根据由评价值计算部130计算出的评价值，判别同一血管候选区域是否形成同一血管区域。更详细地，血管区域判别部140具有判别基准切换部141a，该判别基准切换部141a在计算出多种评价值(例如上述的6种)的情况下，切换判别基准，血管区域判别部140将满足全部判别基准的同一血管候选区域判别为血管区域。
异常区域判别部150将由血管候选区域提取部110提取出的血管候选区域中的未判别为同一血管区域的血管候选区域判别为红肿、出血点等的异常区域。
接着，对图像处理装置1的动作进行说明。图2是示出图像处理装置1的动作的流程图。另外，处理对象图像预先经由图像取得部20取得，并被记录在记录部50内。
首先，在步骤S10中，运算部100从记录部50取得处理对象图像。
在接下来的步骤S11中，血管候选区域提取部110从处理对象图像内提取血管候选区域。图3是示出血管候选区域提取部110执行的详细处理的流程图。
在步骤S111中，颜色特征量计算部111根据下式(1)，计算各像素的色比G/R值作为颜色特征量。在式(1)中，IG、IR表示各像素的像素值(各颜色成分的信号强度)。
(G/R值)＝IG/IR…(1)
在接下来的步骤S112中，血管候选区域提取部110提取G/R值为规定的阈值以下的区域、即红色较强的区域作为血管候选区域。
在接下来的步骤S113中，区域合并部112进行将具有与提取出的血管候选区域类似的颜色特征的区域合并起来的区域合并(参考：CG-ARTS协会，“数字图像处理”，第196页)。例如，针对血管候选区域内的G/R值，将G/R值处于规定范围内的像素进行合并。由此，只需对颜色特征量进行阈值处理(步骤111)，即能够容易地判别本来难以判别形状的血管候选区域的形状(参照后述的步骤S115、S116)。另外，只要能将特征与提取出的血管候选区域类似的区域进行合并，使用区域合并以外的方法也可以。
在接下来的步骤S114中，形状特征量计算部113对在步骤S113中合并后的区域实施标示处理(参考：CG-ARTS协会，“数字图像处理”，第181～182页)。被赋予了同一标签的区域被当作1个血管候选区域。
在接下来的步骤S115中，形状特征量计算部113对血管候选区域进行细线化(参考：CG-ARTS协会，“数字图像处理”，第187～188页)。
在接下来的步骤S116中，形状特征量计算部113计算细线化后的血管候选区域的面积(像素数)，将面积为阈值以上(即，具有规定值以上的长度且具有细长形状的特征)的血管候选区域判定为细长血管区域。该细长血管区域作为正常的血管被输出(后述)，并且为了评价其他血管候选区域的连续性，从步骤S12起继续用作为血管候选区域之一。之后，图像处理装置1的动作回到主例程。
在继步骤S11之后的步骤S12中，同一血管候选区域提取部120提取在步骤S11中提取出的血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域。图4是示出同一血管候选区域提取部120执行的详细处理的流程图。并且，图5和图6是用于说明同一血管候选区域提取部120执行的处理的示意图。
在步骤S121中，候选点提取部121按规定数随机提取血管候选区域内的像素或区域、或者血管候选区域自身作为候选点。另外，在将血管候选区域内的区域或血管候选区域自身作为候选点的情况下，既可以将区域内的代表点(例如重心等)作为候选点，也可以将区域内的各像素作为候选点。
并且，作为要提取的候选点的数量，既可以预先确定固定值，也可以根据在步骤S11中提取出的血管候选区域的数量来确定。在后者的情况下，提取出的血管候选区域的数量越多，则越应增加候选点的数量。例如图5所示，在从图像M1中提取出血管候选区域m1～m9的情况下(参照步骤S11)，从这些血管候选区域中提取例如像素p1～p14作为候选点。
在接下来的步骤S122中，近似曲线适用部122利用例如最小二乘法(LeastMeanSquare)估计与在步骤S121中提取出的候选点近似的曲线。在例如图5的情况下，针对像素p1～p9例如估计出曲线L1。
在接下来的步骤S123中，近似曲线适用部122针对估计出的曲线，将位于阈值以下的距离处的候选点判定为内点(命中值)。并且，将除此以外的候选点判定为外点(未中值)。在例如图5的情况下，针对曲线L1，将像素p3～p9判定为内点。
在接下来的步骤S124中，近似曲线适用部122利用例如最小二乘法再次估计与被判定为内点的候选点近似的曲线。位于与该再次估计的曲线相距规定范围内的距离的位置处的血管候选区域组被提取为同一血管候选区域。针对例如图5所示的像素p3～p9，估计图6所示的曲线L2。在该情况下，位于与曲线L2相距规定范围内的距离的位置处的血管候选区域m2～m6成为同一血管候选区域。
在接下来的步骤S125中，同一血管候选区域提取部120判定是否反复执行了规定次数以上的步骤S121～S124的处理。在反复执行了规定次数以上的情况下(步骤S125：是)，图像处理装置1的动作回到主例程。另一方面，在尚未反复执行规定次数以上的情况下(步骤S125：否)，处理回到步骤S121。
在继步骤S12之后的步骤S13中，评价值计算部130计算用于评价在步骤S12中提取出的同一血管候选区域的同一血管似然性的评价值。作为评价值，针对各同一血管候选区域，计算以下说明的评价值1～6。
评价值1：颜色特征量的方差
颜色类似性特征量计算部131a提取同一血管候选区域内包含的血管候选区域、即，与步骤S12中估计出的曲线相距规定距离的血管候选区域。如上所述，在例如图6的情况下，针对曲线L2提取出血管候选区域m2～m6。
接下来，颜色类似性特征量计算部131a计算提取出的血管候选区域内包含的像素的G/R值的方差。该方差是表示颜色特征量的类似性的量，用作评价值1。在该情况下，方差越小，则颜色特征量的偏差就越小，同一血管候选区域内的颜色特征量的类似性就越高，该同一血管候选区域越被评价为疑似同一血管。
另外，作为评价值1的变型例，也可以计算与曲线相距规定距离的血管候选区域内包含的像素的G/R值的平均和方差，并计算与曲线相距规定距离的各血管候选区域的G/R值并求出马氏距离的最大值，将该马氏距离的最大值和方差用作评价值(表示颜色特征量的类似性的量)。在该情况下，方差和马氏距离的最大值越小，则同一血管候选区域内的血管候选区域的颜色偏差就越少(类似性越高)，该同一血管候选区域越被评价为疑似同一血管。
评价值2：重心间的最小距离的平均值
间隔特征量计算部132a针对各同一血管候选区域，提取同一血管候选区域内包含的血管候选区域、即与步骤S12中估计出的曲线相距规定距离的血管候选区域。接着，间隔特征量计算部132a计算提取出的血管候选区域在图像空间中的重心坐标。例如图7所示，在针对曲线L2提取出血管候选区域m2～m6的情况下，根据血管候选区域m2～m6分别计算重心g2～g6的坐标(xg2、yg2)～(xg6、yg6)。而且，间隔特征量计算部132a针对各血管候选区域，计算重心坐标间的最小距离。例如，在重心g2的情况下，对于重心g3和重心g4而言，与重心g3之间的距离较短，因而计算出与重心g3间的距离Δg(2-3)。并且，在重心g3的情况下，对于重心g2和重心g4而言，与重心g2之间的距离较短，因而计算出与重心g2间的距离Δg(3-2)。而且，在重心g4的情况下，对于重心g2和重心g3而言，与重心g3之间的距离较短，因而计算出与重心g3间的距离Δg(4-3)。对于其他重心g4～g6也同样。把这些最小距离的平均值用作平均值2。在该情况下，最小距离的平均值越小，则血管候选区域的连续性就越高，该同一血管候选区域越被评价为疑似同一血管。
评价值3：曲线的曲率的平均值
曲率特征量计算部132b在步骤S12中估计出的曲线上等间隔地提取多个点。例如图8所示，针对曲线L2提取出多个点a1～a10。接着，曲率特征量计算部132b针对提取出的全部点，计算对于接近的前后2点的向量内积作为曲率。例如，在点a2的情况下，计算朝向点a1的向量v1与朝向点a3的向量v2的内积。而且，曲率特征量计算部132b计算针对各点计算出的向量内积的平均值。在例如图8的情况下，计算出针对除了两端的点a1和a10以外的点a2～a9计算出的向量内积的平均值。这些向量内积(曲率)的平均值被用作为评价值3。在该情况下，曲率的平均值越大，则估计出的曲线越平滑，该同一血管候选区域越被评价为疑似同一血管。
评价值4：同一血管候选区域的延伸方向与血管候选区域的长度方向的类似性
方向特征量计算部132c针对各同一血管候选区域，提取同一血管候选区域内包含的血管候选区域、即与步骤S12中估计出的曲线相距规定距离的血管候选区域。接下来，方向特征量计算部132c计算提取出的各血管候选区域的长度方向。例如图9所示，在针对曲线L2提取出血管候选区域m2～m6的情况下，分别计算血管候选区域m2～m6的长度方向d2～d6。另一方面，方向特征量计算部132c计算曲线在各血管候选区域的位置(例如重心位置)处的切线方向作为同一血管候选区域的延伸方向。在例如图9的情况下，分别算出曲线L2在血管候选区域m2～m6的位置(例如重心位置)处的切线方向d2’～d6’。而且，方向特征量计算部132c针对各血管候选区域，计算曲线的切线方向与血管候选区域的长度方向之间的差分。具体地，作为差分，计算出切线方向与长度方向形成的角度、两者的内积等。该差分的平均值或合计值被用作为评价值4。在该情况下，曲线的切线方向与血管候选区域的长度方向之间的差分越小，则同一血管候选区域的延伸方向与血管候选区域的长度方向就越一致(类似)，评价为沿着血管候选区域正确地估计了曲线。
评价值5：深度信息的连续性
深度连续性特征量计算部133a取得处理对象在图像内的深度信息。在第1实施方式中，取得与在活体内难以吸收或难以散射的波长成分即R成分对应的像素值(R值)作为深度信息。在该情况下，R值越大，则被摄体越存在于深度方向上的距离短的位置。另外，作为深度信息，不限于R值，只要是与图像在深度方向上的距离存在相关性的值(例如亮度值等)即可使用。
接下来，深度连续性特征量计算部133a在步骤S12中估计出的曲线上等间隔地提取多个点。然后，针对提取出的全部点，计算R值在接近的前后2点之间的变化量。例如图8所示，在曲线L2上提取出点a1～a9的情况下，计算出R值在点a1与点a2处的变化量、R值在点a2与点a3处的变化量、…、R值在点a8与点a9处的变化量。而且，深度连续性特征量计算部133a提取出所计算的R值的变化量的最大值。该最大值被用作为评价值5(表示深度信息的连续性的特征量)。在该情况下，可认为最大值越小，则深度信息越是连续地变化，因而该同一血管候选区域越被评价为疑似同一血管。
评价值6：同一血管候选区域内的槽区域的像素数
槽区域检测部134使用例如拉普拉斯(Laplacian)滤波器、索贝尔(Sobel)滤波器等(参考：CG-ARTS协会，“数字图像处理”，第114～121页)计算处理对象图像中的像素值的梯度强度。另外，作为像素值，除了各像素的R值、G值以外，还可以使用亮度值。
接下来，槽区域检测部134检测梯度强度为规定值以上的像素作为槽区域。然后，计算在步骤S12中估计出的曲线上的槽区域的像素数，将该像素数用作评价值6。在该情况下，可认为像素数越小，则曲线上存在的槽区域就越少，因而该同一血管候选区域越被评价为疑似同一血管。
在继步骤S13之后的步骤S14中，血管区域判别部140根据在步骤S13中计算出的评价值判别同一血管区域。具体地，在评价值1～6全部满足针对各评价值预先设定的基准的情况下，该同一血管候选区域被评价为同一血管区域。
在接下来的步骤S15中，异常区域判别部150将在步骤S11中提取出的血管候选区域中、在步骤S14中未作为同一血管区域提取出的血管候选区域判别为点状的异常区域(红肿、出血点等)。
在接下来的步骤S16中，运算部100输出在步骤S15中判别出的点状的异常区域并将其记录于记录部50中。并且，运算部100将在步骤S116中提取出的细长血管区域、在步骤S14中判别出的同一血管区域作为正常的血管进行输出。之后，图像处理装置1结束动作。
如以上说明那样，根据第1实施方式，在根据图像内的各像素的颜色特征量提取出血管候选区域之后，提取被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域，并且基于根据该同一血管候选区域的颜色、形状等特征而计算出的评价值，判别同一血管候选区域是否形成同一血管区域，因而能够从图像内高精度地提取正常的透见血管。而且，根据第1实施方式，由于将未作为同一血管区域提取出的血管候选区域判别为异常区域，因而能够高精度地判别正常的透见血管和红肿、出血点等的异常区域。
(第2实施方式)
下面，对本发明的第2实施方式进行说明。
图10是示出本发明第2实施方式的图像处理装置的结构的框图。如图10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对通过内窥镜或胶囊型内窥镜所摄像且经由图像取得部20所取得的一系列的图像按时间序列进行图像处理。
运算部200具有血管候选区域提取部110、同一血管候选区域提取部210、评价值计算部220、血管区域判别部140以及异常区域判别部150。其中，血管候选区域提取部110、血管区域判别部140以及异常区域判别部150的结构和动作与第1实施方式相同。
同一血管候选区域提取部210具有图1所示的候选点提取部211和近似曲线适用部122。候选点提取部211具有候选判定值计算部211a，该候选判定值计算部211a在从由血管候选区域提取部110提取出的多个血管候选区域中提取鲁棒估计的候选点时，计算用于判别血管候选区域内的像素或者血管候选区域自身的血管似然性的候选判定值。在第2实施方式中，候选判定值计算部211a具有：血管方向估计部211a-1，其估计血管延伸的方向；和候选点深度信息计算部211a-2，其计算处理对象图像中的血管候选区域在深度方向上的距离信息(深度信息)，候选判定值计算部211a将该深度信息用作候选判定值。
另外，近似曲线适用部122的动作与第1实施方式相同。
评价值计算部220除了图1所示的血管颜色特征量计算部131、血管形状特征量计算部132、血管深度信息计算部133和槽区域检测部134以外，还具有评价值权重确定部221。评价值权重确定部221确定针对在血管颜色特征量计算部131、血管形状特征量计算部132、血管深度信息计算部133和槽区域检测部134中计算出的多种评价值1～6的加权参数。
更详细地，评价值权重确定部221具有摄像对象判别部221a和时间序列连续性特征量计算部221b。摄像对象判别部221a判别图像内的摄像对象。具体地，摄像对象判别部221a具有判别图像中所拍到的脏器种类的脏器判别部221a-1。另一方面，时间序列连续性特征量计算部221b计算表示时间序列上接近的图像之间的血管区域提取结果的连续性的特征量。
另外，评价值权重确定部221以外的评价值计算部220的各部的结构和动作与第1实施方式相同。
下面，对图像处理装置2的动作进行说明。图11是示出图像处理装置2的动作的流程图。另外，在记录部50内预先记录有由内窥镜或胶囊型内窥镜所摄像且经由图像取得部20取得的一系列图像。
首先，在步骤S20中，运算部200从记录在记录部50内的一系列图像中，按时间序列取得处理对象图像。
在接下来的步骤S21中，血管候选区域提取部110从处理对象图像内提取血管候选区域。另外，血管候选区域的提取处理的详情与第1实施方式相同(参照图2的步骤S11)。
在接下来的步骤S22中，同一血管候选区域提取部210提取在步骤S21中提取出的血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域。图12是示出同一血管候选区域提取部210执行的详细处理的流程图。并且，图13是用于说明同一血管候选区域提取部210执行的处理的示意图。
首先，在步骤S221中，候选点提取部211随机提取血管候选区域中的一个作为初始候选点。
在接下来的步骤S222中，血管方向估计部211a-1提取包含初始候选点在内的最小的矩形区域，设定使该矩形区域变为规定倍率后的区域。该设定的区域即是被估计为血管延伸的可能性较高的区域。这里，矩形区域的倍率也可以按各方向而不同。例如图13所示，在提取了血管候选区域m4作为初始候选点的情况下，提取出包含血管候选区域m4在内的最小的矩形区域A，而且，设定了使矩形区域A例如在长度方向和宽度方向上分别成为5倍后的矩形区域B。
在接下来的步骤S223中，候选点深度信息计算部211a-2取得图像内的深度信息。在第2实施方式中，取得与在活体内难以吸收或难以散射的波长成分即R成分对应的像素值(R值)作为深度信息。在该情况下，R值越大，则被摄体越存在于深度方向上的距离短的位置。另外，作为深度信息，不限于R值，只要是与图像在深度方向上的距离存在相关性的值(例如亮度值等)即可使用。
在接下来的步骤S224中，候选点提取部211计算在步骤S222中设定的矩形区域内存在的血管候选区域的深度信息与初始候选点的深度信息之差作为候选判定值，并随机提取该差在规定范围内的血管候选区域作为候选点。在例如图13的情况下，如果针对作为初始候选点的血管候选区域m4而言，矩形区域B内的血管候选区域m5、m6的R值之差在规定范围内，则可以提取这些血管候选区域m5、m6作为候选点。
在接下来的步骤S225中，近似曲线适用部122利用最小二乘法等估计与候选点近似的曲线。
在接下来的步骤S226中，近似曲线适用部122将与估计出的曲线相距阈值以下的距离的候选点判定为内点，将除此以外的候选点判定为外点。
在接下来的步骤S227中，近似曲线适用部122利用例如最小二乘法再次估计与判定为内点的候选点近似的曲线。提取与该再次估计的曲线相距规定范围内的距离的血管候选区域组作为同一血管候选区域。
在接下来的步骤S228中，同一血管候选区域提取部210判定是否反复执行了规定次数以上的步骤S221～S227的处理。在反复执行了规定次数以上的情况下(步骤S228：是)，图像处理装置2的动作回到主例程。另一方面，在尚未反复执行规定次数以上的情况下(步骤S228：否)，处理回到步骤S221。
在继步骤S22之后的步骤S23中，脏器判别部221a-1判别图像中拍到的脏器的种类。作为脏器判别方法，可以使用公知的各种方法。以下，作为一例，说明根据图像内的平均像素值判别脏器种类的方法(参考：日本特开2006-288612号公报)。首先，预先确定形成食道、胃、小肠、大肠的各脏器的平均颜色的颜色成分(R值、G值、B值)的数值范围。并且，针对处理对象图像，计算像素值的各颜色成分的平均值(平均R值、平均G值、平均B值)。然后，判别计算出的这些平均值是否包含在事先取得的任意脏器的颜色成分的数值范围内。例如，在计算出的平均值包含在形成食道的平均色的颜色成分的数值范围内的情况下，把处理对象图像的观察部位判别为食道。并且，在计算出的平均值包含在形成胃的平均色的颜色成分的数值范围内的情况下，把处理对象图像的观察部位判别为胃。在计算出的平均值包含在形成小肠的平均色的颜色成分的数值范围内的情况下，把处理对象图像的观察部位判别为小肠。在计算出的平均值包含在形成大肠的平均色的颜色成分的数值范围内的情况下，把处理对象图像的观察部位判别为大肠。
在接下来的步骤S24中，时间序列连续性特征量计算部221b从记录部50中读出针对时间序列上的前一个图像做出的血管区域判别结果。另外，如后所述，针对一系列的图像分别做出的血管区域判别结果被依次记录在记录部50内。
在接下来的步骤S25中，评价值计算部220计算用于评价在步骤S22中提取出的同一血管候选区域的同一血管似然性的评价值。更详细地，评价值计算部220与第1实施方式中同样地在计算出评价值1～6之后(参照图2的步骤S13)，对这些评价值1～6进行加权，该加权对应于脏器种类和针对时间序列上的前一个图像做出的血管区域判别结果。
具体地，在处理对象图像中拍到的脏器不是作为观察目的的脏器的情况下，或者在处理对象图像中拍到的脏器是容易观察到透见血管的大肠的情况下，以容易提取出血管区域的方式确定评价值的权重。在例如大肠的情况下，以使得评价值整体上提高的方式进行加权，以便容易提取同一血管候选区域作为同一血管。另外，在从时间序列上的前一个图像中提取出的血管区域存在于从本次的处理对象图像中提取出的同一血管候选区域的附近的情况下(例如，同一血管候选区域相对于前一图像中的血管区域的位移在规定范围内的情况下)，可认为两者的连续性较高，评价值的可靠性也较高，例如以使得评价值整体上提高的方式确定权重，以便容易提取血管区域。
在接下来的步骤S26中，血管区域判别部140根据在步骤S25中计算出的、进行了加权的评价值判别同一血管区域。具体地，在进行了加权的评价值1～6全部满足针对各评价值预先设定的基准的情况下，该同一血管候选区域被判别为同一血管区域。
在接下来的步骤S27中，异常区域判别部150将在步骤S21中提取出的血管候选区域中、在步骤S26中未作为同一血管区域提取出的血管候选区域判别为点状的异常区域(红肿、出血点等)。
在接下来的步骤S28中，运算部200输出步骤S27中的判别结果并将其记录于记录部50中。
在接下来的步骤S29中，运算部200判断是否有尚未进行血管区域的判别处理的图像、即时间序列上的下一图像。在有下一图像的情况下(步骤S29：是)，图像处理装置2的动作转移到步骤S20。另一方面，在没有下一图像的情况下(步骤S29：否)，图像处理装置2的动作结束。
如上所述，根据第2实施方式，由于根据处理对象图像中拍到的脏器的种类、时间序列上的前一图像的判别结果进行评价值的加权，因而能够进一步提高血管区域的判别精度。
另外，在上述说明中，将记录在记录部50内的一系列图像按时间序列依次进行了处理，然而也可以按照时间序列的相反顺序处理。在该情况下，在步骤S24中，只要读出时间序列上的后一个图像的血管区域的判别结果即可。
以上说明的第1和第2实施方式的图像处理装置可以使用个人计算机或工作站等计算机系统执行记录装置中记录的图像处理程序来实现。并且，这种计算机系统也可以经由局域网、广域网(LAN/WAN)或互联网等公共线路与其他计算机系统或服务器等设备连接来使用。在该情况下，第1和第2实施方式的图像处理装置也可以经由这些网络取得管腔内图像的图像数据，或者对经由这些网络而连接的各种输出设备(查看器或打印机等)输出图像处理结果，或者在经由这些网络而连接的存储装置(记录装置及其读取装置等)中储存图像处理结果。
另外，本发明不限于第1和第2实施方式，通过适当组合在各实施方式或变型例中公开的多个结构要素，可以形成各种发明。例如，既可以从各实施方式或变型例所示的全部结构要素中删除若干个结构要素而形成发明，也可以适当组合不同实施方式或变型例所示的结构要素而形成发明。
标号说明
1、2：图像处理装置；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、200：运算部；110：血管候选区域提取部；111：颜色特征量计算部；112：区域合并部；113：形状特征量计算部；120、210：同一血管候选区域提取部；121、211：候选点提取部；122：近似曲线适用部；130、220：评价值计算部；131：血管颜色特征量计算部；131a：颜色类似性特征量计算部；132：血管形状特征量计算部；132a：间隔特征量计算部；132b：曲率特征量计算部；132c：方向特征量计算部；133：血管深度信息计算部；133a：深度连续性特征量计算部；134：槽区域检测部；140：血管区域判别部；141a：判别基准切换部；150：异常区域判别部；211a：候选判定值计算部；211a-1：血管方向估计部；211a-2：候选点深度信息计算部；221：评价值权重确定部；221a：摄像对象判别部；221a-1：脏器判别部；221b：时间序列连续性特征量计算部。

Claims (16)

1.一种图像处理装置，其处理通过对活体进行摄像而取得的图像，其特征在于，具有：
血管候选区域提取单元，其从图像内提取多个血管候选区域；
同一血管候选区域提取单元，其提取所述多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；
评价值计算单元，其针对所述同一血管候选区域，计算用于评价同一血管似然性的1种以上的评价值；以及
血管区域判别单元，其根据所述评价值，判别所述同一血管候选区域是否形成同一血管区域。
2.根据权利要求1所述的图像处理装置，其特征在于，所述同一血管候选区域提取单元具有：
候选提取单元，其按照规定数量提取所述多个血管候选区域内的任意的像素或区域、或者所述多个血管候选区域内的任意的血管候选区域，作为候选像素或候选区域；以及
近似曲线适用单元，其将近似曲线适用于所述候选像素或候选区域。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述候选提取单元具有候选判定值计算单元，所述候选判定值计算单元计算表示所述多个血管候选区域内的像素的血管似然性、或者所述多个血管候选区域的血管似然性的判定值，
所述候选提取单元从所述判定值在规定范围内的所述多个血管候选区域内的像素或者所述多个血管候选区域中提取所述候选像素或候选区域。
4.根据权利要求3所述的图像处理装置，其特征在于，所述候选判定值计算单元具有方向估计单元，所述方向估计单元根据所述多个血管候选区域内的任意的血管候选区域的方向，估计血管延伸的方向。
5.根据权利要求4所述的图像处理装置，其特征在于，所述候选判定值计算单元具有深度信息计算单元，所述深度信息计算单元针对所述血管候选区域，计算与所述图像的摄像时的摄像单元和被摄体之间的距离相对应的信息即深度信息。
6.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异常区域判别单元，所述异常区域判别单元将由所述血管候选区域提取单元提取出的所述多个血管候选区域中、未由所述血管区域判别单元判别为形成同一血管区域的血管候选区域判别为异常区域。
7.根据权利要求1所述的图像处理装置，其特征在于，
所述评价值计算单元具有血管形状特征量计算单元，所述血管形状特征量计算单元计算与所述同一血管候选区域的形状相关的特征量，
所述血管形状特征量计算单元具有间隔特征量计算单元，所述间隔特征量计算单元计算基于所述同一血管候选区域内包含的所述血管候选区域彼此之间的间隔的特征量，作为与所述形状相关的特征量，
所述评价值计算单元将基于所述间隔的特征量用作所述评价值。
8.根据权利要求1所述的图像处理装置，其特征在于，
所述评价值计算单元具有血管形状特征量计算单元，所述血管形状特征量计算单元计算与所述同一血管候选区域的形状相关的特征量，
所述血管形状特征量计算单元具有曲率特征量计算单元，所述曲率特征量计算单元计算基于与所述同一血管候选区域对应的线形状的曲率的特征量，作为与所述形状相关的特征量，
所述评价值计算单元将基于所述曲率的特征量用作所述评价值。
9.根据权利要求1所述的图像处理装置，其特征在于，
所述评价值计算单元具有血管形状特征量计算单元，所述血管形状特征量计算单元计算与所述同一血管候选区域的形状相关的特征量，
所述血管形状特征量计算单元具有方向特征量计算单元，所述方向特征量计算单元计算表示所述同一血管候选区域的延伸方向与该同一血管候选区域内包含的各血管候选区域的长度方向之间的类似性的特征量，作为与所述形状相关的特征量，
所述评价值计算单元将表示所述类似性的特征量用作所述评价值。
10.根据权利要求1所述的图像处理装置，其特征在于，
所述评价值计算单元具有血管深度信息计算单元，所述血管深度信息计算单元计算与所述图像的拍摄时的摄像单元和被摄体之间的距离相对应的信息即深度信息，
所述血管深度信息计算单元具有深度连续性特征量计算单元，所述深度连续性特征量计算单元计算表示所述同一血管候选区域内的所述深度信息的连续性的特征量，
所述评价值计算单元将表示所述深度信息的连续性的特征量用作所述评价值。
11.根据权利要求1所述的图像处理装置，其特征在于，
所述评价值计算单元具有槽区域检测单元，所述槽区域检测单元检测所述图像内的槽区域，
所述评价值计算单元计算基于所述同一血管候选区域内的所述槽区域的像素数的所述评价值。
12.根据权利要求1所述的图像处理装置，其特征在于，
所述评价值计算单元计算多个种类的所述评价值，并具有评价值权重确定单元，所述评价值权重确定单元确定分别赋予给多个种类的所述评价值的加权参数。
13.根据权利要求12所述的图像处理装置，其特征在于，所述评价值权重确定单元根据所述图像中拍到的摄像对象即脏器的种类，确定所述加权参数。
14.根据权利要求12所述的图像处理装置，其特征在于，
所述图像包含在按照时间序列拍摄的时间序列图像组内，
所述评价值权重确定单元根据针对在时间序列中接近的其他图像做出的所述血管区域的提取结果，确定所述加权参数。
15.一种由图像处理装置执行的图像处理方法，该图像处理装置处理通过对活体进行摄像而取得的图像，该方法的特征在于，包括：
血管候选区域提取步骤，从图像内提取多个血管候选区域；
同一血管候选区域提取步骤，提取所述多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；
评价值计算步骤，针对所述同一血管候选区域，计算用于评价同一血管似然性的1种以上的评价值；以及
血管区域判别步骤，根据所述评价值，判别所述同一血管候选区域是否形成同一血管区域。
16.一种图像处理程序，其特征在于，其使用于处理通过对活体进行摄像而取得的图像的图像处理装置执行以下步骤：
血管候选区域提取步骤，从图像内提取多个血管候选区域；
同一血管候选区域提取步骤，提取所述多个血管候选区域中、被估计为在合并的情况下成为线形状的血管候选区域组作为同一血管候选区域；
评价值计算步骤，针对所述同一血管候选区域，计算用于评价同一血管似然性的1种以上的评价值；以及
血管区域判别步骤，根据所述评价值，判别所述同一血管候选区域是否形成同一血管区域。
CN201480009658.7A 2013-02-27 2014-01-17 图像处理装置和图像处理方法 Active CN105072975B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2013037975A JP6045396B2 (ja) 2013-02-27 2013-02-27 画像処理装置、画像処理方法、及び画像処理プログラム
JP2013-037975 2013-02-27
PCT/JP2014/050767 WO2014132694A1 (ja) 2013-02-27 2014-01-17 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
CN105072975A true CN105072975A (zh) 2015-11-18
CN105072975B CN105072975B (zh) 2017-06-09

Family

ID=51427968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480009658.7A Active CN105072975B (zh) 2013-02-27 2014-01-17 图像处理装置和图像处理方法

Country Status (5)

Country Link
US (1) US9959481B2 (zh)
EP (1) EP2962624A4 (zh)
JP (1) JP6045396B2 (zh)
CN (1) CN105072975B (zh)
WO (1) WO2014132694A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106388867A (zh) * 2016-09-28 2017-02-15 深圳华声医疗技术有限公司 血管的内中膜自动识别测量方法及超声仪

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101635727B1 (ko) * 2009-05-29 2016-07-20 메르크 파텐트 게엠베하 약액 공급 시스템 및 그것에 사용하는 약액용 용기
JP6265588B2 (ja) * 2012-06-12 2018-01-24 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
CN107105988B (zh) * 2015-01-20 2019-02-05 奥林巴斯株式会社 图像处理装置、图像处理方法和记录介质
JP6336949B2 (ja) * 2015-01-29 2018-06-06 富士フイルム株式会社 画像処理装置及び画像処理方法、並びに内視鏡システム
WO2017057573A1 (ja) * 2015-09-29 2017-04-06 富士フイルム株式会社 画像処理装置、内視鏡システム、及び画像処理方法
WO2017057574A1 (ja) 2015-09-29 2017-04-06 富士フイルム株式会社 画像処理装置、内視鏡システム、及び画像処理方法
US11151726B2 (en) * 2018-01-10 2021-10-19 Canon Medical Systems Corporation Medical image processing apparatus, X-ray diagnostic apparatus, and medical image processing method
WO2019156022A1 (ja) * 2018-02-07 2019-08-15 Hoya株式会社 内視鏡システム
JP7049474B2 (ja) * 2018-09-20 2022-04-06 オリンパス株式会社 画像処理装置、内視鏡システム、および画像処理方法
JP7127785B2 (ja) * 2018-11-30 2022-08-30 オリンパス株式会社 情報処理システム、内視鏡システム、学習済みモデル、情報記憶媒体及び情報処理方法
CN109886953A (zh) * 2019-02-27 2019-06-14 数坤（北京）网络科技有限公司 一种血管异常检测方法、装置及计算机可读存储介质
CN112469323B (zh) * 2019-03-20 2023-08-18 Hoya株式会社 内窥镜系统
WO2020189213A1 (ja) * 2019-03-20 2020-09-24 Hoya株式会社 内視鏡システム
JP7366360B2 (ja) * 2019-05-15 2023-10-23 株式会社日本マイクロニクス 血管特定装置及び血管特定方法
CN110853020B (zh) * 2019-11-13 2021-10-29 北京理工大学 基于拓扑结构和图谱的衡量视网膜血管网络相似性的方法
CN115937085B (zh) * 2022-06-28 2023-08-01 哈尔滨学院 一种基于神经网络学习的核性白内障图像处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101115435A (zh) * 2005-02-15 2008-01-30 奥林巴斯株式会社 医用图像处理装置、管腔图像处理装置、管腔图像处理方法及用于上述装置和方法的程序
US20090074269A1 (en) * 2006-03-16 2009-03-19 Olympus Medical Systems Corp. Medical image processing device and medical image processing method
WO2012114600A1 (ja) * 2011-02-22 2012-08-30 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
CN102695446A (zh) * 2009-12-28 2012-09-26 奥林巴斯株式会社 图像处理装置、电子设备、程序和图像处理方法
CN102724909A (zh) * 2010-04-12 2012-10-10 奥林巴斯医疗株式会社 医用图像处理装置和医用图像处理方法
WO2012153568A1 (ja) * 2011-05-10 2012-11-15 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4409166B2 (ja) * 2002-12-05 2010-02-03 オリンパス株式会社 画像処理装置
JP4434705B2 (ja) 2003-11-27 2010-03-17 オリンパス株式会社 画像解析方法
JP4652694B2 (ja) 2004-01-08 2011-03-16 オリンパス株式会社 画像処理方法
JP2006288612A (ja) 2005-04-08 2006-10-26 Olympus Corp 画像表示装置
JP5395725B2 (ja) * 2010-04-05 2014-01-22 富士フイルム株式会社 電子内視鏡システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101115435A (zh) * 2005-02-15 2008-01-30 奥林巴斯株式会社 医用图像处理装置、管腔图像处理装置、管腔图像处理方法及用于上述装置和方法的程序
US20090074269A1 (en) * 2006-03-16 2009-03-19 Olympus Medical Systems Corp. Medical image processing device and medical image processing method
CN102695446A (zh) * 2009-12-28 2012-09-26 奥林巴斯株式会社 图像处理装置、电子设备、程序和图像处理方法
CN102724909A (zh) * 2010-04-12 2012-10-10 奥林巴斯医疗株式会社 医用图像处理装置和医用图像处理方法
WO2012114600A1 (ja) * 2011-02-22 2012-08-30 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
WO2012153568A1 (ja) * 2011-05-10 2012-11-15 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106388867A (zh) * 2016-09-28 2017-02-15 深圳华声医疗技术有限公司 血管的内中膜自动识别测量方法及超声仪
WO2018058697A1 (zh) * 2016-09-28 2018-04-05 深圳华声医疗技术有限公司 血管的内中膜自动识别测量方法及超声仪

Also Published As

Publication number Publication date
JP2014161672A (ja) 2014-09-08
CN105072975B (zh) 2017-06-09
JP6045396B2 (ja) 2016-12-14
EP2962624A1 (en) 2016-01-06
EP2962624A4 (en) 2016-11-16
US9959481B2 (en) 2018-05-01
US20150356369A1 (en) 2015-12-10
WO2014132694A1 (ja) 2014-09-04

Similar Documents

Publication Publication Date Title
CN105072975A (zh) 图像处理装置、图像处理方法和图像处理程序
CN102243762B (zh) 图像处理装置以及图像处理方法
CN104363815B (zh) 图像处理装置以及图像处理方法
CN109076198B (zh) 基于视频的对象跟踪遮挡检测系统、方法和设备
CN102209488B (zh) 图像处理设备和方法以及断层图像拍摄设备和方法
Wang et al. Multiscale geodesic active contours for ultrasound image segmentation using speckle reducing anisotropic diffusion
CN104244802B (zh) 图像处理装置、图像处理方法以及图像处理程序
US8948479B2 (en) Image processing device, image processing method and computer readable recording device
JP5784404B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
Lupascu et al. Automated detection of optic disc location in retinal images
CN104812288A (zh) 图像处理装置、图像处理方法和图像处理程序
EP2551821B1 (en) Image processing apparatus, image processing method, and image processing program
CN103327883A (zh) 医用图像处理装置和医用图像处理方法
JP2020010805A (ja) 特定装置、プログラム、特定方法、情報処理装置及び特定器
Jaroensri et al. A video-based method for automatically rating ataxia
Firmansyah et al. Detection melanoma cancer using ABCD rule based on mobile device
CN102148919B (zh) 一种球类检测的方法及系统
CN113435353A (zh) 基于多模态的活体检测方法、装置、电子设备及存储介质
CN102737388B (zh) 图像处理装置以及图像处理方法
Medrano-Gracia et al. An atlas for cardiac MRI regional wall motion and infarct scoring
CN105404851A (zh) 一种基于中值滤波的虹膜图像睫毛干扰检测方法
CN106446837B (zh) 一种基于运动历史图像的挥手检测方法
JP5266895B2 (ja) 脈波検出装置、脈波検出プログラムおよび脈波検出方法
KR20230019645A (ko) 체온 예측 장치 및 방법, 그리고 체온 예측 장치를 학습시키는 방법
JP5419925B2 (ja) 通過物体数計測方法、通過物体数計測装置、及びプログラム

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