CN105118070A - 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法 - Google Patents

基于时间序列的无线胶囊内窥镜视频中的出血段定位方法 Download PDF

Info

Publication number
CN105118070A
CN105118070A CN201510654145.8A CN201510654145A CN105118070A CN 105118070 A CN105118070 A CN 105118070A CN 201510654145 A CN201510654145 A CN 201510654145A CN 105118070 A CN105118070 A CN 105118070A
Authority
CN
China
Prior art keywords
video
frame
image
red ratio
hemorrhage
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.)
Pending
Application number
CN201510654145.8A
Other languages
English (en)
Inventor
陈俊周
陈洪瀚
石玮
彭强
甘涛
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201510654145.8A priority Critical patent/CN105118070A/zh
Publication of CN105118070A publication Critical patent/CN105118070A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Abstract

本发明提供了一种基于时间序列的无线胶囊内窥镜视频中的出血段定位方法。该方法包括：首先，对视频帧进行预处理，具体做法是去除黑洞和移除边缘；然后，对每一视频帧均采用超像素分割得到多个图像块，并且利用预先训练的颜色模型和每一图像块的颜色值来判断每一图像块为出血块还是正常块；再选择出视频帧的红色比特征值和a空间特征值来进行描述；最后，在时间序列下对红色比特征值曲线和a空间特征值曲线进行平均融合来确定出血段。通过上述方式，本发明能够提高无线胶囊内窥镜视频中的出血段的定位效率和准确率。

Description

基于时间序列的无线胶囊内窥镜视频中的出血段定位方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于时间序列的无线胶囊内窥镜视频中的出血段定位方法。
背景技术
无线胶囊内窥镜(WCE)技术，是一种利用安装有超小型摄像头的胶囊药丸来获取人体消化系统的视频图像的技术，患者从服用该胶囊药丸开始传输图片后的8-12小时内，可以发送50,000-60,000帧的视频图像。因此，无线胶囊内窥镜广泛运用在消化系统病症分析，特别是肠胃出血检测中。
目前，WCE检查的主要缺点是，由于WCE视频图像的帧数过多，如果全都需要医生来检测的话，极为耗费时间和精力，而且易造成医生视觉疲劳，对病变的辨识能力下降，从而导致误诊、漏诊的情况发生。因此，精确稳定的计算机辅助诊断方法具有广泛的市场需求，尤其在未来无线胶囊内窥镜大量应用的情况下，计算机辅助诊断更能增加疾病诊断效率和准确性。
发明内容
本发明主要解决的技术问题是提供一种基于时间序列的无线胶囊内窥镜视频中的出血段定位方法，能够提高无线胶囊内窥镜视频中的出血段的定位效率和准确性。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于时间序列的无线胶囊内窥镜视频中的出血段定位方法，包括：S1：获取无线胶囊内窥镜视频，对无线胶囊内窥镜视频的视频帧进行预处理，以提取视频帧中的肠道粘膜图像；S2：在RGB颜色空间下对肠道粘膜图像进行超像素分割到多个图像块，获取每一图像块的颜色值和红色比特征值，并将图像块转化到CIELAB颜色空间，获取每一图像块的a空间特征值，其中，图像块的红色比特征值和a空间特征值均为该图像块中所有像素的红色比特征值和a空间特征值的最大值，所述红色比特征值为RGB颜色空间中红色值与选定绿色值的比值；S3：利用预先训练的颜色模型和每一图像块的颜色值来判断每一图像块为出血块还是正常块，如果任一图像块为出血块，则判定视频帧为出血帧，并将视频帧中所有出血块的红色比特征值的均值作为视频帧的红色比特征值，如果所有图像块均为正常块，则判定视频帧为正常帧，并将视频帧中所有图像块的红色比特征值的最大值作为视频帧的红色比特征值；S4：将视频帧中所有图像块的a空间特征值的最大值作为视频帧的a空间特征值；S5：将无线胶囊内窥镜视频的所有视频帧的红色比特征值和a空间特征值按照视频帧的时间顺序生成红色比特征值曲线和a空间特征值曲线，对所述红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线；S6：将出血描述曲线的幅值高于预设值时所对应时间段内的视频确定为出血段。
优选地，所述预处理的步骤具体包括去除黑洞步骤和移除边缘步骤：所述去除黑洞步骤包括：将视频帧转化为灰度图；对所述灰度图进行二维正拉普拉斯滤波；将所述灰度图转化为二值化图像；对所述二值化图像进行形态学闭操作，并进行空洞填补；将二值化图像中的黑洞区域设为逻辑0值，对二值化图像进行形态学开操作；所述移除边缘步骤包括：将视频帧转化到CIELAB颜色空间；在L通道上进行Canny检测，以确定肠道粘膜边缘；对肠道粘膜边缘进行形态学膨胀操作，以提取肠道粘膜边缘区域；移除所述肠道粘膜边缘区域。
优选地，所述步骤S5还包括：在对所述红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线之前，对所述红色比特征值曲线和a空间特征值曲线进行滑动平均或均值滤波。
优选地，所述超像素分割所采用的算法为简单线性迭代聚类算法。
优选地，所述颜色模型采用支持向量机和肠道出血样例图像得到。
优选地，所述选定绿色值大于预设阈值，所述预设阈值大于0。
区别于现有技术的情况，本发明的有益效果是：通过运用将空间特征和时间序列相结合的方法来定位无线胶囊内窥镜视频中的出血段，可以提高无线胶囊内窥镜视频中的出血段的定位效率，避免因人工检查造成的漏诊和误诊。
附图说明
图1是本发明实施例基于时间序列的无线胶囊内窥镜视频中的出血段定位方法的流程示意图。
图2是本发明实施例基于时间序列的无线胶囊内窥镜视频中的出血段定位方法去除黑洞示意图。
图3是本发明实施例基于时间序列的无线胶囊内窥镜视频中的出血段定位方法进行超像素分割示意图。
图4是本发明实施例基于时间序列的无线胶囊内窥镜视频中的出血段定位方法转化到CIELAB颜色空间示意图。
图5是本发明实施例基于时间序列的无线胶囊内窥镜视频中的出血段定位方法进行滑动平均和均值滤波示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于时间序列的无线胶囊内窥镜视频中的出血段定位方法，其包括：
S1：获取无线胶囊内窥镜视频，对无线胶囊内窥镜视频的视频帧进行预处理，以提取视频帧中的肠道粘膜图像。
S2：在RGB颜色空间下对肠道粘膜图像进行超像素分割到多个图像块，获取每一图像块的颜色值和红色比特征值，并将图像块转化到CIELAB颜色空间，获取每一图像块的a空间特征值，其中，图像块的红色比特征值和a空间特征值均为该图像块中所有像素的红色比特征值和a空间特征值的最大值，所述红色比特征值为RGB颜色空间中红色值与选定绿色值的比值。
S3：利用预先训练的颜色模型和每一图像块的颜色值来判断每一图像块为出血块还是正常块，如果任一图像块为出血块，则判定视频帧为出血帧，并将视频帧中所有出血块的红色比特征值的均值作为视频帧的红色比特征值，如果所有图像块均为正常块，则判定视频帧为正常帧，并将视频帧中所有图像块的红色比特征值的最大值作为视频帧的红色比特征值。
S4：将视频帧中所有图像块的a空间特征值的最大值作为视频帧的a空间特征值。
S5：将无线胶囊内窥镜视频的所有视频帧的红色比特征值和a空间特征值按照视频帧的时间顺序生成红色比特征值曲线和a空间特征值曲线，对红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线。
S6：将出血描述曲线的幅值高于预设值时所对应时间段内的视频确定为出血段。
实施例
参见图1，是本发明实施例基于时间序列的无线胶囊内窥镜视频中的出血段定位方法的流程示意图。本实施例的出血段定位方法包括：
S11：获取无线胶囊内窥镜视频。
其中，无线胶囊内窥镜视频通常包含50,000-60,000个视频帧。
S12：对无线胶囊内窥镜视频的视频帧进行去除黑洞和移除边缘，以提取视频帧中的肠道粘膜图像。
其中，去除黑洞步骤和移除边缘步骤均属于视频帧的预处理步骤。
在视频帧中，胃肠通道里的边缘、黑洞会对肠道粘膜的提取有干扰作用。边缘通常是由于肠道褶皱和摄像头失焦造成的，而黑洞通常是由于肠道环境比较暗造成的。大多数情况下，边缘和黑洞在像素级上会与肠道粘膜的出血部分有相似的色度，这在检测中容易造成误判。因此，需要对无线胶囊内窥镜视频的视频帧进行预处理，以去除这些干扰。
去除黑洞步骤包括：将视频帧转化为灰度图；对灰度图进行二维正拉普拉斯滤波；将灰度图转化为二值化图像；对二值化图像进行形态学闭操作，并进行空洞填补；将二值化图像中的黑洞区域设为逻辑0值，对二值化图像进行形态学开操作。其中，二维正拉普拉斯滤波可以对灰度图进行增强，进行二维正拉普拉斯滤波后，可以得到如图2(a)所示的图像。灰度图转化为二值化图像后，可以得到如图2(b)所示的图像。对二值化图像进行形态学闭操作后，肠道粘膜区域，也就是图2(b)中的白色的二值区域，会基本连成一片白色区域，但由于结构元素的选取问题，可能会在连成一片的白色区域中存在细小的黑色缝隙，因此，再进行空洞填补，可以使白色的二值区域完全连成一片白色区域。在进行形态学闭操作后，有些非肠道粘膜区域也会被粘连，此时再进行形态学开操作，可以将一些粘连的非肠道粘膜区域去除，最后得到如图2(c)所示的图像。
移除边缘步骤包括：将视频帧转化到CIELAB颜色空间；在L通道上进行Canny检测，以确定肠道粘膜边缘；对肠道粘膜边缘进行形态学膨胀操作，以提取肠道粘膜边缘区域；移除肠道粘膜边缘区域。其中，对于一些有肠道边缘褶皱的视频帧，可以将视频帧转化到CIELAB彩色空间三通道。然后在L通道上做Canny检测提取大的肠道粘膜边缘。然后对肠道粘膜边缘进行形态学膨胀操作，就可以提取出肠道粘膜边缘区域。
在本实施例中，预处理步骤除了可以包括去除黑洞步骤和移除边缘步骤以外，还可以包括能够去除视频帧中的干扰的其它步骤。并且，本发明并不限定去除黑洞步骤和移除边缘步骤的先后顺序，去除黑洞步骤和移除边缘步骤既可以同时进行，又可以先后进行。去除黑洞步骤和移除边缘步骤完成后，可以综合去除黑洞步骤和移除边缘步骤的结果，从而提取视频帧中的肠道粘膜图像，以在后续的处理中可以不考虑视频帧中除肠道粘膜图像以外的其它区域。
S13：在RGB颜色空间下对肠道粘膜图像进行超像素分割到多个图像块。
其中，肠道粘膜图像上出血区域通常是没有规则的小块并且要比非出血区域的颜色要红，因此，可以通过超像素分割进行划分。图3(a)所示的图像为原始视频帧图像。超像素分割所采用的算法为SLIC(simplelineariterativeclustering，简单线性迭代聚类)算法。超像素分割后可以得到如图3(b)所示的图像。
S14：将图像块转化到CIELAB颜色空间，获取每一图像块的a空间特征值。
其中，CIELAB颜色空间是所有颜色空间中与人眼感官最相近的。通过实验发现，在LAB三个空间中a空间里的出血处图像块的值与正常图像块的值的差异最显著，因此可以选择a空间特征值作为描述特征。将肠道粘膜图像转化到CIELAB颜色空间后，可以得到图4所示的图像。在本实施例中，图像块的a空间特征值为该图像块中所有像素的a空间特征值的最大值。
S15：将视频帧中所有图像块的a空间特征值的最大值作为视频帧的a空间特征值。
S16：获取每一图像块的颜色值和红色比特征值。
其中，图像块的红色比特征值为该图像块中所有像素的红色比特征值的最大值。红色比特征值为RGB颜色空间中红色值与选定绿色值的比值。对于像素而言，红色比特征值定义为：F1＝R(i)/G(i)，R(i)和G(i)分别表示第i个像素上的红色值和绿色值，为了避免分母G(i)出现零的情况，在本实施例中，选定绿色值大于预设阈值，预设阈值大于0。
S17：利用预先训练的颜色模型和每一图像块的颜色值来判断每一图像块为出血块还是正常块。
其中，颜色模型可以采用SVM(SupportVectorMachine，支持向量机)和肠道出血样例图像训练得到。这个颜色模型能够根据颜色值判断图像块是否属于出血块。通常来说，只要视频帧存在一个出血块，即可初步认为该视频帧是出血帧。
S18：如果任一图像块为出血块，判定视频帧为出血帧，并将视频帧中所有出血块的红色比特征值的均值作为视频帧的红色比特征值。
S19：如果所有图像块均为正常块，判定视频帧为正常帧，并将视频帧中所有图像块的红色比特征值的最大值作为视频帧的红色比特征值。
S20：将无线胶囊内窥镜视频的所有视频帧的红色比特征值和a空间特征值按照视频帧的时间顺序生成红色比特征值曲线和a空间特征值曲线，对红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线。
其中，由于无线胶囊内窥镜拍摄的帧率是每秒拍摄2帧，因此，对于同一个患者来说，如果在肠道某个地方出血的话，那么连续的一段视频帧都会是出血的，这一段视频就称为出血段，这一段视频的每张视频帧就是出血帧。当观察患者的视频时，会发现某个时间段肠道粘膜很红有血，而对应的红色比特征值曲线或a空间特征值曲线在这段时间的幅值较高。在本实施例中，在对红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线之前，对红色比特征值曲线和a空间特征值曲线进行滑动平均或均值滤波。为减小误差，我们不仅仅是考虑单个视频帧的差异，更考虑到相邻视频帧的信息，具体而言，滑动平均或均值滤波的做法是将相邻九个视频帧的红色比特征值曲线和a空间特征值曲线进行取均值然后再取相邻九个视频帧的红色比特征值曲线和a空间特征值曲线的中间值，以减少干扰。按照视频帧的时间顺序生成的红色比特征值曲线如图5(a)所示的图像，进行滑动平均后的红色比特征值曲线如图5(b)所示的图像，进行均值滤波后的红色比特征值曲线如图5(c)所示的图像。图中，横轴表示视频帧的时间顺序，纵轴表示红色比特征值曲线的幅值。
S21：将出血描述曲线的幅值高于预设值时所对应时间段内的视频确定为出血段。
其中，出血描述曲线的幅值高于预设值，表明其对应的视频帧为出血帧，那么幅值高于预设值的时间段内的所有视频帧就为出血段。
通过上述方式，本发明实施例的基于时间序列的无线胶囊内窥镜视频中的出血段定位方法通过运用将空间特征和时间序列相结合的方法来定位无线胶囊内窥镜视频中的出血段，可以提高无线胶囊内窥镜视频中的出血段的定位效率和准确率，避免因人工检查造成的漏诊和误诊。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于时间序列的无线胶囊内窥镜视频中的出血段定位方法，其特征在于，包括：
S1：获取无线胶囊内窥镜视频，对无线胶囊内窥镜视频的视频帧进行预处理，以提取视频帧中的肠道粘膜图像；
S2：在RGB颜色空间下对肠道粘膜图像进行超像素分割到多个图像块，获取每一图像块的颜色值和红色比特征值，并将图像块转化到CIELAB颜色空间，获取每一图像块的a空间特征值，其中，图像块的红色比特征值和a空间特征值均为该图像块中所有像素的红色比特征值和a空间特征值的最大值，所述红色比特征值为RGB颜色空间中红色值与选定绿色值的比值；
S3：利用预先训练的颜色模型和每一图像块的颜色值来判断每一图像块为出血块还是正常块，如果任一图像块为出血块，则判定视频帧为出血帧，并将视频帧中所有出血块的红色比特征值的均值作为视频帧的红色比特征值，如果所有图像块均为正常块，则判定视频帧为正常帧，并将视频帧中所有图像块的红色比特征值的最大值作为视频帧的红色比特征值；
S4：将视频帧中所有图像块的a空间特征值的最大值作为视频帧的a空间特征值；
S5：将无线胶囊内窥镜视频的所有视频帧的红色比特征值和a空间特征值按照视频帧的时间顺序生成红色比特征值曲线和a空间特征值曲线，对所述红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线；
S6：将出血描述曲线的幅值高于预设值时所对应时间段内的视频确定为出血段。
2.根据权利要求1所述的出血段定位方法，其特征在于，所述预处理的步骤具体包括去除黑洞步骤和移除边缘步骤：
所述去除黑洞步骤包括：将视频帧转化为灰度图；对所述灰度图进行二维正拉普拉斯滤波；将所述灰度图转化为二值化图像；对所述二值化图像进行形态学闭操作，并进行空洞填补；将二值化图像中的黑洞区域设为逻辑0值，对二值化图像进行形态学开操作；
所述移除边缘步骤包括：将视频帧转化到CIELAB颜色空间；在L通道上进行Canny检测，以确定肠道粘膜边缘；对肠道粘膜边缘进行形态学膨胀操作，以提取肠道粘膜边缘区域；移除所述肠道粘膜边缘区域。
3.根据权利要求1所述的出血段定位方法，其特征在于，所述步骤S5还包括：
在对所述红色比特征值曲线和a空间特征值曲线进行平均融合得到出血描述曲线之前，对所述红色比特征值曲线和a空间特征值曲线进行滑动平均或均值滤波。
4.根据权利要求1所述的出血段定位方法，其特征在于，所述超像素分割所采用的算法为简单线性迭代聚类算法。
5.根据权利要求1所述的出血段定位方法，其特征在于，所述颜色模型采用支持向量机和肠道出血样例图像得到。
6.根据权利要求1所述的出血段定位方法，其特征在于，所述选定绿色值大于预设阈值，所述预设阈值大于0。
CN201510654145.8A 2015-10-12 2015-10-12 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法 Pending CN105118070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510654145.8A CN105118070A (zh) 2015-10-12 2015-10-12 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510654145.8A CN105118070A (zh) 2015-10-12 2015-10-12 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法

Publications (1)

Publication Number Publication Date
CN105118070A true CN105118070A (zh) 2015-12-02

Family

ID=54666043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510654145.8A Pending CN105118070A (zh) 2015-10-12 2015-10-12 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法

Country Status (1)

Country Link
CN (1) CN105118070A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373137A (zh) * 2016-08-24 2017-02-01 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN107146221A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 基于视觉感知的颜色纹理描述子的wce彩色视频中主要地形边界的定位方法
CN107145899A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 三通道Narrow‑band感知颜色特征提取用于描述消化道内医学图像的工作方法
CN107145840A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 内镜专家诊断知识嵌入的计算机辅助 wce 序列图像数据识别模型
CN107945167A (zh) * 2017-11-27 2018-04-20 北京医拍智能科技有限公司 基于深度神经网络的慢性阻塞性肺病的检测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150065850A1 (en) * 2013-09-04 2015-03-05 Siemens Corporation Accurate and efficient polyp detection in wireless capsule endoscopy images
CN104574375A (zh) * 2014-12-23 2015-04-29 浙江大学 结合彩色和深度信息的图像显著性检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150065850A1 (en) * 2013-09-04 2015-03-05 Siemens Corporation Accurate and efficient polyp detection in wireless capsule endoscopy images
CN104574375A (zh) * 2014-12-23 2015-04-29 浙江大学 结合彩色和深度信息的图像显著性检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEXANDER KUKUSHKIN ET AL.: "Recognition of Hemorrhage in the Images of Wireless Capsule Endoscopy", 《2012 16TH IEEE MEDITERRANEAN ELECTROTECHNICAL CONFERENCE》 *
YANAN FU ET AL.: "Computer-Aided Bleeding Detection in WCE Video", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
付延安 等: "基于超像素分割的无线内窥镜出血图像检测", 《吉林大学学报（工学版）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373137A (zh) * 2016-08-24 2017-02-01 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN106373137B (zh) * 2016-08-24 2019-01-04 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN107146221A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 基于视觉感知的颜色纹理描述子的wce彩色视频中主要地形边界的定位方法
CN107145899A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 三通道Narrow‑band感知颜色特征提取用于描述消化道内医学图像的工作方法
CN107145840A (zh) * 2017-04-18 2017-09-08 重庆金山医疗器械有限公司 内镜专家诊断知识嵌入的计算机辅助 wce 序列图像数据识别模型
CN107145840B (zh) * 2017-04-18 2020-04-21 重庆金山医疗器械有限公司 内镜专家诊断知识嵌入的计算机辅助wce序列图像数据识别方法
CN107146221B (zh) * 2017-04-18 2020-04-21 重庆金山医疗器械有限公司 基于视觉感知的颜色纹理描述子的wce彩色视频中主要地形边界的定位方法
CN107945167A (zh) * 2017-11-27 2018-04-20 北京医拍智能科技有限公司 基于深度神经网络的慢性阻塞性肺病的检测系统

Similar Documents

Publication Publication Date Title
CN105118070A (zh) 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法
CN106204599B (zh) 用于消化道内图像的自动分段系统和方法
Kuruvilla et al. Automated diagnosis of otitis media: vocabulary and grammar
CN107145840B (zh) 内镜专家诊断知识嵌入的计算机辅助wce序列图像数据识别方法
EP2888718A1 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
CN102243762A (zh) 图像处理装置以及图像处理方法
CN111860538A (zh) 一种基于图像处理的舌体颜色鉴别方法和装置
CN109272513B (zh) 基于深度相机的手与物体交互分割方法及装置
KR20150051711A (ko) 유해 콘텐츠 영상 차단을 위한 피부 영역 추출 장치 및 방법
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
CN104036521A (zh) 一种新的视网膜眼底图像分割方法
CN108921836A (zh) 一种提取眼底图像标注的方法及装置
CN109255775A (zh) 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统
WenJuan et al. A real-time lip localization and tacking for lip reading
Xu et al. Dual-channel asymmetric convolutional neural network for an efficient retinal blood vessel segmentation in eye fundus images
CN101389261A (zh) 医疗用图像处理装置和医疗用图像处理方法
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
Pal et al. Mathematical morphology aided optic disk segmentation from retinal images
Gonçalves et al. Automatic system for counting cells with elliptical shape
KR101875004B1 (ko) 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램
Zhou et al. A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images
Nosato et al. An objective evaluation method of ulcerative colitis with optical colonoscopy images based on higher order local auto-correlation features
CN112419246A (zh) 量化食管粘膜IPCLs血管形态分布的深度检测网络
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法
San et al. Constrained-MSER detection of retinal pathology

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20151202

RJ01 Rejection of invention patent application after publication