CN106102554B - 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
CN106102554B
CN106102554B CN201580013805.2A CN201580013805A CN106102554B CN 106102554 B CN106102554 B CN 106102554B CN 201580013805 A CN201580013805 A CN 201580013805A CN 106102554 B CN106102554 B CN 106102554B
Authority
CN
China
Prior art keywords
image
abnormal
concern
region
representative
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
CN201580013805.2A
Other languages
English (en)
Other versions
CN106102554A (zh
Inventor
北村诚
神田大和
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 CN106102554A publication Critical patent/CN106102554A/zh
Application granted granted Critical
Publication of CN106102554B publication Critical patent/CN106102554B/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
    • 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
    • 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
    • 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
    • A61B1/00043—Operational features of endoscopes provided with output arrangements
    • A61B1/00045—Display arrangement
    • A61B1/0005—Display arrangement combining images e.g. side-by-side, superimposed or tiled
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02042—Determining blood loss or bleeding, e.g. during a surgical procedure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
    • 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
    • G06T2207/10024—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
    • G06T2207/30092—Stomach; Gastric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Endoscopes (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

提供能够从按照时间序列顺序拍摄活体的管腔内的图像组中优先提取对诊断有益的图像的图像处理装置等。图像处理装置(1)具有；检测部(110)，其从通过依次拍摄活体的管腔内而取得的一系列的图像组中检测包含异常区域的图像即异常图像；异常图像组提取部(120)，其从由该检测部(110)检测出的异常图像中提取包含相同的异常区域的异常图像组；以及代表图像提取部(130)，其根据异常区域的重要度和视觉辨认性中的至少任意一方，从各个异常图像组中提取代表图像。

Description

图像处理装置以及图像处理方法
技术领域
本发明涉及从通过拍摄活体的管腔内而取得的图像组中提取代表图像的图像处理装置以及图像处理方法。
背景技术
已知以下技术：从通过使用内窥镜或胶囊型内窥镜等医用观察装置按照时间序列顺序拍摄活体的管腔内而取得的一系列的图像组(以下，也称作管腔图像组)中，提取拍摄有异常区域等关注区域的图像作为代表图像。用户通过观察从图像组中提取出的代表图像，能够减轻详细观察大量图像的负担，并能够进行正确且高效的诊断。
例如在专利文献1中公开了以下图像处理装置：从按照时间序列顺序取得的管腔图像组中检测关注区域，根据检测出的各个关注区域的特征量，将在时间序列上相邻且特征量类似的关注区域分类为相同的组，根据特征量的平均值，从分类为各个组的关注区域中选出该组的代表区域，将包含选出的代表区域的图像作为代表图像输出。
现有技术文献
专利文献
专利文献1：日本特开2011-24727号公报
发明内容
发明所要解决的课题
但是，根据特征量的平均值而提取的代表图像未必是对诊断有益的图像。换言之，用户为了进行正确而高效的诊断，优选优先提取在诊断中的重要度高或者视觉辨认性好的图像、即对诊断有益的图像。
本发明正是鉴于上述问题而作出的，其目的在于提供能够从通过按照时间序列顺序拍摄活体的管腔内而取得的一系列的图像组中优先提取对诊断有益的图像的图像处理装置以及图像处理方法。
用于解决课题的手段
为了解决上述问题，并达成目的，本发明的图像处理装置的特征在于，所述图像处理装置具有：检测单元，其从通过依次拍摄活体的管腔内而取得的一系列的图像组中，检测包含被估计为检测对象的区域即关注区域的关注图像；关注图像组提取单元，其从由所述检测单元检测出的所述关注图像中提取包含相同的关注区域的关注图像组；以及代表图像提取单元，其根据所述关注区域与所述检测对象的关联性和所述关注区域的视觉辨认性中的至少任意一方，从所述关注图像组中提取代表图像。
本发明的图像处理方法根据通过依次拍摄活体的管腔内而取得并记录在记录部中的一系列的图像组的图像数据来使计算机具备的运算部执行，其特征在于，所述图像处理方法包含：检测步骤，从所述一系列的图像组中检测包含被估计为检测对象的区域即关注区域的关注图像；关注图像组提取步骤，从在所述检测步骤中检测出的所述关注图像中提取包含相同的关注区域的关注图像组；以及代表图像提取步骤，根据所述关注区域与所述检测对象的关联性和所述关注区域的视觉辨认性中的至少任意一方，从所述关注图像组中提取代表图像。
发明效果
根据本发明，由于从通过依次拍摄活体的管腔内而取得的一系列的图像组中提取包含相同的关注区域的关注图像组，根据各个关注区域与检测对象的关联性和所述关注区域的视觉辨认性中的至少任意一方，从各个该关注图像组中提取代表图像，所以能够优先提取对诊断有益的图像作为代表图像。
附图说明
图1是示出本发明实施方式1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是示出按照时间序列顺序取得的一系列的管腔内图像的示意图。
图4是示出本发明实施方式2的图像处理装置具备的运算部的结构的框图。
图5是示出实施方式2的图像处理装置的动作的流程图。
图6是示出由图4所示的提取张数确定部执行的代表图像的提取张数的确定处理的流程图。
图7是示出本发明的变形例2-4中的由提取张数确定部执行的代表图像的提取张数的确定处理的流程图。
图8是示出本发明实施方式3的图像处理装置具备的运算部的结构的框图。
图9是示出由图8所示的代表图像提取部执行的代表图像的提取处理的流程图。
图10是示出本发明实施方式4的图像处理装置具备的运算部的结构的框图。
图11是示出本发明的实施方式4的图像处理装置的动作的流程图。
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，本发明不受这些实施方式限定。另外，在各附图的记载中，对相同部分标注相同标号来示出。
(实施方式1)
图1是示出本发明实施方式1的图像处理装置的框图。实施方式1的图像处理装置1是以下装置：从通过胶囊型内窥镜等医用观察装置依次拍摄作为被检体的活体的管腔内而取得的一系列的图像组中，检测包含被估计为诊断中的检测对象的区域即关注区域的图像(关注图像)组，从检测出的关注图像组中提取代表图像。拍摄有活体的管腔内的图像(也称作管腔内图像)通常是在各个像素位置处对于R(红)、G(绿)、B(蓝)的波长成分具有像素级(像素值)的彩色图像。在以下的说明中，对于检测出血、发红、口疮、溃疡等异常区域作为关注区域，从包含这些异常区域的图像(异常图像)组中提取代表图像的情况进行说明，但是关注区域不限定于上述例示的异常区域。
如图1所示，图像处理装置1具有：控制部10，其控制该图像处理装置1整体的动作；图像取得部20，其取得与通过胶囊内窥镜等医用观察装置拍摄的管腔内图像对应的图像数据；输入部30，其将与来自外部的操作对应的信号输入到控制部10；显示部40，其进行各种信息和图像的显示；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等硬件来实现，其通过读入记录在记录部50中的各种程序，根据从图像取得部20输入的图像数据和从输入部30输入的信号等，向构成图像处理装置1的各部进行指示或者数据传送等，统一控制整个图像处理装置1的动作。
图像取得部20根据包含对被检体内进行拍摄的胶囊型内窥镜的系统的方式而适当构成。例如，在使用与胶囊型内窥镜之间交换图像数据的可移动型记录介质的情况下，图像取得部20由拆装自如地安装该记录介质并读出已记录的图像的图像数据的读出装置构成。此外，在设置预先保存由胶囊型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，并与服务器进行数据通信来取得图像数据。
输入部30通过例如键盘、鼠标、触摸面板及各种开关等输入器件来实现，其将根据针对这些输入设备的来自外部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显示器等显示装置来实现，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由可更新记录的闪存等ROM或RAM这样的各种IC存储器、内置或者利用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来实现。记录部50除了存储由图像取得部20取得的管腔内图像的图像数据以外，还存储用于使图像处理装置1动作并使该图像处理装置1执行各种功能的程序、以及在该程序的执行中使用的数据等。具体而言，记录部50存储图像处理程序51、在检测异常区域时使用的判别基准和在提取代表图像时使用的判别基准等，其中，该图像处理程序51使该图像处理装置1执行以下图像处理：从管腔内图像中检测出血、发红、口疮、溃疡等异常区域，从包含这些异常区域的图像(异常图像)中提取包含相同的异常区域的异常图像组，从各个异常图像组中提取代表图像。
运算部100由CPU等硬件来实现，通过读入图像处理程序51，进行以下图像处理：从管腔内图像中提取包含相同的异常区域的异常图像组，从各个异常图像组中提取代表图像。
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；检测部110，其从一系列的图像组中检测包含异常区域的异常图像；异常图像组提取部120，其从由该检测部110检测出的异常图像中提取包含相同的异常区域的异常图像组；以及代表图像提取部130，其根据各个异常区域的重要度与各个异常区域的视觉辨认性中的至少任意一方，从提取出的各个异常图像组中提取代表图像。这里，异常区域的重要度是指针对管腔内图像的诊断中的检测对象与各个异常区域之间的关联性，换言之，是指像检测对象的程度，该关联性越强(越像检测对象)，重要度越高。例如，在设出血源为检测对象的情况下，已检测出的异常区域越像出血源，则判断为该异常区域的重要度越高。
检测部110根据管腔内图像的各种特征量来检测异常区域。在实施方式1中，对于根据管腔内图像的颜色特征量(颜色信息)来检测异常区域的例子进行说明。这里，出血、发红或血管异常等异常区域示出红色调的特定颜色，溃疡或口疮等异常区域示出白色调的特定颜色。因此，检测部110可以使用像素值的各个颜色成分(R成分、G成分、B成分)和根据这些各个颜色成分通过公知的转换而2元地计算出的值(例如，通过YCbCr转换计算出的色差、通过HSI转换计算出的色相、饱和度、G/R、B/G等颜色比等)这样的颜色特征量，检测管腔内图像内的示出特定颜色的区域，设该区域为异常区域。更详细而言，根据预先收集的各种异常区域的颜色特征量，预先制作异常区域的判别基准(颜色范围)，并记录到记录部50中。然后，在从管腔内图像中检测异常区域时，从记录部50读出该判别基准，并且对于构成管腔内图像的各个像素计算颜色特征量，通过将各个像素的颜色特征量与判别基准进行比较，从该管腔内图像中检测异常区域。
另外，异常区域的检测方法不限定于上述的检测方法，能够应用可检测异常区域的公知的各种方法。例如，可以使用基于与代表性的颜色特征量之间的特征空间距离的方法等。此外，虽然在上述说明中，使用以构成管腔内图像的像素为单位的颜色特征量来检测出异常区域，但是也可以根据图像内的边缘信息等将管腔内图像分割为小区域，使用以小区域为单位的颜色特征量来检测异常区域。并且，可以使用除颜色特征量以外的形状特征量或纹理特征量来检测异常区域。
异常图像组提取部120是提取包含由检测部110检测出的异常区域中的相同的异常区域的图像作为1个异常图像组的关注图像组提取部。更详细来说，异常图像组提取部120提取包含异常区域的异常图像中的、在时间序列上连续的异常图像，作为包含相同的异常区域的异常图像组。
另外，除了上述的提取方法以外，还能够使用公知的各种方法，作为包含相同的异常区域的异常图像组的提取方法。例如，可以根据异常图像之间的归一化互相关、运动矢量变化量或像素值(亮度值或者G成分的值)的变化量等，求出图像之间的变化量，并提取变化量为规定值以下的异常图像组作为包含相同的异常区域的异常图像组。或者，可以计算异常区域的形状特征量(面积、圆形度等)或颜色特征量(颜色比、色调等)在异常图像之间的差分值，提取差分值为规定值以下的异常图像组，作为包含相同的异常区域的异常图像组。
代表图像提取部130从包含相同的异常区域的各个异常图像组中提取包含重要度高的异常区域的异常图像或异常区域的视觉辨认性好的异常图像作为代表图像。
接着，说明图1所示的图像处理装置1的动作。图2是示出图像处理装置1的动作的流程图。首先，在步骤S10中，图像处理装置1经由图像取得部20取得按照时间序列顺序拍摄的一系列的管腔内图像的图像数据，并记录到记录部50中。
在接下来的步骤S11中，检测部110进行以下处理：依次读出记录在记录部50中的管腔内图像的图像数据，从各个管腔内图像中检测异常区域。具体而言，检测部110读出预先记录在记录部50中的异常区域的判别基准，通过将构成各个管腔内图像的各个像素的颜色特征量与该判别基准进行比较，判别异常区域。
图3是示出按照时间序列顺序取得的一系列的管腔内图像的示意图。这里，管腔内图像Ii的下标i(i＝1、2、……)表示各个管腔内图像的排列顺序(拍摄顺序)。假设通过步骤S11的处理，从这些管腔内图像Ii中检测出了包含异常区域Ai的异常图像(i＝t1～t1+4、t2～t2+2、t3～t3+5的管腔内图像Ii)。以下，也将被提取为异常区域的管腔内图像Ii记作异常图像Ii。
在接下来的步骤S12中，异常图像组提取部120从在步骤S11中检测出的异常图像中提取包含相同的异常区域的异常图像组。具体而言，提取在时间序列上连续的异常图像作为包含相同的异常区域的异常图像组。由此，在例如图3的情况下，分别提取由异常图像It1～It1+4构成的异常图像组Gt1、包含异常图像It2～It2+2的异常图像组Gt2、包含异常图像It3～It3+t5的异常图像组Gt3，作为相同的异常区域。
在接下来的步骤S13中，代表图像提取部130从在步骤S12中提取出的各个异常图像组中提取至少1张异常区域的重要度高的异常图像或异常区域的视觉辨认性好的异常图像，作为代表图像。提取的代表图像的数量可以是常数(例如，从各个异常图像组中提取1张)，也可以根据属于异常图像组的异常图像的张数来确定(例如，异常图像的张数的α倍、0<α<1)。另外，在后者的情况下，假设在代表图像的张数不足1张时，提取至少1张代表图像。或者，不指定要提取的代表图像的数量，可以提取满足规定基准的全部异常图像(例如，颜色特征量为规定阈值以上的异常图像)作为代表图像。
代表图像的提取方法没有特别限定。例如，可以提取各个异常图像组的时间序列顺序上的开头图像作为代表图像。或者，可以根据各个异常图像组中的相同的异常区域的颜色特征量来提取。具体而言，在异常区域示出红色调的特定颜色的情况下，优先提取异常区域的红色强的异常图像作为代表图像，在异常区域示出白色调的特定颜色的情况下，优先提取异常区域的白色强的异常图像作为代表图像。此外，可以优先提取异常区域的面积大的异常图像或异常区域的位置靠近中央的异常图像作为代表图像。
在接下来的步骤S14中，运算部100输出表示在步骤S13中从各个异常图像组中提取出的代表图像的信息。与此相应，记录部50在提取为代表图像的管腔内图像的图像数据中附加表示是代表图像的意思的信息(标记)。
如以上所说明那样，根据本发明的实施方式1，由于将从管腔内图像中提取出的异常图像划分为包含相同的异常区域的异常图像组，并根据异常区域的重要度和视觉辨认性从各个异常图像组中提取代表图像，所以能够优先提取对诊断有益的管腔内图像作为代表图像。此外，这时，由于从各个异常图像组中提取至少1张代表图像，所以能够网罗提取出的全部异常，防止用户应观察的异常图像的漏提取，同时抑制代表图像的张数。因此，通过详细观察这样提取出的代表图像，用户能够进行正确且高效的诊断。
(变形例1-1)
接着，对本发明的实施方式1的变形例1-1进行说明。
在步骤S13中，代表图像提取部130可以计算异常区域的红色的强度，并根据该红色的强度来提取代表图像。例如，在异常图像组中的相同的异常区域是出血、发红、血管异常的情况下，越是异常区域的红色强的异常图像，可以说重要度越高。红色的强度利用颜色比G/R表示，颜色比G/R越小，表示红色越强。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，计算构成异常区域的像素中的颜色比G/R的平均值。然后，按照颜色比G/R的平均值从大到小的顺序，提取规定数量的异常图像作为代表图像。这里，示出了利用颜色比G/R的方法，但是同样可以使用HSI的色相H等。
(变形例1-2)
接着，对本发明的实施方式1的变形例1-2进行说明。
在步骤S13中，代表图像提取部130可以计算异常区域的白色的强度，并根据该白色的强度来提取代表图像。例如，在异常图像组中的相同的异常区域是口疮或者溃疡的情况下，越是异常区域的白色强的异常图像，可以说重要度越高。白色的强度利用颜色比G/R和B/G表示，颜色比G/R和B/G均越大，表示白色的程度越强。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，计算构成异常区域的像素的颜色比G/R和B/G的各平均值。然后，按照颜色比G/R的平均值与颜色比B/G的平均值的合计值从大到小的顺序，提取规定数量的异常图像作为代表图像。这里示出了利用颜色比G/R和B/G的方法，但是同样可以使用HSI的色相H、饱和度S等。
(变形例1-3)
接着，对本发明的实施方式1的变形例1-3进行说明。
在步骤S13中，代表图像提取部130从异常图像内检测如噪声、泡、残渣这样不存在与作为检测对象的异常区域之间的关联性或者关联性非常低的区域(以下称作无用区域)，并根据该无用区域来提取代表图像。越是这些无用区域少的异常图像，可以说视觉辨认性越好。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，检测噪声、泡和残渣等无用区域。能够利用公知的各种方法作为无用区域的检测方法。例如，预先在管腔内图像中拍摄到的噪声、泡、残渣和粘膜的区域的颜色特征量(像素值的R成分、G成分、B成分的值、根据这些各个颜色成分的值通过公知的转换而2元地计算出的值(通过YCbCr转换计算出的色差、通过HSI转换计算出的色相、饱和度、G/R、B/G等颜色比等))、或形状特征量(直方图梯度方向(HOG：Histogramsof Oriented Gradients)、面积、周长、费雷特直径等形状信息、或纹理特征量(局部二值模式(LBP：Local Binary Pattern)、同时归一矩阵等)的特征量分布，并根据该特征量分布，利用SVM(Support VectorMachines：支持向量机)等学习机来制作判别基准。通过将针对各个异常图像而计算出的特征量与该判别基准进行比较，能够检测噪声、泡和残渣等无用区域。
接下来，代表图像提取部130按照每个异常图像来计算已检测出的无用区域的总面积(总像素数)。然后，按照该总面积从大到小的顺序，提取规定数量的异常图像作为代表图像。
(变形例1-4)
接着，对本发明的实施方式1的变形例1-4进行说明。
在步骤S13中，代表图像提取部130可以计算异常区域的明度，并根据该明度来提取代表图像。越是明度高的异常图像，可以说视觉辨认性越好。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，计算构成异常区域的像素中的G成分的平均值(亮度平均值)。然后，按照该亮度平均值从大到小的顺序，提取规定数量的异常图像作为代表图像。
(变形例1-5)
接着，对本发明的实施方式1的变形例1-5进行说明。
在步骤S13中，代表图像提取部130可以计算异常区域的对比度，并根据该对比度来提取代表图像。对比度越高的异常图像，可以说视觉辨认性越好。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，计算构成异常区域的像素中的G成分的平均值(亮度平均值)与构成除异常区域以外的区域的像素中的G成分的平均值(亮度平均值)之间的差分的绝对值。然后，按照该差分的绝对值从大到小的顺序，提取规定数量的异常图像作为代表图像。
(变形例1-6)
接着，对本发明的实施方式1的变形例1-6进行说明。
在步骤S13中，代表图像提取部130可以计算异常区域的尺寸，并根据该尺寸来提取代表图像。异常区域的尺寸越大的异常图像，可以说视觉辨认性越好。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，计算异常区域的总面积(总像素数)。然后，按照该异常区域的总面积从大到小的顺序，提取规定数量的异常图像作为代表图像。
(变形例1-7)
接着，对本发明的实施方式1的变形例1-7进行说明。
在步骤S13中，代表图像提取部130可以对异常图像内的异常区域的数量进行计数，并根据该数量来提取代表图像。异常区域的数量越多的异常图像，可以说视觉辨认性越好。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，对异常区域的数量进行计数。然后，按照异常区域的数量从多到少的顺序，提取规定数量的异常图像作为代表图像。
(变形例1-8)
接着，对本发明的实施方式1的变形例1-8进行说明。
在步骤S13中，代表图像提取部130可以根据异常图像内的异常区域的位置来提取代表图像。异常区域存在于越靠近图像的中央的位置，可以说异常图像的视觉辨认性越好。
详细来说，代表图像提取部130首先对于处理对象的属于异常图像组的各个异常图像，计算图像的4个边的每一个边与异常区域的重心位置之间的距离，设距各个边的距离最短的值为从图像端到异常区域之间的距离。该距离越长，可以说异常区域存在于越靠近图像的中央的位置。然后，代表图像提取部130按照距图像端的距离从长到短的顺序，提取规定数量的异常图像作为代表图像。
另外，可以计算图像的4个边的每一个边与异常区域的边界中的距各个边最近的位置之间的距离，并使用距各个边的距离最短的值，作为从图像端到异常区域之间的距离。或者，可以计算异常图像的中心位置与异常区域的重心位置之间的距离，按照该距离从长到短的顺序，提取异常图像作为代表图像。
在上述变形例1-1～1-8中说明的代表图像的提取方法可以单独使用，也可以利用加权来组合不同的提取方法来进行使用。
(实施方式2)
接着，对本发明的实施方式2进行说明。
图4是示出本发明实施方式2的图像处理装置具备的运算部的结构的框图。如图4所示，实施方式2的图像处理装置替代图1所示的运算部100而具有图4的运算部200。除了运算部200以外的各个部的结构和动作与实施方式1相同。
运算部200除了检测部110、异常图像组提取部120和代表图像提取部130以外，还具有提取张数确定部210。提取张数确定部210根据由异常图像组提取部120提取出的各个异常图像组中的异常区域的重要度和视觉辨认性中的至少任意一个，适应性地确定代表图像的提取张数。另外，检测部110、异常图像组提取部120和代表图像提取部130的动作与实施方式1相同。
接着，对本发明实施方式2的图像处理装置的动作进行说明。图5是示出实施方式2的图像处理装置的动作的流程图。另外，图5所示的步骤S10～S12与实施方式1相同(参照图2)。
在接着步骤S12的步骤S20中，提取张数确定部210对于在步骤S12中提取出的每个异常图像组，确定代表图像的提取张数。这时，提取张数确定部210对于包含重要度高的异常区域的异常图像组，为了防止漏看，以提取更多的代表图像的方式，根据异常区域的重要度来确定代表图像的提取张数。
图6是示出由提取张数确定部210执行的代表图像的提取张数的确定处理的流程图。以下，参照图6，对于作为异常区域的重要度，根据在各个管腔内图像中拍摄到的脏器的种类来确定提取张数的例子进行说明。
首先，在步骤S201中，提取张数确定部210判别在从一系列的管腔内图像中提取出的各个异常图像中拍摄到的脏器的种类。能够使用公知的各种方法作为脏器种类的判别方法。以下，作为一例，对于在日本特开2006-288612号公报中公开的判别方法进行说明。
首先，预先确定拍摄有管腔内的各个脏器(食道、胃、小肠和大肠)的图像中的R、G、B的各个颜色成分(颜色要素)的数值范围。然后，计算异常图像中的各个像素的R成分、G成分和B成分的各个值的平均值，并与预先确定的各个脏器的颜色成分的数值范围进行比较。其结果，如果对异常图像计算出的每个颜色成分的平均值处于预先确定的食道的颜色成分的数值范围内，则判别为在该异常图像中拍摄到的脏器是食道。同样，如果对异常图像计算出的每个颜色成分的平均值处于预先确定的胃的颜色成分的数值范围内，则判别为在该异常图像中拍摄到的脏器是胃，如果处于小肠的颜色成分的数值范围内，则判别为在该异常图像中拍摄到的脏器是小肠，如果处于大肠的颜色成分的数值范围内，则判别为在该异常图像中拍摄到的脏器是大肠。
接下来，提取张数确定部210对于各个异常图像组执行循环A的处理。
在步骤S202中，提取张数确定部210根据预先设定的检查对象脏器，判定处理对象的异常图像组是否是检查对象。具体而言，在属于异常图像组的异常图像中的、拍摄有检查对象脏器的异常图像为半数以上的情况下，判定为该异常图像组是检查对象，在拍摄有检查对象脏器的异常图像小于半数的情况下，判定为该异常图像组不是检查对象。
在异常图像组是检查对象的情况下(步骤S202：“是”)，提取张数确定部210将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.5倍(步骤S203)。另一方面，在异常图像组不是检查对象的情况下(步骤S202：“否”)，提取张数确定部210将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.1倍(步骤S204)。这里，在步骤S203或者步骤S204中计算提取张数后的结果是提取张数为1张以下的情况下，将提取张数确定为1张。
在对从一系列的管腔内图像中提取出的全部异常图像组执行了循环A以后，处理返回主例程。
接着步骤S20的步骤S13和S14的处理与实施方式1相同。这时，在步骤S13中，代表图像提取部130从各个异常图像组中提取在步骤S20中确定出的提取张数的代表图像。例如，在检查对象脏器是小肠的情况下，从包含半数以上的拍摄有小肠的异常图像的异常图像组中提取异常图像的张数的0.5倍的代表图像。另一方面，从包含半数以上的拍摄有食道、胃或者大肠的异常图像的异常图像组中提取异常图像的张数的0.1倍的代表图像。
如以上所说明那样，根据本发明的实施方式2，由于根据异常区域的重要度来确定从各个异常图像组中提取的代表图像的提取张数，所以能够从包含重要度高的异常区域的异常图像组中提取更多的代表图像。因此，用户能够防止重要度高的异常区域的漏看，进行正确且高效的诊断。
(变形例2-1)
接着，对本发明的实施方式2的变形例2-1进行说明。
虽然在上述实施方式2中，设为从各个异常图像组中提取至少1张的代表图像，但是也可以将拍摄有除了检查对象外的脏器的图像视为重要度低，不从非检查对象的异常图像组提取代表图像。
具体而言，在图6所示的步骤S202中异常图像组是检查对象的情况下(步骤S202：“是”)，与上述实施方式2同样，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.5倍(步骤S203)。另外，这时，在提取张数为1张以下的情况下，将提取张数确定为1张。另一方面，在异常图像组不是检查对象的情况下(步骤S202：“否”)，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0倍。
在该情况下，在接着步骤S20的步骤S13(参照图5)中，例如在检查对象脏器是小肠的情况下，从包含半数以上拍摄有小肠的异常图像的异常图像组中提取异常图像的张数的0.5倍的代表图像。另一方面，不从包含半数以上拍摄有食道、胃或者大肠的异常图像的异常图像组中提取代表图像。
如以上所说明那样，根据变形例2-1，由于仅从检查对象的异常图像组中提取代表图像，所以用户能够更加高效地进行诊断。
另外，确定与脏器的种类对应的代表图像的提取张数的系数(0.5倍、0.1倍等)不限定于此，能够根据检查对象的脏器或检查的目的等进行适当设定。
(变形例2-2)
接着，对本发明的实施方式2的变形例2-2进行说明。
虽然在上述实施方式2中，通过图像处理自动判别在异常图像中拍摄到的脏器的种类，但是也可以设为由用户来判别脏器的种类。
具体而言，通过运算部200中的图像处理，计算一系列的管腔内图像各自的平均颜色，制作按照管腔内图像的排列顺序(时间序列顺序)排列这些平均颜色而得到的彩条，并显示在显示部40中。该彩条上的平均颜色的切换位置(边界)与一系列的管腔内图像中的脏器的边界对应。因此，在根据针对输入部30的用户操作而从输入部30向控制部10输入了用于选择彩条上的特定的点的信号后，控制部10将与该点对应的管腔内图像的图像编号输入到运算部200。运算部200以与已输入的图像编号对应的管腔内图像作为脏器的边界，确定在各个管腔内图像中拍摄到的脏器的种类。
(变形例2-3)
接着，对本发明的实施方式2的变形例2-3进行说明。
运算部200可以在步骤S10中取得图像数据以后，对一系列的管腔内图像整体进行脏器的种类的判别处理。另外，脏器的种类的判别可以与实施方式2同样自动进行，也可以与变形例2-2同样由用户手动进行。
在该情况下，运算部200对拍摄有检查对象的脏器(例如小肠)的管腔内图像进行图5所示的步骤S11、S12、S20的处理。由于在其中的步骤S20中已经进行了脏器的判别处理，所以代表图像的提取张数仅是根据属于各个异常图像组的异常图像的张数来确定(例如，属于该异常图像组的异常图像的张数的0.5倍等)。之后的步骤S13、S14与实施方式2相同。
另一方面，运算部200在通过对拍摄有除检查对象外的脏器(例如，食道、胃或者大肠)的管腔内图像进行异常区域的检测而提取出异常图像以后，按照例如异常区域的红色从强到弱的顺序，或者异常区域的白色从强到弱的顺序，提取规定张数(例如10张等少量)的异常图像，作为代表图像输出。另外，红色的强度能够利用颜色比G/R表示，颜色比G/R越小，表示红色越强。此外，白色的强度能够利用颜色比G/R和B/G表示，颜色比G/R和B/G都越大，表示白色越强。或者，运算部200可以不对拍摄有除检查对象外的脏器的管腔内图像进行异常区域的检测，而是根据管腔内图像的颜色特征量(上述的颜色比等)，提取规定张数(例如10张等少量)的管腔内图像作为代表图像。并且，可以不从拍摄有除检查对象外的脏器的管腔内图像中进行代表图像的提取。
(变形例2-4)
接着，对本发明的实施方式2的变形例2-4进行说明。
在图5所示的步骤S20中，提取张数确定部210可以根据除脏器的种类以外的异常图像的重要度来适应性确定代表图像的提取张数。以下，对于根据作为异常图像的重要度的一例的异常区域的种类来确定代表图像的提取张数的方法进行说明。
图7是示出变形例2-4中的由提取张数确定部210执行的代表图像的提取张数的确定处理的流程图。首先，在步骤S211中，提取张数确定部210判别在从一系列的管腔内图像中提取出的各个异常图像中拍摄到的异常区域的种类。能够使用公知的各种方法，作为异常区域的种类的判别方法。例如，预先从在管腔内图像中拍摄到的各种异常(出血、发红、血管异常、口疮、溃疡等)的区域中计算颜色特征量(例如，像素值的R成分、G成分、B成分的值、根据这些各个颜色成分通过公知的转换而2元地计算出的值(通过YCbCr转换计算出的色差、通过HSI转换计算出的色相、饱和度、G/R、B/G等颜色比等))、或形状特征量(直方图梯度方向(HOG：Histogramsof Oriented Gradients)、面积、周长、费雷特直径等形状情報)、或纹理特征量(局部二值模式(LBP：Local Binary Pattern)、同时归一矩阵等)的特征量分布，并根据该特征量分布，利用SVM(Support Vector Machines：支持向量机)等学习机来制作判别基准。通过将针对各个异常图像内的异常区域而计算出的特征量与该判别基准进行比较，将异常区域分类为出血、发红、血管异常、口疮、溃疡的各种异常。以下，将出血设为重要度比较高的异常，口疮和溃疡设为重要度中等程度的异常，发红和血管异常设为重要度比较低的异常来进行说明。
接下来，提取张数确定部210对于各个异常图像组，执行循环B的处理。
在步骤S212中，提取张数确定部210判别处理对象的异常图像组的异常区域的种类。更详细来说，根据异常图像组中的异常区域的分类结果，将最多的(或者过半数的)异常区域的种类判别为该异常图像组的异常区域的种类。
在接下来的步骤S213中，提取张数确定部210判定该异常图像组的异常区域的种类是否是出血。在异常区域的种类是出血的情况下(步骤S213：“是”)，提取张数确定部210将代表图像的张数确定为属于该异常图像组的异常图像的张数的0.5倍(步骤S214)。
另一方面，在异常区域的种类不是出血的情况下(步骤S213：“否”)，提取张数确定部210接着判定异常区域的种类是否是口疮或者溃疡(步骤S215)。在异常区域的种类是口疮或者溃疡的情况下(步骤S215：“是”)，提取张数确定部210将代表图像的张数确定为属于该异常图像组的异常图像的张数的0.2倍(步骤S216)。
并且，在异常区域的种类不是口疮或者溃疡的情况下(步骤S215：“否”)，提取张数确定部210判断为该异常图像组的异常区域的种类是发红或者血管异常，将代表图像的张数确定为属于该异常图像组的异常图像的张数的0.1倍(步骤S217)。
另外，对于在步骤S214、S216或者S217中计算提取张数后的结果是提取张数为1张以下的异常图像组，将提取张数设定为1张。
在对从一系列的管腔内图像中提取出的全部异常图像组执行了循环B以后，提取张数确定部210的处理返回主例程。
如以上所说明那样，根据变形例2-4，由于根据异常区域的种类来确定从各个异常图像组中提取的代表图像的提取张数，所以能够从包含出血等重要的异常的异常图像组中提取更多的代表图像。因此，用户能够防止重要度高的异常区域的漏看，进行正确且高效的诊断。
另外，虽然在上述变形例2-4中将从管腔内图像中检测的异常区域的种类分类为出血、口疮、溃疡、发红和血管异常，但是异常的分类不限定于此。此外，根据异常图像的种类而设定的、确定代表图像的提取张数的系数(0.5倍、0.2倍、0.1倍等)也不限定于此，能够根据检查的目的等进行适当设定。
(变形例2-5)
接着，对本发明的实施方式2的变形例2-5进行说明。
在图5所示的步骤S20中，提取张数确定部210可以不仅根据脏器的种类或异常区域的种类，还根据它们的组合来确定代表图像的提取张数。例如，如上述变形例2-4那样，根据异常区域的种类来针对各个异常图像组确定代表图像的提取张数，并且通过将这些提取张数乘以与异常图像组的脏器对应的系数，获得最终的代表图像的提取张数。关于与异常图像组的脏器对应的系数，例如，在是检查对象的脏器的情况下可以设定为1，在不是检查对象的脏器的情况下可以设定为0.5等。
(变形例2-6)
接着，对本发明的实施方式2的变形例2-6进行说明。
在图5所示的步骤S20中，提取张数确定部210可以根据异常图像的视觉辨认性来适应性确定代表图像的提取张数。具体而言，对于包含难以视觉辨认的异常区域的异常图像组，为了防止异常区域的漏看，以提取更多的代表图像的方式来确定代表图像的提取张数。以下，对于根据作为异常图像的视觉辨认性的一例的异常区域的明度来确定代表图像的提取张数的方法进行说明。
提取张数确定部210首先计算在处理对象的异常图像组中包含的异常区域的G成分的平均值(亮度平均值)。然后，以从该亮度平均值小于规定阈值的异常图像组中提取更多的代表的方式来确定提取张数。具体而言，在亮度平均值小于规定阈值的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.5倍。另一方面，在亮度平均值为规定阈值以上的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.1倍。另外，对于计算提取张数后的结果是提取张数为1张以下的异常图像组，将提取张数确定为1张。此外，确定代表图像的提取张数的系数(0.5倍、0.1倍)可以适当变更。
(变形例2-7)
接着，对本发明的实施方式2的变形例2-7进行说明。
在图5所示的步骤S20中，提取张数确定部210可以根据作为异常图像的视觉辨认性的另一例的异常区域的对比度来确定代表图像的提取张数。
详细来说，提取张数确定部210首先计算构成处理对象的异常图像组中包含的异常区域的像素的G成分的平均值(亮度平均值)与构成除异常区域以外的区域的像素的G成分的平均值(亮度平均值)的差分的绝对值。然后，以从该差分的绝对值小于规定阈值的异常图像组中提取更多的代表图像的方式确定提取张数。具体而言，在差分的绝对值小于规定阈值的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.5倍。另一方面，在差分的绝对值为规定阈值以上的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.1倍。另外，对于计算提取张数后的结果是提取张数为1张以下的异常图像组，将提取张数确定为1张。此外，确定代表图像的提取张数的系数(0.5倍、0.1倍)可以适当变更。
(变形例2-8)
接着，对本发明的实施方式2的变形例2-8进行说明。
在图5所示的步骤S20中，提取张数确定部210可以根据作为异常图像的视觉辨认性的另一例的异常图像内的异常区域的总面积来确定代表图像的提取张数。
详细来说，提取张数确定部210首先计算处理对象的异常图像组中包含的异常区域的总面积。然后，以从异常区域的总面积小于规定阈值的异常图像组中提取更多的代表图像的方式来确定提取张数。具体而言，在异常区域的总面积小于规定阈值的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.5倍。另一方面，在异常区域的总面积为规定阈值以上的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.1倍。另外，对于计算提取张数后的结果是提取张数为1张以下的异常图像组，将提取张数确定为1张。此外，确定代表图像的提取张数的系数(0.5倍、0.1倍)可以适当变更。
(变形例2-9)
接着，对本发明的实施方式2的变形例2-9进行说明。
在图5所示的步骤S20中，提取张数确定部210可以根据作为异常图像的视觉辨认性的另一例的异常图像内的异常区域的总数来确定代表图像的提取张数。
详细来说，提取张数确定部210首先计算处理对象的异常图像组中包含的异常区域的总数。然后，以从异常区域的总数小于规定阈值的异常图像组中提取更多的代表图像的方式来确定提取张数。具体而言，在异常区域的总数小于规定阈值的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.5倍。另一方面，在异常区域的总数为规定阈值以上的异常图像组的情况下，将代表图像的提取张数确定为属于该异常图像组的异常图像的张数的0.1倍。另外，对于计算提取张数后的结果是提取张数为1张以下的异常图像组，将提取张数确定为1张。此外，确定代表图像的提取张数的系数(0.5倍、0.1倍)可以适当变更。
(实施方式3)
接着，对本发明的实施方式3进行说明。
图8是示出本发明实施方式3的图像处理装置具备的运算部的结构的框图。如图8所示，实施方式3的图像处理装置替代图1所示的运算部100而具有运算部300。除了运算部300以外的各个部的结构和动作与实施方式1相同。
运算部300具有：检测部110、异常图像组提取部120、提取张数确定部210和代表图像提取部131。其中的检测部110和异常图像组提取部120的动作与实施方式1相同。此外，提取张数确定部210的动作与实施方式2相同。或者，可以与变形例2-1～2-9同样动作。
代表图像提取部131从包含相同的异常区域的各个异常图像组中，优先提取作为重要度高的异常区域而拍摄有出血源的异常图像作为代表图像。更详细来说，代表图像提取部131具有出血源检测部131a，该出血源检测部131a从拍摄有出血的异常区域的异常图像组中检测出血源。该出血源检测部131a具有位置估计部131b，该位置估计部131b估计在异常图像中拍摄的被摄体(脏器)在管腔内的位置、即异常图像的管腔内中的拍摄位置。
接着，对实施方式3的图像处理装置的动作进行说明。实施方式3的图像处理装置的动作整体与实施方式2(参照图5)同样，在从各个异常图像组中提取代表图像的处理(步骤S13)中，在异常区域是出血的情况下，提取拍摄有特别重要的出血源的异常图像作为代表图像。另外，在以下的说明中，设在步骤S20中对于各个异常图像组确定出的代表图像的提取张数为n张。
图9是示出由代表图像提取部131执行的代表图像的提取处理的流程图。代表图像提取部131对于在步骤S12中提取出的各个异常图像组，执行循环C的处理。
首先，在步骤S301中，代表图像提取部131判定处理对象的异常图像组中的相同的异常区域是否是出血。具体而言，在步骤S11(参照实施方式1)中，将被检测为表示红色调的特定颜色的区域的异常区域判定为出血。或者，与变形例2-4同样，可以根据颜色特征量、形状特征量和纹理特征量来判定异常区域是否是出血。
在相同的异常区域是出血的情况下(步骤S301：“是”)，位置估计部131b根据各个异常图像的时间序列上的位置信息、即一系列的管腔内图像(参照图3)中的排列顺序(拍摄顺序)或拍摄时刻，估计属于该异常图像组的各个异常图像的管腔内的拍摄位置(步骤S302)。例如，在一系列的管腔内图像的拍摄中使用的胶囊型内窥镜的平均行进速度为v(例如，1mm/秒)、拍摄帧频为F(例如，2张/秒)的情况下，能够将管腔内图像(异常图像)Ii的拍摄位置估计为从一系列的管腔内图像的拍摄开始位置(例如，口腔内)行进距离i·v/F(mm)后的位置。
在接下来的步骤S303中，出血源检测部131a检测出血源图像(拍摄有出血源的异常图像)。详细来说，从该异常图像组中的、包含红色强的异常区域的异常图像中检测管腔内的拍摄位置为最上游的异常图像(换言之，在时间序列上最早的异常图像)作为出血源图像。这里，能够将红色强的异常区域判别为例如颜色比G/R的值为规定阈值以下的区域。另外，可以比在步骤S11中检测异常区域时使用的判别基准(颜色比G/R)更严格地(使值较小地)设定这时使用的颜色比G/R的阈值。
一般而言，在管腔内发生了出血的情况下，血液从上游(口腔侧)朝向下游(肛门侧)流动。因此，能够估计为在包含红色强的异常区域的异常图像中的拍摄位置为最上游的异常图像中拍摄到出血源。
在接下来的步骤S304中，代表图像提取部131提取1张在步骤S303中检测出的出血源图像作为代表图像。
在接下来的步骤S305中，代表图像提取部131从该异常图像组中的包含红色强的异常区域的异常图像(除出血源图像以外)中随机提取代表图像的提取张数n减1的张数的代表图像。
在接下来的步骤S306中，代表图像提取部131判定是否提取了n张的代表图像。在该异常图像组中的包含红色强的异常区域的异常图像的张数为n张以上的情况下，能够从这些异常图像中提取总计n张的代表图像。在该情况下(步骤S306：“是”)，处理转移到步骤S309。
另一方面，在该异常图像组中的包含红色强的异常区域的异常图像的张数小于n张的情况下，未能提取n张的代表图像。在该情况下(步骤S306：“否”)，代表图像提取部131从不包含红色强的异常区域的剩余的异常图像中提取代表图像，直到总张数成为n张为止(步骤S307)。然后，处理转移到步骤S309。
此外，在步骤S301中处理对象的异常图像组中的相同的异常区域不是出血的情况下(步骤S301：“否”)，代表图像提取部131与实施方式1或者实施方式1的变形例1-1～1-8同样，从异常图像组中提取n张的代表图像(步骤S308)。然后，处理转移到步骤S309。
在步骤S309中，代表图像提取部131在提取出的n张的代表图像的图像数据中附加表示是代表图像的意思的信息(标记)。
在步骤S12(参照图5)中对提取出的全部异常图像组执行了循环C的处理以后，处理返回主例程。
如以上所说明那样，根据本发明的实施方式3，能够根据异常区域的红色的强度和各个异常图像的管腔内的拍摄位置，提取重要度高的出血源作为代表图像。
(实施方式4)
接着，对本发明的实施方式4进行说明。
图10是示出本发明实施方式4的图像处理装置具备的运算部的结构的框图。如图10所示，实施方式4的图像处理装置替代图1所示的运算部100而具有图10的运算部400。除了运算部400以外的各个部的结构和动作与实施方式1相同。
运算部400具有：检测部110、异常图像组提取部120、显示对应提取张数确定部410和代表图像提取部130。其中的检测部110、异常图像组提取部120和代表图像提取部130的动作与实施方式1相同。
显示对应提取张数确定部410根据代表图像的显示方法(动态图像显示或者静态图像显示)，适应性确定从各个异常图像组中提取的代表图像的张数。
接着，对实施方式4的图像处理装置的动作进行说明。图11是示出实施方式4的图像处理装置的动作的流程图。另外，图11所示的步骤S10～S12与实施方式1相同(参照图2)。
在接着S12的步骤S40中根据针对输入部30的用户操作而从输入部30向控制部10输入指示代表图像的显示方法的信号后，控制部10根据该信号来设定代表图像的显示方法。
在接下来的步骤S41中，显示对应提取张数确定部410根据在步骤S41中设定的显示方法，适应性确定从各个异常图像组中提取的代表图像的张数。这里，在进行代表图像的动态图像显示的情况下，与进行静态图像显示的情况相比，容易发生异常区域的漏看。因此，出于异常区域的防漏看的考虑，在动态图像显示的情况下，以提取更多的代表图像的方式来确定提取张数。
具体而言，在进行动态图像显示的情况下，显示对应提取张数确定部410将代表图像的提取张数确定为属于各个异常图像组的异常图像的张数的0.5倍。另一方面，在进行静态图像显示的情况下，将代表图像的提取张数确定为属于各个异常图像组的异常图像的张数的0.1倍。另外，对于计算提取张数后的结果是提取张数为1张以下的异常图像组，将提取张数确定为1张。此外，确定代表图像的提取张数的系数(0.5倍、0.1倍)可以适当变更。
在接下来的步骤S42中，代表图像提取部130从在步骤S12中提取出的各个异常图像组中提取在步骤S41中确定的提取张数的异常区域的重要度高的异常图像或异常区域的视觉辨认性好的异常图像，作为代表图像。代表图像的提取方法与实施方式1、变形例1-1～1-8或者实施方式3同样。
在接下来的步骤S43中，运算部400输出表示在步骤S42中从各个异常图像组中提取出的代表图像的信息。与此相应，记录部50在作为代表图像被提取的管腔内图像的图像数据中附加表示是代表图像的意思的信息(标记)。
在接下来的步骤S44中，显示部40在控制部10的指示下，显示在步骤S43中提取出的代表图像。详细来说，控制部10从记录部50读出在步骤S43中附加了标记的图像数据并输出到显示部40，按照在步骤S40中设定的显示方法，使显示部40显示基于这些图像数据的代表图像。
如以上所说明那样，根据本发明的实施方式4，由于根据代表图像的显示方法来适应性确定从各个异常图像组中提取的代表图像的提取张数，所以在动态图像显示的情况下，能够通过增加提取张数，防止异常区域的漏看，在静态图像显示的情况下，能够通过减少提取张数，进行高效的图像观察。
(变形例4-1)
接着，对本发明的实施方式4的变形例4-1进行说明。
虽然在上述说明中设为每当进行图像显示时，都进行代表图像的提取张数的确定处理和代表图像的提取处理，但是也可以预先进行这些处理。即，对于一系列的管腔内图像，以各自的格式预先制作提取代表图像作为动态图像显示用的图像数据集和提取代表图像作为静态图像显示用的图像数据集并记录在记录部50中。在进行图像显示时，当根据针对输入部30的用户操作而从输入部30向控制部10输入了指定代表图像的显示方法的信号时，控制部10从记录部50读出与指定的显示方法对应的图像数据集，并显示在显示部40中。
(变形例4-2)
接着，对本发明的实施方式4的变形例4-2进行说明。
可以将上述实施方式4中的代表图像的提取张数确定处理与其他提取张数确定处理进行组合。具体而言，如在实施方式2和变形例2-1～2-9中所说明那样，根据异常区域的重要度和视觉辨认性，针对各个异常图像组确定代表图像的提取张数，并且通过将这些提取张数乘以与代表图像的显示方法对应的系数，获得最终的代表图像的提取张数。关于与代表图像的显示方法对应的系数，例如可以在动态图像显示的情况下设定为1，在静态图像显示的情况下设定为0.5等。
以上所说明的实施方式1～4以及它们的变形例的图像处理装置能够通过在个人计算机或工作站等计算机系统中执行记录介质所记录的图像处理程序来实现。此外，也可以经由局域网(LAN)、广域网(WAN)或互联网等的公共线路，将这种计算机系统连接到其他计算机系统或服务器等设备上进行使用。此时，实施方式1～4以及这些变形例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，并且将图像处理结果输出到经由这些网络连接的各种输出设备(浏览器或打印机等)，或将图像处理结果存储到经由这些网络连接的存储装置(记录介质及其读取装置等)中。
另外，本发明不直接限定为各实施方式1～4及它们的变形例，可通过适当组合各实施方式或变形例所公开的多个结构要素来形成各种发明。例如，可从各实施方式或变形例所示的全部结构要素中去除几个结构要素来形成，也可适当组合不同实施方式或变形例所示的结构要素来形成。
标号说明
1：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、300、400：运算部；110：检测部；120：异常图像组提取部；130、131：代表图像提取部；210：提取张数确定部；410：显示对应提取张数确定部。

Claims (14)

1.一种图像处理装置，其特征在于，具有：
检测单元，其从通过依次拍摄活体的管腔内而取得的一系列的图像组中，检测包含被估计为检测对象的区域即关注区域的关注图像；
关注图像组提取单元，其从由所述检测单元检测出的所述关注图像中提取包含相同的关注区域的关注图像组；以及
代表图像提取单元，其根据所述关注区域与所述检测对象的关联性和所述关注区域的视觉辨认性中的至少任意一方，从所述关注图像组中提取代表图像，
所述图像处理装置还具有提取张数确定单元，
所述提取张数确定单元判定在属于由所述关注图像组提取单元提取出的所述关注图像组的关注图像中拍摄到的脏器是否是检查对象，并根据该判定的结果来适应性地确定所述提取张数，或者，所述提取张数确定单元对在所述关注图像组中包含的所述关注区域的种类进行分类，并根据该种类来适应性地确定所述提取张数，或者，所述提取张数确定单元计算在所述关注图像组中包含的所述关注区域的明亮度，并根据该明亮度来适应性地确定所述提取张数，或者，所述提取张数确定单元计算在所述关注图像组中包含的所述关注区域的对比度，并根据该对比度来适应性地确定所述提取张数，或者，所述提取张数确定单元计算在所述关注图像组中包含的所述关注区域的面积和在所述关注图像组中包含的所述关注区域的数量中的任意方，并根据所述面积和所述数量中的任意方来适应性地确定所述提取张数，
所述代表图像提取单元根据由所述提取张数确定单元确定的所述提取张数来提取所述代表图像。
2.根据权利要求1所述的图像处理装置，其特征在于，
所述检测单元通过针对在所述一系列的图像组中包含的各个图像的特征量的阈值处理，检测所述关注图像，
所述代表图像提取单元提取属于所述关注图像组的关注图像中的所述关联性和所述视觉辨认性中的至少任意一方高的关注图像作为所述代表图像。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元具有出血源检测单元，该出血源检测单元检测在属于所述关注图像组的关注图像中拍摄到的出血源，所述代表图像提取单元提取包含由该出血源检测单元检测出的所述出血源的关注图像作为所述代表图像。
4.根据权利要求3所述的图像处理装置，其特征在于，
所述出血源检测单元具有位置估计单元，该位置估计单元估计在属于所述关注图像组的关注图像中拍摄到的被摄体在所述管腔内的位置，所述出血源检测单元根据所述位置来检测所述出血源。
5.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元具有无用区域检测单元，该无用区域检测单元检测与所述检测对象不具有关联性的区域即无用区域，所述代表图像提取单元提取不包含所述无用区域的关注图像作为所述代表图像。
6.根据权利要求5所述的图像处理装置，其特征在于，
所述无用区域是拍摄有噪声、泡和残渣中的任意方的区域。
7.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元计算所述关注图像中的关注区域的红色的强度，并根据该红色的强度来提取所述代表图像。
8.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元计算所述关注图像中的关注区域的白色的强度，并根据该白色的强度来提取所述代表图像。
9.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元计算所述关注图像中的关注区域的明亮度，并根据该明亮度来提取所述代表图像。
10.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元计算所述关注图像中的关注区域的对比度，并根据该对比度来提取所述代表图像。
11.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元计算所述关注图像中的关注区域的面积和所述关注图像中的关注区域的数量中的任意方，并根据所述面积和所述数量中的任意方来提取所述代表图像。
12.根据权利要求2所述的图像处理装置，其特征在于，
所述代表图像提取单元计算所述关注图像的端部与关注区域之间的距离，并根据该距离来提取所述代表图像。
13.根据权利要求1所述的图像处理装置，其特征在于，
该图像处理装置还具有显示对应提取张数确定单元，该显示对应提取张数确定单元根据所述代表图像的显示方法来适应性地确定所述代表图像的提取张数，
所述代表图像提取单元根据由所述显示对应提取张数确定单元确定的所述提取张数来提取所述代表图像。
14.一种根据通过依次拍摄活体的管腔内而取得并记录在记录部中的一系列的图像组的图像数据，使计算机具备的运算部执行的图像处理方法，其特征在于，所述图像处理方法包含：
检测步骤，从所述一系列的图像组中检测包含被估计为检测对象的区域即关注区域的关注图像；
关注图像组提取步骤，从在所述检测步骤中检测出的所述关注图像中提取包含相同的关注区域的关注图像组；以及
代表图像提取步骤，根据所述关注区域与所述检测对象的关联性和所述关注区域的视觉辨认性中的至少任意一方，从所述关注图像组中提取代表图像，
所述图像处理方法还包含：
提取张数确定步骤，判定在属于在所述关注图像组提取步骤中提取出的所述关注图像组的关注图像中拍摄到的脏器是否是检查对象，并根据该判定的结果来适应性地确定所述提取张数，或者，对在所述关注图像组中包含的所述关注区域的种类进行分类，并根据该种类来适应性地确定所述提取张数，或者，计算在所述关注图像组中包含的所述关注区域的明亮度，并根据该明亮度来适应性地确定所述提取张数，或者，计算在所述关注图像组中包含的所述关注区域的对比度，并根据该对比度来适应性地确定所述提取张数，或者，计算在所述关注图像组中包含的所述关注区域的面积和在所述关注图像组中包含的所述关注区域的数量中的任意方，并根据所述面积和所述数量中的任意方来适应性地确定所述提取张数，
在所述代表图像提取步骤中，根据在所述提取张数确定步骤中确定的所述提取张数来提取所述代表图像。
CN201580013805.2A 2014-03-14 2015-02-04 图像处理装置以及图像处理方法 Active CN106102554B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2014-052613 2014-03-14
JP2014052613A JP6371544B2 (ja) 2014-03-14 2014-03-14 画像処理装置、画像処理方法、及び画像処理プログラム
PCT/JP2015/053133 WO2015137016A1 (ja) 2014-03-14 2015-02-04 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
CN106102554A CN106102554A (zh) 2016-11-09
CN106102554B true CN106102554B (zh) 2019-02-05

Family

ID=54071468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580013805.2A Active CN106102554B (zh) 2014-03-14 2015-02-04 图像处理装置以及图像处理方法

Country Status (5)

Country Link
US (1) US10223785B2 (zh)
JP (1) JP6371544B2 (zh)
CN (1) CN106102554B (zh)
DE (1) DE112015000917T5 (zh)
WO (1) WO2015137016A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6196922B2 (ja) * 2014-03-17 2017-09-13 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
CN105635611A (zh) * 2014-11-03 2016-06-01 中兴通讯股份有限公司 投影仪自适应调整方法及装置
EP3130276B8 (en) * 2015-08-12 2020-02-26 TransEnterix Europe Sàrl Endoscope with wide angle lens and adjustable view
US10891444B2 (en) * 2015-10-26 2021-01-12 The Johns Hopkins University Automated generation of sentence-based descriptors from imaging data
JP6807869B2 (ja) * 2015-12-24 2021-01-06 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
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
EP3590412A4 (en) 2017-03-03 2020-06-03 Fujifilm Corporation ENDOSCOPE SYSTEM, PROCESSOR DEVICE AND ENDOSCOPE SYSTEM OPERATING METHOD
JP6543013B2 (ja) 2017-06-13 2019-07-10 オリンパス株式会社 内視鏡装置
JPWO2019054265A1 (ja) * 2017-09-15 2020-10-01 富士フイルム株式会社 医療画像処理装置
EP3553740A1 (en) * 2018-04-13 2019-10-16 Koninklijke Philips N.V. Automatic slice selection in medical imaging
EP3795062A4 (en) 2018-05-17 2021-06-16 FUJIFILM Corporation ENDOSCOPE DEVICE, ENDOSCOPE OPERATING PROCESS AND PROGRAM
JP7100505B2 (ja) * 2018-06-19 2022-07-13 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、及び画像処理装置の作動プログラム
WO2020008651A1 (ja) * 2018-07-06 2020-01-09 オリンパス株式会社 内視鏡用画像処理装置、及び、内視鏡用画像処理方法、並びに、内視鏡用画像処理プログラム
US20220148182A1 (en) * 2019-03-12 2022-05-12 Nec Corporation Inspection device, inspection method and storage medium
JP7373335B2 (ja) * 2019-09-18 2023-11-02 富士フイルム株式会社 医用画像処理装置、プロセッサ装置、内視鏡システム、医用画像処理装置の作動方法、及びプログラム
JP7295333B2 (ja) * 2020-03-09 2023-06-20 オリンパス株式会社 画像記録システム、画像記録方法及びｒａｗ画像データ作成プログラム
US11869208B2 (en) * 2020-03-16 2024-01-09 Taipei Veterans General Hospital Methods, apparatuses, and computer programs for processing pulmonary vein computed tomography images
US20220039639A1 (en) * 2020-08-06 2022-02-10 Assistance Publique-Hopitaux De Paris Methods and devices for calculating a level of "clinical relevance" for abnormal small bowel findings captured by capsule endoscopy video
WO2022059668A1 (ja) * 2020-09-15 2022-03-24 富士フイルム株式会社 医用画像処理装置及び医用画像処理装置の作動方法並びに医用画像処理装置用プログラム
KR102405434B1 (ko) * 2020-12-31 2022-06-07 주식회사 카이미 딥러닝 모델을 이용한 내시경 영상으로부터의 불필요한 이미지 제거 방법, 장치 및 프로그램
EP4302679A4 (en) * 2021-03-01 2024-04-24 Nec Corp IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD AND STORAGE MEDIUM
WO2023089717A1 (ja) * 2021-11-18 2023-05-25 日本電気株式会社 情報処理装置、情報処理方法、及び、記録媒体
WO2023228564A1 (ja) * 2022-05-26 2023-11-30 富士フイルム株式会社 画像切り出し支援装置、超音波診断装置および画像切り出し支援方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101721199A (zh) * 2008-10-14 2010-06-09 奥林巴斯医疗株式会社 图像显示装置以及图像显示方法
CN102469925A (zh) * 2009-07-23 2012-05-23 奥林巴斯株式会社 图像处理装置、图像处理程序以及图像处理方法
CN102843954A (zh) * 2010-01-26 2012-12-26 新加坡科技研究局 医学诊断设备以及对人体或动物体内受关注区域进行标识和/或治疗的方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005106773A2 (en) * 2004-04-15 2005-11-10 Edda Technology, Inc. Spatial-temporal lesion detection, segmentation, and diagnostic information extraction system and method
JP4418400B2 (ja) * 2005-05-20 2010-02-17 オリンパスメディカルシステムズ株式会社 画像表示装置
US7756309B2 (en) * 2005-07-27 2010-07-13 Bioimagene, Inc. Method and system for storing, indexing and searching medical images using anatomical structures of interest
US8014576B2 (en) * 2005-11-23 2011-09-06 The Medipattern Corporation Method and system of computer-aided quantitative and qualitative analysis of medical images
JP4472631B2 (ja) * 2005-12-28 2010-06-02 オリンパスメディカルシステムズ株式会社 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
CA2656881C (en) * 2006-07-11 2012-08-07 Lg Electronics Inc. Channel equalizing method and apparatus, and receiving system
JP5281826B2 (ja) * 2008-06-05 2013-09-04 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
JP5374078B2 (ja) 2008-06-16 2013-12-25 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
EP2823749A4 (en) 2012-03-08 2016-07-20 Olympus Corp Image processing device, program and image processing method
JP5963480B2 (ja) * 2012-03-08 2016-08-03 オリンパス株式会社 画像要約装置及びプログラム
JP6188477B2 (ja) 2013-08-02 2017-08-30 オリンパス株式会社 画像処理装置、画像処理方法及びプログラム
US9547494B2 (en) 2014-05-30 2017-01-17 International Business Machines Corporation Absolute address branching in a fixed-width reduced instruction set computing architecture

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101721199A (zh) * 2008-10-14 2010-06-09 奥林巴斯医疗株式会社 图像显示装置以及图像显示方法
CN102469925A (zh) * 2009-07-23 2012-05-23 奥林巴斯株式会社 图像处理装置、图像处理程序以及图像处理方法
CN102843954A (zh) * 2010-01-26 2012-12-26 新加坡科技研究局 医学诊断设备以及对人体或动物体内受关注区域进行标识和/或治疗的方法

Also Published As

Publication number Publication date
US10223785B2 (en) 2019-03-05
JP6371544B2 (ja) 2018-08-08
CN106102554A (zh) 2016-11-09
JP2015173827A (ja) 2015-10-05
DE112015000917T5 (de) 2016-11-03
US20160379363A1 (en) 2016-12-29
WO2015137016A1 (ja) 2015-09-17

Similar Documents

Publication Publication Date Title
CN106102554B (zh) 图像处理装置以及图像处理方法
Ito et al. Endoscopic diagnostic support system for cT1b colorectal cancer using deep learning
US9959618B2 (en) Image processing apparatus, image processing method, and computer-readable recording medium
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
Kuiper et al. Automatic optical diagnosis of small colorectal lesions by laser-induced autofluorescence
Segui et al. Categorization and segmentation of intestinal content frames for wireless capsule endoscopy
US8204287B2 (en) Image processing apparatus, image processing method and image processing program
CN109410167A (zh) 一种3d乳腺图像的分析方法及相关产品
Figueiredo et al. Computer-assisted bleeding detection in wireless capsule endoscopy images
Pigò et al. i-Scan high-definition white light endoscopy and colorectal polyps: prediction of histology, interobserver and intraobserver agreement
Riaz et al. Detecting melanoma in dermoscopy images using scale adaptive local binary patterns
US20150254826A1 (en) Image processing apparatus, image processing method, and computer-readable recording medium
US8351667B2 (en) Methods of contrast enhancement for images having blood vessel structures
CN103327883A (zh) 医用图像处理装置和医用图像处理方法
CN105979847A (zh) 内窥镜图像诊断辅助系统
CN103458765B (zh) 图像处理装置
Dmitry et al. Review of features and metafeatures allowing recognition of abnormalities in the images of GIT
JP2018054443A (ja) 情報処理装置、情報処理システム及びプログラム
Majtner et al. A deep learning framework for autonomous detection and classification of Crohnʼs disease lesions in the small bowel and colon with capsule endoscopy
CN108697310A (zh) 图像处理装置、图像处理方法和程序
Bourbakis et al. A neural network-based detection of bleeding in sequences of WCE images
Pan et al. BP neural network classification for bleeding detection in wireless capsule endoscopy
Masci et al. Interobserver agreement among endoscopists on evaluation of polypoid colorectal lesions visualized with the Pentax i-Scan technique
Ghosh et al. An automatic bleeding detection scheme in wireless capsule endoscopy based on statistical features in hue space

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