CN107767365A - 一种内窥镜图像处理方法及系统 - Google Patents
一种内窥镜图像处理方法及系统 Download PDFInfo
- Publication number
- CN107767365A CN107767365A CN201710857639.5A CN201710857639A CN107767365A CN 107767365 A CN107767365 A CN 107767365A CN 201710857639 A CN201710857639 A CN 201710857639A CN 107767365 A CN107767365 A CN 107767365A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- curve map
- color
- endoscopic images
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 241001484259 Lacuna Species 0.000 claims abstract description 33
- 230000003902 lesion Effects 0.000 claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007170 pathology Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 description 5
- 239000002775 capsule Substances 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 3
- 201000002313 intestinal cancer Diseases 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 208000034493 Mucous membrane disease Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 230000005176 gastrointestinal motility Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000009826 neoplastic cell growth Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种内窥镜图像处理方法及系统,其中,对内窥镜采集的若干图像进行预处理,根据HSV空间下的缺项曲线图对预处理后的内窥镜图像进行分类,删除难以识别的图像,难以识别的图像很模糊,对病灶判断没有作用,将其删除可以减轻后续图像处理工作量;计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像,相似度较高的冗余图像同样对病灶判断没有作用,将其删除,保留有效图像,可以减轻后续图像处理工作量,加快图像分析处理的速度,减轻医生工作量;训练病灶部位分类器,利用病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,可以辅助医生读片,提升医生效率,防止医生由于工作量太大而错检、漏检。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种内窥镜图像处理方法及系统。
背景技术
消化道黏膜疾病以及由此进一步引发的消化道癌变是国民健康的最大杀手之一(约占我国全部恶性肿瘤发病率的60~70%)。根据美国癌症协会(American CancerSociety)的统计显示,消化道黏膜瘤变(neoplasia metastasis)的早期检测和诊断是降低消化道癌变死亡率(尤其是肠癌)的关键因素:如果肠癌病人在瘤变的早期阶段得以发现并采取治疗措施,五年存活率通常可以超过90%;如果未能在早期发现而是任其发展到中晚期,病人的五年存活率仅有不足10%。依照传统,医生需要借助光纤式内窥镜插入病人体内进行观测消化道内部情况或进行活检,以检测病变并确定需要采取的措施。然而由于光纤式内窥镜的物理局限性,既为医生的操作带来了不便,也造成了病人的痛苦,甚至存在着内窥镜穿破肠壁造成感染或者死亡的危险。因此,许多患者由于恐惧而放弃检查,这对于食道癌、胃癌、肠癌(尤其是小肠、十二指肠等光纤式内窥镜难以达到的部位)等发病率极高的消化道疾病的预防和早期治疗非常不利。
目前临床上面出现一种低功耗可精确定位的多功能胶囊内窥镜,它提供了一种小型化、无痛苦、便捷的消化道检查方式。患者像服药一样用水将胶囊吞下,它即随着胃肠肌肉进行蠕动,通过内置的微型相机记录消化道内的病理图像,并将图像显示给医生为其诊断提供依据,但是由于胶囊内窥镜在体内靠肠道蠕动运动,经常碰到获取的图像模糊,有可能导致病理区域图像不清晰而没有办法准确诊断,针对胶囊内窥镜图像难以准确识别的问题,目前还没有专门的识别方法,大部分是靠医生肉眼进行识别,配合图像的去噪和增强,可以在一定程度上提高识别的准确率,但是工作量巨大,而且人工的识别难以避免错检和漏检,给疾病的诊断带来一定的难度。另外,胶囊内窥镜依靠胃肠道蠕动对人体消化道内壁进行拍摄,工作时间可维持6—8小时,单次检查将会产生3万—8万张图片,在消化道内拍摄过程中,在某些时刻其前进的速度比较缓慢,从而造成邻近图像之间无较大差异,产生了相似度高的大量冗余图片,这些冗余图片对于医生诊断疾病没有帮助且会耗费医生的时间;医生在大量图片中寻找病灶图片的难度较大,工作量较大。
发明内容
本发明的目的在于克服上述技术不足,提出一种内窥镜图像处理方法及系统,解决现有技术中的上述技术问题。
为达到上述技术目的,本发明的技术方案提供一种内窥镜图像处理方法,包括:
S1、对内窥镜采集的若干图像进行预处理,预处理包括去噪声处理、图像增强处理;
S2、对预处理后的图像做HSV空间下的缺项曲线图,根据缺项曲线图将图像分类,删除分类中难以识别的图像;
S3、计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像;
S4、训练病灶部位分类器,利用病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位。
本发明还提供一种内窥镜图像处理系统,包括:
预处理模块:对内窥镜采集的若干图像进行预处理,预处理包括去噪声处理、图像增强处理;
分类模块:对预处理后的图像做HSV空间下的缺项曲线图,根据缺项曲线图将图像分类,删除分类中难以识别的图像;
去重模块:计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像;
病灶识别模块:训练病灶部位分类器,利用病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位。
与现有技术相比,本发明的有益效果包括:对预处理后的内窥镜图像进行分类,删除难以识别的图像,难以识别的图像很模糊,对病灶判断没有作用,将其删除可以减轻后续图像处理工作量;计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像,相似度较高的冗余图像同样对病灶判断没有作用,将其删除,保留有效图像,可以减轻后续图像处理工作量,加快图像分析处理的速度,减轻医生工作量;训练病灶部位分类器,利用病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,可以辅助医生读片,提升医生效率,防止医生由于工作量太大而错检、漏检。
附图说明
图1是本发明提供的一种内窥镜图像处理方法流程图;
图2是本发明提供的一种内窥镜图像处理系统结构框图;
图3是图2中去重模块的结构框图。
附图中:1、内窥镜图像处理系统,11、预处理模块,12、分类模块,13、去重模块,14、病灶识别模块,131、特征向量提取单元,132、相似度计算单元,133、删除单元。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种内窥镜图像处理方法,包括:
S1、对内窥镜采集的若干图像进行预处理,预处理包括去噪声处理、图像增强处理;
S2、对预处理后的图像做HSV空间下的缺项曲线图,根据缺项曲线图将图像分类,删除分类中难以识别的图像;
S3、计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像;
S4、将去除冗余图像后的所有图像提供给医生读片,并利用预先训练好的病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,辅助医生读片。
本发明所述的内窥镜图像处理方法,步骤S1中图像增强处理的步骤为:
将图像从红、绿、蓝RGB颜色空间转换到色调、饱和度、亮度HSI颜色空间;
保持色调分量不变,分别对亮度分量和饱和度分量进行增强处理,得到处理后的图像;
将处理后的图像从HSI颜色空间转换到RGB颜色空间;
具体的,利用Retinex视觉模型对图像的亮度分量进行局部增强处理,得到局部增强处理后的图像,然后利用Gamma变换对局部增强处理后的图像进行全局亮度调整;根据饱和度分量与亮度分量的关系,对饱和度分量进行增强处理。
本发明所述的内窥镜图像处理方法,步骤S2中:
对预处理后的图像做HSV空间下的缺项曲线图,HSV中三个通道同时参与识别的结果比单一通道参与识别的结果更为准确,三个通道包括:通道H、通道S、通道V。其中,通道H代表色相,通道S代表饱和度,通道V代表明度。大量的实践经验表明,正常的图像、容易识别的图像、难以识别的图像三类图像HSV空间下的缺项曲线图相差2个百分点左右,因此可以很好的设定阈值;
根据缺项曲线图将图像分类的具体步骤为:
设定缺项曲线图的阈值,根据缺项曲线图阈值将预处理后的图像分类为正常的图像、容易识别的图像、难以识别的图像;
缺项曲线图阈值设置为正常的图像、容易识别的图像、难以识别的图像三类图像HSV空间下的缺项曲线图相差2个百分点;正常的图像、容易识别的图像、难以识别的图像的清晰度逐渐降低,正常的图像较清晰,难以识别的图像很模糊;
分类出难以识别的图像将其删除;
对于分类出的难以识别的图像,还有一种处理方式,例如,可以再进一步处理,将难以识别的图像再次进行预处理,并重新进行分类,筛选出容易识别的图像、难以识别的图像,然后将重新分类的难以识别的图像删除,保留其他图像。
本发明所述的内窥镜图像处理方法,步骤S3包括:
S31、采用HSV颜色特征直方图与灰度共生矩阵(Graylevelco-occurrencematrix,GLCM)分别提取各图像的颜色特征向量与纹理特征向量;
S32、对提取出的图像的颜色特征向量与纹理特征向量,通过计算图像的颜色特征归一化互信息量和纹理特征均方误差分别作为颜色特征相似度与纹理特征相似度;
S33、去除颜色特征相似度、纹理特征相似度在相似度阈值以上的冗余图像。
本发明所述的内窥镜图像处理方法,步骤S4中训练病灶部位分类器的步骤为:
针对不同的病症训练不同的病灶部位分类器;选择多个国家、多个年龄段的正常及带有病理的内镜照片作为训练样本,根据特征点使用监督或者半监督式训练病灶部位分类器。
本发明还提供一种内窥镜图像处理系统1,包括:
预处理模块11:对内窥镜采集的若干图像进行预处理,预处理包括去噪声处理、图像增强处理;
分类模块12:对预处理后的图像做HSV空间下的缺项曲线图,根据缺项曲线图将图像分类,删除分类中难以识别的图像;
去重模块13:计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像;
病灶识别模块14:将去除冗余图像后的所有图像提供给医生读片,并利用预先训练好的病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,辅助医生读片。
本发明所述的内窥镜图像处理系统1,预处理模块11中:
将图像从红、绿、蓝RGB颜色空间转换到色调、饱和度、亮度HSI颜色空间;
保持色调分量不变,分别对亮度分量和饱和度分量进行增强处理,得到处理后的图像;
将处理后的图像从HSI颜色空间转换到RGB颜色空间。
本发明所述的内窥镜图像处理系统1,分类模块12中:
设定缺项曲线图的阈值,根据缺项曲线图阈值将预处理后的图像分类为正常的图像、容易识别的图像、难以识别的图像;
缺项曲线图阈值设置为正常的图像、容易识别的图像、难以识别的图像三类图像HSV空间下的缺项曲线图相差2个百分点。
本发明所述的内窥镜图像处理系统1,去重模块13包括:
特征向量提取单元131:采用HSV颜色特征直方图与灰度共生矩阵(Graylevelco-occurrencematrix,GLCM)分别提取各图像的颜色特征向量与纹理特征向量;
相似度计算单元132:对提取出的图像的颜色特征向量与纹理特征向量,通过计算图像的颜色特征归一化互信息量和纹理特征均方误差分别作为颜色特征相似度与纹理特征相似度;
删除单元133:去除颜色特征相似度、纹理特征相似度在相似度阈值以上的冗余图像。
本发明所述的内窥镜图像处理系统1,病灶识别模块14中:
针对不同的病症训练不同的病灶部位分类器,选择多个国家、多个年龄段的正常及带有病理的内镜照片作为训练样本,根据特征点训练病灶部位分类器。
与现有技术相比,本发明的有益效果包括:对预处理后的内窥镜图像进行分类,删除难以识别的图像,难以识别的图像很模糊,对病灶判断没有作用,将其删除可以减轻后续图像处理工作量;计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像,相似度较高的冗余图像同样对病灶判断没有作用,将其删除,保留有效图像,可以减轻后续图像处理工作量,加快图像分析处理的速度,减轻医生工作量;训练病灶部位分类器,利用病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,可以辅助医生读片,提升医生效率,防止医生由于工作量太大而错检、漏检。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种内窥镜图像处理方法,其特征在于,包括:
S1、对内窥镜采集的若干图像进行预处理,预处理包括去噪声处理、图像增强处理;
S2、对预处理后的图像做HSV空间下的缺项曲线图,根据所述缺项曲线图将图像分类,删除分类中难以识别的图像;
S3、计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像;
S4、将去除所述冗余图像后的所有图像提供给医生读片,并利用预先训练好的病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,辅助医生读片。
2.如权利要求1所述的内窥镜图像处理方法,其特征在于,步骤S1中图像增强处理的步骤为:
将图像从红、绿、蓝RGB颜色空间转换到色调、饱和度、亮度HSI颜色空间;
保持色调分量不变,分别对亮度分量和饱和度分量进行增强处理,得到处理后的图像;
将处理后的图像从HSI颜色空间转换到RGB颜色空间。
3.如权利要求1所述的内窥镜图像处理方法,其特征在于,步骤S2中根据缺项曲线图将图像分类的步骤为:
设定所述缺项曲线图的阈值,根据所述缺项曲线图阈值将预处理后的图像分类为正常的图像、容易识别的图像、难以识别的图像;
所述缺项曲线图阈值设置为正常的图像、容易识别的图像、难以识别的图像三类图像HSV空间下的缺项曲线图相差2个百分点。
4.如权利要求1所述的内窥镜图像处理方法,其特征在于,步骤S3包括:
S31、采用HSV颜色特征直方图与灰度共生矩阵(Graylevelco-occurrencematrix,GLCM)分别提取各图像的颜色特征向量与纹理特征向量;
S32、对提取出的图像的颜色特征向量与纹理特征向量,通过计算图像的颜色特征归一化互信息量和纹理特征均方误差分别作为颜色特征相似度与纹理特征相似度;
S33、去除颜色特征相似度、纹理特征相似度在相似度阈值以上的冗余图像。
5.如权利要求1所述的内窥镜图像处理方法,其特征在于,步骤S4中训练病灶部位分类器的步骤为:
针对不同的病症训练不同的所述病灶部位分类器;选择多个国家、多个年龄段的正常及带有病理的内镜照片作为训练样本,根据特征点训练所述病灶部位分类器。
6.一种内窥镜图像处理系统,其特征在于,包括:
预处理模块:对内窥镜采集的若干图像进行预处理,预处理包括去噪声处理、图像增强处理;
分类模块:对预处理后的图像做HSV空间下的缺项曲线图,根据所述缺项曲线图将图像分类,删除分类中难以识别的图像;
去重模块:计算各图像的相似度,去除相似度在相似度阈值以上的冗余图像;
病灶识别模块:将去除所述冗余图像后的所有图像提供给医生读片,并利用预先训练好的病灶部位分类器识别出含有病灶的图像以及标示出图像中的病灶部位,辅助医生读片。
7.如权利要求6所述的内窥镜图像处理系统,其特征在于,预处理模块中:
将图像从红、绿、蓝RGB颜色空间转换到色调、饱和度、亮度HSI颜色空间;
保持色调分量不变,分别对亮度分量和饱和度分量进行增强处理,得到处理后的图像;
将处理后的图像从HSI颜色空间转换到RGB颜色空间。
8.如权利要求6所述的内窥镜图像处理系统,其特征在于,分类模块中:
设定所述缺项曲线图的阈值,根据所述缺项曲线图阈值将预处理后的图像分类为正常的图像、容易识别的图像、难以识别的图像;
所述缺项曲线图阈值设置为正常的图像、容易识别的图像、难以识别的图像三类图像HSV空间下的缺项曲线图相差2个百分点。
9.如权利要求6所述的内窥镜图像处理系统,其特征在于,去重模块包括:
特征向量提取单元:采用HSV颜色特征直方图与灰度共生矩阵(Graylevelco-occurrencematrix,GLCM)分别提取各图像的颜色特征向量与纹理特征向量;
相似度计算单元:对提取出的图像的颜色特征向量与纹理特征向量,通过计算图像的颜色特征归一化互信息量和纹理特征均方误差分别作为颜色特征相似度与纹理特征相似度;
删除单元:去除颜色特征相似度、纹理特征相似度在相似度阈值以上的所述冗余图像。
10.如权利要求6所述的内窥镜图像处理系统,其特征在于,病灶识别模块中:
针对不同的病症训练不同的所述病灶部位分类器,选择多个国家、多个年龄段的正常及带有病理的内镜照片作为训练样本,根据特征点训练所述病灶部位分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710857639.5A CN107767365A (zh) | 2017-09-21 | 2017-09-21 | 一种内窥镜图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710857639.5A CN107767365A (zh) | 2017-09-21 | 2017-09-21 | 一种内窥镜图像处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107767365A true CN107767365A (zh) | 2018-03-06 |
Family
ID=61266373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710857639.5A Pending CN107767365A (zh) | 2017-09-21 | 2017-09-21 | 一种内窥镜图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767365A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877915A (zh) * | 2018-06-07 | 2018-11-23 | 合肥工业大学 | 微创视像处理的智能边缘计算系统 |
CN109151275A (zh) * | 2018-08-29 | 2019-01-04 | 合肥工业大学 | 具有实时腔镜视像增强处理功能的智能边缘计算系统 |
CN109447985A (zh) * | 2018-11-16 | 2019-03-08 | 青岛美迪康数字工程有限公司 | 结肠镜图像分析方法、装置及可读存储介质 |
CN109635871A (zh) * | 2018-12-12 | 2019-04-16 | 浙江工业大学 | 一种基于多特征融合的胶囊内窥镜图像分类方法 |
CN109767395A (zh) * | 2018-12-29 | 2019-05-17 | 深圳市资福医疗技术有限公司 | 一种胶囊内窥镜图像处理方法及装置 |
CN110147462A (zh) * | 2019-05-20 | 2019-08-20 | 新联智慧信息技术(深圳)有限公司 | 宗教短视频的验证方法及相关产品 |
CN110175995A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种基于病理图像的图像状态确定方法、装置以及系统 |
CN110196926A (zh) * | 2019-06-10 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 对象处理方法、装置、电子设备及计算机可读存储介质 |
CN110322420A (zh) * | 2019-05-07 | 2019-10-11 | 上海成运医疗器械股份有限公司 | 用于电子内窥镜系统的图像处理方法及图像处理系统 |
CN110505383A (zh) * | 2019-08-29 | 2019-11-26 | 重庆金山医疗技术研究院有限公司 | 一种图像获取方法、图像获取装置及内窥镜系统 |
CN111493805A (zh) * | 2020-04-23 | 2020-08-07 | 重庆金山医疗技术研究院有限公司 | 一种状态检测装置、方法、系统及可读存储介质 |
CN111754503A (zh) * | 2020-07-01 | 2020-10-09 | 武汉楚精灵医疗科技有限公司 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
CN111798387A (zh) * | 2020-06-24 | 2020-10-20 | 海南大学 | 一种用于共聚焦内窥镜的图像处理方法及系统 |
CN112070837A (zh) * | 2020-08-31 | 2020-12-11 | 浙江省机电设计研究院有限公司 | 一种基于视觉分析的零部件定位及抓取方法、系统 |
CN113012131A (zh) * | 2021-03-19 | 2021-06-22 | 重庆金山医疗器械有限公司 | 一种内镜图像处理方法、装置、设备和介质 |
CN113268623A (zh) * | 2021-06-01 | 2021-08-17 | 上海市第一人民医院 | 一种人工智能化胃镜图像识别处理系统 |
CN113436183A (zh) * | 2021-07-09 | 2021-09-24 | 浙江大学 | 一种图像的相关性分析装置 |
CN113642419A (zh) * | 2021-07-23 | 2021-11-12 | 上海亘存科技有限责任公司 | 一种用于目标识别的卷积神经网络及其识别方法 |
CN115153647A (zh) * | 2022-07-05 | 2022-10-11 | 四川轻化工大学 | 一种基于超声波内窥镜的智能胰腺癌变检测方法及平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101584571A (zh) * | 2009-06-15 | 2009-11-25 | 无锡骏聿科技有限公司 | 一种胶囊内镜辅助读片方法 |
CN102096917B (zh) * | 2010-12-22 | 2012-08-15 | 南方医科大学 | 胶囊内窥镜冗余图像数据的自动剔除方法 |
CN102722735A (zh) * | 2012-05-24 | 2012-10-10 | 西南交通大学 | 一种融合全局和局部特征的内镜图像病变检测方法 |
CN102779330A (zh) * | 2012-06-13 | 2012-11-14 | 京东方科技集团股份有限公司 | 图像增强方法、图像增强装置和显示装置 |
CN103593655A (zh) * | 2013-11-20 | 2014-02-19 | 深圳先进技术研究院 | 无线胶囊内窥镜图像识别方法及系统 |
CN105469383A (zh) * | 2014-12-30 | 2016-04-06 | 北京大学深圳研究生院 | 基于多特征融合的无线胶囊内窥镜冗余图像筛除方法 |
CN103747270B (zh) * | 2013-12-19 | 2017-01-11 | 中山大学 | 一种胶囊内窥镜视频图像的去冗余方法及系统 |
-
2017
- 2017-09-21 CN CN201710857639.5A patent/CN107767365A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101584571A (zh) * | 2009-06-15 | 2009-11-25 | 无锡骏聿科技有限公司 | 一种胶囊内镜辅助读片方法 |
CN102096917B (zh) * | 2010-12-22 | 2012-08-15 | 南方医科大学 | 胶囊内窥镜冗余图像数据的自动剔除方法 |
CN102722735A (zh) * | 2012-05-24 | 2012-10-10 | 西南交通大学 | 一种融合全局和局部特征的内镜图像病变检测方法 |
CN102779330A (zh) * | 2012-06-13 | 2012-11-14 | 京东方科技集团股份有限公司 | 图像增强方法、图像增强装置和显示装置 |
CN103593655A (zh) * | 2013-11-20 | 2014-02-19 | 深圳先进技术研究院 | 无线胶囊内窥镜图像识别方法及系统 |
CN103747270B (zh) * | 2013-12-19 | 2017-01-11 | 中山大学 | 一种胶囊内窥镜视频图像的去冗余方法及系统 |
CN105469383A (zh) * | 2014-12-30 | 2016-04-06 | 北京大学深圳研究生院 | 基于多特征融合的无线胶囊内窥镜冗余图像筛除方法 |
Non-Patent Citations (2)
Title |
---|
刘小燕 等: "基于SURF算法的胶囊内镜冗余图像快速筛除", 《中国生物医学工程学报》 * |
孙宇千 等: "胶囊内窥镜冗余图像数据自动筛除方法", 《计算机应用研究》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877915A (zh) * | 2018-06-07 | 2018-11-23 | 合肥工业大学 | 微创视像处理的智能边缘计算系统 |
CN109151275A (zh) * | 2018-08-29 | 2019-01-04 | 合肥工业大学 | 具有实时腔镜视像增强处理功能的智能边缘计算系统 |
CN109447985A (zh) * | 2018-11-16 | 2019-03-08 | 青岛美迪康数字工程有限公司 | 结肠镜图像分析方法、装置及可读存储介质 |
CN109635871A (zh) * | 2018-12-12 | 2019-04-16 | 浙江工业大学 | 一种基于多特征融合的胶囊内窥镜图像分类方法 |
CN109635871B (zh) * | 2018-12-12 | 2021-06-18 | 浙江工业大学 | 一种基于多特征融合的胶囊内窥镜图像分类方法 |
CN109767395A (zh) * | 2018-12-29 | 2019-05-17 | 深圳市资福医疗技术有限公司 | 一种胶囊内窥镜图像处理方法及装置 |
CN110322420A (zh) * | 2019-05-07 | 2019-10-11 | 上海成运医疗器械股份有限公司 | 用于电子内窥镜系统的图像处理方法及图像处理系统 |
CN110147462A (zh) * | 2019-05-20 | 2019-08-20 | 新联智慧信息技术(深圳)有限公司 | 宗教短视频的验证方法及相关产品 |
CN110175995A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种基于病理图像的图像状态确定方法、装置以及系统 |
US11921278B2 (en) | 2019-05-29 | 2024-03-05 | Tencent Technology (Shenzhen) Company Limited | Image status determining method an apparatus, device, system, and computer storage medium |
CN110175995B (zh) * | 2019-05-29 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 一种基于病理图像的图像状态确定方法、装置以及系统 |
CN110196926A (zh) * | 2019-06-10 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 对象处理方法、装置、电子设备及计算机可读存储介质 |
CN110505383A (zh) * | 2019-08-29 | 2019-11-26 | 重庆金山医疗技术研究院有限公司 | 一种图像获取方法、图像获取装置及内窥镜系统 |
CN111493805A (zh) * | 2020-04-23 | 2020-08-07 | 重庆金山医疗技术研究院有限公司 | 一种状态检测装置、方法、系统及可读存储介质 |
CN111798387A (zh) * | 2020-06-24 | 2020-10-20 | 海南大学 | 一种用于共聚焦内窥镜的图像处理方法及系统 |
CN111754503B (zh) * | 2020-07-01 | 2023-12-08 | 武汉楚精灵医疗科技有限公司 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
CN111754503A (zh) * | 2020-07-01 | 2020-10-09 | 武汉楚精灵医疗科技有限公司 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
CN112070837A (zh) * | 2020-08-31 | 2020-12-11 | 浙江省机电设计研究院有限公司 | 一种基于视觉分析的零部件定位及抓取方法、系统 |
CN113012131A (zh) * | 2021-03-19 | 2021-06-22 | 重庆金山医疗器械有限公司 | 一种内镜图像处理方法、装置、设备和介质 |
CN113268623A (zh) * | 2021-06-01 | 2021-08-17 | 上海市第一人民医院 | 一种人工智能化胃镜图像识别处理系统 |
CN113436183A (zh) * | 2021-07-09 | 2021-09-24 | 浙江大学 | 一种图像的相关性分析装置 |
CN113642419A (zh) * | 2021-07-23 | 2021-11-12 | 上海亘存科技有限责任公司 | 一种用于目标识别的卷积神经网络及其识别方法 |
CN113642419B (zh) * | 2021-07-23 | 2024-03-01 | 上海亘存科技有限责任公司 | 一种用于目标识别的卷积神经网络及其识别方法 |
CN115153647A (zh) * | 2022-07-05 | 2022-10-11 | 四川轻化工大学 | 一种基于超声波内窥镜的智能胰腺癌变检测方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767365A (zh) | 一种内窥镜图像处理方法及系统 | |
CN101404923B (zh) | 医疗用图像处理装置 | |
US8515141B2 (en) | Medical image processing apparatus and method for detecting locally protruding lesion | |
CN111655116A (zh) | 图像诊断辅助装置、资料收集方法、图像诊断辅助方法及图像诊断辅助程序 | |
EP1997076B1 (en) | Cascade analysis for intestinal contraction detection | |
CN110049709A (zh) | 图像处理装置 | |
CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
JP4902735B2 (ja) | 医療用画像処理装置及び医療用画像処理方法 | |
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 | |
CN113379693B (zh) | 基于视频摘要技术的胶囊内镜关键病灶图像检测方法 | |
KR20040059312A (ko) | 혀영상으로부터 관심영역 추출방법 및 혀영상을 이용한건강 모니터링방법 및 장치 | |
US20130002842A1 (en) | Systems and Methods for Motion and Distance Measurement in Gastrointestinal Endoscopy | |
CN103327883A (zh) | 医用图像处理装置和医用图像处理方法 | |
CN104203075B (zh) | 医疗用图像处理装置 | |
CN102984990A (zh) | 诊断辅助装置 | |
JP4749732B2 (ja) | 医用画像処理装置 | |
Penna et al. | A technique for blood detection in wireless capsule endoscopy images | |
CN111839445A (zh) | 一种基于图像识别的结肠镜手术中窄带成像检测方法 | |
Wang et al. | Reduction of bubble-like frames using a RSS filter in wireless capsule endoscopy video | |
Chen et al. | Ulcer detection in wireless capsule endoscopy video | |
Ghosh et al. | Block based histogram feature extraction method for bleeding detection in wireless capsule endoscopy | |
JP2011024628A (ja) | 画像処理装置、画像処理プログラムおよび画像処理方法 | |
Gueye et al. | Automatic detection of colonoscopic anomalies using capsule endoscopy | |
CN103593655B (zh) | 无线胶囊内窥镜图像识别方法及系统 | |
JPH0235358A (ja) | 胃組織の腺腔を抽出するための画像処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |