CN108601509A - 图像处理装置、图像处理方法以及程序 - Google Patents

图像处理装置、图像处理方法以及程序 Download PDF

Info

Publication number
CN108601509A
CN108601509A CN201580085740.2A CN201580085740A CN108601509A CN 108601509 A CN108601509 A CN 108601509A CN 201580085740 A CN201580085740 A CN 201580085740A CN 108601509 A CN108601509 A CN 108601509A
Authority
CN
China
Prior art keywords
abnormal
image processing
candidate region
processing apparatus
image
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
CN201580085740.2A
Other languages
English (en)
Other versions
CN108601509B (zh
Inventor
神田大和
河野隆志
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 CN108601509A publication Critical patent/CN108601509A/zh
Application granted granted Critical
Publication of CN108601509B publication Critical patent/CN108601509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A61B1/000095—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope for image enhancement
    • 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
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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
    • G06T7/514—Depth or shape recovery from specularities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • G06T2207/30032—Colon polyp
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Endoscopes (AREA)
  • Image Analysis (AREA)

Abstract

提供能够充分确保异常部的检测性能的图像处理装置、图像处理方法以及程序。图像处理装置(1)具有：异常候选区域检测部(10)，其根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及异常区域确定部(11)，其根据异常候选区域的纹理信息来确定异常区域。

Description

图像处理装置、图像处理方法以及程序
技术领域
本发明涉及识别通过对生物体的管腔内进行拍摄而获取的图像所包含的异常区域的图像处理装置、图像处理方法以及程序。
背景技术
公知有如下技术：在通过内窥镜或胶囊型内窥镜等医用观察装置对生物体的管腔内进行拍摄而获得的图像(以下，称为“管腔内图像”)中检测异常部(例如息肉等)(参照专利文献1)。在该技术中，在对管腔内图像进行了边缘提取之后，使用霍夫变换等来识别椭圆形的几何形状，并根据该图像的形状物的颜色来检测异常部。
现有技术文献
专利文献
专利文献1：日本特开2007-125373号公报
发明内容
发明要解决的课题
然而，管腔内图像中的异常部并不一定产生颜色的变化，大多作为利用粘膜表面的纹理(图案)的差异来判断异常的标志。因此，在上述的专利文献1中，具有无法充分确保异常部的检测性能这样的问题。
本发明是鉴于上述而完成的，其目的在于提供一种能够充分确保异常部的检测性能的图像处理装置、图像处理方法以及程序。
用于解决课题的手段
为了解决上述课题并达成目的，本发明的图像处理装置的特征在于，其具有：异常候选区域检测部，其根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及异常区域确定部，其根据所述异常候选区域的纹理信息来确定异常区域。
另外，本发明的图像处理方法的特征在于，其包含如下步骤：异常候选区域检测步骤，根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及异常区域确定步骤，根据所述异常候选区域的纹理信息来确定异常区域。
另外，本发明的程序的特征在于，其使图像处理装置执行如下步骤：异常候选区域检测步骤，根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及异常区域确定步骤，根据所述异常候选区域的纹理信息来确定异常区域。
发明效果
根据本发明实现了如下效果：能够充分确保异常部的检测性能。
附图说明
图1是示出本发明的实施方式1的图像处理装置的结构的框图。
图2是示出本发明的实施方式1的图像处理装置所执行的处理的概要的流程图。
图3是示出图2的异常候选区域检测处理的概要的流程图。
图4是示出管腔内图像的一例的图。
图5是示出图2的纹理信息计算区域设定处理的概要的流程图。
图6A是示出异常候选区域的一例的图。
图6B是示意性地示出对异常候选区域的几何形状的拟合的图。
图7是示出图2的纹理信息计算处理的概要的流程图。
图8是示意性地示出区域尺寸变更部进行的尺寸变更的概要的图。
图9是示意性地示出管构造区域确定部对管构造区域的确定的图。
图10A是示意性地示出形状索引的形状的图。
图10B是示意性地示出形状索引的形状的图。
图10C是示意性地示出形状索引的形状的图。
图10D是示意性地示出形状索引的形状的图。
图10E是示意性地示出形状索引的形状的图。
图11A是示意性地示出与曲度(Curvedness)值对应的形状的图。
图11B是示意性地示出与曲度(Curvedness)值对应的形状的图。
图11C是示意性地示出与曲度(Curvedness)值对应的形状的图。
图12是示意性地示出斑点构造区域确定部对斑点构造区域的确定的图。
图13是示出不同构造的频率分布的一例的图。
图14是示意性地示出图2的异常区域识别处理的概要的图。
图15是示出本发明的实施方式1的变形例1的信息计算区域设定部的结构的框图。
图16是示出本发明的实施方式1的变形例1的信息计算区域设定部所执行的纹理信息计算区域设定处理的概要的流程图。
图17是示出本发明的实施方式1的变形例2的信息计算区域设定部的结构的框图。
图18是示出本发明的实施方式1的变形例2的信息计算区域设定部所执行的纹理信息计算区域设定处理的概要的流程图。
图19A是示意性地示出本发明的实施方式1的变形例2的侧面区域排除部对异常候选区域的侧面区域的排除的图。
图19B是示意性地示出本发明的实施方式1的变形例2的纹理信息计算区域的图。
图20是示出本发明的实施方式1的变形例3的纹理信息计算部的结构的框图。
图21是示出本发明的实施方式1的变形例3的纹理信息计算部所执行的纹理信息计算处理的概要的流程图。
图22是示出本发明的实施方式1的变形例4的异常候选区域检测部所执行的异常候选区域检测处理的概要的流程图。
图23是示出本发明的实施方式1的变形例5的异常候选区域检测部所执行的异常候选区域检测处理的概要的流程图。
图24是示出本发明的实施方式1的变形例6的异常候选区域检测部所执行的异常候选区域检测处理的概要的流程图。
图25是示出本发明的实施方式2的运算部的结构的框图。
具体实施方式
以下，参照附图对本发明的实施方式的图像处理装置、图像处理方法以及程序进行说明。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的标号并进行示出。
(实施方式1)
〔图像处理装置的结构〕
图1是示出本发明的实施方式1的图像处理装置的结构的框图。本实施方式1的图像处理装置1作为一例是如下装置：针对通过内窥镜(内窥镜镜体)或胶囊型内窥镜(以下，将它们概括起来简称为“内窥镜”)对生物体的管腔进行拍摄而获取的管腔内图像，实施对能够从粘膜表面识别的异常区域(异常部)或存在于粘膜上的异常区域(异常部)(以下，简称为“能够从粘膜表面识别的异常区域”)进行检测的图像处理。另外，以下，管腔内图像通常是在各像素位置上对R(红)、G(绿)以及B(蓝)各自的波长成分(颜色成分)具有规定(例如256灰度)的像素等级(像素值)的彩色图像。
图1所示的图像处理装置1具有：图像获取部2，其从内窥镜或外部获取与内窥镜所拍摄的管腔内图像对应的图像数据；输入部3，其接收通过来自外部的操作而输入的输入信号；显示部4，其进行管腔内图像的显示和各种显示；记录部5，其记录图像获取部2所获取的图像数据和各种程序；控制部6，其控制整个图像处理装置1的动作；以及运算部7，其对图像数据进行规定的图像处理。
图像获取部2根据包含内窥镜的系统的形式而适当构成。例如，在与内窥镜之间的图像数据的交换中使用可移动型的记录介质的情况下，图像获取部2构成为装卸自如地安装该记录介质且读出所记录的图像数据的读取装置。另外，在使用对内窥镜所拍摄的图像数据进行记录的服务器的情况下，图像获取部2由能够与该服务器双向通信的通信装置等构成，通过与服务器进行数据通信来获取图像数据。另外，图像获取部2也可以由从内窥镜经由线缆输入图像数据的接口装置等构成。
输入部3例如通过键盘或鼠标、触摸面板、各种开关等输入器件而实现，将根据来自外部的操作而接收的输入信号向控制部6输出。
显示部4通过液晶或有机EL(Electro LumineScence：电致发光)的显示面板等显示装置而实现，在控制部6的控制下，显示包含管腔内图像的各种画面。
记录部5通过闪速存储器、ROM(Read Only Memory：只读存储器)以及RAM(RandomAccess Memory：随机存取存储器)这样的各种IC存储器、以及内置或者由数据通信端子连接的硬盘等而实现。记录部5除了记录图像获取部2所获取的图像数据之外，还记录用于使图像处理装置1进行动作并且使图像处理装置1执行各种功能的程序和该程序的执行中所使用的数据等。例如，记录部5记录检测息肉等能够从粘膜表面识别的异常区域的图像处理程序51和该程序的执行中所使用的各种信息等。
控制部6使用CPU(Central Processing Unit：中央处理单元)等实现，统一控制整个图像处理装置1的如下动作：通过读入记录在记录部5中的各种程序，来根据从图像获取部2输入的图像数据和从输入部3输入的输入信号等，向构成图像处理装置1的各部进行指示或数据的传送等。
运算部7通过CPU等而实现，通过读入记录部5所记录的图像处理程序而实施对管腔内图像的图像处理，执行检测息肉等能够从粘膜表面识别的异常区域的图像处理，并将该图像处理后的结果向控制部6输出。
〔运算部的详细结构〕
接下来，对运算部7的详细结构进行说明。
运算部7具有异常候选区域检测部10和异常区域确定部11。
异常候选区域检测部10根据生物体的管腔内图像中的粘膜壁的轮廓边缘来检测异常候选区域。
异常区域确定部11根据异常候选区域的纹理信息(图案)来确定异常区域。异常区域确定部11具有信息计算区域设定部20、纹理信息计算部21以及识别部22。
信息计算区域设定部20设定用于对异常候选区域计算纹理信息的纹理信息计算区域。信息计算区域设定部20具有轮廓边缘提取部201和几何形状拟合部202。
轮廓边缘提取部201提取粘膜壁的轮廓边缘。
几何形状拟合部202对轮廓边缘提取部201所提取的轮廓边缘拟合几何形状。例如，几何形状拟合部202对轮廓边缘提取部201所提取的轮廓边缘拟合椭圆或圆等的形状。
纹理信息计算部21计算纹理信息计算区域中的纹理信息。纹理信息计算部21具有摄像距离归一化部211和吸光变化构造特征量计算部212。
摄像距离归一化部211进行与到纹理信息计算区域的摄像距离对应的归一化。摄像距离归一化部211具有摄像距离估计部211a和区域尺寸变更部211b。
摄像距离估计部211a估计从内窥镜等所具有的摄像部到纹理信息计算区域的摄像距离。
区域尺寸变更部211b根据摄像距离估计部211a所估计的摄像距离而变更纹理信息计算区域的区域尺寸。
吸光变化构造特征量计算部212计算纹理信息计算区域内的基于吸光变化构造的特征量。吸光变化构造特征量计算部212具有吸光变化信息计算部212a、管构造区域确定部212b以及斑点构造区域确定部212c。
吸光变化信息计算部212a计算纹理信息计算区域内的吸光变化信息。
管构造区域确定部212b根据吸光变化信息计算部212a所计算出的吸光变化信息来确定管构造区域。
斑点构造区域确定部212c根据吸光变化信息计算部212a所计算出的吸光变化信息来确定斑点构造区域。
识别部22在整个纹理信息计算区域中的斑点构造区域的比例比规定的值大的情况下，判定为异常候选区域检测部10所检测的异常候选区域异常。
〔图像处理装置的处理〕
对这样构成的图像处理装置1所执行的对管腔内图像检测异常区域的图像处理方法进行说明。图2是示出图像处理装置1所执行的处理的概要的流程图。
如图2所示，首先，图像处理装置1经由图像获取部2从外部获取与内窥镜等所拍摄的图像数据对应的管腔内图像，并将获取到的管腔内图像记录于记录部5(步骤S101)。
接着，异常候选区域检测部10获取记录在记录部5中的管腔内图像的图像数据，执行根据获取到的管腔内图像检测异常区域的候选的异常候选区域检测处理(步骤S102)。
图3是示出图2的步骤S102中的异常候选区域检测处理的概要的流程图。
如图3所示，异常候选区域检测部10提取管腔内图像中的粘膜壁的轮廓边缘(步骤S201)，根据提取的粘膜壁的轮廓边缘来检测异常候选区域(步骤S202)。具体而言，首先，选择生物体内的吸收、散射的程度最低的低吸收波长成分(例如R成分)，对该低吸收波长成分应用公知的边缘提取处理(参考：CG-ARTS协会，数字图像处理，114页：边缘提取，209页：轮廓线检测)来提取粘膜壁的轮廓边缘。然后，在轮廓边缘中检测呈弧形状的区域，根据该呈弧形状的区域的面积和曲率信息等来确定作为异常候选的轮廓边缘(例如，参照日本特开2007-244519号公报)。然后，将包含该边缘的周边区域作为异常候选区域而进行检测。另外，也可以应用在日本特开2005-192880号公报中公开的基于轮廓信息的异常发现的提取。其结果是，如图4所示，异常候选区域检测部10根据管腔内图像P1中的粘膜壁的轮廓边缘，来检测异常候选区域R1和异常候选区域R2。另外，如图4的管腔内图像P1所示，内窥镜大多对生物体的管内壁的粘膜面从斜向进行拍摄。因此，如图4所示，在内窥镜所拍摄的管腔内图像P1中拍摄有摄影距离近的管跟前的粘膜面至摄像距离远的管深部的粘膜面。近的对象被拍摄得比远的对象大。在步骤S202之后，图像处理装置1返回到图2的主例程。
返回到图2，继续步骤S103以后的说明。
在步骤S103中，信息计算区域设定部20执行用于计算异常候选区域检测部10所检测的异常候选区域的纹理信息(图案)的纹理信息计算区域设定处理。
图5是示出图2的步骤S103中的纹理信息计算区域设定处理的概要的流程图。
如图5所示，轮廓边缘提取部201提取异常候选区域检测部10所检测的异常候选区域中的管腔粘膜壁的轮廓边缘(步骤S301)。具体而言，选择生物体内的吸收、散射的程度最低的低吸收波长成分(例如R成分)，通过对该选择的低吸收波长成分进行上述的边缘提取来提取粘膜壁的轮廓边缘。或者，求出在日本特开2012-11137号公报中公开的三维像素值信息，并对该三维像素值信息应用边缘提取处理。或者，也可以使用在日本特开2014-104293号公报中公开的轮廓边缘提取方法。
接着，几何形状拟合部202根据轮廓边缘提取部201所提取的轮廓边缘来拟合几何形状(步骤S302)。具体而言，轮廓边缘提取部201对从异常候选区域R1提取的轮廓边缘拟合几何形状F1(例如椭圆)(图6A→图6B)。拟合的椭圆内的区域是异常候选区域R1内的与其他周边区域相比包含在确定异常区域方面有效的纹理信息的可能性高的区域。由此，信息计算区域设定部20能够设定纹理信息计算区域，该纹理信息计算区域用于计算在异常区域的确定方面更有效的纹理信息。在步骤S302之后，图像处理装置1返回到图2的主例程。
返回到图2，继续步骤S104以后的说明。
在步骤S104中，纹理信息计算部21执行计算纹理信息计算区域的纹理信息的纹理信息计算处理。
图7是示出图2的步骤S104中的纹理信息计算处理的概要的流程图。
如图7所示，摄像距离估计部211a估计到纹理信息计算区域的摄像距离(步骤S401)。具体而言，根据纹理信息计算区域中的像素的低吸收波长成分(R成分等)的像素值，按照下述的式(1)来估计假定了均等扩散面的摄像距离。摄像距离能够用各像素进行计算，但对纹理信息计算区域的代表性的摄像距离使用它们的平均值等。
【数学式1】
这里，r表示摄像距离，I表示光源的放射强度(事先测定)，K表示粘膜表面的扩散反射系数(事先测定平均的值)，θ表示粘膜表面的法线矢量与从该表面到光源的矢量所成的角(是由内窥镜前端的光源与粘膜表面的位置关系决定的值，但事先测定平均的值)，L表示显现摄像距离估计对象的像素的低吸收波长成分(R成分)的像素值。
接着，区域尺寸变更部211b根据摄像距离估计部211a所估计的摄像距离而变更纹理信息计算区域的尺寸(步骤S402)。具体而言，针对图像上的大小根据摄像距离的远近而变化的纹理信息计算区域，将尺寸变更成为从相同的摄像距离拍摄时的大小。例如，如图8所示，处于相同的区域，并且因为摄像距离远所以较小地显现的纹理信息计算区域T1和因为摄像距离近所以较大地显现的纹理信息计算区域T2均为相同的大小，例如纹理信息计算区域T3。由此，摄像距离归一化部211能够对信息计算区域设定部20所设定的纹理信息计算区域进行与摄像距离对应的归一化。
然后，吸光变化信息计算部212a计算尺寸被区域尺寸变更部211b变更后的纹理信息计算区域的吸光变化信息(步骤S403)。具体而言，对变更了尺寸后的纹理信息计算区域的各像素选择接近生物体中的血红蛋白的吸收频带(波长)的G成分或B成分，并将该G成分或B成分作为吸光变化信息。另外，根据纹理信息计算区域的各像素的RGB成分，也可以使用通过已知的转换而二次计算出的值、亮度、色差(YCbCr转换)、色调、饱和度、明亮度(HSI转换)、色比等与吸光变化信息相关度较高的值。
接着，管构造区域确定部212b根据吸光变化信息计算部212a所计算出的吸光变化信息来确定管构造区域(步骤S404)。具体而言，如图9所示，在纹理信息计算区域内确定显现血管等的管构造的管构造区域K1。实际上例如根据国际申请PCT/JP2015/067080号所公开的海森矩阵的固有值(另外，关于固有值计算处理，参照国际申请PCT/JP2015/067080号)来计算作为公知的三维曲率特征的形状指数(Shape Index)和曲度(Curvedness)(参照MEDICAL IMAGING TECHNOLOGY Vol.19No.3May 2001)。如图10A～图10E所示，形状指数(Shape Index)(SI)的值与吸光变化信息的区域的形状(“杯”、“凹槽”、“鞍”、“脊”、“帽”)对应。另外，如图11A～图11C所示，曲度(Curvedness)值与吸光变化信息的区域的形状(“平”～“尖”)对应。因此，根据这些值来确定显现血管等的管构造的管构造区域。另外，管构造区域确定部212b也可以通过利用与相当于管构造的像素值变化形状的模型之间的相关、或者计算公知的ULBP(Uniform Local Binary Pattern：均匀局部二值模式)特征量、伽柏(GABOR)特征量等、或者计算对关注像素的多个方向的吸光变化信息的变化特性，来确定管构造区域。
然后，斑点构造区域确定部212c根据吸光变化信息计算部212a所计算出的吸光变化信息来确定斑点构造区域(步骤S405)。具体而言，如图12所示，在纹理信息计算区域内确定显现腺体构造内的毛细血管的斑点构造区域K2。实际上根据管构造区域的确定所示的方法来进行确定。另外，在利用与像素值变化形状的模型之间的相关的情况下，使用与斑点构造相当的模型。
接着，吸光变化构造特征量计算部212计算管构造区域和斑点构造区域各自的不同构造的频率分布(步骤S406)。具体而言，如图12所示，计算纹理信息计算区域内的管构造区域、斑点构造区域、其他的无构造区域的频度分布(面积分布)。这样，吸光变化构造特征量计算部212计算不同构造的频度分布，作为纹理信息计算区域的吸光变化构造特征量。在步骤S406之后，图像处理装置1返回到图2的主例程。
返回到图2，继续步骤S105以后的说明。
在步骤S105中，识别部22执行根据吸光变化构造特征量来识别异常区域的异常区域识别处理。
图14是示出图2的步骤S105中的异常区域识别处理的概要的流程图。
如图14所示，识别部22根据吸光变化构造特征量来判定整个纹理信息计算区域中的斑点构造的比例是否比规定的值大，在斑点构造的比例比规定的值大的情况下(例如参照图13)，判定为异常候选区域检测部10所检测的异常候选区域异常(步骤S501)。在步骤S501之后，图像处理装置1返回到图2的主例程。
返回到图2，继续步骤S106以后的说明。
在步骤S106中，运算部7将异常区域的确定结果输出给显示部4。在步骤S106之后，图像处理装置1结束本处理。
根据以上说明的本发明的实施方式1，由于异常候选区域检测部10根据粘膜壁的轮廓边缘来检测异常候选区域，异常区域确定部11根据异常候选区域的纹理信息来确定异常区域，因此能够充分确保异常部的检测性能。
(变形例1)
接下来，对本实施方式1的变形例1进行说明。在本实施方式1的变形例1中，信息计算区域设定部20的结构不同，而且所执行的处理不同。以下，在说明了本实施方式1的变形例1的信息计算区域设定部的结构之后，对本实施方式1的变形例1的信息计算区域设定部所执行的处理进行说明。另外，对与上述的实施方式1的图像处理装置1相同的结构标注相同的标号而省略说明。
图15是示出本实施方式1的变形例1的信息计算区域设定部的结构的框图。图15所示的信息计算区域设定部20a具有像素值梯度强度计算部203和动态轮廓提取部204。
像素值梯度强度计算部203计算异常候选区域中的像素的像素值梯度强度。
动态轮廓提取部204根据像素值梯度强度来进行动态轮廓提取。
接下来，对信息计算区域设定部20a所执行的纹理信息计算区域设定处理进行说明。图16是示出信息计算区域设定部20a所执行的纹理信息计算区域设定处理的概要的流程图。另外，在本实施方式1的变形例1中，由于信息计算区域设定部20a所执行的纹理信息计算区域设定处理以外与上述的实施方式1的图像处理装置1所执行的处理(参照图2)相同，因此省略说明。
如图16所示，像素值梯度强度计算部203计算异常候选区域中的像素的像素值梯度强度(步骤S301a)。
接着，动态轮廓提取部204根据异常候选区域的像素值梯度强度来进行动态轮廓提取(参考：CG-ARTS协会：数字图像处理：196～199页、利用了对象物与背景之间的边缘的区域分割处理)(步骤S302a)。其结果是，设定了对异常候选区域内的像素值梯度强度高的部分拟合了轮廓的封闭区域(例如参照图6A和图6B)。在步骤S302a之后，图像处理装置1返回到图2的主例程。
根据以上说明的本发明的实施方式1的变形例1，能够通过动态轮廓提取，在异常候选区域内提取包含在确定异常区域方面有效的纹理信息的可能性高的区域，从而能够充分确保异常部的检测性能。
(变形例2)
接下来，对本发明的实施方式1的变形例2进行说明。在本实施方式1的变形例2中，信息计算区域设定部的结构不同，而且信息计算区域设定部所执行的处理不同。以下，在说明了本实施方式1的变形例2的信息计算区域设定部的结构之后，对本实施方式1的变形例2的信息计算区域设定部所执行的处理进行说明。
图17是示出本实施方式1的变形例2的信息计算区域设定部的结构的框图。图17所示的信息计算区域设定部20b除了上述的实施方式1的信息计算区域设定部20的结构之外，还具有侧面区域排除部205和镜面反射区域排除部206。
侧面区域排除部205将异常候选区域内的斜向拍摄粘膜壁而得的侧面区域排除。
镜面反射区域排除部206将异常候选区域内的镜面反射区域排除。
接下来，对信息计算区域设定部20b所执行的纹理信息计算区域设定处理进行说明。图18是示出信息计算区域设定部20b所执行的纹理信息计算区域设定处理的概要的流程图。另外，本实施方式1的变形例2的信息计算区域设定部20b所执行的纹理信息计算区域设定处理除了上述的实施方式1的纹理信息计算区域设定处理(参照图5)的步骤S301和步骤S302之外还执行步骤S303和步骤S304。因此，以下，对步骤S303和步骤S304进行说明。另外，在本实施方式1的变形例2中，由于信息计算区域设定部20b所执行的纹理信息计算区域设定处理以外与上述的实施方式1的图像处理装置1所执行的处理相同(参照图2)，因此省略说明。
在步骤S303中，侧面区域排除部205将异常候选区域内的斜向拍摄粘膜壁而得的侧面区域排除。具体而言，在异常候选区域内的各像素位置，进行上述的摄像距离估计，将摄像距离急剧变化的区域(局部的摄像距离变化较大的区域)作为侧面区域而排除。这是因为，在斜向拍摄粘膜面而得的区域中，难以计算出在确定异常区域方面有效的纹理信息。其结果是，如图19A所示，侧面区域排除部205将斜向拍摄粘膜壁而得的侧面区域F3排除。另外，也可以不进行到摄像距离的估计，通过求出像素值急剧变化的区域(局部的像素值变化较大的区域)来代替。
接着，镜面反射区域排除部206将异常候选区域内的镜面反射区域F4排除(步骤S304)。关于镜面反射区域F4的确定，例如使用日本特许第5658931号公报所公开的方法。要排除镜面反射区域F4是因为在镜面反射区域F4中无法计算出在确定异常区域方面有效的纹理信息。如图19B所示，信息计算区域设定部20通过步骤301～304，设定从在S302中拟合的几何形状内的区域中排除侧面区域和镜面反射区域后的区域，作为最终的纹理信息计算区域。在步骤S304之后，图像处理装置1返回到图2的主例程。
另外，也可以将实施方式1、变形例1、变形例2所示的几何形状的拟合、动态轮廓提取、侧面区域的排除、镜面反射区域的排除任意组合，来进行纹理信息计算区域的设定。
根据以上说明的本发明的实施方式1的变形例2，能够在异常候选区域内设定包含在确定异常区域方面有效的纹理信息的可能性高的区域，从而能够充分确保异常部的检测性能。
(变形例3)
接下来，对本发明的实施方式1的变形例3进行说明。在本实施方式1的变形例3中，纹理信息计算部的结构不同，并且所执行的处理不同。以下，在说明了本实施方式1的变形例3的纹理信息计算部的结构之后，对本实施方式1的变形例3的纹理信息计算部所执行的处理进行说明。另外，对与上述的实施方式1的图像处理装置1相同的结构标注相同的标号而省略说明。
图20是示出本实施方式1的变形例3的纹理信息计算部的结构的框图。图20所示的纹理信息计算部21a具有摄像距离归一化部213a，来代替上述的实施方式1的纹理信息计算部21的摄像距离归一化部211。
摄像距离归一化部213a进行与到纹理信息计算区域的摄像距离对应的归一化。摄像距离归一化部213a具有参数变更部213c，代替上述的实施方式1的摄像距离归一化部211的区域尺寸变更部211b。
参数变更部213c根据摄像距离估计部211a所估计的摄像距离而变更用于计算纹理信息的参数。
接下来，对纹理信息计算部21a所执行的纹理信息计算处理进行说明。图24是示出纹理信息计算部21a所执行的纹理信息计算处理的概要的流程图。另外，在图24中，纹理信息计算部21a执行步骤S402a，代替上述的实施方式1中的图7的步骤S402。除此以外，由于与上述的图7的处理相同，因此以下省略各处理的说明。另外，在本实施方式1的变形例3中，由于纹理信息计算部21a所执行的纹理信息计算处理以外与上述的实施方式1的图像处理装置1所执行的处理(参照图2)相同，因此省略说明。
如图21所示，在步骤S402a中，参数变更部213c根据摄像距离估计部211a所估计的摄像距离，变更用于计算信息计算区域设定部20所设定的纹理信息的参数(步骤S402a)。具体而言，根据摄像距离估计部211a所估计的摄像距离变更像素值的参照范围，该像素值的参照范围用于计算后段的管构造区域确定、斑点构造确定中所使用的参数，例如形状指数(Shape Index)和曲度(Curvedness)。这是为了对图像内的大小根据摄像距离的远近而变化的对象进行稳定的信息计算。例如在因为摄像距离远所以较小地显现的纹理信息计算区域中，缩小所述参照范围，在因为摄像距离近所以较大地显现的纹理信息计算区域中，增大所述参照范围。由此，在相同的对象显现的情况下，很难产生基于摄像距离的远近的信息计算的差。
根据以上说明的本发明的实施方式1的变形例3，对图像内的大小根据摄像距离的远近而变化的对象也能够进行稳定的信息计算，从而能够充分确保异常部的检测性能。
(变形例4)
接下来，对本发明的实施方式1的变形例4进行说明。在本实施方式1的变形例4中，异常候选区域检测部10所执行的异常候选区域检测处理不同。以下，对本实施方式1的变形例4的异常候选区域检测部10所执行的异常候选区域检测处理进行说明。
图22是示出本实施方式1的变形例4的异常候选区域检测部10所执行的异常候选区域检测处理的概要的流程图。
如图22所示，异常候选区域检测部10计算管腔内图像的像素值梯度(步骤S201a)，根据计算出的像素值梯度来检测异常候选区域(步骤S202a)。在使用像素值梯度的检测中，使用特开2007-244519号公报所公开的方法等。在步骤S202a之后，图像处理装置1返回到图2的主例程。
根据以上说明的本发明的实施方式1的变形例4，能够充分确保异常部的检测性能。
(变形例5)
接下来，对本发明的实施方式1的变形例5进行说明。在本实施方式1的变形例5中，异常候选区域检测部10所执行的异常候选区域检测处理不同。以下，对本实施方式1的变形例5的异常候选区域检测部10所执行的异常候选区域检测处理进行说明。
图23是示出本发明的实施方式1的变形例5的异常候选区域检测部10所执行的异常候选区域检测处理的概要的流程图。在图23中，异常候选区域检测部10在上述的实施方式1中的图3的步骤S201后，追加执行步骤S202b和步骤S203b。
如图23所示，在步骤S202b中，异常候选区域检测部10检测管腔内图像的管深部区域。具体而言，通过选择生物体内的吸收/散射的程度最低的低吸收波长成分，并在选择出的低吸收波长成分的管腔内图像中排除轮廓边缘周边的像素，然后，检测像素值为阈值以下的区域来检测管深部区域(例如，参照国际申请PCT/JP2015/051873号、国际申请PCT/JP2015/062427号或者国际申请PCT/JP2015/062428号)。
接着，异常候选区域检测部10根据在步骤S201中计算出的轮廓边缘和在步骤S202b中计算出的管深部区域来检测异常候选区域(步骤S203b)。具体而言，对所述轮廓边缘的凸形状区域及其凸方向进行分析，将相对于所述管深部区域的方向为凸的凸形状区域作为异常区域而进行检测。(例如，参照国际申请PCT/JP2015/051873号、国际申请PCT/JP2015/062427号或者国际申请PCT/JP2015/062428号)。在步骤S203b之后，图像处理装置1返回到图2的主例程。
根据以上说明的本发明的实施方式1的变形例5，能够充分确保异常部的检测性能。
(变形例6)
接下来，对本发明的实施方式1的变形例6进行说明。在本实施方式1的变形例6中，异常候选区域检测部10所执行的异常候选区域检测处理不同。以下，对本实施方式1的变形例6的异常候选区域检测处理进行说明。
图24是示出本实施方式1的变形例6的异常候选区域检测部10所执行的异常候选区域检测处理的概要的流程图。
如图24所示，异常候选区域检测部10计算管腔内图像的像素值梯度(步骤S201a)，并检测管腔内图像的管深部区域(步骤S202c)。
接着，异常候选区域检测部10根据在步骤S201a中计算出的像素值梯度和管深部区域来检测异常候选区域(步骤S203c)。在步骤S203c之后，图像处理装置1返回到图2的主例程。
根据以上说明的本发明的实施方式1的变形例6，能够充分确保异常部的检测性能。
(实施方式2)
接下来，对本发明的实施方式2进行说明。在本实施方式2中，上述的实施方式1的运算部的结构不同。以下，对本实施方式2的运算部的结构进行说明。另外，对与上述的实施方式1的图像处理装置1相同的结构标注相同的标号而省略说明。
图25是示出本实施方式2的运算部的结构的框图。图25所示的运算部7c除了上述的实施方式1的运算部7的结构之外还具有分辨率变更部12。
分辨率变更部12变更在异常候选区域检测部10和异常区域确定部11中进行处理的管腔内图像的分辨率。具体而言，进行使在异常区域确定部11中进行处理的管腔内图像的分辨率比在异常候选区域检测部10中进行处理的管腔内图像的分辨率高的变更。即，分辨率变更部12通过分辨率低的管腔内图像进行异常候选区域检测部10的检测，从而迅速地检测出异常候选区域，另一方面，通过分辨率高的管腔内图像进行异常区域确定部11的检测，从而提高异常区域的确定的精度。由此，能够提高异常区域的检测处理的速度，并且能够充分确保异常部的检测性能。
根据以上说明的本发明的实施方式2，能够充分确保异常部的检测性能。
(其他实施方式)
在本发明中，能够通过个人计算机或工作站等的计算机系统执行记录于记录装置的图像处理程序来实现。另外，可以将这样的计算机系统经由局域网(LAN)、广域网(WAN)、或互联网等公共线路与其他的计算机系统和服务器等的设备连接来使用。在这种情况下，实施方式1～2以及它们的变形例的图像处理装置可以经由这些网络获取管腔内图像的图像数据，或者向经由这些网络连接的观察器或打印机等各种输出设备输出图像处理结果，或者在经由这些网络连接的存储装置、例如由与网络连接的读取装置能够读取的记录介质等中保存图像处理结果。
另外，本发明并不限于实施方式1、2以及它们的变形例，通过适当组合各实施方式或变形例中公开的多个构成要素，能够形成各种发明。例如，也可以从各实施方式或变形例所示的全部构成要素中排除几个构成要素而形成，也可以适当组合不同的实施方式或变形例所示的构成要素而形成。
标号说明
1：图像处理装置；2：图像获取部；3：输入部；4：显示部；5：记录部；6：控制部；7、7c：运算部；10：异常候选区域检测部；11：异常区域确定部；12：分辨率变更部；20、20a、20b：信息计算区域设定部；21、21a：纹理信息计算部；22：识别部；51：图像处理程序；201：轮廓边缘提取部；202：几何形状拟合部；203：像素值梯度强度计算部；204：动态轮廓提取部；205：侧面区域排除部；206：镜面反射区域排除部；211、213：摄像距离归一化部；211a：摄像距离估计部；211b：区域尺寸变更部；212：吸光变化构造特征量计算部；212a：吸光变化信息计算部；212b：管构造区域确定部；212c：斑点构造区域确定部；213a：参数变更部。

Claims (18)

1.一种图像处理装置，其特征在于，该图像处理装置具有：
异常候选区域检测部，其根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及
异常区域确定部，其根据所述异常候选区域的纹理信息来确定异常区域。
2.根据权利要求1所述的图像处理装置，其特征在于，
所述异常区域确定部具有：
信息计算区域设定部，其设定用于计算所述纹理信息的计算区域；
纹理信息计算部，其计算所述计算区域中的所述纹理信息；以及
识别部，其根据所述纹理信息来识别所述异常区域。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述信息计算区域设定部具有：
轮廓边缘提取部，其提取管腔粘膜壁的轮廓边缘；以及
几何形状拟合部，其对所述轮廓边缘拟合几何形状。
4.根据权利要求2所述的图像处理装置，其特征在于，
所述信息计算区域设定部具有：
像素值梯度强度计算部，其计算所述异常候选区域内的像素值梯度强度；以及
动态轮廓提取部，其根据所述像素值梯度强度来进行动态轮廓提取。
5.根据权利要求2所述的图像处理装置，其特征在于，
所述信息计算区域设定部具有侧面区域排除部，该侧面区域排除部将所述异常候选区域内的斜向拍摄粘膜壁而得的侧面区域排除。
6.根据权利要求2所述的图像处理装置，其特征在于，
所述信息计算区域设定部具有镜面反射区域排除部，该镜面反射区域排除部将所述异常候选区域内的镜面反射区域排除。
7.根据权利要求2至6中的任意一项所述的图像处理装置，其特征在于，
所述纹理信息计算部具有：
摄像距离归一化部，其进行与到所述计算区域的摄像距离对应的归一化；以及
吸光变化构造特征量计算部，其计算所述计算区域内的基于吸光变化构造的特征量。
8.根据权利要求7所述的图像处理装置，其特征在于，
所述摄像距离归一化部具有：
摄像距离估计部，其估计摄像距离；以及
区域尺寸变更部，其根据所述摄像距离而变更所述计算区域的区域尺寸。
9.根据权利要求7所述的图像处理装置，其特征在于，
所述摄像距离归一化部具有：
摄像距离估计部，其估计摄像距离；以及
参数变更部，其根据所述摄像距离而变更用于计算所述纹理信息的参数。
10.根据权利要求7所述的图像处理装置，其特征在于，
所述吸光变化构造特征量计算部具有：
吸光变化信息计算部，其计算所述计算区域内的吸光变化信息；
管构造区域确定部，其根据所述吸光变化信息来确定管构造区域；以及
斑点构造区域确定部，其根据所述吸光变化信息来确定斑点构造区域。
11.根据权利要求10所述的图像处理装置，其特征在于，
所述识别部在斑点构造的比例大的情况下判定为所述异常候选区域异常。
12.根据权利要求1所述的图像处理装置，其特征在于，
所述异常候选区域检测部根据像素值梯度信息来检测所述异常候选区域。
13.根据权利要求1所述的图像处理装置，其特征在于，
所述异常候选区域检测部根据管腔的深部区域和粘膜壁的轮廓边缘来检测所述异常候选区域。
14.根据权利要求1所述的图像处理装置，其特征在于，
所述异常候选区域检测部根据管腔的深部区域和像素值梯度信息来检测所述异常候选区域。
15.根据权利要求1至14中的任意一项所述的图像处理装置，其特征在于，
该图像处理装置还具有分辨率变更部，该分辨率变更部变更在所述异常候选区域检测部和所述异常区域确定部中进行处理的管腔内图像的分辨率。
16.根据权利要求15所述的图像处理装置，其特征在于，
所述分辨率变更部使在所述异常区域确定部中进行处理的管腔内图像的分辨率，比在所述异常候选区域检测部中进行处理的管腔内图像的分辨率大。
17.一种图像处理方法，其特征在于，该图像处理方法包含如下步骤：
异常候选区域检测步骤，根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及
异常区域确定步骤，其根据所述异常候选区域的纹理信息来确定异常区域。
18.一种程序，其特征在于，该程序使图像处理装置执行如下步骤：
异常候选区域检测步骤，根据生物体的管腔内图像中的粘膜壁的轮廓边缘或粘膜壁的表面形状来检测异常候选区域；以及
异常区域确定步骤，其根据所述异常候选区域的纹理信息来确定异常区域。
CN201580085740.2A 2015-11-26 2015-11-26 图像处理装置、图像处理方法以及记录有程序的介质 Active CN108601509B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/083294 WO2017090166A1 (ja) 2015-11-26 2015-11-26 画像処理装置、画像処理方法およびプログラム

Publications (2)

Publication Number Publication Date
CN108601509A true CN108601509A (zh) 2018-09-28
CN108601509B CN108601509B (zh) 2020-07-07

Family

ID=58764109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580085740.2A Active CN108601509B (zh) 2015-11-26 2015-11-26 图像处理装置、图像处理方法以及记录有程序的介质

Country Status (4)

Country Link
US (1) US10206555B2 (zh)
JP (1) JP6704933B2 (zh)
CN (1) CN108601509B (zh)
WO (1) WO2017090166A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359056A (zh) * 2022-10-19 2022-11-18 浙江华诺康科技有限公司 分裂细胞检测方法、装置和计算机设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019142243A1 (ja) * 2018-01-16 2019-07-25 オリンパス株式会社 画像診断支援システムおよび画像診断支援方法
WO2020044523A1 (ja) * 2018-08-30 2020-03-05 オリンパス株式会社 記録装置、画像観察装置、観察システム、観察システムの制御方法、及び観察システムの作動プログラム
KR102267510B1 (ko) 2019-12-03 2021-06-18 엘지전자 주식회사 진공 청소기
US11842815B2 (en) 2020-01-07 2023-12-12 Hoya Corporation Endoscope system, processor, diagnostic support method, and computer program
CN116563283B (zh) * 2023-07-10 2023-09-08 山东联兴能源集团有限公司 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005192880A (ja) * 2004-01-08 2005-07-21 Olympus Corp 画像処理方法
US20090202124A1 (en) * 2006-10-11 2009-08-13 Olympus Corporation Image processing apparatus, image processing method, and computer program product
CN102567988A (zh) * 2010-11-29 2012-07-11 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN103218802A (zh) * 2011-10-18 2013-07-24 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN104244802A (zh) * 2012-04-23 2014-12-24 奥林巴斯株式会社 图像处理装置、图像处理方法以及图像处理程序
CN104812288A (zh) * 2012-11-29 2015-07-29 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN105025776A (zh) * 2013-02-27 2015-11-04 奥林巴斯株式会社 图像处理装置、图像处理方法以及图像处理程序

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9149175B2 (en) * 2001-07-26 2015-10-06 Given Imaging Ltd. Apparatus and method for light control in an in-vivo imaging device
US8423123B2 (en) 2005-09-30 2013-04-16 Given Imaging Ltd. System and method for in-vivo feature detection
JP5226974B2 (ja) * 2007-06-19 2013-07-03 富士フイルム株式会社 画像診断支援装置、方法及びプログラム
JP5622461B2 (ja) * 2010-07-07 2014-11-12 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
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
US9741116B2 (en) * 2013-08-29 2017-08-22 Mayo Foundation For Medical Education And Research System and method for boundary classification and automatic polyp detection
US9747687B2 (en) * 2014-04-24 2017-08-29 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting polyps from learned boundaries

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005192880A (ja) * 2004-01-08 2005-07-21 Olympus Corp 画像処理方法
US20090202124A1 (en) * 2006-10-11 2009-08-13 Olympus Corporation Image processing apparatus, image processing method, and computer program product
CN102567988A (zh) * 2010-11-29 2012-07-11 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN103218802A (zh) * 2011-10-18 2013-07-24 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN104244802A (zh) * 2012-04-23 2014-12-24 奥林巴斯株式会社 图像处理装置、图像处理方法以及图像处理程序
CN104812288A (zh) * 2012-11-29 2015-07-29 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN105025776A (zh) * 2013-02-27 2015-11-04 奥林巴斯株式会社 图像处理装置、图像处理方法以及图像处理程序

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359056A (zh) * 2022-10-19 2022-11-18 浙江华诺康科技有限公司 分裂细胞检测方法、装置和计算机设备
CN115359056B (zh) * 2022-10-19 2023-03-24 浙江华诺康科技有限公司 分裂细胞检测方法、装置和计算机设备

Also Published As

Publication number Publication date
US20180296064A1 (en) 2018-10-18
JP6704933B2 (ja) 2020-06-03
US10206555B2 (en) 2019-02-19
WO2017090166A1 (ja) 2017-06-01
CN108601509B (zh) 2020-07-07
JPWO2017090166A1 (ja) 2018-09-13

Similar Documents

Publication Publication Date Title
CN108601509A (zh) 图像处理装置、图像处理方法以及程序
CN104363815B (zh) 图像处理装置以及图像处理方法
CN102525381B (zh) 图像处理装置、图像处理方法及计算机可读取的记录装置
Shen et al. Domain-invariant interpretable fundus image quality assessment
US9779503B2 (en) Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data
Olugbara et al. Segmentation of melanoma skin lesion using perceptual color difference saliency with morphological analysis
CN110458831B (zh) 一种基于深度学习的脊柱侧弯图像处理方法
CN102243762B (zh) 图像处理装置以及图像处理方法
CN104812288B (zh) 图像处理装置和图像处理方法
US11875479B2 (en) Fusion of deep learning and handcrafted techniques in dermoscopy image analysis
WO2013080868A1 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN108961334B (zh) 一种基于图像配准的视网膜血管壁厚度测量方法
CN114820494A (zh) 用于可视化流动的使用机器学习的散斑对比度分析
Hoque et al. Retinex model based stain normalization technique for whole slide image analysis
CN115049666B (zh) 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN110503623A (zh) 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法
CN106017328B (zh) 一种多类型线宽测量方法及装置
CN104463919A (zh) 一种评估皮肤色素的全像素色彩分析方法
CN104573635B (zh) 一种基于三维重建的微小高度识别方法
Kim et al. Tongue diagnosis method for extraction of effective region and classification of tongue coating
Song et al. New morphological features for grading pancreatic ductal adenocarcinomas
Wang et al. Deep learning based tongue prickles detection in traditional Chinese medicine
KR100904084B1 (ko) 컬러 분포 기반의 설태 분류 방법
CN109658382A (zh) 基于图像聚类和灰度投影的舌体定位方法

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
GR01 Patent grant
GR01 Patent grant