CN109300134A - 一种胶囊内窥镜图像缩减控制系统 - Google Patents

一种胶囊内窥镜图像缩减控制系统 Download PDF

Info

Publication number
CN109300134A
CN109300134A CN201811456203.6A CN201811456203A CN109300134A CN 109300134 A CN109300134 A CN 109300134A CN 201811456203 A CN201811456203 A CN 201811456203A CN 109300134 A CN109300134 A CN 109300134A
Authority
CN
China
Prior art keywords
image
identification module
liquid manure
input terminal
lesion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811456203.6A
Other languages
English (en)
Inventor
徐建省
叶林飞
孔德昱
赵璇
张龙
王星远
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.)
Institute of Electrical Engineering of CAS
Original Assignee
Institute of Electrical Engineering of CAS
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 Institute of Electrical Engineering of CAS filed Critical Institute of Electrical Engineering of CAS
Priority to CN201811456203.6A priority Critical patent/CN109300134A/zh
Publication of CN109300134A publication Critical patent/CN109300134A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/94Hardware or software architectures specially adapted for image or video understanding
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10068Endoscopic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03Recognition of patterns in medical or anatomical images
    • G06V2201/031Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Endoscopes (AREA)

Abstract

一种胶囊内窥镜图像缩减控制系统,包括图像识别系统(1)、采集控制系统(2)、图像采集系统(3)及图像显示系统(7)。图像识别系统(1)的输出端分别与采集控制系统(2)的输入端及图像显示系统(7)的输入端相连,采集控制系统(2)的输出端与图像采集系统(3)的输入端相连,图像采集系统(3)的输出端与图像识别系统(1)的输入端连接。图像识别系统(1)输出缩减后的视频图像,传输反馈信号至采集控制系统(2)。采集控制系统(2)接收到图像识别系统(1)的反馈信号后,输出控制信号至图像采集系统(3),控制图像采集的频率。图像采集系统(3)在根据控制信号采集消化道图像,将图像发送至图像识别系统(1)。

Description

一种胶囊内窥镜图像缩减控制系统
技术领域
本发明涉及一种胶囊内窥镜图像缩减控制系统。
背景技术
胶囊内窥镜作为一种新兴的消化内科检查方式,因为其不需要使用导芯,基本消除了患者的痛苦。当患者吞下胶囊内窥镜后,胶囊内窥镜随着消化道的蠕动而前进,摄取消化道的图像并发送至患者体外的记录仪器,最终排出体外。医生通过反馈的图像,对患者的病情进行分析。胶囊内窥镜在消化道中工作时间约为7个小时,拍摄频率为每秒2帧,所拍摄的图像多达55000张。医生通过影像工作站进行读图,通过标记其中含有病灶的图像形成检查报告,整个过程往往需要长达一个小时的时间。胶囊内窥镜拍摄的消化道图像有以下弊端:1)如果消化道清洁不当,则会有较多粪液残留,遮挡视线。2)病灶出现的时间太短,可能仅在几幅图像中出现,医生需要多次回溯进行确认。3)胶囊胃镜可能在胃部等位置停留,形成大量重复图像。专利CN201510260013.7公开了一种基于注意力先验的胃镜视频摘要方法,最终能够达到缩减视频量的目的,但并未对胃镜视频中的病灶图像进行处理。专利CN201310744685.6公开了一种视频去重的方法,但并未应用于胶囊内窥镜视频,并且未对视频中的具体目标进行处理。
可见,上述现有技术都未对胶囊内窥镜图像中的具体病灶进行处理,也未提出一种针对胶囊内窥镜图像的缩减系统。
发明内容
为克服现有胶囊内窥镜采集图像的弊端,本发明提出一种胶囊内窥镜图像缩减的控制系统。能够针对胶囊内窥镜图像的特点,去除干扰和重复图像,标记病灶图像。
本发明采用以下两种技术方案:
针对具备实时传输功能及控制功能的胶囊内窥镜,本发明胶囊内窥镜图像缩减控制系统包括图像识别系统、图像采集系统、采集控制系统及图像显示系统。所述的图像识别系统具有识别图像特点的功能,输出缩减后的视频图像。所述的图像识别系统的输出端与采集控制系统的输入端及图像显示系统的输入端相连,将传输反馈信号送至采集控制系统。所述的采集控制系统的输出端与图像采集系统的输入端相连,图像采集系统的输出端与图像识别系统的输入端连接。采集控制系统接收到图像识别系统的反馈信号后,输出控制信号至图像采集系统,控制图像采集的频率。所述的图像采集系统与图像识别系统相连,根据控制信号采集消化道图像后,将消化道图像发送至图像识别系统。所述的图像显示系统与图像识别系统相连,用于显示消化道图像。
进一步,所述的图像识别系统包括粪液识别模块、病灶识别模块及重复识别模块。粪液识别模块、病灶识别模块及重复识别模块分别与所述的采集控制系统相连。粪液识别模块的一端与所述的图像采集系统相连,粪液识别模块的另一端与病灶识别模块相连。粪液识别模块识别图像中的粪液占比,并发送反馈信号至采集控制系统。病灶识别模块的一端与粪液识别模块相连,病灶识别模块的另一端与重复识别模块相连,并与所述的采集控制系统及所述的图像显示系统相连。病灶识别模块用于识别图像中是否存在病灶,若存在病灶,可直接输出图像至图像显示系统。并且,病灶识别模块可发送反馈信号至采集控制系统。重复识别模块的一端与病灶识别模块相连,重复识别模块的另一端与所述的采集控制系统及所述的图像显示系统相连,重复识别模块识别图像是否重复出现、胶囊内窥镜是否长时间停留。重复识别模块可将图像传输至图像显示系统,并且发送反馈信号至采集控制系统。
针对不具备实时采集和控制功能的胶囊内窥镜,本发明胶囊内窥镜图像缩减控制系统包括所述的图像识别系统、所述的图像显示系统及图像存储系统。图像存储系统与图像识别系统相连,图像存储系统存储采集到的消化道图像,并将消化道图像送至图像识别系统。图像识别系统的输入端与图像存储系统相连,图像识别系统的输出端与图像显示系统相连,图像识别系统输出处理后的图像至图像显示系统。图像显示系统显示处理后的图像。
与具有实时传输功能及控制功能的胶囊内窥镜的图像识别系统相同,不具备实时采集和控制功能的胶囊内窥镜的图像识别系统包括粪液识别模块、病灶识别模块及重复识别模块。粪液识别模块的输入端与图像存储系统的输出端相连,粪液识别模块的输出端与病灶识别模块的输入端相连。病灶识别模块的输出端与重复识别模块的输入端相连,并与图像显示系统的输入端相连。重复识别模块的输出端与图像显示系统的输入端相连。
与现有技术相比,本发明胶囊内窥镜图像缩减控制系统通过识别胶囊内窥镜图像出现的粪液干扰、病灶以及重复问题,对于具有实时采集和控制的胶囊内窥镜,通过控制图像采集的频率,从而减少粪液干扰大的图像以及重复出现的图像,并增加病灶图像。对于不具有实时采集和控制的胶囊内窥镜,通过剔除粪液干扰图像和重复图像并标记病灶图像。最终减少需要人工读图的图像量,减少医生读图工作量,增加病灶图像的识别准确度。
附图说明
图1是针对具有实时功能的图像缩减控制系统示意图;
图2是针对不具有实时功能的图像缩减控制系统示意图;
图3是图像缩减控制系统设备示意图;
图中,1图像识别系统、2采集控制系统、3图像采集系统、4粪液识别模块、5病灶识别模块、6重复识别模块、7图像显示系统、8图像存储系统。
具体实施方式
以下结合附图和具体实施方式进一步说明本发明。
如图1所示,针对具备实时采集与控制功能的胶囊内窥镜,本发明胶囊内窥镜图像缩减控制系统包括图像识别系统1、采集控制系统2、图像采集系统3及图像显示系统7。所述的图像识别系统1的输出端分别与采集控制系统2的输入端及图像显示系统7的输入端相连,采集控制系统2的输出端与图像采集系统3的输入端相连,图像采集系统3的输出端与图像识别系统1的输入端连接。
如图3所示,图像识别系统1依托于电脑实现,采集控制系统2与图像识别系统1相连,采集控制系统2可通过设备发送信号至图像采集系统3。图像采集系统3安装在胶囊内窥镜中,通过胶囊内窥镜拍摄消化道图像,并接受设备发送的信号。
图像采集系统3用于采集消化道图像,并将图像传输至图像识别系统1,采集控制系统2用于控制图像采集的频率。图像识别系统1接收图像采集系统3传输的图像,输出图像至图像显示系统7并保存。
图像识别系统1包括粪液识别模块4、病灶识别模块5及重复识别模块6。粪液识别模块4、病灶识别模块5及重复识别模块6分别与采集控制系统2相连。粪液识别模块4的输入端与所述的图像采集系统3的输出端相连,粪液识别模块4的输出端与病灶识别模块5的输入端相连。粪液识别模块4能够识别图像中的粪液占比,并发送反馈信号至采集控制系统2。病灶识别模块5的输出端与重复识别模块6的输入端相连,并与所述的采集控制系统2的输入端及所述的图像显示系统7的输入端相连。病灶识别模块5用于识别图像中是否存在病灶,若存在病灶,可直接输出图像至图像显示系统7。并且,病灶识别模块5可发送反馈信号至采集控制系统2。重复识别模块6的输入端与病灶识别模块5的输出端相连,重复识别模块6的输出端分别与采集控制系统2及图像显示系统7相连。
图像采集系统3采集的图像首先经过图像识别系统1中的粪液识别模块4,若粪液识别模块4识别到粪液干扰并且达到严重干扰图像信息的程度时,输出反馈信号至采集控制系统2,采集控制系统2输出控制信号至图像采集系统3,从而降低采集频率,减少粪液图像的数量。直到粪液干扰减低至一定程度后,恢复默认采集频率。若粪液识别模块4未识别到粪液或者粪液干扰未到达严重程度时,继续输出至病灶识别模块5,若病灶识别模块5识别到病灶,则输出反馈信号至采集控制系统2,从而提高图像采集的频率,增加含有病灶的图像,经过一段时间后恢复至默认的采集频率,检测到病灶的图像不再经过重复识别模块6,直接输出并保存。若病灶识别模块5未识别到病灶时,继续输出图像至重复识别模块6,若识别到图像多次出现,则判定胶囊内窥镜停留,输出反馈信号至采集控制系统2中,减低图像采集频率,从而减少重复出现的图像。图像在经过重复识别模块6后最终输出并保存。
病灶识别模块5使用卷积神经网络或者残差神经网络判别消化道图像中是否含有病灶。具体步骤如下:首先构造神经网络模型并使用已经收集的消化道图像对神经网络进行训练,获得能够达到最佳识别效果的神经网络结构,包括网络层数以及各层的相关参数;之后图像采集系统3采集消化道图像,传输至病灶识别模块5时将消化道图像输入神经网络中,获得神经网络的输出结果,判断消化道图像是否含有病灶;最后根据识别结果发送信号及图像,并优化神经网络结构。卷积神经网络或者残差神经网络可将消化道图像分类为出血、溃疡、息肉及正常四类,出血、溃疡及息肉类别代表图像存在病灶。
粪液识别模块4通过统计图像中的病灶区域占比,判断粪液干扰是否严重。具体步骤如下:
首先确定粪液干扰在RGB颜色空间的大致像素区间;之后图像采集系统3采集消化道图像,消化道图像传输至粪液识别模块4时统计每张消化道图像中粪液像素的占比;若占比超过设定的阈值,判定消化道图像中粪液干扰严重,传输图像并发送信号,若未超过设定的阈值,则判定消化道图像中粪液干扰不严重。另外,粪液识别模块4也可采用病灶识别模块5的神经网络进行识别,需要在神经网络的分类结果中增加粪液图像的类别,即神经网络可将消化道图像分类为出血、溃疡、息肉、粪液及正常五类,以供判断。
如图2所示,针对不具备实时采集和控制功能的胶囊内窥镜,本发明胶囊内窥镜图像缩减控制系统包括图像识别系统1、图像显示系统7及图像存储系统8。图像存储系统8的输出端与图像识别系统1的输入端相连。患者在吞下胶囊内窥镜后,胶囊内窥镜按照两帧每秒的频率采集消化道图像,并将图像保存至图像存储系统8,图像存储系统8将消化道图像送至图像识别系统1。图像识别系统1的输出端与图像显示系统7的输入端相连,图像识别系统1输出处理后的图像至图像显示系统7。图像显示系统7显示处理后的图像。
图像识别系统1包括粪液识别模块4、病灶识别模块5及重复识别模块6。粪液识别模块4的输出端与病灶识别模块5的输入端相连。病灶识别模块5的输出端和重复识别模块6的输入端相连,病灶识别模块5的输出端并与图像显示系统7相连。重复识别模块6的输出端与图像显示系统7相连。图像首先经过粪液识别模块4,若识别出粪液并且干扰程度较高时,剔除该图像。若图像中未识别出粪液或者干扰程度较小时,图像继续传输至病灶识别模块5。若图像中识别出病灶,则标记病灶区域,并将含病灶的图像直接输出并保存。若图像中未识别出病灶,则将图像传输至重复识别模块6。若图像并未重复出现,则将图像输出并保存。若发现某一位置的图像重复出现,则选择其中几幅图像进行输出并保存。

Claims (6)

1.一种胶囊内窥镜图像缩减控制系统,其特征在于:所述的胶囊内窥镜图像缩减控制系统包括图像识别系统(1)、采集控制系统(2)、图像采集系统(3)及图像显示系统(7);所述的图像识别系统(1)的输出端分别与采集控制系统(2)的输入端及图像显示系统(7)的输入端相连,采集控制系统(2)的输出端与图像采集系统(3)的输入端相连,图像采集系统(3)的输出端与图像识别系统(1)的输入端连接;所述的胶囊内窥镜图像缩减控制系统用于具备实时采集和控制功能的胶囊内窥镜。
2.根据权利要求1所述的胶囊内窥镜图像缩减控制系统,其特征在于:所述的图像识别系统(1)包括粪液识别模块(4)、病灶识别模块(5)及重复识别模块(6);粪液识别模块(4)、病灶识别模块(5)及重复识别模块(6)分别与采集控制系统(2)相连;粪液识别模块(4)的输入端与所述的图像采集系统(3)的输出端相连,粪液识别模块(4)的输出端与病灶识别模块(5)的输入端相连;粪液识别模块(4)识别图像中的粪液占比,并发送反馈信号至采集控制系统(2);病灶识别模块(5)的输出端与重复识别模块(6)的输入端相连,并与采集控制系统(2)的输入端及图像显示系统(7)的输入端相连;病灶识别模块(5)用于识别图像中是否存在病灶,若存在病灶,直接输出图像至图像显示系统(7),并发送反馈信号至采集控制系统(2);重复识别模块(6)的输出端与采集控制系统(2)的输入端及图像显示系统(7)的输入端相连,重复识别模块(6)识别图像是否重复出现、胶囊内窥镜是否长时间停留;重复识别模块(6)将图像传输至图像显示系统(7),并且发送反馈信号至采集控制系统(2)。
3.一种胶囊内窥镜图像缩减系统,其特征在于:本发明胶囊内窥镜图像缩减控制系统包括所述的图像识别系统(1)、所述的图像显示系统(7)及图像存储系统(8);图像识别系统(1)的输入端与图像存储系统(8)的输出端相连,图像识别系统(1)的输出端与图像显示系统(7)的输入端相连;所述的胶囊内窥镜图像缩减系统用于不具备实时采集和控制功能的胶囊内窥镜。
4.根据权利要求3所述的胶囊内窥镜图像缩减系统,其特征在于:所述的胶囊内窥镜图像识别系统(1)包括粪液识别模块(4)、病灶识别模块(5)及重复识别模块(6);粪液识别模块(4)的输入端与图像存储系统(8)的输出端相连,粪液识别模块(4)的输出端与病灶识别模块(5)的输入端相连;病灶识别模块(5)的输出端与重复识别模块(6)的输入端相连,并与图像显示系统(7)的输入端相连;重复识别模块(6)的输出端与图像显示系统(7)的输入端相连。
5.根据权利要求2或4所述的胶囊内窥镜图像缩减系统,其特征在于:所述的病灶识别模块(5)使用卷积神经网络或者残差神经网络判别消化道图像中是否含有病灶,具体如下:
首先构造神经网络模型,并使用已经收集的消化道图像对神经网络进行训练,获得神经网络结构,包括网络层数及各层的相关参数;之后图像采集系统(3)采集消化道图像,传输至病灶识别模块(5)时将消化道图像输入神经网络中,获得神经网络的输出结果,判断消化道图像是否含有病灶;最后根据识别结果发送信号及图像,并优化神经网络结构;卷积神经网络或者残差神经网络将消化道图像分类为出血、溃疡、息肉及正常四类,出血、溃疡及息肉类别代表图像存在病灶。
6.根据权利要求2或4所述的胶囊内窥镜图像缩减系统,其特征在于:所述的粪液识别模块(4)通过统计图像中的病灶区域占比,判断粪液干扰是否严重,具体如下:
首先确定粪液干扰在RGB颜色空间的大致像素区间;之后图像采集系统(3)采集消化道图像,消化道图像传输至粪液识别模块(4)时统计每张消化道图像中粪液像素的占比;若占比超过设定的阈值,判定消化道图像中粪液干扰严重,传输图像并发送信号,若未超过设定的阈值,则判定消化道图像中粪液干扰不严重;另外,粪液识别模块(4)采用病灶识别模块(5)的神经网络进行识别,在神经网络的分类结果中增加粪液图像的类别,神经网络便将消化道图像分类为出血、溃疡、息肉、粪液及正常五类,以供判断。
CN201811456203.6A 2018-11-30 2018-11-30 一种胶囊内窥镜图像缩减控制系统 Pending CN109300134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811456203.6A CN109300134A (zh) 2018-11-30 2018-11-30 一种胶囊内窥镜图像缩减控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811456203.6A CN109300134A (zh) 2018-11-30 2018-11-30 一种胶囊内窥镜图像缩减控制系统

Publications (1)

Publication Number Publication Date
CN109300134A true CN109300134A (zh) 2019-02-01

Family

ID=65142134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811456203.6A Pending CN109300134A (zh) 2018-11-30 2018-11-30 一种胶囊内窥镜图像缩减控制系统

Country Status (1)

Country Link
CN (1) CN109300134A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109841272A (zh) * 2019-02-18 2019-06-04 广州明医医疗科技有限公司 实时图像识别显示设备
CN110136106A (zh) * 2019-05-06 2019-08-16 腾讯科技(深圳)有限公司 医疗内窥镜图像的识别方法、系统、设备和内窥镜影像系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101043841A (zh) * 2004-10-29 2007-09-26 奥林巴斯株式会社 图像处理方法及胶囊型内窥镜装置
CN101543393A (zh) * 2008-03-21 2009-09-30 富士胶片株式会社 胶囊内窥镜检查系统以及控制胶囊内窥镜工作的方法
CN102397052A (zh) * 2011-11-30 2012-04-04 西交利物浦大学 基于图像识别技术的可调节拍摄速率的无线胶囊内窥镜系统及方法
CN106667422A (zh) * 2016-08-04 2017-05-17 北京千安哲信息技术有限公司 胶囊内窥镜及其控制装置、系统和检测方法
CN107730489A (zh) * 2017-10-09 2018-02-23 杭州电子科技大学 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法
US20180308235A1 (en) * 2017-04-21 2018-10-25 Ankon Technologies Co., Ltd. SYSTEM and METHOAD FOR PREPROCESSING CAPSULE ENDOSCOPIC IMAGE

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101043841A (zh) * 2004-10-29 2007-09-26 奥林巴斯株式会社 图像处理方法及胶囊型内窥镜装置
CN101543393A (zh) * 2008-03-21 2009-09-30 富士胶片株式会社 胶囊内窥镜检查系统以及控制胶囊内窥镜工作的方法
CN102397052A (zh) * 2011-11-30 2012-04-04 西交利物浦大学 基于图像识别技术的可调节拍摄速率的无线胶囊内窥镜系统及方法
CN106667422A (zh) * 2016-08-04 2017-05-17 北京千安哲信息技术有限公司 胶囊内窥镜及其控制装置、系统和检测方法
US20180308235A1 (en) * 2017-04-21 2018-10-25 Ankon Technologies Co., Ltd. SYSTEM and METHOAD FOR PREPROCESSING CAPSULE ENDOSCOPIC IMAGE
CN107730489A (zh) * 2017-10-09 2018-02-23 杭州电子科技大学 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109841272A (zh) * 2019-02-18 2019-06-04 广州明医医疗科技有限公司 实时图像识别显示设备
CN110136106A (zh) * 2019-05-06 2019-08-16 腾讯科技(深圳)有限公司 医疗内窥镜图像的识别方法、系统、设备和内窥镜影像系统
CN110136106B (zh) * 2019-05-06 2022-12-27 腾讯医疗健康(深圳)有限公司 医疗内窥镜图像的识别方法、系统、设备和内窥镜影像系统

Similar Documents

Publication Publication Date Title
US11087462B2 (en) System and method for determining a colonoscopy image
CN108346149B (zh) 图像检测、处理方法、装置及终端
CN106651883B (zh) 基于机器视觉的粪便形态识别方法
JP4615963B2 (ja) カプセル型内視鏡装置
US7751622B2 (en) Method and system for detection of undesirable images
WO2005039411A1 (en) Real-time abnormality detection for in vivo images
CN109102491A (zh) 一种胃镜图像自动采集系统及方法
US20120275683A1 (en) Method and system for detecting colorimetric abnormalities in vivo
WO2006087981A1 (ja) 医用画像処理装置、管腔画像処理装置、管腔画像処理方法及びそれらのためのプログラム
WO2005039402A1 (en) Diagnostic alignment of in vivo images
CN109300134A (zh) 一种胶囊内窥镜图像缩减控制系统
US8768024B1 (en) System and method for real time detection of villi texture in an image stream of the gastrointestinal tract
CN104092987B (zh) 一种双模双反馈自适应目标跟踪系统、控制电路及方法
CN103312972B (zh) 电子装置及其焦距调整方法
JPWO2020012872A1 (ja) 医用画像処理装置、医用画像処理システム、医用画像処理方法、及びプログラム
WO2005103962A1 (en) Classifying images according to anatomical structure
CN110420011B (zh) 一种具有血谱光学图像成像功能的摄像机
CN113498323A (zh) 医用图像处理装置、处理器装置、内窥镜系统、医用图像处理方法、及程序
CN109242792B (zh) 一种基于白色物体的白平衡校对方法
JP5568577B2 (ja) 内視鏡および画像処理装置を備える外科手術に用いるためのシステム
CN115861721A (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
DE112016007005T5 (de) Bildverarbeitungsvorrichtung, Lernvorrichtung, Bildverarbeitungsverfahren, Verfahren zum Erstellen eines Klassifizierungskriteriums, Lernverfahren und Programm
JP5622903B2 (ja) 画像処理装置、画像処理装置の作動方法および画像処理プログラム
CN112381821A (zh) 一种智能手持式眼底相机以及图像分析方法
CN110772210B (zh) 一种诊断交互系统及方法

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