CN110110746A - 一种确定分类标签的方法及装置 - Google Patents
一种确定分类标签的方法及装置 Download PDFInfo
- Publication number
- CN110110746A CN110110746A CN201910251152.1A CN201910251152A CN110110746A CN 110110746 A CN110110746 A CN 110110746A CN 201910251152 A CN201910251152 A CN 201910251152A CN 110110746 A CN110110746 A CN 110110746A
- Authority
- CN
- China
- Prior art keywords
- picture
- striped
- latus rectum
- shooting
- feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种确定分类标签的方法及装置，所述方法包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。所述装置执行上述方法。本发明实施例提供的确定分类标签的方法及装置，能够提高样本图片的分类标签选择的合理性和准确度。
Description
技术领域
本发明实施例涉及图片处理技术领域，尤其涉及一种确定分类标签的方法及装置。
背景技术
胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。
现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，针对上述原始图片的训练样本(可以是样本图片)的选择、以及对样本图片的分类标签的确定，尚没有有效的方法。
因此，如何避免上述缺陷，提高样本图片的分类标签选择的合理性和准确度，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种确定分类标签的方法及装置。
本发明实施例提供一种确定分类标签的方法，包括：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本发明实施例提供一种确定分类标签的装置，包括：
获取单元，用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
分类单元，用于对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括基于全局结构特征的第一目标图片分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明确定分类标签的方法实施例流程图；
图2(a)～图2(f)均为本发明实施例拍摄的半月形胃角结构图片的截图；
图3(a)～图3(f)均为本发明实施例拍摄的洞状胃角结构图片的截图；
图4(a)～图4(f)均为本发明实施例拍摄的双洞胃角结构图片的截图；
图5(a)～图5(f)均为本发明实施例拍摄的部分胃角结构图片的截图；
图6(a)～图6(f)均为本发明实施例拍摄的致密粗大条纹图片的截图；
图7(a)～图7(f)均为本发明实施例拍摄的致密纤细条纹图片的截图；
图8(a)～图8(f)均为本发明实施例拍摄的致密浅表条纹图片的截图；
图9(a)～图9(f)均为本发明实施例拍摄的致密条纹半月结构图片的截图；
图10(a)～图10(f)均为本发明实施例拍摄的香肠状结构图片的截图；
图11(a)～图11(f)均为本发明实施例拍摄的大肠状结构图片的截图；
图12(a)～图12(f)均为本发明实施例拍摄的小肠状结构图片的截图；
图13(a)～图13(f)均为本发明实施例拍摄的小肠状结构与洞状结构叠加图片的截图；
图14(a)～图14(f)均为本发明实施例拍摄的阴影血管结构图片的截图；
图15(a)～图15(f)均为本发明实施例拍摄的血管平坦结构图片的截图；
图16(a)～图16(f)均为本发明实施例拍摄的所述血管浅表结构图片的截图；
图17(a)～图17(f)均为本发明实施例拍摄的粗大血管结构图片的截图；
图18(a)～图18(f)均为本发明实施例拍摄的水覆盖洞结构图片的截图；
图19(a)～图19(f)均为本发明实施例拍摄的水覆盖阴影结构图片的截图；
图20(a)～图20(f)均为本发明实施例拍摄的水覆盖不相交结构图片的截图；
图21(a)～图21(f)均为本发明实施例拍摄的水覆盖平坦结构图片的截图；
图22(a)～图22(f)均为本发明实施例拍摄的复杂背景水线图片的截图；
图23(a)～图23(f)均为本发明实施例拍摄的水覆盖复杂结构图片的截图；
图24(a)～图24(f)均为本发明实施例拍摄的透明结构图片的截图；
图25为本发明确定分类标签的装置实施例结构示意图；
图26为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明确定分类标签的方法实施例流程图，如图1所示，本发明实施例提供的一种确定分类标签的方法，包括以下步骤：
S101：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片。
具体的，装置获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片。需要说明的是：该原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：
·胶囊内镜从口腔进入消化道，再从肛门自然排出体外。
·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。
·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。
·域内检查图片是对消化道某一段所进行的拍摄结果。
·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。
·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。
·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：
第一大类：一类域外分类标签(10个类别)。
第二大类：二类域外分类标签(13个类别)。
第三大类：基于局部结构特征的第一目标图片分类标签(10个类别)。
第四大类：洞状结构第一目标图片分类标签(8个类别)。
第五大类：基于全局结构特征的第一目标图片分类标签(23个类别)。
第六大类：第二目标图片分类标签(56个类别)。
·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。
每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000～3000张，即胶囊内镜获取到的图片集中的图片数量。
可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。即上述样本图片可以是上述的六个大类(125个小类)对应的所有图片，本发明实施例着重对上述第五大类进行说明。
S102：对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、稀疏条纹特征、水覆盖纹理特征；所述致密条纹特征和所述稀疏条纹特征是根据所述拍摄物外表面的条纹数量是否大于预设数量进行区分的。
具体的，装置对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。凸起特征可以包括肿胀、颗粒状物凸起。指定颜色特征可以包括红色、白色，不作具体限定。异常特征可以作为某些疾病诊断过程中的中间参考特征，仅仅依赖该异常特征还不足以诊断出疾病。预设数量可以根据实际情况自主设置，可以将拍摄物外表面的条纹数量大于预设数量的条纹特征作为致密条纹特征。对上述胃角结构和各特殊特征，可以用于对照图片，与异常特征图片进行比照，从而识别是否存在异常特征，分别说明如下：
胃角结构：胃角是胃小弯在最低端角处形成的构造，一般呈90°转角，是胃体与幽门部在胃小弯的分界。胃壁收缩时，胃角表面常常有螺纹状褶皱、胃壁舒张时，褶皱消失。因此，把这一个特殊位置的图片，归为一个类别。
致密条纹特征：远景拍摄的胃壁结构呈现出致密排列的曲线纹理，通常是在内壁收缩时拍摄到的，在这个纹理之上还会叠加一些结构信息，使得整个图片的背景变得非常复杂，在这类图片的背景上寻找和识别异常特征，也变得异常艰难。图片数量占比大约4.5％。
所述全局带有胃角结构的第一目标图片包括：
半月形胃角结构图片、洞状胃角结构图片、双洞胃角结构图片、部分胃角结构图片；其中，所述半月形胃角结构图片的边缘部分为弯月形状；所述洞状胃角结构图片的中央为一个非中空的洞状形状结构；所述双洞胃角结构图片中的拍摄物外表面两侧相对的位置各有一个非中空的洞状形状结构；所述部分胃角结构图片包括胃部在收缩状态下和舒张状态下胃角分别对应的形状结构。图2(a)～图2(f)均为本发明实施例拍摄的半月形胃角结构图片的截图，图2(a)～图2(f)各图之间相互独立，都分别是半月形胃角结构图片的表现形式。这类图片的特征是：
半月形胃角结构图片：所述半月形胃角结构图片的边缘部分为弯月形状。近景拍摄的胃角，表现出弯月形状，螺纹非常清晰。
图3(a)～图3(f)均为本发明实施例拍摄的洞状胃角结构图片的截图，图3(a)～图3(f)各图之间相互独立，都分别是洞状胃角结构图片的表现形式。这类图片的特征是：
洞状胃角结构图片：所述洞状胃角结构图片的中央为一个非中空的洞状形状结构。即：假幽门附近正面拍摄的完整圆圈状螺纹结构。
图4(a)～图4(f)均为本发明实施例拍摄的双洞胃角结构图片的截图，图4(a)～图4(f)各图之间相互独立，都分别是双洞胃角结构图片的表现形式。这类图片的特征是：
双洞胃角结构图片：所述双洞胃角结构图片中的拍摄物外表面两侧相对的位置各有一个非中空的洞状形状结构。近景拍摄的胃角正面图片，两侧可以分别看到一个洞状结构，一个通向幽门，一个通向胃体。这个类别的图片有强烈的位置指征。
图5(a)～图5(f)均为本发明实施例拍摄的部分胃角结构图片的截图，图5(a)～图5(f)各图之间相互独立，都分别是部分胃角结构图片的表现形式。这类图片的特征是：
部分胃角结构图片：所述部分胃角结构图片包括胃部在收缩状态下和舒张状态下胃角分别对应的形状结构。近景拍摄的胃角一部分，收缩时的螺纹，舒张时的螺纹消失，都放在这个类别中。
需要说明的是：胃角附近的情况非常复杂，导致图片结构复杂，而胃角也是各种胃部疾病的多发区域，因此，越是详细的分类引导，越是有助于异常特征的对照和识别。例如，还可以进一步把收缩时的胃角与舒张时的胃角分成两个不同的类别。
所述基于全局带有致密条纹特征的纹理结构的第一目标图片包括：
致密粗大条纹图片、致密纤细条纹图片、致密浅表条纹图片、致密条纹半月结构图片，其中，所述致密粗大条纹图片中没有洞状结构、且条纹的通径大于第一预设通径数值；所述致密纤细条纹图片中没有洞状结构、且条纹的通径小于第一预设通径数值；所述致密浅表条纹图片中没有洞状结构、且条纹沿拍摄物外表面方向凸起的凸起高度小于预设高度数值；所述致密条纹半月结构图片中有洞状结构、且条纹的通径大于第一预设通径数值、且除去所述洞状结构后的整体结构呈现弯月状结构。第一预设通径数值、预设高度数值可以根据实际情况自主设置。
图6(a)～图6(f)均为本发明实施例拍摄的致密粗大条纹图片的截图，图6(a)～图6(f)各图之间相互独立，都分别是致密粗大条纹图片的表现形式。这类图片的特征是：
致密粗大条纹图片：所述致密粗大条纹图片中没有洞状结构、且条纹的通径大于第一预设通径数值。整个图片以曲线纹理为基础背景，曲线条纹较粗壮，没有洞状结构。
图7(a)～图7(f)均为本发明实施例拍摄的致密纤细条纹图片的截图，图7(a)～图7(f)各图之间相互独立，都分别是致密纤细条纹图片的表现形式。这类图片的特征是：
致密纤细条纹图片：所述致密纤细条纹图片中没有洞状结构、且条纹的通径小于第一预设通径数值。整个图片以曲线纹理为基础背景，曲线条纹较纤细，没有洞状结构。
图8(a)～图8(f)均为本发明实施例拍摄的致密浅表条纹图片的截图，图8(a)～图8(f)各图之间相互独立，都分别是致密浅表条纹图片的表现形式。这类图片的特征是：
致密浅表条纹图片：所述致密浅表条纹图片中没有洞状结构、且条纹沿拍摄物外表面方向凸起的凸起高度小于预设高度数值。整个图片以曲线纹理为基础背景，曲线条纹较为浅显，没有洞状结构。
图9(a)～图9(f)均为本发明实施例拍摄的致密条纹半月结构图片的截图，图9(a)～图9(f)各图之间相互独立，都分别是致密条纹半月结构图片的表现形式。这类图片的特征是：
致密条纹半月结构图片：所述致密条纹半月结构图片中有洞状结构、且条纹的通径大于第一预设通径数值、且除去所述洞状结构后的整体结构呈现弯月状结构。整个图片以曲线纹理为基础背景，曲线条纹较粗壮，叠加有大型洞状结构，整体构图成弯月状。
所述基于全局带有致密条纹特征的纹理结构的第一目标图片包括大肠状纹理结构图片；相应的，所述大肠状纹理结构图片包括：
香肠状结构图片、大肠状结构图片、小肠状结构图片、小肠状结构与洞状结构叠加图片；其中，所述香肠状结构图片包含有二条至三条的粗大条纹、所述粗大条纹的通径大于第一预设通径数值、且各粗大条纹的排列为弯曲或平直；所述大肠状结构图片包含有四条至五条的沟洄状结构；所述小肠状结构图片包含的沟洄状结构是通过远景拍摄到的；所述小肠状结构与洞状结构叠加图片在所述小肠状结构图片的中央还叠加有洞状结构。大肠状纹理：图片呈现出像猪大肠一样的远景拍摄结构，医学上称为胃小凹结构，俗称猪大肠状结构，数量占比大约0.8％。
图10(a)～图10(f)均为本发明实施例拍摄的香肠状结构图片的截图，图10(a)～图10(f)各图之间相互独立，都分别是香肠状结构图片的表现形式。这类图片的特征是：
香肠状结构图片：所述香肠状结构图片包含有二条至三条的粗大条纹、所述粗大条纹的通径大于第一预设通径数值、且各粗大条纹的排列为弯曲或平直。由两～三根粗大的香肠状结构构成，线条弯曲或平直都可以放在这个类别，还可以按曲线/直线再细分出两个不同类别。
图11(a)～图11(f)均为本发明实施例拍摄的大肠状结构图片的截图，图11(a)～图11(f)各图之间相互独立，都分别是大肠状结构图片的表现形式。这类图片的特征是：
大肠状结构图片：所述大肠状结构图片包含有四条至五条的沟洄状结构。由4～5个沟洄状结构构成，是典型的“大肠”外观表现结构，易于识别。
图12(a)～图12(f)均为本发明实施例拍摄的小肠状结构图片的截图，图12(a)～图12(f)各图之间相互独立，都分别是小肠状结构图片的表现形式。这类图片的特征是：
小肠状结构图片：所述小肠状结构图片包含的沟洄状结构是通过远景拍摄到的。远景拍摄的沟洄状结构群，是典型的“小肠”外观表现结构，易于识别。
图13(a)～图13(f)均为本发明实施例拍摄的小肠状结构与洞状结构叠加图片的截图，图图13(a)～图13(f)各图之间相互独立，都分别是小肠状结构与洞状结构叠加图片的表现形式。这类图片的特征是：
小肠状结构与洞状结构叠加图片：所述小肠状结构与洞状结构叠加图片在所述小肠状结构图片的中央还叠加有洞状结构。在“小肠”外观结构的基础上，还叠加了洞状结构。
所述基于全局带有致密条纹特征的纹理结构的第一目标图片还包括血管状纹理图片；相应的，所述血管状纹理图片包括：
阴影血管结构图片、血管平坦结构图片、血管浅表结构图片、粗大血管结构图片；其中，所述阴影血管结构图片为叠加有血管状凸起条纹的半月结构，所述半月结构为所述拍摄物外表面中的明亮部分所对应的部分结构、且所述部分结构为半月形形状结构，所述血管状凸起条纹的通径小于第二预设通径数值、且所述第二预设通径数值小于所述第一预设通径数值，所述血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度大于预设高度数值；所述血管平坦结构图片为满月结构、且叠加有所述血管状凸起条纹、且除所述血管状凸起条纹之外无其他凸起；所述血管浅表结构图片为凸起高度小于预设高度数值的阴影血管结构图片，所述凸起高度为血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度；所述粗大血管结构图片为通径大于所述第二预设通径数值、且小于所述第一预设通径数值的阴影血管结构图片，所述通径为血管状凸起条纹的通径。血管状纹理：图片呈现出“青筋状”静脉血管的样子，实际上是胃内壁的正常线性凸起。这类凸起的条纹，与致密纹理相比，还是比较稀疏的。图片数量占比大约9％。第二预设通径数值可以根据实际情况自主设置，但小于所述第一预设通径数值。
图14(a)～图14(f)均为本发明实施例拍摄的阴影血管结构图片的截图，图14(a)～图14(f)各图之间相互独立，都分别是阴影血管结构图片的表现形式。这类图片的特征是：
阴影血管结构图片：所述阴影血管结构图片为叠加有血管状凸起条纹的半月结构，所述半月结构为所述拍摄物外表面中的明亮部分所对应的部分结构、且所述部分结构为半月形形状结构，所述血管状凸起条纹的通径小于第二预设通径数值、且所述第二预设通径数值小于所述第一预设通径数值，所述血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度大于预设高度数值。结构上与半月结构非常相似，都是半明半暗，并各占一半，并且有过渡区域，所不同的是，叠加了血管状凸起条纹。
图15(a)～图15(f)均为本发明实施例拍摄的血管平坦结构图片的截图，图15(a)～图15(f)各图之间相互独立，都分别是血管平坦结构图片的表现形式。这类图片的特征是：
血管平坦结构图片：所述血管平坦结构图片为满月结构、且叠加有所述血管状凸起条纹、且除所述血管状凸起条纹之外无其他凸起。这个图片结构平坦，类似满月结构，所不同的是：基底叠加了血管状的纹理，并铺满了整个图片。
图16(a)～图16(f)均为本发明实施例拍摄的所述血管浅表结构图片的截图，图16(a)～图16(f)各图之间相互独立，都分别是所述血管浅表结构图片的表现形式。这类图片的特征是：
所述血管浅表结构图片：所述血管浅表结构图片为凸起高度小于预设高度数值的阴影血管结构图片，所述凸起高度为血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度。结构上与半月结构非常相似，所不同的是血管状的凸起条纹并不是特别明显。
图17(a)～图17(f)均为本发明实施例拍摄的粗大血管结构图片的截图，图17(a)～图17(f)各图之间相互独立，都分别是粗大血管结构图片的表现形式。这类图片的特征是：
粗大血管结构图片：所述粗大血管结构图片为通径大于所述第二预设通径数值、且小于所述第一预设通径数值的阴影血管结构图片，所述通径为血管状凸起条纹的通径。结构上与半月结构非常相似，所不同的是：血管状的凸起条纹特别粗大和明显，但远远没有达致密纹理的程度。
所述基于全局带有水覆盖纹理特征的纹理结构的第一目标图片包括：
水覆盖洞结构图片、水覆盖阴影结构图片、水覆盖不相交结构图片、水覆盖平坦结构图片、复杂背景水线图片、水覆盖复杂结构图片、透明结构图片；其中，所述水覆盖洞结构图片为通过远景拍摄的被水面覆盖的洞状结构图片；所述水覆盖阴影结构图片中的阴影部分为被水面覆盖的部分；所述水覆盖不相交结构图片为被水面覆盖的不相交结构图片；所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域；所述粗壮棱状结构的通径大于第一预设通径数值；所述水覆盖平坦结构图片为被水面覆盖的血管平坦结构图片；所述复杂背景水线图片为水汽分界面穿过复杂拍摄背景，所述复杂拍摄背景为具有多条棱状结构特征的拍摄背景；所述水覆盖复杂结构图片为被水面全部覆盖的复杂拍摄背景；所述透明结构图片的水汽分界面贯穿拍摄物外表面，且所述水汽分界面的其中一侧为透明水体。
图18(a)～图18(f)均为本发明实施例拍摄的水覆盖洞结构图片的截图，图18(a)～图18(f)各图之间相互独立，都分别是水覆盖洞结构图片的表现形式。这类图片的特征是：
水覆盖洞结构图片：所述水覆盖洞结构图片为通过远景拍摄的被水面覆盖的洞状结构图片。远景拍摄的被水面覆盖的洞状结构，很多异常特征在这背景中，由于有水面的存在，其识别难度是很大的。
图19(a)～图19(f)均为本发明实施例拍摄的水覆盖阴影结构图片的截图，图19(a)～图19(f)各图之间相互独立，都分别是水覆盖阴影结构图片的表现形式。这类图片的特征是：
水覆盖阴影结构图片：所述水覆盖阴影结构图片中的阴影部分为被水面覆盖的部分。水汽分界面正好是整个画面的切割线，水面部分是阴影部分。
图20(a)～图20(f)均为本发明实施例拍摄的水覆盖不相交结构图片的截图，图20(a)～图20(f)各图之间相互独立，都分别是水覆盖不相交结构图片的表现形式。这类图片的特征是：
水覆盖不相交结构图片：所述水覆盖不相交结构图片为被水面覆盖的不相交结构图片；所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域；所述粗壮棱状结构的通径大于第一预设通径数值。被水面覆盖的不相交结构，表面有很多反光。
图21(a)～图21(f)均为本发明实施例拍摄的水覆盖平坦结构图片的截图，图21(a)～图21(f)各图之间相互独立，都分别是水覆盖平坦结构图片的表现形式。这类图片的特征是：
水覆盖平坦结构图片：所述水覆盖平坦结构图片为被水面覆盖的血管平坦结构图片。被水面覆盖的胃壁，有很多反光纹理。
图22(a)～图22(f)均为本发明实施例拍摄的复杂背景水线图片的截图，图22(a)～图22(f)各图之间相互独立，都分别是复杂背景水线图片的表现形式。这类图片的特征是：
复杂背景水线图片：所述复杂背景水线图片为水汽分界面穿过复杂拍摄背景，所述复杂拍摄背景为具有多条棱状结构特征的拍摄背景。这类图片的特点是：水汽分界面穿过复杂的拍摄背景，形成了一半水面，一半气面的复杂构图背景。
图23(a)～图23(f)均为本发明实施例拍摄的水覆盖复杂结构图片的截图，图23(a)～图23(f)各图之间相互独立，都分别是水覆盖复杂结构图片的表现形式。这类图片的特征是：
水覆盖复杂结构图片：所述水覆盖复杂结构图片为被水面全部覆盖的复杂拍摄背景。这个类的图片是被水面全部覆盖，是由多条棱状结构构成的复杂背景。
图24(a)～图24(f)均为本发明实施例拍摄的透明结构图片的截图，图24(a)～图24(f)各图之间相互独立，都分别是透明结构图片的表现形式。这类图片的特征是：
透明结构图片：所述透明结构图片的水汽分界面贯穿拍摄物外表面，且所述水汽分界面的其中一侧为透明水体。水汽分界面贯穿全图，其中一半是高度透明的水体。
本发明实施例提供的确定分类标签的方法，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括基于全局结构特征的第一目标图片分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述全局带有胃角结构的第一目标图片包括：
半月形胃角结构图片、洞状胃角结构图片、双洞胃角结构图片、部分胃角结构图片；其中，所述半月形胃角结构图片的边缘部分为弯月形状；所述洞状胃角结构图片的中央为一个非中空的洞状形状结构；所述双洞胃角结构图片中的拍摄物外表面两侧相对的位置各有一个非中空的洞状形状结构；所述部分胃角结构图片包括胃部在收缩状态下和舒张状态下胃角分别对应的形状结构。可参照上述说明，不再赘述。
本发明实施例提供的确定分类标签的方法，通过进一步细分带有全局结构特征的第一目标图片，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述基于全局带有致密条纹特征的纹理结构的第一目标图片包括：
致密粗大条纹图片、致密纤细条纹图片、致密浅表条纹图片、致密条纹半月结构图片，其中，所述致密粗大条纹图片中没有洞状结构、且条纹的通径大于第一预设通径数值；所述致密纤细条纹图片中没有洞状结构、且条纹的通径小于第一预设通径数值；所述致密浅表条纹图片中没有洞状结构、且条纹沿拍摄物外表面方向凸起的凸起高度小于预设高度数值；所述致密条纹半月结构图片中有洞状结构、且条纹的通径大于第一预设通径数值、且除去所述洞状结构后的整体结构呈现弯月状结构。可参照上述说明，不再赘述。
本发明实施例提供的确定分类标签的方法，通过进一步细分带有全局结构特征的第一目标图片，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述基于全局带有致密条纹特征的纹理结构的第一目标图片包括大肠状纹理结构图片；相应的，所述大肠状纹理结构图片包括：
香肠状结构图片、大肠状结构图片、小肠状结构图片、小肠状结构与洞状结构叠加图片；其中，所述香肠状结构图片包含有二条至三条的粗大条纹、所述粗大条纹的通径大于第一预设通径数值、且各粗大条纹的排列为弯曲或平直；所述大肠状结构图片包含有四条至五条的沟洄状结构；所述小肠状结构图片包含的沟洄状结构是通过远景拍摄到的；所述小肠状结构与洞状结构叠加图片在所述小肠状结构图片的中央还叠加有洞状结构。可参照上述说明，不再赘述。
本发明实施例提供的确定分类标签的方法，通过进一步细分带有全局结构特征的第一目标图片，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述基于全局带有致密条纹特征的纹理结构的第一目标图片还包括血管状纹理图片；相应的，所述血管状纹理图片包括：
阴影血管结构图片、血管平坦结构图片、血管浅表结构图片、粗大血管结构图片；其中，所述阴影血管结构图片为叠加有血管状凸起条纹的半月结构，所述半月结构为所述拍摄物外表面中的明亮部分所对应的部分结构、且所述部分结构为半月形形状结构，所述血管状凸起条纹的通径小于第二预设通径数值、且所述第二预设通径数值小于所述第一预设通径数值，所述血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度大于预设高度数值；所述血管平坦结构图片为满月结构、且叠加有所述血管状凸起条纹、且除所述血管状凸起条纹之外无其他凸起；所述血管浅表结构图片为凸起高度小于预设高度数值的阴影血管结构图片，所述凸起高度为血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度；所述粗大血管结构图片为通径大于所述第二预设通径数值、且小于所述第一预设通径数值的阴影血管结构图片，所述通径为血管状凸起条纹的通径。可参照上述说明，不再赘述。
本发明实施例提供的确定分类标签的方法，通过进一步细分带有全局结构特征的第一目标图片，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述基于全局带有水覆盖纹理特征的纹理结构的第一目标图片包括：
水覆盖洞结构图片、水覆盖阴影结构图片、水覆盖不相交结构图片、水覆盖平坦结构图片、复杂背景水线图片、水覆盖复杂结构图片、透明结构图片；其中，所述水覆盖洞结构图片为通过远景拍摄的被水面覆盖的洞状结构图片；所述水覆盖阴影结构图片中的阴影部分为被水面覆盖的部分；所述水覆盖不相交结构图片为被水面覆盖的不相交结构图片；所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域；所述粗壮棱状结构的通径大于第一预设通径数值；所述水覆盖平坦结构图片为被水面覆盖的血管平坦结构图片；所述复杂背景水线图片为水汽分界面穿过复杂拍摄背景，所述复杂拍摄背景为具有多条棱状结构特征的拍摄背景；所述水覆盖复杂结构图片为被水面全部覆盖的复杂拍摄背景；所述透明结构图片的水汽分界面贯穿拍摄物外表面，且所述水汽分界面的其中一侧为透明水体。可参照上述说明，不再赘述。
本发明实施例提供的确定分类标签的方法，通过进一步细分带有全局结构特征的第一目标图片，进一步能够提高样本图片的分类标签选择的合理性和准确度。
图25为本发明确定分类标签的装置实施例结构示意图，如图25所示，本发明实施例提供了一种确定分类标签的装置，包括获取单元2501和分类单元2502，其中：
获取单元2501用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；分类单元2502用于对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
具体的，获取单元2501用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；分类单元2502用于对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本发明实施例提供的确定分类标签的装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括基于全局结构特征的第一目标图片分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
本发明实施例提供的确定分类标签的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图26为本发明实施例提供的电子设备实体结构示意图，如图26所示，所述电子设备包括：处理器(processor)2601、存储器(memory)2602和总线2603；
其中，所述处理器2601、存储器2602通过总线2603完成相互间的通信；
所述处理器2601用于调用所述存储器2602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种确定分类标签的方法，其特征在于，包括：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
2.根据权利要求1所述的方法，其特征在于，所述全局带有胃角结构的第一目标图片包括：
半月形胃角结构图片、洞状胃角结构图片、双洞胃角结构图片、部分胃角结构图片；其中，所述半月形胃角结构图片的边缘部分为弯月形状；所述洞状胃角结构图片的中央为一个非中空的洞状形状结构；所述双洞胃角结构图片中的拍摄物外表面两侧相对的位置各有一个非中空的洞状形状结构；所述部分胃角结构图片包括胃部在收缩状态下和舒张状态下胃角分别对应的形状结构。
3.根据权利要求2所述的方法，其特征在于，所述基于全局带有致密条纹特征的纹理结构的第一目标图片包括：
致密粗大条纹图片、致密纤细条纹图片、致密浅表条纹图片、致密条纹半月结构图片，其中，所述致密粗大条纹图片中没有洞状结构、且条纹的通径大于第一预设通径数值；所述致密纤细条纹图片中没有洞状结构、且条纹的通径小于第一预设通径数值；所述致密浅表条纹图片中没有洞状结构、且条纹沿拍摄物外表面方向凸起的凸起高度小于预设高度数值；所述致密条纹半月结构图片中有洞状结构、且条纹的通径大于第一预设通径数值、且除去所述洞状结构后的整体结构呈现弯月状结构。
4.根据权利要求3所述的方法，其特征在于，所述基于全局带有致密条纹特征的纹理结构的第一目标图片包括大肠状纹理结构图片；相应的，所述大肠状纹理结构图片包括：
香肠状结构图片、大肠状结构图片、小肠状结构图片、小肠状结构与洞状结构叠加图片；其中，所述香肠状结构图片包含有二条至三条的粗大条纹、所述粗大条纹的通径大于第一预设通径数值、且各粗大条纹的排列为弯曲或平直；所述大肠状结构图片包含有四条至五条的沟洄状结构；所述小肠状结构图片包含的沟洄状结构是通过远景拍摄到的；所述小肠状结构与洞状结构叠加图片在所述小肠状结构图片的中央还叠加有洞状结构。
5.根据权利要求4所述的方法，其特征在于，所述基于全局带有致密条纹特征的纹理结构的第一目标图片还包括血管状纹理图片；相应的，所述血管状纹理图片包括：
阴影血管结构图片、血管平坦结构图片、血管浅表结构图片、粗大血管结构图片；其中，所述阴影血管结构图片为叠加有血管状凸起条纹的半月结构，所述半月结构为所述拍摄物外表面中的明亮部分所对应的部分结构、且所述部分结构为半月形形状结构，所述血管状凸起条纹的通径小于第二预设通径数值、且所述第二预设通径数值小于所述第一预设通径数值，所述血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度大于预设高度数值；所述血管平坦结构图片为满月结构、且叠加有所述血管状凸起条纹、且除所述血管状凸起条纹之外无其他凸起；所述血管浅表结构图片为凸起高度小于预设高度数值的阴影血管结构图片，所述凸起高度为血管状凸起条纹沿拍摄物外表面方向凸起的凸起高度；所述粗大血管结构图片为通径大于所述第二预设通径数值、且小于所述第一预设通径数值的阴影血管结构图片，所述通径为血管状凸起条纹的通径。
6.根据权利要求5所述的方法，其特征在于，所述基于全局带有水覆盖纹理特征的纹理结构的第一目标图片包括：
水覆盖洞结构图片、水覆盖阴影结构图片、水覆盖不相交结构图片、水覆盖平坦结构图片、复杂背景水线图片、水覆盖复杂结构图片、透明结构图片；其中，所述水覆盖洞结构图片为通过远景拍摄的被水面覆盖的洞状结构图片；所述水覆盖阴影结构图片中的阴影部分为被水面覆盖的部分；所述水覆盖不相交结构图片为被水面覆盖的不相交结构图片；所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域；所述粗壮棱状结构的通径大于第一预设通径数值；所述水覆盖平坦结构图片为被水面覆盖的血管平坦结构图片；所述复杂背景水线图片为水汽分界面穿过复杂拍摄背景，所述复杂拍摄背景为具有多条棱状结构特征的拍摄背景；所述水覆盖复杂结构图片为被水面全部覆盖的复杂拍摄背景；所述透明结构图片的水汽分界面贯穿拍摄物外表面，且所述水汽分界面的其中一侧为透明水体。
7.一种确定分类标签的装置，其特征在于，包括：
获取单元，用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
分类单元，用于对所有样本图片进行分类；其中，分类类型包括基于全局结构特征的第一目标图片分类标签；所述第一目标图片分类标签是基于全局带有胃角结构和/或带有特殊特征的纹理结构的第一目标图片来确定的；所述第一目标图片是拍摄物外表面不包含异常特征的原始图片；所述异常特征包括凸起特征和/或指定颜色特征；所述特殊特征包括致密条纹特征、水覆盖纹理特征；所述致密条纹特征中的条纹数量大于预设数量。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910251152.1A CN110110746A (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910251152.1A CN110110746A (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110110746A true CN110110746A (zh) | 2019-08-09 |
Family
ID=67484839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910251152.1A Pending CN110110746A (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308088A (zh) * | 2020-09-16 | 2021-02-02 | 广州忆游科技有限公司 | 一种智能筛选全透明图片的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514601A (zh) * | 2013-09-18 | 2014-01-15 | 中国人民解放军第四军医大学 | 薄层扫描的影像数据中结肠平坦型病灶三维区域数据提取方法 |
| US20150117729A1 (en) * | 2013-10-30 | 2015-04-30 | Gwangju Institute Of Science And Technology | Polyp detection apparatus and method of operating the same |
| CN104883948A (zh) * | 2012-12-25 | 2015-09-02 | 奥林巴斯株式会社 | 图像处理装置、程序以及图像处理方法 |
| CN107145840A (zh) * | 2017-04-18 | 2017-09-08 | 重庆金山医疗器械有限公司 | 内镜专家诊断知识嵌入的计算机辅助 wce 序列图像数据识别模型 |
| CN109102491A (zh) * | 2018-06-28 | 2018-12-28 | 武汉大学人民医院（湖北省人民医院） | 一种胃镜图像自动采集系统及方法 |
| CN109146884A (zh) * | 2018-11-16 | 2019-01-04 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
-
2019
- 2019-03-29 CN CN201910251152.1A patent/CN110110746A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104883948A (zh) * | 2012-12-25 | 2015-09-02 | 奥林巴斯株式会社 | 图像处理装置、程序以及图像处理方法 |
| CN103514601A (zh) * | 2013-09-18 | 2014-01-15 | 中国人民解放军第四军医大学 | 薄层扫描的影像数据中结肠平坦型病灶三维区域数据提取方法 |
| US20150117729A1 (en) * | 2013-10-30 | 2015-04-30 | Gwangju Institute Of Science And Technology | Polyp detection apparatus and method of operating the same |
| CN107145840A (zh) * | 2017-04-18 | 2017-09-08 | 重庆金山医疗器械有限公司 | 内镜专家诊断知识嵌入的计算机辅助 wce 序列图像数据识别模型 |
| CN109102491A (zh) * | 2018-06-28 | 2018-12-28 | 武汉大学人民医院（湖北省人民医院） | 一种胃镜图像自动采集系统及方法 |
| CN109146884A (zh) * | 2018-11-16 | 2019-01-04 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| 姚保泰: "《中医舌像与胃镜像对照图谱》", 30 November 1996, 山东科学技术出版社 * |
| 小山恒男: "《早期胃癌内镜诊断的方法与策略》", 31 January 2017, 辽宁科学技术出版社 * |
| 约翰·马克·卡纳尔等: "《消化内镜临床与实践》", 31 July 2017, 上海科学技术出版社 * |
| 谷业云等: "《实用护理技术与临床》", 30 June 2018, 上海交通大学出版社 * |
| 陈金宝: "《临床人体解剖图谱 腹部外科分册》", 28 February 2018, 上海科学技术出版社 * |
| 项平等: "《消化道早癌内镜诊断与治疗》", 31 January 2019, 上海科学技术出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308088A (zh) * | 2020-09-16 | 2021-02-02 | 广州忆游科技有限公司 | 一种智能筛选全透明图片的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7860290B2 (en) | Three-dimensional (3D) modeling of coronary arteries | |
| EP1995690B1 (en) | Generating an anatomical model using a rule-based segmentation and classification process | |
| CN104992430B (zh) | 基于卷积神经网络的全自动的三维肝脏分割方法 | |
| JP3918143B2 (ja) | 植物認識システム | |
| CN101853524A (zh) | 使用图像序列生成玉米果穗全景图的方法 | |
| JP2002503861A (ja) | 胸部ｘ線写真における肺領域と肋骨横隔膜角の自動描画方法とシステム | |
| Sánchez et al. | Bright spot regions segmentation and classification for specular highlights detection in colonoscopy videos | |
| CN110084275A (zh) | 一种训练样本的选取方法及装置 | |
| CN108830149A (zh) | 一种目标细菌的检测方法及终端设备 | |
| Alush et al. | Automated and interactive lesion detection and segmentation in uterine cervix images | |
| CN110110746A (zh) | 一种确定分类标签的方法及装置 | |
| CN109118494A (zh) | 一种基于凹点匹配的重叠区域分割方法及装置 | |
| JP2006506163A (ja) | 肺結節のコンピュータ支援検出 | |
| Liu et al. | Depth information-based automatic annotation of early esophageal cancers in gastroscopic images using deep learning techniques | |
| CN110110750A (zh) | 一种原始图片的分类方法及装置 | |
| CN110097082A (zh) | 一种训练集的拆分方法及装置 | |
| WO2013032441A1 (en) | Inserting an object into an image | |
| Schaumberg et al. | Large-scale annotation of histopathology images from social media | |
| CN110097080A (zh) | 一种分类标签的构建方法及装置 | |
| CN110083727A (zh) | 一种确定分类标签的方法及装置 | |
| CN110399913A (zh) | 一种医学图像中拍摄部位的分类方法及装置 | |
| CN110070112A (zh) | 一种确定分类标签的方法及装置 | |
| CN112819042B (zh) | 一种食管鳞状上皮异型增生图像的处理方法、系统及介质 | |
| KR101726505B1 (ko) | 설 촬영 장치 및 설 영상의 프로세싱 방법 | |
| CN110084280A (zh) | 一种确定分类标签的方法及装置 |
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: 20190809 |