CN111028219B - 一种结肠图像识别方法、装置以及相关设备 - Google Patents

一种结肠图像识别方法、装置以及相关设备 Download PDF

Info

Publication number
CN111028219B
CN111028219B CN201911259274.1A CN201911259274A CN111028219B CN 111028219 B CN111028219 B CN 111028219B CN 201911259274 A CN201911259274 A CN 201911259274A CN 111028219 B CN111028219 B CN 111028219B
Authority
CN
China
Prior art keywords
detection result
image
colon
polyp
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911259274.1A
Other languages
English (en)
Other versions
CN111028219A (zh
Inventor
谌明
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.)
Zhejiang Herui Medical Technology Co ltd
Original Assignee
Zhejiang Herui Medical Technology Co ltd
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 Zhejiang Herui Medical Technology Co ltd filed Critical Zhejiang Herui Medical Technology Co ltd
Priority to CN201911259274.1A priority Critical patent/CN111028219B/zh
Publication of CN111028219A publication Critical patent/CN111028219A/zh
Application granted granted Critical
Publication of CN111028219B publication Critical patent/CN111028219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种结肠图像识别方法，包括获取待测结肠图像；通过单目标检测器对所述待测结肠图像进行检测，获得第一检测结果；其中，所述单目标检测器的检测目标为息肉组织；通过多目标检测器对所述待测结肠图像进行检测，获得第二检测结果；其中，所述多目标检测器的检测目标包括息肉组织和干扰组织；根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息；该结肠图像识别方法可以有效提高结肠息肉识别的准确性。本申请还公开了一种结肠图像识别装置、设备及计算机可读存储介质，均具有上述有益效果。

Description

一种结肠图像识别方法、装置以及相关设备
技术领域
本申请涉及图像处理领域，特别涉及一种结肠图像识别方法，还涉及一种结肠图像识别装置、设备以及计算机可读存储介质。
背景技术
当前，结肠癌已成为人类的一大杀手，根据临床经验，超过90％的结肠癌由结肠息肉转换而来，早期诊断和切除结肠息肉是现在最有效的防止结肠癌的方式，结肠镜检查被认为是检查结肠息肉最有效的方法，因为它能够检查完整的结肠，并且可以有效切除被发现的息肉。因此，研究基于结肠镜检查视频的结肠息肉检测方法具有很大的实际意义。
目前，研究者已提出多种基于传统方法来检测结肠息肉，如采用颜色信息或纹理信息或几何信息作为特征，利用传统机器学习方法对正常区域和结肠息肉区域进行区分，但是，结肠息肉的形态各异，且受到结肠内其他非息肉区域，如气泡、杂质等的干扰，因此，仅基于上述传统特征往往很难准确检测出结肠息肉，误检率较高。
因此，如何有效提高结肠息肉识别的准确性是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种结肠图像识别方法，该结肠图像识别方法可以有效提高结肠息肉识别的准确性；本申请的另一目的是提供一种结肠图像识别装置、设备以及计算机可读存储介质，也具有上述有益效果。
为解决上述技术问题，本申请提供了一种结肠图像识别方法，所述结肠图像识别方法包括：
获取待测结肠图像；
通过单目标检测器对所述待测结肠图像进行检测，获得第一检测结果；其中，所述单目标检测器的检测目标为息肉组织；
通过多目标检测器对所述待测结肠图像进行检测，获得第二检测结果；其中，所述多目标检测器的检测目标包括息肉组织和干扰组织；
根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息。
优选的，所述获取待测结肠图像，包括：
获取内窥镜视频；
对所述内窥镜视频进行分帧处理，获得分帧图像；
对各所述分帧图像进行分类处理，获得体内图像；
对各所述体内图像进行剪切，获得所述待测结肠图像。
优选的，所述对各所述分帧图像进行分类处理，获得体内图像，包括：
利用深度学习网络Resnet对所述分帧图像进行分类处理，获得所述体内图像。
优选的，所述对各所述体内图像进行剪切，获得所述待测结肠图像，包括：
将所述体内图像转化为灰度图像，对所述灰度图像进行二值化处理获得二值图像，对所述二值图像进行最大连接区域计算，获得所述待测结肠图像。
优选的，所述单目标检测器和所述多目标检测器为RetinaNet。
优选的，所述干扰组织包括气泡和杂质。
优选的，所述根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息，包括：
获取所述第一检测结果中的第一概率值和所述第二检测结果中的第二概率值；
当所述第一概率值高于所述第二概率值时，将所述第一检测结果作为最终检测结果，当所述第一概率值低于所述第二概率值时，将所述第二检测结果作为最终检测结果；
当所述最终检测结果为息肉组织时，获取所述息肉信息。
优选的，所述息肉信息具体为所述息肉组织的位置信息。
优选的，所述结肠图像识别方法还包括：
利用所述息肉信息对所述单目标检测器和所述多目标检测器进行优化处理。
为解决上述技术问题，本申请还提供了一种结肠图像识别装置，所述结肠图像识别装置包括：
图像获取模块，用于获取待测结肠图像；
第一检测模块，用于通过单目标检测器对所述待测结肠图像进行检测，获得第一检测结果；其中，所述单目标检测器的检测目标为息肉组织；
第二检测模块，用于通过多目标检测器对所述待测结肠图像进行检测，获得第二检测结果；其中，所述多目标检测器的检测目标包括息肉组织和干扰组织；
信息确定模块，用于根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息。
为解决上述技术问题，本申请还提供了一种结肠图像识别设备，所述结肠图像识别设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任意一种结肠图像识别方法的步骤。
优选的，所述结肠图像识别设备还包括显示器，用于显示息肉信息。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种结肠图像识别方法的步骤。
本申请所提供的一种结肠图像识别方法，包括获取待测结肠图像；通过单目标检测器对所述待测结肠图像进行检测，获得第一检测结果；其中，所述单目标检测器的检测目标为息肉组织；通过多目标检测器对所述待测结肠图像进行检测，获得第二检测结果；其中，所述多目标检测器的检测目标包括息肉组织和干扰组织；根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息。
可见，本申请所提供的结肠图像识别方法，基于两阶段多分类的检测方法实现了结肠图像中息肉的识别，首先利用仅针对息肉组织的单目标检测器进行检测，再利用针对息肉组织和干扰组织的多目标检测器进行检测，进而基于以上两个检测结果确定待测结肠图像中是否存在息肉组织，并获得相应的息肉信息，有效避免了结肠中非息肉区域的干扰组织对结肠息肉识别的影响，保证了结肠息肉的检测精度，进而提高了结肠息肉识别的准确性。
本申请所提供的一种结肠图像识别装置、设备以及计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请所提供的一种结肠图像识别方法的流程示意图；
图2为本申请所提供的一种结肠图像获取方法的流程示意图；
图3为本申请所提供的一种结肠图像识别装置的结构示意图；
图4为本申请所提供的一种结肠图像识别设备的结构示意图。
具体实施方式
本申请的核心是提供一种结肠图像识别方法，该结肠图像识别方法可以有效提高结肠息肉识别的准确性；本申请的另一核心是提供一种结肠图像识别装置、设备以及计算机可读存储介质，也具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
请参考图1，图1为本申请所提供的一种结肠图像识别方法的流程示意图，该结肠图像识别方法可以包括：
S101：获取待测结肠图像；
本步骤旨在实现待测结肠图像的获取，该待测结肠图像即为需要识别结肠中是否存在息肉组织的结肠图像。可以理解的是，上述待测结肠图像的获取方式并不唯一，可以由用户直接基于相应的客户端输入，也可以是从视频中截取获得的视频帧，其获取方式并不影响本技术方案的实施，本申请对此不做限定。
S102：通过单目标检测器对待测结肠图像进行检测，获得第一检测结果；其中，单目标检测器的检测目标为息肉组织；
本步骤旨在实现单目标检测，该单目标仅针对于结肠中的息肉组织。具体的，可通过预先建立的单目标检测器对待测结肠图像进行检测，获得上述第一检测结果，该第一检测结果即为待测结肠图像中被单目标检测器检测确定的息肉组织也就是从待测结肠图像中检测出了息肉组织。
S103：通过多目标检测器对待测结肠图像进行检测，获得第二检测结果；其中，多目标检测器的检测目标包括息肉组织和干扰组织；
本步骤旨在实现多目标检测，该多目标针对于结肠中的息肉组织和干扰组织，其中，干扰组织即为干扰结肠中息肉识别的非息肉组织，其类型多种多样，在息肉识别过程中很容易被识别为息肉组织，降低检测精度。具体的，可通过预先建立的多目标检测器对待测结肠图像进行检测，获得上述第二检测结果，该第二检测结果即为待测结肠图像中被多目标检测器分类检测而确定的息肉组织和干扰组织，也就是从待测结肠图像中检测出了息肉组织和干扰组织。
优选的，上述单目标检测器和多目标检测器可以为RetinaNet。
本优选实施例提供了一种具体类型的目标检测器，即上述RetinaNet，当然，其类型并不唯一，可以由技术人员根据实际需求进行类型选择，本申请对此不做限定。
优选的，上述干扰组织可以包括气泡和杂质。
本优选实施例提供了具体类型的干扰组织，干扰组织为干扰结肠中息肉识别的非息肉组织，很容易被识别为息肉组织，如结肠中的气泡和杂质等。同样的，其具体类型并不唯一，可以由技术人员根据实际需求进行设定，可以理解的是，其预先设定的类型越多，结肠息肉的识别精度越高。
需要说明的是，图1所示S102与S103的执行顺序并不唯一，为提高处理效率，二者也可同时执行。
S104：根据第一检测结果和第二检测结果确定待测结肠图像中的息肉信息。
具体的，在S102和S103的基础上，先基于单目标检测器从待测结肠图像中检测到了息肉组织，即第一检测结果，但由于结肠中的形态差异较大，且杂质较多，其检测结果相对不准确；但是，后基于多目标检测器从待测结肠图像中检测到了息肉组织和干扰组织，即第二检测结果，相当于将息肉组织和干扰组织分离开来，由此，即可基于第一检测结果和第二检测结果进行对比分析，将被误判为息肉组织的干扰组织去除，进而获得待测结肠图像中真正的息肉组织，有效保证了识别结果的准确性。
优选的，上述根据第一检测结果和第二检测结果确定待测结肠图像中的息肉信息，可以包括：获取第一检测结果中的第一概率值和第二检测结果中的第二概率值；当第一概率值高于第二概率值时，将第一检测结果作为最终检测结果，当第一概率值低于第二概率值时，将第二检测结果作为最终检测结果；当最终检测结果为息肉组织时，获取息肉信息。
本优选实施例提供了一种较为具体的息肉信息的获取方法，上述各检测结果具体可以为属于对应目标的概率值，即第一检测结果为确定为息肉组织的概率值，第二检测结果为确定为息肉组织的概率值和确定为干扰组织的概率值，进而对两个检测结果进行比较，并将取值更高的概率值对应的检测结果作为最终检测结果，进一步，当最终检测结果确定为息肉组织时，即可获取其相应的息肉信息。更为具体的，当两者检测结果均为息肉组织时，可确定其最终检测结果就是息肉组织；当前者检测结果为息肉组织，后者检测结果为干扰组织时，再进行概率值的比较，若前者概率值较高，则可以确定为息肉组织，若后者概率值较高，则可以确定为干扰组织，并将其滤除即可。
优选的，上述息肉信息具体可以为息肉组织的位置信息。
具体的，结肠图像识别旨在识别确定结肠中存在的息肉，以将其切除，因此，上述息肉信息具体可以为息肉组织的位置信息，以便可以基于该位置信息对息肉组织进行切除。当然，其具体内容不限于此，还可以包括息肉组织的直径大小等信息。
作为一种优选实施例，该结肠图像识别方法还可以包括：利用息肉信息对单目标检测器和多目标检测器进行优化处理。
具体的，在每次完成结肠息肉检测后，还可进一步利用检测结果对单目标检测器和多目标检测器进行优化，以获得优化后的具有更高精度的检测器，从而进一步提高了结肠息肉识别的准确性。
本申请所提供的结肠图像识别方法，基于两阶段多分类的检测方法实现了结肠图像中息肉的识别，首先利用仅针对息肉组织的单目标检测器进行检测，再利用针对息肉组织和干扰组织的多目标检测器进行检测，进而基于以上两个检测结果确定待测结肠图像中是否存在息肉组织，并获得相应的息肉信息，有效避免了结肠中非息肉区域的干扰组织对结肠息肉识别的影响，保证了结肠息肉的检测精度，进而提高了结肠息肉识别的准确性。
在上述实施例的基础上，作为一种优选实施例，本申请提供了一种较为具体的待测结肠图像的获取方法，请参考图2，图2为本申请所提供的一种结肠图像获取方法的流程示意图，具体可包括：
S201：获取内窥镜视频；
本优选实施例基于视频信息实现了待测结肠图像的获取，本步骤即旨在实现视频信息的获取，结肠检查一般是将内窥镜探入人体内进行视频采集，因此，该视频信息即为基于内窥镜采集获得的结肠视频信息，也即上述内窥镜视频。
S202：对内窥镜视频进行分帧处理，获得分帧图像；
本步骤旨在实现视频分帧处理，具体的，视频信息由视频帧组成，因此，为实现待测结肠图像的获取，可先对内窥镜视频进行分帧，以获得组成内窥镜视频的各个分帧图像。其中，分帧处理流程基于现有的任意一种视频分割技术实现即可，本申请在此不再赘述。
S203：对各分帧图像进行分类处理，获得体内图像；
本步骤旨在实现图像分类处理，具体而言，由于内窥镜和被检人员连接前，医生往往会先打开结肠镜，而且在完成一个人员检查后很少会关掉结肠镜，这将导致采集到的内窥镜视频中存在诸多无效区域，这些无效区域主要为体外部分，对后期的结肠息肉检查影响较大，因此，需要将该区域图像去除。由此，可以对各个分帧图像进行分类处理，以获得体内图像。
优选的，上述对各分帧图像进行分类处理，获得体内图像，可以包括：利用深度学习网络Resnet对分帧图像进行分类处理，获得体内图像。
为避免人工分类导致的时间耗费问题，可以采用Resnet对各分帧图像进行分类处理获得体内图像，保证执行效率。在具体实现过程中，为提高分类精度，考虑到内窥镜视频的连续性，可以借助前后相邻帧的检测结果来判断当前帧属于体外图像还是体内图像。具体而言，可以借助前后各3帧输出的类概率进行类的选择，每个类的类概率由当前帧和前后各3帧的类概率的加权平均值决定，类概率较大的类会被选择，在本申请中，设定前后各3帧的权重分别为0.3，0.5，0.7，0.7，0.5，0.3，当前帧的权重为1，由此，对于一个八分钟的内窥镜视频，基于该方法只需要十秒左右即可将无效区域去除，且去除精度能够达到100％。
S204：对各体内图像进行剪切，获得待测结肠图像。
本步骤旨在实现图像剪切处理，具体的，由于原始的结肠镜检查图像(即体内图像)中往往包含一些描述文字部分，其在实际应用中很容易影响检测精度，因此，可以先将各体内图像中的文字部分和背景区域进行去除，只保留结肠图像部分，由此，通过图像剪切实现了待测结肠图像的获取。
优选的，上述对各体内图像进行剪切，获得待测结肠图像，可以包括：将体内图像转化为灰度图像，对灰度图像进行二值化处理获得二值图像，对二值图像进行最大连接区域计算，获得待测结肠图像。
本优选实施例提供了一种较为具体的图像剪切方法，由于结肠部分和背景区域颜色差异较大，因此，可以先将原始的结肠镜检查图像转换成灰度图像，再对灰度图像进行二值化，得到对应的二值图像。由于结肠区域相对文字部分的面积要大很多，因此，可以通过计算二值图像的最大连接区域得到结肠区域，即获得待测结肠图像。
至此，实现待测结肠图像的获取。可以理解的是，该图像获取过程同样适用于上述各检测器对应的训练样本图像的获取过程。
进一步，基于该待测结肠图像的识别过程，参照上一实施例即可，本申请实施例在此不再赘述。此外，通过将该结肠图像识别方法在Nvidia GTX 1080Ti GPU上进行实验验证，确定其检测效果具有很大提高，准确率接近0.95,召回率达到0.85以上，平均查准率达到0.88，而且，该方法可实现每秒18帧图像的处理，基本实现了实时处理。
为解决上述问题，请参考图3，图3为本申请所提供的一种结肠图像识别装置的结构示意图，该结肠图像识别装置可包括：
图像获取模块10，用于获取待测结肠图像；
第一检测模块20，用于通过单目标检测器对待测结肠图像进行检测，获得第一检测结果；其中，单目标检测器的检测目标为息肉组织；
第二检测模块30，用于通过多目标检测器对待测结肠图像进行检测，获得第二检测结果；其中，多目标检测器的检测目标包括息肉组织和干扰组织；
信息确定模块40，用于根据第一检测结果和第二检测结果确定待测结肠图像中的息肉信息。
对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。
为解决上述问题，请参考图4，图4为本申请所提供的一种结肠图像识别设备的结构示意图，该结肠图像识别设备可包括：
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序时可实现上述任意一种结肠图像识别的步骤。
作为一种优选实施例，该结肠图像识别设备还可包括显示器，用于显示息肉信息。
对于本申请提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
为解决上述问题，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现上述任意一种结肠图像识别方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的结肠图像识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围要素。

Claims (12)

1.一种结肠图像识别方法，其特征在于，包括：
获取待测结肠图像；
通过单目标检测器对所述待测结肠图像进行检测，获得第一检测结果；其中，所述单目标检测器的检测目标为息肉组织；
通过多目标检测器对所述待测结肠图像进行检测，获得第二检测结果；其中，所述多目标检测器的检测目标包括息肉组织和干扰组织；
根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息；
其中，所述根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息，包括：
获取所述第一检测结果中的第一概率值和所述第二检测结果中的第二概率值；
当所述第一概率值高于所述第二概率值时，将所述第一检测结果作为最终检测结果，当所述第一概率值低于所述第二概率值时，将所述第二检测结果作为最终检测结果；
当所述最终检测结果为息肉组织时，获取所述息肉信息。
2.如权利要求1所述的结肠图像识别方法，其特征在于，所述获取待测结肠图像，包括：
获取内窥镜视频；
对所述内窥镜视频进行分帧处理，获得分帧图像；
对各所述分帧图像进行分类处理，获得体内图像；
对各所述体内图像进行剪切，获得所述待测结肠图像。
3.如权利要求2所述的结肠图像识别方法，其特征在于，所述对各所述分帧图像进行分类处理，获得体内图像，包括：
利用深度学习网络Resnet对所述分帧图像进行分类处理，获得所述体内图像。
4.如权利要求2所述的结肠图像识别方法，其特征在于，所述对各所述体内图像进行剪切，获得所述待测结肠图像，包括：
将所述体内图像转化为灰度图像，对所述灰度图像进行二值化处理获得二值图像，对所述二值图像进行最大连接区域计算，获得所述待测结肠图像。
5.如权利要求1所述的结肠图像识别方法，其特征在于，所述单目标检测器和所述多目标检测器为RetinaNet。
6.如权利要求1所述的结肠图像识别方法，其特征在于，所述干扰组织包括气泡和杂质。
7.如权利要求1所述的结肠图像识别方法，其特征在于，所述息肉信息具体为所述息肉组织的位置信息。
8.如权利要求1至7任意一项所述的结肠图像识别方法，其特征在于，还包括：
利用所述息肉信息对所述单目标检测器和所述多目标检测器进行优化处理。
9.一种结肠图像识别装置，其特征在于，包括：
图像获取模块，用于获取待测结肠图像；
第一检测模块，用于通过单目标检测器对所述待测结肠图像进行检测，获得第一检测结果；其中，所述单目标检测器的检测目标为息肉组织；
第二检测模块，用于通过多目标检测器对所述待测结肠图像进行检测，获得第二检测结果；其中，所述多目标检测器的检测目标包括息肉组织和干扰组织；
信息确定模块，用于根据所述第一检测结果和所述第二检测结果确定所述待测结肠图像中的息肉信息；
其中，所述信息确定模块具体用于获取所述第一检测结果中的第一概率值和所述第二检测结果中的第二概率值；当所述第一概率值高于所述第二概率值时，将所述第一检测结果作为最终检测结果，当所述第一概率值低于所述第二概率值时，将所述第二检测结果作为最终检测结果；当所述最终检测结果为息肉组织时，获取所述息肉信息。
10.一种结肠图像识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任意一项所述的结肠图像识别方法的步骤。
11.如权利要求10所述的结肠图像识别设备，其特征在于，还包括显示器，用于显示息肉信息。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的结肠图像识别方法的步骤。
CN201911259274.1A 2019-12-10 2019-12-10 一种结肠图像识别方法、装置以及相关设备 Active CN111028219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911259274.1A CN111028219B (zh) 2019-12-10 2019-12-10 一种结肠图像识别方法、装置以及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911259274.1A CN111028219B (zh) 2019-12-10 2019-12-10 一种结肠图像识别方法、装置以及相关设备

Publications (2)

Publication Number Publication Date
CN111028219A CN111028219A (zh) 2020-04-17
CN111028219B true CN111028219B (zh) 2023-06-20

Family

ID=70205333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259274.1A Active CN111028219B (zh) 2019-12-10 2019-12-10 一种结肠图像识别方法、装置以及相关设备

Country Status (1)

Country Link
CN (1) CN111028219B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669283B (zh) * 2020-12-29 2022-11-01 杭州优视泰信息技术有限公司 一种基于深度学习的肠镜图像息肉误检测抑制装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8184888B2 (en) * 2007-09-19 2012-05-22 Siemens Medical Solutions Usa, Inc. Method and system for polyp segmentation for 3D computed tomography colonography
CN101853395A (zh) * 2010-05-27 2010-10-06 南昌航空大学 从单幅图形和图像识别部分遮挡的三维目标的方法
CN104302016A (zh) * 2014-09-16 2015-01-21 北京市信息技术研究所 一种基于多功能复合式传感器的无线传感网架构
CN108596237B (zh) * 2018-04-19 2019-11-15 北京邮电大学 一种基于颜色和血管的lci激光内镜下的结肠息肉分类装置
US10706545B2 (en) * 2018-05-07 2020-07-07 Zebra Medical Vision Ltd. Systems and methods for analysis of anatomical images
CN109726739A (zh) * 2018-12-04 2019-05-07 深圳大学 一种目标检测方法和系统
CN109859836B (zh) * 2019-01-15 2022-03-22 上海鹰瞳医疗科技有限公司 医疗图像识别方法和设备
CN110458127B (zh) * 2019-03-01 2021-02-26 腾讯医疗健康(深圳)有限公司 图像处理方法、装置、设备以及系统

Also Published As

Publication number Publication date
CN111028219A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
EP2466541B1 (en) Image processing apparatus, image processing method and image processing program
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
CN101996329B (zh) 一种对血管形变区域的检测装置和方法
CN103886576B (zh) 一种腺体组织特征灰度检测方法及装置
CN107316311B (zh) 细胞核图像轮廓捕获设备及其方法
WO2008044466A1 (fr) Dispositif, procédé et programme de traitement d'image
JP2009291415A (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
JP5771513B2 (ja) 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム
CN111862038B (zh) 一种斑块检测方法、装置、设备及介质
CN110880177A (zh) 一种图像识别方法及装置
CN115760858B (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
Hsiao et al. A deep learning-based precision volume calculation approach for kidney and tumor segmentation on computed tomography images
CN116934743B (zh) 医学影像肿瘤恶性风险评估方法、系统、设备和存储介质
CN115880266B (zh) 一种基于深度学习的肠道息肉检测系统和方法
Hwa et al. Enhanced Canny edge detection for Covid-19 and pneumonia X-Ray images
CN111028219B (zh) 一种结肠图像识别方法、装置以及相关设备
KR101182729B1 (ko) 의료용 혈관영상 처리방법
CN111839444A (zh) 一种基于图像识别匹配的肠镜镜头静止检测方法
US20150254850A1 (en) System for detecting blood vessel structures in medical images
CN112669273A (zh) 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质
CN111292285A (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
US20150131854A1 (en) Image measurement apparatus, image measurement method, and image measuring program storage medium
CN113034451A (zh) 一种基于深度学习的胸部dr图像识别方法
CN118229555B (zh) 一种图像融合方法、装置、设备及计算机可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210402

Address after: 310000 Room 201, 18 Tongshun street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: Zhejiang Herui Medical Technology Co.,Ltd.

Address before: 310000 Room 305, 3rd floor, 18 Tongshun street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant before: Zhejiang tonghuashun Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant