CN111768408B - 胃肠标记物自动识别方法及识别系统 - Google Patents

胃肠标记物自动识别方法及识别系统 Download PDF

Info

Publication number
CN111768408B
CN111768408B CN202010902829.6A CN202010902829A CN111768408B CN 111768408 B CN111768408 B CN 111768408B CN 202010902829 A CN202010902829 A CN 202010902829A CN 111768408 B CN111768408 B CN 111768408B
Authority
CN
China
Prior art keywords
gastrointestinal marker
area
suspected
gastrointestinal
marker
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
CN202010902829.6A
Other languages
English (en)
Other versions
CN111768408A (zh
Inventor
候晓华
谢小平
金玉
王廷旗
高飞
段晓东
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.)
Ankon Technologies Co Ltd
Original Assignee
Ankon Technologies 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 Ankon Technologies Co Ltd filed Critical Ankon Technologies Co Ltd
Priority to CN202010902829.6A priority Critical patent/CN111768408B/zh
Publication of CN111768408A publication Critical patent/CN111768408A/zh
Application granted granted Critical
Publication of CN111768408B publication Critical patent/CN111768408B/zh
Priority to EP21863604.1A priority patent/EP4209992A4/en
Priority to PCT/CN2021/115724 priority patent/WO2022048540A1/zh
Priority to US18/024,215 priority patent/US20230306589A1/en
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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/12—Devices for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/39—Markers, e.g. radio-opaque or breast lesions markers
    • A61B2090/3904—Markers, e.g. radio-opaque or breast lesions markers specially adapted for marking specified tissue
    • A61B2090/3912—Body cavities
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/39—Markers, e.g. radio-opaque or breast lesions markers
    • A61B2090/3966—Radiopaque markers visible in an X-ray 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30092—Stomach; Gastric
    • 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
    • G06T2207/30204—Marker

Abstract

本发明涉及一种胃肠标记物自动识别方法及识别系统，包括如下步骤：在图像中确定疑似胃肠标记物区域；去除重叠的疑似胃肠标记物区域；判断疑似胃肠标记物区域是否属于胃肠标记物。该方法通过对图像的处理和分析，能够自动检测胃肠标记物在图像中的位置。

Description

胃肠标记物自动识别方法及识别系统
技术领域
本发明涉及医疗器械技术领域，尤其涉及一种可以自动检测胃肠标记物在图像中的位置的胃肠标记物自动识别方法及识别系统。
背景技术
通过X射线胃肠标记物检查肠胃动力，是检查肠胃病的重要诊断手段之一。胃肠标记物胶囊是一种包含20~24个薄片不透X射线胃肠标记物的胶囊，胶囊壳可在胃肠道内自然溶解，而胃肠标记物为生物相容性材料，可用于检测胃肠道通过时间，是判断是否有便秘或其他胃肠道疾病的重要诊断手段。
目前，胃肠动力检查中，拍摄的X光片需要依靠医生判断胃肠标记物的位置和类别，大大增加了医生的工作量。
鉴于此，有必要提出一种胃肠标记物自动识别方法及识别系统，以解决上述问题。
发明内容
本发明的目的在于提供一种胃肠标记物自动识别方法及识别系统，可以自动检测胃肠标记物在图像中的位置。
为了实现上述发明目的，本发明采用如下技术方案：
一种胃肠标记物自动识别方法，包括如下步骤：
在图像中确定疑似胃肠标记物区域，包括：使用最大稳定极值区域方法分割图像，在图像中确定疑似胃肠标记物区域；计算图像中疑似胃肠标记物区域的最小矩形框，形成第一数组；
去除重叠的疑似胃肠标记物区域，包括：创建一个空的第二数组；将第一数组中的矩形框按照面积从大到小排序，将面积最大的矩形框放入第二数组中，第一数组中去掉面积最大的矩形框；遍历第一数组，计算选中的矩形框和面积最大的矩形框的交集和并集的交并比值，如果交并比值大于一定阈值T1，则将选中的矩形框从第一数组中删除，最终形成的第二数组为去除重叠的疑似胃肠标记物区域后构成的数组；
判断疑似胃肠标记物区域是否属于胃肠标记物。
进一步地，还包括通过增强图像对比度提高胃肠标记物在图像中的可辨识度。
进一步地，增强图像对比度包括如下步骤：
计算图像中灰度值范围，求出灰度最小值gmin和灰度最大值gmax;
将图像的灰度值拉伸到[0,255]的区间。
进一步地，在图像区域R中，区域灰度最大值是Max_R，区域灰度最小值是Min_R，疑似胃肠标记物区域是灰度值大于灰度阈值T且灰度最大值与灰度最小值的差值小于灰度变化阈值T_change的区域；灰度阈值T的取值范围为：150≤T≤200，灰度变化阈值T_change的取值范围为：10≤T_change≤20。
进一步地，根据第二数组中每一个矩形框的最长边的长度判断疑似胃肠标记物区域是否属于胃肠标记物。
进一步地，定义L为疑似胃肠标记物区域的最长边的长度，L1像素取值范围为：30＜L1≤40，L2像素取值范围为：20＜L2≤30，L3像素取值范围为：10＜L3≤20，M表示L的误差范围系数，取值范围为：1.0≤M≤1.2；
若L>L1*2或L<L3*(M-1)，疑似胃肠标记物区域不是胃肠标记物。
进一步地，根据疑似胃肠标记物区域的最小矩形框的最长边的长度判断胃肠标记物的形状或胃肠标记物的种类；
若L1*M<L<L1*2, 疑似胃肠标记物区域是多个胃肠标记物重合在一起；
(0.5*L1+0.5*L2)<L<L1*M，疑似胃肠标记物区域是三室型胃肠标记物；
(0.5*L2+0.5*L3)<L<L2*M, 疑似胃肠标记物区域是“O”环型胃肠标记物；
L3*(M-1)<L<L3*M, 疑似胃肠标记物区域是圆点型胃肠标记物。
一种胃肠标记物自动识别系统，包括：
疑似胃肠标记物区域识别模块，用以在图像中确定疑似胃肠标记物区域；
去重叠模块，用以去除重叠的疑似胃肠标记物区域；
胃肠标记物确定模块，用以判断疑似胃肠标记物区域是否属于胃肠标记物；
所述疑似胃肠标记物区域识别模块包括：
疑似胃肠标记物区域确定模块，使用最大稳定极值区域方法分割图像，在图像中确定疑似胃肠标记物区域；
疑似胃肠标记物区域标记模块，用以计算疑似胃肠标记物区域的最小矩形框，并形成第一数组；
所述去重叠模块包括：
矩形框面积获取模块，用以获取第一数组中的矩形框的面积；
重叠矩形框分析去除模块，用以创建一个空的第二数组；将第一数组中面积最大的矩形框放入第二数组中，第一数组中去掉面积最大的矩形框；遍历第一数组，计算选中的矩形框和面积最大的矩形框的交集和并集的交并比值，如果交并比值大于一定阈值T1，则将选中的矩形框从第一数组中删除。
进一步地，所述胃肠标记物自动识别系统还包括用以提高胃肠标记物在图像中的可辨识度的图像处理模块，所述图像处理模块包括：
灰度值计算模块，用以计算图像中灰度值范围，求出灰度最小值gmin和灰度最大值gmax；
图像对比度增强模块，用以将图像的灰度值拉伸到[0,255]的区间。
进一步地，所述疑似胃肠标记物区域确定模块，用以获取图像区域R的区域灰度最大值Max_R和区域灰度最小值Min_R，满足下面公式则认为是疑似胃肠标记物区域：Min_R>T，且Max_R-Min_R<T_change；灰度阈值T的取值范围为：150≤T≤200，灰度变化阈值T_change的取值范围为：10≤T_change≤20。
进一步地，所述胃肠标记物确定模块包括：
获取最长边模块，用以获取第二数组中每一个矩形框的最长边；
胃肠标记物判断模块，根据所述最长边的长度判断疑似胃肠标记物区域是否属于胃肠标记物；所述胃肠标记物确定模块还包括胃肠标记物种类判断模块，根据所述最长边的长度判断疑似胃肠标记物区域属于哪一类胃肠标记物。
与现有技术相比，本发明的有益效果在于：本发明的胃肠标记物自动识别方法，通过对图像的处理和分析，能够自动检测胃肠标记物在图像中的位置，判断肠胃动力，大大减少了医生的工作量。
附图说明
图1是本发明一较佳实施例的胃肠标记物自动识别方法的流程图；
图2是本发明另一具体实施例的胃肠标记物自动识别方法的流程图；
图3对原始图片进行步骤S1、S2处理后的结果示意图；
图4是在图3基础上进行步骤S3处理后的结果示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本申请进行详细描述。但这些实施方式并不限制本申请，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
本发明的胃肠标记物自动识别方法，是为了识别图像中胃肠标记物的位置。胃肠标记物可以采用现有技术中的硫酸钡、铋盐或钨体等X线造影剂，且胃肠标记物的形状结构不限；也可以为新研发的胃肠标记物。
请参考图1~图4所示，所述胃肠标记物自动识别方法主要包括如下步骤：S1提高胃肠标记物在图像中的可辨识度，以能够迅速判断疑似胃肠标记物区域；S2在图像中确定疑似胃肠标记物区域；S3去除重叠的疑似胃肠标记物区域；S4判断疑似胃肠标记物区域是否属于胃肠标记物。该方法通过对图像的处理，能够自动检测胃肠标记物在图像中的位置，判断肠胃动力，大大减少了医生的工作量。
步骤S1具体通过增强图像对比度提高胃肠标记物在图像中的可辨识度；即对获取的原始图像做图像对比度增强，提高胃肠标记物在图像中的可辨识度。
具体地，步骤S1包括如下步骤：S1.1计算图像中灰度值范围，求出灰度最小值gmin和灰度最大值gmax；S1.2将图像的灰度值拉伸到[0,255]的区间，增强图像中胃肠标记物辨识度。
当然，当胃肠标记物在图像中的可辨识度较高，满足后续步骤的需求时，可以省略步骤S1。
步骤S2使用最大稳定极值区域（Maximally Stable Extremal Regions， MSER）方法分割图像，在图像中确定疑似胃肠标记物区域，并计算疑似胃肠标记物区域的最小矩形框。在X光图像中，胃肠标记物区域是灰度值变化不大而且高于背景的区域。在图像区域R中，区域灰度最大值是Max_R，区域灰度最小值是Min_R，设定疑似胃肠标记物区域是灰度值大于灰度阈值T，且灰度最大值与灰度最小值的差值小于灰度变化阈值T_change的区域。即满足下面公式可以认为是疑似胃肠标记物区域：Min_R>T，且Max_R-Min_R<T_change。如此，使用寻找图像中最大稳定极值区域的方法可以找到疑似胃肠标记物的多个区域。进一步地，步骤S2还包括计算图像中疑似胃肠标记物区域的最小矩形框，结果为形成第一数组（矩形框数组 rectangles[]）。
一具体实施例中，灰度阈值T的取值范围为：150≤T≤200，灰度变化阈值T_change的取值范围为：10≤T_change≤20。
S2步骤获取的疑似胃肠标记物区域有很多区域可能存在重叠的现象，步骤S3使用非极大值抑制（Non-Maximum Suppression，NMS）去除重叠的疑似胃肠标记物区域，本发明采用非极大值抑制是为了抑制那些冗余的区域，抑制的过程是一个迭代-遍历-消除的过程。
具体地，步骤S3包括如下步骤：S3.1创建一个空的第二数组(rectangles_keep[])；S3.2将第一数组中的矩形框按照面积从大到小排序，将面积最大的矩形框（rectangle_max）放入第二数组中，对应的，第一数组中去掉面积最大的矩形框；S3.3遍历第一数组，计算选中的矩形框(rectangle_select)和面积最大的矩形框的交集和并集的交并比值（intersection over union， IOU），如果交并比值(IOU)大于一定阈值T1，就将选中的矩形框从第一数组中删除。其中，阈值T1可以根据实际需求进行设定。
对第一数组重复步骤S3.2和S3.3，最终形成的第二数组为去除重叠的疑似胃肠标记物区域后构成的数组。
由图3和图4比对可知，经过上述步骤，B和C处重合的疑似胃肠标记物区域被过滤掉了。
如图3和图4所示，一具体实施例中，有三处疑似胃肠标记物区域，分别标记为A、B和C。经过步骤S1和S2后，图3中B、C所在区域均具有两个代表疑似胃肠标记物区域的区域框，代表有重叠的疑似胃肠标记物区域；然后经过步骤S3后，图4中去除了B、C所在区域的重叠的疑似胃肠标记物区域，即仅剩下了一个代表疑似胃肠标记物区域的区域框，代表已经去除了重叠区的疑似胃肠标记物区域；便于精确地识别疑似胃肠标记物区域是否属于胃肠标记物及其种类。需要说明的是：图3和图4中的框代表实际的疑似胃肠标记物区域，而上文描述的矩形框为在上述识别方法过程中，能够覆盖实际的疑似胃肠标记物区域的最小的矩形框，未在图中显示。
S4判断疑似胃肠标记物区域是否属于胃肠标记物。具体地，根据第二数组中每一个矩形框的最长边的长度判断疑似胃肠标记物区域是否属于胃肠标记物。
本发明定义L为疑似胃肠标记物区域的最长边的长度，L1像素取值范围为：30＜L1≤40，L2像素取值范围为：20＜L2≤30，L3像素取值范围为：10＜L3≤20， M表示L的误差范围系数，取值范围为： 1.0≤M≤1.2；若L>L1*2或 L<L3*(M-1)，则疑似胃肠标记物区域不是胃肠标记物。
进一步地，根据疑似胃肠标记物区域的最小矩形框的最长边的长度还能够判断胃肠标记物的形状或胃肠标记物的种类。具体地，L1*M<L<L1*2，疑似胃肠标记物区域是多个胃肠标记物重合在一起；(0.5*L1+0.5*L2)<L<L1*M，疑似胃肠标记物区域是三室型胃肠标记物；(0.5*L2+0.5*L3)<L<L2*M，疑似胃肠标记物区域是“O”环型胃肠标记物；L3*(M-1)<L<L3*M，疑似胃肠标记物区域是圆点型胃肠标记物。
本发明还提供一种胃肠标记物自动识别系统，包括：
疑似胃肠标记物区域识别模块，用以在图像中确定疑似胃肠标记物区域；
去重叠模块，用以去除重叠的疑似胃肠标记物区域；
胃肠标记物确定模块，用以判断疑似胃肠标记物区域是否属于胃肠标记物。
进一步地，所述胃肠标记物自动识别系统还包括用以提高胃肠标记物在图像中的可辨识度的图像处理模块；所述图像处理模块包括：灰度值计算模块，用以计算图像中灰度值范围，求出灰度最小值gmin和灰度最大值gmax；图像对比度增强模块，用以将图像的灰度值拉伸到[0,255]的区间。所述图像处理模块提高胃肠标记物在图像中的可辨识度的方法参考上述步骤S1。
当然，当胃肠标记物在图像中的可辨识度较高，满足后续步骤的需求时，所述胃肠标记物自动识别系统可以不包括所述图像处理模块。
所述疑似胃肠标记物区域识别模块包括：
疑似胃肠标记物区域确定模块，使用最大稳定极值区域方法分割图像，在图像中确定疑似胃肠标记物区域。具体地，所述疑似胃肠标记物区域确定模块，用以获取图像区域R的区域灰度最大值Max_R和区域灰度最小值Min_R，满足下面公式则认为是疑似胃肠标记物区域：Min_R>T，且Max_R-Min_R<T_change；灰度阈值T的取值范围为：150≤T≤200，灰度变化阈值T_change的取值范围为：10≤T_change≤20。
疑似胃肠标记物区域标记模块，用以计算疑似胃肠标记物区域的最小矩形框，并形成第一数组。
所述疑似胃肠标记物区域识别模块在图像中确定疑似胃肠标记物区域的方法参考上述步骤S2。
所述去重叠模块包括：矩形框面积获取模块，用以获取第一数组中的矩形框的面积；重叠矩形框分析去除模块，用以创建一个空的第二数组；将第一数组中面积最大的矩形框放入第二数组中，相应的，第一数组中去掉面积最大的矩形框；遍历第一数组，计算选中的矩形框和面积最大的矩形框的交集和并集的交并比值，如果交并比值大于一定阈值T1，则将选中的矩形框从第一数组中删除。具体地，所述去重叠模块去除重叠的疑似胃肠标记物区域的方法参考上述步骤S3。
所述胃肠标记物确定模块包括：获取最长边模块，用以获取第二数组中每一个矩形框的最长边；胃肠标记物判断模块，根据所述最长边的长度判断疑似胃肠标记物区域是否属于胃肠标记物。
进一步地，所述胃肠标记物确定模块还包括胃肠标记物种类判断模块，根据所述最长边的长度判断胃肠标记物区域属于哪一类胃肠标记物。
具体地，所述胃肠标记物确定模块确定胃肠标记物的方法参考上述胃肠标记物自动识别方法步骤S4，于此不再赘述。
综上所述，本发明的胃肠标记物自动识别方法，可以自动检测胃肠标记物在图像中的位置和种类，从而识别不同种类的胃肠标记物在消化道中的部位，判断被检者的胃肠动力。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种胃肠标记物自动识别方法，其特征在于，包括如下步骤：
在图像中确定疑似胃肠标记物区域，包括：使用最大稳定极值区域方法分割图像，在图像中确定疑似胃肠标记物区域；计算图像中疑似胃肠标记物区域的最小矩形框，形成第一数组；
去除重叠的疑似胃肠标记物区域，包括：获取第一数组中的矩形框的面积；S3.1创建一个空的第二数组；S3.2将第一数组中的矩形框按照面积从大到小排序，将面积最大的矩形框放入第二数组中，第一数组中去掉面积最大的矩形框；S3.3遍历第一数组，计算选中的矩形框和面积最大的矩形框的交集和并集的交并比值，如果交并比值大于一定阈值T1，则将选中的矩形框从第一数组中删除；对第一数组重复步骤S3.2和S3.3，最终形成的第二数组为去除重叠的疑似胃肠标记物区域后构成的数组；
判断疑似胃肠标记物区域是否属于胃肠标记物，定义L为疑似胃肠标记物区域的最长边的长度，L1像素取值范围为：30＜L1≤40，L2像素取值范围为：20＜L2≤30，L3像素取值范围为：10＜L3≤20，M表示L的误差范围系数，取值范围为：1.0≤M≤1.2；若L>L1*2 或L<L3*(M-1)，疑似胃肠标记物区域不是胃肠标记物。
2.根据权利要求1所述的胃肠标记物自动识别方法，其特征在于，还包括通过增强图像对比度提高胃肠标记物在图像中的可辨识度。
3.根据权利要求2所述的胃肠标记物自动识别方法，其特征在于，增强图像对比度包括如下步骤：
计算图像中灰度值范围，求出灰度最小值gmin和灰度最大值gmax;
将图像的灰度值拉伸到[0,255]的区间。
4.根据权利要求1所述的胃肠标记物自动识别方法，其特征在于，在图像区域R中，区域灰度最大值是Max_R，区域灰度最小值是Min_R，疑似胃肠标记物区域是灰度值大于灰度阈值T且灰度最大值与灰度最小值的差值小于灰度变化阈值T_change的区域；灰度阈值T的取值范围为：150≤T≤200，灰度变化阈值T_change的取值范围为：10≤T_change≤20。
5.根据权利要求1所述的胃肠标记物自动识别方法，其特征在于，根据第二数组中每一个矩形框的最长边的长度判断疑似胃肠标记物区域是否属于胃肠标记物。
6.根据权利要求1所述的胃肠标记物自动识别方法，其特征在于，根据疑似胃肠标记物区域的最小矩形框的最长边的长度判断胃肠标记物的形状或胃肠标记物的种类；
若L1*M<L<L1*2,疑似胃肠标记物区域是多个胃肠标记物重合在一起；
(0.5*L1+0.5*L2)<L<L1*M，疑似胃肠标记物区域是三室型胃肠标记物；
(0.5*L2+0.5*L3)<L<L2*M,疑似胃肠标记物区域是“O”环型胃肠标记物；
L3*(M-1)<L<L3*M,疑似胃肠标记物区域是圆点型胃肠标记物。
7.一种胃肠标记物自动识别系统，其特征在于，包括：
疑似胃肠标记物区域识别模块，用以在图像中确定疑似胃肠标记物区域；
去重叠模块，用以去除重叠的疑似胃肠标记物区域；
胃肠标记物确定模块，用以判断疑似胃肠标记物区域是否属于胃肠标记物，定义L为疑似胃肠标记物区域的最长边的长度，L1像素取值范围为：30＜L1≤40，L2像素取值范围为：20＜L2≤30，L3像素取值范围为：10＜L3≤20，M表示L的误差范围系数，取值范围为：1.0≤M≤1.2；若L>L1*2 或L<L3*(M-1)，疑似胃肠标记物区域不是胃肠标记物；
所述疑似胃肠标记物区域识别模块包括：
疑似胃肠标记物区域确定模块，使用最大稳定极值区域方法分割图像，在图像中确定疑似胃肠标记物区域；
疑似胃肠标记物区域标记模块，用以计算疑似胃肠标记物区域的最小矩形框，并形成第一数组；
所述去重叠模块包括：
矩形框面积获取模块，用以获取第一数组中的矩形框的面积；
重叠矩形框分析去除模块，用以执行如下步骤：S3.1创建一个空的第二数组；S3.2将第一数组中的矩形框按照面积从大到小排序，将第一数组中面积最大的矩形框放入第二数组中，第一数组中去掉面积最大的矩形框；S3.3遍历第一数组，计算选中的矩形框和面积最大的矩形框的交集和并集的交并比值，如果交并比值大于一定阈值T1，则将选中的矩形框从第一数组中删除；对第一数组重复步骤S3.2和S3.3，最终形成的第二数组为去除重叠的疑似胃肠标记物区域后构成的数组。
8.根据权利要求7所述的胃肠标记物自动识别系统，其特征在于，所述胃肠标记物自动识别系统还包括用以提高胃肠标记物在图像中的可辨识度的图像处理模块，所述图像处理模块包括：
灰度值计算模块，用以计算图像中灰度值范围，求出灰度最小值gmin和灰度最大值gmax；
图像对比度增强模块，用以将图像的灰度值拉伸到[0,255]的区间。
9.根据权利要求7所述的胃肠标记物自动识别系统，其特征在于，
所述疑似胃肠标记物区域确定模块，用以获取图像区域R的区域灰度最大值Max_R和区域灰度最小值Min_R，满足下面公式则认为是疑似胃肠标记物区域：Min_R>T，且Max_RMin_R<T_change；灰度阈值T的取值范围为：150≤T≤200，灰度变化阈值T_change的取值范围为：10≤T_change≤20。
10.根据权利要求7所述的胃肠标记物自动识别系统，其特征在于，所述胃肠标记物确定模块包括：
获取最长边模块，用以获取第二数组中每一个矩形框的最长边；
胃肠标记物判断模块，根据所述最长边的长度判断疑似胃肠标记物区域是否属于胃肠标记物；所述胃肠标记物确定模块还包括胃肠标记物种类判断模块，根据所述最长边的长度判断疑似胃肠标记物区域属于哪一类胃肠标记物，若L1*M<L<L1*2,疑似胃肠标记物区域是多个胃肠标记物重合在一起；(0.5*L1+0.5*L2)<L<L1*M，疑似胃肠标记物区域是三室型胃肠标记物；(0.5*L2+0.5*L3)<L<L2*M,疑似胃肠标记物区域是“O”环型胃肠标记物；L3*(M-1)<L<L3*M,疑似胃肠标记物区域是圆点型胃肠标记物。
CN202010902829.6A 2020-09-01 2020-09-01 胃肠标记物自动识别方法及识别系统 Active CN111768408B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010902829.6A CN111768408B (zh) 2020-09-01 2020-09-01 胃肠标记物自动识别方法及识别系统
EP21863604.1A EP4209992A4 (en) 2020-09-01 2021-08-31 AUTOMATIC IDENTIFICATION METHOD AND IDENTIFICATION SYSTEM FOR GASTROINTESTINAL MARKERS
PCT/CN2021/115724 WO2022048540A1 (zh) 2020-09-01 2021-08-31 胃肠标记物自动识别方法及识别方法
US18/024,215 US20230306589A1 (en) 2020-09-01 2021-08-31 Automatic identification method and identification system for gastrointestinal marker

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010902829.6A CN111768408B (zh) 2020-09-01 2020-09-01 胃肠标记物自动识别方法及识别系统

Publications (2)

Publication Number Publication Date
CN111768408A CN111768408A (zh) 2020-10-13
CN111768408B true CN111768408B (zh) 2020-11-27

Family

ID=72729616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010902829.6A Active CN111768408B (zh) 2020-09-01 2020-09-01 胃肠标记物自动识别方法及识别系统

Country Status (4)

Country Link
US (1) US20230306589A1 (zh)
EP (1) EP4209992A4 (zh)
CN (1) CN111768408B (zh)
WO (1) WO2022048540A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768408B (zh) * 2020-09-01 2020-11-27 安翰科技(武汉)股份有限公司 胃肠标记物自动识别方法及识别系统
CN113658694A (zh) * 2021-07-19 2021-11-16 博迈医疗科技(常州)有限公司 一种胃肠动力评估设备及系统
CN116029977B (zh) * 2022-11-08 2024-03-15 安徽萍聚德医疗科技股份有限公司 测定胃肠动力标记物在结直肠传输时间的鉴定分析方法
CN117408998B (zh) * 2023-12-13 2024-03-12 真健康(广东横琴)医疗科技有限公司 一种体表定位标记物的分割方法及设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9526587B2 (en) * 2008-12-31 2016-12-27 Intuitive Surgical Operations, Inc. Fiducial marker design and detection for locating surgical instrument in images
US7564999B2 (en) * 2005-07-25 2009-07-21 Carestream Health, Inc. Method for identifying markers in radiographic images
CN100530222C (zh) * 2007-10-18 2009-08-19 清华大学 图像匹配方法
US9119573B2 (en) * 2009-12-10 2015-09-01 Siemens Aktiengesellschaft Stent marker detection using a learning based classifier in medical imaging
US8348831B2 (en) * 2009-12-15 2013-01-08 Zhejiang University Device and method for computer simulated marking targeting biopsy
US8308632B2 (en) * 2010-06-15 2012-11-13 Siemens Aktiengesellschaft Method and apparatus for displaying information in magnetically guided capsule endoscopy
CN102799901B (zh) * 2012-07-10 2015-07-15 陈遇春 一种多角度人脸检测方法
US9595088B2 (en) * 2013-11-20 2017-03-14 Toshiba Medical Systems Corporation Method of, and apparatus for, visualizing medical image data
CN104123540B (zh) * 2014-07-15 2015-09-30 北京天智航医疗科技股份有限公司 手术机器人定位标志点自动识别方法
CN108042093A (zh) * 2017-11-14 2018-05-18 重庆金山医疗器械有限公司 一种胶囊内镜的控制方法、装置及系统
CN109829501B (zh) * 2019-02-01 2021-02-19 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109934276B (zh) * 2019-03-05 2020-11-17 安翰科技(武汉)股份有限公司 基于迁移学习的胶囊内窥镜图像分类系统及方法
CN110522927A (zh) * 2019-09-03 2019-12-03 安徽萍聚德医疗科技股份有限公司 一种胃肠动力标记物胶囊
CN111768408B (zh) * 2020-09-01 2020-11-27 安翰科技(武汉)股份有限公司 胃肠标记物自动识别方法及识别系统

Also Published As

Publication number Publication date
US20230306589A1 (en) 2023-09-28
WO2022048540A9 (zh) 2022-04-28
EP4209992A4 (en) 2024-02-28
CN111768408A (zh) 2020-10-13
EP4209992A1 (en) 2023-07-12
WO2022048540A1 (zh) 2022-03-10

Similar Documents

Publication Publication Date Title
CN111768408B (zh) 胃肠标记物自动识别方法及识别系统
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN107180421B (zh) 一种眼底图像病变检测方法及装置
CN107451998B (zh) 一种眼底图像质量控制方法
US8098907B2 (en) Method and system for local adaptive detection of microaneurysms in digital fundus images
CN115661135A (zh) 一种心脑血管造影的病灶区域分割方法
CN112614128B (zh) 一种基于机器学习的内镜下辅助活检的系统及方法
CN106780522B (zh) 一种基于深度学习的骨髓液细胞分割方法
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
JPH03206572A (ja) 階調変換自動化装置
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN108510493A (zh) 医学图像内目标对象的边界定位方法、存储介质及终端
CN115311309A (zh) 一种用于核磁共振图像的病灶识别提取方法与系统
CN108830874A (zh) 一种数字病理全切片图像空白区域自动分割方法
CN115760858B (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
CN111179295B (zh) 改进的二维Otsu阈值图像分割方法和系统
CN116012394A (zh) 一种病理切片图像去笔迹的方法、设备及存储介质
US9672600B2 (en) Clavicle suppression in radiographic images
CN115908371A (zh) 基于优化分割的植物叶片病虫害程度检测方法
CN115272647A (zh) 一种肺部图像的识别处理方法及系统
CN109147932B (zh) 癌细胞her2基因扩增分析方法及系统
Xue et al. Comparative performance analysis of cervix ROI extraction and specular reflection removal algorithms for uterine cervix image analysis
US10943350B2 (en) Automated segmentation of histological sections for vasculature quantification
CN113744849B (zh) 一种ct图像半自动标注方法和系统
CN114693912A (zh) 具有眼球追功能的内镜检查系统、存储介质及设备

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hou Xiaohua

Inventor after: Xie Xiaoping

Inventor after: Jin Yu

Inventor after: Wang Tingqi

Inventor after: Gao Fei

Inventor after: Duan Xiaodong

Inventor before: Hou Xiaohua

Inventor before: Xie Xiaoping

Inventor before: Jin Yu

Inventor before: Wang Tingqi

Inventor before: Gao Fei

Inventor before: Duan Xiaodong