CN113012131A - 一种内镜图像处理方法、装置、设备和介质 - Google Patents
一种内镜图像处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113012131A CN113012131A CN202110295961.XA CN202110295961A CN113012131A CN 113012131 A CN113012131 A CN 113012131A CN 202110295961 A CN202110295961 A CN 202110295961A CN 113012131 A CN113012131 A CN 113012131A
- Authority
- CN
- China
- Prior art keywords
- image
- suspected
- images
- ambiguity
- detection
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 230000003902 lesion Effects 0.000 claims description 67
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Endoscopes (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种内镜图像处理方法，包括：获取多个疑似病灶图像；对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；过滤掉模糊度值达到模糊度阈值的疑似病灶图像；将过滤后的疑似病灶图像进行去重处理，并将去重后的疑似病灶图像进行存储。本申请将得到的多个疑似病灶图像进行模糊度检测，去除质量低的图像，然后再进行去重处理，去除相似性较高的图像，解决了相关技术中同一部位的疑似病灶会保存较多的重复且质量低下的图像的问题。本申请同时还提供了一种内镜图像处理装置、电子设备和介质，均具有上述有益效果。
Description
技术领域
本申请涉及医学影像智能辅助诊断技术领域，特别涉及一种内镜图像处理方法、装置、设备和介质。
背景技术
在电子内窥镜智能辅助诊断实时检查过程中，智能辅助诊断系统需要对检出的疑似病灶进行实时的显示及保存，以便医生进行实时诊断及检查后的分析。由于电子内窥镜目前主流的曝光方式均为卷帘曝光，而电子内窥镜在医生的操作下，是实时在运动的，因此电子内镜在采集图像时不可避免的存在运动模糊和抖动。智能辅助诊断系统在实际的工作过程中，也会保存很多的运动模糊及抖动的低质量图像，同时，由于电子内镜的帧率(60pfs)和智能辅助诊断系统处理的帧率(>＝25fps)均较高。因此在对疑似病灶进行截图时，同一部位的疑似病灶会保存较多的重复且质量低下的图像。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种内镜图像处理方法、装置、设备和介质，解决了相关技术中同一部位的疑似病灶会保存较多的重复且质量低下的图像的问题。其具体方案如下：
本申请提供了一种内镜图像处理方法，包括：
获取多个疑似病灶图像；
对每个所述疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；
过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像；
将过滤后的所述疑似病灶图像进行去重处理，并将去重后的所述疑似病灶图像进行存储。
优选地，所述获取多个疑似病灶图像，包括：
获取多个内镜图像；
将多个所述内镜图像输入疑似病灶检出神经网络模型中，得到检测结果；
根据所述检测结果确定多个所述疑似病灶图像。
优选地，所述检测结果包括：疑似病灶标签、类别概率、病灶坐标。
优选地，所述过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像之后，还包括：
将过滤后的所述疑似病灶图像的缓存实时刷新至显示界面的显示栏中。
优选地，所述对每个所述疑似病灶图像进行图像模糊度检测，得到对应的模糊度值，包括：
对各个所述疑似病灶图像利用拉普拉斯梯度函数方法进行图像模糊度检测，得到对应的所述模糊度值。
优选地，所述将过滤后的所述疑似病灶图像进行去重处理，包括：
根据图像phash值比较和图像连续序列组合算法，对过滤后的所述疑似病灶图像进行去重处理。
本申请提供了一种内镜图像处理装置，包括：
疑似病灶图像获取模块，用于获取多个疑似病灶图像；
模糊度检测模块，用于对每个所述疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；
过滤模块，用于过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像；
去重模块，用于将过滤后的所述疑似病灶图像进行去重处理，并将去重后的所述疑似病灶图像进行存储。
优选地，疑似病灶图像获取模块，包括：
内镜图像获取单元，用于获取多个内镜图像；
检测单元，用于将多个所述内镜图像输入疑似病灶检出神经网络模型中，得到检测结果；
确定单元，用于根据所述检测结果确定多个所述疑似病灶图像。
本申请提供了一种电子设备，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如上所述内镜图像处理方法的步骤。
本申请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如上所述内镜图像处理方法的步骤。
本申请提供了一种内镜图像处理方法，包括：获取多个疑似病灶图像；对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；过滤掉模糊度值达到模糊度阈值的疑似病灶图像；将过滤后的疑似病灶图像进行去重处理，并将去重后的疑似病灶图像进行存储。
可见，本申请将得到的多个疑似病灶图像进行模糊度检测，去除质量低的图像，然后再进行去重处理，去除相似性较高的图像，解决了相关技术中同一部位的疑似病灶会保存较多的重复且质量低下的图像的问题。
本申请同时还提供了一种内镜图像处理装置、电子设备和介质，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为本申请实施例提供的一种内镜图像处理方法的流程图；
图2为本申请实施例提供的一种内镜图像处理装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图；
图4为本申请实施例提供的另一种电子设备的结构图。
具体实施方式
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他实施例，都属于本申请保护的范围。
智能辅助诊断系统在实际的工作过程中，也会保存很多的运动模糊及抖动的低质量图像，同时，由于电子内镜的帧率(60pfs)和智能辅助诊断系统处理的帧率(>＝25fps)均较高。因此在对疑似病灶进行截图时，同一部位的疑似病灶会保存较多的重复且质量低下的图像。
基于上述技术问题，本实施例提供一种内镜图像处理方法，包括：获取多个疑似病灶图像；对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；过滤掉模糊度值达到模糊度阈值的疑似病灶图像；将过滤后的疑似病灶图像进行去重处理，并将去重后的疑似病灶图像进行存储。
本申请将得到的多个疑似病灶图像进行模糊度检测，去除质量低的图像，然后再进行去重处理，去除相似性较高的图像，解决了相关技术中同一部位的疑似病灶会保存较多的重复且质量低下的图像的问题。
具体请参考图1，图1为本申请实施例提供的一种内镜图像处理方法的流程图，具体包括：
S101、获取多个疑似病灶图像；
其中，疑似病灶图像是通过初次筛选后得到的可能具有病灶的图像。具体的筛选方式可以时人工进行筛选，还可以是通过疑似病灶检出神经网络模型进行筛选，本实施例不再进行限定。并且，本实施例不对疑似病灶图像的数量进行限定，用户可根据实际情况进行选定。
S102、对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；
可以理解的是，疑似病灶图像可能模糊程度较大，存储后不能供医护人员观察，会造成大量存储空间的浪费，因此，本步骤对每个疑似病灶图像进行模糊度检测，得到模糊度值。可以是通过维纳滤波、盲去卷积等方法对图像进行去模糊。执行检测时，可以是按照每一疑似病灶图像的采集时间的顺序进行依次的检测，还可以是按照多张疑似病灶图像并行处理，同时检测的方式进行，本实施例不再进行限定，只要是能够实现本实施例的目的即可。
S103、过滤掉模糊度值达到模糊度阈值的疑似病灶图像；
本实施例设置模糊度阈值用于过滤模糊的疑似病灶图像，具体的数值用户可自定义设置。进一步的，当过滤掉模糊度值达到模糊度阈值的疑似病灶图像之后，还可以保存过滤后的疑似病灶图像。
S104、将过滤后的疑似病灶图像进行去重处理，并将去重后的疑似病灶图像进行存储。
本步骤的目的是为了去重，可以是通过ahash、phash、dhash等单一的方法对图像进行去重。去除多余的重复图像，以减少阅片医生的工作量，同时也有效的减少了待保存疑似病灶图像占用的存储空间。
基于上述技术方案，本实施例将得到的多个疑似病灶图像进行模糊度检测，去除质量低的图像，然后再进行去重处理，去除相似性较高的图像，解决了相关技术中同一部位的疑似病灶会保存较多的重复且质量低下的图像的问题。
进一步的，本申请可以采用神经网络模型检测的方式获取疑似病灶图像，提高获取的效率，具体的，S101，包括：
S1011、获取多个内镜图像；
其中，内镜图像是未经处理的图像，包括正常的内镜图像还包括疑似病灶图像。
S1012、将多个内镜图像输入疑似病灶检出神经网络模型中，得到检测结果；
将内镜图像输入预先建立的疑似病灶检出神经网络模型，就可以得到检测结果。其中，检测结果包括：类别概率，进一步的，检测结果还可以包括：疑似病灶标签、病灶坐标。类别概率是病灶的类别概率，只有达到预设的类别概率后，疑似病灶标签可以显示疑似病灶，否则为非疑似病灶。
S1013、根据检测结果确定多个疑似病灶图像。
根据检测结果确定疑似病灶图像，例如，当类别概率为第一概率(超过预设的类别概率)，疑似病灶标签显示疑似病灶，将该图像确定为疑似病灶图像；当类别概率为第二概率(未超过预设的类别概率)，疑似病灶标签显示非疑似病灶，将该图像确定为非疑似病灶图像。
可见，本实施例通过采用疑似病灶检出神经网络模型进行疑似病灶图像的检测，极大的提高了疑似病灶图像检出的效率。
进一步的，为了可以实时获取信息，所述过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像之后，还包括：将过滤后的所述疑似病灶图像的缓存实时刷新至显示界面的显示栏中。
本实施例中电子内镜智能辅助诊断系统检出的疑似病灶图像进行去模糊后，再将其实时显示在系统UI(User Interface，用户界面)上的右侧栏，并通过疑似病灶图像进行去重，最后保存少量的具有代表性的疑似病灶图像。
进一步的，对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值，包括：对各个疑似病灶图像利用拉普拉斯梯度函数方法进行图像模糊度检测，得到对应的模糊度值。
基于系统实时性考量，采用拉普拉斯梯度函数方法(3*3Laplacian算子卷积滤波)对图像模糊程度进行判定，将模糊图像去除，能够有效优化图像保存占用的存储空间。
进一步的，将过滤后的疑似病灶图像进行去重处理，包括：
根据图像phash值比较和图像连续序列组合算法，对过滤后的疑似病灶图像进行去重处理。
由于电子内镜在检查过程中处于运动及转动的状态，即使在同一部位，图像由于旋转的原因，ahash、phash、dhash等单一的方法去重效果也不佳。因此，必须对上述算法进行优化或者根据实际应用场景结合多种方法对图像进行去重和去模糊。通过计算每张图像的phash值，并将图像的phash值进行一一比较获取2张图像的hamming距离，根据胶囊图像经验值，在设定当hamming小于经验阈值(如经验阈值为8)时，则判定2张图像为相似图像，去除其中一张图像。因此，本实施例根据图像phash值比较和图像连续序列组合算法，对过滤后的疑似病灶图像进行去重处理，去重效果更好。
基于上述任意实施例，本实施例提供一种具体的内镜图像处理方法，一种电子内窥镜智能辅助诊断中疑似病灶图像保存及显示的方法主要有以下步骤：
S1、通过视频采集设备从电子内窥镜系统的输出接口输入rbg888图像，并将图像转换为yuv422格式，并按照电子内窥镜60fps的帧率传输至电子内镜智能辅助诊断系统。
S2、智能辅助诊断模块中的疑似病灶检出算法采用基于深度学习的卷积神经网络进行训练并得出模型。将该模型经过量化与裁剪后，对S1步骤中获取的图像(内镜图像)进行疑似病灶检测，得到检测结果。
检测结果包括疑似病灶标签、类别概率、坐标。
S3、将S2的检测结果与相应的内镜图像进行对应，获取对应标签图像的缓存，该图像作为疑似病灶图像，并将该疑似病灶图像缓存实时刷新到系统UI的右侧栏。同时对疑似病灶图像进行图像模糊度检测，通过设定的模糊度阈值，过滤部分不清晰的疑似病灶图像。
S4、将S3步骤过滤后的疑似病灶图像编码为jpg格式，并保存在对应的文件夹中。
S5、当检查完成后，对所有保存的过滤后的疑似病灶图像通过去除相似图像模块进行筛选，并将筛选后的去重后的疑似病灶图像存储至相应的文件夹。
其中，上述S3的图像模糊度检测算法为基于维纳滤波的图像模糊度检测模型，S5中所示去除图像相似性模块为基于图像phash值比较和图像连续序列组合算法对图像进行去重。
下面对本申请实施例提供的一种内镜图像处理装置进行介绍，下文描述的装置与上文描述的内镜图像处理方法可相互对应参照，参考图2，图2为本申请实施例提供的一种内镜图像处理装置的结构示意图，包括：
疑似病灶图像获取模块201，用于获取多个疑似病灶图像；
模糊度检测模块202，用于对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；
过滤模块203，用于过滤掉模糊度值达到模糊度阈值的疑似病灶图像；
去重模块204，用于将过滤后的疑似病灶图像进行去重处理，并将去重后的疑似病灶图像进行存储。
优选地，疑似病灶图像获取模块201，包括：
内镜图像获取单元，用于获取多个内镜图像；
检测单元，用于将多个内镜图像输入疑似病灶检出神经网络模型中，得到检测结果；
确定单元，用于根据检测结果确定多个疑似病灶图像。
优选地，检测结果包括：疑似病灶标签、类别概率、病灶坐标。
优选地，还包括：
显示模块，用于将过滤后的所述疑似病灶图像的缓存实时刷新至显示界面的显示栏中。
优选地，模糊度检测模块202，用于：
对各个疑似病灶图像利用拉普拉斯梯度函数方法进行图像模糊度检测，得到对应的模糊度值。
优选地，去重模块204，用于：
根据图像phash值比较和图像连续序列组合算法，对过滤后的疑似病灶图像进行去重处理。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的方法可相互对应参照。
本申请提供了一种电子设备，请参考图3，图3为本申请实施例提供的一种电子设备的结构示意图，包括：
存储器100，用于存储计算机程序；
处理器200，用于执行计算机程序时实现如上内镜图像处理方法的步骤。
存储器100包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200为电子设备提供计算和控制能力，执行存储器100中保存的计算机程序时，可以实现以下步骤：
获取多个疑似病灶图像；对每个疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；过滤掉模糊度值达到模糊度阈值的疑似病灶图像；将过滤后的疑似病灶图像进行去重处理，并将去重后的疑似病灶图像进行存储。
在上述实施例的基础上，作为优选实施方式，参见图4，图4为本申请实施例提供的另一种电子设备的结构图，该电子设备还包括：
输入接口300，与处理器200相连，用于获取外部导入的计算机程序、参数和指令，经处理器200控制保存至存储器100中。该输入接口300可以与输入装置相连，接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板，也可以是键盘、触控板或鼠标等。
显示单元400，与处理器200相连，用于显示处理器200发送的数据。该显示单元400可以为PC机上的显示屏、液晶显示屏或者电子墨水显示屏等。
网络端口500，与处理器200相连，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
由于电子设备部分的实施例与方法部分的实施例相互对应，因此电子设备部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的方法可相互对应参照。
本申请提供了一种计算机可读存储介质，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实现如上内镜图像处理方法的步骤。
由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
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一种内镜图像处理方法、装置、电子设备和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内。
Claims (10)
1.一种内镜图像处理方法，其特征在于，包括：
获取多个疑似病灶图像；
对每个所述疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；
过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像；
将过滤后的所述疑似病灶图像进行去重处理，并将去重后的所述疑似病灶图像进行存储。
2.根据权利要求1所述的内镜图像处理方法，其特征在于，所述获取多个疑似病灶图像，包括：
获取多个内镜图像；
将多个所述内镜图像输入疑似病灶检出神经网络模型中，得到检测结果；
根据所述检测结果确定多个所述疑似病灶图像。
3.根据权利要求2所述的内镜图像处理方法，其特征在于，所述检测结果包括：疑似病灶标签、类别概率、病灶坐标。
4.根据权利要求1所述的内镜图像处理方法，其特征在于，所述过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像之后，还包括：
将过滤后的所述疑似病灶图像的缓存实时刷新至显示界面的显示栏中。
5.根据权利要求1所述的内镜图像处理方法，其特征在于，所述对每个所述疑似病灶图像进行图像模糊度检测，得到对应的模糊度值，包括：
对各个所述疑似病灶图像利用拉普拉斯梯度函数方法进行图像模糊度检测，得到对应的所述模糊度值。
6.根据权利要求5所述的内镜图像处理方法，其特征在于，所述将过滤后的所述疑似病灶图像进行去重处理，包括：
根据图像phash值比较和图像连续序列组合算法，对过滤后的所述疑似病灶图像进行去重处理。
7.一种内镜图像处理装置，其特征在于，包括：
疑似病灶图像获取模块，用于获取多个疑似病灶图像；
模糊度检测模块，用于对每个所述疑似病灶图像进行图像模糊度检测，得到对应的模糊度值；
过滤模块，用于过滤掉所述模糊度值达到模糊度阈值的所述疑似病灶图像；
去重模块，用于将过滤后的所述疑似病灶图像进行去重处理，并将去重后的所述疑似病灶图像进行存储。
8.根据权利要求7所述的内镜图像处理装置，其特征在于，疑似病灶图像获取模块，包括：
内镜图像获取单元，用于获取多个内镜图像；
检测单元，用于将多个所述内镜图像输入疑似病灶检出神经网络模型中，得到检测结果；
确定单元，用于根据所述检测结果确定多个所述疑似病灶图像。
9.一种电子设备，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6任一项所述内镜图像处理方法的步骤。
10.一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6任一项所述内镜图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295961.XA CN113012131A (zh) | 2021-03-19 | 2021-03-19 | 一种内镜图像处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295961.XA CN113012131A (zh) | 2021-03-19 | 2021-03-19 | 一种内镜图像处理方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113012131A true CN113012131A (zh) | 2021-06-22 |
Family
ID=76403211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110295961.XA Pending CN113012131A (zh) | 2021-03-19 | 2021-03-19 | 一种内镜图像处理方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113012131A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565538A (zh) * | 2022-03-10 | 2022-05-31 | 山东大学齐鲁医院 | 一种内镜图像处理方法、系统、存储介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140108053A1 (en) * | 2009-12-09 | 2014-04-17 | Toshiba Medical Systems Corporation | Medical image processing apparatus, a medical image processing method, and ultrasonic diagnosis apparatus |
| CN107767365A (zh) * | 2017-09-21 | 2018-03-06 | 华中科技大学鄂州工业技术研究院 | 一种内窥镜图像处理方法及系统 |
| CN109447987A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 |
| 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 |
| CN110443797A (zh) * | 2019-08-15 | 2019-11-12 | 重庆金山医疗技术研究院有限公司 | 病灶辅助判定装置 |
| CN110738655A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 影像报告生成方法、装置、终端及存储介质 |
| CN110855889A (zh) * | 2019-11-21 | 2020-02-28 | 重庆金山医疗技术研究院有限公司 | 图像处理方法、装置、图像处理设备及存储介质 |
| CN111951214A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 图像中可读区域的分割方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-19 CN CN202110295961.XA patent/CN113012131A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140108053A1 (en) * | 2009-12-09 | 2014-04-17 | Toshiba Medical Systems Corporation | Medical image processing apparatus, a medical image processing method, and ultrasonic diagnosis apparatus |
| CN107767365A (zh) * | 2017-09-21 | 2018-03-06 | 华中科技大学鄂州工业技术研究院 | 一种内窥镜图像处理方法及系统 |
| CN109447987A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 |
| 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 |
| CN110490856A (zh) * | 2019-05-06 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 医疗内窥镜图像的处理方法、系统、机器设备和介质 |
| CN110443797A (zh) * | 2019-08-15 | 2019-11-12 | 重庆金山医疗技术研究院有限公司 | 病灶辅助判定装置 |
| CN110738655A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 影像报告生成方法、装置、终端及存储介质 |
| CN110855889A (zh) * | 2019-11-21 | 2020-02-28 | 重庆金山医疗技术研究院有限公司 | 图像处理方法、装置、图像处理设备及存储介质 |
| CN111951214A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 图像中可读区域的分割方法、装置、电子设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565538A (zh) * | 2022-03-10 | 2022-05-31 | 山东大学齐鲁医院 | 一种内镜图像处理方法、系统、存储介质及设备 |
| CN114565538B (zh) * | 2022-03-10 | 2024-03-01 | 山东大学齐鲁医院 | 一种内镜图像处理方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10949952B2 (en) | Performing detail enhancement on a target in a denoised image | |
| WO2021233008A1 (zh) | 一种超分辨率重建方法和相关装置 | |
| CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
| JP6129759B2 (ja) | Ｓｉｍｄ型超並列演算処理装置向け超解像処理方法、装置、プログラム及び記憶媒体 | |
| KR20160004379A (ko) | 이미지 안정화를 위한 이미지 융합 방법 | |
| CN113344927A (zh) | 基于深度学习的图像识别方法、装置、服务器及存储介质 | |
| CN101208042A (zh) | 异常阴影候选检测方法、异常阴影候选检测装置 | |
| CN110622214B (zh) | 基于超体素的时空视频分割的快速渐进式方法 | |
| CN113128368B (zh) | 一种人物交互关系的检测方法、装置及系统 | |
| CN113256499B (zh) | 一种图像拼接方法及装置、系统 | |
| JP2007312810A (ja) | 画像処理装置 | |
| CN113823400A (zh) | 肠道退镜速度监测方法、装置及计算机可读存储介质 | |
| CN113012131A (zh) | 一种内镜图像处理方法、装置、设备和介质 | |
| CN112786163A (zh) | 一种超声图像处理显示方法、系统及存储介质 | |
| EP3855754A1 (en) | Video processing method and apparatus, electronic device, and storage medium | |
| CN113132795A (zh) | 图像处理方法及装置 | |
| CN108764040B (zh) | 一种图像检测方法、终端及计算机存储介质 | |
| CN110689486A (zh) | 图像的处理方法、装置、设备及计算机可存储介质 | |
| CN104917963A (zh) | 一种图像处理方法及终端 | |
| CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN104217421A (zh) | 热像分析装置和热像分析方法 | |
| CN108475430B (zh) | 图片质量评估方法及装置 | |
| JP2017054431A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN111696041B (zh) | 图像处理方法、装置及电子设备 | |
| CN114900717A (zh) | 视频数据传输方法、装置、介质和计算设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210824 Address after: 401120 1-1, 2-1, 3-1, building 5, No. 18, Cuiping Lane 2, Huixing street, Yubei District, Chongqing Applicant after: Chongqing Jinshan Medical Technology Research Institute Co.,Ltd. Address before: 401120 1 office buildings, Jinshan International Industrial City, 18 of Nei sang Road, Hui Xing street, Yubei District, Chongqing. Applicant before: CHONGQING JINSHAN MEDICAL APPLIANCE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |
|
| RJ01 | Rejection of invention patent application after publication |