CN113393425A - 胃黏膜染色放大成像的微血管分布对称性量化方法 - Google Patents

胃黏膜染色放大成像的微血管分布对称性量化方法 Download PDF

Info

Publication number
CN113393425A
CN113393425A CN202110543360.6A CN202110543360A CN113393425A CN 113393425 A CN113393425 A CN 113393425A CN 202110543360 A CN202110543360 A CN 202110543360A CN 113393425 A CN113393425 A CN 113393425A
Authority
CN
China
Prior art keywords
score
symmetry
centroid
microvascular
distribution
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.)
Granted
Application number
CN202110543360.6A
Other languages
English (en)
Other versions
CN113393425B (zh
Inventor
于红刚
吴练练
朱益洁
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110543360.6A priority Critical patent/CN113393425B/zh
Publication of CN113393425A publication Critical patent/CN113393425A/zh
Application granted granted Critical
Publication of CN113393425B publication Critical patent/CN113393425B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种胃黏膜染色放大成像的微血管分布对称性量化方法，该方法包括图像分割法、质心偏心距法、质心偏心角法、密度法。图像分割法用于提取胃镜图像中的清晰区域和微血管整图；质心偏心距法从质心偏心距角度量化微血管整图分布对称性；质心偏心角法从质心偏心角角度量化微血管整图分布对称性；密度法从密度角度量化微血管整图分布对称性。最终通过对质心偏心距分布对称性得分、质心偏心角分布对称性得分、密度分布对称性得分进行加权获得最终微血管整图分布对称性系数，而后根据微血管整图分布对称性系数对微血管整图分布对称性等级进行判定。

Description

胃黏膜染色放大成像的微血管分布对称性量化方法
技术领域
本发明涉及医学领域图像处理技术领域，具体涉及一种胃黏膜染色放大成像的微血管分布对称性量化方法。
背景技术
消化道肿瘤是最常见的恶性肿瘤之一。2015年，我国食管癌、胃癌、结直肠癌患病人数近150万，死亡人数大于100万，占癌症总死亡人数的1/3。恶性肿瘤危害人类健康的根本原因是不能早期发现。消化内镜检查是筛查和诊断消化道早期肿瘤最常用的强有力方法。色素内镜的问世确立了早癌期胃癌的内镜诊断方法。放大胃镜与电子染色内镜联合应用，能够观察到普通胃镜无法观察的微小血管结构及黏膜表面微细结构，内镜医师可根据微结构、微血管的形态、对称性、口径等的特征判断患者是否患癌。
日本学者八尾建史在其V·S分型理论中指出，微血管结构(microvascular，MV)可分为三类：规则/不规则/缺失。规则的MV表现为上皮下毛细血管网为闭环(多边形)或开环，呈对称分布、均匀形状、规则排列。不规则的MV表现为闭环(多边形)、开环、扭曲、分支或不规则形态；MV为不均匀的形状且不对称分布，呈不规则排列。V·S分型理论中提出关于MV密度是否均一，形态是否均一，是否呈对称性分布的理论。但目前并未出现微血管对称性具体定义以及微血管对称性由哪些指标去衡量的相关研究，也没有微血管对称性定量化描述的研究。
发明内容
本发明的目的在于针对现有技术的不足，而提供一种胃黏膜染色放大成像的微血管分布对称性量化方法，适用于大批量胃部微血管分布对称性量化，便于胃部微血管分布对称性的判断，且与内镜医师诊断结果匹配度高，具有高可靠性，可为内镜医生从微血管分布对称性角度做早期胃癌诊断时提供强有力的数据支持。
为实现上述目的，本发明提供了一种胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述的微血管分布对称性量化方法包含如下步骤：
S1：输入待量化的胃黏膜染色放大成像原图，并采用深度学习分割模型，从原图中提取清晰区域图像；
S2：采用深度学习分割模型，从清晰区域图像提取微血管整图以及清晰区域蒙版图；
S3：通过清晰区域形心，将清晰区域蒙版图和微血管整图分为四个象限；
S4：分别从微血管子图偏心距角度，微血管子图偏心角角度，微血管子图密度角度量化微结构分布对称性；
S5：对步骤S4所求三项量化指标进行加权拟合获得微血管整图分布对称性系数，进而根据阈值区间给出微血管整图分布对称性等级判定结果。
进一步的，S1中采用训练好的U-Net++分割模型从图像分割方法获取胃镜图像中提取清晰区域。
进一步的，S2中采用训练好D-LinkNet模型，从步骤S1所得取清晰区域图像中分割出微结构整图。
进一步的，S3中，通过步骤S2所得清晰区域梦版图计算出清晰区域形心，并根据此形心将步骤S2所得清晰区域蒙版图和微血管整图分为四个象限。
进一步的，S4中，根据步骤S3所得清晰区域蒙版四象限子图和微血管四象限子图计算质心偏心距分布对称性得分、质心偏心角分布对称性得分、密度分布对称性得分，具体实施步骤如下：
S4.1：计算质心偏心距分布对称性得分/计算质心偏心角分布对称性得分，具体实施步骤如下：
S4.1.1通过连通域方法获取每根微血管质心(xi,yi)及微血管面积areai；
S4.1.2加权计算各个子图等效质心坐标P1(x1,y1)，P2(x2,y2)，P3(x3,y3)，P4(x4,y4)，计算公式为
Figure BDA0003072602600000021
S4.1.3计算等效质心P1，P2，P3，P4相对于清晰区域形心P0的质心偏心距及质心偏心角度，具体实施步骤如下：
Figure BDA0003072602600000031
以清晰区域形心P0为坐标原点，建立笛卡尔坐标系，按公式
Figure BDA0003072602600000032
进行坐标变换，变换后各象限微血管等效质心坐标分别为P′1(x′1,y′1)、P′2(x'2,y'2)、P′3(x'3,y'3)、P′4(x'4,y'4)；
Figure BDA0003072602600000033
按公式
Figure BDA0003072602600000034
求各象限微血管等效质心的质心偏心距d和质心偏心角度θ；
S4.1.4以四象限子图微血管等效质心偏心距量化对称性：
Figure BDA0003072602600000035
Figure BDA0003072602600000036
一项满足得0.1分，两项满足得0.2分，三项满足得0.3分，四项满足得0.4分，五项满足得0.5分，六项满足得1分，此项最终得分为score1；
S4.1.5以四象限子图微血管等效质心偏心角量化对称性：
Figure BDA0003072602600000037
Figure BDA0003072602600000038
一项满足得0.2分，两项满足得0.4分，三项满足得0.6分，四项满足得1分，此项最终得分为score2。
S4.3：计算密度分布对称性得分，具体实施步骤如下：
S4.3.1将四象限各子图清晰区域边界外的区域涂成蓝色；
S4.3.2分别计算四象限各子图清晰区域内微血管面积以及黑色区域面积；
S4.3.3计算四象限各子图微血管密度，按如下公式进行
Figure BDA0003072602600000039
S4.3.4以四象限子图微血管密度量化对称性：
Figure BDA0003072602600000041
Figure BDA0003072602600000042
一项满足得0.1分，两项满足得0.2分，三项满足得0.3分，四项满足得0.4分，五项满足得0.5分，六项满足得1分，此项最终得分为score3。
进一步的，S5中，计算微血管整图分布对称性系数ψ，并进行微血管分布对称性等级判定。对步骤S3所得score1，score2，score3进行加权拟合，最终微血管分布对称性系数计算公式为：
ψ＝λ1·score1+λ2·score2+λ3·score3，
其中λ1+λ2+λ3＝1，本发明中λ1＝λ2＝0.4，λ3＝0.2。
根据所得微血管分布对称性系数ψ，对微结构异常程度等级进行判定，当微血管分布对称性系数ψ≤0.1时，微血管分布对称性为正常；当微血管分布对称性系数0.1＜ψ≤0.2时，微血管分布对称性呈一般异常；当微血管分布对称性系数ψ＞0.2时，微血管分布对称性严重异常，即
Figure BDA0003072602600000043
附图说明
图1为本发明的胃黏膜染色放大图像四象限对称性量化方法的实施示意图。
图2为本发明的胃黏膜染色放大图像四象限对称性量化的建立方法示意图。
图3为8连通示意图。
图4为本发明的微血管四象限子图质心偏心距及质心偏心角度分布示意。
图5为本发明的单根微血管质心及血管面积示意图。
图6为本发明的微血管四象限子图微血管密度计算结果示意图。
图7为本发明的患癌胃部内窥镜静态图像。
图8为本发明的未患癌胃部内窥镜静态图像。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细的说明，并不是把本发明的实施范围限制于此。
请参照图1，本发明的胃黏膜染色放大成像的微血管分布对称性量化方法的实施示意图。如图1所示，本发明的胃黏膜染色放大成像的微血管分布对称性量化方法包含图像分割法、质心偏心距法、质心偏心角法、密度法。
请参照图2，其以本发明的胃黏膜染色放大成像的微血管分布对称性量化方法的实施例为例，示意本发明中胃黏膜染色放大图像四象限对称性量化方法流程的建立，包含以下步骤S1-步骤S5。
步骤S1采用训练好的U-Net++分割模型从图像分割方法获取胃镜图像中提取清晰区域。
步骤S2采用训练好D-LinkNet模型，从步骤S1所得取清晰区域图像中分割出微结构整图。
步骤S3通过像素填充的方式获取清晰区域蒙版图并通过连通域的方式获取清晰区域的形心P0(x0,y0)，并将清晰区域蒙版图和微血管整图分为四个象限。本文采用8连通的方式寻找连通域。所谓八连通是指点P(x,y)的上、下、左、右、左上、右上、左下、右下，是紧邻的位置和斜向相邻的位置，共8个方向，坐标位置表示为
NP(x,y)＝(x-1,y),(x-1,y+1),(x,y+1),(x+1,y+1),(x+1,y),(x+1,y-1),(x,y-1),(x-1,y-1)8连通示意图如图3所示。
步骤S4根据步骤S3所得清晰区域蒙版四象限子图和微血管四象限子图计算质心偏心距分布对称性得分、质心偏心角分布对称性得分、密度分布对称性得分，具体实施步骤如下：
S4.1：计算质心偏心距分布对称性得分/计算质心偏心角分布对称性得分，具体实施步骤如下：
S4.1.1通过连通域方法获取每根微血管质心(xi,yi)及微血管面积areai，如图4所示；
S4.1.2加权计算各个子图等效质心坐标P1(x1,y1)，P2(x2,y2)，P3(x3,y3)，P4(x4,y4)，计算公式为
Figure BDA0003072602600000061
S4.1.3计算等效质心P1，P2，P3，P4相对于清晰区域形心P0的质心偏心距及质心偏心角度，如图5所示。具体实施步骤如下：
Figure BDA0003072602600000062
以清晰区域形心P0为坐标原点，建立笛卡尔坐标系，按公式
Figure BDA0003072602600000063
进行坐标变换，变换后各象限微血管等效质心坐标分别为P′1(x′1,y′1)、P′2(x'2,y'2)、P′3(x'3,y'3)、P′4(x'4,y'4)；
Figure BDA0003072602600000064
按公式
Figure BDA0003072602600000065
求各象限微血管等效质心的质心偏心距d和质心偏心角度θ；
S4.1.4以四象限子图微血管等效质心偏心距量化对称性：
Figure BDA0003072602600000066
Figure BDA0003072602600000067
一项满足得0.1分，两项满足得0.2分，三项满足得0.3分，四项满足得0.4分，五项满足得0.5分，六项满足得1分，此项最终得分为score1；
S4.1.5以四象限子图微血管等效质心偏心角量化对称性：
Figure BDA0003072602600000068
Figure BDA0003072602600000069
一项满足得0.2分，两项满足得0.4分，三项满足得0.6分，四项满足得1分，此项最终得分为score2。
S4.3：计算密度分布对称性得分，具体实施步骤如下：
S4.3.1将四象限各子图清晰区域边界外的区域涂成蓝色，如图6所示；
S4.3.2分别计算四象限各子图清晰区域内微血管面积以及黑色区域面积；
S4.3.3计算四象限各子图微血管密度，按如下公式进行
Figure BDA0003072602600000071
S4.3.4以四象限子图微血管密度量化对称性：
Figure BDA0003072602600000072
Figure BDA0003072602600000073
一项满足得0.1分，两项满足得0.2分，三项满足得0.3分，四项满足得0.4分，五项满足得0.5分，六项满足得1分，此项最终得分为score3。
进一步的，步骤S5中，计算微血管整图分布对称性系数ψ，并进行微血管分布对称性等级判定。对步骤S3所得score1，score2，score3进行加权拟合，最终微血管分布对称性系数计算公式为：
ψ＝λ1·score1+λ2·score2+λ3·score3，
其中λ1+λ2+λ3＝1，本发明中λ1＝λ2＝0.4，λ3＝0.2。
根据所得微血管分布对称性系数ψ，对微结构异常程度等级进行判定，当微血管分布对称性系数ψ≤0.1时，微血管分布对称性为正常；当微血管分布对称性系数0.1＜ψ≤0.2时，微血管分布对称性呈一般异常；当微血管分布对称性系数ψ＞0.2时，微血管分布对称性严重异常，即
Figure BDA0003072602600000074
图7为患癌胃黏膜染色放大图像，图8为未患癌胃黏膜染色放大图像，分别对图7和图8两张胃黏膜染色放大图像进行微血管提取并进行对称性量化分析，结果如表1和表2所示。
表1
Figure BDA0003072602600000081
表2
Figure BDA0003072602600000082

Claims (7)

1.一种胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：包含如下步骤：
S1：输入待量化的胃黏膜染色放大成像原图，并采用深度学习分割模型，从原图中提取清晰区域图像；
S2：采用深度学习分割模型，从清晰区域图像提取微血管整图以及清晰区域蒙版图；
S3：通过清晰区域形心，将清晰区域蒙版图和微血管整图分为四个象限；
S4：分别从微血管子图偏心距角度，微血管子图偏心角角度，微血管子图密度角度量化微结构分布对称性；
S5：对步骤S4所求三项量化指标进行加权拟合获得微血管整图分布对称性系数，进而根据阈值区间给出微血管整图分布对称性等级判定结果。
2.根据权利要求1所述的胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述步骤S1中采用训练好的U-Net++分割模型从图像分割方法获取胃镜图像中提取清晰区域。
3.根据权利要求1或2所述的胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述步骤S2中采用训练好D-LinkNet模型，从步骤S1所得取清晰区域图像中分割出微结构整图。
4.根据权利要求1或2所述的胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述步骤S3中，通过步骤S2所得清晰区域梦版图计算出清晰区域形心，并根据此形心将步骤S2所得清晰区域蒙版图和微血管整图分为四个象限。
5.根据权利要求3所述的胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述步骤S3中，通过步骤S2所得清晰区域梦版图计算出清晰区域形心，并根据此形心将步骤S2所得清晰区域蒙版图和微血管整图分为四个象限。
6.根据权利要求1或2或5所述的胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述步骤S4中，根据步骤S3所得清晰区域蒙版四象限子图和微血管四象限子图计算质心偏心距分布对称性得分、质心偏心角分布对称性得分、密度分布对称性得分，步骤如下：
S4.1：计算质心偏心距分布对称性得分/计算质心偏心角分布对称性得分，具体实施步骤如下：
S4.1.1通过连通域方法获取每根微血管质心(xi,yi)及微血管面积areai；
S4.1.2加权计算各个子图等效质心坐标P1(x1,y1)，P2(x2,y2)，P3(x3,y3)，P4(x4,y4)，计算公式为：
Figure FDA0003072602590000021
S4.1.3计算等效质心P1，P2，P3，P4相对于清晰区域形心P0的质心偏心距及质心偏心角度，具体实施步骤如下：
Figure FDA0003072602590000022
以清晰区域形心P0为坐标原点，建立笛卡尔坐标系，按公式
Figure FDA0003072602590000023
进行坐标变换，变换后各象限微血管等效质心坐标分别为P′1(x′1,y′1)、P′2(x'2,y'2)、P′3(x'3,y'3)、P′4(x'4,y'4)；
Figure FDA0003072602590000024
按公式
Figure FDA0003072602590000025
求各象限微血管等效质心的质心偏心距d和质心偏心角度θ；
S4.1.4以四象限子图微血管等效质心偏心距量化对称性：
Figure FDA0003072602590000026
Figure FDA0003072602590000027
一项满足得0.1分，两项满足得0.2分，三项满足得0.3分，四项满足得0.4分，五项满足得0.5分，六项满足得1分，此项最终得分为score1；
S4.1.5以四象限子图微血管等效质心偏心角量化对称性：
Figure FDA0003072602590000028
Figure FDA0003072602590000031
一项满足得0.2分，两项满足得0.4分，三项满足得0.6分，四项满足得1分，此项最终得分为score2；
S4.3：计算密度分布对称性得分，具体实施步骤如下：
S4.3.1将四象限各子图清晰区域边界外的区域涂成蓝色；
S4.3.2分别计算四象限各子图清晰区域内微血管面积以及黑色区域面积；
S4.3.3计算四象限各子图微血管密度，按如下公式进行：
Figure FDA0003072602590000032
S4.3.4以四象限子图微血管密度量化对称性：
Figure FDA0003072602590000033
Figure FDA0003072602590000034
一项满足得0.1分，两项满足得0.2分，三项满足得0.3分，四项满足得0.4分，五项满足得0.5分，六项满足得1分，此项最终得分为score3。
7.根据权利要求6所述的胃黏膜染色放大成像的微血管分布对称性量化方法，其特征在于：所述步骤S5中，计算微血管整图分布对称性系数ψ，并进行微血管分布对称性等级判定；对步骤S3所得score1，score2，score3进行加权拟合，最终微血管分布对称性系数计算公式为：
ψ＝λ1·score1+λ2·score2+λ3·score3，
其中λ1+λ2+λ3＝1，本发明中λ1＝λ2＝0.4，λ3＝0.2；
根据所得微血管分布对称性系数ψ，对微结构异常程度等级进行判定，当微血管分布对称性系数ψ≤0.1时，微血管分布对称性为正常；当微血管分布对称性系数0.1＜ψ≤0.2时，微血管分布对称性呈一般异常；当微血管分布对称性系数ψ＞0.2时，微血管分布对称性严重异常，
Figure FDA0003072602590000035
CN202110543360.6A 2021-05-19 2021-05-19 胃黏膜染色放大成像的微血管分布对称性量化方法 Active CN113393425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110543360.6A CN113393425B (zh) 2021-05-19 2021-05-19 胃黏膜染色放大成像的微血管分布对称性量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110543360.6A CN113393425B (zh) 2021-05-19 2021-05-19 胃黏膜染色放大成像的微血管分布对称性量化方法

Publications (2)

Publication Number Publication Date
CN113393425A true CN113393425A (zh) 2021-09-14
CN113393425B CN113393425B (zh) 2022-04-26

Family

ID=77617943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110543360.6A Active CN113393425B (zh) 2021-05-19 2021-05-19 胃黏膜染色放大成像的微血管分布对称性量化方法

Country Status (1)

Country Link
CN (1) CN113393425B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359278A (zh) * 2022-03-18 2022-04-15 武汉楚精灵医疗科技有限公司 胃黏膜微结构排列规范程度量化方法、终端及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657598A (zh) * 2015-01-29 2015-05-27 中国人民解放军第三军医大学第一附属医院 一种组织微血管分形维数的计算方法
CN104885121A (zh) * 2012-12-21 2015-09-02 博莱科瑞士股份有限公司 诊断成像应用中的基于随着时间的统计分析的分割
CN105225237A (zh) * 2015-09-22 2016-01-06 哈尔滨工业大学（威海） 光声显微血管图像分割和量化方法及装置
CN109348732A (zh) * 2017-05-30 2019-02-15 正凯人工智能私人有限公司 图像处理方法及系统
US10380736B1 (en) * 2015-10-14 2019-08-13 Larry Partain MIP determination of solid cancer size and size changes based on contrast enhanced MRI and CT imaging
CN111870224A (zh) * 2020-07-16 2020-11-03 武汉大学 一种肿瘤血管正常化检测系统和检测方法
CN111915573A (zh) * 2020-07-14 2020-11-10 武汉楚精灵医疗科技有限公司 一种基于时序特征学习的消化内镜下病灶跟踪方法
CN112435246A (zh) * 2020-11-30 2021-03-02 武汉楚精灵医疗科技有限公司 窄带成像放大胃镜下胃癌的人工智能诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104885121A (zh) * 2012-12-21 2015-09-02 博莱科瑞士股份有限公司 诊断成像应用中的基于随着时间的统计分析的分割
CN104657598A (zh) * 2015-01-29 2015-05-27 中国人民解放军第三军医大学第一附属医院 一种组织微血管分形维数的计算方法
CN105225237A (zh) * 2015-09-22 2016-01-06 哈尔滨工业大学（威海） 光声显微血管图像分割和量化方法及装置
US10380736B1 (en) * 2015-10-14 2019-08-13 Larry Partain MIP determination of solid cancer size and size changes based on contrast enhanced MRI and CT imaging
CN109348732A (zh) * 2017-05-30 2019-02-15 正凯人工智能私人有限公司 图像处理方法及系统
CN111915573A (zh) * 2020-07-14 2020-11-10 武汉楚精灵医疗科技有限公司 一种基于时序特征学习的消化内镜下病灶跟踪方法
CN111870224A (zh) * 2020-07-16 2020-11-03 武汉大学 一种肿瘤血管正常化检测系统和检测方法
CN112435246A (zh) * 2020-11-30 2021-03-02 武汉楚精灵医疗科技有限公司 窄带成像放大胃镜下胃癌的人工智能诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢金会等: "乳腺肿瘤血流及谐波造影与病理微血管定量的相关性研究", 《卫生职业教育》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359278A (zh) * 2022-03-18 2022-04-15 武汉楚精灵医疗科技有限公司 胃黏膜微结构排列规范程度量化方法、终端及存储介质
CN114359278B (zh) * 2022-03-18 2022-05-20 武汉楚精灵医疗科技有限公司 胃黏膜微结构排列规范程度量化方法、终端及存储介质

Also Published As

Publication number Publication date
CN113393425B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN110600122B (zh) 一种消化道影像的处理方法、装置、以及医疗系统
Wu et al. Automatic hookworm detection in wireless capsule endoscopy images
CN110189303B (zh) 一种基于深度学习和图像增强的nbi图像处理方法及其应用
US7599533B2 (en) Image processing system and image processing method
Pang et al. Tongue image analysis for appendicitis diagnosis
US8837821B2 (en) Image processing apparatus, image processing method, and computer readable recording medium
CN1297942C (zh) 从舌图像提取关注区的方法及相应健康监控方法和设备
JP2002165757A (ja) 診断支援装置
CN113344860B (zh) 胃黏膜染色放大图像微结构的异常程度量化方法
CN103945755B (zh) 图像处理装置
CN107256552A (zh) 息肉图像识别系统及方法
JP5622461B2 (ja) 画像処理装置、画像処理方法、および画像処理プログラム
CN113205492B (zh) 胃粘膜染色放大成像的微血管扭曲程度量化方法
CN113393425B (zh) 胃黏膜染色放大成像的微血管分布对称性量化方法
CN109635871A (zh) 一种基于多特征融合的胶囊内窥镜图像分类方法
CN107028593A (zh) 一种乳腺导管原位癌的辅助检测方法
CN113130066A (zh) 一种基于人工智能的舌诊图像识别方法
KR102095730B1 (ko) 딥러닝 기반의 대장 병변 검출 방법
Liu et al. Hue-texture-embedded region-based model for magnifying endoscopy with narrow-band imaging image segmentation based on visual features
CN111428066A (zh) 一种基于卷积神经网络的病变图像的分类和分割方法
CN111476312A (zh) 一种基于卷积神经网络的病变图像的分类方法
Liu et al. Hepatitis diagnosis using facial color image
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
CN114581408A (zh) 一种基于yolov5的胃镜息肉检测方法
Jiang et al. Digital imaging system for physiological analysis by tongue colour inspection

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