CN113469996A - 一种内窥镜黏膜图像反光区域检测与修复系统 - Google Patents
一种内窥镜黏膜图像反光区域检测与修复系统 Download PDFInfo
- Publication number
- CN113469996A CN113469996A CN202110807860.6A CN202110807860A CN113469996A CN 113469996 A CN113469996 A CN 113469996A CN 202110807860 A CN202110807860 A CN 202110807860A CN 113469996 A CN113469996 A CN 113469996A
- Authority
- CN
- China
- Prior art keywords
- image
- mucous membrane
- module
- endoscope
- area
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 210000004400 mucous membrane Anatomy 0.000 title claims abstract description 81
- 230000008439 repair process Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 40
- 210000004877 mucosa Anatomy 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002806 Stokes method Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Endoscopes (AREA)
Abstract
本发明公开一种内窥镜黏膜图像反光区域的检测与修复系统，包括：数据获取模块、黏膜反光区域检测网络模型模块、黏膜反光区域检测网络训练模块、黏膜反光区域检测模块、黏膜反光区域修复模块；数据获取模块获取内窥镜图像的数据训练集、验证集以及测试图像，通过网络训练模块训练、验证得到网络模型参数，所述检测模块对输入的内窥镜图像根据网络模型参数计算并标记输出黏膜反光区域标记图像，修复模块判断内窥镜图像是否存在黏膜反光区域，对存在黏膜反光区域的内窥镜图像进行修复，去除反光。本发明可以自动适应内窥镜反光区域检测，在给定反光内窥镜图像数据后，可以快速得到修复好的内窥镜图像，实现了内窥镜黏膜图像反光区域检测和修复功能。
Description
技术领域
本发明涉图像处理技术领域，特别是涉及一种内窥镜黏膜图像反光区域检测与修复系统。
背景技术
内窥镜设备主要用于检查人体孔道如消化道、气管、耳鼻喉等器官的病变。医生主要通过观察内窥镜拍摄的人体腔道黏膜的视频或图像判断疾病状况。由于内窥镜上的发光装置的照明，图像通常会存在黏膜反光，这些强反光区域遮挡黏膜，给医生观察、审阅图像造成干扰。因此，采用计算机自动图像反光区域并进行去除或修复，有助于为医生诊断工作提供便利。
内窥镜图像应用广泛，对该图像放光区域检测并进行修复对疾病辅助诊断有较好的帮助，也能够减少反光在操作过程中对医生视野的干扰。目前内窥镜图像反光的处理技术主要通过一些固定数学模型的方法，或设置阈值的方法过滤出反光的区域再进行修复，涉及该类方法较复杂，如何设计一种在简单给定反光内窥镜图像数据、自动适应内窥镜反光区域检测的方法，是该领域需要解决的问题。
综上所述，如何提供一种内窥镜黏膜图像反光区域的检测和反光区修复方案，是目前本领域技术人员亟待解决的问题。
发明内容
为解决上述现有技术中存在的不足，本发明提供一种内窥镜黏膜图像反光区域的检测与修复系统，旨在能够实现自动适应内窥镜反光区域检测，在给定反光内窥镜图像数据后，可以快速得到修复好的内窥镜图像。
为实现上述技术目的，本发明采用的技术方案为：
一种内窥镜黏膜图像反光区域的检测与修复系统，包括：
数据获取模块，用于：获取内窥镜图像的数据训练集、验证集以及测试图像，所述训练集和验证集包括内窥镜图像及表示每个所述内窥镜图像中对黏膜反光区域的标记图像；
黏膜反光区域检测网络模型模块，用于：在训练阶段，接受训练集和验证集的内窥镜图像、以及所述图像对应的黏膜反光区域的标记图像，通过计算优化得到网络模型的参数；在黏膜反光区域检测阶段，对输入内窥镜图像为反光区域检测模块提供对应的模型参数；
黏膜反光区域检测网络训练模块，用于：利用所述训练集对所述反光区域检测网络模型进行训练，利用所述验证集测试训练后的网络模型得到网络模型的检测精度；更换基本卷积神经网络和网络参数，选取验证精度最高的网络模型作为最终训练完成的黏膜反光区域检测网络模型；
黏膜反光区域检测模块，用于：将内窥镜图像通过图像获取模块输入至训练完成的黏膜反光区域检测网络模型，通过该网络模型的参数计算输出黏膜反光区域标记图像，反光区域标记图像中反光区域呈现高亮度，非反光区域呈现低亮度；
黏膜反光区域修复模块，用于：判断内窥镜图像是否存在黏膜反光区域，并对存在黏膜反光区域的内窥镜图像进行修复，去除反光。
进一步地，所述黏膜图像反光区域检测网络模型模块包括一个输入卷积神经网络单元，所述输入卷积神经网络单元由1个二维卷积层和1个Relu激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致。
进一步地，所述黏膜图像反光区域检测网络模型模块还包括1～4个中间卷积神经网络单元，第一个中间卷积神经网络单元输入为所述输入卷积神经网络单元的输出，后续多个中间卷积神经网络单元依次在第一个中间卷积神经网络单元之后串联，其中每一个中间卷积神经网络单元由1个二维卷积层、1个批量归一化层和1个Relu激活函数层构成，其中二维卷积层的卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致。
进一步地，所述黏膜图像反光区域检测网络模型模块还包括还包括一个输出卷积神经网络单元，所述输出卷积神经网络单元由1个二维卷积层和1个Sigmoid激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积和数量为1个，卷积后的输出特征图像与输入的图像大小保持一致。
进一步地，所述黏膜反光区域检测网络训练模块包括卷积神经网络选择单元，所述卷积神经网络选择单元根据验证数据的精度结果，选取中间卷积神经网络单元的数量，选取二位卷积神经网络卷积核数量，选取卷积核的具体参数。
进一步地，所述黏膜反光区域检测网络训练模块还包括损失函数单元，用于：目标函数网络优化计算，采用如下公式计算
其中，o为内窥镜图像经过网络输出得到的标签图像，o[i]为图像上o其中第i个像素的值，t为针对该内窥镜图像标注的标签图像，t[i]为图像t上第i个像素的值，N为像数个数。
进一步地，所述黏膜反光区域检测网络训练模块还包括优化函数单元，所述优化函数单元采用随机梯度下降法或Adam方法对黏膜反光区域检测网络模型进行网络优化计算。
进一步地，所述黏膜反光区域检测模块包括阈值化输出单元，用于将黏膜反光区域检测网络模型输出的图像矩阵进行归一化变换，将矩阵中的每一个像数的数值归一化到0～255的整数，并进一步通过固定阈值的方法变换为二值图像，阈值范围为200～254。
进一步地，所述黏膜反光区域修复模块包括反光判断单元，用于对黏膜反光区域检测模块输出的二值图像进行判断，判断内窥镜图像是否存在黏膜反光区域。
进一步地，所述黏膜反光区域修复模块还包括黏膜反光区域修复单元，用于对存在黏膜反光区域的内窥镜图像进行修复，去除反光。
与现有技术相比，本发明的有益效果有：
本发明通过建立黏膜反光区域检测网络训练模块，对反光区域检测网络模型进行训练，并通过调整网络参数，可以提高网络模型的优化率，并得到精度高的网络模型；本发明的黏膜反光区域检测模块根据上述网络模型的参数可快速的对输入的内窥镜图像的黏膜反光区域进行标记，并由黏膜反光区域修复模块对黏膜反光区域进行修复，得到修复好的内窥镜图像，供医生观察、审阅。
本发明可以自动适应内窥镜反光区域检测，在给定反光内窥镜图像数据后，可以快速得到修复好的内窥镜图像，实现了内窥镜黏膜图像反光区域检测和修复功能。
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倡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发明的实施例，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为本发明实施例一种内窥镜黏膜图像反光区域的检测与修复系统的结构示意图；
图2为本发明实施例中训练或测试集中的含有反光区域的内窥镜图像样本；
图3为本发明实施例中训练或测试集中的图2样本图像对应的反光区域标记图像；
图4为本发明实施例中测试过程中的含有反光区域的内窥镜图像样本；
图5为本发明实施例中测试检测过程中的阈值化输出单元输出的图4样本图像对应的反光区域检测结果图像；
图6为本发明实施例中针对图4样本图像反光修复后的结果。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
一种内窥镜黏膜图像反光区域的检测与修复系统，包括：
数据获取模块1，用于：获取内窥镜图像的数据训练集、验证集以及测试图像，所述训练集和验证集包括内窥镜图像(图2)及表示每个所述内窥镜图像中对黏膜反光区域的标记图像(图3)；
黏膜反光区域检测网络模型模块3，用于：在训练阶段接受训练集和验证集的内窥镜图像、以及所述图像对应的黏膜反光区域的标记，通过计算优化得到网络模型的参数，在黏膜反光区域检测阶段，对输入内窥镜图像为反光区域检测模块提供对应的模型参数；
黏膜反光区域检测网络训练模块2，用于：利用所述训练集对所述反光区域检测网络模型进行训练，利用所述验证集测试训练后的网络模型得到网络模型的检测精度，更换基本卷积神经网络和网络参数，选取验证精度最高的网络模型作为最终训练完成的黏膜反光区域检测网络模型；
黏膜反光区域检测模块4，用于：将内窥镜图像通过图像获取模块输入至训练完成的黏膜反光区域检测网络模型，通过该网络模型的参数计算输出黏膜反光区域标记图像，反光区域标记图像中反光区域呈现高亮度，非反光区域呈现低亮度；
黏膜反光区域修复模块5，用于：判断内窥镜图像是否存在黏膜反光区域，并对存在黏膜反光区域的内窥镜图像进行修复，去除反光。
黏膜图像反光区域检测网络模型3可以包括图像输入的输入卷积神经网络单元、用于检测计算的中间神经网络单元、用于反光区域检测结果输出的输出神经网络单元。黏膜图像反光区域检测网络模型3在训练阶段接受训练集和验证集的内窥镜图像、内窥镜图像对应的反光区域标记图像，通过计算优化网络模型的参数，在检测阶段，对输入的内窥镜图像输出反光区域标记图像。
具体的，所述输入卷积神经网络单元由1个二维卷积层和1个Relu激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致。所述中间卷积神经网络单元含1～4个，第一个中间卷积神经网络单元输入为所述输入卷积神经网络单元的输出，后续多个中间卷积神经网络单元依次在第一个中间卷积神经网络单元之后串联，其中每一个中间卷积神经网络单元由1个二维卷积层、1个批量归一化层和1个Relu激活函数层构成，其中二维卷积层的卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致。所述输出卷积神经网络单元由1个二维卷积层和1个Sigmoid激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积和数量为1个，卷积后的输出特征图像与输入的图像大小保持一致。
黏膜反光区域检测网络训练模块2包括用以选取不同的卷积神经网络参数的卷积神经网络选择单元，所述卷积神经网络选择单元选取中间卷积神经网络单元的数量，选取二位卷积神经网络卷积核数量，选取卷积核的具体参数；还包括损失函数单元，用于：目标函数网络优化计算，采用如下公式计算
其中，o为内窥镜图像经过网络输出得到的标签图像，o[i]为图像上o其中第i个像素的值，t为针对该内窥镜图像标注的标签图像，t[i]为图像t上第i个像素的值，N为像数个数。
黏膜反光区域检测网络训练模块2还包括用以采用随机梯度下降法或Adam方法对网络模型3进行网络优化计算的优化函数单元。
黏膜反光区域检测网络训练模块2选择不同参数网络模型单元，损失函数单元对网络模型3进行计算网格损失，优化函数单元采用随机梯度下降法或Adam方法对网络模型3进行网络优化计算，提高网络模型的优化率，进而提高检测的精度。
黏膜反光区域检测模块4将待检测内窥镜图像(图4)输入至训练好的检测网络模型3，并获取检测网络模型3输出得到的反光区域标记图像，反光区域标记图像中反光区域呈现高亮度，非反光区域呈现低亮度；黏膜反光区域检测模块4还包括阈值化输出单元，将黏膜反光区域检测网络模型输出的图像矩阵进行归一化变换，将矩阵中的每一个像数的数值归一化到0～255的整数，并进一步通过固定阈值的方法变换为二值图像(图5)，阈值可取为200～254之间的数值。
黏膜反光区域修复模块5包括反光判断单元，对黏膜反光区域检测模块输出的二值图像进行判断，判断内窥镜图像是否存在黏膜反光区域。
黏膜反光区域修复模块5还包括黏膜反光区域修复单元，对存在黏膜反光区域的内窥镜图像进行修复，去除反光，修复方法采用AlexandruTelea方法或Navier-Stokes方法，最终得到修复好的内窥镜图像(图6)。
本发明通过建立黏膜反光区域检测网络训练模块，对反光区域检测网络模型进行训练，并通过调整网络参数，可以提高网络模型的优化率，并得到精度高的网络模型；本发明的黏膜反光区域检测模块根据上述网络模型的参数可快速的对输入的内窥镜图像的黏膜反光区域进行标记，并由黏膜反光区域修复模块对黏膜反光区域进行修复，得到修复好的内窥镜图像，供医生观察、审阅。本发明可以自动适应内窥镜反光区域检测，在给定反光内窥镜图像数据后，可以快速得到修复好的内窥镜图像，实现了内窥镜黏膜图像反光区域检测和修复功能。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：包括：
数据获取模块(1)，用于：获取内窥镜图像的数据训练集、验证集以及测试图像，所述训练集和验证集包括内窥镜图像及表示每个所述内窥镜图像中对黏膜反光区域的标记图像；
黏膜反光区域检测网络模型模块(3)，用于：在训练阶段，接受训练集和验证集的内窥镜图像、以及所述图像对应的黏膜反光区域的标记图像，通过计算优化得到网络模型的参数；在黏膜反光区域检测阶段，对输入内窥镜图像为反光区域检测模块提供对应的模型参数；
黏膜反光区域检测网络训练模块(2)，用于：利用所述训练集对所述反光区域检测网络模型进行训练，利用所述验证集测试训练后的网络模型得到网络模型的检测精度；更换基本卷积神经网络和网络参数，选取验证精度最高的网络模型作为最终训练完成的黏膜反光区域检测网络模型；
黏膜反光区域检测模块(4)，用于：将内窥镜图像通过图像获取模块输入至训练完成的黏膜反光区域检测网络模型，通过该网络模型的参数计算输出黏膜反光区域标记图像，反光区域标记图像中反光区域呈现高亮度，非反光区域呈现低亮度；
黏膜反光区域修复模块(5)，用于：判断内窥镜图像是否存在黏膜反光区域，并对存在黏膜反光区域的内窥镜图像进行修复，去除反光。
2.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜图像反光区域检测网络模型模块(3)包括一个输入卷积神经网络单元，所述输入卷积神经网络单元由1个二维卷积层和1个Relu激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致。
3.根据权利要求2所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜图像反光区域检测网络模型模块(3)还包括1～4个中间卷积神经网络单元，第一个中间卷积神经网络单元输入为所述输入卷积神经网络单元的输出，后续多个中间卷积神经网络单元依次在第一个中间卷积神经网络单元之后串联，其中每一个中间卷积神经网络单元由1个二维卷积层、1个批量归一化层和1个Relu激活函数层构成，其中二维卷积层的卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致。
4.根据权利要求3所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜图像反光区域检测网络模型模块(3)还包括还包括一个输出卷积神经网络单元，所述输出卷积神经网络单元由1个二维卷积层和1个Sigmoid激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积和数量为1个，卷积后的输出特征图像与输入的图像大小保持一致。
5.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测网络训练模块(2)包括卷积神经网络选择单元，所述卷积神经网络选择单元根据验证数据的精度结果，选取中间卷积神经网络单元的数量，选取二位卷积神经网络卷积核数量，选取卷积核的具体参数。
6.根据权利要求5所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测网络训练模块(2)还包括损失函数单元，用于：目标函数网络优化计算，采用如下公式计算
其中，o为内窥镜图像经过网络输出得到的标签图像，o[i]为图像上o其中第i个像素的值，t为针对该内窥镜图像标注的标签图像，t[i]为图像t上第i个像素的值，N为像数个数。
7.根据权利要求6所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测网络训练模块(2)还包括优化函数单元，所述优化函数单元采用随机梯度下降法或Adam方法对黏膜反光区域检测网络模型进行网络优化计算。
8.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测模块(4)包括阈值化输出单元，用于将黏膜反光区域检测网络模型输出的图像矩阵进行归一化变换，将矩阵中的每一个像数的数值归一化到0～255的整数，并进一步通过固定阈值的方法变换为二值图像，阈值范围为200～254。
9.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域修复模块(5)包括反光判断单元，用于对黏膜反光区域检测模块输出的二值图像进行判断，判断内窥镜图像是否存在黏膜反光区域。
10.根据权利要求9所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域修复模块(5)还包括黏膜反光区域修复单元，用于对存在黏膜反光区域的内窥镜图像进行修复，去除反光。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110807860.6A CN113469996B (zh) | 2021-07-16 | 2021-07-16 | 一种内窥镜黏膜图像反光区域检测与修复系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110807860.6A CN113469996B (zh) | 2021-07-16 | 2021-07-16 | 一种内窥镜黏膜图像反光区域检测与修复系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469996A true CN113469996A (zh) | 2021-10-01 |
| CN113469996B CN113469996B (zh) | 2023-06-20 |
Family
ID=77880809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110807860.6A Active CN113469996B (zh) | 2021-07-16 | 2021-07-16 | 一种内窥镜黏膜图像反光区域检测与修复系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469996B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
| CN108875752A (zh) * | 2018-03-21 | 2018-11-23 | 北京迈格威科技有限公司 | 图像处理方法和装置、计算机可读存储介质 |
| WO2019010147A1 (en) * | 2017-07-05 | 2019-01-10 | Siemens Aktiengesellschaft | SEMI-SUPERVISED ITERATIVE LEARNING OF KEY POINTS AND INVARIANT CHARACTERISTICS IN VIEW OF THE VISUAL RECOGNITION |
| CN109948733A (zh) * | 2019-04-01 | 2019-06-28 | 深圳大学 | 消化道内窥镜图像的多分类方法、分类装置及存储介质 |
| CN111080585A (zh) * | 2019-12-04 | 2020-04-28 | 绍兴文理学院 | 面向结肠内窥镜反光区域检测的中智分析方法 |
| CN111513660A (zh) * | 2020-04-28 | 2020-08-11 | 深圳开立生物医疗科技股份有限公司 | 一种应用于内窥镜的图像处理方法、装置及相关设备 |
| CN111626962A (zh) * | 2020-05-27 | 2020-09-04 | 重庆邮电大学 | 一种cmos内窥镜图像增强方法 |
| CN111784686A (zh) * | 2020-07-20 | 2020-10-16 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种内窥镜出血区域的动态智能检测方法、系统及可读存储介质 |
| CN111798408A (zh) * | 2020-05-18 | 2020-10-20 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种内窥镜干扰图像检测与分级系统及方法 |
| CN112308197A (zh) * | 2019-07-26 | 2021-02-02 | 杭州海康威视数字技术股份有限公司 | 一种卷积神经网络的压缩方法、装置及电子设备 |
| CN112465766A (zh) * | 2020-11-25 | 2021-03-09 | 武汉楚精灵医疗科技有限公司 | 扁平、微小息肉图像识别方法 |
-
2021
- 2021-07-16 CN CN202110807860.6A patent/CN113469996B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
| WO2019010147A1 (en) * | 2017-07-05 | 2019-01-10 | Siemens Aktiengesellschaft | SEMI-SUPERVISED ITERATIVE LEARNING OF KEY POINTS AND INVARIANT CHARACTERISTICS IN VIEW OF THE VISUAL RECOGNITION |
| CN108875752A (zh) * | 2018-03-21 | 2018-11-23 | 北京迈格威科技有限公司 | 图像处理方法和装置、计算机可读存储介质 |
| CN109948733A (zh) * | 2019-04-01 | 2019-06-28 | 深圳大学 | 消化道内窥镜图像的多分类方法、分类装置及存储介质 |
| CN112308197A (zh) * | 2019-07-26 | 2021-02-02 | 杭州海康威视数字技术股份有限公司 | 一种卷积神经网络的压缩方法、装置及电子设备 |
| CN111080585A (zh) * | 2019-12-04 | 2020-04-28 | 绍兴文理学院 | 面向结肠内窥镜反光区域检测的中智分析方法 |
| CN111513660A (zh) * | 2020-04-28 | 2020-08-11 | 深圳开立生物医疗科技股份有限公司 | 一种应用于内窥镜的图像处理方法、装置及相关设备 |
| CN111798408A (zh) * | 2020-05-18 | 2020-10-20 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种内窥镜干扰图像检测与分级系统及方法 |
| CN111626962A (zh) * | 2020-05-27 | 2020-09-04 | 重庆邮电大学 | 一种cmos内窥镜图像增强方法 |
| CN111784686A (zh) * | 2020-07-20 | 2020-10-16 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种内窥镜出血区域的动态智能检测方法、系统及可读存储介质 |
| CN112465766A (zh) * | 2020-11-25 | 2021-03-09 | 武汉楚精灵医疗科技有限公司 | 扁平、微小息肉图像识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| DINGYUN LIU等: "Depth Information-Based Automatic Annotation of Early Esophageal Cancers in Gastroscopic Images Using Deep Learning Techniques", IEEE ACCESS * |
| FONS VAN DER SOMMEN等: "Novel developments in endoscopic mucosal imaging", GASTROENTEROLOGY * |
| 班玉红: "舌体图像的分割及反光点的检测与修复", 中国优秀硕士学位论文全文数据库 医药卫生科技辑 * |
| 陈洪瀚: "基于胶囊内窥镜图像的消化道钩虫及常见内容物计算机自动检测技术研究", 中国博士学位论文全文数据库 医药卫生科技辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469996B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104363815B (zh) | 图像处理装置以及图像处理方法 | |
| CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
| CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
| CN111986211A (zh) | 一种基于深度学习的眼科超声自动筛查方法及系统 | |
| CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| JP6734475B2 (ja) | 画像処理装置及びプログラム | |
| CN114581432A (zh) | 一种基于深度学习的舌象仪舌象分割方法 | |
| CN110974179A (zh) | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
| Hollingsworth et al. | All iris filters are not created equal | |
| CN113256572B (zh) | 基于修复和选择性增强的胃镜图像分析系统、方法及设备 | |
| CN113469996B (zh) | 一种内窥镜黏膜图像反光区域检测与修复系统 | |
| CN113989236A (zh) | 一种胃镜图像智能目标检测系统及方法 | |
| CN117524402A (zh) | 关于内镜影像分析并自动生成诊断报告的方法 | |
| Li et al. | Pixel-level diabetic retinopathy lesion detection using multi-scale convolutional neural network | |
| KR102036052B1 (ko) | 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치 | |
| CN112464871A (zh) | 一种基于深度学习的中医舌部图像处理方法及系统 | |
| CN115147303A (zh) | 一种基于掩膜引导的二维超声医学图像修复方法 | |
| JP2024504958A (ja) | 組織検体画像の生成方法、及びこれを行うコンピューティングシステム | |
| CN117593591B (zh) | 一种基于医学图像分割的舌象分类方法 | |
| CN117853489B (zh) | 植、介入性管状器械的内壁质量检测方法及装置 | |
| CN116864098B (zh) | 一种基于位置信息的医疗器械受力信息获取方法及系统 | |
| CN116612340B (zh) | 一种消化性溃疡部位分类方法、装置及可读存储介质 | |
| Khan et al. | A Discriminative Colour-to-Grayscale Representation for Retinal Vessel Segmentation |
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 |