CN113643299B - 微血管的弯曲程度量化方法、装置及计算机可读存储介质 - Google Patents

微血管的弯曲程度量化方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113643299B
CN113643299B CN202111207290.3A CN202111207290A CN113643299B CN 113643299 B CN113643299 B CN 113643299B CN 202111207290 A CN202111207290 A CN 202111207290A CN 113643299 B CN113643299 B CN 113643299B
Authority
CN
China
Prior art keywords
parameter
microvessels
target
degree
quantifying
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
CN202111207290.3A
Other languages
English (en)
Other versions
CN113643299A (zh
Inventor
李�昊
胡珊
于红刚
胡孝
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 Endoangel Medical Technology Co Ltd
Original Assignee
Wuhan Endoangel 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 Wuhan Endoangel Medical Technology Co Ltd filed Critical Wuhan Endoangel Medical Technology Co Ltd
Priority to CN202111207290.3A priority Critical patent/CN113643299B/zh
Publication of CN113643299A publication Critical patent/CN113643299A/zh
Application granted granted Critical
Publication of CN113643299B publication Critical patent/CN113643299B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/68—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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

Abstract

本申请提供一种微血管的弯曲程度量化方法、装置及计算机可读存储介质，该方法包括：获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数、斜率参数；基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。本申请实施例由于考虑了微血管中的多个中心线的相关参数，从而综合地对微血管地弯曲程度进行确定，提高了对微血管的弯曲程度进行量化的准确度，降低了内镜医师的误判率。

Description

微血管的弯曲程度量化方法、装置及计算机可读存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种微血管的弯曲程度量化方法、装置及计算机可读存储介质。
背景技术
胃癌是世界第五大最常见的癌症，其占癌症死亡原因的第三位。进展期胃癌术后五年生存率仅有30%，而胃早期癌症的五年生存率则高达90%。色素内镜的问世，使早癌期胃癌的内镜诊断方法确立。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，为内镜下诊断早期胃癌提供了条件。血管异形是染色放大内镜下诊断早期胃癌的重要条件。
现有的胃部早癌病灶区域内微血管较病灶区域外微血管扭曲程度更严重，然而，只是基于经验的归纳总结，并未给出微血管扭曲程度具体量化结果及扭曲程度判断方法。
因此，如何准确对微血管的弯曲程度进行量化，是当前图像处理技术领域亟需解决的技术问题。
发明内容
本申请提供一种微血管的弯曲程度量化方法、装置及计算机可读存储介质，旨在解决如何准确对微血管的弯曲程度进行量化。
一方面，本申请提供微血管的弯曲程度量化方法，所述方法包括：
获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；
对所述微血管的轮廓信息进行第一预处理，得到所述微血管的多个第一中心线；
统计所述多个第一中心线的数目，得到所述多个第一中心线的数量参数；
对所述多个第一中心线进行第二预处理，得到多条近似直线；
计算所述多条近似直线中每条近似直线的倾斜角度参数和斜率参数；
基于所述数量参数、所述倾斜角度参数以及所述斜率参数，对所述微血管的弯曲程度进行量化。
在本申请一种可能的实现方式中，所述基于所述数量参数、所述倾斜角度参数以及所述斜率参数，对所述微血管的弯曲程度进行量化，包括：
对所述多个目标中心线对应的近似直线中的每个目标近似直线的倾斜角度参数进行求和，得到第一目标中心线参数；
对所述多个目标中心线对应的近似直线中的每个目标近似直线的斜率参数进行数值区间范围划分，得到第二目标中心线参数；
基于所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数，对所述微血管的弯曲程度进行量化。
在本申请一种可能的实现方式中，所述基于所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数，对所述微血管的弯曲程度进行量化，包括：
对所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数进行加权求和，得到所述微血管的弯曲程度系数；
基于所述微血管的弯曲程度系数和预设的弯曲程度判断阈值，对所述微血管的弯曲程度进行量化。
在本申请一种可能的实现方式中，所述获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息，包括：
从所述胃黏膜染色放大图像中提取清晰区域图像；
从所述清晰区域图像中提取微血管整图；
获取所述微血管整图的连通域的面积和与所述连通域对应的最小外接水平矩形；
基于所述连通域的面积和所述最小外接水平矩形，确定所述微血管的轮廓信息。
在本申请一种可能的实现方式中，在获取所述微血管整图的连通域的面积和与所述连通域对应的最小外接水平矩形之前，所述方法还包括：
对所述微血管整图进行去噪处理，得到去噪后的微血管整图。
在本申请一种可能的实现方式中，所述对所述微血管的轮廓信息进行第一预处理，得到所述微血管的多个第一中心线，包括：
提取所述微血管的轮廓信息对应的第二中心线；
检测所述第二中心线中的角点；
删除所述第二中心线中的角点，得到所述微血管的多个第一中心线。
在本申请一种可能的实现方式中，所述对所述多个第一中心线进行第二预处理，得到多条近似直线，包括：
从所述多个第一中心线中，筛选符合预设要求的多个第三中心线；
确定所述多个第三中心线中每个第三中心线对应的近似直线。
另一方面，本申请提供一种微血管的弯曲程度量化装置，所述装置包括：
第一获取单元，用于获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；
第一预处理单元，用于对所述微血管的轮廓信息进行第一预处理，得到所述微血管的多个第一中心线；
第一统计单元，用于统计所述多个第一中心线的数目，得到所述多个第一中心线的数量参数；
第二预处理单元，用于对所述多个第一中心线进行第二预处理，得到多条近似直线；
第一计算单元，用于计算所述多条近似直线中每条近似直线的倾斜角度参数、斜率参数；
第一量化单元，用于基于所述数量参数、所述倾斜角度参数以及所述斜率参数，对所述微血管的弯曲程度进行量化。
在本申请一种可能的实现方式中，所述第一量化单元，包括：
第一求和单元，用于对所述多个目标中心线对应的近似直线中的每个目标近似直线的倾斜角度参数进行求和，得到第一目标中心线参数；
第一划分单元，用于对所述多个目标中心线对应的近似直线中的每个目标近似直线的斜率参数进行数值区间范围划分，得到第二目标中心线参数；
第二量化单元，用于基于所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数，对所述微血管的弯曲程度进行量化。
在本申请一种可能的实现方式中，所述第二量化单元，具体用于：
对所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数进行加权求和，得到所述微血管的弯曲程度系数；
基于所述微血管的弯曲程度系数和预设的弯曲程度判断阈值，对所述微血管的弯曲程度进行量化。
在本申请一种可能的实现方式中，所述第一获取单元，具体包括：
第一提取单元，用于从所述胃黏膜染色放大图像中提取清晰区域图像；
第二提取单元，用于从所述清晰区域图像中提取微血管整图；
第二获取单元，用于获取所述微血管整图的连通域的面积和与所述连通域对应的最小外接水平矩形；
第一确定单元，用于基于所述连通域的面积和所述最小外接水平矩形，确定所述微血管的轮廓信息。
在本申请一种可能的实现方式中，在获取所述微血管整图的连通域的面积和与所述连通域对应的最小外接水平矩形之前，所述装置还用于：
对所述微血管整图进行去噪处理，得到去噪后的微血管整图。
在本申请一种可能的实现方式中，所述第一预处理单元，具体用于：
提取所述微血管的轮廓信息对应的第二中心线；
检测所述第二中心线中的角点；
删除所述第二中心线中的角点，得到所述微血管的多个第一中心线。
在本申请一种可能的实现方式中，所述第二预处理单元，具体用于：
从所述多个第一中心线中，筛选符合预设要求的多个第三中心线；
确定所述多个第三中心线中每个第三中心线对应的近似直线。
另一方面，本申请还提供一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的微血管的弯曲程度量化方法。
另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的微血管的弯曲程度量化方法中的步骤。
本申请提出的微血管的弯曲程度进行量化方法，通过开发通用的且可重复的程序，提供半自动和自动图像分析，对微血管扭曲程度进行量化，可协助内镜医师提高胃早癌分析和诊断的可靠性和准确率。本申请先获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数、斜率参数；最终基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。考虑了微血管中的多个中心线的相关参数，从而综合地对微血管地弯曲程度进行确定，提高了对微血管的弯曲程度进行量化的准确度，降低了内镜医师的误判率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的微血管的弯曲程度量化系统的场景示意图；
图2是本申请实施例中提供的微血管的弯曲程度量化方法的一个实施例流程示意图；
图3是本申请实施例中提供的步骤201的一个实施例流程示意图；
图4是本申请实施例中提供的步骤202的一个实施例流程示意图；
图5是本申请实施例中提供的步骤204的一个实施例流程示意图；
图6是本申请实施例中提供的步骤206的一个实施例流程示意图；
图7是本申请实施例中提供的步骤603的一个实施例流程示意图；
图8是本申请实施例中提供的微血管的弯曲程度量化装置的一个实施例结构示意图；
图9是本申请实施例中提供的计算机设备的一个实施例结构示意图；
图10是本申请实施例中提供的胃黏膜染色放大图像的一个实施例结构示意图；
图11是本申请实施例中提供的微血管整图分割的一个实施例结构示意图；
图12是本申请实施例中提供的微血管的连通域的一个实施例结构示意图；
图13是本申请实施例中提供的提取单根微血管轮廓的一个实施例结构示意图；
图14是本申请实施例中提供的微血管中心线提取及中心线去角点的一个实施例示意图；
图15是本申请实施例中提供的微血管中心线斜率法示意图；
图16本申请实施例中提供的面积和判别法坐标图。
具体实施方式
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，所描述的实施例仅仅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，本领域技术人员在没有作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。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种微血管的弯曲程度量化方法、装置及计算机可读存储介质，以下分别进行详细说明。
如图1所示，图1是本申请实施例提供的微血管的弯曲程度量化系统的场景示意图，该微血管的弯曲程度量化系统可以包括多个终端100和服务器200，终端100和服务器200网络连接，服务器200中集成有微血管的弯曲程度量化装置，如图1中的服务器，终端100可以访问服务器200。
本申请实施例中服务器200主要用于获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数和斜率参数；基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。
本申请实施例中，该服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如本申请实施例中所描述的服务器200，其包括但不限于计算机、网络终端、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。本申请的实施例中，服务器与终端之间可通过任何通信方式实现通信，包括但不限于，基于第三代合作伙伴计划（3rd Generation Partnership Project，3GPP）、长期演进（Long Term Evolution，LTE)、全球互通微波访问（Worldwide Interoperability for Microwave Access，WiMAX）的移动通信，或基于TCP/IP协议族（TCP/IP Protocol Suite，TCP/IP）、用户数据报协议（User Datagram Protocol，UDP）的计算机网络通信等。
可以理解的是，本申请实施例中所使用的终端100可以是既包括接收和发射硬件的设备，既具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种终端可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，或者服务器网络连接关系，例如图1中仅示出1个服务器和2个终端。可以理解的，该微血管的弯曲程度量化系统还可以包括一个或多个其他服务器，或/且一个或多个与服务器网络连接的终端，具体此处不作限定。
另外，如图1所示，该微血管的弯曲程度量化系统还可以包括存储器300，用于存储数据，如存储胃粘膜染色放大图像和微血管的弯曲程度量化数据，例如微血管的弯曲程度量化系统运行时的微血管的弯曲程度量化数据。
需要说明的是，图1所示的微血管的弯曲程度量化系统的场景示意图仅仅是一个示例，本申请实施例描述的微血管的弯曲程度量化系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着微血管的弯曲程度量化系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
接下来，介绍本申请实施例提供的微血管的弯曲程度量化方法。
本申实施例微血管的弯曲程度量化方法的实施例中以微血管的弯曲程度量化装置作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体，该微血管的弯曲程度量化装置应用于计算机设备，该方法包括：获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数和斜率参数；基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。
请参阅图2至图16，图2为本申请实施例中提供的微血管的弯曲程度量化方法的一个实施例流程示意图，该微血管的弯曲程度量化方法包括：
201、获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息。
胃黏膜，即胃腔内面的黏膜为胃黏膜，是胃壁的最内层。新鲜胃黏膜呈淡粉色。胃在空虚时或半充盈时，胃黏膜形成许多皱壁。胃小弯处约有4～5条纵行皱壁；胃大弯处多为横行或斜行皱壁；其他部分的皱壁形状不规则。胃黏膜由上皮、固有层及粘膜肌层3层组成。
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，即可获取胃粘膜染色放大图像，如图10所示。
其中，由于胃部属于消化功能的主要部位，其胃部以及其表面可能会存在食物或其他物质，为了确保获取的信息无噪音，因此可以选取清晰区域为目标区域。
具体的，如何获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息，在下述实施例中有详细介绍，在此不做赘述。
202、对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线。
其中，微血管中心线可以定义为到两端边界距离相等的点的连线，即过中心线上任意点做垂线，该点沿垂线方向到达两端血管壁的距离相等。
具体的，如何对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线在下述实施例中有详细介绍，在此不做赘述。
203、统计多个第一中心线的数目，得到多个第一中心线的数量参数。
由于一根血管，其弯折次数越多，通过角点检测后，它就被分成的段数越多，因此，通过统计多个第一中心线的数目，得到多个第一中心线的数量参数可以更加充分的反映血管的弯曲程度。
具体的，统计多个第一中心线的数目：
Figure 863276DEST_PATH_IMAGE001
。
204、对多个第一中心线进行第二预处理，得到多条近似直线。
205、计算多条近似直线中每条近似直线的倾斜角度参数和斜率参数。
具体的，在连通域基础上遍历步骤204中多条近似直线中每条近似直线，取首尾两 点坐标求该线段斜率，第
Figure 475523DEST_PATH_IMAGE002
段线段的倾斜角度为：
Figure 435520DEST_PATH_IMAGE003
；
其中，
Figure 666781DEST_PATH_IMAGE004
为第i段线段的起点坐标，
Figure 707418DEST_PATH_IMAGE005
为第i段线段的终点坐标。
在连通域基础上遍历步骤204中多条近似直线中每条近似直线，取首尾两点坐标 求该线段斜率，第
Figure 631512DEST_PATH_IMAGE002
段线段的斜率为：
Figure 374077DEST_PATH_IMAGE006
。
206、基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。
本申请提出的微血管的弯曲程度进行量化方法，通过开发通用的且可重复的程序，提供半自动和自动图像分析，对微血管扭曲程度进行量化，可协助内镜医师提高胃早癌分析和诊断的可靠性和准确率。本申请先获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数、斜率参数；最终基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。考虑了微血管中的多个中心线的相关参数，从而综合地对微血管地弯曲程度进行确定，提高了对微血管的弯曲程度进行量化的准确度，降低了内镜医师的误判率。
本申请实施例中，如图3所示，步骤201、获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息，包括步骤301至步骤304：
301、从胃黏膜染色放大图像中提取清晰区域图像。
具体的，可以采用U-Net分割模型从胃黏膜染色放大图像中提取清晰区域。
302、从清晰区域图像中提取微血管整图。
请参阅图11，进一步的，可以采用U-Net分割模型从清晰区域图像中提取微血管整图。
303、获取微血管整图的连通域的面积和与连通域对应的最小外接水平矩形。
请参阅图12至图13，具体的，本申请实施例可以通过opencv获取微血管整图的连通域的面积和与连通域对应的最小外接水平矩形。其中，图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。
本申请实施例中，在获取微血管整图的连通域的面积和与连通域对应的最小外接水平矩形之前，方法还包括：对微血管整图进行去噪处理，得到去噪后的微血管整图。
304、基于连通域的面积和最小外接水平矩形，确定微血管的轮廓信息。
具体的，找出步骤303中连通域的面积为最大的连通域即为目标的微血管；然后遍历目标的微血管的最小外接水平矩形中的所有像素点，采用面积和判断法判断每个像素点是否在目标的微血管对应的连通域内，由此选取所有在目标的微血管对应的连通域内的目标像素点，即可确定微血管的轮廓信息。
请参阅图16，其中，假设微血管连通域的顶点坐标为
Figure 409029DEST_PATH_IMAGE007
， 微血管最小外接水平矩形内某一像素点坐标为
Figure 241856DEST_PATH_IMAGE008
，如果该像素点在目标微血管连通 域内部，则其与连通域所有相邻顶点组成的三角形面积和为多边形面积，满足如下等式：
Figure 212217DEST_PATH_IMAGE009
；
对于微血管最小外接水平矩形内部不满足该等式的像素点将其像素值设置为背景像素。
本申请实施例中，如图4所示，步骤202、对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线，包括步骤401至步骤403：
401、提取微血管的轮廓信息对应的第二中心线。
请参阅图14，从图14中的V1到V2，具体的，可以采用Zhang-Suen细化算法处理微血管的轮廓信息，提取微血管的轮廓信息对应的中心线。
402、检测第二中心线中的角点。
具体的，从图14中的V2到V3，可以采用角点检测算法检测中心线上的角点。
403、删除第二中心线中的角点，得到微血管的多个第一中心线。
其中的多个第一中心线如图14中V3中的i、j以及k。
本申请实施例中，如图5所示，步骤204、对多个第一中心线进行第二预处理，得到多条近似直线，包括步骤501和步骤502：
501、从多个第一中心线中，筛选符合预设要求的多个第三中心线。
具体的，在连通域的基础上遍历多个第一中心线中的每个第一中心线，过滤掉面积小于预设阈值的中心线，筛选符合预设要求的多个第三中心线。本申请中的预设阈值可以设置为3。即预设要求为面积要不小于预设阈值。
502、确定多个第三中心线中每个第三中心线对应的近似直线。
具体的，在连通域的基础上遍历多个第三中心线中每个第三中心线，通过道格拉斯-普克算法求每各第三中心线对应的近似直线。
本申请实施例中，如图6所示，步骤206、基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化，包括步骤601至步骤602：
601、对多个目标中心线对应的近似直线中的每个目标近似直线的倾斜角度参数进行求和，得到第一目标中心线参数。
根据步骤205可知，在连通域基础上遍历步骤204中多条近似直线中每条近似直 线，取首尾两点坐标求该线段斜率，第
Figure 68178DEST_PATH_IMAGE002
段线段的倾斜角度为：
Figure 765876DEST_PATH_IMAGE010
；
进一步的，其中，
Figure 390892DEST_PATH_IMAGE011
为第i段线段的起点坐标，
Figure 296269DEST_PATH_IMAGE012
为第i段线段的终点 坐标，而后对整根血管中心线所有段的倾斜角度进行求和：
Figure 373946DEST_PATH_IMAGE013
。
602、对多个目标中心线对应的近似直线中的每个目标近似直线的斜率参数进行数值区间范围划分，得到第二目标中心线参数。
请参阅图15，根据步骤205可知，在连通域基础上遍历步骤204中多条近似直线中 每条近似直线（如图15中的n1、n2、nn），取首尾两点坐标求该线段斜率，第
Figure 140914DEST_PATH_IMAGE014
段线段的斜率为：
Figure 620437DEST_PATH_IMAGE015
。
进一步的，其中，
Figure 135863DEST_PATH_IMAGE011
为第i段线段的起点坐标，
Figure 825470DEST_PATH_IMAGE012
为第i段线段的终点 坐标，对斜率k进行数值区间范围划分
Figure 740337DEST_PATH_IMAGE016
；
而后对整根血管中心线所有段的斜率数值区间等效值进行求和：
Figure 713847DEST_PATH_IMAGE017
。
603、基于第一目标中心线参数、第二目标中心线参数以及多个目标中心线对应的近似直线的数量参数，对微血管的弯曲程度进行量化。
本申请实施例中，如图7所示，步骤603、基于第一目标中心线参数、第二目标中心线参数以及多个目标中心线对应的近似直线的数量参数，对微血管的弯曲程度进行量化，包括步骤701和步骤702：
701、对第一目标中心线参数、第二目标中心线参数以及多个目标中心线对应的近似直线的数量参数进行加权求和，得到微血管的弯曲程度系数。
具体的，对于上述实施例中获取的
Figure 321545DEST_PATH_IMAGE018
、
Figure 764028DEST_PATH_IMAGE019
、
Figure 482585DEST_PATH_IMAGE020
进行加权，以获得微血管弯曲程度系 数：
Figure 812067DEST_PATH_IMAGE021
；
其中
Figure 918563DEST_PATH_IMAGE022
，在本申请的一个具体实施例中，可选取
Figure 458129DEST_PATH_IMAGE023
，
Figure 613998DEST_PATH_IMAGE024
，
Figure 922620DEST_PATH_IMAGE025
。
702、基于微血管的弯曲程度系数和预设的弯曲程度判断阈值，对微血管的弯曲程度进行量化。
具体的，将微血管的弯曲程度系数和预设的弯曲程度判断阈值进行比较，当微血 管弯曲程度系数
Figure 996755DEST_PATH_IMAGE026
时，微血管为正常；当微血管弯曲程度系数
Figure 758038DEST_PATH_IMAGE027
时，微血管 呈一般弯曲；当微血管弯曲程度系数
Figure 959343DEST_PATH_IMAGE028
时，微血管严重弯曲。
需要说明的是，本申请中预设的弯曲程度判断阈值可根据实际需求进行调整。
为了更好实施本申请实施例中微血管的弯曲程度量化方法，在微血管的弯曲程度量化方法基础之上，本申请实施例中还提供一种微血管的弯曲程度量化装置，如图8所示，微血管的弯曲程度量化装置800包括第一获取单元801、第一预处理单元802、第一统计单元803、第二预处理单元804、第一计算单元805以及第一量化单元806：
第一获取单元801，用于获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；
第一预处理单元802，用于对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；
第一统计单元803，用于统计多个第一中心线的数目，得到多个第一中心线的数量参数；
第二预处理单元804，用于对多个第一中心线进行第二预处理，得到多条近似直线；
第一计算单元805，用于计算多条近似直线中每条近似直线的倾斜角度参数、斜率参数；
第一量化单元806，用于基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。
本申请实施例中，第一量化单元806，包括：
第一求和单元，用于对多个目标中心线对应的近似直线中的每个目标近似直线的倾斜角度参数进行求和，得到第一目标中心线参数；
第一划分单元，用于对多个目标中心线对应的近似直线中的每个目标近似直线的斜率参数进行数值区间范围划分，得到第二目标中心线参数；
第二量化单元，用于基于第一目标中心线参数、第二目标中心线参数以及多个目标中心线对应的近似直线的数量参数，对微血管的弯曲程度进行量化。
本申请实施例中，第二量化单元，具体用于：
对第一目标中心线参数、第二目标中心线参数以及多个目标中心线对应的近似直线的数量参数进行加权求和，得到微血管的弯曲程度系数；
基于微血管的弯曲程度系数和预设的弯曲程度判断阈值，对微血管的弯曲程度进行量化。
本申请实施例中，第一获取单元801，具体包括：
第一提取单元，用于从胃黏膜染色放大图像中提取清晰区域图像；
第二提取单元，用于从清晰区域图像中提取微血管整图；
第二获取单元，用于获取微血管整图的连通域的面积和与连通域对应的最小外接水平矩形；
第一确定单元，用于基于连通域的面积和最小外接水平矩形，确定微血管的轮廓信息。
本申请实施例中，在获取微血管整图的连通域的面积和与连通域对应的最小外接水平矩形之前，装置还用于：
对微血管整图进行去噪处理，得到去噪后的微血管整图。
本申请实施例中，第一预处理单元802，具体用于：
提取微血管的轮廓信息对应的第二中心线；
检测第二中心线中的角点；
删除第二中心线中的角点，得到微血管的多个第一中心线。
本申请实施例中，第二预处理单元804，具体用于：
从多个第一中心线中，筛选符合预设要求的多个第三中心线；
确定多个第三中心线中每个第三中心线对应的近似直线。
本申请提出的微血管的弯曲程度进行量化装置，通过开发通用的且可重复的程序，提供半自动和自动图像分析，对微血管扭曲程度进行量化，可协助内镜医师提高胃早癌分析和诊断的可靠性和准确率。本申请先第一获取单元801，获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；第一预处理单元802，对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；第一统计单元803，统计多个第一中心线的数目，得到多个第一中心线的数量参数；第二预处理单元804，对多个第一中心线进行第二预处理，得到多条近似直线；第一计算单元805，计算多条近似直线中每条近似直线的倾斜角度参数、斜率参数；最终第一量化单元806，基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。考虑了微血管中的多个中心线的相关参数，从而综合地对微血管地弯曲程度进行确定，提高了对微血管的弯曲程度进行量化的准确度，降低了内镜医师的误判率。
除了上述介绍用于微血管的弯曲程度量化方法与装置之外，本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种微血管的弯曲程度量化装置，计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述微血管的弯曲程度量化方法实施例中任一实施例中的任一方法的操作。
本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种微血管的弯曲程度量化装置。参阅图9，图9是本申请实施例提供的计算机设备一个实施例结构示意图。
如图9所示，其示出了本申请实施例所设计的微血管的弯曲程度量化装置的结构示意图，具体来讲：
该微血管的弯曲程度量化装置可以包括一个或者一个以上处理核心的处理器901、一个或一个以上计算机可读存储介质的存储单元902、电源903和输入单元904等部件。本领域技术人员可以理解，图9中示出的微血管的弯曲程度量化装置结构并不构成对微血管的弯曲程度量化装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器901是该微血管的弯曲程度量化装置的控制中心，利用各种接口和线路连接整个微血管的弯曲程度量化装置的各个部分，通过运行或执行存储在存储单元902内的软件程序和/或模块，以及调用存储在存储单元902的数据，执行微血管的弯曲程度量化装置的各种功能和处理数据，从而对微血管的弯曲程度量化装置进行整体监控。可选的，处理器901可包括一个或多个处理核心；优选的，处理器901可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器901中。
存储单元902可用于存储软件程序以及模块，处理器901通过运行存储在存储单元902的软件程序以及模块，从而执行各种功能应用以及数据处理。存储单元902可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据微血管的弯曲程度量化装置的使用所创建的数据等。此外，存储单元902可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储单元902还可以包括存储器控制器，以提供处理器901对存储单元902的访问。
微血管的弯曲程度量化装置还包括给各个部件供电的电源903，优选的，电源903可以通过电源管理系统与处理器901逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源903还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该微血管的弯曲程度量化装置还可包括输入单元904，该输入单元904可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，微血管的弯曲程度量化装置还可以包括显示单元等，在此不再赘述。具体在本申请实施例中，微血管的弯曲程度量化装置中的处理器901会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元902中，并由处理器901来运行存储在存储单元902中的应用程序，从而实现各种功能，如下：
获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数和斜率参数；基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。
本申请提出的微血管的弯曲程度进行量化方法，通过开发通用的且可重复的程序，提供半自动和自动图像分析，对微血管扭曲程度进行量化，可协助内镜医师提高胃早癌分析和诊断的可靠性和准确率。本申请先获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数、斜率参数；最终基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。考虑了微血管中的多个中心线的相关参数，从而综合地对微血管地弯曲程度进行确定，提高了对微血管的弯曲程度进行量化的准确度，降低了内镜医师的误判率。
为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random AccessMemory）、磁盘或光盘等。该计算机可读存储介质中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种微血管的弯曲程度量化方法中的步骤。例如，该指令可以执行如下步骤：
获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；对微血管的轮廓信息进行第一预处理，得到微血管的多个第一中心线；统计多个第一中心线的数目，得到多个第一中心线的数量参数；对多个第一中心线进行第二预处理，得到多条近似直线；计算多条近似直线中每条近似直线的倾斜角度参数和斜率参数；基于数量参数、倾斜角度参数以及斜率参数，对微血管的弯曲程度进行量化。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种微血管的弯曲程度量化方法、装置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；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种微血管的弯曲程度量化方法，其特征在于，所述方法包括：
获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；
对所述微血管的轮廓信息进行第一预处理，得到所述微血管的多个第一中心线；
统计所述多个第一中心线的数目，得到所述多个第一中心线的数量参数；
对所述多个第一中心线进行第二预处理，得到多条近似直线；
计算所述多条近似直线中每条近似直线的倾斜角度参数和斜率参数；
基于所述数量参数、所述倾斜角度参数以及所述斜率参数，对所述微血管的弯曲程度进行量化；
其中，所述基于所述数量参数、所述倾斜角度参数以及所述斜率参数，对所述微血管的弯曲程度进行量化，包括：
对所述多个目标中心线对应的近似直线中的每个目标近似直线的倾斜角度参数进行求和，得到第一目标中心线参数；
对所述多个目标中心线对应的近似直线中的每个目标近似直线的斜率参数进行数值区间范围划分，得到第二目标中心线参数；
基于所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数，对所述微血管的弯曲程度进行量化。
2.根据权利要求1所述的微血管的弯曲程度量化方法，其特征在于，所述基于所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数，对所述微血管的弯曲程度进行量化，包括：
对所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数进行加权求和，得到所述微血管的弯曲程度系数；
基于所述微血管的弯曲程度系数和预设的弯曲程度判断阈值，对所述微血管的弯曲程度进行量化。
3.根据权利要求1所述的微血管的弯曲程度量化方法，其特征在于，所述获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息，包括：
从所述胃黏膜染色放大图像中提取清晰区域图像；
从所述清晰区域图像中提取微血管整图；
获取所述微血管整图的连通域的面积和与所述连通域对应的最小外接水平矩形；
基于所述连通域的面积和所述最小外接水平矩形，确定所述微血管的轮廓信息。
4.根据权利要求3所述的微血管的弯曲程度量化方法，其特征在于，在获取所述微血管整图的连通域的面积和与所述连通域对应的最小外接水平矩形之前，所述方法还包括：
对所述微血管整图进行去噪处理，得到去噪后的微血管整图。
5.根据权利要求1所述的弯曲程度量化方法，其特征在于，所述对所述微血管的轮廓信息进行第一预处理，得到所述微血管的多个第一中心线，包括：
提取所述微血管的轮廓信息对应的第二中心线；
检测所述第二中心线中的角点；
删除所述第二中心线中的角点，得到所述微血管的多个第一中心线。
6.根据权利要求1所述的微血管的弯曲程度量化方法，其特征在于，所述对所述多个第一中心线进行第二预处理，得到多条近似直线，包括：
从所述多个第一中心线中，筛选符合预设要求的多个第三中心线；
确定所述多个第三中心线中每个第三中心线对应的近似直线。
7.一种微血管的弯曲程度量化装置，其特征在于，所述装置包括：
第一获取单元，用于获取胃黏膜染色放大图像中目标区域的微血管的轮廓信息；
第一预处理单元，用于对所述微血管的轮廓信息进行第一预处理，得到所述微血管的多个第一中心线；
第一统计单元，用于统计所述多个第一中心线的数目，得到所述多个第一中心线的数量参数；
第二预处理单元，用于对所述多个第一中心线进行第二预处理，得到多条近似直线；
第一计算单元，用于计算所述多条近似直线中每条近似直线的倾斜角度参数、斜率参数；
第一量化单元，用于基于所述数量参数、所述倾斜角度参数以及所述斜率参数，对所述微血管的弯曲程度进行量化；
其中，所述第一量化单元，包括：
第一求和单元，用于对所述多个目标中心线对应的近似直线中的每个目标近似直线的倾斜角度参数进行求和，得到第一目标中心线参数；
第一划分单元，用于对所述多个目标中心线对应的近似直线中的每个目标近似直线的斜率参数进行数值区间范围划分，得到第二目标中心线参数；
第二量化单元，用于基于所述第一目标中心线参数、所述第二目标中心线参数以及所述多个目标中心线对应的近似直线的数量参数，对所述微血管的弯曲程度进行量化。
8.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至6中任一项所述的微血管的弯曲程度量化方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至6任一项所述的微血管的弯曲程度量化方法中的步骤。
CN202111207290.3A 2021-10-18 2021-10-18 微血管的弯曲程度量化方法、装置及计算机可读存储介质 Active CN113643299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111207290.3A CN113643299B (zh) 2021-10-18 2021-10-18 微血管的弯曲程度量化方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111207290.3A CN113643299B (zh) 2021-10-18 2021-10-18 微血管的弯曲程度量化方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113643299A CN113643299A (zh) 2021-11-12
CN113643299B true CN113643299B (zh) 2021-12-17

Family

ID=78427254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111207290.3A Active CN113643299B (zh) 2021-10-18 2021-10-18 微血管的弯曲程度量化方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113643299B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359280B (zh) * 2022-03-18 2022-06-03 武汉楚精灵医疗科技有限公司 胃黏膜图像边界量化方法、装置、终端及存储介质
CN115661150B (zh) * 2022-12-26 2023-03-28 武汉楚精灵医疗科技有限公司 鼻咽腔内镜图像异常的识别方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008035425A1 (fr) * 2006-09-21 2008-03-27 Tak Co., Ltd. analyse d'image de fond de l'oeil et programme
WO2019013779A1 (en) * 2017-07-12 2019-01-17 Mohammed Alauddin Bhuiyan AUTOMATED DETECTION AND QUANTIFICATION OF BLOOD VESSEL CHARACTERISTICS FOR RETINAL IMAGE CLASSIFICATION AND DISEASE SCREENING
CN109166124B (zh) * 2018-11-20 2021-12-14 中南大学 一种基于连通区域的视网膜血管形态量化方法
CN113205492B (zh) * 2021-04-26 2022-05-13 武汉大学 胃粘膜染色放大成像的微血管扭曲程度量化方法
CN113470102A (zh) * 2021-06-23 2021-10-01 依未科技(北京)有限公司 高精度测量眼底血管弯曲度的方法、装置、介质和设备

Also Published As

Publication number Publication date
CN113643299A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113643299B (zh) 微血管的弯曲程度量化方法、装置及计算机可读存储介质
CN108038875B (zh) 一种肺部超声图像识别方法和装置
WO2022121170A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序
CN114419521B (zh) 肠道内镜检查的监控方法及装置
CN115393356B (zh) 目标部位异常形态识别方法、装置及计算机可读存储介质
CN113658179B (zh) 肠道清洁度的检测方法及装置
CN115035152B (zh) 医学图像处理方法、装置以及相关设备
JP6704933B2 (ja) 画像処理装置、画像処理方法およびプログラム
CN113822897A (zh) 血管分割方法、终端及计算机可读存储介质
CN113823400A (zh) 肠道退镜速度监测方法、装置及计算机可读存储介质
CN114417037B (zh) 图像处理方法、装置、终端及可读存储介质
CN115423819A (zh) 肺血管的分割方法及装置、电子设备和存储介质
CN114464316B (zh) 胃部异常风险等级预测方法、装置、终端及可读存储介质
CN116703929A (zh) 腺管极性紊乱程度参数的确定方法及装置
CN114419135B (zh) 胰腺标志物尺寸量化方法、装置、终端及可读存储介质
CN114359280B (zh) 胃黏膜图像边界量化方法、装置、终端及存储介质
CN114419041B (zh) 病灶颜色的识别方法及装置
CN114511558A (zh) 肠道清洁度的检测方法及装置
CN114419050B (zh) 胃黏膜可视化程度量化方法、装置、终端及可读存储介质
CN114511045B (zh) 图像处理方法、装置、终端及计算机可读存储介质
CN114511566A (zh) 医学图像中基底膜定位线检测方法及相关装置
CN114359278B (zh) 胃黏膜微结构排列规范程度量化方法、终端及存储介质
CN115018795B (zh) 医学影像中的病灶的匹配方法、装置、设备及存储介质
CN115553753B (zh) 胆结石的风险预警装置及相关设备
CN115661150B (zh) 鼻咽腔内镜图像异常的识别方法及装置

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