CN114022481A - 食管癌乏血管区域大小的确定方法和系统 - Google Patents
食管癌乏血管区域大小的确定方法和系统 Download PDFInfo
- Publication number
- CN114022481A CN114022481A CN202210011023.7A CN202210011023A CN114022481A CN 114022481 A CN114022481 A CN 114022481A CN 202210011023 A CN202210011023 A CN 202210011023A CN 114022481 A CN114022481 A CN 114022481A
- Authority
- CN
- China
- Prior art keywords
- blood
- values
- vessel
- blood vessel
- region
- 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
- 208000000461 Esophageal Neoplasms Diseases 0.000 title claims abstract description 135
- 201000004101 esophageal cancer Diseases 0.000 title claims abstract description 135
- 206010030155 Oesophageal carcinoma Diseases 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 68
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 260
- 239000008280 blood Substances 0.000 claims description 138
- 210000004369 blood Anatomy 0.000 claims description 138
- 238000013139 quantization Methods 0.000 claims description 75
- 238000010186 staining Methods 0.000 claims description 53
- 238000012512 characterization method Methods 0.000 claims description 36
- 230000003321 amplification Effects 0.000 claims description 34
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000002792 vascular Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000004043 dyeing Methods 0.000 abstract 1
- 206010028980 Neoplasm Diseases 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000003709 image segmentation Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010061534 Oesophageal squamous cell carcinoma Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 208000036765 Squamous cell carcinoma of the esophagus Diseases 0.000 description 1
- 230000033115 angiogenesis Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011846 endoscopic investigation Methods 0.000 description 1
- 208000007276 esophageal squamous cell carcinoma Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种食管癌乏血管区域大小的确定方法和系统，涉及医疗辅助技术领域，解决了目前缺乏对乏血管区域进行精准测量的问题，方法包括获取食管癌染色放大图像和食管癌染色放大图像中的乏血管区域图像；根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值；根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。本申请通过对乏血管区域图像进行量化得到多个不同类型的量化表征值，根据多个量化表征值得到乏血管区域大小最终量化值和乏血管区域大小结果，实现了对食管癌染色放大图像内镜食管癌乏血管区域大小的识别和精准测量，有效辅助内镜医师预测食管癌深度。
Description
技术领域
本申请涉及医疗辅助技术领域，具体涉及一种食管癌乏血管区域大小的确定方法和系统。
背景技术
肿瘤尤其是恶性肿瘤是人类死亡最重要的杀手之一，肿瘤的发生发展伴随着一些列肿瘤内微血管的变化。肿瘤的血管是肿瘤代谢的关键途径, 是一种病理过程，其生长过程包括血管前期和血管期两个阶段。肿瘤的微血管形成与肿瘤的生长、浸润、转移及预后均有密切的关系。研究表明，肿瘤微血管密度作为衡量血管生成的标准之一，与肿瘤的恶性行为和复发转移密切相关。由于肿瘤新生血管分布的异质性，即肿瘤中心带的血管稀疏甚至缺如，肿瘤外带血管密集，即形成肿瘤乏血管区域。
食管癌作为一种高发病率、高致死率的恶性肿瘤，其发病率在全世界范围内居恶性肿瘤的第八位，死亡率居第六位。我国亦是食管癌的高发国，其中食管鳞状细胞癌为我国90%以上食管癌患者的病理类型，而内镜技术被广泛的应用与食管癌的筛查以及食管癌性质的评估。
为了更好的预测食管癌的浸润深度，选择合适的治疗方式，Inoue和Arima等人根据染色放大内镜下观察到的食管癌上皮内毛细血管袢扩张的形状和程度都对其进行了不同分型，日本食管学会 (Japan Esophagus Society，JES)也提出了JES分型，将上皮内毛细血管袢形态分为A、B两型，并将食管癌表面乏血管区(avasculararea, AVA)进行了分型，根据无血管区域大小，直径<0.5mm者为小AVA (AVA-smal1)，0.5mm≤直径＜3mm者为中AVA(AVA-middle) ，直径＞3mm大AVA (AVA-large)，根据AVA的分型可判断肿瘤的浸润深度，辅助决策食管癌切除的手术方式。
然而在临床使用过程中，临床医生存在对AVA区域的认知不同，造成AVA识别差异。同时，由于放大内镜参数的变化较大，而内镜医师无法准确获得当前视野的放大倍数等信息，并且缺乏对AVA区域进行精准测量的手段，在临床决策过程中，医师对AVA的识别更倾向于经验性评估，AVA量化标准难以统一，直接影响食管癌深度的判断。
发明内容
本申请提供能够对食管癌AVA的精准测量，有效辅助内镜医师预测食管癌深度，辅助临床决策的一种食管癌乏血管区域大小的确定方法和系统。
一方面，本申请提供一种食管癌乏血管区域大小的确定方法，包括：
获取食管癌染色放大图像；
对所述食管癌染色放大图像进行分割，得到所述食管癌染色放大图像中的乏血管区域图像；
根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值；
根据所述多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
另一方面，本申请提供一种食管癌乏血管区域大小的确定系统，所述系统包括：
获取单元，用于获取食管癌染色放大图像；
分割单元，用于对所述食管癌染色放大图像进行分割，得到所述食管癌染色放大图像中的乏血管区域图像；
量化单元，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值；
判定单元，根据所述多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
本申请通过对食管癌染色放大图像进行分割得到乏血管区域图像，并对乏血管区域图像进行识别和量化，得到多个不同类型的量化表征值，根据多个不同类型的量化表征值得到乏血管区域大小最终量化值和乏血管区域大小结果，实现了对食管癌染色放大图像内镜食管癌乏血管区域大小的识别和精准测量，有效辅助内镜医师预测食管癌深度。
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发明的一些实施例，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食管癌乏血管区域大小的确定方法的一个实施例流程示意图；
图2是本申请实施例中提供的食管癌乏血管区域大小的确定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食管癌染色放大图像的尺寸缩放示意图；
图4是本申请实施例中提供的Unet网络的示意图；
图5是本申请实施例中提供的食管癌乏血管区域的示意图；
图6是本申请实施例中提供的食管癌乏血管区域大小的确定系统的一个实施例结构示意图；
图7是本申请实施例中提供的设备的一个实施例结构示意图。
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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，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。在本发明的描述中，“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发明，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发明。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发明的描述变得晦涩。因此，本发明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食管癌乏血管区域大小的确定方法和系统，以下分别进行详细说明。
如图1和图2所示，为本申请实施例中食管癌乏血管区域大小的确定方法的实施例流程示意图，该食管癌乏血管区域大小的确定方法包括以下步骤101~104：
101、获取食管癌染色放大图像。
食管癌染色放大图像是指通过食管染色放大内镜输出的包含有食道癌的内镜图像，该内镜图像可以是白光图像、窄带成像放大窥镜图像（ME-NBI图像）或者两者的组合。在临床使用过程中，通过在食管染色放大内镜中设置放大内镜参数，并采集放大内镜参数对应视野的图像，得到食管癌染色放大图像。
102、对食管癌染色放大图像进行分割，得到食管癌染色放大图像中的乏血管区域图像。
血管区域是指食管癌染色放大图像中包含有血管信息的区域图像，乏血管区域是指被癌性微血管所包围的区域图像，具有更丰富的癌性微血管的信息。
在本实施例中，通过预设的图像分割模型对得到的食管癌染色放大图像进行分割，预设的图像分割模型为预先设定的用于从图像中的识别出目标区域的机器学习模型，且该图像分割模型中包括两种图像分割模型，分别用于提取血管区域和乏血管区域。具体地，将食管癌染色放大图像分别作为两种图像分割模型的输入，该两种图像分割模型的输出分别为多个血管区域及乏血管区域。可以理解地，本实施例中通过提取多个血管区域及乏血管区域，以便后续基于该血管区域及乏血管区域获取各个局部区域进行识别和量化，实现食管癌乏血管区域大小的识别和精准测量。
103、根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值。
乏血管区域包含多个类型的属性，例如，包含乏血管区域的面积、乏血管区域的圆度以及乏血管区域的短长轴比值等属性，乏血管区域图像中每个类型的属性均对应有多个不同类型的量化表征值。在本实施例中，采用属性提取方法对乏血管区域进行不同类型的属性提取，再计算得到量化表征值。其中，特征提取方法可以是人工属性提取方法结合基于图像属性分析的算法，如像素邻域均值计算、最大像素值提取等。本实施例中实现了对乏血管区域的各个属性表征值的量化计算，以便后续基于该多个量化表征值计算得到乏血管区域大小最终量化值，并准确分析出乏血管区域大小结果。
104、根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
基于乏血管区域图像计算得到多个不同类型的量化表征值后，将多个不同类型的量化表征值进行综合分析，可以采用人工或者训练机器学习的方式进行计算分析，得到乏血管区域大小最终量化值，再根据经验或者已经设定好的与食管癌乏血管量化相关的判定系数，基于乏血管区域大小最终量化值对食管癌乏血管区域大小进行判断，最终得到准确的乏血管区域大小结果。其中，训练机器学习方法可以是基于决策树、随机森林等机器学习模型训练得到的方法。
在本申请的另一个实施例中，对食管癌染色放大图像进行分割，得到食管癌染色放大图像中的乏血管区域图像，包括：
在对食管癌染色放大图像进行分割之前，对食管癌染色放大图像进行尺寸缩放，得到尺寸缩放后的食管癌染色放大图像，具体的：
在本实施例中，设定食管癌染色放大图像的图像尺寸为(w0, h0)，w0为食管癌染色放大图像的横边长度值，h0为食管癌染色放大图像的纵边长度值，目标设定目标尺寸为(w*,h*)，在本实施例中，目标设定目标尺寸可以设定为(512,512)，这里不做具体限定。
将调整尺寸后的食管癌染色放大图像按照设定的缩放系数进行缩放，缩放系数设定为τ=min(w*/w0, h*/h0)，缩放后食管癌染色放大图像的尺寸为(int(w0*τ),int(h0*τ))；再将食管癌染色图像的边界进行填充，使食管癌染色放大图像居于显示画面的中间，在本实施例中，可以对食管癌染色放大图像的边缘填充黑边，填充的宽边宽度和长边宽度具体为：宽边填充宽度w▽=(w*-int(w0*τ))/2，长边填充宽度：h▽=(h*-int(h0*τ))/2，如图3所示，对于食管癌染色放大图像a1，对长边边缘填充黑边后的图像如食管癌染色放大图像a2所示，对于食管癌染色放大图像b1，对宽边边缘填充黑边后的图像如食管癌染色放大图像b2所示，填充后的图像如食管癌染色放大图像a2和食管癌染色放大图像b2的图像尺寸均为(512,512)。
即通过对采集的食管癌染色放大图像进行尺寸调整、大小缩放以及边界填充后，得到尺寸缩放后的食管癌染色放大图像。
在本实施例中，采用预设的图像分割模型对尺寸缩放后的食管癌染色放大图像进行分割，具体的，采用Unet图像分割模型进行乏血管区域分割得到乏血管区域图像，乏血管区域图像的分割效果如图4所示。
在根据多个不同类型的量化表征值计算得到乏血管区域大小最终量化值之前，先根据分割得到的乏血管区域图像进行量化分析，得到多个不同类型的量化表征值，在本实施例中，多个不同类型的量化表征值包括乏血管面积量化表征值、乏血管圆度量化表征值、乏血管面积和占比量化表征值、乏血管长轴长度量化表征值、乏血管短长轴比值量化表征值，下面具体对各个不同类型的量化表征值分析分别进行阐述。
在本申请的另一个实施例中，根据分割得到的乏血管区域图像进行乏血管面积量化，得到乏血管面积量化表征值。具体的，根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值，包括以下步骤201~203：
201、计算乏血管区域图像中多个连通域的面积，得到多个乏血管连通域面积。
首先，遍历乏血管区域图像中每个连通域，其中，乏血管区域图像的连通域是指乏血管区域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，一般情况下，一个连通域内只包含一个像素值。
计算并记录乏血管区域图像中多个连通域的面积，并将计算得到的乏血管区域图像的多个连通域面积并储存为面积列表，具体的，设定面积值AVA_S0为遍历乏血管区域图像的第一个连通域的面积值，以此类推，设定面积值AVA_SM为遍历乏血管区域图像的第M个连通域的面积值，最终计算得到的乏血管区域图像每个连通域的面积列表为[AVA_S0,AVA_S1…AVA_Si…AVA_SM]。
在本实施例中，可以采用matlab中连通区域标记函数bwlabel中使用的算法对乏血管区域图像中每个连通域进行遍历，OpenCV支持大量的轮廓、边缘、边界的相关函数，因此也可以采用开源库OpenCV中使用的标记函数对乏血管区域图像中每个连通域进行遍历，这里不做限定。可以采用开源库OpenCV中的算法，计算乏血管区域图像中多个连通域的面积，后续也可以采用开源库OpenCV中的算法，计算乏血管区域图像中每个连通域的最小水平外接矩形的宽和高、每个连通域最小水平外接矩形的第一目标坐标点和第二目标坐标点以及每个连通域的长轴长度等，这里不做具体限定。
202、删除多个乏血管连通域面积中的面积奇异值，得到删除面积奇异值后的多个乏血管连通域面积。
为了提高乏血管区域图像中多个连通域的面积值的精准度，需将多个乏血管连通域面积中的面积奇异值删除，删除多个乏血管连通域面积中的面积奇异值，得到删除面积奇异值后的多个乏血管连通域面积，具体为：
根据乏血管区域图像的多个乏血管连通域面积值，计算多个乏血管连通域面积值的面积均值和面积方差；根据面积均值和面积方差，对每个乏血管连通域面积值进行面积奇异值判断，得到面积奇异值判断结果；删除面积奇异值判断结果中不符合要求的乏血管连通域面积值，即删除多个乏血管连通域面积中的面积奇异值，得到新的面积列表，新的面积列表包括多个非面积奇异值的乏血管连通域面积值。
在本实施例中，根据乏血管区域图像的多个乏血管连通域面积值计算面积均值的公式具体为：
根据乏血管区域图像的多个乏血管连通域面积值计算面积方差的公式具体为：
其中，i为乏血管区域图像中第i个乏血管连通域；AVA_Si为乏血管区域图像中第i个乏血管连通域对应的乏血管连通域面积；AVA_Smean为[AVA_S0,AVA_S1…AVA_Si…AVA_SM]的面积均值；AVA_Sstd为[AVA_S0,AVA_S1…AVA_Si…AVA_SM]的面积方差。
当第i个乏血管连通域面积值AVA_Si满足AVA_Si-AVA_Smean<-2×AVA_Sstd或者AVA_Si-AVA_Smean>2×AVA_Sstd时，则表示该第i个乏血管连通域面积值AVA_Si为面积奇异值，将多个乏血管连通域面积值AVA_Si中所有面积奇异值删除，最终将多个非面积奇异值的乏血管连通域面积值AVA_Si构成新的面积列表[AVA_S0,AVA_S1…AVA_Si…AVA_SN]，其中，N为新的面积列表中乏血管连通域面积值的总数量。
203、确定删除面积奇异值后的多个乏血管连通域面积中的最大值为乏血管面积量化表征值。
由于乏血管连通域中面积最大的连通域所构成的图像最接近于乏血管区域图像，因此在本实施例中，确定删除面积奇异值后的多个乏血管连通域面积值中的最大值作为乏血管面积量化表征值。
具体的，AVA_Smax=max[AVA_S0,AVA_S1…AVA_Si…AVA_SN]其中，乏血管连通域面积值AVA_Smax为删除面积奇异值后的多个乏血管连通域面积中的最大值，在本实施例中，将乏血管连通域面积值AVA_Smax作为乏血管面积量化表征值。
在本申请的另一个实施例中，根据分割得到的乏血管区域图像进行乏血管圆度量化，得到乏血管圆度量化表征值。具体的，根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值，包括以下步骤301~304：
301、获取每个连通域的最小水平外接矩形的目标圆半径。
获取每个连通域的最小水平外接矩形的目标圆半径，具体包括：
在连通域的基础上遍历乏血管区域图像中每一个连通域，确定乏血管区域图像中每个连通域的最小水平外接矩形的宽和高，得到多个最小外接矩形宽值和多个最小外接矩形高值；根据多个最小外接矩形宽值和多个最小外接矩形高值，确定多个分别与多个连通域的最小水平外接矩形对应的目标圆半径。
具体的，在本实施例中，如图5所示，具体如图5中的A3所示，设定得到的每个连通域的最小水平外接矩形的宽值W2i，高值H2i，以每个连通域最小水平外接矩形的对称中心作为目标圆的圆心，以每个连通域的最小水平外接矩形的宽值为W2i中的最大值和每个连通域的最小水平外接矩形的高值H2i中的最大值来确定目标圆的半径，根据最小水平外接矩形的宽值为W2i中的最大值和最小水平外接矩形的高值H2i中的最大值确定目标圆半径ri的具体公式为：
ri=(max(W2i,H2i))/2
其中，i表示为乏血管区域图像中的第i连通域，ri即为目标圆半径。
302、根据多个目标圆半径和多个乏血管连通域面积，确定多个分别与多个连通域的最小水平外接矩形对应的乏血管圆度量化值。
在本实施例中，根据目标圆半径和乏血管连通域面积，确定连通域的最小水平外接矩形对应的乏血管圆度量化值的具体公式为：
其中，i表示为乏血管区域图像中的第i连通域，ri为乏血管区域图像中第i连通域的目标圆半径，AVA_Si为乏血管区域图像中第i个连通域的乏血管连通域面积值，AVA_Ci为乏血管区域图像中第i个连通域的乏血管圆度量化值。
将乏血管区域图像中多个连通域的目标圆半径和乏血管连通域面积代入计算，得到多个分别与多个连通域的最小水平外接矩形对应的乏血管圆度量化值，最终形成乏血管圆度量化值列表[AVA_C0,AVA_C1…AVA_Ci…AVA_CM]，其中，M为乏血管圆度量化值列表中乏血管圆度量化值的总数量。
303、删除多个乏血管圆度量化值中的圆度奇异值，得到删除圆度奇异值后的多个乏血管圆度量化值。
为了提高乏血管区域图像中多个乏血管圆度量化值的精准度，需将多个乏血管圆度量化值中的圆度奇异值删除，删除多个乏血管圆度量化值中的圆度奇异值，得到删除圆度奇异值后的多个乏血管圆度量化值，具体包括：
根据乏血管区域图像的多个乏血管圆度量化值，计算多个乏血管圆度量化值的圆度均值和圆度方差；根据圆度均值和圆度方差，对每个乏血管圆度量化值进行圆度奇异值判断，得到圆度奇异值判断结果；删除圆度奇异值判断结果中不符合要求的乏血管圆度量化值，即删除多个乏血管圆度量化值中的圆度奇异值，得到新的乏血管圆度量化值列表，新的乏血管圆度量化值列表包括多个圆度奇异值的乏血管圆度量化值。
在本实施例中，根据乏血管区域图像的多个乏血管圆度量化值计算圆度均值的公式具体为：
根据乏血管区域图像的多个乏血管圆度量化值计算圆度方差的公式具体为：
其中，i为乏血管区域图像中第i个乏血管连通域；AVA_Ci为乏血管区域图像中第i个乏血管连通域对应的乏血管圆度量化值；AVA_Cmean为[AVA_C0,AVA_C1…AVA_Ci…AVA_CM]圆度均值；AVA_Cstd为[AVA_C0,AVA_C1…AVA_Ci…AVA_CM]的圆度方差。
当第i个乏血管圆度量化值AVA_Ci满足AVA_Ci-AVA_Cmean<-2×AVA_Cstd或者AVA_Ci-AVA_Cmean>2×AVA_Cstd时，则表示该第i个乏血管圆度量化值AVA_C i 为圆度奇异值，将多个乏血管圆度量化值AVA_Ci中所有圆度奇异值删除，最终将多个非圆度奇异值的乏血管圆度量化值AVA_Ci构成新的乏血管圆度量化值列表[AVA_C0,AVA_C1…AVA_Ci…AVA_CN]，其中，N为新的乏血管圆度量化值列表中乏血管圆度量化值的总数量。
304、根据删除圆度奇异值后的多个乏血管圆度量化值，确定乏血管圆度量化表征值。
得到删除圆度奇异值后的乏血管圆度量化值列表[AVA_C0,AVA_C1…AVA_Ci…AVA_CN]后，根据得到的新的乏血管圆度量化值列表[AVA_C0,AVA_C1…AVA_Ci…AVA_CN]计算第二圆度均值，将得到的第二圆度均值作为乏血管圆度量化表征值。
具体的，根据新的乏血管圆度量化值列表，计算第二圆度均值的具体公式为：
其中，j为乏血管区域图像中第j个乏血管连通域，N为乏血管区域图像中乏血管区域的个数，AVA_Cmean1为第二圆度均值，在本实施例中，将计算得到的第二圆度均值AVA_Cmean1作为乏血管圆度量化表征值。
在本申请的另一个实施例中，根据分割得到的乏血管区域图像进行乏血管面积和占比量化，得到乏血管面积和占比量化表征值。具体的，根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值，包括以下步骤401~404：
401、确定乏血管区域图像中每个连通域的最小水平外接矩形的第一目标坐标点和第二目标坐标点。
依据步骤201中给出的步骤，计算并记录乏血管区域图像中多个连通域的面积，并将计算得到的乏血管区域图像的多个连通域面积值并储存为面积列表[AVA_S0,AVA_S1…AVA_Si…AVA_SM]。在本实施例中，在遍历多个连通域并计算得到多个连通域面积的同时，记录并储存乏血管区域图像中每个连通域最小水平外接矩形的第一目标坐标点和第二目标坐标点。
具体的，第一目标坐标点和第二目标坐标点是以最小水平外接矩形的对称中心对称的两个点，示例性的，第一目标坐标点可以是最小水平外接矩形的左上方的坐标点，此时第二目标坐标点则可以是最小水平外接矩形的右下方的坐标点，同理，第一目标坐标点可以是最小水平外接矩形的右下方的坐标点，此时第二目标坐标点则可以是最小水平外接矩形的左上方的坐标点，这里对第一目标坐标点和第二目标坐标点的对称位置不做更加具体的限定。
在本实施例中，在得到与多个连通域的最小水平外接矩形分别对应的多个第一目标坐标点和多个第二目标坐标点之后，方法还包括：根据多个第一目标坐标点和多个第二目标坐标点，确定与乏血管区域图像对应的坐标列表。
具体的，当得到的第一个第一目标坐标点的坐标为(x01,y01)，第二个第一目标坐标点的坐标为(x11,y11)时，以此类推，第i个第一目标坐标点的坐标为(xi1,yi1)，将多个第一目标坐标点整合为列表，最终得到多个第一目标坐标点的坐标列表为：[x01,x11…xi1…xM1]，[y01,y11…yi1…yM1]。
同理，当得到的第一个第二目标坐标点的坐标为(x02,y02)，第二个第二目标坐标点的坐标为(x12,y12)时，以此类推，第i个第二目标坐标点的坐标为(xi2,yi2)，将多个第二目标坐标点整合为列表，最终得到多个第二目标坐标点的坐标列表为：[x02,x12…xi2…xM2]，[y02,y12…yi2…yM2]，具体如图5中A1和A2的所示。
402、删除多个第一目标坐标点和多个第二目标坐标点中的坐标点奇异值，得到删除坐标点奇异值后的多个第一目标坐标点和多个第二目标坐标点。
为了提高最后得到的多个乏血管面积和占比量化值的精准度，需要将多个乏血管连通域面积中的面积奇异值删除，并将多个第一目标坐标点和多个第二目标坐标点中的坐标点奇异值删除。其中，将多个乏血管连通域面积中的面积奇异值删除的具体方式可以参照本方案中的步骤202，这里不做过多赘述。
在本实施例中，第一目标坐标点包括第一X轴坐标点和与第一X轴坐标点对应的第一Y轴坐标点，第二目标坐标点包括第二X轴坐标点和与第二X轴坐标点对应的第二Y轴坐标点。当第一目标坐标点中的第一X轴坐标点（或第一Y轴坐标点）存在坐标点奇异值时，可以认为与其对应的第一Y轴坐标点（或第一X轴坐标点）同样存在坐标点奇异值，同理，当第二目标坐标点中的第二X轴坐标点（或第二Y轴坐标点）存在坐标点奇异值时，可以认为与其对应的第二Y轴坐标点（或第二X轴坐标点）同样存在坐标点奇异值。
因此，删除多个第一目标坐标点和多个第二目标坐标点中的坐标点奇异值，得到删除坐标点奇异值后的多个第一目标坐标点和多个第二目标坐标点，具体包括：
（1）删除多个第一目标坐标点中的坐标点奇异值，得到删除坐标点奇异值后的多个第一目标坐标点；
根据乏血管区域图像中每个连通域最小水平外接矩形的多个第一目标坐标点，计算多个第一X轴坐标点的第一X轴坐标点均值和第一X轴坐标点方差，以及多个第一Y轴坐标点的第一Y轴坐标点均值和第一Y轴坐标点方差；
根据第一X轴坐标点均值和第一X轴坐标点方差（或者第一Y轴坐标点均值和第一Y轴坐标点方差），对多个第一目标坐标点中坐标点奇异值进行判断，得到坐标点奇异值判断结果；
删除坐标点奇异值判断结果中不符合要求的第一目标坐标点，即删除多个第一目标坐标点中的坐标点奇异值，得到新的第一目标坐标点的坐标列表。
（2）删除多个第二目标坐标点中的坐标点奇异值，得到删除坐标点奇异值后的多个第二目标坐标点；
根据乏血管区域图像中每个连通域最小水平外接矩形的多个第二目标坐标点，计算多个第二X轴坐标点的第二X轴坐标点均值和第二X轴坐标点方差，以及多个第二Y轴坐标点的第二Y轴坐标点均值和第二Y轴坐标点方差；
根据第二X轴坐标点均值和第二X轴坐标点方差（或者第二Y轴坐标点均值和第二Y轴坐标点方差），对多个第二目标坐标点中坐标点奇异值进行判断，得到坐标点奇异值判断结果；
删除坐标点奇异值判断结果中不符合要求的第二目标坐标点，即删除多个第二目标坐标点中的坐标点奇异值，得到新的第二目标坐标点的坐标列表。
由于多个第一目标坐标点和多个第二目标坐标点处理坐标点奇异值的方式相同，因此，在本实施例中，主要以多个第一目标坐标点中的多个第一X轴坐标点为例，对删除坐标点奇异值的具体方案进行详细阐述。
根据乏血管区域图像中多个连通域最小水平外接矩形的第一X轴坐标点，计算第一X轴坐标点均值的公式具体为：
根据乏血管区域图像中多个连通域最小水平外接矩形的第一X轴坐标点，计算第一X轴坐标点方差的公式具体为：
其中，i为乏血管区域图像中第i个乏血管连通域，xi1为乏血管区域图像中第i个（乏血管连通域对应的最小水平外接矩形的）第一X轴坐标点，AVA_Xmean为[x01,x11…xi1…xM1]的第一X轴坐标点均值，AVA_Xstd为[x01,x11…xi1…xM1]的第一X轴坐标点方差。
当第i个第一X轴坐标点xi1满足xi1-AVA_Xmean<-2×AVA_Xstd或者xi1-AVA_Xmean>2×AVA_Xstd时，则表示该第i个第一X轴坐标点xi1为坐标点奇异值，将多个第一X轴坐标点xi1中所有坐标点奇异值删除，最终将多个非坐标点奇异值的第一X轴坐标点xi1构成新的面积列表[x01,x11…xN1]，其中，N为新的面积列表中第一X轴坐标点xi1的总数量。
同理分析出多个第一目标坐标点中第一Y轴坐标点yi1构成新的面积列表为[y01,y11…yN1]，N为新的面积列表中第一Y轴坐标点yi1的总数量；多个第二目标坐标点中第二X轴坐标点xi2构成新的面积列表为[x02,x12…xN2]，N为新的面积列表中第二X轴坐标点xi2的总数量；多个第二目标坐标点中第二Y轴坐标点yi2构成新的面积列表为[y02,y12…yN2]，N为新的面积列表中第二Y轴坐标点yi2的总数量。
403、根据删除坐标点奇异值后的多个第一目标坐标点和多个第二目标坐标点，确定乏血管区域图像中的乏血管区域外接水平矩形的第三目标坐标点和第四目标坐标点。
在本实施例中是根据多个第一目标坐标点中的最小第一X轴坐标点和最小第一Y轴坐标点，以及多个第二目标坐标点中的最大第二X轴坐标点和最大第二Y轴坐标点，实现乏血管面积和占比量化。
因此，在得到乏血管面积和占比量化值之前，确定多个第一目标坐标点中的最小第一X轴坐标点和最小第一Y轴坐标点构成的坐标点作为乏血管区域图像中的乏血管区域外接水平矩形的第三目标坐标点，并确定多个第二目标坐标点中的最大第二X轴坐标点和最大第二Y轴坐标点构成的坐标点作为乏血管区域图像中的乏血管区域外接水平矩形的第四目标坐标点。
具体的，如图5所示，根据新的面积列表[x01,x11…xN1]，[y01,y11…yN1]，[x02,x12…xN2]，[y02,y12…yN2]，确定第三目标坐标点为(x1_min,y1_min)，确定第四目标坐标点为(x2_max,y2_max)，
404、根据删除面积奇异值后的多个乏血管连通域面积、第三目标坐标点以及第四目标坐标点，确定乏血管面积和占比量化表征值。
在得到多个乏血管连通域面积列表[AVA_S0,AVA_S1…AVA_SN]，以及第三目标坐标点为(x1_min,y1_min)和第四目标坐标点为(x2_max,y2_max)后，根据删除面积奇异值后的多个乏血管连通域面积、第三目标坐标点以及第四目标坐标点，计算得到乏血管面积和占比量化表征值。
计算得到乏血管面积和占比量化表征值的具体公式为：
其中，j为乏血管区域图像中第j个乏血管连通域，AVA_m为乏血管面积和占比量化表征值。
在本申请的另一个实施例中，根据分割得到的乏血管区域图像进行乏血管长轴长度量化，得到乏血管长轴长度量化表征值。具体的，根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值，包括以下步骤501~503：
501、根据多个最小外接矩形宽值和多个最小外接矩形高值，确定与每个连通域的长轴长度值。
依据步骤301中给出的步骤，得到的每个连通域的最小外接矩形的宽值为W1i，高值为H1i，具体如图5中的A1和A2所示。
根据得到每个连通域的最小外接矩形的宽值W1i和高值H1i，设定每个连通域的长轴长度值AVA_Li=max(W1i,H1i)，记录得到的多个长轴长度值AVA_Li，构成长轴长度列表[AVA_L0,AVA_L1…AVA_Li…AVA_LM]。
502、删除多个长轴长度值中的长轴长度奇异值，得到删除长轴长度奇异值后的多个长轴长度值。
为了提高乏血管区域图像中多个长轴长度值的精准度，需将多个长轴长度值中的长轴长度奇异值删除，删除多个长轴长度值中的长轴长度奇异值，得到删除长轴长度奇异值后的多个长轴长度值，具体包括：
根据乏血管区域图像的多个长轴长度值，计算多个长轴长度值的长轴长度均值和长轴长度方差；根据长轴长度均值和长轴长度方差，对每个长轴长度值进行长轴长度奇异值判断，得到长轴长度奇异值判断结果；删除长轴长度奇异值判断结果中不符合要求的长轴长度值，即删除多个长轴长度值中的长轴长度奇异值，得到新的长轴长度列表，新的长轴长度列表包括多个非长轴长度奇异值的长轴长度值。
在本实施例中，根据乏血管区域图像的多个长轴长度值计算长轴长度均值的公式具体为：
根据乏血管区域图像的多个长轴长度值计算长轴长度方差的公式具体为：
其中，i为乏血管区域图像中第i个乏血管连通域；AVA_Li为乏血管区域图像中第i个乏血管连通域对应的长轴长度值；AVA_Lmean为[AVA_L0,AVA_L1…AVA_Li…AVA_LM]的长轴长度均值；AVA_Lstd为[AVA_L0,AVA_L1…AVA_Li…AVA_LM]的长轴长度方差。
当第i个长轴长度值AVA_Li满足AVA_Li-AVA_Lmean<-2×AVA_Lstd或者AVA_Li-AVA_Lmean>2×AVA_Lstd时，则表示该第i个长轴长度值AVA_Li为长轴长度奇异值，将多个长轴长度值AVA_Li中所有长轴长度奇异值删除，最终将多个非长轴长度奇异值的长轴长度值AVA_Li构成新的长轴长度列表[AVA_L0,AVA_L1…AVA_Li…AVA_LN]，其中，N为新的长轴长度列表中长轴长度值的总数量。
503、确定删除长轴长度奇异值后的多个长轴长度值中的最大值为乏血管长轴长度量化表征值。
由于乏血管连通域中长轴长度值最大的连通域所构成的图像最接近于乏血管区域图像，因此在本实施例中，确定删除长轴长度奇异值后的多个长轴长度值中的最大值为乏血管长轴长度量化表征值。
具体的，AVA_Lmax=max[AVA_L0,AVA_L1…AVA_Li…AVA_LN]，其中，长轴长度值AVA_Lmax为删除长轴长度值奇异值后的多个长轴长度值中的最大值，在本实施例中，将长轴长度值AVA_Lmax作为乏血管长轴长度量化表征值。
在本申请的另一个实施例中，根据分割得到的乏血管区域图像进行乏血管短长轴比值量化，得到乏血管短长轴比值量化表征值。具体的，根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值，包括以下步骤601~603：
601、根据多个最小外接矩形宽值和多个最小外接矩形高值，确定与每个连通域的短长轴比值量化值。
依据步骤501中给出的步骤，如图5所示，得到的每个连通域的最小外接矩形的宽值为W1i，高值为H1i。
根据得到每个连通域的最小外接矩形的宽值W1i和高值H1i，设定每个连通域的长轴长度值AVA_Li=max(W1i,H1i)；设定每个连通域的短轴长度值AVA_li=min(W1i,H1i)；根据长轴长度值AVA_Li=max(W1i,H1i)，和短轴长度值AVA_li=min(W1i,H1i)，计算每个连通域的短长轴比值的具体公式为：
记录得到的多个短长轴比值为AVA_(l/L)i；构成短长轴比值列表[AVA_(l/L)0,AVA_(l/L)1,…AVA_(l/L)i…AVA_(l/L)M]。
602、删除多个短长轴比值量化值中的短长轴比值奇异值，得到删除短长轴比值奇异值后的多个短长轴比值量化值。
为了提高乏血管区域图像中多个短长轴比值量化值的精准度，需将多个短长轴比值量化值中的短长轴比值奇异值删除，删除多个短长轴比值量化值中的短长轴比值奇异值，得到删除短长轴比值奇异值后的多个短长轴比值量化值，具体包括：
根据乏血管区域图像的多个短长轴比值量化值，计算多个短长轴比值量化值的短长轴比值均值和短长轴比值方差；根据短长轴比值均值和短长轴比值方差，对每个短长轴比值量化值进行短长轴比值奇异值判断，得到短长轴比值奇异值判断结果；删除短长轴比值奇异值判断结果中不符合要求的短长轴比值量化值，即删除多个短长轴比值量化值中的短长轴比值奇异值，得到新的短长轴比值量化值列表，新的短长轴比值量化值列表包括多个非短长轴比值奇异值的短长轴比值量化值。
在本实施例中，根据乏血管区域图像的多个短长轴比值量化值计算短长轴比值均值的公式具体为：
根据乏血管区域图像的多个短长轴比值量化值计算短长轴比值方差的公式具体为：
其中，i为乏血管区域图像中第i个乏血管连通域；AVA_(l/L)i为乏血管区域图像中第i个乏血管连通域对应的短长轴比值量化值；AVA_(l/L)mean为[AVA_(l/L)0,AVA_(l/L)1,…AVA_(l/L)i…AVA_(l/L)M]的短长轴比值均值；AVA_(l/L)std为[AVA_(l/L)0,AVA_(l/L)1,…AVA_(l/L)i…AVA_(l/L)M]的短长轴比值方差。
当第i个短长轴比值量化值AVA_(l/L)i满足：AVA_(l/L)i-AVA_(l/L)mean<-2×AVA_(l/L)std或者AVA_(l/L)i-AVA_(l/L)mean>2×AVA_(l/L)std时，则表示该第i个短长轴比值量化值AVA_(l/L)i为短长轴比值奇异值，将多个短长轴比值量化值AVA_(l/L)i中所有短长轴比值奇异值删除，最终将多个非短长轴比值奇异值的短长轴比值量化值AVA_(l/L)i构成新的短长轴比值量化值列表：[AVA_(l/L)0,AVA_(l/L)1,…AVA_(l/L)i…AVA_(l/L)N]，其中，N为新的短长轴比值量化值列表中短长轴比值量化值的总数量。
603、确定删除短长轴比值奇异值后的多个短长轴比值量化值中的中位数为乏血管短长轴比值量化表征值。
在本实施例中，确定删除短长轴比值奇异值后的多个短长轴比值量化值中的中位数为乏血管短长轴比值量化表征值，具体的，
其中，k为新的短长轴比值量化值列表中第k个短长轴比值量化值；
当新的短长轴比值量化值列表中短长轴比值量化值的总数量N为奇数时，对应的k值为k=(N/2)+0.5，且对应的多个短长轴比值量化值中的中位数AVA_(l/L)(1/2)为第k个短长轴比值量化值AVA_Lk，即当N为奇数时，乏血管短长轴比值量化表征值为AVA_Lk；
当新的短长轴比值量化值列表中短长轴比值量化值的总数量N为偶数时，对应的k值为k=N/2，对第k个短长轴比值量化值AVA_Lk和第k+1个短长轴比值量化值AVA_Lk+1求中值，对应的多个短长轴比值量化值中的中位数AVA_(l/L)(1/2)为第k个短长轴比值量化值AVA_Lk和第k+1个短长轴比值量化值AVA_Lk+1之和的中值，即当N为偶数时，乏血管短长轴比值量化表征值为(AVA_Lk+AVA_Lk+1)/2。
在本申请的另一个实施例中，根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果，包括以下步骤701~702：
701、将多个不同类型的量化表征值输入至预设的量化表征值拟合模型，确定多个对应于多个不同类型的量化表征值的权重值。
经过上述步骤，得到经过量化后的多个不同类型的量化表征值，即得到乏血管面积量化表征值AVA_Smax、乏血管圆度量化表征值AVA_Cmean1、乏血管面积和占比量化表征值AVA_m、乏血管长轴长度量化表征值AVA_Lmax、乏血管短长轴比值量化表征值AVA_(l/L)(1/2)后，将该多个不同类型的量化表征值输入至预设的量化表征值拟合模型进行训练。
训练量化表征值拟合模型过程中，根据量化表征值拟合模型输出的训练结果，不断调节每个量化表征值的权重值，以对量化表征值拟合模型进行调优，直至量化表征值拟合模型输出的训练结果接近目标值，最终得到训练完成的量化表征值拟合模型以及多个对应于多个不同类型的量化表征值的权重值，模型调优过程中得到的多个权重值可以为λ1，λ2，λ3，λ4，λ5。在本实施例中，预设的量化表征值拟合模型可以是决策树、随机森林等机器学习模型，多个权重值的获取方式可以是网格搜索法，贪婪搜索法等方法，这里不做具体的限定。
702、根据多个不同类型的量化表征值和对应的多个权重值进行加权求和计算，得到乏血管区域大小最终量化值。
在得到多个权重值λ1，λ2，λ3，λ4，λ5后，将根据多个不同类型的量化表征值和对应的多个权重值进行加权求和计算。
根据多个不同类型的量化表征值和对应的多个权重值进行加权求和计算，得到乏血管区域大小最终量化值，可以包括：
采用任意N个不同类型的量化表征值和对应的任意N个权重值进行加权求和计算，得到乏血管区域大小最终量化值，其中，N为大于2的自然数。
也即，在本实施例中，可以采用乏血管面积量化表征值AVA_Smax、乏血管圆度量化表征值AVA_Cmean1、乏血管面积和占比量化表征值AVA_m、乏血管长轴长度量化表征值AVA_Lmax、乏血管短长轴比值量化表征值AVA_(l/L)(1/2)中的任意2个或者2个以上的量化表征值进行乏血管区域大小最终量化值的计算，采用不同的量化表征值进行计算，则在训练量化表征值拟合模型过程中，得到不同的权重值，最终计算得到不同精度的乏血管区域大小最终量化值，所有采用不同组合的上述多个不同类型的量化表征值，进行乏血管区域大小最终量化值计算的方案均在本方案的保护范围内，这里不做具体限定。
在本实施例中，设定N为5，则根据上述5个不同类型的量化表征值进行计算，得到乏血管区域大小最终量化值，乏血管区域大小最终量化值Λ的计算公式为：
将最后得到的Λ作为乏血管区域大小最终量化值，后续基于乏血管区域大小最终量化值Λ对食管癌乏血管区域的大小进行识别。
本实施例中，通过对多个不同类型的量化表征值和对应的多个权重值进行融合计算，量化的信息更加丰富，使最终的乏血管区域大小最终量化值量化更加精准，相较于传统方式中采用单一表征量化或者两种类型的表征量化，本申请所提出的方案有效提高了乏血管区域大小识别的准确性。
在本申请的另一个实施例中，根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果，包括以下步骤801~802：
801、获取乏血管区域大小区间系数。
乏血管区域大小区间系数和乏血管区域大小最终量化值Λ是用于判定食管癌乏血管区域的大小的两个必要条件，在本实施例中，乏血管区域大小区间系数包括第一乏血管区域大小阈值β1和第二乏血管区域大小阈值β2，通过人工预先设定的方式或者系统自动设定的方式，预先设置第一乏血管区域大小阈值β1和第二乏血管区域大小阈值β2。
802、根据乏血管区域大小区间系数和乏血管区域大小最终量化值，确定乏血管区域大小结果。
计算得到乏血管区域大小最终量化值Λ后，根据乏血管区域大小最终量化值Λ和乏血管区域大小区间系数，即可得到乏血管区域大小结果，乏血管区域大小结果即为乏血管区域图像中识别得到的食管癌乏血管区域的大小，确定乏血管区域大小结果包括较小食管癌乏血管区域、中等食管癌乏血管区域以及较大食管癌乏血管区域。
根据乏血管区域大小区间系数和乏血管区域大小最终量化值，判定食管癌乏血管区域大小，具体判定方式为：
根据判定方式可知，当乏血管区域大小最终量化值Λ小于第一乏血管区域大小阈值β1时，乏血管区域大小结果为当前识别的食管癌乏血管区域为较小食管癌乏血管区域，当乏血管区域大小最终量化值Λ大于第一乏血管区域大小阈值β1且小于或者等于第二乏血管区域大小阈值β2时，乏血管区域大小结果为当前识别的食管癌乏血管区域为中等食管癌乏血管区域，当乏血管区域大小最终量化值Λ大于第二乏血管区域大小阈值β2时，乏血管区域大小结果为当前识别的食管癌乏血管区域为较大食管癌乏血管区域。
由背景技术可知，传统技术中通过深度学习图片分类的方式，只能实现对食管癌乏血管区域的识别，且只能对乏血管区域按照小、中和大三种类型进行分类，无法实现更加精准的测量，导致诊断过程中，对食管癌乏血管区域的识别更倾向于医生的经验性评估。
而本申请相对传统技术，采用的是多个不同类型的参数量化并用，将多个不同类型的量化表征值进行加权拟合的方案，以对食管癌乏血管区域的大小进行识别。即本申请是先依次对乏血管区域图像中多个不同类型的参数进行量化，得到多个不同类型的量化表征值，具体的，本申请是对乏血管区域图像的乏血管面积、乏血管圆度、乏血管面积和占比、乏血管长轴长度以及乏血管短长轴比值分别进行量化，得到乏血管面积量化表征值AVA_Smax、乏血管圆度量化表征值AVA_Cmean1、乏血管面积和占比量化表征值AVA_m、乏血管长轴长度量化表征值AVA_Lmax、乏血管短长轴比值量化表征值AVA_(l/L)(1/2)，再基于上述多种不同类型的量化表征值进行加权拟合，得到与乏血管区域图像对应的乏血管区域大小最终量化值，依据乏血管区域大小最终量化值来判断乏血管区域图像中乏血管区域的大小，本申请这种采用多参数量化以及加权拟合的方案，实现对乏血管区域图像中乏血管区域更为精细的测量，相较于传统技术，解决了目前乏血管区域量化标准无法统一的问题，可实现对染色放大内镜食管癌AVA的精准测量，有效辅助内镜医师预测食管癌深度，辅助临床决策。
在食管癌乏血管区域大小的判定方法中，乏血管区域大小区间系数和乏血管区域大小最终量化值均为非常重要的判定参数，因此需要在进行食管癌乏血管区域大小之前，预先确定乏血管区域大小区间系数。因此，在本申请的另一个实施例中，在获取乏血管区域大小区间系数之前，方法包括：
获取食管癌染色放大样本图像集合，将食管癌染色放大样本图像集合按照乏血管区域大小进行大小等级分类，得到分别包含不同大小等级乏血管区域图像的多个分类图像集合。
首先收集多个各种不同类型的食管癌染色放大样本图像，以构成食管癌染色放大样本图像集合，预先按照常规的乏血管区域大小将食管癌染色放大样本图像进行等级分类，得到多个分类样本图像集合，具体按照乏血管区域大小分为三个等级，得到的三个分类样本图像集合具体包括：较小乏血管区域样本图像集合U1、中等乏血管区域样本图像集合U2、较大乏血管区域样本图像集合U3，每个等级图片数量首次不少于3000张。
根据多个分类样本图像集合，分别确定与多个分类图像集合对应的多个乏血管区域大小样本最终量化值集合。
采用上文中给出的乏血管区域大小最终量化值的计算方法，计算出每个分类样本图像集合中每张样本图像的乏血管区域大小样本最终量化值，由于分类样本图像集合包括多个食管癌染色放大样本图像，进而得到多个乏血管区域大小样本最终量化值，多个乏血管区域大小样本最终量化值构成乏血管区域大小样本最终量化值列表。在本实施例中，依次对较小乏血管区域样本图像集合U1、中等乏血管区域样本图像集合U2、较大乏血管区域样本图像集合U3进行乏血管区域大小样本最终量化值的计算，得到三组乏血管区域大小样本最终量化值列表。
按照上文给出的均值和方差计算方法，计算出每个乏血管区域大小样本最终量化值列表中的样本最终量化值的均值和样本最终量化值的方差，再评估出每个乏血管区域大小样本最终量化值列表中的样本最终量化值奇异值，并对应删除的样本最终量化值奇异值，最后得到删除样本最终量化值奇异值的三组乏血管区域大小样本最终量化值列表，三组乏血管区域大小样本最终量化值列表分别为[Λ10,Λ11,…Λ1M]、[Λ20,Λ21,…Λ2N]、[Λ30,Λ31,…Λ3K]，其中，M、N和K分别为三组乏血管区域大小样本最终量化值列表中乏血管区域大小样本最终量化值的总数量。
分别对每个乏血管区域大小样本最终量化值列表进行求均值，得到多个分别对应于多个乏血管区域大小样本最终量化值集合的平均乏血管区域大小样本最终量化值，根据多个平均乏血管区域大小样本最终量化值，确定乏血管区域大小区间系数。
具体的，在本实施例中，分别对三个乏血管区域大小样本最终量化值列表中的乏血管区域大小样本最终量化值进行求均值，得到三个平均乏血管区域大小样本最终量化值：
再根据三个平均乏血管区域大小样本最终量化值
，确定乏血管区域大小
区间系数，乏血管区域大小区间系数包括第一乏血管区域大小阈值β1和第二乏血管区域大
小阈值β2，即：
在本申请的另一个实施例中，为了保证乏血管区域大小区间系数的准确性，在得到乏血管区域大小区间系数后，还需要继续对乏血管区域大小区间系数进行校正和更新，以减少实际识别乏血管区域大小的过程中产生的误差。因此，在根据平均乏血管区域大小样本最终量化值，确定乏血管区域大小区间系数之后，方法还包括：
获取多个乏血管区域特征图像，根据多个分类样本图像集合、多个乏血管区域特征图像以及预设的校正模型，对乏血管区域大小区间系数进行校正。
结合上述实施例，本实施例中的预设的校正模型具体为：
其中，i为上述实施例中给出的三个乏血管区域大小等级，在本实施例汇总，i可以为1,2,3；W为本轮优化前，第i种类型的分类样本图像集合中食管癌染色放大样本图像数量；P为本轮优化时新增的乏血管区域特征图像数量，在本实施例中，P满足
；△为新增乏血管区域特征图像前后，乏血管区域大小区间系数误差收敛系数，当误差小于收敛系数，则表明该乏血管区域大小区间系数校正完成，本实施例中△=10-4，△的数值也可以根据实际需求进行适应性调整，在本申请的方案思想基础上进行调整的，均属于本申请所在保护范围内。在对多个平均乏血管区域大小样本最终量化值进行校正完成后，将本轮完成校正的乏血管区域大小区间最终系数作为新的乏血管区域大小区间系数。
为了更好实施本申请实施例中食管癌乏血管区域大小的确定方法，在食管癌乏血管区域大小的确定方法基础之上，本申请实施例中还提供一种食管癌乏血管区域大小的确定系统，如图6所示，所述食管癌乏血管区域大小的确定系统900包括：
获取单元901，用于获取食管癌染色放大图像；
分割单元902，用于对食管癌染色放大图像进行分割，得到食管癌染色放大图像中的乏血管区域图像；
量化单元903，用于根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值；
判定单元904，用于根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
多个不同类型的量化表征值包括乏血管面积量化表征值、乏血管圆度量化表征值、乏血管面积和占比量化表征值、乏血管长轴长度量化表征值、乏血管短长轴比值量化表征值；
判定单元904具体为：
用于将多个不同类型的量化表征值输入至预设的量化表征值拟合模型，确定多个对应于多个不同类型的量化表征值的权重值；用于根据多个不同类型的量化表征值和对应的多个权重值进行加权求和计算，得到乏血管区域大小最终量化值。
判定单元904具体为：
用于获取乏血管区域大小区间系数；用于根据乏血管区域大小区间系数和乏血管区域大小最终量化值，确定乏血管区域大小结果。
系统还包括确定单元，确定单元具体为：
用于获取食管癌染色放大样本图像集合；用于将食管癌染色放大样本图像集合按照乏血管区域大小进行大小等级分类，得到分别包含不同大小等级乏血管区域图像的多个分类图像集合；用于根据多个分类样本图像集合，分别确定与多个分类图像集合对应的多个乏血管区域大小样本最终量化值集合；用于分别对每个乏血管区域大小样本最终量化值集合进行求均值，得到多个分别对应于多个乏血管区域大小样本最终量化值集合的平均乏血管区域大小样本最终量化值；用于根据平均乏血管区域大小样本最终量化值，确定乏血管区域大小区间系数。
量化单元903具体为：
用于计算乏血管区域图像中多个连通域的面积，得到多个乏血管连通域面积；用于删除多个乏血管连通域面积中的面积奇异值，得到删除面积奇异值后的多个乏血管连通域面积；用于确定删除面积奇异值后的多个乏血管连通域面积中的最大值为乏血管面积量化表征值。
量化单元903具体为：
用于确定乏血管区域图像中每个连通域的最小水平外接矩形的宽和高，得到多个最小外接矩形宽值和多个最小外接矩形高值；用于根据多个最小外接矩形宽值和多个最小外接矩形高值，确定多个分别与多个连通域的最小水平外接矩形对应的目标圆半径；用于根据多个目标圆半径和多个乏血管连通域面积，确定多个分别与多个连通域的最小水平外接矩形对应的乏血管圆度量化值；用于删除多个乏血管圆度量化值中的圆度奇异值，得到删除圆度奇异值后的多个乏血管圆度量化值；用于根据删除圆度奇异值后的多个乏血管圆度量化值，确定乏血管圆度量化表征值。
量化单元903具体为：
用于确定乏血管区域图像中每个连通域的最小水平外接矩形的第一目标坐标点和第二目标坐标点；用于删除多个第一目标坐标点和多个第二目标坐标点中的坐标点奇异值，得到删除坐标点奇异值后的多个第一目标坐标点和多个第二目标坐标点；用于根据删除坐标点奇异值后的多个第一目标坐标点和多个第二目标坐标点，确定乏血管区域图像中的乏血管区域外接水平矩形的第三目标坐标点和第四目标坐标点；用于根据删除面积奇异值后的多个乏血管连通域面积、第三目标坐标点以及第四目标坐标点，确定乏血管面积和占比量化表征值。
量化单元903具体为：
用于根据多个最小外接矩形宽值和多个最小外接矩形高值，确定与每个连通域的长轴长度值；用于删除多个长轴长度值中的长轴长度奇异值，得到删除长轴长度奇异值后的多个长轴长度值；用于确定删除长轴长度奇异值后的多个长轴长度值中的最大值为乏血管长轴长度量化表征值。
量化单元903具体为：
用于根据多个最小外接矩形宽值和多个最小外接矩形高值，确定与每个连通域的短长轴比值量化值；用于删除多个短长轴比值量化值中的短长轴比值奇异值，得到删除短长轴比值奇异值后的多个短长轴比值量化值；用于确定删除短长轴比值奇异值后的多个短长轴比值量化值中的中位数为乏血管短长轴比值量化表征值。
系统还包括更新单元，确定更新具体为：
用于获取多个乏血管区域特征图像，根据多个分类样本图像集合、多个乏血管区域特征图像以及预设的校正模型，对乏血管区域大小区间系数进行校正。
在本申请的另一个实施例中，如图7所示，本申请还提供一种设备，其示出了本申请实施例所涉及的设备的结构示意图，具体来讲：
该设备可以包括一个或者一个以上处理核心的处理器1001、一个或一个以上计算机可读存储介质的存储器1002、电源1003和输入单元1004等部件。本领域技术人员可以理解，图7中示出的该设备结构并不构成对该设备的限定，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1001是该设备的控制中心，利用各种接口和线路连接整个该设备的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行该设备的各种功能和处理数据，从而对该设备进行整体监控。可选的，处理器1001可包括一个或多个处理核心；处理器1001可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1002可用于存储软件程序以及模块，处理器1001通过运行存储在存储器1002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。存储器1002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该设备的使用所创建的数据等。此外，存储器1002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，存储器1002还可以包括存储器控制器，以提供处理器1001对存储器1002的访问。
该设备还包括给各个部件供电的电源1003，优选的，电源1003可以通过电源管理系统与处理器1001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。
该设备还可包括输入单元1004，该输入单元1004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，该设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，该设备中的处理器1001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器1002中，并由处理器1001来运行存储在存储器1002中的应用程序，从而实现各种功能，如下：
获取食管癌染色放大图像；对食管癌染色放大图像进行分割，得到食管癌染色放大图像中的乏血管区域图像；根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值；根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
在本申请一些实施例中，本申请还提供一种计算机可读存储介质，该存储介质可以包括：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。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的食管癌乏血管区域大小的确定方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
获取食管癌染色放大图像；对食管癌染色放大图像进行分割，得到食管癌染色放大图像中的乏血管区域图像；根据乏血管区域图像，确定乏血管区域图像的多个不同类型的量化表征值；根据多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
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，可以参见上文针对其他实施例的详细描述，此处不再赘述。
以上对本申请实施例所提供的一种食管癌乏血管区域大小的确定方法和系统进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。
Claims (10)
1.一种食管癌乏血管区域大小的确定方法，其特征在于，包括：
获取食管癌染色放大图像；
对所述食管癌染色放大图像进行分割，得到所述食管癌染色放大图像中的乏血管区域图像；
根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值；
根据所述多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
2.如权利要求1所述的食管癌乏血管区域大小的确定方法，其特征在于，所述多个不同类型的量化表征值包括乏血管面积量化表征值、乏血管圆度量化表征值、乏血管面积和占比量化表征值、乏血管长轴长度量化表征值、乏血管短长轴比值量化表征值；
所述根据所述多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果，包括：
将所述多个不同类型的量化表征值输入至预设的量化表征值拟合模型，确定多个对应于多个不同类型的量化表征值的权重值；
根据多个不同类型的量化表征值和对应的多个权重值进行加权求和计算，得到所述乏血管区域大小最终量化值。
3.如权利要求2所述的食管癌乏血管区域大小的确定方法，其特征在于，所述根据所述多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果，包括：
获取乏血管区域大小区间系数；
根据所述乏血管区域大小区间系数和所述乏血管区域大小最终量化值，确定所述乏血管区域大小结果。
4.如权利要求3所述的图像识别方法，其特征在于，在所述获取乏血管区域大小区间系数之前，所述方法包括：
获取食管癌染色放大样本图像集合；
将所述食管癌染色放大样本图像集合按照乏血管区域大小进行大小等级分类，得到分别包含不同大小等级乏血管区域图像的多个分类图像集合；
根据多个分类样本图像集合，分别确定与所述多个分类图像集合对应的多个乏血管区域大小样本最终量化值集合；
分别对每个所述乏血管区域大小样本最终量化值集合进行求均值，得到多个分别对应于多个所述乏血管区域大小样本最终量化值集合的平均乏血管区域大小样本最终量化值；
根据所述平均乏血管区域大小样本最终量化值，确定所述乏血管区域大小区间系数。
5.如权利要求2所述的食管癌乏血管区域大小的确定方法，其特征在于，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值，包括：
计算所述乏血管区域图像中多个连通域的面积，得到多个乏血管连通域面积；
删除所述多个乏血管连通域面积中的面积奇异值，得到删除面积奇异值后的所述多个乏血管连通域面积；
确定所述删除面积奇异值后的所述多个乏血管连通域面积中的最大值为所述乏血管面积量化表征值。
6.如权利要求5所述的食管癌乏血管区域大小的确定方法，其特征在于，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值，包括：
确定所述乏血管区域图像中每个所述连通域的最小水平外接矩形的宽和高，得到多个最小外接矩形宽值和多个最小外接矩形高值；
根据所述多个最小外接矩形宽值和所述多个最小外接矩形高值，确定多个分别与多个所述连通域的最小水平外接矩形对应的目标圆半径；
根据所述多个目标圆半径和所述多个乏血管连通域面积，确定多个分别与多个所述连通域的最小水平外接矩形对应的乏血管圆度量化值；
删除所述多个乏血管圆度量化值中的圆度奇异值，得到删除圆度奇异值后的所述多个乏血管圆度量化值；
根据删除圆度奇异值后的所述多个乏血管圆度量化值，确定所述乏血管圆度量化表征值。
7.如权利要求5所述的食管癌乏血管区域大小的确定方法，其特征在于，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值，包括：
确定所述乏血管区域图像中每个所述连通域的最小水平外接矩形的第一目标坐标点和第二目标坐标点；
删除所述多个第一目标坐标点和所述多个第二目标坐标点中的坐标点奇异值，得到删除坐标点奇异值后的所述多个第一目标坐标点和所述多个第二目标坐标点；
根据所述删除坐标点奇异值后的所述多个第一目标坐标点和所述多个第二目标坐标点，确定所述乏血管区域图像中的乏血管区域外接水平矩形的第三目标坐标点和第四目标坐标点；
根据删除面积奇异值后的所述多个乏血管连通域面积、所述第三目标坐标点以及所述第四目标坐标点，确定所述乏血管面积和占比量化表征值。
8.如权利要求6所述的食管癌乏血管区域大小的确定方法，其特征在于，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值，包括：
根据所述多个最小外接矩形宽值和所述多个最小外接矩形高值，确定与每个所述连通域的长轴长度值；
删除所述多个长轴长度值中的长轴长度奇异值，得到删除长轴长度奇异值后的所述多个长轴长度值；
确定所述删除长轴长度奇异值后的所述多个长轴长度值中的最大值为所述乏血管长轴长度量化表征值。
9.如权利要求6所述的食管癌乏血管区域大小的确定方法，其特征在于，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值，包括：
根据所述多个最小外接矩形宽值和所述多个最小外接矩形高值，确定与每个所述连通域的短长轴比值量化值；
删除所述多个短长轴比值量化值中的短长轴比值奇异值，得到删除短长轴比值奇异值后的所述多个短长轴比值量化值；
确定删除短长轴比值奇异值后的所述多个短长轴比值量化值中的中位数为所述乏血管短长轴比值量化表征值。
10.一种食管癌乏血管区域大小的确定系统，其特征在于，所述系统包括：
获取单元，用于获取食管癌染色放大图像；
分割单元，用于对所述食管癌染色放大图像进行分割，得到所述食管癌染色放大图像中的乏血管区域图像；
量化单元，根据所述乏血管区域图像，确定所述乏血管区域图像的多个不同类型的量化表征值；
判定单元，根据所述多个不同类型的量化表征值，确定乏血管区域大小最终量化值和乏血管区域大小结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210011023.7A CN114022481B (zh) | 2022-01-06 | 2022-01-06 | 食管癌乏血管区域大小的确定方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210011023.7A CN114022481B (zh) | 2022-01-06 | 2022-01-06 | 食管癌乏血管区域大小的确定方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022481A true CN114022481A (zh) | 2022-02-08 |
| CN114022481B CN114022481B (zh) | 2022-04-19 |
Family
ID=80069615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210011023.7A Active CN114022481B (zh) | 2022-01-06 | 2022-01-06 | 食管癌乏血管区域大小的确定方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022481B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419135A (zh) * | 2022-03-29 | 2022-04-29 | 武汉楚精灵医疗科技有限公司 | 胰腺标志物尺寸量化方法、装置、终端及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006057444A1 (ja) * | 2004-11-25 | 2006-06-01 | National University Corporation Hokkaido University | 細胞の分化度自動診断方法 |
| CN106442231A (zh) * | 2016-08-31 | 2017-02-22 | 北京建筑大学 | 一种基于数字图像分析技术的粗集料棱角性评价方法 |
| WO2019009893A1 (en) * | 2017-07-05 | 2019-01-10 | Flagship Biosciences Inc. | METHODS OF MEASURING AND REPORTING VASCULARITY IN A TISSUE SAMPLE |
| CN111127467A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 图像量化方法、计算机设备和存储介质 |
| CN113192064A (zh) * | 2021-05-27 | 2021-07-30 | 武汉楚精灵医疗科技有限公司 | 一种基于变异系数法的食管癌b3型血管识别方法 |
| CN113706533A (zh) * | 2021-10-28 | 2021-11-26 | 武汉大学 | 图像处理方法、装置、计算机设备及存储介质 |
-
2022
- 2022-01-06 CN CN202210011023.7A patent/CN114022481B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006057444A1 (ja) * | 2004-11-25 | 2006-06-01 | National University Corporation Hokkaido University | 細胞の分化度自動診断方法 |
| CN106442231A (zh) * | 2016-08-31 | 2017-02-22 | 北京建筑大学 | 一种基于数字图像分析技术的粗集料棱角性评价方法 |
| WO2019009893A1 (en) * | 2017-07-05 | 2019-01-10 | Flagship Biosciences Inc. | METHODS OF MEASURING AND REPORTING VASCULARITY IN A TISSUE SAMPLE |
| CN111127467A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 图像量化方法、计算机设备和存储介质 |
| CN113192064A (zh) * | 2021-05-27 | 2021-07-30 | 武汉楚精灵医疗科技有限公司 | 一种基于变异系数法的食管癌b3型血管识别方法 |
| CN113706533A (zh) * | 2021-10-28 | 2021-11-26 | 武汉大学 | 图像处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 孙启明等: "正常冈上肌腱乏血管区胶原分布的图像分析研究", 《第四军医大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419135A (zh) * | 2022-03-29 | 2022-04-29 | 武汉楚精灵医疗科技有限公司 | 胰腺标志物尺寸量化方法、装置、终端及可读存储介质 |
| CN114419135B (zh) * | 2022-03-29 | 2022-06-28 | 武汉楚精灵医疗科技有限公司 | 胰腺标志物尺寸量化方法、装置、终端及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022481B (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110599448B (zh) | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 | |
| WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| KR100889014B1 (ko) | 그래프 기반 접근 방법을 이용한 설진 영역 추출 방법 | |
| WO2019000455A1 (zh) | 图像分割的方法及系统 | |
| US20130030305A1 (en) | Method and system for determining a stage of fibrosis in a liver | |
| CN107341812A (zh) | 一种基于超像素和密度聚类的序列肺结节图像分割方法 | |
| CN111340128A (zh) | 一种肺癌转移性淋巴结病理图像识别系统及方法 | |
| Beevi et al. | Automatic segmentation of cell nuclei using Krill Herd optimization based multi-thresholding and localized active contour model | |
| CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
| CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
| CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
| JP2007061607A (ja) | 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
| CN110738637A (zh) | 一种乳腺癌病理切片的自动分类方法及系统 | |
| Tsipouras et al. | A methodology for automated CPA extraction using liver biopsy image analysis and machine learning techniques | |
| JP2001059842A (ja) | 病理診断装置 | |
| CN116934754B (zh) | 基于图神经网络的肝脏影像识别方法及装置 | |
| WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
| JP6161146B2 (ja) | 病理組織画像解析方法、病理組織画像解析装置及び病理組織画像解析プログラム | |
| CN106778793A (zh) | 一种影像特征的可重复性测量方法及装置 | |
| CN114022481A (zh) | 食管癌乏血管区域大小的确定方法和系统 | |
| CN118279667A (zh) | 一种面向皮肤镜图像的深度学习白癜风识别方法 | |
| CN110610491B (zh) | 一种腹部ct图像的肝脏肿瘤区域分割方法 | |
| CN119090901B (zh) | 一种面向颅咽管瘤病灶的高效检测方法、系统及设备 | |
| CN118711181B (zh) | 一种基于三维重建技术的淋巴细胞图像分割方法及系统 | |
| Kim et al. | Tongue diagnosis method for extraction of effective region and classification of tongue coating |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240516 Address after: 430000 No. 03, floor 5, building B10, phase I, Wuhan hi tech medical equipment Park, No. 818, Gaoxin Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei (Wuhan area, free trade zone) Patentee after: Wuhan Chujingling Medical Technology Co.,Ltd. Country or region after: China Address before: 430072 no.299 Bayi Road, Luojiashan street, Wuhan City, Hubei Province Patentee before: WUHAN University Country or region before: China |