CN114022880B - 食管粘膜平坦程度量化方法、装置、终端及存储介质 - Google Patents
食管粘膜平坦程度量化方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114022880B CN114022880B CN202210014920.3A CN202210014920A CN114022880B CN 114022880 B CN114022880 B CN 114022880B CN 202210014920 A CN202210014920 A CN 202210014920A CN 114022880 B CN114022880 B CN 114022880B
- Authority
- CN
- China
- Prior art keywords
- image
- esophageal mucosa
- flatness
- flatness degree
- dyeing
- 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
Links
- 210000004877 mucosa Anatomy 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011002 quantification Methods 0.000 title claims abstract description 8
- 238000004043 dyeing Methods 0.000 claims abstract description 105
- 230000003321 amplification Effects 0.000 claims abstract description 66
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 66
- 230000003746 surface roughness Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 11
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 11
- 201000004101 esophageal cancer Diseases 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008595 infiltration Effects 0.000 description 8
- 238000001764 infiltration Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 6
- 210000003238 esophagus Anatomy 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012549 training 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种食管粘膜平坦程度量化方法、装置、终端及存储介质，该方法包括：对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取第二染色放大图像中目标通道对应的第三染色放大图像；获取第三染色放大图像的图像熵；获取第三染色放大图像的图像曲率；获取第三染色放大图像的表面粗糙度；基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。本申请实现食管粘膜平坦程度量化，提高食管粘膜平坦程度识别效果和精准度。
Description
技术领域
本申请涉及辅助医疗技术领域，具体涉及一种食管粘膜平坦程度量化方法、装置及计算机可读存储介质。
背景技术
目前食管胃镜筛查为检出食管癌的重要手段，可以发现早期食管癌，而手术切除则是食管癌的主要诊疗手段，术前病灶浸润程度关系着手术治疗方案的确定，浸润深度判断越准确、手术切除率越高。
当早期食管癌病灶表面光滑平整时，则更有可能是粘膜癌而不是粘膜下癌。若病灶据有可见的内窥镜特征，如结节、突出或溃疡性病变，则更倾向于粘膜下癌。即根据对病灶表面的平滑程度判断，可以实现对食管癌浸润深度的准确判断，然而现有的食管粘膜平坦程度识别效果差，精确度低下，容易对后续食管癌浸润深度的判断造成影响。
因此，如何有效提高食管粘膜平坦程度识别效果和精准度，是当前辅助医疗技术领域亟需解决的技术问题。
发明内容
本申请提供一种食管粘膜平坦程度量化方法，装置、终端及存储介质，旨在解决如何有效提高食管粘膜平坦程度识别效果和精准度。
一方面，本申请提供食管粘膜平坦程度量化方法，所述方法包括：
对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；
获取所述第二染色放大图像中目标通道对应的第三染色放大图像；
获取所述第三染色放大图像的图像熵；
获取所述第三染色放大图像的图像曲率；
获取所述第三染色放大图像的表面粗糙度；
基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化。
在本申请一种可能的实现方式中，所述基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化，包括：
基于所述图像熵、所述图像曲率以及所述表面粗糙度，确定食管粘膜平坦程度系数；
基于所述食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对所述待检测食管粘膜平坦程度进行量化。
在本申请一种可能的实现方式中，所述基于所述图像熵、所述图像曲率以及所述表面粗糙度，确定食管粘膜平坦程度系数，包括：
将所述图像熵、所述图像曲率以及所述表面粗糙度进行加权拟合，得到食管粘膜平坦程度系数。
在本申请一种可能的实现方式中，所述基于所述食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对所述待检测食管粘膜平坦程度进行量化，包括：
获取预设的食管粘膜平坦程度系数阈值；
将所述食管粘膜平坦程度系数和所述预设的食管粘膜平坦程度系数阈值进行比较；
若所述食管粘膜平坦程度系数大于所述预设的食管粘膜平坦程度系数阈值，则确定所述待检测食管粘膜平坦程度为非平坦；
若所述食管粘膜平坦程度系数小于或等于所述预设的食管粘膜平坦程度系数阈值，则确定所述待检测食管粘膜平坦程度为非平坦。
在本申请一种可能的实现方式中，所述获取预设的食管粘膜平坦程度系数阈值，包括：
获取包括有预设张食管粘膜图像的样本集；
将所述样本集进行分类，得到第一样本集和第二样本集；
计算所述第一样本集中每个样本的平坦程度系数，得到第一平坦程度系数集，并计算所述第二样本集中每个样本的平坦程度系数，得到第二平坦程度系数集；
计算所述第一平坦程度系数集对应的第一特征值，并计算所述第二平坦程度系数集对应的第二特征值；
基于所述第一特征值和所述第二特征值，确定预设的食管粘膜平坦程度系数阈值。
在本申请一种可能的实现方式中，在基于所述第一特征值和所述第二特征值，确定预设的食管粘膜平坦程度系数阈值之后，所述方法还包括：
获取包括有预设张与所述第一样本集相同分类的样本集，得到第三样本集，并计算所述第三样本集中每个样本的平坦程度系数，得到第三平坦程度系数；
获取包括有预设张与所述第二样本集相同分类的样本集，得到第四样本集，并计算所述第四样本集中每个样本的平坦程度系数，得到第四平坦程度系数；
计算所述第三平坦程度系数集对应的第三特征值，并计算所述第四平坦程度系数集对应的第四特征值；
基于所述第三特征值，对所述第一特征值进行校准，得到第一校准特征值，并基于所述第四特征值，对所述第二特征值进行校准，得到第二校准特征值；
基于所述第一校准特征值和所述第二校准特征值，对所述食管粘膜平坦程度系数阈值进行校准。
在本申请一种可能的实现方式中，所述获取所述第二染色放大图像中目标通道对应的第三染色放大图像，包括：
对所述第二染色放大图像进行通道分解处理；
并对分解处理后得到的目标通道对应的染色放大图像进行小波去噪，得到第三染色放大图像。
另一方面，本申请提供一种食管粘膜平坦程度量化装置，所述装置包括：
第一转换单元，用于对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；
第一获取单元，用于获取所述第二染色放大图像中目标通道对应的第三染色放大图像；
第二获取单元，用于获取所述第三染色放大图像的图像熵；
第三获取单元，用于获取所述第三染色放大图像的图像曲率；
第四获取单元，用于获取所述第三染色放大图像的表面粗糙度；
第一量化单元，用于基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化。
在本申请一种可能的实现方式中，所述第一量化单元，包括：
第一确定单元，用于基于所述图像熵、所述图像曲率以及所述表面粗糙度，确定食管粘膜平坦程度系数；
第二量化单元，用于基于所述食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对所述待检测食管粘膜平坦程度进行量化。
在本申请一种可能的实现方式中，所述第一确定单元，具体用于：
将所述图像熵、所述图像曲率以及所述表面粗糙度进行加权拟合，得到食管粘膜平坦程度系数。
在本申请一种可能的实现方式中，所述第二量化单元，具体包括：
第五获取单元，用于获取预设的食管粘膜平坦程度系数阈值；
第一比较单元，用于将所述食管粘膜平坦程度系数和所述预设的食管粘膜平坦程度系数阈值进行比较；
第二确定单元，用于若所述食管粘膜平坦程度系数大于所述预设的食管粘膜平坦程度系数阈值，则确定所述待检测食管粘膜平坦程度为非平坦；
第三确定单元，用于若所述食管粘膜平坦程度系数小于或等于所述预设的食管粘膜平坦程度系数阈值，则确定所述待检测食管粘膜平坦程度为非平坦。
在本申请一种可能的实现方式中，所述第五获取单元，具体用于：
获取包括有预设张食管粘膜图像的样本集；
将所述样本集进行分类，得到第一样本集和第二样本集；
计算所述第一样本集中每个样本的平坦程度系数，得到第一平坦程度系数集，并计算所述第二样本集中每个样本的平坦程度系数，得到第二平坦程度系数集；
计算所述第一平坦程度系数集对应的第一特征值，并计算所述第二平坦程度系数集对应的第二特征值；
基于所述第一特征值和所述第二特征值，确定预设的食管粘膜平坦程度系数阈值。
在本申请一种可能的实现方式中，在基于所述第一特征值和所述第二特征值，确定预设的食管粘膜平坦程度系数阈值之后，所述装置还用于：
获取包括有预设张与所述第一样本集相同分类的样本集，得到第三样本集，并计算所述第三样本集中每个样本的平坦程度系数，得到第三平坦程度系数；
获取包括有预设张与所述第二样本集相同分类的样本集，得到第四样本集，并计算所述第四样本集中每个样本的平坦程度系数，得到第四平坦程度系数；
计算所述第三平坦程度系数集对应的第三特征值，并计算所述第四平坦程度系数集对应的第四特征值；
基于所述第三特征值，对所述第一特征值进行校准，得到第一校准特征值，并基于所述第四特征值，对所述第二特征值进行校准，得到第二校准特征值；
基于所述第一校准特征值和所述第二校准特征值，对所述食管粘膜平坦程度系数阈值进行校准。
在本申请一种可能的实现方式中，所述第一获取单元，具体用于：
对所述第二染色放大图像进行通道分解处理；
并对分解处理后得到的目标通道对应的染色放大图像进行小波去噪，得到第三染色放大图像。
另一方面，本申请还提供一种终端，所述终端包括：
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食管粘膜平坦程度量化方法。
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，以执行所述的食管粘膜平坦程度量化方法中的步骤。
本申请提供一种食管粘膜平坦程度量化方法，该方法包括对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取第二染色放大图像中目标通道对应的第三染色放大图像；获取第三染色放大图像的图像熵；获取第三染色放大图像的图像曲率；获取第三染色放大图像的表面粗糙度；基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。相较于传统方法，食管粘膜平坦程度识别效果差，精确度低下，容易对后续食管癌浸润深度的判断造成影响，本申请创造性的提出了通过对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像，然后对目标通道的图像进行多方面特征的提取与分析，并实现食管粘膜平坦程度量化，提高食管粘膜平坦程度识别效果和精准度。
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食管粘膜平坦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食管粘膜平坦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206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302的一个实施例流程示意图；
图5是本申请实施例中提供的对食管粘膜平坦程度系数阈值进行校准的一个实施例流程示意图；
图6是本申请实施例中提供的食管粘膜平坦程度量化装置的一个实施例结构示意图；
图7是本申请实施例中提供的终端的一个实施例结构示意图；
图8是本申请实施例中提供的RGB颜色模式向HSI颜色模式转化坐标系变换的一个示意图。
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食管粘膜平坦程度量化方法、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食管粘膜平坦程度量化系统的场景示意图，该食管粘膜平坦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中集成有食管粘膜平坦程度量化装置，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主要用于对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取第二染色放大图像中目标通道对应的第三染色放大图像；获取第三染色放大图像的图像熵；获取第三染色放大图像的图像曲率；获取第三染色放大图像的表面粗糙度；基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。
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、医疗辅助仪器等中的一种。
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，该食管粘膜平坦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，该食管粘膜平坦程度量化系统还可以包括存储器300，用于存储数据，如存储用户待检测食管粘膜染色放大图像和食管粘膜平坦程度量化数据，例如食管粘膜平坦程度量化系统运行时的食管粘膜平坦程度量化数据。
需要说明的是，图1所示的食管粘膜平坦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食管粘膜平坦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，随着食管粘膜平坦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食管粘膜平坦程度量化方法。
本申实施例食管粘膜平坦程度量化方法的实施例中以食管粘膜平坦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，该食管粘膜平坦程度量化装置应用于终端，该方法包括：对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取第二染色放大图像中目标通道对应的第三染色放大图像；获取第三染色放大图像的图像熵；获取第三染色放大图像的图像曲率；获取第三染色放大图像的表面粗糙度；基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。
请参阅图2至图8，图2为本申请实施例中提供的食管粘膜平坦程度量化方法的一个实施例流程示意图，该食管粘膜平坦程度量化方法包括步骤201至步骤206：
201、对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像。
其中，食管粘膜的第一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管粘膜的内镜图像，该内径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。作为本实施例的优选，选取ME-NBI图像，由于ME-NBI图像包含食管粘膜组织更多的信息。RGB颜色空间是图像处理中最基本、最常用、面向硬件的颜色空间，比较容易理解，RGB颜色空间利用三个颜色分量的线性组合来表示颜色。HSI颜色空间是从人的视觉系统出发，用色调（Hue）、色饱和度（Saturation）和亮度（Intensity）来描述色彩。HSI颜色空间可以用一个圆锥空间模型来描述。用这种描述HSI色彩空间的圆锥模型相当复杂，但确能把色调、亮度和色饱和度的变化情形表现得很清楚。
RGB颜色空间模式向HSI颜色空间模式的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换，为了便于理解，请参阅图8，其中左侧的图为笛卡尔直角坐标系的单位立方体，而右侧的图为圆柱极坐标的双锥体。基本要求是将RGB中的亮度因素分离，通常将色调和饱和度统称为色度，用来表示颜色的类别与深浅程度。在图中圆锥中间的横截面圆就是色度圆，而圆锥向上或向下延伸的便是亮度分量的表示。采用几何推导法，具体实现方式包括：对第一染色放大图像进行尺寸调整；对尺寸调整后的图像中的R、G、B三通道像素进行归一化；基于归一化后的三通道，确定HSI颜色空间模式对应的双圆锥底面积的坐标角度；基于该坐标角度和归一化后的三通道，确定HSI颜色空间模式对应的H，S，I三个通道，以得到HSI颜色空间模式的第二染色放大图像。
其中，对第一染色放大图像进行尺寸调整，是将第一染色放大图像的原始尺寸调
整为符合后续操作预期要求的目标尺寸，本申请以对图像进行缩放进行举例说明：输入图
像，对图像采用边界填充方式进行尺寸缩放。具体实施步骤如下：待分析食管癌图片尺寸
，设定目标尺寸
，本申请中目标尺寸为
；确定缩放系数，
，缩放后图片尺寸
；边界填充时使原图居中，在边缘填充黑边。宽边填充
宽度：
，长边填充宽度：
。
其中，对尺寸调整后的图像中的R、G、B三通道像素进行归一化，其归一化公式如下：
其中，基于归一化后的三通道，确定HSI颜色空间模式对应的双圆锥底面积的坐标角度，如下述公式：
其中，基于该坐标角度和归一化后的三通道，确定HSI颜色空间模式对应的H，S，I三个通道，如下述公式：
202、获取第二染色放大图像中目标通道对应的第三染色放大图像。
在本申请的一些实施例中，获取第二染色放大图像中目标通道对应的第三染色放大图像，包括：对第二染色放大图像进行通道分解处理；并对分解处理后得到的目标通道对应的染色放大图像进行小波去噪，得到第三染色放大图像。小波图像去噪保留大部分包含信号的小波系数，可以较好地保持图象细节，具体包括：对对分解处理后得到的目标通道对应的染色放大图像进行小波变换，得到小波系数；对小波系数及进行硬阈值去噪，得到去噪后的小波系数；对去噪后的小波系数进行重构，得到第三染色放大图像。
其中，对小波系数及进行硬阈值去噪，得到去噪后的小波系数，具体如下述公式：
其中，当小波系数大于临界阈值
时，认为小波系数主要是由信号引起的，直接保
留小波系数，当小波系数小于临界阈值
时，认为小波系数由噪声引起，置为0。临界阈值
计算公式为
，其中，
，MAD为首层小波分解系数绝对值的
中间值，0.6745为高斯去噪声标准方差的调整系数，N为信号的尺寸或长度。
203、获取第三染色放大图像的图像熵。
其中，图像熵是图像“繁忙”程度的估计值，图像熵表示为图像灰度级集合的比特平均数，单位比特/像素，也描述了图像信源的平均信息量。其图像熵计算公式如下：
其中，
表示的是灰度i所出现的概率，图像的一维熵可以表示图像灰度分布的聚
集特征，却不能反映图像灰度分布的空间特征。为了表征这种空间特征，在一维熵的基础上
引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。选择图像的邻域灰度均值
作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为
，其中i表示像
素的灰度值，j表示邻域灰度均值，此时
。
其中，
为特征二元组
出现的频数，N为图像的尺寸，本申请中N=512。
204、获取第三染色放大图像的图像曲率。
其中，第三染色放大图像的图像曲率指的是图像上所有像素的曲率均值，首先，第三染色放大图像每个像素点的曲率值按如下公式计算：
其中，
—为第三染色放大图像的二维离散表达形式；
—是第三染
色放大图像的一阶导数；
—是第三染色放大图像二阶偏导数。
第三染色放大图像的图像曲率指的是图像上所有像素的曲率均值为
，其中W，H为第三染色放大图像的宽和高。
205、获取第三染色放大图像的表面粗糙度。
本申请实施例中，获取第三染色放大图像的表面粗糙度包括：计算第三染色放大图像的像素平均值；基于像素平均值，获取第三染色放大图像对应的水平基准线的粗糙度量化值；获取第三染色放大图像对应的竖直基准线的粗糙度量化值；基于水平基准线的粗糙度量化值和竖直基准线的粗糙度量化值，确定第三染色放大图像的表面粗糙度。
本申请实施例中，计算第三染色放大图像的像素平均值，如下公式：
其中，S_Q_img指的是第三染色放大图像，W，H为第三染色放大图像的宽，高。
本申请实施例中，获取第三染色放大图像对应的水平基准线的粗糙度量化值，如下公式：
其中，
为平行于图像行的某一基准线，
，本申请中
；
本申请实施例中，获取第三染色放大图像对应的竖直基准线的粗糙度量化值，如下公式：
其中，
为平行于图像列的某一基准线，
，本申请中
；
本申请实施例中，基于水平基准线的粗糙度量化值和竖直基准线的粗糙度量化值，确定第三染色放大图像的表面粗糙度，如下公式：
206、基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。
其中，本申请通过图像熵、图像曲率以及表面粗糙度三个量化参数，从多个维度对待检测食管粘膜平坦程度进行量化，可有效提高食管粘膜平坦程度识别效果和精准度。
其具体如何基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化，请参阅下述实施例，在此不做赘述。
本申请提供一种食管粘膜平坦程度量化方法，该方法包括对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取第二染色放大图像中目标通道对应的第三染色放大图像；获取第三染色放大图像的图像熵；获取第三染色放大图像的图像曲率；获取第三染色放大图像的表面粗糙度；基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。相较于传统方法，食管粘膜平坦程度识别效果差，精确度低下，容易对后续食管癌浸润深度的判断造成影响，本申请创造性的提出了通过对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像，然后对目标通道的图像进行多方面特征的提取与分析，并实现食管粘膜平坦程度量化，提高食管粘膜平坦程度识别效果和精准度。
在本申请的一些实施例中，如图3所示，步骤206、基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化，包括：
301、基于图像熵、图像曲率以及表面粗糙度，确定食管粘膜平坦程度系数。
在本申请的一些实施例中，基于图像熵、图像曲率以及表面粗糙度，确定食管粘膜平坦程度系数，包括：将图像熵、图像曲率以及表面粗糙度进行加权拟合，得到食管粘膜平坦程度系数。
具体的，食管粘膜平坦程度系数计算公式如下：
其中
，可通过训练机器学习方法如决策树、随机森林等机器学习模型
得到。
302、基于食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对待检测食管粘膜平坦程度进行量化。
在本申请的一些实施例中，如图4所示，步骤302、基于食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对待检测食管粘膜平坦程度进行量化，包括：
401、获取预设的食管粘膜平坦程度系数阈值。
在本申请的一些实施例中，获取预设的食管粘膜平坦程度系数阈值，包括：获取包括有预设张食管粘膜图像的样本集；将样本集进行分类，得到第一样本集和第二样本集；计算第一样本集中每个样本的平坦程度系数，得到第一平坦程度系数集，并计算第二样本集中每个样本的平坦程度系数，得到第二平坦程度系数集；计算第一平坦程度系数集对应的第一特征值，并计算第二平坦程度系数集对应的第二特征值；基于第一特征值和第二特征值，确定预设的食管粘膜平坦程度系数阈值。
其中，第一样本集和第二样本集是不同分类，一个是食管粘膜平坦图像集合，另一个是食管粘膜非平坦图像集合。第一特征值和第二特征值的特征属性相同，具体的，特征属性可以是均值、最大值、最小值或中值等，本申请以均值为例，进行说明。
计算第一样本集中每个样本的平坦程度系数，得到第一平坦程度系数集，第一平
坦程度系数集对应列表
；计算第二样本集中每个样本的平坦
程度系数，得到第二平坦程度系数集，第二平坦程度系数集对应列表
；计算第一平坦程度系数集对应的第一特征值，并计算第二
平坦程度系数集对应的第二特征值；其中第一特征值和第二特征值如下：
402、将食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值进行比较。
403、若食管粘膜平坦程度系数大于预设的食管粘膜平坦程度系数阈值，则确定待检测食管粘膜平坦程度为非平坦。
404、若食管粘膜平坦程度系数小于或等于预设的食管粘膜平坦程度系数阈值，则确定待检测食管粘膜平坦程度为非平坦。
在本申请的一些实施例中，如图5所示，在基于第一特征值和第二特征值，确定预设的食管粘膜平坦程度系数阈值之后，方法还包括：
501、获取包括有预设张与第一样本集相同分类的样本集，得到第三样本集，并计算第三样本集中每个样本的平坦程度系数，得到第三平坦程度系数；
502、获取包括有预设张与第二样本集相同分类的样本集，得到第四样本集，并计算第四样本集中每个样本的平坦程度系数，得到第四平坦程度系数；
503、计算第三平坦程度系数集对应的第三特征值，并计算第四平坦程度系数集对应的第四特征值；
其中，第三特征值与第一特征值特征属性相同，第四特征值与第二特征值特征属性相同，其具体限定不作赘述。
504、基于第三特征值，对第一特征值进行校准，得到第一校准特征值，并基于第四特征值，对第二特征值进行校准，得到第二校准特征值；
505、基于第一校准特征值和第二校准特征值，对食管粘膜平坦程度系数阈值进行校准。
在本申请实施例中，以基于第三特征值，对第一特征值进行校准，得到第一校准特征值，进行举例说明，其中，获取包括有预设张与第一样本集相同分类的样本集，得到第三样本集，并计算第三样本集中每个样本的平坦程度系数，得到第三平坦程度系数，即第三平坦程度系数为：
当满足如下公式：
为了更好实施本申请实施例中食管粘膜平坦程度量化方法，在食管粘膜平坦程度量化方法基础之上，本申请实施例中还提供一种食管粘膜平坦程度量化装置，如图6所示，食管粘膜平坦程度量化装置600包括第一转换单元601、第一获取单元602、第二获取单元603、第三获取单元604、第四获取单元605以及第一量化单元606：
第一转换单元601，用于对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；
第一获取单元602，用于获取第二染色放大图像中目标通道对应的第三染色放大图像。
第二获取单元603，用于获取第三染色放大图像的图像熵。
第三获取单元604，用于获取第三染色放大图像的图像曲率。
第四获取单元605，用于获取第三染色放大图像的表面粗糙度。
第一量化单元606，用于基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。
在本申请的一些实施例中，第一量化单元606，包括：
第一确定单元，用于基于图像熵、图像曲率以及表面粗糙度，确定食管粘膜平坦程度系数。
第二量化单元，用于基于食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对待检测食管粘膜平坦程度进行量化。
在本申请的一些实施例中，第一确定单元，具体用于：
将图像熵、图像曲率以及表面粗糙度进行加权拟合，得到食管粘膜平坦程度系数。
在本申请的一些实施例中，第二量化单元，具体包括：
第五获取单元，用于获取预设的食管粘膜平坦程度系数阈值。
第一比较单元，用于将食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值进行比较。
第二确定单元，用于若食管粘膜平坦程度系数大于预设的食管粘膜平坦程度系数阈值，则确定待检测食管粘膜平坦程度为非平坦。
第三确定单元，用于若食管粘膜平坦程度系数小于或等于预设的食管粘膜平坦程度系数阈值，则确定待检测食管粘膜平坦程度为非平坦。
在本申请的一些实施例中，第五获取单元，具体用于：
获取包括有预设张食管粘膜图像的样本集。
将样本集进行分类，得到第一样本集和第二样本集。
计算第一样本集中每个样本的平坦程度系数，得到第一平坦程度系数集，并计算第二样本集中每个样本的平坦程度系数，得到第二平坦程度系数集。
计算第一平坦程度系数集对应的第一特征值，并计算第二平坦程度系数集对应的第二特征值。
基于第一特征值和第二特征值，确定预设的食管粘膜平坦程度系数阈值。
在本申请的一些实施例中，在基于第一特征值和第二特征值，确定预设的食管粘膜平坦程度系数阈值之后，装置还用于：
获取包括有预设张与第一样本集相同分类的样本集，得到第三样本集，并计算第三样本集中每个样本的平坦程度系数，得到第三平坦程度系数；
获取包括有预设张与第二样本集相同分类的样本集，得到第四样本集，并计算第四样本集中每个样本的平坦程度系数，得到第四平坦程度系数；
计算第三平坦程度系数集对应的第三特征值，并计算第四平坦程度系数集对应的第四特征值；
基于第三特征值，对第一特征值进行校准，得到第一校准特征值，并基于第四特征值，对第二特征值进行校准，得到第二校准特征值；
基于第一校准特征值和第二校准特征值，对食管粘膜平坦程度系数阈值进行校准。
在本申请的一些实施例中，第一获取单元602，具体用于：
对第二染色放大图像进行通道分解处理。
并对分解处理后得到的目标通道对应的染色放大图像进行小波去噪，得到第三染色放大图像。
本申请提供一种食管粘膜平坦程度量化装置600，该装置包括第一转换单元601，用于对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；第一获取单元602，用于获取第二染色放大图像中目标通道对应的第三染色放大图像；第二获取单元603，用于获取第三染色放大图像的图像熵；第三获取单元604，用于获取第三染色放大图像的图像曲率；第四获取单元605，用于获取第三染色放大图像的表面粗糙度；第一量化单元606，用于基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。相较于传统方法，食管粘膜平坦程度识别效果差，精确度低下，容易对后续食管癌浸润深度的判断造成影响，本申请创造性的提出了通过对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像，然后对目标通道的图像进行多方面特征的提取与分析，并实现食管粘膜平坦程度量化，提高食管粘膜平坦程度识别效果和精准度。
除了上述介绍用于食管粘膜平坦程度量化方法与装置之外，本申请实施例还提供一种终端，其集成了本申请实施例所提供的任一种食管粘膜平坦程度量化装置，终端包括：
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食管粘膜平坦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终端，其集成了本申请实施例所提供的任一种食管粘膜平坦程度量化装置。参阅图7，图7是本申请实施例提供的终端一个实施例结构示意图。
如图7所示，其示出了本申请实施例所设计的食管粘膜平坦程度量化装置的结构示意图，具体来讲：
该食管粘膜平坦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701、一个或一个以上计算机可读存储介质的存储单元702、电源703和输入单元704等部件。本领域技术人员可以理解，图7中示出的食管粘膜平坦程度量化装置结构并不构成对食管粘膜平坦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701是该食管粘膜平坦程度量化装置的控制中心，利用各种接口和线路连接整个食管粘膜平坦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702内的软件程序和/或模块，以及调用存储在存储单元702的数据，执行食管粘膜平坦程度量化装置的各种功能和处理数据，从而对食管粘膜平坦程度量化装置进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701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701中。
存储单元702可用于存储软件程序以及模块，处理器701通过运行存储在存储单元702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702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食管粘膜平坦程度量化装置的使用所创建的数据等。此外，存储单元702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702还可以包括存储器控制器，以提供处理器701对存储单元702的访问。
食管粘膜平坦程度量化装置还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701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703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。
该食管粘膜平坦程度量化装置还可包括输入单元704，该输入单元704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，食管粘膜平坦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，食管粘膜平坦程度量化装置中的处理器701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702中，并由处理器701来运行存储在存储单元702中的应用程序，从而实现各种功能，如下：
对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取第二染色放大图像中目标通道对应的第三染色放大图像；获取第三染色放大图像的图像熵；获取第三染色放大图像的图像曲率；获取第三染色放大图像的表面粗糙度；基于图像熵、图像曲率以及表面粗糙度，对待检测食管粘膜平坦程度进行量化。
本申请提供一种食管粘膜平坦程度量化方法，该方法包括对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取所述第二染色放大图像中目标通道对应的第三染色放大图像；获取所述第三染色放大图像的图像熵；获取所述第三染色放大图像的图像曲率；获取所述第三染色放大图像的表面粗糙度；基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化。相较于传统方法，食管粘膜平坦程度识别效果差，精确度低下，容易对后续食管癌浸润深度的判断造成影响，本申请创造性的提出了通过对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像，然后对目标通道的图像进行多方面特征的提取与分析，并实现食管粘膜平坦程度量化，提高食管粘膜平坦程度识别效果和精准度。
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食管粘膜平坦程度量化方法中的步骤。例如，该指令可以执行如下步骤：
对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；获取所述第二染色放大图像中目标通道对应的第三染色放大图像；获取所述第三染色放大图像的图像熵；获取所述第三染色放大图像的图像曲率；获取所述第三染色放大图像的表面粗糙度；基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化。
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食管粘膜平坦程度量化方法、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 (8)
1.一种食管粘膜平坦程度量化方法，其特征在于，所述方法包括：
对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；
获取所述第二染色放大图像中目标通道对应的第三染色放大图像；
获取所述第三染色放大图像的图像熵；
获取所述第三染色放大图像的图像曲率；
获取所述第三染色放大图像的表面粗糙度；
基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化；
所述第三染色放大图像的图像曲率指的是图像上所有像素的曲率均值；
所述获取所述第三染色放大图像的表面粗糙度，包括：
计算所述第三染色放大图像的像素平均值；基于像素平均值，获取所述第三染色放大图像对应的水平基准线的粗糙度量化值，以及所述第三染色放大图像对应的竖直基准线的粗糙度量化值；
将所述水平基准线的粗糙度量化值和所述竖直基准线的粗糙度量化值的平均值，确定为第三染色放大图像的表面粗糙度；
其中，所述基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化，包括：
将所述图像熵、所述图像曲率以及所述表面粗糙度进行加权拟合，得到食管粘膜平坦程度系数；
基于所述食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对所述待检测食管粘膜平坦程度进行量化。
2.根据权利要求1所述的食管粘膜平坦程度量化方法，其特征在于，所述基于所述食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对所述待检测食管粘膜平坦程度进行量化，包括：
获取预设的食管粘膜平坦程度系数阈值；
将所述食管粘膜平坦程度系数和所述预设的食管粘膜平坦程度系数阈值进行比较；
若所述食管粘膜平坦程度系数大于所述预设的食管粘膜平坦程度系数阈值，则确定所述待检测食管粘膜平坦程度为平坦；
若所述食管粘膜平坦程度系数小于或等于所述预设的食管粘膜平坦程度系数阈值，则确定所述待检测食管粘膜平坦程度为非平坦。
3.根据权利要求2所述的食管粘膜平坦程度量化方法，其特征在于，所述获取预设的食管粘膜平坦程度系数阈值，包括：
获取包括有预设张食管粘膜图像的样本集；
将所述样本集进行分类，得到第一样本集和第二样本集；
计算所述第一样本集中每个样本的平坦程度系数，得到第一平坦程度系数集，并计算所述第二样本集中每个样本的平坦程度系数，得到第二平坦程度系数集；
计算所述第一平坦程度系数集对应的第一特征值，并计算所述第二平坦程度系数集对应的第二特征值；
基于所述第一特征值和所述第二特征值，确定预设的食管粘膜平坦程度系数阈值。
4.根据权利要求3所述的食管粘膜平坦程度量化方法，其特征在于，在基于所述第一特征值和所述第二特征值，确定预设的食管粘膜平坦程度系数阈值之后，所述方法还包括：
获取包括有预设张与所述第一样本集相同分类的样本集，得到第三样本集，并计算所述第三样本集中每个样本的平坦程度系数，得到第三平坦程度系数；
获取包括有预设张与所述第二样本集相同分类的样本集，得到第四样本集，并计算所述第四样本集中每个样本的平坦程度系数，得到第四平坦程度系数；
计算所述第三平坦程度系数集对应的第三特征值，并计算所述第四平坦程度系数集对应的第四特征值；
基于所述第三特征值，对所述第一特征值进行校准，得到第一校准特征值，并基于所述第四特征值，对所述第二特征值进行校准，得到第二校准特征值；
基于所述第一校准特征值和所述第二校准特征值，对所述食管粘膜平坦程度系数阈值进行校准。
5.根据权利要求1所述的食管粘膜平坦程度量化方法，其特征在于，所述获取所述第二染色放大图像中目标通道对应的第三染色放大图像，包括：
对所述第二染色放大图像进行通道分解处理；
并对分解处理后得到的目标通道对应的染色放大图像进行小波去噪，得到第三染色放大图像。
6.一种食管粘膜平坦程度量化装置，其特征在于，所述装置包括：
第一转换单元，用于对预先获取的待检测食管粘膜的第一染色放大图像的RGB颜色空间模式进行转换，得到HSI颜色空间模式的第二染色放大图像；
第一获取单元，用于获取所述第二染色放大图像中目标通道对应的第三染色放大图像；
第二获取单元，用于获取所述第三染色放大图像的图像熵；
第三获取单元，用于获取所述第三染色放大图像的图像曲率；
第四获取单元，用于获取所述第三染色放大图像的表面粗糙度；
第一量化单元，用于基于所述图像熵、所述图像曲率以及所述表面粗糙度，对所述待检测食管粘膜平坦程度进行量化；
所述第三染色放大图像的图像曲率指的是图像上所有像素的曲率均值；
所述第四获取单元，具体用于：
计算所述第三染色放大图像的像素平均值；基于像素平均值，获取所述第三染色放大图像对应的水平基准线的粗糙度量化值，以及所述第三染色放大图像对应的竖直基准线的粗糙度量化值；
将所述水平基准线的粗糙度量化值和所述竖直基准线的粗糙度量化值的平均值，确定为第三染色放大图像的表面粗糙度；
其中，所述第一量化单元，具体用于：
将所述图像熵、所述图像曲率以及所述表面粗糙度进行加权拟合，得到食管粘膜平坦程度系数；
基于所述食管粘膜平坦程度系数和预设的食管粘膜平坦程度系数阈值，对所述待检测食管粘膜平坦程度进行量化。
7.一种终端，其特征在于，所述终端包括：
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5中任一项所述的食管粘膜平坦程度量化方法。
8.一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5任一项所述的食管粘膜平坦程度量化方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014920.3A CN114022880B (zh) | 2022-01-07 | 2022-01-07 | 食管粘膜平坦程度量化方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210014920.3A CN114022880B (zh) | 2022-01-07 | 2022-01-07 | 食管粘膜平坦程度量化方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022880A CN114022880A (zh) | 2022-02-08 |
| CN114022880B true CN114022880B (zh) | 2022-04-19 |
Family
ID=80069832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210014920.3A Active CN114022880B (zh) | 2022-01-07 | 2022-01-07 | 食管粘膜平坦程度量化方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022880B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511749B (zh) * | 2022-04-19 | 2022-06-28 | 武汉大学 | 图像处理方法、装置、计算机设备及存储介质 |
| CN115311268B (zh) * | 2022-10-10 | 2022-12-27 | 武汉楚精灵医疗科技有限公司 | 食管内窥镜图像的识别方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509174A (zh) * | 2018-10-12 | 2019-03-22 | 桂林电子科技大学 | 一种自动识别真实缺陷孔洞的度量方法 |
| CN113643291A (zh) * | 2021-10-14 | 2021-11-12 | 武汉大学 | 食管标志物浸润深度等级确定方法、装置及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3047972A1 (en) * | 2018-06-25 | 2019-12-25 | The Royal Institution For The Advancement Of Learning (Mcgill University) | Method and system of performing medical treatment outcome assessment or medical condition diagnostic |
-
2022
- 2022-01-07 CN CN202210014920.3A patent/CN114022880B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509174A (zh) * | 2018-10-12 | 2019-03-22 | 桂林电子科技大学 | 一种自动识别真实缺陷孔洞的度量方法 |
| CN113643291A (zh) * | 2021-10-14 | 2021-11-12 | 武汉大学 | 食管标志物浸润深度等级确定方法、装置及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 利用图像的统计分析方法评价织物免烫等级;汪黎明等;《青岛大学学报》;20020331;摘要、第1节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022880A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114022880B (zh) | 食管粘膜平坦程度量化方法、装置、终端及存储介质 | |
| JP3880553B2 (ja) | 画像処理方法および装置 | |
| CN113643291B (zh) | 食管标志物浸润深度等级确定方法、装置及可读存储介质 | |
| JP3810776B2 (ja) | ディジタル画像中の赤目を検出し補正する方法 | |
| US10204432B2 (en) | Methods and systems for color processing of digital images | |
| JP2005526408A (ja) | デジタル画像の自動画質向上 | |
| CN113822897A (zh) | 血管分割方法、终端及计算机可读存储介质 | |
| JP6704933B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
| CN110012278B (zh) | 一种图像渲染方法、装置、计算机设备和存储介质 | |
| US11657500B2 (en) | System and method for assessing a pulmonary image | |
| WO2022105276A1 (zh) | 投影区域确定方法、装置、投影设备及可读存储介质 | |
| US20110262019A1 (en) | System for Enhancing Comparative Grayscalized and Colorized Medical Images | |
| Liu et al. | Enhancement of low illumination images based on an optimal hyperbolic tangent profile | |
| Wang et al. | Endoscopic image luminance enhancement based on the inverse square law for illuminance and retinex | |
| WO2021218696A1 (zh) | 肤色检测方法、装置、终端和存储介质 | |
| CN116665615B (zh) | 一种医用显示器控制方法、系统、设备及其存储介质 | |
| CN111489318B (zh) | 医学图像增强方法和计算机可读存储介质 | |
| CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
| CN114078128B (zh) | 医学图像处理方法、装置、终端及存储介质 | |
| US20220375043A1 (en) | Specular reflection reduction in endoscope visualization | |
| US10891730B1 (en) | Fiber pattern removal and image reconstruction endoscopic devices and related methods | |
| CN113781330A (zh) | 图像处理方法、装置及电子系统 | |
| US20170372495A1 (en) | Methods and systems for color processing of digital images | |
| CN114359280B (zh) | 胃黏膜图像边界量化方法、装置、终端及存储介质 | |
| WO2020107196A1 (zh) | 一种对拍摄装置的拍摄质量评测方法、装置及终端设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |