CN114080644A - 用于诊断小肠清洁度的系统和方法 - Google Patents

用于诊断小肠清洁度的系统和方法 Download PDF

Info

Publication number
CN114080644A
CN114080644A CN202080048089.2A CN202080048089A CN114080644A CN 114080644 A CN114080644 A CN 114080644A CN 202080048089 A CN202080048089 A CN 202080048089A CN 114080644 A CN114080644 A CN 114080644A
Authority
CN
China
Prior art keywords
small intestine
images
cleanliness
image
similarity
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.)
Pending
Application number
CN202080048089.2A
Other languages
English (en)
Inventor
金维镇
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.)
Intemati
Original Assignee
Intemati
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 Intemati filed Critical Intemati
Publication of CN114080644A publication Critical patent/CN114080644A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1032—Determining colour for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4255—Intestines, colon or appendix
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—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]
    • 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
    • G06T2207/30028—Colon; Small intestine

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Fuzzy Systems (AREA)
  • Optics & Photonics (AREA)
  • Endocrinology (AREA)

Abstract

本发明涉及一种用于诊断小肠清洁度的系统。该系统可以包括：相似度分析单元，用于分析以从多个小肠图像中选择相似的小肠图像的代表图像；图像分类单元，当在已经学习了多个小肠图像的状态下接收到要诊断清洁度的一系列的多个小肠图像时，通过将代表图像应用于学习结果来预测小肠清洁度，从而根据分数对小肠清洁度进行分类；以及清洁度诊断单元，基于代表图像的小肠清洁度的分数和与代表图像相似的小肠图像的数量，计算一系列的多个小肠图像的最终小肠清洁度。

Description

用于诊断小肠清洁度的系统和方法
技术领域
本发明涉及一种用于诊断小肠清洁度的系统和方法，更具体地，涉及一种通过预先学习和自动诊断在用户界面(UI)上显示小肠清洁度的系统和方法。
背景技术
小肠是指位于胃与大肠之间并且长6至7m的消化道，并且是在消化中消化和吸收营养物质的重要器官。小肠从上面分为三个区域，即十二指肠、空肠和回肠。
小肠清洁度是诊断小肠的状况后制作诊断报告时需要填写的信息。目前，医学专家关于小肠学习了数万个图像，并且通过专家根据所学习的图像的判断来诊断清洁度。
然而，这种关于小肠清洁度的常规诊断存在不一致的问题，因为专家通过自身诊断小肠清洁度来做出主观决定，所以诊断小肠清洁度的不同专家很可能做出不同的决定。因此，需要一种自动地诊断并客观化小肠清洁度的系统。
发明内容
技术问题
本发明旨在解决上述的以往的问题，并且本发明的一方面旨在客观且一致地诊断小肠清洁度。
技术方案
为了实现本发明的上述方面，提供一种用于诊断小肠清洁度的系统，包括：相似度分析单元，所述相似度分析单元被配置为进行分析以从多个小肠图像中选择相似的小肠图像的代表图像；图像分类单元，所述图像分类单元被配置为当在学习了多个小肠图像的状态下接收到要诊断清洁度的一系列的多个小肠图像时，通过将代表图像应用于学习结果来预测小肠清洁度，从而根据针对小肠清洁度的分数对多个小肠图像进行分类；以及清洁度诊断单元，所述清洁度诊断单元被配置为基于对小肠清洁度进行了评分的代表图像的分数和与代表图像相似的小肠图像的数量，计算关于一系列的多个小肠图像的最终小肠清洁度。
这里，相似度分析单元可以被配置为通过巴氏距离(Bhattacharyya distance)算法基于两个小肠图像之间的颜色直方图的比较来测量相似度并且从基于给定的相似度基准选择的多个小肠图像中选择代表图像，来选择代表图像。
此外，随着两个小肠图像之间的相似度降低，相似度基准收敛为“0”，并且随着相似度增大，相似度基准收敛为“1”。
此外，图像分类单元可以被配置为基于卷积神经网络(CNN)模型学习多个小肠图像的颜色和纹理特征，并且通过基于界标信息将小肠图像应用于学习结果来预测小肠清洁度。
此外，图像分类单元可以被配置为在将从多个图像传感器输出的多个小肠图像的颜色基准标准化之后进行学习。
此外，颜色基准可以采用RGB、色调饱和度值(HSV)和颜色坐标(Lab)中的至少一个。
此外，针对小肠清洁度，可以以‘1’到‘10’的等级对多个小肠图像进行评分。
进一步，最终的小肠清洁度可以通过将与第一代表图像至第n代表图像相对应的相似图像的数量乘以被评分的清洁度的分数，将乘法结果累加并且将累加的和除以多个小肠图像的总数而得到。
此外，图像分类单元可以被配置为基于多小肠图像中的颜色和纹理来学习小肠区域，并且基于在小肠区域中设定的界标信息根据小肠区域对多个小肠图像进行分类。
为了实现本发明的方面，提供一种用于诊断小肠清洁度的方法，包括：接收已评分的多个小肠图像；学习已评分的多个小肠图像；当接收到要诊断小肠清洁度的一系列的多个小肠图像时，进行分析以从多个小肠图像中选择相似的小肠图像的代表图像；通过将代表图像应用于学习结果来预测小肠清洁度，从而根据针对小肠清洁度的分数对多个小肠图像进行分类；以及基于代表图像计算关于多个小肠图像的最终小肠清洁度。
有益效果
根据本发明，用于诊断小肠清洁度的系统和方法具有如下效果。
首先，可以提供针对小肠清洁度的一致且客观的指标。在根据本发明的用于诊断小肠清洁度的系统及方法中，所述系统事先关于小肠学习了大量的图片或图像并且自动地诊断小肠清洁度，从而不同于以往根据专家的主观判断被不一致地诊断的小肠清洁度，更一致地提供小肠清洁度。
其次，可以节省时间。在根据本发明的用于诊断小肠清洁度的系统及方法中，当用户想要基于事先学习过的小肠的图片或图像来诊断的小肠的图片被输入时，基于学习的算法立即诊断小肠清洁度，因此节省了诊断小肠清洁度所花费的时间。
第三，可以提供便利性。如上所述，用户容易诊断小肠清洁度，因为当用户要诊断的小肠的图片被输入时，根据学习的算法立即诊断小肠清洁度。
附图说明
图1是根据本发明的实施例的用于诊断小肠清洁度的系统的框图。
图2是示出根据本发明的实施例的用于诊断小肠清洁度的方法的流程图。
图3示出了在根据本发明的实施例的用于诊断小肠清洁度的系统中针对小肠清洁度已经评分的小肠图像。
图4示意性地示出了根据本发明的实施例的用于诊断小肠清洁度的系统中在基于卷积神经网络(CNN)模型学习小肠图像之前将多个颜色基准标准化。
图5示意性地示出了根据本发明的实施例的小肠清洁度诊断系统中基于CNN模型学习小肠图像。
图6示意性地示出了通过根据本发明的实施例的用于诊断小肠清洁度的系统中使用的巴氏距离算法在颜色直方图中比较两个小肠图像。
图7示意性地示出了根据本发明的实施例的用于诊断小肠清洁度的系统中基于相似度选择代表图像。
图8示意性地示出了根据本发明的实施例的用于诊断小肠清洁度的系统中最终计算出小肠清洁度。
具体实施方式
下面将参照附图详细描述本发明的实施例。然而，一些与本发明的主旨无关的特征可以被省略或概括，但是被省略的特征对于本发明来说不是不必要的并且可以被本发明所属领域的普通技术人员组合使用。
<用于诊断小肠清洁度的系统>
图1是根据本发明的实施例的用于诊断小肠清洁度的系统的框图。
如图1所示，根据本发明的实施例的用于诊断小肠清洁度的系统可以包括数据接收器100、图像分类单元110、相似度分析单元120、清洁度诊断单元130和数据库140。
数据接收器100被配置为从专家接收多个小肠图像。数据接收器100可以通过有线/无线网络连接到专家的终端以接收信息。专家可以根据检查和诊断的难易对小肠清洁度以“1”到“10”的分数对多个小肠图像进行评分。这里，多个小肠图像可以包括数万个小肠图像。
图像分类单元110被配置为，在基于在数据接收器100中接收到的多个小肠图像学习小肠清洁度之后实时接收一系列的多个小肠图像时，在小肠清洁度中对代表图像进行评分和分类。图像分类单元110可以基于人工神经网络学习多个小肠图像。在这种情况下，可以基于卷积神经网络(CNN)模型来学习多个小肠图像。针对小肠清洁度对小肠图像按“1”到“10”的等级进行评分，并且图像分类单元110基于与针对小肠清洁度按“1”到“10”的等级被评分的小肠图像相关联的分数来学习小肠图像的颜色和纹理特征，并通过基于界标信息将小肠区域的图像应用于学习结果来预测小肠清洁度，从而在一系列的多个小肠图像在之后被输入时，根据针对小肠清洁度的分数对小肠图像进行分类。
相似度分析单元120被配置为执行分析以实时地从由数据接收器100接收到的一系列的多个小肠图像中选择相似小肠图像的代表图像。相似度分析单元120通过分析多个小肠图像中的两个小肠图像是否为相似小肠图像来选择代表图像，使得图像分类单元110能够相对于小肠分类多个小肠图像，因此清洁度诊断单元130可以快速地诊断最终小肠清洁度。相似度分析单元120采用相似度算法仅选择相似小肠图像的代表图像，从而使图像分类单元110相对于小肠清洁度对多个小肠图像进行分类，而无需分析所有的数以万计的小肠图像。以这种方式，相似度分析单元120在小肠清洁度被诊断时加快了小肠图像的分类，从而有助于优化用于诊断小肠清洁度的系统1。
清洁度诊断单元130被配置为在实时接收一系列的多个小肠图像的状态下计算小肠图像的最终小肠清洁度。最终小肠清洁度需要考虑代表图像代表多少相似图像来计算。换句话说，小肠图像的小肠清洁度根据小肠的区域而不同。因此，通过将根据小肠的区域的分数累加，基于关于一系列的多个接收到的小肠图像的小肠清洁度的平均，最终诊断小肠清洁度。
数据库140被配置为使从专家接收到的多个小肠图像根据对于小肠清洁度的分数被存储和保留。进一步，数据库140还可以存储和保留通过清洁度诊断单元130已经诊断出的小肠清洁度的历史记录。
下面，将描述根据本发明的诊断小肠清洁度的方法。
图2是示出根据本发明的实施例的诊断小肠清洁度的方法的流程图。
如图2所示，通过根据本发明的实施例的诊断小肠清洁度方法，首先接收已经被评分的多个小肠图像。<S20>
这里，将进一步详细描述已经完成评分的多个小肠图像。为此，将参考图3进行描述。
图3示出了在根据本发明的实施例的用于诊断小肠清洁度的系统中针对小肠清洁度已经评分的小肠图像。
如图3所示，针对小肠清洁度，可以按“1”到“10”的等级对小肠图像进行评分。具体地，针对小肠清洁度的分数可以通过专家在基于各种经验查看小肠图像时做出的主观判断进行评分。在这种情况下，专家基于关于小肠图像的小肠的图像清晰度、整个图像中与小肠对应的部分的比例以及图像上的漂浮物对小肠清洁度进行评分。
参考图3，当小肠清洁度得分为“1”分时，小肠的形状在小肠图像上几乎看不到并且不清晰。因此，专家可以将相应小肠图像的小肠清洁度确定为“1”分。
此外，当小肠清洁度得分为“2”分时，小肠的轮廓、内壁和形状等比得分为“1”分时更清晰，但具有大量的漂浮物。因此，专家可以将相应小肠图像的小肠清洁度确定为“2”分。
另外，当小肠清洁度得分为“10”分时，在小肠图像上非常清晰地看到小肠，不仅可以观察到小肠的内壁，而且还可以观察到绒毛，并且漂浮物很少。因此，专家可以将相应小肠图像的小肠清洁度确定为“10”分。
关于如上由专家针对多个小肠图像评分的小肠图像的信息可以在数据接收器100中接收，然后根据针对小肠清洁度的分数被存储在数据库140中。
接下来，图像分类单元110学习已经完成其评分的多个小肠图像。<S21>
图像分类单元110可以使用人工神经网络来学习被专家用针对小肠清洁度的分数评分的小肠图像。将参考图4和图5详细描述该过程。
图4示意性地示出了根据本发明的实施例的用于诊断小肠清洁度的系统中在基于CNN模型学习小肠图像之前对多个颜色基准进行标准化，图5示意性地示出了根据本发明的实施例的小肠清洁度诊断系统中基于CNN模型学习小肠图像。
首先，如图4所示，图像分类单元110可以在学习多个小肠图像之前对小肠图像应用预处理。具体地，多个小肠图像是从各种图像传感器中接收的，因此颜色基准是不同的。换句话说，即使用针对小肠清洁度的相同分数对小肠图像评分，小肠图像在红色、蓝色、绿色(RGB)、色相饱和度值(HSV)和颜色坐标(Lab)方面也可能是不同的，因此需要对颜色基准进行标准化以明确地学习多个小肠图像。颜色基准用作学习输入。
例如，如图4所示，当学习到小肠清洁度得分为“6分”的小肠图像时，小肠清洁度得分为“6分”的小肠图像可能在颜色基准上是不同的，因为图像是从各种图像传感器接收到的。因此，图像分类单元110可以按照以下方式对多个小肠图像应用预处理：输入从RGB转换的灰度、从HSV选择的S以及从针对小肠清洁度得分为“6”分的图像的Lab中选择的b。
因此，图像分类单元110可以基于通过使根据针对小肠清洁度的分数存储的多个小肠图像进行根据针对小肠清洁度的分数的预处理而被标准化的颜色基准，进行学习。此外，图像分类单元110可以基于关于针对小肠清洁度的“1”到“10”分的所有分数的标准化颜色基准，对多个小肠图像应用预处理。
此外，如图5所示，根据本发明的图像分类单元110可以使用人工神经网络来学习多个小肠图像。具体地，图像分类单元110可以对于根据针对小肠清洁度的分数存储的多个小肠图像，基于小肠图像的状态与针对小肠清洁度的分数之间的匹配进行学习。在这种情况下，人工神经网络可以在学习多个小肠图像时使用CNN模型。
通常，CNN是指人工神经网络，人工神经网络由输入层和输出层以及多个隐藏层组成并且采用卷积的数学运算。CNN的隐藏层一般包括与乘法或其他内积相关的一系列卷积层。激活函数通常是整流线性单元(ReLU：rectified linear unit)层，然后是额外的卷积，例如池化层、全连接层和归一化层，它们被称为隐藏层，因为输入和输出被激活函数和最终卷积遮掩。这种CNN具有适合于学习二维数据的结构，并且可以通过反向传播算法进行训练。CNN模型是图像中诸如物体分类、物体检测等各个应用领域中广泛使用的代表性模型之一，因而用于对图像进行分类。根据本发明，图像分类单元110可以基于CNN模型进行学习并对多个小肠图像进行分类。CNN是公知的，因此将省略其详细描述。
例如，假设如图5所示学习了五个小肠图像。这五个图像包括：第一小肠图像，其中步幅＝1，滤光片＝3×3，并且宽度和高度为320×320；第二小肠图像，其中步幅＝1，滤光片＝1×1，并且宽度和高度为160×160；第三小肠图像，其中步幅＝1，滤光片＝3×3，并且宽度和高度为80×80；第四小肠图像，其中步幅＝1，滤光片＝1×1，并且宽度和高度为40×40；以及第五小肠图像，其中步幅＝1，滤光片＝3×3，并且宽度和高度为20×20。
因此，图像分类单元110使用CNN将卷积1应用于第一小肠图像，从而通过ReLU层进行池化或平均池化。与第一小肠图像类似，第二小肠图像、第三小肠图像、第四小肠图像和第五小肠图像分别被进行卷积2、卷积3、卷积4和卷积5，从而经历ReLU层和最大池化或平均池化。
这里，当RGB、HSV和Lab被设定作为学习输入时，在HSV的S等级和Lab的b等级时使用平均池化，在RGB的灰色时使用最大池化。
在这种情况下，当学习小肠清洁度时，学习小肠图像的颜色和纹理特征。换句话说，小肠图像根据分数在诸如清晰度、颜色和纹理的特征上是不同的。因此，图像分类单元110通过对得分为“1”的小肠图像的颜色和纹理、得分为“2”的小肠图像的颜色和纹理以及得分为“10”的小肠图像的颜色和纹理进行分类来进行学习，从而学习关于针对小肠清洁度的分数的特征。
此外，为了对小肠的区域之间进行区分，可以基于界标信息来学习小肠区域。换句话说，界标基于小肠的绒毛或内壁的特征而设定，并且用于对小肠的区域之间进行区分。通过小肠区域之间的区分，图像分类单元110可以根据小肠的区域对小肠清洁度的分数进行分类。对于这样的界标信息，可以使用由系统用户设定的具体标记。
利用这样的过程，当灰色、S和b用作颜色基准时，图像分类单元110可以学习针对小肠清洁度得分为“6”分的图像。
当接收到想要诊断小肠清洁度的一系列的多个小肠图像时，进行分析以从多个小肠图像中选择相似小肠图像的代表图像。<S22>
将参考图6描述多个小肠图像中的相似度来分析相似度。
图6示意性地示出了通过根据本发明的实施例的用于诊断小肠清洁度的系统中使用的巴氏距离算法在颜色直方图中比较两个小肠图像。
如图6所示，相似度分析单元120可以通过分析多个小肠图像中的在小肠清洁度上相似的小肠图像来选择代表图像。这种在多个小肠图像中的代表图像的选择加快了诊断小肠清洁度的过程，从而能够在短时间内诊断小肠清洁度。
根据本发明，相似度分析单元120可以使用巴氏距离算法来分析小肠图像之间的相似度。巴氏距离算法已知是当给出正确分类的可证明性值时测量光谱幅值的统计可分离性的数字图像处理技术。巴氏距离算法是用于获得两个分布之间的距离的算法中的最强算法。换句话说，相似度分析单元120可以基于两个小肠图像之间的颜色直方图的比较来测量相似度。因此，对于基于两个图像之间的颜色直方图的比较的相似度，随着相似度越大，相似度收敛为“0”，但是随着相似度降低，相似度收敛为“1”。
图6图示了这样的颜色直方图。颜色直方图可以使用灰度作为比较类型，或者可以使用局部二值模式(LBP：local binary pattern)或多块局部二值模式(MB-LBP：multi-block local binary pattern)图像模式。这里，LBP是指一种用于计算机视觉的分类的视觉描述符的类似。LBP是公知的，因此将省略其详细描述。因此，相似度分析单元120可以将多个小肠图像转换为比较类型的图像以在颜色直方图中进行比较。
将详细描述颜色直方图。在图6中，通过相似度分析单元120基于灰度将两个上小肠图像转换为颜色直方图H1和H2。这两个小肠图像的颜色直方图示出了一种在左侧上升但向右下降的模式。此外，通过相似度分析单元120基于MB-LBP模式将图6中的两个下部小肠图像转换成颜色直方图H1和H2。这两个小肠图像的颜色直方图可以近似地以
Figure BDA0003443619430000094
的形态图案化。
相似度分析单元120可以通过基于灰度的颜色直方图或LBP图像模式的颜色直方图比较颜色直方图来测量两个小肠图像之间的相似度。
具体地，相似度分析单元120可以关于两个小肠图像的颜色直方图计算巴氏距离d(H1，H2)。这里，H1和H2是指上述的两个小肠图像的颜色直方图，
Figure BDA0003443619430000091
和
Figure BDA0003443619430000092
是两个小肠图像的平均颜色直方图，I为像素值，N为颜色直方图中的bin的总数。
因此，相似度分析单元120可以基于如下这些要素计算巴氏距离d(H1，H2)。
Figure BDA0003443619430000093
根据计算出的肖氏距离来计算两个分布之间的距离，因此可以比较两个小肠图像的颜色直方图并测量相似度。相似度被计算为‘0’和‘1’之间的一个值，并且在颜色直方图中比较两幅图像时，随着相似度降低，相似度收敛为“0”，但随着相似度增大，相似度收敛为“1”。
此外，将描述从对其之间分析相似度的小肠图像中选择代表图像。
图7示意性地示出了根据本发明的实施例的用于诊断小肠清洁度的系统中基于相似度选择代表图像。
如图7所示，通过在相似度分析单元120测量相似度之后比较多个小肠图像来选择相似的小肠图像。
具体地，可以通过在小肠区域的连续帧上重复地比较两个小肠图像之间的相似度与基准相似度来选择代表图像。例如，将假设基准相似度为‘0.850’。在这种情况下，如图7所示，相似度分析单元120选择最开始比较的小肠图像中的一个作为代表图像，并基于该小肠图像与随后的小肠图像之间的比较进行分析，从而选择代表图像和相似的小肠图像。
换句话说，参考图7，将最左边的第一小肠图像依次与第一小肠图像右侧的第二小肠图像、第三小肠图像、第n小肠图像进行比较。结果，第二小肠图像与第一小肠图像的相似度为‘0.923’，高于基准相似度‘0.850’，由此分析出第一小肠图像与第二小肠图像相似。在它们之间，相似度分析单元120可以选择第一小肠图像作为代表图像A，然后对后续的小肠图像进行比较和分析。同样地，对第一小肠图像和第三小肠图像相同地进行巴氏距离算法，然后相似度分析单元120对两个小肠图像的直方图进行比较和分析。其结果，得到‘0.921’的相似度，其高于基准相似度‘0.850’，由此分析出第一小肠图像与第三小肠图像彼此相似。另外，将第四小肠图像与第一小肠图像进行比较，得到‘0.918’的相似度，其高于基准相似度‘0.850’，由此分析出第一小肠图像与第四个小肠图像彼此相似。
以这种方式，相似度分析单元120可以对代表图像与其他图像进行比较和分析，从而计算第n小肠图像的相似度，并且相似的小肠图像可以落入代表图像所属于的小肠图像组。在这种情况下，如果存在相似度低于基准相似度‘0.850’的小肠图像，则选择新的代表图像。
具体来说，分析出由于两个小肠图像之间的相似度‘0.754’低于基准相似度‘0.850’所以小肠图像的代表图像A和B不相似。因此，相似度分析单元120可以通过将小肠图像B当做新的代表图像来选择相似的图像。当将代表图像B之后的小肠图像与和与代表图像A相似的图像相同的代表图像B进行比较时，得到‘0.874’和‘0.856’的相似度。因此，分析出这两小肠图像与代表图像B相似。因此，可以选择代表图像B所属于的小肠图像组。
接下来，通过将代表图像应用于学习结果来预测小肠清洁度，从而根据针对小肠清洁度的分数对小肠图像进行分类。<S23>
图像分类单元110利用多个学习的小肠图像，基于由相似度分析单元120从多个小肠图像中事先选择的代表图像，针对小肠清洁度对实时接收的多个小肠图像进行分类。换句话说，小肠清洁度的分数可以以‘1’到‘10’的等级给出，并且图像分类单元110可以基于学习结果，根据‘1’分到‘10’分的分数对代表图像进行分类，并且也可以根据分数将选择为与代表图像相似的小肠图像与代表图像一起进行分类。
最后，基于代表图像计算关于多个小肠图像的最终小肠清洁度。<S24>
将参照图8描述清洁度诊断部130最终计算小肠清洁度。
图8示意性地示出了根据本发明的实施例的用于诊断小肠清洁度的系统中最终计算出的小肠清洁度。
如图8所示，可以考虑在相似的小肠图像中代表图像代表多少小肠图像来诊断最终小肠清洁度。
具体地，通过将代表图像所代表的相似小肠图像的数量乘以代表图像的小肠清洁度，将所有代表图像的乘法结果累加，并将累加的和除以小肠图像的总数，从而得到最终小肠清洁度。换句话说，基于所有小肠图像的平均的小肠清洁度来诊断最终的小肠清洁度。这表示如下。
最终小肠清洁度＝{(代表图像A代表的相似图像的数量×小肠清洁度的分数‘1’分)+...+(代表图像n代表的相似图像的数量×小肠清洁清洁度的分数‘n’分)}/小肠图像的总数
例如，如图8所示，假设由数据接收器100实时接收到的多个小肠图像被对于小肠清洁度进行评分并且被图像分类单元110分类。在这种情况下，代表图像A的小肠清洁度得分为‘9’分，与代表图像A相似的小肠图像与代表图像A的总数为‘7’。此外，代表图像B的小肠清洁度得分为‘8’分，与代表图像B相似的小肠图像与代表图像B的总数为‘3’。因此，清洁度诊断单元130如下诊断最终小肠清洁度：将代表图像A的7个相似小肠图像乘以代表图像A的小肠清洁度的‘9’分得到的值与代表图像B的三个相似小肠图像乘以代表图像B的小肠清洁度‘8’分得到的值相加，并将累加的和除以小肠图像的总数10。这表示如下。
Figure BDA0003443619430000111
这样，当清洁度诊断单元130根据针对小肠清洁度的分数对小肠图像进行最终诊断时，诊断出对于实时接收到的一系列的多个小肠图像，小肠清洁度的得分为“8.7”。
为了说明的目的已经公开了本发明的实施例，并且本发明所属领域的普通技术人员将理解，可以在本发明的范围内做出各种改变、修改和添加，并且这样的变化、修改和添加均落入本发明的所附权利要求的范围内。

Claims (10)

1.一种用于诊断小肠清洁度的系统，包括：
相似度分析单元，所述相似度分析单元被配置为进行分析以从多个小肠图像中选择相似的小肠图像的代表图像；
图像分类单元，所述图像分类单元被配置为当在学习了多个小肠图像的状态下接收到期望诊断清洁度的一系列的多个小肠图像时，通过将所述代表图像应用于学习结果来预测小肠清洁度，从而根据针对所述小肠清洁度的分数对多个小肠图像进行分类；以及
清洁度诊断单元，所述清洁度诊断单元被配置为基于针对所述小肠清洁度进行了评分的所述代表图像的分数和与所述代表图像相似的小肠图像的数量，计算关于所述一系列的多个小肠图像的最终小肠清洁度。
2.根据权利要求1所述的系统，其中，所述相似度分析单元被配置为通过基于通过巴氏距离算法对两个小肠图像之间的颜色直方图的比较来测量相似度并且从基于给定的相似度基准选择的所述多个小肠图像中选择代表图像，来选择所述代表图像。
3.根据权利要求2所述的系统，其中，随着两个小肠图像之间的相似度降低，相似度基准收敛变为“0”，并且随着所述相似度增大，所述相似度基准收敛变为“1”。
4.根据权利要求1所述的系统，其中，所述图像分类单元被配置为基于卷积神经网络即CNN模型学习所述多个小肠图像的颜色和纹理特征，并且通过基于界标信息将所述小肠图像应用于所述学习结果来预测小肠清洁度。
5.根据权利要求1所述的系统，其中，所述图像分类单元被配置为在将从多个图像传感器中输出的所述多个小肠图像的颜色基准标准化之后进行学习。
6.根据权利要求5所述的系统，其中，所述颜色基准采用RGB即红色、绿色、蓝色、HSV即色调饱和度值以及Lab即颜色坐标中的至少一种。。
7.根据权利要求1所述的系统，其中，针对小肠清洁度，以‘1’到‘10’的等级对所述多个小肠图像进行了评分。
8.根据权利要求1所述的系统，其中，通过将与第一代表图像至第n代表图像对应的相似图像的数量乘以被评分的清洁度的分数、将乘法结果累加并且将累加的和除以所述多个小肠图像的总数，得到所述最终小肠清洁度。
9.根据权利要求1所述的系统，其中，所述图像分类单元被配置为基于所述多个小肠图像中的颜色和纹理来学习小肠区域，并且基于在所述小肠区域中设定的界标信息根据所述小肠区域对所述多个小肠图像进行分类。
10.一种用于诊断小肠清洁度的方法，包括：
接收已评分的多个小肠图像；
学习已评分的所述多个小肠图像；
当接收到期望诊断小肠清洁度的一系列的多个小肠图像时，进行分析以从所述多个小肠图像中选择相似的小肠图像的代表图像；
通过将所述代表图像应用于学习结果来预测小肠清洁度，从而根据针对所述小肠清洁度的分数对多个小肠图像进行分类；以及
基于所述代表图像计算关于所述多个小肠图像的最终小肠清洁度。
CN202080048089.2A 2019-11-08 2020-10-07 用于诊断小肠清洁度的系统和方法 Pending CN114080644A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020190142203A KR102430946B1 (ko) 2019-11-08 2019-11-08 소장 정결도를 진단하는 시스템 및 방법
KR10-2019-0142203 2019-11-08
PCT/KR2020/013636 WO2021091092A1 (ko) 2019-11-08 2020-10-07 소장 정결도를 진단하는 시스템 및 방법

Publications (1)

Publication Number Publication Date
CN114080644A true CN114080644A (zh) 2022-02-22

Family

ID=75848002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080048089.2A Pending CN114080644A (zh) 2019-11-08 2020-10-07 用于诊断小肠清洁度的系统和方法

Country Status (5)

Country Link
US (1) US12102441B2 (zh)
KR (1) KR102430946B1 (zh)
CN (1) CN114080644A (zh)
GB (1) GB2604706B (zh)
WO (1) WO2021091092A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082448A (zh) * 2022-07-26 2022-09-20 青岛美迪康数字工程有限公司 肠道清洁度评分方法、装置和计算机设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332019B (zh) * 2021-12-29 2023-07-04 小荷医疗器械(海南)有限公司 内窥镜图像检测辅助系统、方法、介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070255095A1 (en) * 2006-03-31 2007-11-01 Gilreath Mark G System and method for assessing a patient condition
US20100165088A1 (en) * 2008-12-29 2010-07-01 Intromedic Apparatus and Method for Displaying Capsule Endoscope Image, and Record Media Storing Program for Carrying out that Method
US20160148376A1 (en) * 2014-11-26 2016-05-26 Samsung Electronics Co., Ltd. Computer aided diagnosis (cad) apparatus and method
CN110335241A (zh) * 2019-05-09 2019-10-15 河南萱闱堂医疗信息科技有限公司 肠镜检查后对肠道准备自动进行评分的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4991319B2 (ja) 2007-01-11 2012-08-01 株式会社東芝 干渉検知装置及びそれを利用した医用画像診断装置
KR101889722B1 (ko) * 2017-02-10 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
EP3539455A1 (fr) * 2018-03-14 2019-09-18 Sorbonne Université Procédé pour déterminer automatiquement la qualité de visualisation des images en vidéocapsule endoscopique
KR101928302B1 (ko) * 2018-04-10 2018-12-13 주식회사 뷰노 콘텐츠 기반 의료 영상 검색 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070255095A1 (en) * 2006-03-31 2007-11-01 Gilreath Mark G System and method for assessing a patient condition
US20100165088A1 (en) * 2008-12-29 2010-07-01 Intromedic Apparatus and Method for Displaying Capsule Endoscope Image, and Record Media Storing Program for Carrying out that Method
US20160148376A1 (en) * 2014-11-26 2016-05-26 Samsung Electronics Co., Ltd. Computer aided diagnosis (cad) apparatus and method
CN110335241A (zh) * 2019-05-09 2019-10-15 河南萱闱堂医疗信息科技有限公司 肠镜检查后对肠道准备自动进行评分的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082448A (zh) * 2022-07-26 2022-09-20 青岛美迪康数字工程有限公司 肠道清洁度评分方法、装置和计算机设备

Also Published As

Publication number Publication date
KR102430946B1 (ko) 2022-08-10
KR20210055881A (ko) 2021-05-18
US20220304617A1 (en) 2022-09-29
GB2604706A (en) 2022-09-14
GB202117924D0 (en) 2022-01-26
GB2604706B (en) 2024-02-07
US12102441B2 (en) 2024-10-01
WO2021091092A1 (ko) 2021-05-14

Similar Documents

Publication Publication Date Title
CN110120040B (zh) 切片图像处理方法、装置、计算机设备和存储介质
CN107977671B (zh) 一种基于多任务卷积神经网络的舌象分类方法
Panchal et al. Plant diseases detection and classification using machine learning models
CN106803247B (zh) 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法
Desiani et al. Bi-path Architecture of CNN Segmentation and Classification Method for Cervical Cancer Disorders Based on Pap-smear Images.
Szczypiński et al. Identifying barley varieties by computer vision
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN112241699A (zh) 物体缺陷类别识别方法、装置、计算机设备和存储介质
KR102045223B1 (ko) 골 연령 분석 방법, 장치 및 컴퓨터 프로그램
CN112200121B (zh) 基于evm和深度学习的高光谱未知目标检测方法
CN111898621A (zh) 一种轮廓形状识别方法
CN114080644A (zh) 用于诊断小肠清洁度的系统和方法
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
CN114037868B (zh) 图像识别模型的生成方法及装置
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
CN117253192A (zh) 用于桑蚕养殖的智能系统及方法
CN115641317B (zh) 面向病理图像的动态知识回溯多示例学习及图像分类方法
CN116434920A (zh) 一种胃肠上皮化生进展风险预测方法与装置
Shweta et al. External feature based quality evaluation of Tomato using K-means clustering and support vector classification
CN113850762A (zh) 基于眼前节图像的眼病识别方法、装置、设备及存储介质
JP2005214682A (ja) 被検出体の判別システム及び画像の判別システム
Katteda et al. Feature extraction for image classification and analysis with ant colony optimization using fuzzy logic approach

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