CN114417037B - 图像处理方法、装置、终端及可读存储介质 - Google Patents

图像处理方法、装置、终端及可读存储介质 Download PDF

Info

Publication number
CN114417037B
CN114417037B CN202210321374.8A CN202210321374A CN114417037B CN 114417037 B CN114417037 B CN 114417037B CN 202210321374 A CN202210321374 A CN 202210321374A CN 114417037 B CN114417037 B CN 114417037B
Authority
CN
China
Prior art keywords
image set
enteroscope
image
enteroscopy
enteroscopic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210321374.8A
Other languages
English (en)
Other versions
CN114417037A (zh
Inventor
于红刚
姚理文
张晨霞
张丽辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210321374.8A priority Critical patent/CN114417037B/zh
Publication of CN114417037A publication Critical patent/CN114417037A/zh
Application granted granted Critical
Publication of CN114417037B publication Critical patent/CN114417037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Biology (AREA)
  • Endoscopes (AREA)

Abstract

本申请提供一种图像处理方法、装置、终端及可读存储介质，该方法包括：对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将上述处理后的图像集，作为肠镜检测的诊断图像集。本申请实施例提高了留图的准确性和效率。

Description

图像处理方法、装置、终端及可读存储介质
技术领域
本申请涉及辅助医疗技术领域，具体涉及一种图像处理方法、装置、终端及可读存储介质。
背景技术
在传统的下消化道内镜检查过程中，内镜医师主要通过点击电脑界面上的“采图”按钮或使用“采图”脚踏板来记录检查过程中重要的图像。这些采集到的图像最终会集中保存在电脑的图文工作站中，操作结束后内镜医师会从采图图库中挑选合适的图片以形成最终的用于肠镜检测的诊断图像集。然而，由于内镜医师工作负担较重且不同内镜医师的工作经验、工作习惯及工作状态往往存在差异，这种传统的采图方式可能会影响内镜医师的工作效率与注意力，易造成选取图像质量不佳、漏采或错采等不良情况，降低用于肠镜检测的诊断图像集的质量，给患者后续的治疗与随访带来极大的影响。
因此，如何提高用于肠镜检测的诊断图像集的质量，是当前辅助医疗技术领域亟需解决的技术问题。
发明内容
本申请提供一种图像处理方法、装置、终端及可读存储介质，旨在解决如何提高用于肠镜检测的诊断图像集的质量的技术问题。
一方面，本申请提供一种图像处理方法，该方法包括：
对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；
对所述第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；
对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；
对所述第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；
基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集；
将所述第二肠镜图像集、所述第四肠镜图像集、所述目标肠镜图像集以及所述第五肠镜图像集，作为肠镜检测的诊断图像集。
在本申请一种可能的实现方式中，所述对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集，包括：
对所述肠镜数据进行解码，得到第六肠镜图像集；
对所述第六肠镜图像集进行尺寸归一化处理，得到第七肠镜图像集；
对所述第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集；
对所述第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集。
在本申请一种可能的实现方式中，所述对所述第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集，包括：
将所述第八肠镜图像集输入预先训练的非标准图像过滤模型中，得到符合预设要求的第一肠镜图像集。
在本申请一种可能的实现方式中，在对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集之前，所述方法还包括：
当接收到第一语音信息时，获取当前第一肠镜数据；
将所述第一语音信息转化为第一文本信息；
基于所述第一文本信息和所述当前第一肠镜数据，确定所述第二肠镜图像集。
在本申请一种可能的实现方式中，所述基于所述第一文本信息和所述当前第一肠镜数据，确定所述第二肠镜图像集，包括：
利用所述第一文本信息中的肠段标识信息对所述当前第一肠镜数据进行标识，得到所述第二肠镜图像集。
在本申请一种可能的实现方式中，所述基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集，包括：
将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集；
基于所述第九肠镜图像集，确定存在异常的第五肠镜图像集。
在本申请一种可能的实现方式中，在将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集之前，所述方法还包括：
当接收到第二语音信息时，获取当前第二肠镜数据；
将所述第二语音信息转化为第二文本信息；
基于所述第二文本信息和所述当前第二肠镜数据，确定所述第九肠镜图像集。
另一方面，本申请提供一种图像处理装置，所述装置包括：
第一图像预处理单元，用于对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；
第一分类处理单元，用于对所述第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；
第二分类处理单元，用于对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；
第三分类处理单元，用于对所述第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；
第一确定单元，用于基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集；将所述第二肠镜图像集、所述第四肠镜图像集、所述目标肠镜图像集以及所述第五肠镜图像集，作为肠镜检测的诊断图像集。
在本申请一种可能的实现方式中，所述第一图像预处理单元，具体包括：
第一解码单元，用于对所述肠镜数据进行解码，得到第六肠镜图像集；
第一尺寸归一化处理单元，用于对所述第六肠镜图像集进行尺寸归一化处理，得到第七肠镜图像集；
第一筛选处理单元，用于对所述第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集；
第一过滤处理单元，用于对所述第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集。
在本申请一种可能的实现方式中，所述第一过滤处理单元，具体用于：
将所述第八肠镜图像集输入预先训练的非标准图像过滤模型中，得到符合预设要求的第一肠镜图像集。
在本申请一种可能的实现方式中，在对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集之前，所述装置还包括：
第一获取单元，用于当接收到第一语音信息时，获取当前第一肠镜数据；
第一转化单元，用于将所述第一语音信息转化为第一文本信息；
第二确定单元，用于基于所述第一文本信息和所述当前第一肠镜数据，确定所述第二肠镜图像集。
在本申请一种可能的实现方式中，所述第二确定单元，具体用于：
利用所述第一文本信息中的肠段标识信息对所述当前第一肠镜数据进行标识，得到所述第二肠镜图像集。
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：
将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集；
基于所述第九肠镜图像集，确定存在异常的第五肠镜图像集。
在本申请一种可能的实现方式中，在将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集之前，所述装置还用于：
当接收到第二语音信息时，获取当前第二肠镜数据；
将所述第二语音信息转化为第二文本信息；
基于所述第二文本信息和所述当前第二肠镜数据，确定所述第九肠镜图像集。
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图像处理方法。
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，以执行所述的图像处理方法中的步骤。
本申请提供的图像处理方法，包括对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对所述第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对所述第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集；将所述第二肠镜图像集、所述第四肠镜图像集、所述目标肠镜图像集以及所述第五肠镜图像集，作为肠镜检测的诊断图像集。相较于传统方式，在通过内镜医师工作负担较重且不同内镜医师的工作经验、工作习惯及工作状态往往存在差异，这种传统的采图方式可能会影响内镜医师的工作效率与注意力，易造成选取图像质量不佳、漏采或错采等不良情况，降低用于肠镜检测的诊断图像集的质量，给患者后续的治疗与随访带来极大的影响的背景下，本申请创造性的通过医师在肠镜检查过程中，通过对一些不具有特异性的图像和一些异常图像预先进行标记，然后再对剩余图像进行筛选分类，提高了留图的准确性和效率，进一步提高了用于肠镜检测的诊断图像集的质量。
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图像处理系统的场景示意图；
图2是本申请实施例中提供的图像处理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确定第二肠镜图像集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205的一个实施例流程示意图；
图5是本申请实施例中提供的确定第九肠镜图像集的一个实施例流程示意图；
图6是本申请实施例中提供的图像处理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。
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图像处理方法、装置、终端及可读存储介质，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图像处理系统的场景示意图，该图像处理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中集成有图像处理装置，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主要用于对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。
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，该图像处理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，该图像处理系统还可以包括存储器300，用于存储数据，如存储肠镜数据和图像处理数据，例如图像处理系统运行时的图像处理数据。
需要说明的是，图1所示的图像处理系统的场景示意图仅仅是一个示例，本申请实施例描述的图像处理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，随着图像处理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图像处理方法。
本申实施例图像处理方法的实施例中以图像处理装置作为执行主体，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，该图像处理装置应用于终端，该方法包括：对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。
请参阅图2至图7，图2为本申请实施例中提供的图像处理方法的一个实施例流程示意图，该图像处理方法包括：
201、对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集。
其中，肠镜检查是经肛门将肠镜循腔插入至回盲部，从黏膜侧观察结肠病变的检查方法。肠镜数据一般是肠镜视频，而为了准确获取第一肠镜图像集，需要先对肠镜数据进行图像预处理。
本申请实施例中，对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集，包括：对肠镜数据进行解码，得到第六肠镜图像集；对第六肠镜图像集进行尺寸归一化处理，得到第七肠镜图像集；对第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集；对第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集。
其中，对肠镜数据进行解码，主要是将肠镜视频解码为预设张图片，从而得到第六肠镜图像集，如将视频按照每秒7帧图片。
为了便于后续图片的分类和其它处理，可以对第六肠镜图像集中的所有图像进行 尺寸归一化处理，具体可以包括：裁去图像黑边仅保留肠道结构图像信息；肠道图像尺寸 (w 0,h 0)，设定目标尺寸(w*,h*)，本申请中目标尺寸为(224,224)；确定缩放系数，
Figure DEST_PATH_IMAGE001
，缩放后图像尺寸
Figure DEST_PATH_IMAGE002
；边界填充时使原图居 中，在边缘填充黑边。宽边填充宽度：
Figure DEST_PATH_IMAGE003
，长边填充宽度：
Figure DEST_PATH_IMAGE004
。
由于肠镜检查过程中，其内镜可能位于体外时就已经开启了，因此，为了降低体外图像对后续图像处理造成影响，可以对第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集，具体的，可以采用预先训练的体内外分类模型对第七肠镜图像集中的所有图像进行分类，然后再从分类好的图像集中筛选出位于体内的第八肠镜图像集，其中，体内外分类模型具体包括ResNet图像2分类神经网络模型，但不限于此。
本申请实施例中，对第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集，包括：将第八肠镜图像集输入预先训练的非标准图像过滤模型中，得到符合预设要求的第一肠镜图像集。
在肠镜检查过程中，肠道黏膜可能因为冲水、吸水、伪影等因素导致拍摄的图像出现可视化差、模糊等情况，这些图像可被定义为非标准图像，为了避免这些非标准图像影响到整体的留图效果，本申请需要对第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集，其中预设要求指的是与非标准图像相对的标准图像，这些标准图像一般是清晰度较高的图像，具体的，本申请可以采用预先训练好的非标准图像过滤模型对第八肠镜图像进行过滤处理，该非标准图像过滤模型具体包括DCNN模型，但不限于此。
202、对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集。
其中，白光图像是指在基于400-700nm可见光光谱，显示组织表层的图像；内镜窄带图像（Narrow Band Imaging，NBI）基于400-900nm可见光光谱，图像颜色有明显的不同。基于此，本申请可以采用颜色三阶矩法对白光和内镜窄带图像进行分类识别，具体的，三阶矩法包括分别计算r，g，b三个通道的像素的均值，然后通过r，g，b三个通道的像素的均值，计算r，g，b三个通道的像素的方差，再计算前一步骤三通道二阶矩的平均值。
203、对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集。
本申请实施例中，由于肠镜检查过程中涉及多个不同属性的肠段的留图，然而，其中多个不同属性的肠段中部分肠段结构相似，或者可以理解为不具有特异性，如升结肠、横结肠、降结肠、乙状结肠以及直肠，无法有效的采用模型进行识别分类，因此，在肠镜检查过程中，可通过交互设备采集医师在检查过程中发出的交互信号，然后根据这些交互信号将这些不具有特异性的目标肠段对应的肠镜图像进行标识。其中，该交互设备包括但不限于语音交互设备。
具体的，已被标识的第二肠镜图像集中是包括有标识信息的，具体可以是在图像上进行标识，或者通过对图像命名进行标识，因此，可以通过判断该肠镜白光图像集中的图像是否有标识信息，对其进行分类。
204、对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集。
根据步骤203可知，肠镜检查过程中涉及多个不同属性的肠段的留图，一部分肠段不具有特异性，一部分具有特异性的肠段或人体结构，如回肠末端、回盲部、肛门。具体的，可以采用针对不同具有特异性的肠段进行预先训练的肠段识别模型对第三肠镜图像集进行识别、分类，如采用回盲部识别模型、回肠末端识别模型以及肛门识别模型分别对第三肠镜图像集进行识别，从而分类得到相应属性的肠段对应的第四肠镜图像集，并且该第四肠镜图像集中的每张图像上对应标进行了标记，其中，回肠末端识别模型可以包括但不限于卷积神经网络VGG-16，采用回盲部识别模型可以包括但不限于随机森林算法，肛门识别模型可以包括但不限于决策树。预设标志物包括但不限于活检钳、息肉。
205、基于内镜窄带图像集，确定存在异常的第五肠镜图像集。
具体的，如何基于内镜窄带图像集，确定存在异常的第五肠镜图像集，请参阅下述具体实施例，在此不做赘述。
206、将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。
本申请实施例中，可以分别获取第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集中每张图像的置信度，然后从每个图像集中选取预设张置信度最高的图像作为目标图像，由此可以得到肠镜检查过程中每个目标肠段以及结构的留图和预设标志物的留图。
本申请提供的图像处理方法，包括对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。相较于传统方式，在通过内镜医师工作负担较重且不同内镜医师的工作经验、工作习惯及工作状态往往存在差异，这种传统的采图方式可能会影响内镜医师的工作效率与注意力，易造成选取图像质量不佳、漏采或错采等不良情况，降低用于肠镜检测的诊断图像集的质量，给患者后续的治疗与随访带来极大的影响的背景下，本申请创造性的通过医师在肠镜检查过程中，通过对一些不具有特异性的图像和一些异常图像预先进行标记，然后再对剩余图像进行筛选分类，提高了留图的准确性和效率，进一步提高了用于肠镜检测的诊断图像集的质量。
在本申请的一些实施例中，如图3所示，在对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集之前，方法还包括：
301、当接收到第一语音信息时，获取当前第一肠镜数据。
302、将第一语音信息转化为第一文本信息。
303、基于第一文本信息和当前第一肠镜数据，确定第二肠镜图像集。
在步骤301至步骤303中，第一语音信息可以是医生在进行场景检查过程中发出的语音，通过预设的语音交互系统进行采集的，需要说明的是，该语音交互系统可以是独立的设备，并与终端进行通信连接，也可以是内置于终端内。而当接收到第一语音信息时，终端也会获取肠镜检查设备对应的当前第一肠镜数据。该语音交互系统也会将第一语音信息转化对应的第一文本信息。然后，终端会将第一文本信息储存在该当前第一肠镜数据中，以对该段肠镜数据进行标记，从而得到第二肠镜图像集。
本申请实施例中，基于第一文本信息和当前第一肠镜数据，确定第二肠镜图像集，包括：利用第一文本信息中的肠段标识信息对当前第一肠镜数据进行标识，得到第二肠镜图像集。
在一个具体实施例中，在医生进行场景检查过程中，当发现如上述步骤203中提及的不具有特异性的肠段时，预设的语音交互系统会采集医生发出的语音信息，如到达升结肠、到达横结肠、到达降结肠、到达乙状结肠，如此，该语音交互系统会将医生发出的语音信息转化为相应的文本信息。然后，终端会采用第一文本信息对当前第一肠镜数据进行标记，从而得到第二肠镜图像集。
在本申请的一些实施例中，如图4所示，基于内镜窄带图像集，确定存在异常的第五肠镜图像集，包括：
401、将内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集。
本申请实施例中，由于肠镜检查过程中还会针对不同属性的肠段中存在异常情况进行留图，其中，异常情况包括但不限于息肉，然而，在实际进行肠镜检测过程中，医生通常会先采用肠镜白光进行检测，当发现异常时，可以将肠镜白光模式切换为内径窄带模式，如此可以看到更多细节，而此过程中，医生可以先通过上述实施方式提及的语音交互系统对内镜窄带图像集中相应图像进行标记。
具体的，已被标识的第九肠镜图像集中是包括有标识信息的，具体可以是在图像上进行标识，或者通过对图像命名进行标识，因此，可以通过判断该内镜窄带图像集中的图像是否有标识信息，对其进行分类。其中，该标识信息可以是“肠段类别、异常类别、数目及大小”，如“横结肠、息肉、一个及六毫米”。
402、基于第九肠镜图像集，确定存在异常的第五肠镜图像集。
具体的，可以将第九肠镜图像集确定为存在异常的第五肠镜图像集。
在本申请的一些实施例中，如图5所示，在将内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集之前，方法还包括：
501、当接收到第二语音信息时，获取当前第二肠镜数据。
502、将第二语音信息转化为第二文本信息。
503、基于第二文本信息和当前第二肠镜数据，确定第九肠镜图像集。
在步骤501至步骤503中，第二语音信息可以是医生在进行场景检查过程中发出的语音，通过预设的语音交互系统进行采集的，需要说明的是，该语音交互系统可以是独立的设备，并与终端进行通信连接，也可以是内置于终端内。而当接收到第二语音信息时，终端也会获取肠镜检查设备对应的当前第二肠镜数据。该语音交互系统也会将第二语音信息转化对应的第二文本信息。然后，终端会将第二文本信息储存在该当前第二肠镜数据中，以对该段肠镜数据进行标记，从而得到第九肠镜图像集。
本申请实施例中，基于第一文本信息和当前第一肠镜数据，确定第二肠镜图像集，包括：利用第一文本信息中的肠段标识信息对当前第一肠镜数据进行标识，得到第二肠镜图像集。
在一个具体实施例中，在医生进行场景检查过程中，当发现如上述步骤204中提及的预设标志物时，预设的语音交互系统会采集医生发出的语音信息，如在升结肠处发现一个六毫米息肉和一个三毫米息肉，如此，该语音交互系统会将医生发出的语音信息转化为相应的文本信息。然后，终端会采用第二文本信息对当前第二肠镜数据进行标记，从而得到第九肠镜图像集。
为了更好实施本申请实施例中图像处理方法，在图像处理方法基础之上，本申请实施例中还提供一种图像处理装置，如图6所示，图像处理装置600包括：
第一图像预处理单元601，用于对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集。
第一分类处理单元602，用于对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集。
第二分类处理单元603，用于对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集。
第三分类处理单元604，用于对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集。
第一确定单元605，用于基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。
在本申请的一些实施例中，第一图像预处理单元601，具体包括：
第一解码单元，用于对肠镜数据进行解码，得到第六肠镜图像集。
第一尺寸归一化处理单元，用于对第六肠镜图像集进行尺寸归一化处理，得到第七肠镜图像集。
第一筛选处理单元，用于对第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集。
第一过滤处理单元，用于对第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集。
在本申请的一些实施例中，第一过滤处理单元，具体用于：
将第八肠镜图像集输入预先训练的非标准图像过滤模型中，得到符合预设要求的第一肠镜图像集。
在本申请的一些实施例中，在对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集之前，装置还包括：
第一获取单元，用于当接收到第一语音信息时，获取当前第一肠镜数据。
第一转化单元，用于将第一语音信息转化为第一文本信息。
第二确定单元，用于基于第一文本信息和当前第一肠镜数据，确定第二肠镜图像集。
在本申请的一些实施例中，第二确定单元，具体用于：
利用第一文本信息中的肠段标识信息对当前第一肠镜数据进行标识，得到第二肠镜图像集。
在本申请的一些实施例中，第一确定单元605，具体用于：
将内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集。
基于第九肠镜图像集，确定存在异常的第五肠镜图像集。
在本申请的一些实施例中，在将内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集之前，装置还用于：
当接收到第二语音信息时，获取当前第二肠镜数据。
将第二语音信息转化为第二文本信息。
基于第二文本信息和当前第二肠镜数据，确定第九肠镜图像集。
本申请提供的图像处理装置，包括第一图像预处理单元601，用于对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；第一分类处理单元602，用于对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；第二分类处理单元603，用于对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；第三分类处理单元604，用于对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；第一确定单元605，用于基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。相较于传统装置，在通过内镜医师工作负担较重且不同内镜医师的工作经验、工作习惯及工作状态往往存在差异，这种传统的采图方式可能会影响内镜医师的工作效率与注意力，易造成选取图像质量不佳、漏采或错采等不良情况，降低用于肠镜检测的诊断图像集的质量，给患者后续的治疗与随访带来极大的影响的背景下，本申请创造性的通过医师在肠镜检查过程中，通过对一些不具有特异性的图像和一些异常图像预先进行标记，然后再对剩余图像进行筛选分类，提高了留图的准确性和效率，进一步提高了用于肠镜检测的诊断图像集的质量。
除了上述介绍用于图像处理方法与装置之外，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图像处理装置，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图像处理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图像处理装置。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图像处理装置的结构示意图，具体来讲：
该图像处理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中示出的图像处理装置结构并不构成对图像处理装置的限定，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是该图像处理装置的控制中心，利用各种接口和线路连接整个图像处理装置的各个部分，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，执行图像处理装置的各种功能和处理数据，从而对图像处理装置进行整体监控。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图像处理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。
图像处理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。
该图像处理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，图像处理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，图像处理装置中的处理器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：
对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。
本申请提供的图像处理方法，包括对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。相较于传统方式，在通过内镜医师工作负担较重且不同内镜医师的工作经验、工作习惯及工作状态往往存在差异，这种传统的采图方式可能会影响内镜医师的工作效率与注意力，易造成选取图像质量不佳、漏采或错采等不良情况，降低用于肠镜检测的诊断图像集的质量，给患者后续的治疗与随访带来极大的影响的背景下，本申请创造性的通过医师在肠镜检查过程中，通过对一些不具有特异性的图像和一些异常图像预先进行标记，然后再对剩余图像进行筛选分类，提高了留图的准确性和效率，进一步提高了用于肠镜检测的诊断图像集的质量。
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图像处理方法中的步骤。例如，该指令可以执行如下步骤：
对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；对第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；对肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；对第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；基于内镜窄带图像集，确定存在异常的第五肠镜图像集；将第二肠镜图像集、第四肠镜图像集、目标肠镜图像集以及第五肠镜图像集，作为肠镜检测的诊断图像集。
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图像处理方法、装置、终端及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，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种图像处理方法，其特征在于，所述方法包括：
对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；
对所述第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；
对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；
对所述第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；
基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集；
将所述第二肠镜图像集、所述第四肠镜图像集、所述目标肠镜图像集以及所述第五肠镜图像集，作为肠镜检测的诊断图像集；
其中，所述对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集，包括：
对所述肠镜数据进行解码，得到第六肠镜图像集；
对所述第六肠镜图像集进行尺寸归一化处理，得到第七肠镜图像集；
对所述第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集；
对所述第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集；
其中，所述对所述第六肠镜图像集进行尺寸归一化处理，包括：
裁去所述第六肠镜图像集中各图像的黑边，得到处理后的肠镜图像尺寸
Figure 482388DEST_PATH_IMAGE002
，设定目标尺寸
Figure 868370DEST_PATH_IMAGE004
；确定缩放系数，
Figure 382528DEST_PATH_IMAGE006
，根据所述处理后的肠镜图像尺寸、目标尺寸以及缩放系数，得到缩放后图像尺寸
Figure 371212DEST_PATH_IMAGE008
；边界填充时使缩放后图像居中，在边缘填充黑边，宽边填充宽度：
Figure 920005DEST_PATH_IMAGE010
，长边填充宽度：
Figure 834478DEST_PATH_IMAGE012
；
其中，在对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集之前，所述方法还包括：
当接收到第一语音信息时，获取当前第一肠镜数据；
将所述第一语音信息转化为第一文本信息；
基于所述第一文本信息和所述当前第一肠镜数据，确定所述第二肠镜图像集；
其中，所述基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集，包括：
将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集；
基于所述第九肠镜图像集，确定存在异常的第五肠镜图像集。
2.根据权利要求1所述的图像处理方法，其特征在于，所述对所述第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集，包括：
将所述第八肠镜图像集输入预先训练的非标准图像过滤模型中，得到符合预设要求的第一肠镜图像集。
3.根据权利要求1所述的图像处理方法，其特征在于，所述基于所述第一文本信息和所述当前第一肠镜数据，确定所述第二肠镜图像集，包括：
利用所述第一文本信息中的肠段标识信息对所述当前第一肠镜数据进行标识，得到所述第二肠镜图像集。
4.根据权利要求1所述的图像处理方法，其特征在于，在将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集之前，所述方法还包括：
当接收到第二语音信息时，获取当前第二肠镜数据；
将所述第二语音信息转化为第二文本信息；
基于所述第二文本信息和所述当前第二肠镜数据，确定所述第九肠镜图像集。
5.一种图像处理装置，其特征在于，所述装置包括：
第一图像预处理单元，用于对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集；
第一分类处理单元，用于对所述第一肠镜图像集进行第一分类处理，得到肠镜白光图像集和内镜窄带图像集；
第二分类处理单元，用于对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集；
第三分类处理单元，用于对所述第三肠镜图像集进行第三分类处理，得到多个标记有不同属性肠段的第四肠镜图像集，和预设标志物对应的目标肠镜图像集；
第一确定单元，用于基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集；将所述第二肠镜图像集、所述第四肠镜图像集、所述目标肠镜图像集以及所述第五肠镜图像集，作为肠镜检测的诊断图像集；
其中，所述对在肠镜检查过程中获取的肠镜数据进行图像预处理，得到第一肠镜图像集，包括：
对所述肠镜数据进行解码，得到第六肠镜图像集；
对所述第六肠镜图像集进行尺寸归一化处理，得到第七肠镜图像集；
对所述第七肠镜图像集进行筛选处理，得到体内的第八肠镜图像集；
对所述第八肠镜图像集进行过滤处理，得到符合预设要求的第一肠镜图像集；
其中，所述对所述第六肠镜图像集进行尺寸归一化处理，包括：
裁去所述第六肠镜图像集中各图像的黑边，得到处理后的肠镜图像尺寸
Figure 570353DEST_PATH_IMAGE002
，设定目标尺寸
Figure 362729DEST_PATH_IMAGE004
；确定缩放系数，
Figure 766028DEST_PATH_IMAGE006
，根据所述处理后的肠镜图像尺寸、目标尺寸以及缩放系数，得到缩放后图像尺寸
Figure 228233DEST_PATH_IMAGE008
；边界填充时使缩放后图像居中，在边缘填充黑边，宽边填充宽度：
Figure 841617DEST_PATH_IMAGE010
，长边填充宽度：
Figure 47471DEST_PATH_IMAGE012
；
其中，在对所述肠镜白光图像集进行第二分类处理，得到已被标识的第二肠镜图像集和未被标识的第三肠镜图像集之前，所述装置还用于：
当接收到第一语音信息时，获取当前第一肠镜数据；
将所述第一语音信息转化为第一文本信息；
基于所述第一文本信息和所述当前第一肠镜数据，确定所述第二肠镜图像集；
其中，所述基于所述内镜窄带图像集，确定存在异常的第五肠镜图像集，包括：
将所述内镜窄带图像集进行第四分类处理，得到已被标识的第九肠镜图像集；
基于所述第九肠镜图像集，确定存在异常的第五肠镜图像集。
6.一种终端，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4中任一项所述的图像处理方法。
7.一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4任一项所述的图像处理方法中的步骤。
CN202210321374.8A 2022-03-30 2022-03-30 图像处理方法、装置、终端及可读存储介质 Active CN114417037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210321374.8A CN114417037B (zh) 2022-03-30 2022-03-30 图像处理方法、装置、终端及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210321374.8A CN114417037B (zh) 2022-03-30 2022-03-30 图像处理方法、装置、终端及可读存储介质

Publications (2)

Publication Number Publication Date
CN114417037A CN114417037A (zh) 2022-04-29
CN114417037B true CN114417037B (zh) 2022-06-21

Family

ID=81264449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210321374.8A Active CN114417037B (zh) 2022-03-30 2022-03-30 图像处理方法、装置、终端及可读存储介质

Country Status (1)

Country Link
CN (1) CN114417037B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546206B (zh) * 2022-11-23 2023-03-14 武汉楚精灵医疗科技有限公司 消化道内镜图像的活检留图方法、装置及存储介质
CN116681681B (zh) * 2023-06-13 2024-04-02 富士胶片（中国）投资有限公司 内窥镜图像的处理方法、装置、用户设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932484A (zh) * 2019-04-25 2020-11-13 天津御锦人工智能医疗科技有限公司 一种基于图像识别的肠镜图像模糊度检测方法
CN113935993A (zh) * 2021-12-15 2022-01-14 武汉楚精灵医疗科技有限公司 肠镜图像识别系统、终端设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11120087B2 (en) * 2016-10-21 2021-09-14 Grand Rounds, Inc. Systems and methods for dynamic data processing and graphical user interface processing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932484A (zh) * 2019-04-25 2020-11-13 天津御锦人工智能医疗科技有限公司 一种基于图像识别的肠镜图像模糊度检测方法
CN113935993A (zh) * 2021-12-15 2022-01-14 武汉楚精灵医疗科技有限公司 肠镜图像识别系统、终端设备及存储介质

Also Published As

Publication number Publication date
CN114417037A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114417037B (zh) 图像处理方法、装置、终端及可读存储介质
US10957043B2 (en) AI systems for detecting and sizing lesions
CN111091559A (zh) 基于深度学习的小肠镜下淋巴瘤辅助诊断系统
EP3932290B1 (en) Medical image processing device, processor device, endoscope system, medical image processing method, and program
WO2020012872A1 (ja) 医用画像処理装置、医用画像処理システム、医用画像処理方法、及びプログラム
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
EP3936026A1 (en) Medical image processing device, processor device, endoscopic system, medical image processing method, and program
CN113823400A (zh) 肠道退镜速度监测方法、装置及计算机可读存储介质
CN110619318A (zh) 基于人工智能的图像处理方法、显微镜、系统和介质
CN114464316B (zh) 胃部异常风险等级预测方法、装置、终端及可读存储介质
CN114693593A (zh) 图像处理方法、装置、及计算机装置
CN114419521A (zh) 肠道内镜检查的监控方法及装置
CN117012344A (zh) 一种4cmos相机采集的图像分析方法
WO2023010797A1 (zh) 胆胰超声图像识别方法、装置、服务器
WO2019087969A1 (ja) 内視鏡システム、報知方法、及びプログラム
CN114022880A (zh) 食管粘膜平坦程度量化方法、装置、终端及存储介质
CN114419050B (zh) 胃黏膜可视化程度量化方法、装置、终端及可读存储介质
CN114419041B (zh) 病灶颜色的识别方法及装置
CN113706536B (zh) 滑镜风险预警方法、装置及计算机可读存储介质
CN113744266B (zh) 一种病灶检测框的显示方法、装置、电子设备及存储介质
CN112022067B (zh) 图像处理方法、电子设备及可读存储介质
JP2004298209A (ja) 画像処理装置
WO2013150419A1 (en) Quality-check during medical imaging procedure
CN115393230B (zh) 超声内镜图像标准化方法、装置及其相关装置
CN115035153B (zh) 医学图像处理方法、装置及其相关设备

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