CN115375674B - 胃白光瘤变图像识别方法、装置及存储介质 - Google Patents

胃白光瘤变图像识别方法、装置及存储介质 Download PDF

Info

Publication number
CN115375674B
CN115375674B CN202211291946.9A CN202211291946A CN115375674B CN 115375674 B CN115375674 B CN 115375674B CN 202211291946 A CN202211291946 A CN 202211291946A CN 115375674 B CN115375674 B CN 115375674B
Authority
CN
China
Prior art keywords
image
result
attribute
determining
marker
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
CN202211291946.9A
Other languages
English (en)
Other versions
CN115375674A (zh
Inventor
李�昊
胡珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Endoangel Medical Technology Co Ltd
Original Assignee
Wuhan Endoangel Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Endoangel Medical Technology Co Ltd filed Critical Wuhan Endoangel Medical Technology Co Ltd
Priority to CN202211291946.9A priority Critical patent/CN115375674B/zh
Publication of CN115375674A publication Critical patent/CN115375674A/zh
Application granted granted Critical
Publication of CN115375674B publication Critical patent/CN115375674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30092—Stomach; Gastric
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种胃白光瘤变图像识别方法、装置及存储介质，该方法通过获取待识别的胃白光瘤变图像，进行部位识别，得到部位标签及对应的部位置信度，对胃白光瘤变图像进行标志物区域定位，确定目标区域图像，对目标区域图像进行标志物分割，得到分割图像，获取目标区域图像对应的第一特征量化值，获取分割图像对应的第二特征量化值，将部位置信度、各个第一特征量化值和各个第二特征量化值输入已训练的机器学习分类器进行分类，得到胃白光瘤变图像的分类结果，本实施例充分考量了胃白光瘤变图像的不同的大部位包含的信息不同、多个不同属性的特征量化值对图像处理的准确性及直观性影响，大大提高了胃白光瘤变图像的识别效率。

Description

胃白光瘤变图像识别方法、装置及存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种胃白光瘤变图像识别方法、装置及存储介质。
背景技术
胃癌是全球第三大致死性肿瘤，早期胃癌的5年生存率大于90%，癌症的早期发现、早期诊断及早期治疗是提高患者生存率的主要策略。日本早期胃癌研究领域专家八木一芳在其论著当中总结了早期胃癌的内镜下病灶特征，通过胃白光瘤变图像，即白光内镜采集的胃部癌前病变图像，如多具有色调改变及表面形态不规则，边界多清晰，自发性出血等，综合病灶特征进行病灶性质的推理和诊断，为内镜下诊断早期胃癌提供了条件，然而，这需要内镜医师具有强大的知识储备和丰富的经验，且不同的内镜医师识别结果可能不同，存在一定的主观性，因此，亟需提供一种高效准确的胃白光瘤变图像识别方法。
发明内容
本申请实施例提供一种胃白光瘤变图像识别方法、装置及存储介质，以解决人工识别存在主观性强且准确性难以保证的技术问题。
一方面，本申请提供一种胃白光瘤变图像识别方法，包括：
获取待识别的胃白光瘤变图像；
对所述胃白光瘤变图像进行部位识别，得到所述胃白光瘤变图像的部位标签及对应的部位置信度；
对所述胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照所述预测框在所述胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像；
对所述目标区域图像进行标志物分割，得到分割图像，所述分割图像包括标志物图像和背景黏膜图像；
对所述目标区域图像进行若干第一预设属性的特征提取，获取各个所述第一预设属性对应的第一特征量化值；
对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值；
将所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值输入已训练的机器学习分类器进行分类，得到所述胃白光瘤变图像的分类结果。
一方面，本申请提供一种胃白光瘤变图像识别装置，包括：
获取模块，用于获取待识别的胃白光瘤变图像；
识别模块，用于对所述胃白光瘤变图像进行部位识别，得到所述胃白光瘤变图像的部位标签及对应的部位置信度；
定位模块，用于对所述胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照所述预测框在所述胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像；
分割模块，用于对所述目标区域图像进行标志物分割，得到分割图像，所述分割图像包括标志物图像和背景黏膜图像；
第一量化模块，用于对所述目标区域图像进行若干第一预设属性的特征提取，获取各个所述第一预设属性对应的第一特征量化值；
第二量化模块，用于对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值；
分类模块，用于将所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值输入已训练的机器学习分类器进行分类，得到所述胃白光瘤变图像的分类结果。
一方面，本申请提供一种计算机设备，计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述胃白光瘤变图像识别方法中的步骤。
一方面，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述胃白光瘤变图像识别方法中的步骤。
本申请实施例提供了一种胃白光瘤变图像识别方法、装置及存储介质，该方法获取待识别的胃白光瘤变图像，对胃白光瘤变图像进行部位识别，得到胃白光瘤变图像的部位标签及对应的部位置信度，对胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照预测框在胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像，对目标区域图像进行标志物分割，得到分割图像，分割图像包括标志物图像和背景黏膜图像，对目标区域图像进行若干第一预设属性的特征提取，获取各个第一预设属性对应的第一特征量化值，对分割图像进行若干第二预设属性的特征提取，获取各个第二预设属性对应的第二特征量化值，将部位置信度、各个第一特征量化值和各个第二特征量化值输入已训练的机器学习分类器进行分类，得到胃白光瘤变图像的分类结果，采用本实施例，充分考量了胃白光瘤变图像的不同的大部位包含的信息不同、多个不同属性的特征量化值对图像处理的准确性及直观性影响，通过提取信息量更加丰富的特征并对多个不同属性的特征进行量化及综合处理，提高了特征值量化的合理性，相较于传统的只考虑单一特征信息及单一的统计比较方法，大大提高了胃白光瘤变图像的识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，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。
其中：
图1为一个实施例中胃白光瘤变图像识别方法的流程图；
图2为一个实施例中胃白光瘤变图像识别装置的结构框图；
图3为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，本领域普通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。
如图1所示，在一个实施例中，提供了一种胃白光瘤变图像识别方法，该胃白光瘤变图像识别方法可以应用于终端，也可以应用于服务器，本实施例以应用于服务器举例说明。该胃白光瘤变图像识别方法具体包括以下步骤：
步骤102，获取待识别的胃白光瘤变图像。
其中，待识别的胃白光瘤变图像是指需要进行识别以检测胃部存在异物概率是否大于预设概率（如90%、85%等）的胃部白光图像，该胃部白光图像即为通过白光内镜（whitelight endoscopy, WLE）拍摄胃部的电子内镜图像。具体地，可以通过白光内镜采集得到胃白光瘤变图像，也可以从计算机设备的存储器中预先存储的图像库中获取胃白光瘤变图像。
步骤104，对胃白光瘤变图像进行部位识别，得到胃白光瘤变图像的部位标签及对应的部位置信度。
其中，部位是指胃白光瘤变图像中的一个大部位，分为胃上部和胃下部两种部位，即部位标签包括胃上部和胃下部。部位置信度是指胃白光瘤变图像属于其中部位标签的置信度。
具体地，将胃白光瘤变图像作为样本图像，预先训练大部位识别模型，例如，选择VGG16网络模型，其中的部位标签包括：胃上部和胃下部，共2个类别，对应的部位置信度为
Figure 769360DEST_PATH_IMAGE002
。在一具体实施方式中，大部位识别模型输出结果为胃上部标签，其对应的部位置信度可以是设置为0，即
Figure 93025DEST_PATH_IMAGE003
=0；胃下部标签的部位置信度1，即
Figure 403920DEST_PATH_IMAGE004
=1。将待识别的胃白光瘤变图像作为训练后的大部位识别模型的输入，从而输出2个类型中的一个类别，即对应一个部位标签，也即一幅胃白光瘤变图像对应一个部位标签，且该部位标签的部位置信度为
Figure 205654DEST_PATH_IMAGE005
。可以理解地，本实施例中通过对胃白光瘤变图像进行大部位识别，并预测部位标签的部位置信度，实现了对胃白光瘤变图像的大部位的细分和量化，并且考量了不同的大部位包含的信息不同，对胃白光瘤变图像识别产生影响的因素，有利于提高后续的胃白光瘤变图像识别的准确性。
步骤106，对胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照预测框在胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像。
其中，标志物区域是指胃白光瘤变图像中标志物所在区域的部分图像，其中标志物可以是病灶或者其他异物，例如吞咽的异物。目标区域图像是指预测框对应的区域图像，且包含标志物区域。
具体地，可以采用通过预先训练的褪色调区域检测模型，对褪色调区域进行目标检测，得到标志物区域的预测框，且该预测框为矩形框，按照预测框在部位图像进行裁剪，得到目标区域图像。
具体地，采用通过预先训练的标志物识别模型，对胃白光瘤变图像进行目标检测，得到包含标志物区域的预测框，且该预测框为矩形框，按照预测框在标志物区域进行裁剪，得到包含标志物的目标区域图像，然后，将胃白光瘤变图像及其包含的标志物区域图像作为训练样本，对yoloV3目标检测模型进行预训练，得到该标志物识别模型。
在一个具体实施方式中，将待识别的胃白光瘤变图像作为训练后的标志物识别模型的输入，输出结果为预测框的边界坐标
Figure 551185DEST_PATH_IMAGE007
，
Figure 45751DEST_PATH_IMAGE009
为预测框左上角的坐标点，
Figure 578364DEST_PATH_IMAGE011
为预测框右下角的坐标点，根据边界坐标采用如下公式计算预测框的外扩系数𝜏：
Figure 682324DEST_PATH_IMAGE013
；
从而确定调整后的边界坐标
Figure 882361DEST_PATH_IMAGE015
，根据预测框的外扩系数和调整后的边界坐标，通过如下约束等式确定裁剪后的图像（目标区域图像）的宽度W和高度H：
Figure 282250DEST_PATH_IMAGE017
根据裁剪后的图像的宽度W和高度H，进行裁剪，得到包含有标志物区域的目标区域图像，也即目标区域图像为宽度W和高度H的矩形图像。可以理解地，本实施例中通过预测框的外扩系数，并根据外扩系数进行调整，使得调整后的边界坐标
Figure 833317DEST_PATH_IMAGE018
与未调整之前的预测框的边界坐标
Figure 711274DEST_PATH_IMAGE019
相比，其对应的矩形范围更大，从而使得目标区域图像所在区域包含的范围更大，充分考量了预测框周围的区域，有利于提高后续对目标区域图像处理的精准度。
步骤108，对目标区域图像进行标志物分割，得到分割图像，分割图像包括标志物图像和背景黏膜图像。
其中，分割图像是指按照标志物所在区域对目标区域图像进行分割后得到的具有标志物区域的标志物图像和从目标区域图像分割出标志物图像（前景）后得到的背景图像，即背景黏膜图像。
具体地，将目标区域图像和标志物区域作为样本图像，预先训练分割模型，例如，选择Unet++网络模型，在一具体实施方式中，将目标区域图像作为训练后的分割模型的输入，分割模型的输出结果为分割图像，分割图像包括标志物图像和背景黏膜图像。可以理解地，本实施例中通过提取标志物图像和背景黏膜图像，以便后续基于该标志物图像和背景黏膜图像获取各个局部区域对应的特征信息，提高特征信息中的对比度的准确性。
步骤110，对目标区域图像进行若干第一预设属性的特征提取，获取各个第一预设属性对应的第一特征量化值。
其中，第一预设属性是指目标区域图像的多个属性，例如，目标区域图像的边界清晰度属性、表面粗糙度属性、出血状态属性、红白色调属性、表面形态属性及图像宽高比属等，第一特征量化值是指各个第一预设属性的特征对应的量化值。
具体地，采用特征提取方法对目标区域图像进行特征提取，得到第一特征量化值，其中的特征提取方法可以是人工特征提取方法结合基于图像特征分析的算法如像素邻域均值计算、最大像素值提取等，计算得到第一特征量化值，也可以是深度学习的特征提取方法，如，卷积神经网络CNN、UNet++等，具体可根据第一预设属性的特征进行选取，此处不作限制。本实施例中，通过对目标区域图像进行特征提取，获取对应的第一特征量化值，实现了对目标区域图像的各个第一预设属性的特征的量化计算，使得特征量化值更加全面丰富，以便后续基于该多个第一特征量化值进行准确直观的图像分析和识别，提高了对目标区域图像的处理效率。
步骤112，对分割图像进行若干第二预设属性的特征提取，获取各个第二预设属性对应的第二特征量化值。
其中，第二预设属性是指分割图像的多个属性，也即标志物图像和背景黏膜图像各自的属性，例如，标志物图像和背景黏膜图像各自的颜色属性、纹理属性及图像熵属性等，第二特征量化值是指各个第二预设属性的特征对应的量化值。
具体地，采用特征提取方法分别对分割图像进行特征提取，得到第二特征量化值，其中的特征提取方法可以是人工特征提取方法结合基于图像特征分析的算法如像素邻域均值计算、最大像素值提取等，计算得到第二特征量化值，也可以是深度学习的特征提取方法，如，卷积神经网络CNN、UNet++等，具体可根据第二预设属性的特征进行选取，此处不作限制。本实施例中，通过对分割图像进行特征提取，获取对应的第二特征量化值，实现了对分割图像的各个第二预设属性的特征的量化计算，使得特征量化值更加全面丰富，以便后续基于该多个第二特征量化值进行准确直观的图像分析和识别，提高了对分割图像的处理效率。
步骤114，将部位置信度、各个第一特征量化值和各个第二特征量化值输入已训练的机器学习分类器进行分类，得到胃白光瘤变图像的分类结果。
其中，已训练的机器学习分类器可通过样本学习具备分类能力的机器学习算法模型实现，本实施例的机器学习分类器用于将不同的第一特征值集合、第二特征值集合以及第三特征值集合划分到正常结果或者异常结果中的一类。具体地，可以利用至少一个机器学习模型进行分类的分类器。其中的机器学习模型可以是如下的一个或者多个：神经网络(例如，卷积神经网络、BP神经网络等)、逻辑回归模型、支持向量机、决策树、随机森林、感知器以及其它机器学习模型。作为这样的机器学习模型的训练的部分，训练输入是各种部位置信度、各个第一特征量化值和各个第二特征量化值，例如，胃上部的置信度、边界清晰度、红白色调属性、纹理等，通过训练，建立第一特征值集合、第二特征值集合以及第三特征值集合与待识别的胃白光瘤变图像的是否存在异常的对应关系的分类器，使得该预设分类器具备判断待识别的胃白光瘤变图像对应的分类结果是正常结果或者异常结果的能力。本实施例中，该分类器为二分类器，即得到2个分类结果，也即正常结果或者异常结果。可以理解地，本实施例中充分考量了胃白光瘤变图像的不同的大部位包含的信息不同、多个不同属性的特征量化值对图像处理的准确性及直观性影响，通过提取信息量更加丰富的特征并对多个不同属性的特征进行量化及综合处理，提高了特征值量化的合理性，相较于传统的只考虑单一特征信息及单一的统计比较方法，大大提高了胃白光瘤变图像的识别效率。
上述胃白光瘤变图像识别方法中，获取待识别的胃白光瘤变图像，对胃白光瘤变图像进行部位识别，得到胃白光瘤变图像的部位标签及对应的部位置信度，对胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照预测框在胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像，对目标区域图像进行标志物分割，得到分割图像，分割图像包括标志物图像和背景黏膜图像，对目标区域图像进行若干第一预设属性的特征提取，获取各个第一预设属性对应的第一特征量化值，对分割图像进行若干第二预设属性的特征提取，获取各个第二预设属性对应的第二特征量化值，将部位置信度、各个第一特征量化值和各个第二特征量化值输入已训练的机器学习分类器进行分类，得到胃白光瘤变图像的分类结果，采用本实施例，充分考量了胃白光瘤变图像的不同的大部位包含的信息不同、多个不同属性的特征量化值对图像处理的准确性及直观性影响，通过提取信息量更加丰富的特征并对多个不同属性的特征进行量化及综合处理，提高了特征值量化的合理性，相较于传统的只考虑单一特征信息及单一的统计比较方法，大大提高了胃白光瘤变图像的识别效率。
在一个实施例中，若干第一预设属性包括边界清晰度属性、表面粗糙度属性、出血状态属性、红白色调属性、表面形态属性及图像宽高比属性；对目标区域图像进行若干第一预设属性的特征提取，获取各个第一预设属性对应的第一特征量化值的步骤，包括：将目标区域图像输入训练后的边界清晰度分类器中进行识别，得到的清晰度结果确定为边界清晰度属性对应的第一特征量化值；将目标区域图像输入训练后的表面粗糙度分类器中进行识别，得到的粗糙度结果确定为表面粗糙度属性对应的第一特征量化值；将目标区域图像输入训练后的出血状态分类器中进行识别，得到的出血状态结果确定为出血状态属性对应的第一特征量化值；将目标区域图像输入训练后的红白色调分类器中进行识别，得到的红白色调结果确定为红白色调属性对应的第一特征量化值；将目标区域图像输入训练后的表面形态属性分类器中进行识别，得到的形态结果确定为表面形态属性对应的第一特征量化值；获取预测框的边界坐标，根据边界坐标确定图像宽高比属性对应的第一特征量化值。
其中，边界清晰度属性是用于反映目标区域图像中的标志物边界清晰程度的属性，如边界清晰或边界不清晰的情况。表面粗糙度属性是用于反映目标区域图像中的标志物表面的粗糙程度的属性，如表面粗糙或表面光滑的情况。出血状态属性是用于反映目标区域图像中的标志物表面是否自发性出血的属性，如出血或不出血的情况。红白色调属性是用于反映目标区域图像中的标志物色调的属性，如发红、发白或者同色调的情况。表面形态属性是用于反映目标区域图像中的标志物表明平坦程度的属性，如隆起、凹陷、或平坦的情况。图像宽高比属性是用于反映目标区域图像的宽度尺寸与高度尺寸的比例大小的属性。
其中，训练后的边界清晰度分类器是一种用于判断目标区域图像中的标志物边界是否清晰的学习模型，具体地，该训练后的边界清晰度分类器可以是通过VGG16网络模型实现，将目标区域图像输入训练后的边界清晰度分类器中进行识别，输出目标区域图像中的标志物边界的清晰度结果（清晰和不清晰），然后针对不同的清晰度结果，赋予每个清晰度结果一个第一特征量化值，在一具体实施方式中，可以将清晰度结果为不清晰的第一特征量化值
Figure 765818DEST_PATH_IMAGE021
赋值为0，将清晰度结果为清晰的第一特征量化值
Figure 602187DEST_PATH_IMAGE022
赋值为1，且第一特征量化值越大，表征标志物边界越清晰，表征胃白光瘤变图像存在异常的概率越高。
训练后的表面粗糙度分类器是一种用于判断目标区域图像中的标志物表面光是否粗糙的学习模型，具体地，该训练后的表面粗糙度分类器可以是通过VGG16网络模型实现，将目标区域图像输入训练后的表面粗糙度分类器中进行识别，输出目标区域图像中的标志物表面的粗糙度结果（粗糙和不粗糙），然后针对不同的粗糙度结果，赋予每个粗糙度结果一个第一特征量化值，在一具体实施方式中，可以将粗糙度结果为不粗糙的第一特征量化值
Figure 374970DEST_PATH_IMAGE024
赋值为0，将粗糙度结果为粗糙的第一特征量化值
Figure 555154DEST_PATH_IMAGE025
赋值为1，且第一特征量化值越大，表征标志物表面光越粗糙，表征胃白光瘤变图像存在异常的概率越高。
训练后的出血状态分类器是一种用于判断目标区域图像中的标志物表面是否自发性出血的学习模型，具体地，该训练后的出血状态分类器可以是通过VGG16网络模型实现，将目标区域图像输入训练后的出血状态分类器中进行识别，输出目标区域图像中的标志物表面的出血状态结果（出血和不出血），然后针对不同的出血状态结果，赋予每个出血状态结果一个第一特征量化值，在一具体实施方式中，可以将出血状态结果为不出血的第一特征量化值
Figure 729783DEST_PATH_IMAGE027
赋值为0，将出血状态结果为出血的第一特征量化值
Figure 737054DEST_PATH_IMAGE028
赋值为1，且第一特征量化值越大，表征标志物表面有自发性出血，表征胃白光瘤变图像存在异常的概率越高。
训练后的红白色调分类器是一种用于检测目标区域图像中的标志物色调的学习模型，具体地，该训练后的红白色调分类器可以是通过Resnet50网络模型实现，将目标区域图像输入训练后的红白色调分类器中进行识别，输出目标区域图像中的标志物红白色调结果（发红、发白和同色调），然后针对不同的红白色调结果，赋予每个红白色调结果一个第一特征量化值，在一具体实施方式中，可以将红白色调结果为发红的第一特征量化值
Figure 997134DEST_PATH_IMAGE030
赋值为0，将红白色调结果为发白的第一特征量化值
Figure 216893DEST_PATH_IMAGE031
赋值为1，将红白色调结果为同色调的第一特征量化值
Figure 246029DEST_PATH_IMAGE032
赋值为2，且第一特征量化值越大，表征标志物表面色调偏同色调，表征胃白光瘤变图像存在异常的概率越高。
训练后的表面形态分类器是一种用于判断目标区域图像中的标志物表面平坦程度的学习模型，具体地，该训练后的表面形态分类器可以是通过Resnet50网络模型实现，将目标区域图像输入训练后的表面形态分类器中进行识别，输出目标区域图像中的标志物表面的表面形态结果（隆起、凹陷和平坦），然后针对不同的表面形态结果，赋予每个表面形态结果一个第一特征量化值，在一具体实施方式中，可以将表面形态结果为隆起的第一特征量化值
Figure 689780DEST_PATH_IMAGE034
赋值为0，将表面形态结果为平坦的第一特征量化值
Figure 171577DEST_PATH_IMAGE035
赋值为1，将表面形态结果为凹陷的第一特征量化值
Figure 959142DEST_PATH_IMAGE034
赋值为2，且第一特征量化值越大，表征标志物表面凹陷程度越大，表征胃白光瘤变图像存在异常的概率越高。
对于图像宽高比属性对应的第一特征量化值，其具体实现过程为：获取预测框的边界坐标，即步骤106中的
Figure 842785DEST_PATH_IMAGE036
，根据边界坐标确定目标区域图像的宽度尺寸W和高度尺寸H，即W=x 1 +𝜏，H=y 1 +𝜏，图像宽高比属性对应的第一特征量化值的
Figure 191857DEST_PATH_IMAGE038
，且第一特征量化值越大，表征标志物的越宽越大，表征胃白光瘤变图像存在异常的概率越高。
本实施例中，通过对目标区域图像的像素点进行分析，并对目标区域图像的边界清晰度、表面粗糙度、出血状态、红白色调、表面形态及图像宽高比进行量化计算，实现了对目标区域图像的各种与异常概率关联的信息的量化分析，使得目标区域图像的标志物的第一特征量化值更加准确丰富，有利于提高后续的图像处理的精度。
在一个实施例中，若干第二预设属性包括颜色属性、纹理属性及图像熵属性；对分割图像进行若干第二预设属性的特征提取，获取各个第二预设属性对应的第二特征量化值的步骤，包括：采用预设的颜色量化方法确定标志物图像的第一颜色结果，并采用预设的颜色量化方法确定背景黏膜图像的第二颜色结果，将第一颜色结果与第二颜色结果的颜色比例值确定为颜色属性对应的第二特征量化值；提取标志物图像的局部二值纹理特征确定为第一纹理结果，并提取背景黏膜图像的局部二值纹理特征确定为第二纹理结果，将第一纹理结果与第二颜色结果的纹理比例值确定为纹理属性对应的第二特征量化值；采用预设的图像熵量化方法确定标志物图像的第一图像熵结果，并采用预设的图像熵量化方法确定背景黏膜图像的第二图像熵结果，将第一图像熵结果与第二图像熵结果的图像熵比例值确定为图像熵属性对应的第二特征量化值。
其中，颜色属性是是用于反映标志物图像和背景黏膜图像各自的像素颜色分布信息。纹理属性用于反映标志物图像和背景黏膜图像各自的像素纹理信息。图像熵属性用于反映标志物图像和背景黏膜图像各自的像素灰度分布信息。
具体地，分别采用预设的颜色量化方法，如颜色直方图提取方法、颜色集的提取方法、颜色聚合向量的提取方法或者颜色矩的提取方法，确定标志物图像的第一颜色结果和背景黏膜图像的第二颜色结果，将第一颜色结果与第二颜色结果比值确定为颜色属性对应的第二特征量化值，使得颜色属性对应的第二特征量化值能够反映分割图像中标志物图像和背景黏膜图像的颜色属性的对比信息。
分别提取标志物图像和背景黏膜图像的的局部二值纹理特征（(Local BinaryPattern，LBP）得到各自的第一纹理结果和第二纹理结果，将第一纹理结果与第二纹理结果比值确定为纹理属性对应的第二特征量化值，使得纹理属性对应的第二特征量化值能够反映分割图像中标志物图像和背景黏膜图像的纹理属性的对比信息。在一个具体实施方式中，调用phyton中的skimage工具包中的LBP特征提取类进行灰度图纹理量化，得到一维的特征向量
Figure 160950DEST_PATH_IMAGE040
，并计算一维的特征向量的均值得到
Figure 988092DEST_PATH_IMAGE042
，也即第一纹理结果
Figure 991820DEST_PATH_IMAGE043
。
接着，通过上述方式计算背景黏膜图像的第二纹理结果
Figure 511794DEST_PATH_IMAGE045
，根据第一纹理结果和第二纹理结果的颜色比例值
Figure 968184DEST_PATH_IMAGE047
，也即纹理属性对应的第二特征量化值
Figure 115129DEST_PATH_IMAGE049
，
Figure 442206DEST_PATH_IMAGE051
。
具体地，分别采用预设的图像熵量化方法，如一维灰度图像熵提取方法或者二维灰度图像熵提取方法，确定标志物图像的第一图像熵结果和背景黏膜图像的第二图像熵结果，将第一图像熵结果与第二图像熵结果比值确定为图像熵属性对应的第二特征量化值，使得图像熵属性对应的第二特征量化值能够反映分割图像中标志物图像和背景黏膜图像的图像熵属性的对比信息。
本实施例中，通过对标志物图像和背景黏膜图像的像素点进行分析，并对颜色属性、纹理属性及图像熵进行量化计算，根据标志物图像和背景黏膜图像各自的分析结果的比值作为相应第二预设属性对应的第二特征量化值，不仅计算简单，且实现了对分割图像中标志物图像和背景黏膜图像的颜色特征、纹理特征、亮度特征的直观比较分析，使得分割图像特征值更加准确丰富，有利于提高后续的图像处理的精度。
在一个实施例中，采用预设的颜色量化方法确定标志物图像的第一颜色结果的步骤，包括：将标志物图像转换为XYZ颜色空间图像，对XYZ颜色空间图像进行通道分解，得到Z通道图像；对Z通道图像进行锐化处理，得到锐化图像；对锐化图像进行像素归一化处理，得到归一化图像；对归一化图像进行方向梯度直方图特征提取，得到第一颜色结果。
具体地，采用预设的颜色量化方法确定标志物图像的第一颜色结果的具体过程如下：
S1：将标志物图像由RGB颜色空间转为XYZ颜色空间，得到XYZ颜色空间图像；
S2：对XYZ颜色空间图像进行通道分解，得到Z通道图像；
S3：第Z通道图像进行图像锐化，如图像卷积处理锐化（Unsharpen Mask，USM）、Laplace算子锐化或者卷积核锐化等，得到锐化图像；
S4：对锐化图像进行像素归一化处理，W1和H1分别为标志物图像I的宽和高，I（r，c）代表I的第r行和第c行的灰度值，将I中出现的最小灰度级记为Imin，最大灰度级记为即I（r，c）∈ [Imin，Imax]，为使归一化图像O的灰度级范围为[O min，O max]，将
Figure 398660DEST_PATH_IMAGE053
和
Figure 342346DEST_PATH_IMAGE055
做以下映射关系：
Figure 511290DEST_PATH_IMAGE057
其中，
Figure 224031DEST_PATH_IMAGE059
Figure 85808DEST_PATH_IMAGE055
代表O的第r行第c列的灰度值。由于
Figure 251210DEST_PATH_IMAGE061
，所以
Figure 722380DEST_PATH_IMAGE063
，一般令
Figure 555207DEST_PATH_IMAGE065
。
S5：调用phyton中的skimage工具包中的HOG特征提取类进行颜色方向梯度直方图量化，得到一维的特征向量
Figure 322306DEST_PATH_IMAGE067
，并计算一维的特征向量
Figure 240583DEST_PATH_IMAGE068
的方差得到
Figure 16909DEST_PATH_IMAGE070
，也即第一颜色结果
Figure 438663DEST_PATH_IMAGE071
。
接着，通过上述步骤S1-S5的方式计算背景黏膜图像的第二颜色结果
Figure 642243DEST_PATH_IMAGE073
，根据第一颜色结果和第二颜色结果的颜色比例值
Figure 782237DEST_PATH_IMAGE075
，也即颜色属性对应的第二特征量化值
Figure 126369DEST_PATH_IMAGE077
，
Figure 668208DEST_PATH_IMAGE079
。
在一个实施例中，采用预设的图像熵量化方法确定标志物图像的第一图像熵结果的步骤，包括：将标志物图像转换为HSV颜色空间图像；确定HSV颜色空间图像在H通道、S通道及V通道对应的二维熵，基于H通道、S通道及V通道对应的二维熵确定第一图像熵结果。
其中，HSV颜色空间图像是指将标志物图像或者背景黏膜图像转换为HSV颜色空间的图像，具体地，可以通过Matlab软件或者OPENCV中的转换函数进行转换，然后获取HSV颜色空间图像在H通道、S通道及V通道对应的二维熵，根据H通道、S通道及V通道各自的二维熵，采用如下公式计算图像熵属性对应的第二特征量化值：
Figure 42689DEST_PATH_IMAGE081
；
其中，
Figure 669979DEST_PATH_IMAGE083
为第一图像熵结果，
Figure 788108DEST_PATH_IMAGE085
、
Figure 325400DEST_PATH_IMAGE087
、
Figure 729836DEST_PATH_IMAGE089
分别表示H通道的二维熵、S通道的二维熵、V通道的二维熵；且
Figure 483903DEST_PATH_IMAGE091
，
Figure 264778DEST_PATH_IMAGE093
，
Figure 656576DEST_PATH_IMAGE095
。
其中，P i 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(i,j)，其中i表示像素的灰度值，j表示邻域灰度均值，此时
Figure 497493DEST_PATH_IMAGE097
。其中，
Figure 974742DEST_PATH_IMAGE099
为特征二元组
Figure 559307DEST_PATH_IMAGE101
出现的频数，T为HSV颜色空间图像的尺寸，在一具体实施方式中，T＝512。
接着，按照上述方式计算背景黏膜图像的第二图像熵结果
Figure 805612DEST_PATH_IMAGE103
，根据第一图像熵结果和第二图像熵结果的颜色比例值
Figure 817430DEST_PATH_IMAGE105
，也即图像熵属性对应的第二特征量化值
Figure 286369DEST_PATH_IMAGE107
，
Figure 409046DEST_PATH_IMAGE109
。
在一个实施例中，已训练的机器学习分类器包括特征拟合子网络和分类子网络；将部位置信度、各个第一特征量化值和各个第二特征量化值输入已训练的机器学习分类器进行分类，得到胃白光瘤变图像的分类结果的步骤，包括：采用特征拟合子网络对部位置信度、各个第一特征量化值和各个第二特征量化值进行拟合处理，得到判定系数；基于判定系数，采用分类子网络进行分析，得到分类结果。
具体地，通过特征拟合子网络对部位置信度、各个第一特征量化值和各个第二特征量化值进行拟合处理，根据拟合结果确定各个部位置信度、各个第一特征量化值和各个第二特征量化值进行拟合处理的对应的权重，继续以上述实施例中的部位置信度
Figure 509857DEST_PATH_IMAGE111
，第一特征量化值
Figure 692577DEST_PATH_IMAGE113
，
Figure 144418DEST_PATH_IMAGE115
，
Figure 70786DEST_PATH_IMAGE117
，
Figure 26103DEST_PATH_IMAGE119
，
Figure 645304DEST_PATH_IMAGE121
，
Figure 817397DEST_PATH_IMAGE123
，第二特征量化值
Figure 547455DEST_PATH_IMAGE125
，
Figure 357279DEST_PATH_IMAGE127
，
Figure 147381DEST_PATH_IMAGE107
为例，利用决策树、随机森林等确定
Figure 308235DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE128
，
Figure 982930DEST_PATH_IMAGE129
，
Figure DEST_PATH_IMAGE130
，
Figure 303053DEST_PATH_IMAGE131
，
Figure DEST_PATH_IMAGE132
，
Figure DEST_PATH_IMAGE134
，
Figure 841219DEST_PATH_IMAGE135
，
Figure 223790DEST_PATH_IMAGE077
，
Figure 30072DEST_PATH_IMAGE107
对应的权重分别为
Figure DEST_PATH_IMAGE137
，则此时融合特征值为：
Figure 611226DEST_PATH_IMAGE139
。
本实施例中，通过对部位置信度、各个第一特征量化值和各个第二特征量化值进行融合计算，使得胃白光瘤变图像的信息特征更加丰富，且量化更加精准，有利于提高后续的图像处理效率。
在一个实施例中，分类结果包括正常结果或异常结果，其中，异常结果表征胃部存在异物的概率大于或者等于预设阈值，正常结果表征胃部存在异物的概率小于预设阈值，分类子网络包括标准系数，在采用特征拟合子网络对部位置信度、各个第一特征量化值和各个第二特征量化值进行拟合处理，得到判定系数的步骤之后，还包括：获取分类结果为正常结果对应的判定系数作为第一判定系数，并获取分类结果为异常结果对应的判定系数作为第二判定系数；根据第一判定系数和第二判定系数确定标准系数。
具体地，获取多个正常结果对应的判定系数确定为第一判定系数，例如，有U个第一判定系数
Figure 477551DEST_PATH_IMAGE141
，有V个第二判定系数
Figure 111533DEST_PATH_IMAGE143
，则根据U个第一判定系数和V个第二判定系数确定标准系数，可以是分别计算第一判定系数和第二判定系数的平均值，根据各自的平均值确定标准系数，例如，通过如下公式计算各自的平均值：
Figure 721505DEST_PATH_IMAGE145
，
Figure 891587DEST_PATH_IMAGE147
、
Figure 804179DEST_PATH_IMAGE149
分别为第一判定系数的平均值、第二判定系数的平均值，标准系数可以计算
Figure 551555DEST_PATH_IMAGE147
、
Figure DEST_PATH_IMAGE150
的平均值得到，即
Figure DEST_PATH_IMAGE152
，
Figure DEST_PATH_IMAGE154
为标准系数。
在一个实施例中，在根据第一判定系数和第二判定系数确定标准系数的步骤之后，还包括：获取训练图像样本中的正样本图像对应的第一判定系数及负样本图像对应的第二判定系数；按照预设的校准规则分别对第一判定系数和第二判定系数进行校准；基于校准后第一判定系数和校准后的第二判定系数的对标准系数进行更新，得到更新后的标准系数。
其中，正样本图像为正常结果对应的训练图像样本，负样本图像为异常结果对应的训练图像样本。具体地，按照如下步骤T1-T2，获取校准后的第一判定系数：
T1：新增一定数量的正样本图像（如正样本数量为P，且
Figure DEST_PATH_IMAGE156
）确定对应的第一判定系数
Figure DEST_PATH_IMAGE158
为：
Figure DEST_PATH_IMAGE160
；
T2：当第一判定系数满足如下条件时，
Figure DEST_PATH_IMAGE162
，确定为校准后的第一判定系数；
继续按照上述步骤T1-T2对第二判定系数进行校准，得到校准后的第二判定系数，计算校准后第一判定系数和校准后的第二判定系数的平均值，作为更新后的标准系数，本实施例中通过对标准系数进行更新，进一步提高了图像的分类结果的精度。
如图2所示，在一个实施例中，提出了一种胃白光瘤变图像识别装置，包括：
获取模块202，用于获取待识别的胃白光瘤变图像；
识别模块204，用于对所述胃白光瘤变图像进行部位识别，得到所述胃白光瘤变图像的部位标签及对应的部位置信度；
定位模块206，用于对所述胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照所述预测框在所述胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像；
分割模块208，用于对所述目标区域图像进行标志物分割，得到分割图像，所述分割图像包括标志物图像和背景黏膜图像；
第一量化模块210，用于对所述目标区域图像进行若干第一预设属性的特征提取，获取各个所述第一预设属性对应的第一特征量化值；
第二量化模块212，用于对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值；
分类模块214，用于将所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值输入已训练的机器学习分类器进行分类，得到所述胃白光瘤变图像的分类结果。
在一个实施例中，所述若干第一预设属性包括边界清晰度属性、表面粗糙度属性、出血状态属性、红白色调属性、表面形态属性及图像宽高比属性；第一量化模块包括：
第一确定单元，用于将所述目标区域图像输入训练后的边界清晰度分类器中进行识别，得到的清晰度结果确定为所述边界清晰度属性对应的第一特征量化值；
第二确定单元，用于将所述目标区域图像输入训练后的表面粗糙度分类器中进行识别，得到的粗糙度结果确定为所述表面粗糙度属性对应的第一特征量化值；
第三确定单元，用于将所述目标区域图像输入训练后的出血状态分类器中进行识别，得到的出血状态结果确定为所述出血状态属性对应的第一特征量化值；
第四确定单元，用于将所述目标区域图像输入训练后的红白色调分类器中进行识别，得到的红白色调结果确定为所述红白色调属性对应的第一特征量化值；
第五确定单元，用于将所述目标区域图像输入训练后的表面形态属性分类器中进行识别，得到的形态结果确定为所述表面形态属性对应的第一特征量化值；
第六确定单元，用于获取所述预测框的边界坐标，根据所述边界坐标确定所述图像宽高比属性对应的第一特征量化值。
在一个实施例中，所述若干第二预设属性包括颜色属性、纹理属性及图像熵属性；第二量化模块包括：
第六确定单元，用于采用预设的颜色量化方法确定所述标志物图像的第一颜色结果，并采用所述预设的颜色量化方法确定所述背景黏膜图像的第二颜色结果，将所述第一颜色结果与所述第二颜色结果的颜色比例值确定为所述颜色属性对应的第二特征量化值；
第七确定单元，用于提取所述标志物图像的局部二值纹理特征确定为第一纹理结果，并提取所述背景黏膜图像的局部二值纹理特征确定为第二纹理结果，将所述第一纹理结果与所述第二颜色结果的纹理比例值确定为所述纹理属性对应的第二特征量化值；
第八确定单元，用于采用预设的图像熵量化方法确定所述标志物图像的第一图像熵结果，并采用所述预设的图像熵量化方法确定所述背景黏膜图像的第二图像熵结果，将所述第一图像熵结果与所述第二图像熵结果的图像熵比例值确定为所述图像熵属性对应的第二特征量化值。
在一个实施例中，第六确定单元包括：
第一转换子单元，用于将所述标志物图像转换为XYZ颜色空间图像，对所述XYZ颜色空间图像进行通道分解，得到Z通道图像；
锐化子单元，用于对所述Z通道图像进行锐化处理，得到锐化图像；
归一化子单元，用于对所述锐化图像进行像素归一化处理，得到归一化图像；
提取子单元，用于对所述归一化图像进行方向梯度直方图特征提取，得到所述第一颜色结果。
在一个实施例中，第八确定单元包括：
第二转换子单元，用于将所述标志物图像转换为HSV颜色空间图像；
第一确定子单元，用于确定所述HSV颜色空间图像在H通道、S通道及V通道对应的二维熵，
第二确定子单元，用于基于所述H通道、S通道及V通道对应的二维熵确定所述第一图像熵结果。
在一个实施例中，所述已训练的机器学习分类器包括特征拟合子网络和分类子网络；分类模块包括：
拟合单元，用于采用所述特征拟合子网络对所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值进行拟合处理，得到判定系数；
分类单元，用于基于所述判定系数，采用所述分类子网络进行分析，得到所述分类结果。
在一个实施例中，所述分类结果包括正常结果或异常结果，其中，异常结果表征胃部存在异物的概率大于或者等于预设阈值，正常结果表征胃部存在异物的概率小于所述预设阈值，所述分类子网络包括标准系数；该胃白光瘤变图像识别装置还包括：
第一获取模块，用于获取分类结果为所述正常结果对应的判定系数作为第一判定系数，并获取分类结果为所述异常结果对应的判定系数作为第二判定系数；
确定模块，用于根据所述第一判定系数和所述第二判定系数确定所述标准系数。
在一个实施例中，该胃白光瘤变图像识别装置还包括：
第二获取模块，用于获取训练图像样本中的正样本图像对应的第一判定系数及负样本图像对应的第二判定系数；
校准模块，用于按照预设的校准规则分别对所述第一判定系数和所述第二判定系数进行校准；
更新模块，用于基于校准后第一判定系数和校准后的第二判定系数的对所述标准系数进行更新，得到更新后的标准系数。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器，所述服务器包括但不限于高性能计算机和高性能计算机集群。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现胃白光瘤变图像识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行胃白光瘤变图像识别方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的胃白光瘤变图像识别方法可以实现为一种计算机程序的形式，计算机程序可在如图3所示的计算机设备上运行。计算机设备的存储器中可存储组成胃白光瘤变图像识别装置的各个程序模板。比如，获取模块202，识别模块204，定位模块206，分割模块208，第一量化模块210，第二量化模块212，分类模块214。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述胃白光瘤变图像识别方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述胃白光瘤变图像识别方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种胃白光瘤变图像识别方法，其特征在于，包括：
获取待识别的胃白光瘤变图像；
对所述胃白光瘤变图像进行部位识别，得到所述胃白光瘤变图像的部位标签及对应的部位置信度；
对所述胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照所述预测框在所述胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像，包括：将待识别的胃白光瘤变图像作为训练后的标志物识别模型的输入，输出结果为预测框的边界坐标
Figure 778901DEST_PATH_IMAGE001
，
Figure 730676DEST_PATH_IMAGE002
为预测框左上角的坐标点，
Figure 783339DEST_PATH_IMAGE003
为预测框右下角的坐标点，根据边界坐标采用如下公式计算预测框的外扩系数
Figure 427947DEST_PATH_IMAGE004
：
Figure 166227DEST_PATH_IMAGE005
；
确定调整后的边界坐标
Figure 187273DEST_PATH_IMAGE006
，根据预测框的外扩系数和调整后的边界坐标，通过如下约束等式确定裁剪后的图像的宽度W和高度H：
Figure 357092DEST_PATH_IMAGE007
根据裁剪后的图像的宽度W和高度H，进行裁剪，得到包含有标志物区域的目标区域图像；
对所述目标区域图像进行标志物分割，得到分割图像，所述分割图像包括标志物图像和背景黏膜图像；
对所述目标区域图像进行若干第一预设属性的特征提取，获取各个所述第一预设属性对应的第一特征量化值，所述若干第一预设属性包括边界清晰度属性、表面粗糙度属性、出血状态属性、红白色调属性、表面形态属性及图像宽高比属性，其中，所述图像宽高比属性对应的第一特征量化值，包括：获取预测框的边界坐标，
Figure 454492DEST_PATH_IMAGE006
，根据边界坐标确定目标区域图像的宽度尺寸W和高度尺寸H，W=
Figure 929336DEST_PATH_IMAGE008
+
Figure 803007DEST_PATH_IMAGE004
，H=
Figure 781328DEST_PATH_IMAGE009
+
Figure 892372DEST_PATH_IMAGE004
，图像宽高比属性对应的第一特征量化值的
Figure 854512DEST_PATH_IMAGE010
；对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值；其中，所述若干第二预设属性包括颜色属性、纹理属性及图像熵属性；所述对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值的步骤，包括：
采用预设的颜色量化方法确定所述标志物图像的第一颜色结果，并采用所述预设的颜色量化方法确定所述背景黏膜图像的第二颜色结果，将所述第一颜色结果与所述第二颜色结果的颜色比例值确定为所述颜色属性对应的第二特征量化值；其中，所述采用预设的颜色量化方法确定所述标志物图像的第一颜色结果的步骤，包括：
将所述标志物图像转换为XYZ颜色空间图像，对所述XYZ颜色空间图像进行通道分解，得到Z通道图像；
对所述Z通道图像进行锐化处理，得到锐化图像；
对所述锐化图像进行像素归一化处理，得到归一化图像；
对所述归一化图像进行方向梯度直方图特征提取，得到所述第一颜色结果；
提取所述标志物图像的局部二值纹理特征确定为第一纹理结果，并提取所述背景黏膜图像的局部二值纹理特征确定为第二纹理结果，将所述第一纹理结果与所述第二颜色结果的纹理比例值确定为所述纹理属性对应的第二特征量化值；
采用预设的图像熵量化方法确定所述标志物图像的第一图像熵结果，并采用所述预设的图像熵量化方法确定所述背景黏膜图像的第二图像熵结果，将所述第一图像熵结果与所述第二图像熵结果的图像熵比例值确定为所述图像熵属性对应的第二特征量化值；
将所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值输入已训练的机器学习分类器进行分类，得到所述胃白光瘤变图像的分类结果。
2.如权利要求1所述的胃白光瘤变图像识别方法，其特征在于，
所述对所述目标区域图像进行若干第一预设属性的特征提取，获取各个所述第一预设属性对应的第一特征量化值的步骤，包括：
将所述目标区域图像输入训练后的边界清晰度分类器中进行识别，得到的清晰度结果确定为所述边界清晰度属性对应的第一特征量化值；
将所述目标区域图像输入训练后的表面粗糙度分类器中进行识别，得到的粗糙度结果确定为所述表面粗糙度属性对应的第一特征量化值；
将所述目标区域图像输入训练后的出血状态分类器中进行识别，得到的出血状态结果确定为所述出血状态属性对应的第一特征量化值；
将所述目标区域图像输入训练后的红白色调分类器中进行识别，得到的红白色调结果确定为所述红白色调属性对应的第一特征量化值；
将所述目标区域图像输入训练后的表面形态属性分类器中进行识别，得到的形态结果确定为所述表面形态属性对应的第一特征量化值；
获取所述预测框的边界坐标，根据所述边界坐标确定所述图像宽高比属性对应的第一特征量化值。
3.如权利要求1所述的胃白光瘤变图像识别方法，其特征在于，所述采用预设的图像熵量化方法确定所述标志物图像的第一图像熵结果的步骤，包括：
将所述标志物图像转换为HSV颜色空间图像；
确定所述HSV颜色空间图像在H通道、S通道及V通道对应的二维熵，
基于所述H通道、S通道及V通道对应的二维熵确定所述第一图像熵结果。
4.如权利要求1所述的胃白光瘤变图像识别方法，其特征在于，所述已训练的机器学习分类器包括特征拟合子网络和分类子网络；
所述将所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值输入已训练的机器学习分类器进行分类，得到所述胃白光瘤变图像的分类结果的步骤，包括：
采用所述特征拟合子网络对所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值进行拟合处理，得到判定系数；
基于所述判定系数，采用所述分类子网络进行分析，得到所述分类结果。
5.如权利要求4所述的胃白光瘤变图像识别方法，其特征在于，所述分类结果包括正常结果或异常结果，其中，异常结果表征胃部存在异物的概率大于或者等于预设阈值，正常结果表征胃部存在异物的概率小于所述预设阈值，所述分类子网络包括标准系数，在所述采用所述特征拟合子网络对所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值进行拟合处理，得到判定系数的步骤之后，还包括：
获取分类结果为所述正常结果对应的判定系数作为第一判定系数，并获取分类结果为所述异常结果对应的判定系数作为第二判定系数；
根据所述第一判定系数和所述第二判定系数确定所述标准系数。
6.如权利要求5所述的胃白光瘤变图像识别方法，其特征在于，在所述根据所述第一判定系数和所述第二判定系数确定所述标准系数的步骤之后，还包括：
获取训练图像样本中的正样本图像对应的第一判定系数及负样本图像对应的第二判定系数；
按照预设的校准规则分别对所述第一判定系数和所述第二判定系数进行校准；
基于校准后第一判定系数和校准后的第二判定系数的对所述标准系数进行更新，得到更新后的标准系数。
7.一种胃白光瘤变图像识别装置，其特征在于，包括：
获取模块，用于获取待识别的胃白光瘤变图像；
识别模块，用于对所述胃白光瘤变图像进行部位识别，得到所述胃白光瘤变图像的部位标签及对应的部位置信度；
定位模块，用于对所述胃白光瘤变图像进行标志物区域定位，确定标志物区域的预测框，按照所述预测框在所述胃白光瘤变图像进行裁剪，得到包含标志物的目标区域图像，包括：将待识别的胃白光瘤变图像作为训练后的标志物识别模型的输入，输出结果为预测框的边界坐标
Figure 217360DEST_PATH_IMAGE001
，
Figure 332078DEST_PATH_IMAGE002
为预测框左上角的坐标点，
Figure 958231DEST_PATH_IMAGE011
为预测框右下角的坐标点，根据边界坐标采用如下公式计算预测框的外扩系数
Figure 444883DEST_PATH_IMAGE004
：
Figure 345843DEST_PATH_IMAGE005
；
确定调整后的边界坐标
Figure 767597DEST_PATH_IMAGE012
，根据预测框的外扩系数和调整后的边界坐标，通过如下约束等式确定裁剪后的图像的宽度W和高度H：
Figure 846543DEST_PATH_IMAGE013
根据裁剪后的图像的宽度W和高度H，进行裁剪，得到包含有标志物区域的目标区域图像；
分割模块，用于对所述目标区域图像进行标志物分割，得到分割图像，所述分割图像包括标志物图像和背景黏膜图像；
第一量化模块，用于对所述目标区域图像进行若干第一预设属性的特征提取，获取各个所述第一预设属性对应的第一特征量化值，所述若干第一预设属性包括边界清晰度属性、表面粗糙度属性、出血状态属性、红白色调属性、表面形态属性及图像宽高比属性，其中，所述图像宽高比属性对应的第一特征量化值，包括：获取预测框的边界坐标，
Figure 517695DEST_PATH_IMAGE014
，根据边界坐标确定目标区域图像的宽度尺寸W和高度尺寸H，W=
Figure 222346DEST_PATH_IMAGE015
+
Figure 606929DEST_PATH_IMAGE004
，H=
Figure 122355DEST_PATH_IMAGE016
+
Figure 15225DEST_PATH_IMAGE004
，图像宽高比属性对应的第一特征量化值的
Figure 838081DEST_PATH_IMAGE017
；
第二量化模块，用于对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值，其中，所述若干第二预设属性包括颜色属性、纹理属性及图像熵属性；所述对所述分割图像进行若干第二预设属性的特征提取，获取各个所述第二预设属性对应的第二特征量化值的步骤，包括：
采用预设的颜色量化方法确定所述标志物图像的第一颜色结果，并采用所述预设的颜色量化方法确定所述背景黏膜图像的第二颜色结果，将所述第一颜色结果与所述第二颜色结果的颜色比例值确定为所述颜色属性对应的第二特征量化值；其中，所述采用预设的颜色量化方法确定所述标志物图像的第一颜色结果的步骤，包括：
将所述标志物图像转换为XYZ颜色空间图像，对所述XYZ颜色空间图像进行通道分解，得到Z通道图像；
对所述Z通道图像进行锐化处理，得到锐化图像；
对所述锐化图像进行像素归一化处理，得到归一化图像；
对所述归一化图像进行方向梯度直方图特征提取，得到所述第一颜色结果；
提取所述标志物图像的局部二值纹理特征确定为第一纹理结果，并提取所述背景黏膜图像的局部二值纹理特征确定为第二纹理结果，将所述第一纹理结果与所述第二颜色结果的纹理比例值确定为所述纹理属性对应的第二特征量化值；
采用预设的图像熵量化方法确定所述标志物图像的第一图像熵结果，并采用所述预设的图像熵量化方法确定所述背景黏膜图像的第二图像熵结果，将所述第一图像熵结果与所述第二图像熵结果的图像熵比例值确定为所述图像熵属性对应的第二特征量化值；
分类模块，用于将所述部位置信度、各个所述第一特征量化值和各个所述第二特征量化值输入已训练的机器学习分类器进行分类，得到所述胃白光瘤变图像的分类结果。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述胃白光瘤变图像识别方法的步骤。
CN202211291946.9A 2022-10-21 2022-10-21 胃白光瘤变图像识别方法、装置及存储介质 Active CN115375674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211291946.9A CN115375674B (zh) 2022-10-21 2022-10-21 胃白光瘤变图像识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211291946.9A CN115375674B (zh) 2022-10-21 2022-10-21 胃白光瘤变图像识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115375674A CN115375674A (zh) 2022-11-22
CN115375674B true CN115375674B (zh) 2023-02-03

Family

ID=84074293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211291946.9A Active CN115375674B (zh) 2022-10-21 2022-10-21 胃白光瘤变图像识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115375674B (zh)

Families Citing this family (1)

* 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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660067A (zh) * 2018-06-28 2020-01-07 杭州海康威视数字技术股份有限公司 一种目标检测方法及其装置
CN111241940A (zh) * 2019-12-31 2020-06-05 浙江大学 一种机器人的远程控制方法、人体边界框确定方法及系统
CN112949661A (zh) * 2021-05-13 2021-06-11 北京世纪好未来教育科技有限公司 检测框自适应外扩方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2524687C (en) * 2003-06-12 2013-03-12 Cytyc Corporation System for organizing multiple objects of interest in field of interest
CN106097335B (zh) * 2016-06-08 2019-01-25 安翰光电技术（武汉）有限公司 消化道病灶图像识别系统及识别方法
CN114359279B (zh) * 2022-03-18 2022-06-03 武汉楚精灵医疗科技有限公司 图像处理方法、装置、计算机设备及存储介质
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660067A (zh) * 2018-06-28 2020-01-07 杭州海康威视数字技术股份有限公司 一种目标检测方法及其装置
CN111241940A (zh) * 2019-12-31 2020-06-05 浙江大学 一种机器人的远程控制方法、人体边界框确定方法及系统
CN112949661A (zh) * 2021-05-13 2021-06-11 北京世纪好未来教育科技有限公司 检测框自适应外扩方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115375674A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN110110799B (zh) 细胞分类方法、装置、计算机设备和存储介质
CN110120040B (zh) 切片图像处理方法、装置、计算机设备和存储介质
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN110111344B (zh) 病理切片图像分级方法、装置、计算机设备和存储介质
Szczypiński et al. Identifying barley varieties by computer vision
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN111860670A (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN108830197A (zh) 图像处理方法、装置、计算机设备和存储介质
CN113706533B (zh) 图像处理方法、装置、计算机设备及存储介质
CN111738064A (zh) 一种雾霾图像的雾浓度识别方法
CN110322436B (zh) 医学图像处理方法、装置、存储介质及设备
CN110363103B (zh) 虫害识别方法、装置、计算机设备及存储介质
CN115375674B (zh) 胃白光瘤变图像识别方法、装置及存储介质
CN110929944A (zh) 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法
CN114511749B (zh) 图像处理方法、装置、计算机设备及存储介质
CN110929730A (zh) 图像处理方法、装置、计算机设备和存储介质
CN112488983A (zh) 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法
CN111968087B (zh) 一种植物病害区域检测方法
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN116245855B (zh) 作物品种鉴定方法、装置、设备及存储介质
CN112258532A (zh) 一种超声图像中胼胝体的定位及分割方法
CN114359279B (zh) 图像处理方法、装置、计算机设备及存储介质
CN116206208A (zh) 一种基于人工智能的林业病虫害快速分析系统
Shweta et al. External feature based quality evaluation of Tomato using K-means clustering and support vector classification
CN115496748A (zh) 小肠图像的肠段识别方法、装置及存储介质

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