CN115496748B - 小肠图像的肠段识别方法、装置及存储介质 - Google Patents
小肠图像的肠段识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115496748B CN115496748B CN202211390346.8A CN202211390346A CN115496748B CN 115496748 B CN115496748 B CN 115496748B CN 202211390346 A CN202211390346 A CN 202211390346A CN 115496748 B CN115496748 B CN 115496748B
- Authority
- CN
- China
- Prior art keywords
- intestinal
- image
- wall
- blood vessel
- roi
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (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小肠图像的肠段识别方法、装置及存储介质,该方法获取待识别的肠腔内壁图像,对肠腔内壁图像进行血管分割,得到多个血管ROI区域,基于各个血管ROI区域,计算肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度,基于肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像,计算肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度,基于肠腔血管密集度、肠壁颜色深浅度及预设分类阈值,确定肠腔内壁图像的识别结果,通过对肠腔血管密集程度、肠壁颜色的深浅程度的量化,提高了量化的合理性,实现了肠腔内壁图像的定量分析,大大提高了肠腔内壁图像中肠段的识别效率。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种小肠图像的肠段识别方法、装置及存储介质。
背景技术
小肠镜检查分为经口小肠镜和经肛小肠镜,因为小肠非常长,又位于十二指肠和大肠的中间,检查起来相对比较麻烦。经口小肠镜主要检查小肠上段,即空肠,经肛小肠镜主要检查小肠下半段,即回肠。通常大部分患者通过这两个方向检查会师,能够完整检查小肠。由于小肠空肠和回肠的形态结构十分相似,目前内镜医师往往通过操作时间和经验来估计处于的肠段,无法准确的识别出空肠和回肠,降低了小肠检查的精度和完整度。
发明内容
本申请实施例提供一种小肠图像的肠段识别方法、装置及存储介质,以解决内镜医师存在主观性强且准确性难以保证的技术问题。
一方面,本申请提供一种小肠图像的肠段识别方法,包括:
获取待识别的肠腔内壁图像;
对所述肠腔内壁图像进行血管分割,得到多个血管ROI区域;
基于各个所述血管ROI区域,计算所述肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度;
基于所述肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像;
计算所述肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度;
基于所述肠腔血管密集度、所述肠壁颜色深浅度及预设分类阈值,确定所述肠腔内壁图像的识别结果,所述识别结果包括空肠和回肠。
一方面,本申请提供一种小肠图像的肠段识别装置,包括:
获取模块,用于获取待识别的肠腔内壁图像;
分割模块,用于对所述肠腔内壁图像进行血管分割,得到多个血管ROI区域;
第一量化模块,用于基于各个所述血管ROI区域,计算所述肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度;
提取模块,用于基于所述肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像;
第二量化模块,用于计算所述肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度;
识别模块,用于基于所述肠腔血管密集度、所述肠壁颜色深浅度及预设分类阈值,确定所述肠腔内壁图像的识别结果,所述识别结果包括空肠和回肠。
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小肠图像的肠段识别方法中的步骤。
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小肠图像的肠段识别方法中的步骤。
本申请实施例提供了一种小肠图像的肠段识别方法、装置及存储介质,该方法通过获取待识别的肠腔内壁图像,对肠腔内壁图像进行血管分割,得到多个血管ROI区域,基于各个血管ROI区域,计算肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度,基于肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像,计算肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度,基于肠腔血管密集度、肠壁颜色深浅度及预设分类阈值,确定肠腔内壁图像的识别结果,通过对肠腔血管密集度、肠壁颜色深浅度进行分析,使得肠腔内壁图像的量化值更加全面丰富,基于该两个量化值进行肠腔内壁图像的长段的识别,提高对图像分析的准确性和直观性,提高了对肠腔内壁图像的处理效率,本实施例,充分考量了肠腔血管密集度、肠壁颜色深浅度对图像处理的准确性及直观性影响,通过对肠腔血管密集程度、肠壁颜色的深浅程度的量化,提高了量化的合理性,实现了肠腔内壁图像的定量分析,相较于传统的只考虑的单一特征和定性分析的识别方法,大大提高了肠腔内壁图像中肠段的识别效率。
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为一个实施例中小肠图像的肠段识别方法的流程图;
图2为一个实施例中小肠图像的肠段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,提供了一种小肠图像的肠段识别方法,该小肠图像的肠段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。该小肠图像的肠段识别方法具体包括以下步骤:
步骤102,获取待识别的肠腔内壁图像。
其中,待识别的肠腔内壁图像是指需要识别肠腔内壁图像中的小肠肠段的小肠图像,该肠腔内壁图像为RGB图像。具体地,可以通过内镜检查设备在小肠部位进行检测,采集得到肠腔内壁图像,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肠腔内壁图像,还可以对采集的肠腔内壁图像继续进行三维重建后并展开得到新的肠腔内壁图像。作为本实施例的优选,选取新的肠腔内壁图像,以利用三维重建的肠腔内壁图像视野更加全面的优点,提高后续的识别准确率。
步骤104,对肠腔内壁图像进行血管分割,得到多个血管ROI区域。
其中,血管ROI区域(感兴趣区域,Region of Interest, ROI)是指包含有血管的区域,可以是一根血管的区域,也可以是一簇血管的区域,还可以是肠腔内壁图像中的血管连通域对应的最小外接矩形框对应的区域,为了提高血管分析效率,优选肠腔内壁图像中的血管连通域对应的最小外接矩形框对应的区域作为一个血管ROI区域。
具体地,可以通过训练后的血管分割模型对肠腔内壁图像进行血管分割,其分割过程为:将多个肠腔内壁图像中的血管连通域对应的最小外接矩形框和肠腔内壁图像作为样本图像,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,将肠腔内壁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多个血管ROI区域。可以理解地,本实施例中通过多个血管ROI区域,以便后续基于该多个血管ROI区域对血管进行高效识别。
步骤106,基于各个血管ROI区域,计算肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度。
其中,肠腔血管密集度是用于反映肠腔内壁图像中的血管密集程度的指标数值,血管密集程度的量化值可以采用密度计算的方式,即密度=质量/体积,其中,质量可以是血管ROI区域的像素值的累计和,体积可以是血管ROI区域的面积。
具体地,可以分别计算各个血管ROI区域的血管密集程度的量化值,根据各个血管ROI区域的血管密集程度的量化值,确定肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度,实现了对整个肠腔内壁图像中的血管密集程度的量化,更加直观反映了肠腔内壁图像中的血管密集程度,以便后续基于肠腔血管密集度实现对肠腔内壁图像定量分析,提高对肠段分析的精准性和直观性。
步骤108,基于肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像。
其中,肠壁图像是指肠腔内壁图像中的包含肠壁区域的图像。
具体地,可以通过对肠腔内壁图像取反操作,生成对应的肠壁区域掩模图,然后,利用肠壁区域掩膜图对V通道图像进行掩膜提取,得到肠壁图像,可以理解地,本实施例中基于肠腔内壁图像和对应的肠壁区域掩模图提取肠壁图像,从而实现了对肠壁区域的高效提取,有利于提高对肠壁的分析效率。
步骤110,计算肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度。
其中,肠壁颜色深浅度是用于反映肠壁图像中的肠壁颜色的指标数值,肠壁颜色深浅度的量化值,可以通过对肠壁图像的颜色特征进行分析,实现对肠壁颜色的深浅程度的量化,其中的颜色特征可以是颜色直方图。
具体地,可以计算壁图像的直方图,根据直方图中的最大波峰值确定肠壁颜色的深浅程度的量化值,得到壁颜色深浅度,实现了对肠壁图像中肠壁颜色的量化,更加直观反映了肠壁图像中肠壁颜色的深浅程度,以便后续基于肠壁颜色深浅度,实现对肠腔内壁图像定量分析,提高对肠段分析的精准性和直观性。
步骤112,基于肠腔血管密集度、肠壁颜色深浅度及预设分类阈值,确定肠腔内壁图像的识别结果,识别结果包括空肠和回肠。
其中,预设分类阈值是指预先设置的用于判断肠腔内壁图像中的肠段的临界量化值。
具体地,获取肠腔血管密集度、肠壁颜色深浅度各自的权重,根据肠腔血管密集度、肠壁颜色深浅度及相应的权重进行加权求和计算,得到综合量化值,比较综合量化值与预设分类阈值,当综合量化值大于预设分类阈值时,判定肠腔内壁图像的肠段为空肠,当综合量化值小于或者等于预设分类阈值时,判定肠腔内壁图像的肠段为回肠,实现了对肠腔内壁图像中肠段的识别,且识别简单快捷,仅通过比较综合量化值与预设分类阈值的大小,即可确定肠腔内壁图像的识别结果。
在一个具体实施方式中,通过如下公式计算综合量化值P:
本实施例中,通过对肠腔血管密集度、肠壁颜色深浅度进行分析,使得肠腔内壁图像的量化值更加全面丰富,基于该两个量化值进行肠腔内壁图像的长段的识别,提高对图像分析的准确性和直观性,提高了对肠腔内壁图像的处理效率。可以理解地,本实施例充分考量了肠腔血管密集度、肠壁颜色深浅度对图像处理的准确性及直观性影响,通过对肠腔血管密集程度、肠壁颜色的深浅程度的量化,提高了量化的合理性,实现了肠腔内壁图像的定量分析,相较于传统的只考虑的单一特征和定性分析的识别方法,大大提高了肠腔内壁图像中肠段的识别效率。
上述小肠图像的肠段识别方法中,获取待识别的肠腔内壁图像,对肠腔内壁图像进行血管分割,得到多个血管ROI区域,基于各个血管ROI区域,计算肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度,基于肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像,计算肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度,基于肠腔血管密集度、肠壁颜色深浅度及预设分类阈值,确定肠腔内壁图像的识别结果,通过对肠腔血管密集度、肠壁颜色深浅度进行分析,使得肠腔内壁图像的量化值更加全面丰富,基于该两个量化值进行肠腔内壁图像的长段的识别,提高对图像分析的准确性和直观性,提高了对肠腔内壁图像的处理效率,本实施例,充分考量了肠腔血管密集度、肠壁颜色深浅度对图像处理的准确性及直观性影响,通过对肠腔血管密集程度、肠壁颜色的深浅程度的量化,提高了量化的合理性,实现了肠腔内壁图像的定量分析,相较于传统的只考虑的单一特征和定性分析的识别方法,大大提高了肠腔内壁图像中肠段的识别效率。
在一个实施例中,获取待识别的肠腔内壁图像,包括:通过内镜检查设备采集小肠部位的小肠内镜视频,小肠内镜视频中包括多帧小肠图像;对多帧小肠图像进行三维重建,得到小肠三维模型;将小肠三维模型展开的肠腔内壁二维展开图作为肠腔内壁图像。
具体地,内镜检查设备优先选择双气囊小肠镜,获取小肠内镜视频,将小肠内镜视频解码为多帧小肠图像,将小肠图像裁剪为预设尺寸,如640*640大小。通过内镜检查辅助设备,优先选择小肠镜自带的传感器,获取传感器的姿态信息及深度信息,根据传感器的姿态信息及深度信息和多帧小肠图像构建小肠三维模型,展开小肠三维模型的肠腔内壁为二维图像,即为肠腔内壁图像,可以理解地,本实施例中通过对多帧小肠图像进行三维重建,使得展开的肠腔内壁二维展开图包含有不同视野的图像信息,提高了肠腔内壁图像的图像质量。
在一个实施例中,对肠腔内壁图像进行血管分割,得到多个血管ROI区域,包括:将肠腔内壁图像输入预设的血管分割模型进行分割,得到血管区域;对血管区域进行膨胀处理,得到膨胀区域;基于膨胀区域确定多个血管连通域;遍历各个血管连通域确定各自对应的最小外接矩形的矩形框坐标;将各个最小外接矩形的矩形框坐标映射到血管区域,框选出多个血管ROI区域。
其中,血管区域是指肠腔内壁图像中包含有血管的整块区域,连通域(ConnectedComponent)是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region,Blob),本实施例中的血管连通域是指血管区域中与血管像素点的像素差值在预设范围内的像素点组成的图像区域。其中的预设的血管分割模型可以是基于CNN、RNN等神经网络模型训练得到。
具体地,对血管区域进行膨胀处理,得到膨胀处理后的血管区域,在膨胀区域确定多个血管连通域,并遍历各个血管连通域确定各自对应的最小外接矩形的矩形框坐标,将各个最小外接矩形的矩形框坐标映射到血管区域,框选出多个血管ROI区域,可以理解地,由于血管比较细小,本实施例中通过对对血管区域进行膨胀处理,从而可以将细小的血管连接起来,提高血管连通域的精准性,并且遍历各个血管连通域的最小外接矩形,使得血管连通域形状更加规则,进一步提高了对血管连通域的处理速度,进而提高了血管ROI区域的提取效率。
其中的膨胀处理可以采用如下公式实现:
Ib为血管区域,dst(x,y)为膨胀区域。
值得说明的是,为了突出血管特征,提高血管ROI区域的精准性,还可以对肠腔内壁图像进行预处理,对预处理后的肠腔内壁图像进行分割,其中的预处理可以是将肠腔内壁图像进行色道分离并增强红色通道,然后进行灰度图处理。具体地,对肠腔内壁图像进行颜色通道分离,得到R通道图像、G通道图像和B通道图像;对R通道图像进行增强处理,得到增强图像;对增强图像和G通道图像和B通道图像进行灰度化处理,得到灰度化处理后的增强图像。灰度化公式如下:
在一个实施例中,基于各个血管ROI区域,计算肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度,包括:基于各个血管ROI区域,确定肠腔内壁图像的血管分布图;基于血管分布图,计算肠腔内壁图像的血管密集程度的量化值,得到肠腔血管密集度。
其中,血管分布图是指用于反映血管分布情况的图像,具体地,可以对血管ROI区域进行分析后,例如计算每个血管ROI区域的密集度,然后针对ROI区域的密集度筛选出满足条件的ROI区域,形成血管分布图,然后对血管分布图进行像素的分析计算,计算出肠腔内壁图像的血管密集程度的量化值,得到肠腔血管密集度,从而对整个肠腔内壁图像的总密集度的计算和分析,实现对肠腔内壁图像的总密集度的量化计算。
在一个实施例中,基于各个血管ROI区域,确定肠腔内壁图像的血管分布图,包括:根据血管ROI区域的矩形框坐标,确定血管ROI区域的ROI面积;根据ROI面积和血管ROI区域的像素值,计算血管ROI区域的密集程度的量化值,得到ROI血管密集度;基于各个ROI血管密集度,从多个血管ROI区域中筛选出有效ROI区域;基于有效ROI区域生成血管分布图。
具体地,根据ROI面积和血管ROI区域的像素值,计算血管ROI区域的密集程度的量化值,得到ROI血管密集度,然后,从多个血管ROI区域中筛选出有效ROI区域,根据有效ROI区域生成血管分布图。
在这个实施例中,根据血管分布图,计算肠腔内壁图像的血管密集程度的量化值,得到肠腔血管密集度,采用如下计算公式:
在一个实施例中,基于肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像,包括:将肠腔内壁图像转换为HSV颜色空间图像,并从HSV颜色空间图像中提取V通道图像;利用肠壁区域掩模图对V通道图像进行掩膜提取,得到肠壁图像。
其中,肠腔内壁图像对应的肠壁区域掩模图可以对肠腔内壁图像进行取反操作,生成肠壁区域掩模图,也可以先对肠腔内壁图像进行预处理,其中的预处理方式可以是上述实施例中的灰度化处理,对灰度化后的增强图像R进行取反操作,生成肠壁区域掩模图。
具体地,为了突出肠腔内壁图像中肠壁颜色的变化,将RGB格式的肠腔内壁图像转化到YUV色彩空间,其中U代表蓝色色度分量,V代表红色色度分量,进行图像通道分离保存V通道图像,利用肠壁区域掩模图对V通道图像进行掩膜提取,提取肠壁图像。其中的转化公式为:
V=0.615R-0.515G-0.100B;
在一个实施例中,计算肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度,包括:计算肠壁图像的直方图,得到肠壁直方图,并确定肠壁直方图的最大波峰值;根据最大波峰值确定肠壁颜色深浅度。
可以理解地,本实施例中,通过计算肠壁图像的直方图,并确定肠壁直方图的最大波峰值,根据最大波峰值计算得到肠壁颜色深浅度,其量化方法简单快捷,且结合肠壁图像的直方图中的最大波峰值对肠壁颜色深浅度的分析,提高了肠壁颜色深浅度计算效率。
在一个实施例中,在基于肠腔血管密集度、肠壁颜色深浅度及预设分类阈值,确定肠腔内壁图像的识别结果,识别结果包括空肠和回肠之后,还包括:获取识别结果,并获取小肠镜检查类型,小肠镜检查类型包括经口小肠镜检查和经肛小肠镜检查,识别结果和设备类型用于进行小肠会师检查。
具体地,在内镜检查设备的设备类型为经口小肠镜,即经口小肠镜检查时,肠腔的识别情况应该为空肠,当检查到提示识别到回肠后,此检查完成;在内镜检查设备的设备类型为经肛小肠镜,即经肛小肠镜检查时,肠腔识别情况应该为回肠,当检查到提示识别到空肠后,此检查完成,完成小肠会师,全部小肠检查完毕,从而指导小肠会师,由于识别结果是通过步骤102-步骤112识别得到,使得识别结果更加精准,从而提高了小肠检查完整度。
如图2所示,在一个实施例中,提出了一种小肠图像的肠段识别装置,包括:
获取模块202,用于获取待识别的肠腔内壁图像;
分割模块204,用于对所述肠腔内壁图像进行血管分割,得到多个血管ROI区域;
第一量化模块206,用于基于各个所述血管ROI区域,计算所述肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度;
提取模块208,用于基于所述肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像;
第二量化模块210,用于计算所述肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度;
识别模块212,用于基于所述肠腔血管密集度、所述肠壁颜色深浅度及预设分类阈值,确定所述肠腔内壁图像的识别结果,所述识别结果包括空肠和回肠。
在一个实施例中,所述获取模块202包括:
采集单元,用于通过内镜检查设备采集小肠部位的小肠内镜视频,所述小肠内镜视频中包括多帧小肠图像;
重建单元,用于对所述多帧小肠图像进行三维重建,得到小肠三维模型;
第一确定单元,用于将所述小肠三维模型展开的肠腔内壁二维展开图作为所述肠腔内壁图像。
在一个实施例中,所述分割模块204包括:
分割单元,用于将所述肠腔内壁图像输入预设的血管分割模型进行分割,得到血管区域;
膨胀单元,用于对所述血管区域进行膨胀处理,得到膨胀区域;
第二确定单元,用于基于所述膨胀区域确定多个血管连通域;
遍历各个所述血管连通域确定各自对应的最小外接矩形的矩形框坐标;
框选单元,用于将各个所述最小外接矩形的矩形框坐标映射到所述血管区域,框选出多个血管ROI区域。
在一个实施例中,所述第一量化模块206包括:
第三确定单元,用于基于各个所述血管ROI区域,确定所述肠腔内壁图像的血管分布图;
第一计算单元,用于基于所述血管分布图,计算所述肠腔内壁图像的血管密集程度的量化值,得到所述肠腔血管密集度。
在一个实施例中,第三确定单元包括:
第一确定子单元,用于根据所述血管ROI区域的矩形框坐标,确定所述血管ROI区域的ROI面积;
计算子单元,用于根据所述ROI面积和血管ROI区域的像素值,计算所述血管ROI区域的密集程度的量化值,得到ROI血管密集度;
筛选子单元,用于基于各个ROI血管密集度,从所述多个血管ROI区域中筛选出有效ROI区域;
生成子单元,用于基于所述有效ROI区域生成所述血管分布图。
在一个实施例中,所述提取模块208包括:
转换单元,用于将所述肠腔内壁图像转换为HSV颜色空间图像,并从所述HSV颜色空间图像中提取V通道图像;
提取单元,用于利用所述肠壁区域掩模图对所述V通道图像进行掩膜提取,得到所述肠壁图像。
在一个实施例中,第二量化模块210包括:
第二计算单元,用于计算所述肠壁图像的直方图,得到肠壁直方图,并确定所述肠壁直方图的最大波峰值;
第四确定单元,用于根据所述最大波峰值确定所述肠壁颜色深浅度。
在一个实施例中,该小肠图像的肠段识别装置还包括:
会师模块,用于获取所述识别结果,并获取小肠镜检查类型,所述小肠镜检查类型包括经口小肠镜检查和经肛小肠镜检查,所述识别结果和所述设备类型用于进行小肠会师检查。
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,可使得处理器实现小肠图像的肠段识别方法。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,可使得处理器执行小肠图像的肠段识别方法。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,本申请提供的小肠图像的肠段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小肠图像的肠段识别装置的各个程序模板。比如,获取模块202,分割模块204,第一量化模块206,提取模块208,第二量化模块210,识别模块212。
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小肠图像的肠段识别方法中的步骤。
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小肠图像的肠段识别方法中的步骤。
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 (9)
1.一种小肠图像的肠段识别方法,其特征在于,包括:
获取待识别的肠腔内壁图像;
对所述肠腔内壁图像进行血管分割,得到多个血管ROI区域;
基于各个所述血管ROI区域,计算所述肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度;
基于所述肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像;
计算所述肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度;
基于所述肠腔血管密集度、所述肠壁颜色深浅度及预设分类阈值,确定所述肠腔内壁图像的识别结果,所述识别结果包括空肠和回肠。
2.如权利要求1所述的小肠图像的肠段识别方法,其特征在于,所述获取待识别的肠腔内壁图像,包括:
通过内镜检查设备采集小肠部位的小肠内镜视频,所述小肠内镜视频中包括多帧小肠图像;
对所述多帧小肠图像进行三维重建,得到小肠三维模型;
将所述小肠三维模型展开的肠腔内壁二维展开图作为所述肠腔内壁图像。
3.如权利要求1所述的小肠图像的肠段识别方法,其特征在于,所述对所述肠腔内壁图像进行血管分割,得到多个血管ROI区域,包括:
将所述肠腔内壁图像输入预设的血管分割模型进行分割,得到血管区域;
对所述血管区域进行膨胀处理,得到膨胀区域;
基于所述膨胀区域确定多个血管连通域;
遍历各个所述血管连通域确定各自对应的最小外接矩形的矩形框坐标;
将各个所述最小外接矩形的矩形框坐标映射到所述血管区域,框选出多个血管ROI区域。
4.如权利要求1所述的小肠图像的肠段识别方法,其特征在于,所述基于各个所述血管ROI区域,计算所述肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度,包括:
基于各个所述血管ROI区域,确定所述肠腔内壁图像的血管分布图;
基于所述血管分布图,计算所述肠腔内壁图像的血管密集程度的量化值,得到所述肠腔血管密集度。
5.如权利要求4所述的小肠图像的肠段识别方法,其特征在于,所述基于各个所述血管ROI区域,确定所述肠腔内壁图像的血管分布图,包括:
根据所述血管ROI区域的矩形框坐标,确定所述血管ROI区域的ROI面积;
根据所述ROI面积和血管ROI区域的像素值,计算所述血管ROI区域的密集程度的量化值,得到ROI血管密集度;
基于各个ROI血管密集度,从所述多个血管ROI区域中筛选出有效ROI区域;
基于所述有效ROI区域生成所述血管分布图。
6.如权利要求1所述的小肠图像的肠段识别方法,其特征在于,所述基于所述肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像,包括:
将所述肠腔内壁图像转换为HSV颜色空间图像,并从所述HSV颜色空间图像中提取V通道图像;
利用所述肠壁区域掩模图对所述V通道图像进行掩膜提取,得到所述肠壁图像。
7.如权利要求6所述的小肠图像的肠段识别方法,其特征在于,所述计算所述肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度,包括:
计算所述肠壁图像的直方图,得到肠壁直方图,并确定所述肠壁直方图的最大波峰值;
根据所述最大波峰值确定所述肠壁颜色深浅度。
8.一种小肠图像的肠段识别装置,其特征在于,包括:
获取模块,用于获取待识别的肠腔内壁图像;
分割模块,用于对所述肠腔内壁图像进行血管分割,得到多个血管ROI区域;
第一量化模块,用于基于各个所述血管ROI区域,计算所述肠腔内壁图像中的血管密集程度的量化值,得到肠腔血管密集度;
提取模块,用于基于所述肠腔内壁图像和对应的肠壁区域掩模图,提取肠壁图像;
第二量化模块,用于计算所述肠壁图像中肠壁颜色的深浅程度的量化值,得到肠壁颜色深浅度;
识别模块,用于基于所述肠腔血管密集度、所述肠壁颜色深浅度及预设分类阈值,确定所述肠腔内壁图像的识别结果,所述识别结果包括空肠和回肠。
9.一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7任一项所述小肠图像的肠段识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211390346.8A CN115496748B (zh) | 2022-11-08 | 2022-11-08 | 小肠图像的肠段识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211390346.8A CN115496748B (zh) | 2022-11-08 | 2022-11-08 | 小肠图像的肠段识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496748A CN115496748A (zh) | 2022-12-20 |
CN115496748B true CN115496748B (zh) | 2023-03-14 |
Family
ID=85115569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211390346.8A Active CN115496748B (zh) | 2022-11-08 | 2022-11-08 | 小肠图像的肠段识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496748B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011135937A (ja) * | 2009-12-25 | 2011-07-14 | Toshiba Corp | 医用画像処理装置、医用画像処理プログラム及び医用画像診断装置 |
CN106530386A (zh) * | 2016-11-25 | 2017-03-22 | 上海联影医疗科技有限公司 | 医学图像的体绘制方法及其系统 |
CN108596237A (zh) * | 2018-04-19 | 2018-09-28 | 北京邮电大学 | 一种基于颜色和血管的lci激光内镜下的结肠息肉分类方法 |
CN108615037A (zh) * | 2018-05-31 | 2018-10-02 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的可控胶囊内镜操作实时辅助系统及操作方法 |
CN109272483A (zh) * | 2018-08-01 | 2019-01-25 | 安翰光电技术(武汉)有限公司 | 胶囊内镜阅片及质量控制的系统及控制方法 |
CN110036295A (zh) * | 2016-09-20 | 2019-07-19 | 勃艮第大学 | 用于诊断早期肠缺血的体外方法 |
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 |
RU2741719C1 (ru) * | 2020-08-10 | 2021-01-28 | Федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр колопроктологии имени А.Н. Рыжих" Министерства здравоохранения Российской Федерации (ФГБУ "НМИЦ колопроктологии имени А.Н. Рыжих" Минздрава России) | Способ мультипараметрического эндоректального ультразвукового исследования аденом прямой кишки и их малигнизации |
CN112312822A (zh) * | 2018-07-06 | 2021-02-02 | 奥林巴斯株式会社 | 内窥镜用图像处理装置和内窥镜用图像处理方法以及内窥镜用图像处理程序 |
CN114521122A (zh) * | 2019-09-27 | 2022-05-20 | 富士胶片株式会社 | 图像处理装置、内窥镜系统及图像处理的工作方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018105063A1 (ja) * | 2016-12-07 | 2018-06-14 | オリンパス株式会社 | 画像処理装置 |
JP7017198B2 (ja) * | 2018-06-22 | 2022-02-08 | 株式会社Aiメディカルサービス | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
WO2020232374A1 (en) * | 2019-05-16 | 2020-11-19 | The Regents Of The University Of Michigan | Automated anatomic and regional location of disease features in colonoscopy videos |
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 |
CN115205600A (zh) * | 2022-07-26 | 2022-10-18 | 航天中心医院 | 一种基于腹部分区的多模态超声图像自动归类方法 |
-
2022
- 2022-11-08 CN CN202211390346.8A patent/CN115496748B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011135937A (ja) * | 2009-12-25 | 2011-07-14 | Toshiba Corp | 医用画像処理装置、医用画像処理プログラム及び医用画像診断装置 |
CN110036295A (zh) * | 2016-09-20 | 2019-07-19 | 勃艮第大学 | 用于诊断早期肠缺血的体外方法 |
CN106530386A (zh) * | 2016-11-25 | 2017-03-22 | 上海联影医疗科技有限公司 | 医学图像的体绘制方法及其系统 |
CN108596237A (zh) * | 2018-04-19 | 2018-09-28 | 北京邮电大学 | 一种基于颜色和血管的lci激光内镜下的结肠息肉分类方法 |
CN108615037A (zh) * | 2018-05-31 | 2018-10-02 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的可控胶囊内镜操作实时辅助系统及操作方法 |
CN112312822A (zh) * | 2018-07-06 | 2021-02-02 | 奥林巴斯株式会社 | 内窥镜用图像处理装置和内窥镜用图像处理方法以及内窥镜用图像处理程序 |
CN109272483A (zh) * | 2018-08-01 | 2019-01-25 | 安翰光电技术(武汉)有限公司 | 胶囊内镜阅片及质量控制的系统及控制方法 |
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 |
CN114521122A (zh) * | 2019-09-27 | 2022-05-20 | 富士胶片株式会社 | 图像处理装置、内窥镜系统及图像处理的工作方法 |
RU2741719C1 (ru) * | 2020-08-10 | 2021-01-28 | Федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр колопроктологии имени А.Н. Рыжих" Министерства здравоохранения Российской Федерации (ФГБУ "НМИЦ колопроктологии имени А.Н. Рыжих" Минздрава России) | Способ мультипараметрического эндоректального ультразвукового исследования аденом прямой кишки и их малигнизации |
Non-Patent Citations (2)
Title |
---|
Visualization of Chinese Digitized Intestinal Tract;Hongyan Luo 等;《2009 2nd International Congress on Image and Signal Processing》;20091030;全文 * |
缺血性肠病临床特点及肠道血管病变的CT影像研究;刘文徽;《中国博士学位论文全文数据库 (医药卫生科技辑)》;20150331(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115496748A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11049240B2 (en) | Method and system for assessing bone age using deep neural network | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN109087703B (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
US8457394B2 (en) | Method of detecting skin-colored area using variable skin color model | |
CN110570350A (zh) | 一种二维卵泡检测方法、装置和超声设备及可读存储介质 | |
JP7305046B2 (ja) | 画像分類方法及び装置並びに機器 | |
WO2020066257A1 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
WO2021147866A1 (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
US20240005494A1 (en) | Methods and systems for image quality assessment | |
CN111508016A (zh) | 一种基于图像处理的白癜风区域色度值和面积计算的方法 | |
CN113793301A (zh) | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 | |
CN111445457A (zh) | 网络模型的训练方法及装置、识别方法及装置、电子设备 | |
CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
CN111815606A (zh) | 图像质量评估方法、存储介质及计算装置 | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
CN111222371A (zh) | 舌下静脉特征提取装置及方法 | |
CN115496748B (zh) | 小肠图像的肠段识别方法、装置及存储介质 | |
KR102430946B1 (ko) | 소장 정결도를 진단하는 시스템 및 방법 | |
CN112330648A (zh) | 基于半监督学习的无参考图像质量评价方法及装置 | |
CN114359279B (zh) | 图像处理方法、装置、计算机设备及存储介质 |
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 |