CN115661150A - 鼻咽腔内镜图像异常的识别方法及装置 - Google Patents
鼻咽腔内镜图像异常的识别方法及装置 Download PDFInfo
- Publication number
- CN115661150A CN115661150A CN202211674840.7A CN202211674840A CN115661150A CN 115661150 A CN115661150 A CN 115661150A CN 202211674840 A CN202211674840 A CN 202211674840A CN 115661150 A CN115661150 A CN 115661150A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- nasopharyngeal cavity
- image
- segmentation
- abnormal
- 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.)
- Granted
Links
Images
Landscapes
- Endoscopes (AREA)
Abstract
本申请提供一种鼻咽腔内镜图像异常的识别方法及装置,该鼻咽腔内镜图像异常的识别方法包括:获取多张鼻咽腔内镜图像;对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;计算血管分割区域的血管中心线;获取血管中心线的两个端点之间的血管端点直线段;计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离;对长度比值和投影距离进行加权求和,得到血管扭曲异常参数;根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率。本申请能够提高鼻咽腔内镜图像异常的识别效率。
Description
技术领域
本申请主要涉及图像处理技术领域,具体涉及一种鼻咽腔内镜图像异常的识别方法及装置。
背景技术
鼻咽癌是指发生于鼻咽腔顶部和侧壁的恶性肿瘤。现有技术中,基于WLI和NBI技术的电子鼻内镜下的病变活检,是识别鼻咽癌患者的重要方式。目前,由于采集的鼻咽腔内镜图像较多,人工从大量的鼻咽腔内镜图像筛选出异常图像的效率不高。
也即,现有技术中鼻咽腔内镜图像异常的识别效率不高。
发明内容
本申请提供一种鼻咽腔内镜图像异常的识别方法及装置,旨在解决现有技术中鼻咽腔内镜图像异常的识别效率不高的问题。
第一方面,本申请提供一种鼻咽腔内镜图像异常的识别方法,所述鼻咽腔内镜图像异常的识别方法包括:
获取多张鼻咽腔内镜图像;
对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;
对所述目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;
采用Zhang-Suen细化算法计算所述血管分割区域的血管中心线;
获取所述血管中心线的两个端点之间的血管端点直线段;
计算所述血管端点直线段的长度与所述血管中心线的中心线长度的长度比值、所述血管中心线在垂直所述血管端点直线段的方向上的投影距离;
对所述长度比值和所述投影距离进行加权求和,得到血管扭曲异常参数;
根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,其中,所述鼻咽腔内镜图像的异常概率随着所述血管扭曲异常参数的增大而增大。
可选地,所述根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,包括:
获取所述血管中心线与所述血管端点直线段的交点数量;
对所述长度比值、所述投影距离以及所述交点数量进行加权求和,得到所述血管扭曲异常参数。
可选地,所述根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,包括:
获取多张鼻咽腔CT图像;
对所述多张鼻咽腔CT图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻咽腔CT图像;
对所述目标鼻咽腔CT图像进行图像分割,得到病灶分割区域和颅内分割区域;
计算病灶分割区域和颅内分割区域的侵入交并比;
计算所述病灶分割区域的形心和所述颅内分割区域的形心之间的形心距离;
计算所述病灶分割区域的外轮廓上各个像素点与所述颅内分割区域的形心之间的最短距离;
根据所述侵入交并比、所述最短距离与所述形心距离的距离比值确定侵入异常参数;
根据所述血管扭曲异常参数和所述侵入异常参数确定所述鼻咽腔内镜图像的异常概率。
可选地,所述根据所述血管扭曲异常参数和所述侵入异常参数确定所述鼻咽腔内镜图像的异常概率,包括:
获取对所述目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域;
在所述目标鼻咽腔CT图像上生成与所述目标鼻咽腔CT图像的图像对称轴垂直的多条水平线,其中,每条水平线与所述左鼻咽腔分割区域的外轮廓和所述右鼻咽腔分割区域的外轮廓之间存在4个轮廓交点;
计算水平线上四个轮廓交点中位于内侧的两个轮廓交点至所述图像对称轴的第一距离差、水平线上四个轮廓交点中位于外侧的两个轮廓交点至所述图像对称轴的第二距离差;
将每条水平线的第一距离差和第二距离差求和,得到总距离差;
根据总距离差确定左右不对称参数;
根据所述血管扭曲异常参数、所述侵入异常参数以及所述左右不对称参数确定所述鼻咽腔内镜图像的异常概率。
可选地,所述根据总距离差确定左右不对称参数,包括:
获取对所述目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域;
获取所述左鼻咽腔分割区域和所述右鼻咽腔分割区域的面积差;
根据所述面积差和所述总距离差确定左右不对称参数。
可选地,所述根据所述面积差和所述总距离差确定左右不对称参数,包括:
获取所述左鼻咽腔分割区域的第一像素平均值和所述右鼻咽腔分割区域的第二像素平均值;
计算第一像素平均值和第二像素平均值之间的像素均值差;
根据所述面积差、所述总距离差以及像素均值差确定所述左右不对称参数。
可选地,所述根据所述血管扭曲异常参数、所述侵入异常参数以及所述左右不对称参数确定所述鼻咽腔内镜图像的异常概率,包括:
将所述病灶分割区域输入表面隆起分类模型,得到表面分类结果,其中,所述表面分类结果包括表面隆起类别和非隆起类别;
根据所述表面分类结果确定病灶隆起异常参数;
根据所述病灶隆起异常参数、所述血管扭曲异常参数、所述侵入异常参数以及所述左右不对称参数确定所述鼻咽腔内镜图像的异常概率。
第二方面,本申请提供一种鼻咽腔内镜图像异常的识别装置,所述鼻咽腔内镜图像异常的识别装置包括:
第一获取单元,用于获取多张鼻咽腔内镜图像;
病灶检测单元,用于对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;
血管分割单元,用于对所述目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;
中心线计算单元,用于采用Zhang-Suen细化算法计算所述血管分割区域的血管中心线;
第二获取单元,用于获取所述血管中心线的两个端点之间的血管端点直线段;
第一计算单元,用于计算所述血管端点直线段的长度与所述血管中心线的中心线长度的长度比值、所述血管中心线在垂直所述血管端点直线段的方向上的投影距离;
第二计算单元,用于对所述长度比值和所述投影距离进行加权求和,得到血管扭曲异常参数;
确定单元,用于根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,其中,所述鼻咽腔内镜图像的异常概率随着所述血管扭曲异常参数的增大而增大。
第三方面,本申请提供一种计算机设备,所述计算机设备包括:
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第一方面中任一项所述的鼻咽腔内镜图像异常的识别方法。
第四方面,本申请提供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多条指令,所述指令适于处理器进行加载,以执行第一方面中任一项所述的鼻咽腔内镜图像异常的识别方法中的步骤。
本申请提供一种鼻咽腔内镜图像异常的识别方法及装置,该鼻咽腔内镜图像异常的识别方法包括:获取多张鼻咽腔内镜图像;对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;采用Zhang-Suen细化算法计算血管分割区域的血管中心线;获取血管中心线的两个端点之间的血管端点直线段;计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离;对长度比值和投影距离进行加权求和,得到血管扭曲异常参数;根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大。本申请能够提高鼻咽腔内镜图像异常的识别效率。
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鼻咽腔内镜图像异常的识别系统的场景示意图;
图2是本申请实施例提供的鼻咽腔内镜图像异常的识别方法一实施例的流程示意图;
图3是本申请实施例提供的鼻咽腔内镜图像异常的识别方法一实施例中分割得到的血管分割区域的界面示意图;
图4是本申请实施例提供的鼻咽腔内镜图像异常的识别方法一实施例中分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域的示意图;
图5是本申请实施例提供的鼻咽腔内镜图像异常的识别方法一实施例中病灶分割区域和颅内分割区域的示意图;
图6是本申请实施例中提供的鼻咽腔内镜图像异常的识别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计算机设备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鼻咽腔内镜图像异常的识别方法及装置,以下分别进行详细说明。
请参阅图1,图1为本申请实施例所提供的鼻咽腔内镜图像异常的识别系统的场景示意图,该鼻咽腔内镜图像异常的识别系统可以包括计算机设备100,计算机设备100中集成有鼻咽腔内镜图像异常的识别装置。
本申请实施例中,该计算机设备100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计算机设备100,其包括但不限于计算机、网络主机、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。
本申请实施例中,上述的计算机设备100可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中计算机设备100可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定计算机设备100的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是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计算机设备,例如图1中仅示出1个计算机设备,可以理解的,该鼻咽腔内镜图像异常的识别系统还可以包括一个或多个可处理数据的其他计算机设备,具体此处不作限定。
另外,如图1所示,该鼻咽腔内镜图像异常的识别系统还可以包括存储器200,用于存储数据。
需要说明的是,图1所示的鼻咽腔内镜图像异常的识别系统的场景示意图仅仅是一个示例,本申请实施例描述的鼻咽腔内镜图像异常的识别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,随着鼻咽腔内镜图像异常的识别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。
首先,本申请实施例中提供一种鼻咽腔内镜图像异常的识别方法,鼻咽腔内镜图像异常的识别方法包括:获取多张鼻咽腔内镜图像;对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;采用Zhang-Suen细化算法计算血管分割区域的血管中心线;获取血管中心线的两个端点之间的血管端点直线段;计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离;对长度比值和投影距离进行加权求和,得到血管扭曲异常参数;根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大。
如图2所示,图2是本申请实施例中鼻咽腔内镜图像异常的识别方法的一个实施例流程示意图,该鼻咽腔内镜图像异常的识别方法包括如下步骤S201~S208:
S201、获取多张鼻咽腔内镜图像。
其中,多张鼻咽腔内镜图像为医生在为患者做鼻咽腔内镜时获取的图像。具体的,获取医生在为患者做鼻咽腔内镜时拍摄的内镜视频,对内镜视频解码,得到多张鼻咽腔内镜图像。
S202、对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像。
本申请实施例中,将多张鼻咽腔内镜图像输入预设病灶检测模型进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像。其中,训练预设病灶检测模型,优先选择Yolov5,由专业内镜医师对病灶检测框进行标注,然后根据标注后的病灶检测框训练Yolov5,得到预设病灶检测模型。
具体的,将多张鼻咽腔内镜图像输入预设病灶检测模型进行病灶检测,得到每张鼻咽腔内镜图像上的病灶检测框,判断鼻咽腔内镜图像上的病灶检测框是否存在属于预设类型的病灶检测框,若存在属于预设类型的病灶检测框,则将属于预设类型的病灶检测框从鼻咽腔内镜图像上裁剪下来,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像。
在一个优选的实施例中,若存在多个属于预设类型的病灶检测框,则获取多个属于预设类型的病灶检测框中面积最大的病灶检测框,将多个属于预设类型的病灶检测框中面积最大的病灶检测框从鼻咽腔内镜图像上裁剪下来,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像,可以保证最大程度上观测到病灶。
S203、对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域。
本申请实施例中,训练血管分割模型,优先选择Unet++,标签由专业内镜医师对血管边界进行勾勒。将目标鼻烟腔内镜图像输入血管分割模型进行血管分割,得到血管分割区域。如图3所示,图3是本申请实施例中,分割得到的血管分割区域的示意图。
S204、采用Zhang-Suen细化算法计算血管分割区域的血管中心线。
S205、获取血管中心线的两个端点之间的血管端点直线段。
如图3所示,血管中心线的两个端点分别为O1和O2,O1和O2之间的血管端点直线段O1O2。
S206、计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离。
S207、对长度比值和投影距离进行加权求和,得到血管扭曲异常参数。
在一个具体的实施例中,长度比值的权重系数为0.5,投影距离的权重系数为0.25。
S208、根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大。
在另一个具体的实施例中,根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大,可以包括:
(1)获取血管中心线与血管端点直线段的交点数量。
如图3所示,血管中心线与血管端点直线段的交点数量为3个。
(2)对长度比值、投影距离以及交点数量进行加权求和,得到血管扭曲异常参数。
进一步的,根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,包括:
(1)获取多张鼻咽腔CT图像。
本申请实施例中,多张鼻咽腔CT图像为对拍摄多张鼻咽腔内镜图像的同一患者进行CT检查,得到的多张鼻咽腔CT图像。
(2)对多张鼻咽腔CT图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻咽腔CT图像。
具体的,将多张鼻咽腔CT图像输入预设病灶检测模型进行病灶检测,得到每张鼻咽腔CT图像上的病灶检测框,判断鼻咽腔CT图像上的病灶检测框是否存在属于预设类型的病灶检测框,若存在属于预设类型的病灶检测框,则将属于预设类型的病灶检测框从鼻咽腔CT图像上裁剪下来,得到具有预设类型的病灶检测框的目标鼻咽腔CT图像。
在一个优选的实施例中,若存在多个属于预设类型的病灶检测框,则获取多个属于预设类型的病灶检测框中面积最大的病灶检测框,将多个属于预设类型的病灶检测框中面积最大的病灶检测框从鼻咽腔CT图像上裁剪下来,得到具有预设类型的病灶检测框的目标鼻咽腔CT图像,可以确定最大程度上观测到病灶。确保目标鼻咽腔CT图像与目标鼻烟腔内镜图像为对同一病灶观测得到的图像。
(3)对目标鼻咽腔CT图像进行图像分割,得到病灶分割区域和颅内分割区域。
在一个具体的实施例中,将目标鼻咽腔CT图像输入部位分割模型进行图像分割,得到颅内分割区域,其中,训练部位分割模型,优先选择Unet++,标签由专业内镜医师对部位边界进行勾勒,部位分割模型用于分割出鼻咽腔、咽旁间隙、椎前肌、扁桃体、颅内等部位。
如图5所示,将目标鼻咽腔CT图像输入病灶分割区域进行图像分割,得到病灶分割区域。其中,训练病灶分割模型,优先选择Unet++,标签由专业内镜医师对病灶边界进行勾勒。
(4)计算病灶分割区域和颅内分割区域的侵入交并比。
本申请实施例中,侵入交并比iou为算病灶分割区域和颅内分割区域的交集面积与并集面积之比。
(5)计算病灶分割区域的形心和颅内分割区域的形心之间的形心距离。
(6)计算病灶分割区域的外轮廓上各个像素点与颅内分割区域的形心之间的最短距离。
(7)根据侵入交并比、最短距离与形心距离的距离比值确定侵入异常参数。
(8)根据血管扭曲异常参数和侵入异常参数确定鼻咽腔内镜图像的异常概率。
进一步的,分别获取鼻咽腔分割区域、咽旁间隙分割区域、椎前肌分割区域、扁桃体分割区域、颅内分割区域侵入病灶分割区域的多个部位侵入异常参数,将多个部位侵入异常参数的平均值确定为侵入异常参数。
在一个具体的实施例中,对血管扭曲异常参数和侵入异常参数求和并归一化,得到鼻咽腔内镜图像的异常概率。
在另一个具体的实施例中,根据血管扭曲异常参数和侵入异常参数确定鼻咽腔内镜图像的异常概率,包括:
(1)获取对目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域。
其中,对目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域如图4所示。
(2)在目标鼻咽腔CT图像上生成与目标鼻咽腔CT图像的图像对称轴垂直的多条水平线,其中,每条水平线与左鼻咽腔分割区域的外轮廓和右鼻咽腔分割区域的外轮廓之间存在4个轮廓交点。
(3)计算水平线上四个轮廓交点中位于内侧的两个轮廓交点至图像对称轴的第一距离差、水平线上四个轮廓交点中位于外侧的两个轮廓交点至图像对称轴的第二距离差。
(4)将每条水平线的第一距离差和第二距离差求和,得到总距离差。
在一个具体的实施例中,总距离差如下所示,
(5)根据总距离差确定左右不对称参数。
在另一个具体的实施例中,根据总距离差确定左右不对称参数,包括:获取对目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域;获取左鼻咽腔分割区域和右鼻咽腔分割区域的面积差;根据面积差和总距离差确定左右不对称参数。
进一步的,根据面积差和总距离差确定左右不对称参数,包括:获取左鼻咽腔分割
区域的第一像素平均值和右鼻咽腔分割区域的第二像素平均值;计算第一像素平均值和第
二像素平均值之间的像素均值差;根据面积差、总距离差以及像素均值差确定左右不对称
参数。具体的,将面积差、总距离差以及像素均值差之和确定为左右不对称参数。
(6)根据血管扭曲异常参数、侵入异常参数以及左右不对称参数确定鼻咽腔内镜图像的异常概率。
在一个具体的实施例中,根据血管扭曲异常参数、侵入异常参数以及左右不对称参数确定鼻咽腔内镜图像的异常概率,包括:将病灶分割区域输入表面隆起分类模型,得到表面分类结果,其中,表面分类结果包括表面隆起类别和非隆起类别;根据表面分类结果确定病灶隆起异常参数;根据病灶隆起异常参数、血管扭曲异常参数、侵入异常参数以及左右不对称参数确定鼻咽腔内镜图像的异常概率。
在另一个具体的实施例中,将病灶分割区域输入训练好的表面隆起分类模型,得
到表面分类结果,表面分类结果包括表面隆起类别和非隆起类别。若表面分类结果为非隆
起,则表面分类分数为0,若表明隆起结果为表面隆起,则表面分类分数为1。将
目标鼻烟腔内镜图像输入训练好的溃疡分类模型,得到溃疡分类结果,溃疡分类结果包括
无溃疡类别和表面溃烂类别。若溃疡分类结果为无溃疡类别,则溃疡分类分数为0,
若溃疡分类结果为表面溃烂类别,则溃疡分类分数为1。判断血管扭曲异常参数是
否大于预设血管参数,若血管扭曲异常参数不大于预设血管参数,则确定血管扭曲分数为0,若血管扭曲异常参数大于预设血管参数,则确定血管扭曲分数为1。
分别计算病灶分割区域的形心与左鼻咽腔分割区域和右鼻咽腔分割区域的形心
之间的距离,将与病灶分割区域的形心较近的鼻咽腔分割区域确定为病灶分割区域所在的
鼻咽腔分割区域,计算病灶分割区域与病灶分割区域所在的鼻咽腔分割区域的面积之比,
若面积之比小于预设面积比值,则确定病灶面积分数为0,若面积之比不小于预设面
积比值,则确定病灶面积分数为1。
判断目标鼻咽腔CT图像中病灶分割区域、颅内分割区域、左鼻咽腔分割区域以及
右鼻咽腔分割区域的外轮廓是否清晰,若病灶分割区域、颅内分割区域、左鼻咽腔分割区域
以及右鼻咽腔分割区域的外轮廓均清晰,则边界清晰分数为0;若病灶分割区域、颅
内分割区域、左鼻咽腔分割区域以及右鼻咽腔分割区域的外轮廓存在不清晰,则边界清晰
分数为1。
判断侵入异常参数是否大于预设侵入参数,若侵入异常参数不大于预设侵入
参数,则确定侵入分数为0,若侵入异常参数大于预设侵入参数,则确定侵入分数为1。使用深度网络判断病灶分割区域是否规则,若病灶分割区域规则,则轮廓规则
分数为0;若病灶分割区域不规则,则轮廓规则分数为1。
本申请提供一种鼻咽腔内镜图像异常的识别方法,该鼻咽腔内镜图像异常的识别方法包括:获取多张鼻咽腔内镜图像;对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;采用Zhang-Suen细化算法计算血管分割区域的血管中心线;获取血管中心线的两个端点之间的血管端点直线段;计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离;对长度比值和投影距离进行加权求和,得到血管扭曲异常参数;根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大。本申请能够提高鼻咽腔内镜图像异常的识别效率。
为了更好实施本申请实施例中鼻咽腔内镜图像异常的识别方法,在鼻咽腔内镜图像异常的识别方法基础之上,本申请实施例中还提供一种鼻咽腔内镜图像异常的识别装置,如图6所示,鼻咽腔内镜图像异常的识别装置300包括:
第一获取单元301,用于获取多张鼻咽腔内镜图像;
病灶检测单元302,用于对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;
血管分割单元303,用于对所述目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;
中心线计算单元304,用于采用Zhang-Suen细化算法计算所述血管分割区域的血管中心线;
第二获取单元305,用于获取所述血管中心线的两个端点之间的血管端点直线段;
第一计算单元306,用于计算所述血管端点直线段的长度与所述血管中心线的中心线长度的长度比值、所述血管中心线在垂直所述血管端点直线段的方向上的投影距离;
第二计算单元307,用于对所述长度比值和所述投影距离进行加权求和,得到血管扭曲异常参数;
确定单元308,用于根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,其中,所述鼻咽腔内镜图像的异常概率随着所述血管扭曲异常参数的增大而增大。
本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种鼻咽腔内镜图像异常的识别装置,计算机设备包括:
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鼻咽腔内镜图像异常的识别方法实施例中任一实施例中的鼻咽腔内镜图像异常的识别方法中的步骤。
如图7所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图中示出的计算机设备结构并不构成对计算机设备的限定,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401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;处理器401可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,优选的,处理器401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401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402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。存储器402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计算机设备的使用所创建的数据等。此外,存储器402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,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401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403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。
该计算机设备还可包括输入单元404,该输入单元404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,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器401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器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取多张鼻咽腔内镜图像;对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;采用Zhang-Suen细化算法计算血管分割区域的血管中心线;获取血管中心线的两个端点之间的血管端点直线段;计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离;对长度比值和投影距离进行加权求和,得到血管扭曲异常参数;根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。其上存储有计算机程序,计算机程序被处理器进行加载,以执行本申请实施例所提供的任一种鼻咽腔内镜图像异常的识别方法中的步骤。例如,计算机程序被处理器进行加载可以执行如下步骤:
获取多张鼻咽腔内镜图像;对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;对目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;采用Zhang-Suen细化算法计算血管分割区域的血管中心线;获取血管中心线的两个端点之间的血管端点直线段;计算血管端点直线段的长度与血管中心线的中心线长度的长度比值、血管中心线在垂直血管端点直线段的方向上的投影距离;对长度比值和投影距离进行加权求和,得到血管扭曲异常参数;根据血管扭曲异常参数确定鼻咽腔内镜图像的异常概率,其中,鼻咽腔内镜图像的异常概率随着血管扭曲异常参数的增大而增大。
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,可以参见上文针对其他实施例的详细描述,此处不再赘述。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的方法实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种鼻咽腔内镜图像异常的识别方法及装置进行了详细介绍,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 (10)
1.一种鼻咽腔内镜图像异常的识别方法,其特征在于,所述鼻咽腔内镜图像异常的识别方法包括:
获取多张鼻咽腔内镜图像;
对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;
对所述目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;
采用Zhang-Suen细化算法计算所述血管分割区域的血管中心线;
获取所述血管中心线的两个端点之间的血管端点直线段;
计算所述血管端点直线段的长度与所述血管中心线的中心线长度的长度比值、所述血管中心线在垂直所述血管端点直线段的方向上的投影距离;
对所述长度比值和所述投影距离进行加权求和,得到血管扭曲异常参数;
根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,其中,所述鼻咽腔内镜图像的异常概率随着所述血管扭曲异常参数的增大而增大。
2.根据权利要求1所述的鼻咽腔内镜图像异常的识别方法,其特征在于,所述根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,包括:
获取所述血管中心线与所述血管端点直线段的交点数量;
对所述长度比值、所述投影距离以及所述交点数量进行加权求和,得到所述血管扭曲异常参数。
3.根据权利要求1所述的鼻咽腔内镜图像异常的识别方法,其特征在于,所述根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,包括:
获取多张鼻咽腔CT图像;
对所述多张鼻咽腔CT图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻咽腔CT图像;
对所述目标鼻咽腔CT图像进行图像分割,得到病灶分割区域和颅内分割区域;
计算病灶分割区域和颅内分割区域的侵入交并比;
计算所述病灶分割区域的形心和所述颅内分割区域的形心之间的形心距离;
计算所述病灶分割区域的外轮廓上各个像素点与所述颅内分割区域的形心之间的最短距离;
根据所述侵入交并比、所述最短距离与所述形心距离的距离比值确定侵入异常参数;
根据所述血管扭曲异常参数和所述侵入异常参数确定所述鼻咽腔内镜图像的异常概率。
4.根据权利要求3所述的鼻咽腔内镜图像异常的识别方法,其特征在于,所述根据所述血管扭曲异常参数和所述侵入异常参数确定所述鼻咽腔内镜图像的异常概率,包括:
获取对所述目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域;
在所述目标鼻咽腔CT图像上生成与所述目标鼻咽腔CT图像的图像对称轴垂直的多条水平线,其中,每条水平线与所述左鼻咽腔分割区域的外轮廓和所述右鼻咽腔分割区域的外轮廓之间存在4个轮廓交点;
计算水平线上四个轮廓交点中位于内侧的两个轮廓交点至所述图像对称轴的第一距离差、水平线上四个轮廓交点中位于外侧的两个轮廓交点至所述图像对称轴的第二距离差;
将每条水平线的第一距离差和第二距离差求和,得到总距离差;
根据总距离差确定左右不对称参数;
根据所述血管扭曲异常参数、所述侵入异常参数以及所述左右不对称参数确定所述鼻咽腔内镜图像的异常概率。
5.根据权利要求4所述的鼻咽腔内镜图像异常的识别方法,其特征在于,所述根据总距离差确定左右不对称参数,包括:
获取对所述目标鼻咽腔CT图像进行图像分割得到的左鼻咽腔分割区域和右鼻咽腔分割区域;
获取所述左鼻咽腔分割区域和所述右鼻咽腔分割区域的面积差;
根据所述面积差和所述总距离差确定左右不对称参数。
6.根据权利要求5所述的鼻咽腔内镜图像异常的识别方法,其特征在于,所述根据所述面积差和所述总距离差确定左右不对称参数,包括:
获取所述左鼻咽腔分割区域的第一像素平均值和所述右鼻咽腔分割区域的第二像素平均值;
计算第一像素平均值和第二像素平均值之间的像素均值差;
根据所述面积差、所述总距离差以及像素均值差确定所述左右不对称参数。
7.根据权利要求4所述的鼻咽腔内镜图像异常的识别方法,其特征在于,所述根据所述血管扭曲异常参数、所述侵入异常参数以及所述左右不对称参数确定所述鼻咽腔内镜图像的异常概率,包括:
将所述病灶分割区域输入表面隆起分类模型,得到表面分类结果,其中,所述表面分类结果包括表面隆起类别和非隆起类别;
根据所述表面分类结果确定病灶隆起异常参数;
根据所述病灶隆起异常参数、所述血管扭曲异常参数、所述侵入异常参数以及所述左右不对称参数确定所述鼻咽腔内镜图像的异常概率。
8.一种鼻咽腔内镜图像异常的识别装置,其特征在于,所述鼻咽腔内镜图像异常的识别装置包括:
第一获取单元,用于获取多张鼻咽腔内镜图像;
病灶检测单元,用于对多张鼻咽腔内镜图像进行病灶检测,得到具有预设类型的病灶检测框的目标鼻烟腔内镜图像;
血管分割单元,用于对所述目标鼻烟腔内镜图像进行血管分割,得到血管分割区域;
中心线计算单元,用于采用Zhang-Suen细化算法计算所述血管分割区域的血管中心线;
第二获取单元,用于获取所述血管中心线的两个端点之间的血管端点直线段;
第一计算单元,用于计算所述血管端点直线段的长度与所述血管中心线的中心线长度的长度比值、所述血管中心线在垂直所述血管端点直线段的方向上的投影距离;
第二计算单元,用于对所述长度比值和所述投影距离进行加权求和,得到血管扭曲异常参数;
确定单元,用于根据所述血管扭曲异常参数确定所述鼻咽腔内镜图像的异常概率,其中,所述鼻咽腔内镜图像的异常概率随着所述血管扭曲异常参数的增大而增大。
9.一种计算机设备,其特征在于,所述计算机设备包括:
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7中任一项所述的鼻咽腔内镜图像异常的识别方法。
10.一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7任一项所述的鼻咽腔内镜图像异常的识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674840.7A CN115661150B (zh) | 2022-12-26 | 2022-12-26 | 鼻咽腔内镜图像异常的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674840.7A CN115661150B (zh) | 2022-12-26 | 2022-12-26 | 鼻咽腔内镜图像异常的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661150A true CN115661150A (zh) | 2023-01-31 |
CN115661150B CN115661150B (zh) | 2023-03-28 |
Family
ID=85023126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211674840.7A Active CN115661150B (zh) | 2022-12-26 | 2022-12-26 | 鼻咽腔内镜图像异常的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661150B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805892A (zh) * | 2018-06-01 | 2018-11-13 | 南方医科大学 | 一种pet图像鼻咽癌瘤内异质性的定量刻画方法 |
CN113643299A (zh) * | 2021-10-18 | 2021-11-12 | 武汉楚精灵医疗科技有限公司 | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 |
CN113888518A (zh) * | 2021-10-14 | 2022-01-04 | 重庆南鹏人工智能科技研究院有限公司 | 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 |
US20220164950A1 (en) * | 2020-11-20 | 2022-05-26 | Pie Medical Imaging B.V. | Method and system for calculating myocardial infarction likelihood based on lesion wall shear stress descriptors |
-
2022
- 2022-12-26 CN CN202211674840.7A patent/CN115661150B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805892A (zh) * | 2018-06-01 | 2018-11-13 | 南方医科大学 | 一种pet图像鼻咽癌瘤内异质性的定量刻画方法 |
US20220164950A1 (en) * | 2020-11-20 | 2022-05-26 | Pie Medical Imaging B.V. | Method and system for calculating myocardial infarction likelihood based on lesion wall shear stress descriptors |
CN113888518A (zh) * | 2021-10-14 | 2022-01-04 | 重庆南鹏人工智能科技研究院有限公司 | 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 |
CN113643299A (zh) * | 2021-10-18 | 2021-11-12 | 武汉楚精灵医疗科技有限公司 | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
XIAOGUANG NI ET AL. * |
Also Published As
Publication number | Publication date |
---|---|
CN115661150B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5868231B2 (ja) | 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム | |
WO2020259453A1 (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
WO2022121170A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序 | |
CN115393356B (zh) | 目标部位异常形态识别方法、装置及计算机可读存储介质 | |
WO2020043178A1 (zh) | 基于舌体轮廓线的舌体齿痕识别装置及方法 | |
WO2021189900A1 (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
CN111882538A (zh) | 一种区分肺结核与肿瘤信息的处理系统及信息处理方法 | |
WO2024001747A1 (zh) | 肺部血管模型的建立方法、装置及服务器 | |
CN113643299B (zh) | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 | |
CN115661150B (zh) | 鼻咽腔内镜图像异常的识别方法及装置 | |
WO2023010797A1 (zh) | 胆胰超声图像识别方法、装置、服务器 | |
TW202125406A (zh) | 影像處理方法、系統及非暫態電腦可讀取儲存媒體 | |
CN114511558B (zh) | 肠道清洁度的检测方法及装置 | |
CN114419041B (zh) | 病灶颜色的识别方法及装置 | |
CN115938593A (zh) | 病历信息的处理方法、装置、设备及计算机可读存储介质 | |
CN116269416A (zh) | 心脏风险参数的确定方法及装置 | |
Shanmugam et al. | Study of early prediction and classification of arthritis disease using soft computing techniques | |
JP5573674B2 (ja) | 医用画像処理装置及びプログラム | |
WO2021147218A1 (zh) | 医学影像识别检测方法、装置、设备及存储介质 | |
CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114359280B (zh) | 胃黏膜图像边界量化方法、装置、终端及存储介质 | |
CN115908452A (zh) | 食管内镜视频异常的识别方法及装置 | |
CN115553753B (zh) | 胆结石的风险预警装置及相关设备 | |
CN114511560B (zh) | Mrcp图像的胆管分割方法及装置 | |
CN115393230B (zh) | 超声内镜图像标准化方法、装置及其相关装置 |
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 |