CN115908349B - 一种基于组织识别的内窥镜参数自动调整方法与设备 - Google Patents

Abstract

本发明公开了一种基于组织识别的内窥镜参数自动调整方法与设备，涉及内窥镜控制技术领域。本发明包括：对内窥镜获取的连续图像，采用预训练好的基于卷积神经网络的分类算法进行科室分类；将获取的科室分类结果定义为目标科室，自动使用目标科室对应的预存图像参数进行图像显示；采用预训练好的支持向量机分类算法对手术过程中的内窥镜图像进行分类：获取出血和未出血区域。本发明通过当内窥镜进入到人体并检查到组织位置或者可识别的脏器时，系统自动判断医生需要观察的组织位置，根据判定的组织位置和已存储的内窥镜参数模型矩阵，自动实现内窥镜参数调整。

Description

一种基于组织识别的内窥镜参数自动调整方法与设备

技术领域

本发明属于内窥镜控制技术领域，特别是涉及一种基于组织识别的内窥镜参数自动调整方法与设备。

背景技术

内窥镜是医生诊断和治疗的重要设备。医生在正式使用前需要根据实际诊疗区域的需要设置参数，以便于更好的将内窥镜用于医疗行业中，尤其用于体腔内的脏器观察、利用处置器具进行的治疗措施、在内窥镜观察下进行的外科手术等中。目前参数设置主要有以下方法：

方案1：现在绝大多数内窥镜系统厂商都提供多个科室选项和图像参数选项供医生选择，但是该方法需要医生多步骤操作实现目标参数设定。

方案2：已有专利通过图像识别显示画面中有画面区域和黑色无效区域实现参数调整。如中国专利CN111317426A提供了一种内窥镜参数自适应调整方法和装置，获取内窥镜图像；提取内窥镜图像中预设区域的图像特征信息；根据预设区域的图像特征信息确定内窥镜类别；基于内窥镜类别对内窥镜进行参数调整。能够自动识别内窥镜类别并自适应调整内窥镜参数，该方法忽略了同一款内窥镜应用在不同器官观察时是有不同参数调整需求的，另外该方法无法区分具有相似图像特征的不同科室的内窥镜。

因此，本发明提供一种基于组织识别的内窥镜参数自动调整方法与设备。

发明内容

本发明的目的在于提供一种基于组织识别的内窥镜参数自动调整方法与设备，通过基于图像判断目标组织属性，根据所判定的区域属性调整内窥镜参数，基于以上内窥镜参数显示优化后的图像，解决了现有的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

作为本发明提供的第一个方面，本发明为一种基于组织识别的内窥镜参数自动调整方法，包括以下步骤：

步骤SS01：对内窥镜获取的连续图像，采用基于卷积神经网络的分类算法进行科室分类；

步骤SS02：将步骤SS01获取的科室分类结果定义为目标科室，自动使用目标科室对应的预存图像参数进行图像显示；

步骤SS03：采用支持向量机(SVM)分类算法对手术过程中的内窥镜图像进行分类：获取出血和未出血区域。

进一步地，所述卷积神经网络为resnet图像分类网络。

进一步地，连续输入超过100张图像的科室分类结果均相同时，则判断当前内窥镜用于对应科室，完成科室分类步骤。

进一步地，所述预存图像参数包括锐度等级、gamma等级、去噪等级和去雾等级，以获取最佳显示效果。

进一步地，所述支持向量机(SVM)分类算法对手术过程中的内窥镜图像进行分类时：

若分类结果为具有出血区域，则采用预训练好的maskrcnn算法对出血区域进行识别，并自适应调整出血区域的图像参数，方便医生寻找出血点。由于手术过程中大出血的场景比较少，采用SVM预分类算法可以有效降低计算资源。

进一步地，所述步骤SS02中，根据预存图像参数进行图像显示后，还对显示的图像质量进行评分，并根据图像质量评分更新和存储图像参数。

作为本发明提供的第二个方面，本发明为一种基于组织识别的内窥镜参数自动调整设备，所述设备用于实现第一个方面提供的方法，所述设备包括：

摄像头：其用于获取图像；

图像处理主机：其用于对摄像头获取的图像进行处理，并进行组织识别，判断目标组织属性(胃肠，鼻腔，咽喉，支气管，输尿管等)；

显示器：其用于图像的显示；

所述图像处理主机还用于组织-图像参数的存储与更新。

本发明具有以下有益效果：

本发明通过当内窥镜进入到人体并检查到组织位置或者可识别的脏器时，系统自动判断医生需要观察的组织位置，根据判定的组织位置和已存储的内窥镜参数模型矩阵，自动实现内窥镜参数调整。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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。

图1为本发明组织-图像参数更新方法流程图；

图2为本发明参数调整流程图；

图3为本发明系统组成图。

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它实施例，都属于本发明保护的范围。

实施例一：

请参阅图1-2所示，作为本发明提供的第一个实施例，本发明为一种基于组织识别的内窥镜参数自动调整方法，包括以下步骤：

步骤SS01：对内窥镜获取的连续图像，采用预训练好的基于卷积神经网络的分类算法进行科室分类；

步骤SS02：将步骤SS01获取的科室分类结果定义为目标科室，自动使用目标科室对应的预存图像参数进行图像显示；

步骤SS03：采用预训练好的支持向量机(SVM)分类算法对手术过程中的内窥镜图像进行分类：获取出血和未出血区域。

作为本发明提供的一个实施例，优选的，所述卷积神经网络为resnet图像分类网络。

作为本发明提供的一个实施例，优选的，连续输入超过100张图像的科室分类结果均相同时，则判断当前内窥镜用于对应科室，完成科室分类步骤。

作为本发明提供的一个实施例，优选的，所述预存图像参数包括锐度等级、gamma等级、去噪等级和去雾等级等参数，以获取最佳显示效果。

预存图像参数如表1所示：

表1

作为本发明提供的一个实施例，优选的，所述支持向量机(SVM)分类算法对手术过程中的内窥镜图像进行分类时：

若分类结果为具有出血区域，则采用预训练好的maskrcnn算法对出血区域进行识别，并自适应调整出血区域的图像参数，方便医生寻找出血点。由于手术过程中大出血的场景比较少，采用SVM预分类算法可以有效降低计算资源。

作为本发明提供的一个实施例，优选的，所述步骤SS02中，根据预存图像参数进行图像显示后，还对显示的图像质量进行评分，并根据图像质量评分更新和存储图像参数。

作为本发明提供的一个实施例，优选的，对图像质量进行评分的方法为：

将图像参数更新前的组织图像输入到待训练的质量评分模型中，得到评分值一，所述评分值一为多张图像参数更新前的组织图像对应的评分的均值；

对图像参数更新前的组织图像进行质量预计化处理，生成预更新的组织图像；质量预计化处理的步骤即为：将图像参数更新前的组织图像采用科室预设的图像参数进行更新，形成预更新的组织图像；

将预更新的组织图像输入到所述待训练的质量评分模型中，得到预更新的组织图像对应的评分值二，所述评分值二为多张预更新的组织图像对应的评分的均值；

基于多批次的组织图像所得到的评分值中每相邻批次的评分值一、二之间的评分损失，对所述质量评分模型进行训练，得到训练后的质量评分模型。

作为本发明提供的一个实施例，优选的，采用待训练的质量评分模型进行训练时，获取组织图像评分的方法为：

任选一科室，获取科室中对应的组织的标准图像信息，定义为目标图像信息，并从目标图像信息中圈定目标点，目标点为人工圈定，为每一组织器官中的特征部分，此处根据医生经验选取，不再赘述，如选取不准，则选取组织中的弯曲处、凸起处等有特征的部分；

任选一目标点，获取目标点的相关特征联点，所述相关特征联点包括与选定的目标点之间的距离小于预设距离的其余目标点(除选定目标点之外的其余目标点)和/或与选定的所述目标点均被同一用户圈定的其余目标点，所述目标点及所述相关特征联点被赋有初始质量评分；

确定目标点分别与其他每一个特征联点之间的评分相似度，将与目标点之间的评分相似度大于预设评分相似度的特征联点确定为特征目标点；

根据所述特征目标点的质量评分更新所述目标点的质量评分。

实施例二：

如图3所示，作为本发明提供的第二个实施例，本发明为一种基于组织识别的内窥镜参数自动调整设备，所述设备用于实现第一个实施例提供的方法，所述设备包括：

摄像头：其用于获取图像；

图像处理主机：其用于对摄像头获取的图像进行处理，并进行组织识别，判断目标组织属性(是胃肠，鼻腔，咽喉，支气管，输尿管等)；

显示器：其用于图像的显示；

所述图像处理主机还用于组织-图像参数的存储与更新。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于组织识别的内窥镜参数自动调整方法，其特征在于，包括以下步骤：

步骤SS01：对内窥镜获取的连续图像，采用基于卷积神经网络的分类算法进行科室分类；

步骤SS02：将步骤SS01获取的科室分类结果定义为目标科室，自动使用目标科室对应的预存图像参数进行图像显示，根据预存图像参数进行图像显示后，还对显示的图像质量进行评分，获取多批次的组织图像的评分，并根据图像质量评分更新和存储图像参数，其具体的获取组织图像评分的方法为：

先对显示的图像质量进行评分，具体的评分方法为：

将图像参数更新前的组织图像输入到待训练的质量评分模型中，得到评分值一；

对图像参数更新前的组织图像进行质量预计化处理，生成预更新的组织图像；质量预计化处理的步骤即为：将图像参数更新前的组织图像采用科室预设的图像参数进行更新，形成预更新的组织图像；

将预更新的组织图像输入到所述待训练的质量评分模型中，得到预更新的组织图像对应的评分值二；

基于多批次的组织图像所得到的评分值中每相邻批次的评分值一、二之间的评分损失，对所述质量评分模型进行训练，得到训练后的质量评分模型；

基于质量评分模型对组织图像评分进行获取的方法为：

任选一科室，获取科室中对应的组织的标准图像信息，定义为目标图像信息，并从目标图像信息中圈定目标点，目标点为人工圈定，为每一组织器官中的特征部分；

任选一目标点，获取目标点的相关特征联点，所述相关特征联点包括与选定的目标点之间的距离小于预设距离的其余目标点和/或与选定的所述目标点均被同一用户圈定的其余目标点，所述目标点及所述相关特征联点被赋有初始质量评分；

确定目标点分别与其他每一个特征联点之间的评分相似度，将与目标点之间的评分相似度大于预设评分相似度的特征联点确定为特征目标点；

根据所述特征目标点的质量评分更新所述目标点的质量评分；

步骤SS03：采用支持向量机分类算法对手术过程中的内窥镜图像进行分类：获取出血和未出血区域。

2.根据权利要求1所述的一种基于组织识别的内窥镜参数自动调整方法，其特征在于，所述卷积神经网络为resnet图像分类网络。

3.根据权利要求2所述的一种基于组织识别的内窥镜参数自动调整方法，其特征在于，连续输入超过100张图像的科室分类结果均相同时，则判断当前内窥镜用于对应科室，完成科室分类步骤。

4.根据权利要求1所述的一种基于组织识别的内窥镜参数自动调整方法，其特征在于，所述预存图像参数包括锐度等级、gamma等级、去噪等级和去雾等级。

5.根据权利要求1所述的一种基于组织识别的内窥镜参数自动调整方法，其特征在于，所述支持向量机分类算法对手术过程中的内窥镜图像进行分类时：

若分类结果为具有出血区域，则采用maskrcnn算法对出血区域进行识别，并自适应调整出血区域的图像参数。

6.根据权利要求1所述的一种基于组织识别的内窥镜参数自动调整方法，其特征在于，所述步骤SS02中，根据预存图像参数进行图像显示后，还对显示的图像质量进行评分，并根据图像质量评分更新和存储图像参数。

7.一种基于组织识别的内窥镜参数自动调整设备，其特征在于，所述设备用于实现权利要求1-6任意一项所述的方法，所述设备包括：

摄像头：其用于获取图像；

图像处理主机：其用于对摄像头获取的图像进行处理，并进行组织识别，判断目标组织属性；

显示器：其用于图像的显示；

所述图像处理主机还用于组织-图像参数的存储与更新。