CN115908452A - 食管内镜视频异常的识别方法及装置 - Google Patents

Abstract

本申请提供一种食管内镜视频异常的识别方法及装置，该食管内镜视频异常的识别方法包括：获取目标实体的关联地址和预设实体异常高发区域；判断关联地址是否属于预设实体异常高发区域；若关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；若多个预设类型特征满足预设异常条件，则获取多张初始内镜图像；得到多个病灶分割区域；三维重建得到食管三维模型；计算食管三维模型的多个横截面的横截面面积平均值、多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。本申请能够提高食管内镜视频异常的识别准确率。

Description

食管内镜视频异常的识别方法及装置

技术领域

本申请主要涉及图像处理技术领域，具体涉及一种食管内镜视频异常的识别方法及装置。

背景技术

食管癌筛查和早诊早治一直受到国家卫生部门的重视。内镜下可直观发现食管黏膜的改变，评估食管病变的状态，拍摄或录制病变影像质料，并可通过染色、放大等方法评估病灶性质、部位、边界和范围，一步完成筛查和早期诊断。现有技术中主要依靠医生观察做食管内镜检查得到的食管内镜视频进行异常识别，但是人工观察可能存在误差，导致无法准确识别出异常的食管内镜视频。

也即，现有技术中食管内镜视频异常的识别准确率不高。

发明内容

本申请提供一种食管内镜视频异常的识别方法及装置，旨在解决现有技术中食管内镜视频异常的识别准确率不高的问题。

第一方面，本申请提供一种食管内镜视频异常的识别方法，所述食管内镜视频异常的识别方法包括：

获取目标实体的关联地址和预设实体异常高发区域，其中，所述关联地址包括出生地址和居住地址的至少一种；

判断所述关联地址是否属于预设实体异常高发区域；

若所述关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；

若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；

对所述目标食管内镜视频解码，得到多张初始内镜图像；

对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；

基于多张初始内镜图像进行三维重建，得到食管三维模型；

计算所述食管三维模型的多个横截面的横截面面积平均值、所述多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；

若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

可选地，所述基于多张初始内镜图像进行三维重建，得到食管三维模型，之前，包括：

从多张初始内镜图像获取目标内镜图像，目标内镜图像是一张具有病灶分割区域的初始内镜图像；

将所述目标内镜图像输入乏血管区分割模型，得到所述目标内镜图像上的多个乏血管分割区域；

对于每一个乏血管分割区域，利用以乏血管分割区域的形心为起点的多条射线将所述乏血管分割区域分为多个子分割区域，相邻两条射线之间的角度相同；

对于每一个乏血管分割区域，计算所述乏血管分割区域中最大子分割区域和最小子分割区域之间的面积差占所述乏血管分割区域的面积比；

计算各个乏血管分割区域的面积比的面积比方差、多个所述乏血管分割区域的面积和；

根据所述面积比方差和所述面积和确定乏血管分割区域异常参数；

根据所述乏血管分割区域异常参数确定第一目标异常参数；

若所述第一目标异常参数大于第二预设值，则基于多张初始内镜图像进行三维重建，得到食管三维模型。

可选地，所述根据所述乏血管分割区域异常参数确定第一目标异常参数，包括：

将所述目标内镜图像输入血管分割模型，得到所述目标内镜图像上的血管分割区域；

采用Zhang-Suen细化算法对所述血管分割区域处理，得到所述血管分割区域对应的血管中心线；

对血管中心线进行角点检测并根据检测出来的角点将所述血管中心线分割为多个血管子中心线；

对各个血管子中心线进行圆弧拟合，得到各个血管子中心线对应的血管曲线；

计算多条所述血管曲线的曲率最大值与曲率平均值；

获取多条所述血管曲线中扭曲血管曲线的占比，其中，扭曲血管曲线为多条所述血管曲线中曲率最大值与曲率平均值的比值大于第三预设值的血管曲线；

根据扭曲血管曲线的占比确定血管异常参数；

根据所述乏血管分割区域异常参数和所述血管异常参数确定第二目标异常参数。

可选地，所述根据扭曲血管曲线的占比确定血管异常参数，包括：

获取所述各个血管子中心线对应的各个血管子区域；

获取多个血管子区域对应的多个血管直径；

分别计算大于第四预设值的多个血管直径的第一平均值、不大于第四预设值的多个血管直径的第二平均值；

计算第一平均值和第二平均值的直径平均值比值；

根据扭曲血管曲线的占比和直径平均值比值确定血管异常参数。

可选地，所述获取多个血管子区域对应的多个血管直径，包括：

获取血管子中心线的多条法线；

获取所述法线与所述血管子中心线对应的血管子区域之间的两个交点的交点距离；

将多条法线对应的所述交点距离的平均值确定为所述血管子中心线对应的血管子区域的血管直径。

可选地，所述将所述目标内镜图像输入乏血管区分割模型，得到所述目标内镜图像上的多个乏血管分割区域，之前，包括：

将所述目标内镜图像转化为HSV模式图像；

获取HSV模式图像在H通道上的出现频数最高的第一像素值和对应的第一出现频数、HSV模式图像在S通道上的出现频数最高的第二像素值和对应的第二出现频数、HSV模式图像在V通道上的出现频数最高的第三像素值和对应的第三出现频数；

根据第一出现频数、第二出现频数以及第三出现频数的频数平均值和频数最大值确定频数量化参数；

根据第一像素值、第二像素值以及第三像素值的像素最大值确定像素量化参数；

根据像素量化参数和频数量化参数确定颜色特征量化参数；

根据颜色特征量化参数确定第二目标异常参数；

若第二目标异常参数大于第五预设值，则将所述目标内镜图像输入乏血管区分割模型，得到所述目标内镜图像上的多个乏血管分割区域。

可选地，所述根据颜色特征量化参数确定第二目标异常参数，包括：

获取所述目标内镜图像上各个像素点的图像像素值；

根据各个图像像素值确定表面粗糙度特征量化参数和表面纹理特征量化参数；

根据颜色特征量化参数、表面粗糙度特征量化参数以及表面纹理特征量化参数确定第二目标异常参数。

第二方面，本申请提供一种食管内镜视频异常的识别装置，所述食管内镜视频异常的识别装置包括：

第一获取单元，用于获取目标实体的关联地址和预设实体异常高发区域，其中，所述关联地址包括出生地址和居住地址的至少一种；

判断单元，用于判断所述关联地址是否属于预设实体异常高发区域；

第二获取单元，用于若所述关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；

第三获取单元，用于若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；

解码单元，用于对所述目标食管内镜视频解码，得到多张初始内镜图像；

分割单元，用于对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；

重建单元，用于基于多张初始内镜图像进行三维重建，得到食管三维模型；

计算单元，用于计算所述食管三维模型的多个横截面的横截面面积平均值、所述多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；

确定单元，用于若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

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食管内镜视频异常的识别方法。

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食管内镜视频异常的识别方法中的步骤。

本申请提供一种食管内镜视频异常的识别方法及装置，该食管内镜视频异常的识别方法包括：获取目标实体的关联地址和预设实体异常高发区域，其中，关联地址包括出生地址和居住地址的至少一种；判断关联地址是否属于预设实体异常高发区域；若关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；对目标食管内镜视频解码，得到多张初始内镜图像；对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；基于多张初始内镜图像进行三维重建，得到食管三维模型；计算食管三维模型的多个横截面的横截面面积平均值、多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。本申请能够提高食管内镜视频异常的识别准确率。

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食管内镜视频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食管内镜视频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食管内镜视频异常的识别方法一实施例中一个乏血管分割区域被分割为多个子分割区域的示意图；

图4是本申请实施例中提供的食管内镜视频异常的识别装置的一个实施例结构示意图；

图5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食管内镜视频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食管内镜视频异常的识别系统的场景示意图，该食管内镜视频异常的识别系统可以包括计算机设备100，计算机设备100中集成有食管内镜视频异常的识别装置。

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，该食管内镜视频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，该食管内镜视频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所示的食管内镜视频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食管内镜视频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，随着食管内镜视频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食管内镜视频异常的识别方法，食管内镜视频异常的识别方法包括：获取目标实体的关联地址和预设实体异常高发区域，其中，关联地址包括出生地址和居住地址的至少一种；判断关联地址是否属于预设实体异常高发区域；若关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；对目标食管内镜视频解码，得到多张初始内镜图像；对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；基于多张初始内镜图像进行三维重建，得到食管三维模型；计算食管三维模型的多个横截面的横截面面积平均值、多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

如图2所示，图2是本申请实施例中食管内镜视频异常的识别方法的一个实施例流程示意图，该食管内镜视频异常的识别方法包括如下步骤S201～S209：

S201、获取目标实体的关联地址和预设实体异常高发区域。

其中，关联地址包括出生地址和居住地址的至少一种。目标实体为任意一个患者。预设实体异常高发区域指的是多个容易发生食管癌的地图区域。例如，多个容易发生食管癌的地图区域指河北、河南、山西三省交接的太行山南侧，尤其是磁县；秦岭、大别山、川北、闽粤、苏北、新疆等地。

在一个具体的实施例中，预设实体异常高发区域包括多个高发地图区域。将多个高发地图区域的形心坐标以[(x₀,y₀),(x₁,y₁)....(x_i,y_i)...]形式进行存储，随时间变化，可对多个高发地图区域的形心坐标进行更新。

S202、判断关联地址是否属于预设实体异常高发区域。

在一个具体的实施例中，关联地址的坐标为(x_P,y_P)，计算(x_P,y_P)与各个高发地图区域的形心坐标的欧式距离。若关联地址与任何一个高发地图区域的形心坐标满足

则确定关联地址属于预设实体异常高发区域，认为目标实体为高发地区人群，反之则确定关联地址不属于预设实体异常高发区域，则目标实体不为高发地区人群。可以判断关联地址的坐标是否落入多个高发地图区域中的任何一个，若关联地址的坐标落入多个高发地图区域中的任何一个，则确定关联地址属于预设实体异常高发区域。

S203、若关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征。

本申请实施例中，多个预设类型特征包括年龄是否大于40岁、亲属是否有食管癌病史、本人是否患有食管癌前疾病、是否癌前病、是否有头颈部肿瘤病史、是否有高危因素、是否热烫饮食，是否长期饮酒，是否长期吸烟，是否进食过快，是否高盐饮食，是否牙齿缺失不少于4颗等。

年龄，

亲属是否有食管癌病史，

本人是否患有食管癌前疾病，通过加载训练好的食管癌前疾病识别模型，识别初始内镜图像中是否含有食管癌前疾病，

是否癌前病，通过加载训练好的癌前病变识别模型，识别初始内镜图像中是否含有癌前病变，

是否有头颈部肿瘤病史，

是否有高危因素，

S204、若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频。

在一个具体的实施例中，若目标实体的多个预设类型特征存在任意一个预设类型特征的特征值为是，则确定多个预设类型特征满足预设异常条件。具体的，对多个预设类型特征的特征值求和，得到特征值之和λ，

若λ＝0，则多个预设类型特征不满足预设异常条件；反之若λ≥1，则多个预设类型特征满足预设异常条件。

S205、对目标食管内镜视频解码，得到多张初始内镜图像。

其中，多张初始内镜图像为对目标食管内镜视频解码得到的多个帧图像。

S206、对多张初始内镜图像进行病灶分割，得到多个病灶分割区域。

S207、基于多张初始内镜图像进行三维重建，得到食管三维模型。

在一个具体的实施例中，基于多张初始内镜图像进行三维重建，得到食管三维模型，之前，包括：

(1)从多张初始内镜图像获取目标内镜图像，目标内镜图像是一张具有病灶分割区域的初始内镜图像。

(2)将目标内镜图像输入乏血管区分割模型，得到目标内镜图像上的多个乏血管分割区域。

乏血管区域，即AVA区域，是缺乏血管供应的区域。训练乏血管区分割模型，优先选择Unet++，由专业医师对食管图像中的乏血管区边界进行勾勒。

(3)对于每一个乏血管分割区域，利用以乏血管分割区域的形心为起点的多条射线将乏血管分割区域分为多个子分割区域，相邻两条射线之间的角度相同。

各个乏血管分割区域Area_i的面积为s_i。一个乏血管分割区域Area_i被分割为得到的多个子分割区域的示意图如图3所示。

(4)对于每一个乏血管分割区域，计算乏血管分割区域中最大子分割区域和最小子分割区域之间的面积差占乏血管分割区域的面积比。

对于每一个乏血管分割区域，计算最大子分割区域max(Area_ii)和最小子分割区域min(Area_ii)之间的面积差占乏血管分割区域Area_i的面积比ζ_i。

其中，面积比ζ_i如下公式所示，

(5)计算各个乏血管分割区域的面积比的面积比方差、多个乏血管分割区域的面积和。

面积比方差ζ如下公式所示，

ζ＝std(ζ_i)。

面积和

N表示一个乏血管分割区域Area_i中子分割区域的数量。

(6)根据面积比方差和面积和确定乏血管分割区域异常参数。

在一个具体的实施例中，将面积比方差和面积和的和值确定为乏血管分割区域异常参数lable_NA。具体的，乏血管分割区域异常参数lable_NA＝S+ζ。

(7)根据乏血管分割区域异常参数确定第一目标异常参数。

在一个具体的实施例中，将乏血管分割区域异常参数lable_NA＝S+ζ作为第一目标异常参数P。

(8)若第一目标异常参数大于第二预设值，则基于多张初始内镜图像进行三维重建，得到食管三维模型。

若第一目标异常参数P大于第二预设值，则基于多张初始内镜图像进行三维重建，得到食管三维模型。

进一步的，将目标内镜图像输入乏血管区分割模型，得到目标内镜图像上的多个乏血管分割区域，之前，可以包括：

(1)将目标内镜图像转化为HSV模式图像。

(2)获取HSV模式图像在H通道上的出现频数最高的第一像素值H_Y和对应的第一出现频数H_num、HSV模式图像在S通道上的出现频数最高的第二像素值S_Y和对应的第二出现频数S_num、HSV模式图像在V通道上的出现频数最高的第三像素值V_Y和对应的第三出现频数V_num。

(3)根据第一出现频数、第二出现频数以及第三出现频数的频数平均值和频数最大值确定像素量化参数。

具体的，将频数最大值和频数平均值之比确定为频数量化参数。

频数量化参数如下公式所示，

(4)根据第一像素值、第二像素值以及第三像素值的像素最大值确定频数量化参数。

像素量化参数如下公式所示，

(5)根据像素量化参数和频数量化参数确定颜色特征量化参数。

具体的，根据预设的权重系数对像素量化参数和频数量化参数加权求和，得到颜色特征量化参数lable_BY。

其中，颜色特征量化参数lable_BY。频数量化参数的权重系数为0.7，像素量化参数的权重系数为0.3。

(6)根据颜色特征量化参数确定第二目标异常参数。

(7)若第二目标异常参数大于第五预设值，则将目标内镜图像输入乏血管区分割模型，得到目标内镜图像上的多个乏血管分割区域。

若第二目标异常参数大于第五预设值，说明目标实体可能存在异常。

进一步的，根据颜色特征量化参数确定第二目标异常参数，包括：

(1)获取目标内镜图像上各个像素点的图像像素值。

(2)根据各个图像像素值确定表面粗糙度特征量化参数和表面纹理特征量化参数。

本申请实施例中，获取不小于像素阈值的图像像素值img_ij的第一图像像素平均值、获取小于像素阈值的图像像素值img_ij的第二图像像素平均值。将第一图像像素平均值和第二图像像素平均值的比值确定为表面粗糙度特征量化参数。

表面粗糙度特征量化参数lable_BC的计算公式如下：

其中，W，H分别为图像的宽和高。

本申请实施例中，表面纹理特征量化参数lable_BW的计算公式如下：

(3)根据颜色特征量化参数、表面粗糙度特征量化参数以及表面纹理特征量化参数确定第二目标异常参数。

本申请实施例中，将颜色特征量化参数、表面粗糙度特征量化参数以及表面纹理特征量化参数的求和确定为第二目标异常参数κ，

第二目标异常参数κ的计算方式如下，

κ＝lable_BY+lable_BC+lable_BW

进一步的，根据乏血管分割区域异常参数确定第一目标异常参数，可以包括：

(1)将目标内镜图像输入血管分割模型，得到目标内镜图像上的血管分割区域。

训练血管分割模型，优先选择Unet++，由专业医师对食管图像中的血管边界进行勾勒。

(2)采用Zhang-Suen细化算法对血管分割区域处理，得到血管分割区域对应的血管中心线。

(3)对血管中心线进行角点检测并根据检测出来的角点将血管中心线分割为多个血管子中心线。

由于血管分割区域是有多条血管组成，即由多个血管的血管子区域组成。通过交点检测，可以将血管中心线分割为多个血管子中心线，多个血管子中心线对应多条血管，即对应多个血管的血管子区域。

(4)对各个血管子中心线进行圆弧拟合，得到各个血管子中心线对应的血管曲线。

(5)计算多条血管曲线的曲率最大值与曲率平均值。

具体的，计算各条血管曲线y的曲率

获取各条血管曲线的曲率中的曲率最大值max(K_i)和曲率平均值mean(K_i)。

(6)获取多条血管曲线中扭曲血管曲线的占比，其中，扭曲血管曲线为多条血管曲线中曲率最大值与曲率平均值的比值大于第三预设值的血管曲线。

具体的，若血管曲线的曲率最大值与曲率平均值的比值

则表示该血管扭曲性高，即为扭曲血管曲线，反之则扭曲性低。得到扭曲血管曲线的数量m，统计扭曲血管曲线的占比K。

其中M为多条血管曲线的数目。

(7)根据扭曲血管曲线的占比确定血管异常参数。

在一个具体的实施例中，将扭曲血管曲线的占比确定为血管异常参数 lable_NX。

在另一个具体的实施例中，获取各个血管子中心线对应的各个血管子区域；获取多个血管子区域对应的多个血管直径；分别计算大于第四预设值的多个血管直径的第一平均值mean(D_i>δ)、不大于第四预设值的多个血管直径的第二平均值mean(D_i≤δ)；计算第一平均值mean(D_i>δ)和第二平均值mean(D_i≤δ)的直径平均值比值D，根据扭曲血管曲线的占比K和直径平均值D比值确定血管异常参数。

具体的，获取血管子中心线的多条法线；获取法线与血管子中心线对应的血管子区域之间的两个交点的交点距离；将多条法线对应的交点距离的平均值确定为血管子中心线对应的血管子区域的血管直径。当然，也可以调用halcon 中的直径测量工具包测量多个血管子区域对应的多个血管直径D_i。

具体的，第四预设值为δ。血管异常参数lable_NX＝D+K。

(8)根据乏血管分割区域异常参数和血管异常参数确定第二目标异常参数。

具体的，将乏血管分割区域异常参数lable_NA和血管异常参数lable_NX之和确定为第二目标异常参数P。

S208、计算食管三维模型的多个横截面的横截面面积平均值、多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值。

本申请实施例中，计算食管三维模型的多个横截面的横截面面积平均值 S_G。获取各个病灶分割区域的病灶面积s_i，得到多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值max(s_i)。

S209、若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

横截面面积平均值S_G与最大病灶面积值的第一比值max(s_i)的第一比值

如下公式所示，

若横截面面积平均值与最大病灶面积值的第一比值

大于预设值，则食管内镜视频异常。进一步的，若食管内镜视频异常，则进行治疗；反之，则每三年进行胃镜复查。

为了更好实施本申请实施例中食管内镜视频异常的识别方法，在食管内镜视频异常的识别方法基础之上，本申请实施例中还提供一种食管内镜视频异常的识别装置，如图4所示，食管内镜视频异常的识别装置300包括：

第一获取单元301，用于获取目标实体的关联地址和预设实体异常高发区域，其中，所述关联地址包括出生地址和居住地址的至少一种；

判断单元302，用于判断所述关联地址是否属于预设实体异常高发区域；

第二获取单元303，用于若所述关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；

第三获取单元304，用于若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；

解码单元305，用于对所述目标食管内镜视频解码，得到多张初始内镜图像；

分割单元306，用于对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；

重建单元307，用于基于多张初始内镜图像进行三维重建，得到食管三维模型；

计算单元308，用于计算所述食管三维模型的多个横截面的横截面面积平均值、所述多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；

确定单元309，用于若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

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食管内镜视频异常的识别装置，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食管内镜视频异常的识别方法实施例中任一实施例中的食管内镜视频异常的识别方法中的步骤。

如图5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：

获取目标实体的关联地址和预设实体异常高发区域，其中，关联地址包括出生地址和居住地址的至少一种；判断关联地址是否属于预设实体异常高发区域；若关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；对目标食管内镜视频解码，得到多张初始内镜图像；对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；基于多张初始内镜图像进行三维重建，得到食管三维模型；计算食管三维模型的多个横截面的横截面面积平均值、多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

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食管内镜视频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：

获取目标实体的关联地址和预设实体异常高发区域，其中，关联地址包括出生地址和居住地址的至少一种；判断关联地址是否属于预设实体异常高发区域；若关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；对目标食管内镜视频解码，得到多张初始内镜图像；对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；基于多张初始内镜图像进行三维重建，得到食管三维模型；计算食管三维模型的多个横截面的横截面面积平均值、多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

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食管内镜视频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)

1.一种食管内镜视频异常的识别方法，其特征在于，所述食管内镜视频异常的识别方法包括：

获取目标实体的关联地址和预设实体异常高发区域，其中，所述关联地址包括出生地址和居住地址的至少一种；

判断所述关联地址是否属于预设实体异常高发区域；

若所述关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；

若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；

对所述目标食管内镜视频解码，得到多张初始内镜图像；

对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；

基于多张初始内镜图像进行三维重建，得到食管三维模型；

计算所述食管三维模型的多个横截面的横截面面积平均值、所述多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；

若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

2.根据权利要求1所述的食管内镜视频异常的识别方法，其特征在于，所述基于多张初始内镜图像进行三维重建，得到食管三维模型，之前，包括：

从多张初始内镜图像获取目标内镜图像，目标内镜图像是一张具有病灶分割区域的初始内镜图像；

将所述目标内镜图像输入乏血管区分割模型，得到所述目标内镜图像上的多个乏血管分割区域；

对于每一个乏血管分割区域，利用以乏血管分割区域的形心为起点的多条射线将所述乏血管分割区域分为多个子分割区域，相邻两条射线之间的角度相同；

对于每一个乏血管分割区域，计算所述乏血管分割区域中最大子分割区域和最小子分割区域之间的面积差占所述乏血管分割区域的面积比；

计算各个乏血管分割区域的面积比的面积比方差、多个所述乏血管分割区域的面积和；

根据所述面积比方差和所述面积和确定乏血管分割区域异常参数；

根据所述乏血管分割区域异常参数确定第一目标异常参数；

若所述第一目标异常参数大于第二预设值，则基于多张初始内镜图像进行三维重建，得到食管三维模型。

3.根据权利要求2所述的食管内镜视频异常的识别方法，其特征在于，所述根据所述乏血管分割区域异常参数确定第一目标异常参数，包括：

将所述目标内镜图像输入血管分割模型，得到所述目标内镜图像上的血管分割区域；

采用Zhang-Suen细化算法对所述血管分割区域处理，得到所述血管分割区域对应的血管中心线；

对血管中心线进行角点检测并根据检测出来的角点将所述血管中心线分割为多个血管子中心线；

对各个血管子中心线进行圆弧拟合，得到各个血管子中心线对应的血管曲线；

计算多条所述血管曲线的曲率最大值与曲率平均值；

获取多条所述血管曲线中扭曲血管曲线的占比，其中，扭曲血管曲线为多条所述血管曲线中曲率最大值与曲率平均值的比值大于第三预设值的血管曲线；

根据扭曲血管曲线的占比确定血管异常参数；

根据所述乏血管分割区域异常参数和所述血管异常参数确定第二目标异常参数。

4.根据权利要求3所述的食管内镜视频异常的识别方法，其特征在于，所述根据扭曲血管曲线的占比确定血管异常参数，包括：

获取所述各个血管子中心线对应的各个血管子区域；

获取多个血管子区域对应的多个血管直径；

分别计算大于第四预设值的多个血管直径的第一平均值、不大于第四预设值的多个血管直径的第二平均值；

计算第一平均值和第二平均值的直径平均值比值；

根据扭曲血管曲线的占比和直径平均值比值确定血管异常参数。

5.根据权利要求4所述的食管内镜视频异常的识别方法，其特征在于，所述获取多个血管子区域对应的多个血管直径，包括：

获取血管子中心线的多条法线；

获取所述法线与所述血管子中心线对应的血管子区域之间的两个交点的交点距离；

将多条法线对应的所述交点距离的平均值确定为所述血管子中心线对应的血管子区域的血管直径。

6.根据权利要求2所述的食管内镜视频异常的识别方法，其特征在于，所述将所述目标内镜图像输入乏血管区分割模型，得到所述目标内镜图像上的多个乏血管分割区域，之前，包括：

将所述目标内镜图像转化为HSV模式图像；

获取HSV模式图像在H通道上的出现频数最高的第一像素值和对应的第一出现频数、HSV模式图像在S通道上的出现频数最高的第二像素值和对应的第二出现频数、HSV模式图像在V通道上的出现频数最高的第三像素值和对应的第三出现频数；

根据第一出现频数、第二出现频数以及第三出现频数的频数平均值和频数最大值确定频数量化参数；

根据第一像素值、第二像素值以及第三像素值的像素最大值确定像素量化参数；

根据像素量化参数和频数量化参数确定颜色特征量化参数；

根据颜色特征量化参数确定第二目标异常参数；

若第二目标异常参数大于第五预设值，则将所述目标内镜图像输入乏血管区分割模型，得到所述目标内镜图像上的多个乏血管分割区域。

7.根据权利要求6所述的食管内镜视频异常的识别方法，其特征在于，所述根据颜色特征量化参数确定第二目标异常参数，包括：

获取所述目标内镜图像上各个像素点的图像像素值；

根据各个图像像素值确定表面粗糙度特征量化参数和表面纹理特征量化参数；

根据颜色特征量化参数、表面粗糙度特征量化参数以及表面纹理特征量化参数确定第二目标异常参数。

8.一种食管内镜视频异常的识别装置，其特征在于，所述食管内镜视频异常的识别装置包括：

第一获取单元，用于获取目标实体的关联地址和预设实体异常高发区域，其中，所述关联地址包括出生地址和居住地址的至少一种；

判断单元，用于判断所述关联地址是否属于预设实体异常高发区域；

第二获取单元，用于若所述关联地址不属于预设实体异常高发区域，则获取目标实体的多个预设类型特征；

第三获取单元，用于若多个预设类型特征满足预设异常条件，则获取目标实体的目标食管内镜视频；

解码单元，用于对所述目标食管内镜视频解码，得到多张初始内镜图像；

分割单元，用于对多张初始内镜图像进行病灶分割，得到多个病灶分割区域；

重建单元，用于基于多张初始内镜图像进行三维重建，得到食管三维模型；

计算单元，用于计算所述食管三维模型的多个横截面的横截面面积平均值、所述多个病灶分割区域中面积最大的病灶分割区域的最大病灶面积值；

确定单元，用于若横截面面积平均值与最大病灶面积值的第一比值大于第一预设值，则确定食管内镜视频异常。

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中任一项所述的食管内镜视频异常的识别方法。

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任一项所述的食管内镜视频异常的识别方法中的步骤。

Images