CN116091452A - 喉部图像的特征确定方法、装置及相关设备 - Google Patents
喉部图像的特征确定方法、装置及相关设备 Download PDFInfo
- Publication number
- CN116091452A CN116091452A CN202310028860.5A CN202310028860A CN116091452A CN 116091452 A CN116091452 A CN 116091452A CN 202310028860 A CN202310028860 A CN 202310028860A CN 116091452 A CN116091452 A CN 116091452A
- Authority
- CN
- China
- Prior art keywords
- micro
- abnormal
- feature
- blood vessel
- microvascular
- 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.)
- Pending
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Endoscopes (AREA)
Abstract
本申请提供一种喉部图像的特征确定方法、装置及相关设备,该方法通过:基于目标异常区域的面积和窄带内镜图像的尺寸信息,确定目标异常区域的面积占比特征;获取微血管分割图中异常微血管的第一数量占比特征、异常微血管中空心微血管的第二数量占比特征;获取微血管分割图中形状不规则微血管的第三数量占比特征;获取目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;将面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集。实现了高效、准确地确定出患者的喉部的异常程度。
Description
技术领域
本申请涉及辅助医疗技术领域,具体涉及一种喉部图像的特征确定方法、装置及相关设备。
背景技术
近年来,随着微创诊疗技术的发展,快速而准确地诊断和治愈各类咽喉疾病成为咽喉科的新趋势。
然而,目前临床上咽喉镜必须依靠临床医生的经验和人为判断来识别图片才能进行咽喉部疾病的诊疗。而因为临床医生诊疗水平参差不齐,导致不同级别医院或不同医生对同一疾病的诊疗方案差异较大,咽喉镜诊疗质量不容乐观,这样的现状严重制约了咽喉镜精准诊疗的发展。
因此,如何能够实现对咽喉疾病的检测图像进行高效、准确地确定,是当前辅助医疗技术领域亟需解决的技术问题。
发明内容
本申请提供一种喉部图像的特征确定方法、装置及相关设备,旨在解决如何能够实现对咽喉疾病的检测图像进行高效、准确地确定的技术问题。
一方面,本申请提供一种喉部图像的特征确定方法,所述方法包括:
对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;
基于所述目标异常区域的面积和所述窄带内镜图像的尺寸信息,确定所述目标异常区域的面积占比特征;
对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图;
获取所述微血管分割图中异常微血管的第一数量占比特征、所述异常微血管中空心微血管的第二数量占比特征;
获取所述微血管分割图中形状不规则微血管的第三数量占比特征;
获取所述目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;
将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,所述喉部图像特征集用于确定所述患者的喉部的异常程度。
在本申请一种可能的实现方式中,所述获取所述微血管分割图中异常微血管的第一数量占比特征,包括:
提取所述微血管分割图中每根微血管,得到第一微血管集,并统计所述第一微血管集中微血管的第一总数值;
获取所述第一微血管集中的异常微血管,得到第二微血管集,并统计所述第二微血管集中异常微血管的第二总数值;
将所述第二总数值与所述第一总数值相比,得到第一比值,并将所述第一比值作为所述微血管分割图中异常微血管的第一数量占比特征。
在本申请一种可能的实现方式中,所述提取所述微血管分割图中每根微血管,得到第一微血管集,包括:
在连通域的基础上,获取所述微血管分割图中每根微血管的最小外接水平矩形框;
并从所述微血管分割图中将每一个连通域分割开,得到多个子连通域;
基于所述最小外接水平矩形框和所述多个子连通域,获取所述微血管分割图中每根微血管,得到第一微血管集。
在本申请一种可能的实现方式中,所述获取所述第一微血管集中的异常微血管,包括:
获取所述第一微血管集中每根微血管的第一直径列表集合,所述第一直径列表集合包括每根微血管的多个直径,所述多个直径按照预设大小顺序进行排列;
计算每根微血管的第一直径列表集合的第一直径均值;
基于所述第一直径均值,从每根微血管的第一直径列表集合中筛选出,大于所述第一直径均值的第二直径列表集合和小于所述第一直径均值的第三直径列表集合;
分别计算所述第二直径列表集合的第二直径均值、所述第三直径列表集合的第三直径均值;
将所述第二直径均值和所述第三直径均值相比,得到第二比值;
基于所述第二比值和预设的比值阈值,对每根微血管进行判定,得到所述第一微血管集中的异常微血管。
在本申请一种可能的实现方式中,所述获取所述异常微血管中空心微血管的第二数量占比特征,包括:
将所述第二微血管集中的异常微血管的最小外接矩形框进行颜色颠倒处理,得到第一黑白颠倒图;
基于预设的连通域方法,遍历所述第一黑白颠倒图,并统计所述第一黑白颠倒图中的连通域数目;
若所述连通域数目大于预设的连通域阈值,则确定所述异常微血管为空心微血管,并统计所述第二微血管集中空心微血管的第三总数值;
将所述第三总数值与所述第二总数值相比,得到第三比值,并将所述第三比值作为所述异常微血管中空心微血管的第二数量占比特征。
在本申请一种可能的实现方式中,所述获取所述微血管分割图中形状不规则微血管的第三数量占比特征,包括:
将所述第一微血管集中每根微血管的最小外接矩形框进行颜色颠倒处理,得到第二黑白颠倒图;
沿每根微血管点的最小外接矩形框的宽和高的方向,预设长度为目标间隔,分别在每根微血管的最小外接矩形框内做平行于所述宽和高的多条第一直线和多条第二直线;
分别统计多条第一直线和多条第二直线,与每根微血管的最小外接矩形框中目标区域边界线的第一交点数目和第二交点数目;
基于所述第一交点数目、所述第二交点数目、所述目标间隔以及所述每根微血管的最小外接矩形框的尺寸信息,计算每根微血管的不规则量化值;
基于每根微血管的不规则量化值和预设的不规则量化阈值,判断所述第一微血管集中的形状不规则微血管,并统计所述第一微血管集中形状不规则微血管的第四总数值;
将所述第四总数值与所述第一总数值相比,得到第四比值,并将所述第四比值作为所述微血管分割图中形状不规则微血管的第三数量占比特征。
在本申请一种可能的实现方式中,所述将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,包括:
将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集;
将所述喉部图像特征集中的所有特征进行加权拟合,得到所述喉部的异常程度系数;
基于所述异常程度系数和预设的异常程度阈值,确定所述患者的喉部的异常程度。
另一方面,本申请提供一种喉部图像的特征确定装置,所述装置包括:
第一分割单元,用于对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;
第一确定单元,用于基于所述目标异常区域的面积和所述窄带内镜图像的尺寸信息,确定所述目标异常区域的面积占比特征;
第二分割单元,用于对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图;
第一获取单元,用于获取所述微血管分割图中异常微血管的第一数量占比特征、所述异常微血管中空心微血管的第二数量占比特征;
第二获取单元,用于获取所述微血管分割图中形状不规则微血管的第三数量占比特征;
第三获取单元,用于获取所述目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;
第一添加单元,用于将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,所述喉部图像特征集用于确定所述患者的喉部的异常程度。
在本申请一种可能的实现方式中,所述第一获取单元,具体包括:
第一提取单元,用于提取所述微血管分割图中每根微血管,得到第一微血管集,并统计所述第一微血管集中微血管的第一总数值;
第二获取单元,用于获取所述第一微血管集中的异常微血管,得到第二微血管集,并统计所述第二微血管集中异常微血管的第二总数值;
第三获取单元,用于将所述第二总数值与所述第一总数值相比,得到第一比值,并将所述第一比值作为所述微血管分割图中异常微血管的第一数量占比特征。
在本申请一种可能的实现方式中,所述第一提取单元,具体用于:
在连通域的基础上,获取所述微血管分割图中每根微血管的最小外接水平矩形框;
并从所述微血管分割图中将每一个连通域分割开,得到多个子连通域;
基于所述最小外接水平矩形框和所述多个子连通域,获取所述微血管分割图中每根微血管,得到第一微血管集。
在本申请一种可能的实现方式中,所述第二获取单元,具体用于:
获取所述第一微血管集中每根微血管的第一直径列表集合,所述第一直径列表集合包括每根微血管的多个直径,所述多个直径按照预设大小顺序进行排列;
计算每根微血管的第一直径列表集合的第一直径均值;
基于所述第一直径均值,从每根微血管的第一直径列表集合中筛选出,大于所述第一直径均值的第二直径列表集合和小于所述第一直径均值的第三直径列表集合;
分别计算所述第二直径列表集合的第二直径均值、所述第三直径列表集合的第三直径均值;
将所述第二直径均值和所述第三直径均值相比,得到第二比值;
基于所述第二比值和预设的比值阈值,对每根微血管进行判定,得到所述第一微血管集中的异常微血管。
在本申请一种可能的实现方式中,所述第一获取单元,还用于:
将所述第二微血管集中的异常微血管的最小外接矩形框进行颜色颠倒处理,得到第一黑白颠倒图;
基于预设的连通域方法,遍历所述第一黑白颠倒图,并统计所述第一黑白颠倒图中的连通域数目;
若所述连通域数目大于预设的连通域阈值,则确定所述异常微血管为空心微血管,并统计所述第二微血管集中空心微血管的第三总数值;
将所述第三总数值与所述第二总数值相比,得到第三比值,并将所述第三比值作为所述异常微血管中空心微血管的第二数量占比特征。
在本申请一种可能的实现方式中,所述第二获取单元,具体用于:
将所述第一微血管集中每根微血管的最小外接矩形框进行颜色颠倒处理,得到第二黑白颠倒图;
沿每根微血管点的最小外接矩形框的宽和高的方向,预设长度为目标间隔,分别在每根微血管的最小外接矩形框内做平行于所述宽和高的多条第一直线和多条第二直线;
分别统计多条第一直线和多条第二直线,与每根微血管的最小外接矩形框中目标区域边界线的第一交点数目和第二交点数目;
基于所述第一交点数目、所述第二交点数目、所述目标间隔以及所述每根微血管的最小外接矩形框的尺寸信息,计算每根微血管的不规则量化值;
基于每根微血管的不规则量化值和预设的不规则量化阈值,判断所述第一微血管集中的形状不规则微血管,并统计所述第一微血管集中形状不规则微血管的第四总数值;
将所述第四总数值与所述第一总数值相比,得到第四比值,并将所述第四比值作为所述微血管分割图中形状不规则微血管的第三数量占比特征。
在本申请一种可能的实现方式中,所述第一添加单元,具体用于:
将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集;
将所述喉部图像特征集中的所有特征进行加权拟合,得到所述喉部的异常程度系数;
基于所述异常程度系数和预设的异常程度阈值,确定所述患者的喉部的异常程度。
另一方面,本申请还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所述的喉部图像的特征确定方法。
另一方面,本申请还提供一种计算机可读存储介质,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,以执行所述的喉部图像的特征确定方法中的步骤。
本申请提供的喉部图像的特征确定方法,通过对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及目标异常区域的面积,窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;基于目标异常区域的面积和窄带内镜图像的尺寸信息,确定目标异常区域的面积占比特征;对异常区域分割图中的微血管区域进行分割,得到微血管分割图;获取微血管分割图中异常微血管的第一数量占比特征、异常微血管中空心微血管的第二数量占比特征;获取微血管分割图中形状不规则微血管的第三数量占比特征;获取目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;将面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,喉部图像特征集用于确定患者的喉部的异常程度。相较于传统方法,在无法高效、准确地确定患者喉部的异常程度情况下,本申请创造性地提出,通过对患者的喉部的窄带内镜图像的目标异常区域进行分割,然后对该目标异常区域进行综合分析,得到其相应的多个特征指标,最后对这多个特征指标进行综合分析,由此高效、准确地确定出患者的喉部的异常程度。
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喉部图像的特征确定系统的场景示意图;
图2是本申请实施例中提供的喉部图像的特征确定方法的一个实施例流程示意图;
图3是本申请实施例中提供的血管量化示意图;
图4是本申请实施例中提供的血管分割图黑白颠倒示意图;
图5是本申请实施例中提供的血管不规则程度量化示意图;
图6是本申请实施例中提供的喉部图像的特征确定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所述特征。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喉部图像的特征确定方法、装置及相关设备,以下分别进行详细说明。
如图1所示,图1是本申请实施例提供的喉部图像的特征确定系统的场景示意图,该喉部图像的特征确定系统可以包括计算机设备100,计算机设备100中集成有喉部图像的特征确定装置,如图1中的计算机设备100。
本申请实施例中计算机设备100主要用于对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及目标异常区域的面积,窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;基于目标异常区域的面积和窄带内镜图像的尺寸信息,确定目标异常区域的面积占比特征;对异常区域分割图中的微血管区域进行分割,得到微血管分割图;获取微血管分割图中异常微血管的第一数量占比特征、异常微血管中空心微血管的第二数量占比特征;获取微血管分割图中形状不规则微血管的第三数量占比特征;获取目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;将面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,喉部图像特征集用于确定患者的喉部的异常程度。
本申请实施例中,该计算机设备100可以为终端或者服务器,当计算机设备100为服务器时,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以构建的云服务器。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以构建。
可以理解的是,本申请实施例中计算机设备100为终端时,所使用的终端可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备100具体可以是台式终端或移动终端,计算机设备100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不以构建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,该喉部图像的特征确定系统还可以包括一个或多个其他计算机设备,具体此处不作限定。
另外,如图1所示,该喉部图像的特征确定系统还可以包括存储器200,用于存储数据,如存储患者的喉部的窄带内镜图像和喉部图像的特征确定数据,例如喉部图像的特征确定系统运行时的喉部图像的特征确定数据。
需要说明的是,图1所示的喉部图像的特征确定系统的场景示意图仅仅是一个示例,本申请实施例描述的喉部图像的特征确定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,随着喉部图像的特征确定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。
接下来,介绍本申请实施例提供的喉部图像的特征确定方法。
本申实施例喉部图像的特征确定方法的实施例中以喉部图像的特征确定装置作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该喉部图像的特征确定装置应用于计算机设备。
请参阅图2至图7,图2为本申请实施例中提供的喉部图像的特征确定方法的一个实施例流程示意图,该喉部图像的特征确定方法包括:
201、对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及目标异常区域的面积。
其中,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;
其中,可以通过窄带成像内镜(Narrow Band Imaging,NBI),获取患者喉部的窄带内镜图像,以及窄带内镜图像的尺寸信息,该尺寸信息具体是窄带内镜图像的宽W和高H,NBI是利用滤光器过滤掉内镜光源所发出的红蓝绿光波中的宽带光谱,仅留下窄带光谱用于诊断消化道各种疾病。
本申请实施例中,可以通过预先训练的异常区域分割模型对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,其中,异常区域分割模型优选Unet++,其标签可以由专业鼻咽喉内镜医师对喉部病变区域边界进行勾勒。
202、基于目标异常区域的面积和窄带内镜图像的尺寸信息,确定目标异常区域的面积占比特征。
其中,目标异常区域的面积占比特征label1的计算公式如下:
其中,S1为目标异常区域的面积,W、H分别为窄带内镜图像的宽和高。
203、对异常区域分割图中的微血管区域进行分割,得到微血管分割图。
本申请实施例中,可以通过预先训练的血管分割模型,对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图,其中,血管分割模型优选Unet++,其标签可以由专业鼻咽喉内镜医师对血管边界进行勾勒。
204、获取微血管分割图中异常微血管的第一数量占比特征、异常微血管中空心微血管的第二数量占比特征。
在本申请的一些实施例中,所述获取所述微血管分割图中异常微血管的第一数量占比特征,包括步骤A1至步骤A3:
A1、提取所述微血管分割图中每根微血管,得到第一微血管集,并统计所述第一微血管集中微血管的第一总数值。
其中,第一微血管集中包括有所述微血管分割图中的所有微血管。
在本申请的一些实施例中,所述提取所述微血管分割图中每根微血管,得到第一微血管集,包括步骤B1至步骤B3:
B1、在连通域的基础上,获取所述微血管分割图中每根微血管的最小外接水平矩形框。
其中,本申请可以采用连通域方法,获取所述微血管分割图中每根微血管的最小外接水平矩形框。
B2、并从所述微血管分割图中将每一个连通域分割开,得到多个子连通域。
B3、基于所述最小外接水平矩形框和所述多个子连通域,获取所述微血管分割图中每根微血管,得到第一微血管集。
本申请实施例中,若矩形框中只有一个连通域,此时即为目标微血管(一根),若矩形框中有多个连通域,通过4边界法进行判断:查看矩形框中所有连通域中是否有像素同时出现在矩形框4边界上,若少于4个边界,则排除该连通域;最终单根血管如下图3所示,A和B即为单根血管。
A2、获取所述第一微血管集中的异常微血管,得到第二微血管集,并统计所述第二微血管集中异常微血管的第二总数值。
其中,异常血管是其形状、尺寸等存在异常情况的血管,下面主要以对其尺寸中血管的直径异常,进行举例说明,如何获取所述微血管分割图中异常微血管的第一数量占比特征。
在本申请的一些实施例中,所述获取所述第一微血管集中的异常微血管,包括步骤C1至步骤C6:
C1、获取所述第一微血管集中每根微血管的第一直径列表集合。
其中,所述第一直径列表集合包括每根微血管的多个直径,所述多个直径按照预设大小顺序进行排列。
在一个具体实施例中,假设第一直径列表集合为d_list=[d0,d1...dm]。
C2、计算每根微血管的第一直径列表集合的第一直径均值。
在一个具体实施例中,假设每根微血管的第一直径列表集合的第一直径均值为d_mean:
其中,d_mean=mean(d_list)。
C3、基于所述第一直径均值,从每根微血管的第一直径列表集合中筛选出,大于所述第一直径均值的第二直径列表集合和小于所述第一直径均值的第三直径列表集合。
在一个具体实施例中,从上述每根微血管的第一直径列表集合d_list中大于第一直径均值d_mean的直径取平均值得第二直径列表集合d_max_list,小于第一直径均值d_mean的直径取平均值得第三直径列表集合d_min_list。
C4、分别计算所述第二直径列表集合的第二直径均值、所述第三直径列表集合的第三直径均值。
在一个具体实施例中,即计算第二直径列表集合d_max_list的第二直径均值d_mean_max,计算所述第三直径列表集合d_min_list的第三直径均值d_mean_min。
C5、将所述第二直径均值和所述第三直径均值相比,得到第二比值。
在一个具体实施例中,将所述第二直径均值和所述第三直径均值相比,得到第二比值ω2,即ω2=d_mean_max/d_mean_min。
C6、基于所述第二比值和预设的比值阈值,对每根微血管进行判定,得到所述第一微血管集中的异常微血管。
其中,预设的比值阈值可根据实际情况进行设置。
A3、将所述第二总数值与所述第一总数值相比,得到第一比值,并将所述第一比值作为所述微血管分割图中异常微血管的第一数量占比特征。
在一个具体实施例中,第一总数值为N,第二总数值为n,那么第一比值ω1=n/N,由此,得到第一数量占比特征label2=n/N。
在本申请的一些实施例中,所述获取所述异常微血管中空心微血管的第二数量占比特征,包括步骤D1至步骤D4:
D1、将所述第二微血管集中的异常微血管的最小外接矩形框进行颜色颠倒处理,得到第一黑白颠倒图。
本申请实施例中,颜色颠倒处理是将第二微血管集中的异常微血管的最小外接矩形框进行黑白颜色颠倒,如下图4所示,图4中上下两对的左侧的血管图均是处理前的血管图,而其右侧的血管图,均是处理后的血管图,由此,可以使得血管更加明显,便于后续图像处理。
D2、基于预设的连通域方法,遍历所述第一黑白颠倒图,并统计所述第一黑白颠倒图中的连通域数目。
D3、若所述连通域数目大于预设的连通域阈值,则确定所述异常微血管为空心微血管,并统计所述第二微血管集中空心微血管的第三总数值。
其中,连通域阈值可根据实际需求进行设置,本申请优选该连通域阈值为2。
D4、将所述第三总数值与所述第二总数值相比,得到第三比值,并将所述第三比值作为所述异常微血管中空心微血管的第二数量占比特征。
在一个具体实施例中,第二数量占比特征为label3=nA/n,其中,n为第二总数值,而nA为第三总数值。
205、获取微血管分割图中形状不规则微血管的第三数量占比特征。
在本申请的一些实施例中,所述获取所述微血管分割图中形状不规则微血管的第三数量占比特征,包括步骤E1至步骤E6:
E1、将所述第一微血管集中每根微血管的最小外接矩形框进行颜色颠倒处理,得到第二黑白颠倒图。
本申请实施例中颜色颠倒处理的原理与上述步骤D1中颜色颠倒处理相同,具体可参阅上述内容的介绍,在此不做赘述。
E2、沿每根微血管点的最小外接矩形框的宽和高的方向,预设长度为目标间隔,分别在每根微血管的最小外接矩形框内做平行于所述宽和高的多条第一直线和多条第二直线。
本申请实施例中,如下图5所示,可以理解为,在每根微血管的最小外接矩形框中分别设置了多条横线和多条竖线,只是这些横线/竖线之间是按照预设间隔进行设置的,其中预设长度的目标间隔Δl可根据实际需求进行设置。
E3、分别统计多条第一直线和多条第二直线,与每根微血管的最小外接矩形框中目标区域边界线的第一交点数目和第二交点数目。
其中,目标区域边界线是血管对应区域的边界线,如下图5中,该目标区域边界线即黑色区域与白色区域相交的边界线,统计得到第一交点数目wni和第二交点数目hnj。
E4、基于所述第一交点数目、所述第二交点数目、所述目标间隔以及所述每根微血管的最小外接矩形框的尺寸信息,计算每根微血管的不规则量化值。
具体的,每根微血管的不规则量化值nul的计算方式如下:
其中,W1和H1分别为每根微血管的最小外接矩形框的尺寸信息中的宽和高,所述Δl为目标间隔的长度,所述wni为第一交点数目和hnj为第二交点数目。
E5、基于每根微血管的不规则量化值和预设的不规则量化阈值,判断所述第一微血管集中的形状不规则微血管,并统计所述第一微血管集中形状不规则微血管的第四总数值。
其中,不规则量化阈值可根据实际需求进行设置,在此不做限定,具体的,当微血管的不规则量化值大于该不规则量化阈值时,则确定该微血管为形状不规则的微血管,统计得到第一微血管集中形状不规则微血管的第四总数值k。
E6、将所述第四总数值与所述第一总数值相比,得到第四比值,并将所述第四比值作为所述微血管分割图中形状不规则微血管的第三数量占比特征。
其中,第三数量占比特征label4的计算方式如下:
label4=k/N;
其中,k为所述第四总数值,N为所述第一总数值。
206、获取目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征。
本申请实施例中,获取目标异常区域内的异常微血管聚集程度特征,包括步骤F1至步骤F6:
F1、通过连通域方法获取每根微血管质心(xi,yi)及血管面积areai;
F2、加权计算每根微血管的等效质心坐标,计算公式为:
F3、计算目标异常区域的等效质心O(x0,y0);
具体的,其计算等效质心的原理如上述步骤F2,在此不做赘述。
F4、计算所述目标异常区域内异常微血管的等效质心P1(x1,y1);
具体的,其计算等效质心的原理如上述步骤F2,在此不做赘述。
F5、计算所述目标异常区域内正常微血管的等效质心P2(x2,y2);
具体的,其计算等效质心的原理如上述步骤F2,在此不做赘述。
F6、基于所述目标异常区域的等效质心、所述目标异常区域内异常微血管的等效质心以及所述目标异常区域内正常微血管的等效质心,确定目标异常区域内的异常微血管聚集程度特征。
其中,目标异常区域内的异常微血管聚集程度特征label5的计算方式如下:
本申请实施例中,可以在连通域的基础上获得目标异常区域的所有血管面积和S2,然后计算得到所述目标异常区域内的微血管密度特征label6:
label6=S2/S1,其中,S1为目标异常区域的面积,S2为目标异常区域内的所有血管面积和S2。
本申请实施例中,获取所述目标异常区域内的异常微血管颜色量化特征,包括步骤G1至步骤G3:
G1、对计算第二微血管集中每根血管颜色均值,得到异常微血管间颜色均值列表Ycolormean_list,然后计算其第一方差std(Ycolormean_list);
具体的,计算过程如下步骤H1至步骤H3:
H1、通过PIL自带的getcolors()方法获取目标异常区域内的异常微血管所有颜色特征集合,如color=[(r1,g1,b1),(r2,g2,b2)…(rn,gn,bn)]。
H2、剔除颜色特征集合color中(rj,gj,bj)值全为0的元素;
H3、对剩余元素求颜色特征列表均值:
G2、计算正常血管的血管集合中每根血管颜色均值,得到正常血管间颜色均值列表Zcolormean_list,然后计算其第二方差;
G3、基于所述第一方差和所述第二方差,计算所述目标异常区域内的异常微血管颜色量化特征label7:
207、将面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集。
其中,喉部图像特征集用于确定患者的喉部的异常程度,该异常程度可以包括喉部受伤异常、息肉异常、肿瘤癌异常。
本申请以肿瘤癌异常进行举例说明。
在本申请的一些实施例中,所述将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,包括步骤I1至步骤I3:
I1、将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集。
I2、将所述喉部图像特征集中的所有特征进行加权拟合,得到所述喉部的异常程度系数θ。
I3、基于所述异常程度系数和预设的异常程度阈值τ,确定所述患者的喉部的异常程度。
其中,异常程度阈值τ可根据实际需求进行设置,在此不做限定。
具体的,本申请以对喉部的肿瘤癌异常程度进行举例说明,若θ≤τ,则确定所述患者的喉部的异常程度为非原位癌;若θ>τ,则确定所述患者的喉部的异常程度为原位癌。
本申请提供一种喉部图像的特征确定方法,相较于传统方法,在无法高效、准确地确定患者喉部的异常程度情况下,本申请创造性地提出,通过对患者的喉部的窄带内镜图像的目标异常区域进行分割,然后对该目标异常区域进行综合分析,得到其相应的多个特征指标,最后对这多个特征指标进行综合分析,由此高效、准确地确定出患者的喉部的异常程度。
为了更好实施本申请实施例中喉部图像的特征确定方法,在喉部图像的特征确定方法基础之上,本申请实施例中还提供一种喉部图像的特征确定装置,如图6所示,所述喉部图像的特征确定装置600包括:
第一分割单元601,用于对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;
第一确定单元602,用于基于所述目标异常区域的面积和所述窄带内镜图像的尺寸信息,确定所述目标异常区域的面积占比特征;
第二分割单元603,用于对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图;
第一获取单元604,用于获取所述微血管分割图中异常微血管的第一数量占比特征、所述异常微血管中空心微血管的第二数量占比特征;
第二获取单元605,用于获取所述微血管分割图中形状不规则微血管的第三数量占比特征;
第三获取单元606,用于获取所述目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;
第一添加单元607,用于将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,所述喉部图像特征集用于确定所述患者的喉部的异常程度。
在本申请的一些实施例中,所述第一获取单元604,具体包括:
第一提取单元,用于提取所述微血管分割图中每根微血管,得到第一微血管集,并统计所述第一微血管集中微血管的第一总数值;
第二获取单元605,用于获取所述第一微血管集中的异常微血管,得到第二微血管集,并统计所述第二微血管集中异常微血管的第二总数值;
第三获取单元606,用于将所述第二总数值与所述第一总数值相比,得到第一比值,并将所述第一比值作为所述微血管分割图中异常微血管的第一数量占比特征。
在本申请的一些实施例中,所述第一提取单元,具体用于:
在连通域的基础上,获取所述微血管分割图中每根微血管的最小外接水平矩形框;
并从所述微血管分割图中将每一个连通域分割开,得到多个子连通域;
基于所述最小外接水平矩形框和所述多个子连通域,获取所述微血管分割图中每根微血管,得到第一微血管集。
在本申请的一些实施例中,所述第二获取单元605,具体用于:
获取所述第一微血管集中每根微血管的第一直径列表集合,所述第一直径列表集合包括每根微血管的多个直径,所述多个直径按照预设大小顺序进行排列;
计算每根微血管的第一直径列表集合的第一直径均值;
基于所述第一直径均值,从每根微血管的第一直径列表集合中筛选出,大于所述第一直径均值的第二直径列表集合和小于所述第一直径均值的第三直径列表集合;
分别计算所述第二直径列表集合的第二直径均值、所述第三直径列表集合的第三直径均值;
将所述第二直径均值和所述第三直径均值相比,得到第二比值;
基于所述第二比值和预设的比值阈值,对每根微血管进行判定,得到所述第一微血管集中的异常微血管。
在本申请的一些实施例中,所述第一获取单元604,还用于:
将所述第二微血管集中的异常微血管的最小外接矩形框进行颜色颠倒处理,得到第一黑白颠倒图;
基于预设的连通域方法,遍历所述第一黑白颠倒图,并统计所述第一黑白颠倒图中的连通域数目;
若所述连通域数目大于预设的连通域阈值,则确定所述异常微血管为空心微血管,并统计所述第二微血管集中空心微血管的第三总数值;
将所述第三总数值与所述第二总数值相比,得到第三比值,并将所述第三比值作为所述异常微血管中空心微血管的第二数量占比特征。
在本申请的一些实施例中,所述第二获取单元605,具体用于:
将所述第一微血管集中每根微血管的最小外接矩形框进行颜色颠倒处理,得到第二黑白颠倒图;
沿每根微血管点的最小外接矩形框的宽和高的方向,预设长度为目标间隔,分别在每根微血管的最小外接矩形框内做平行于所述宽和高的多条第一直线和多条第二直线;
分别统计多条第一直线和多条第二直线,与每根微血管的最小外接矩形框中目标区域边界线的第一交点数目和第二交点数目;
基于所述第一交点数目、所述第二交点数目、所述目标间隔以及所述每根微血管的最小外接矩形框的尺寸信息,计算每根微血管的不规则量化值;
基于每根微血管的不规则量化值和预设的不规则量化阈值,判断所述第一微血管集中的形状不规则微血管,并统计所述第一微血管集中形状不规则微血管的第四总数值;
将所述第四总数值与所述第一总数值相比,得到第四比值,并将所述第四比值作为所述微血管分割图中形状不规则微血管的第三数量占比特征。
在本申请的一些实施例中,所述第一添加单元607,具体用于:
将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集;
将所述喉部图像特征集中的所有特征进行加权拟合,得到所述喉部的异常程度系数;
基于所述异常程度系数和预设的异常程度阈值,确定所述患者的喉部的异常程度。
本申请提供的喉部图像的特征确定装置,通过第一分割单元601,用于对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;第一确定单元602,用于基于所述目标异常区域的面积和所述窄带内镜图像的尺寸信息,确定所述目标异常区域的面积占比特征;第二分割单元603,用于对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图;第一获取单元604,用于获取所述微血管分割图中异常微血管的第一数量占比特征、所述异常微血管中空心微血管的第二数量占比特征;第二获取单元605,用于获取所述微血管分割图中形状不规则微血管的第三数量占比特征;第三获取单元606,用于获取所述目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;第一添加单元607,用于将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,所述喉部图像特征集用于确定所述患者的喉部的异常程度。相较于传统装置,在无法高效、准确地确定患者喉部的异常程度情况下,本申请创造性地提出,通过对患者的喉部的窄带内镜图像的目标异常区域进行分割,然后对该目标异常区域进行综合分析,得到其相应的多个特征指标,最后对这多个特征指标进行综合分析,由此高效、准确地确定出患者的喉部的异常程度。
除了上述介绍用于喉部图像的特征确定方法与装置之外,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喉部图像的特征确定装置,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上述喉部图像的特征确定方法实施例中任一实施例中所述的任一方法的操作。
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喉部图像的特征确定装置。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701、一个或一个以上计算机可读存储介质的存储单元702、电源703和输入单元704等部件。本领域技术人员可以理解,图7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701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单元702内的软件程序和/或模块,以及调用存储在存储单元702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701可包括一个或多个处理核心;优选的,处理器701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701中。
存储单元702可用于存储软件程序以及模块,处理器701通过运行存储在存储单元702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。存储单元702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,存储单元702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,存储单元702还可以包括存储器控制器,以提供处理器701对存储单元702的访问。
计算机设备还包括给各个部件供电的电源703,优选的,电源703可以通过电源管理系统与处理器701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703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704,该输入单元704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。具体在本申请实施例中,计算机设备中的处理器701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单元702中,并由处理器701来运行存储在存储单元702中的应用程序,从而实现各种功能,如上述步骤201至步骤207:
本申请提供一种喉部图像的特征确定方法,相较于传统方法,在无法高效、准确地确定患者喉部的异常程度情况下,本申请创造性地提出,通过对患者的喉部的窄带内镜图像的目标异常区域进行分割,然后对该目标异常区域进行综合分析,得到其相应的多个特征指标,最后对这多个特征指标进行综合分析,由此高效、准确地确定出患者的喉部的异常程度。
为此,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种喉部图像的特征确定方法中的步骤。例如,该指令可以执行如上述步骤201至步骤207。
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,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种喉部图像的特征确定方法、装置及相关设备进行了详细介绍,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,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种喉部图像的特征确定方法,其特征在于,所述方法包括:
对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;
基于所述目标异常区域的面积和所述窄带内镜图像的尺寸信息,确定所述目标异常区域的面积占比特征;
对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图;
获取所述微血管分割图中异常微血管的第一数量占比特征、所述异常微血管中空心微血管的第二数量占比特征;
获取所述微血管分割图中形状不规则微血管的第三数量占比特征;
获取所述目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;
将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,所述喉部图像特征集用于确定所述患者的喉部的异常程度。
2.根据权利要求1所述的喉部图像的特征确定方法,其特征在于,所述获取所述微血管分割图中异常微血管的第一数量占比特征,包括:
提取所述微血管分割图中每根微血管,得到第一微血管集,并统计所述第一微血管集中微血管的第一总数值;
获取所述第一微血管集中的异常微血管,得到第二微血管集,并统计所述第二微血管集中异常微血管的第二总数值;
将所述第二总数值与所述第一总数值相比,得到第一比值,并将所述第一比值作为所述微血管分割图中异常微血管的第一数量占比特征。
3.根据权利要求2所述的喉部图像的特征确定方法,其特征在于,所述提取所述微血管分割图中每根微血管,得到第一微血管集,包括:
在连通域的基础上,获取所述微血管分割图中每根微血管的最小外接水平矩形框;
并从所述微血管分割图中将每一个连通域分割开,得到多个子连通域;
基于所述最小外接水平矩形框和所述多个子连通域,获取所述微血管分割图中每根微血管,得到第一微血管集。
4.根据权利要求2所述的喉部图像的特征确定方法,其特征在于,所述获取所述第一微血管集中的异常微血管,包括:
获取所述第一微血管集中每根微血管的第一直径列表集合,所述第一直径列表集合包括每根微血管的多个直径,所述多个直径按照预设大小顺序进行排列;
计算每根微血管的第一直径列表集合的第一直径均值;
基于所述第一直径均值,从每根微血管的第一直径列表集合中筛选出,大于所述第一直径均值的第二直径列表集合和小于所述第一直径均值的第三直径列表集合;
分别计算所述第二直径列表集合的第二直径均值、所述第三直径列表集合的第三直径均值;
将所述第二直径均值和所述第三直径均值相比,得到第二比值;
基于所述第二比值和预设的比值阈值,对每根微血管进行判定,得到所述第一微血管集中的异常微血管。
5.根据权利要求2所述的喉部图像的特征确定方法,其特征在于,所述获取所述异常微血管中空心微血管的第二数量占比特征,包括:
将所述第二微血管集中的异常微血管的最小外接矩形框进行颜色颠倒处理,得到第一黑白颠倒图;
基于预设的连通域方法,遍历所述第一黑白颠倒图,并统计所述第一黑白颠倒图中的连通域数目;
若所述连通域数目大于预设的连通域阈值,则确定所述异常微血管为空心微血管,并统计所述第二微血管集中空心微血管的第三总数值;
将所述第三总数值与所述第二总数值相比,得到第三比值,并将所述第三比值作为所述异常微血管中空心微血管的第二数量占比特征。
6.根据权利要求1所述的喉部图像的特征确定方法,其特征在于,所述获取所述微血管分割图中形状不规则微血管的第三数量占比特征,包括:
将所述第一微血管集中每根微血管的最小外接矩形框进行颜色颠倒处理,得到第二黑白颠倒图;
沿每根微血管点的最小外接矩形框的宽和高的方向,预设长度为目标间隔,分别在每根微血管的最小外接矩形框内做平行于所述宽和高的多条第一直线和多条第二直线;
分别统计多条第一直线和多条第二直线,与每根微血管的最小外接矩形框中目标区域边界线的第一交点数目和第二交点数目;
基于所述第一交点数目、所述第二交点数目、所述目标间隔以及所述每根微血管的最小外接矩形框的尺寸信息,计算每根微血管的不规则量化值;
基于每根微血管的不规则量化值和预设的不规则量化阈值,判断所述第一微血管集中的形状不规则微血管,并统计所述第一微血管集中形状不规则微血管的第四总数值;
将所述第四总数值与所述第一总数值相比,得到第四比值,并将所述第四比值作为所述微血管分割图中形状不规则微血管的第三数量占比特征。
7.根据权利要求1所述的喉部图像的特征确定方法,其特征在于,所述将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,包括:
将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集;
将所述喉部图像特征集中的所有特征进行加权拟合,得到所述喉部的异常程度系数;
基于所述异常程度系数和预设的异常程度阈值,确定所述患者的喉部的异常程度。
8.一种喉部图像的特征确定装置,其特征在于,所述装置包括:
第一分割单元,用于对预先获取的窄带内镜图像中的目标异常区域进行分割,得到异常区域分割图及所述目标异常区域的面积,所述窄带内镜图像为针对患者的喉部进行拍摄的窄带内镜图像;
第一确定单元,用于基于所述目标异常区域的面积和所述窄带内镜图像的尺寸信息,确定所述目标异常区域的面积占比特征;
第二分割单元,用于对所述异常区域分割图中的微血管区域进行分割,得到微血管分割图;
第一获取单元,用于获取所述微血管分割图中异常微血管的第一数量占比特征、所述异常微血管中空心微血管的第二数量占比特征;
第二获取单元,用于获取所述微血管分割图中形状不规则微血管的第三数量占比特征;
第三获取单元,用于获取所述目标异常区域内的异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征;
第一添加单元,用于将所述面积占比特征、第一数量占比特征、第二数量占比特征、第三数量占比特征、异常微血管聚集程度特征、微血管密度特征以及异常微血管颜色量化特征添加至预设的喉部图像特征集,所述喉部图像特征集用于确定所述患者的喉部的异常程度。
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中任一项所述的喉部图像的特征确定方法。
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任一项所述的喉部图像的特征确定方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028860.5A CN116091452A (zh) | 2023-01-09 | 2023-01-09 | 喉部图像的特征确定方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028860.5A CN116091452A (zh) | 2023-01-09 | 2023-01-09 | 喉部图像的特征确定方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091452A true CN116091452A (zh) | 2023-05-09 |
Family
ID=86207812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310028860.5A Pending CN116091452A (zh) | 2023-01-09 | 2023-01-09 | 喉部图像的特征确定方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091452A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740068A (zh) * | 2023-08-15 | 2023-09-12 | 贵州毅丹恒瑞医药科技有限公司 | 一种白内障手术用智能导航系统 |
-
2023
- 2023-01-09 CN CN202310028860.5A patent/CN116091452A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740068A (zh) * | 2023-08-15 | 2023-09-12 | 贵州毅丹恒瑞医药科技有限公司 | 一种白内障手术用智能导航系统 |
CN116740068B (zh) * | 2023-08-15 | 2023-10-10 | 贵州毅丹恒瑞医药科技有限公司 | 一种白内障手术用智能导航系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10580131B2 (en) | Convolutional neural network for segmentation of medical anatomical images | |
US10339648B2 (en) | Quantitative predictors of tumor severity | |
Dray et al. | Artificial intelligence in small bowel capsule endoscopy‐current status, challenges and future promise | |
KR101874348B1 (ko) | 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
JP5576782B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
US8989467B2 (en) | Image processing apparatus, method and computer readable recording medium for detecting abnormal area based on difference between pixel value and reference surface | |
JP5931418B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
CN113643291B (zh) | 食管标志物浸润深度等级确定方法、装置及可读存储介质 | |
JP5757724B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
US8718344B2 (en) | Image processing apparatus and medical image diagnosis apparatus | |
JP2012045056A (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
US20230154620A1 (en) | Apparatus and method for assisting reading of chest medical images | |
JP2012115342A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN114417037B (zh) | 图像处理方法、装置、终端及可读存储介质 | |
CN116091452A (zh) | 喉部图像的特征确定方法、装置及相关设备 | |
CN113658179A (zh) | 肠道清洁度的检测方法及装置 | |
CN115937209A (zh) | 鼻咽喉镜图像异常的识别方法及装置 | |
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 | |
Abbas et al. | Persistent hypercarbia after resuscitation is associated with increased mortality in congenital diaphragmatic hernia patients | |
CN107845106B (zh) | 利用改进的nndr策略的医学图像配准方法 | |
CN113344926A (zh) | 胆胰超声图像识别方法、装置、服务器及存储介质 | |
CN115938593B (zh) | 病历信息的处理方法、装置、设备及计算机可读存储介质 | |
Chen et al. | AI-based chest CT semantic segmentation algorithm enables semi-automated lung cancer surgery planning by recognizing anatomical variants of pulmonary vessels | |
CN114494406B (zh) | 医学图像处理方法、装置、终端及计算机可读存储介质 | |
CN114511558B (zh) | 肠道清洁度的检测方法及装置 |
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 |