CN116205814A - 医用内窥镜图像增强方法、系统及计算机设备 - Google Patents

医用内窥镜图像增强方法、系统及计算机设备 Download PDF

Info

Publication number
CN116205814A
CN116205814A CN202310146323.0A CN202310146323A CN116205814A CN 116205814 A CN116205814 A CN 116205814A CN 202310146323 A CN202310146323 A CN 202310146323A CN 116205814 A CN116205814 A CN 116205814A
Authority
CN
China
Prior art keywords
image
region
specular reflection
enhanced
medical
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
Application number
CN202310146323.0A
Other languages
English (en)
Inventor
郭运博
洪凯程
吕甜甜
宋鹏
高培淞
范梅生
李俊博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Hi Tech Achievements Transformation Brokerage Co ltd
Suzhou Institute of Biomedical Engineering and Technology of CAS
Original Assignee
Jinan Hi Tech Achievements Transformation Brokerage Co ltd
Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan Hi Tech Achievements Transformation Brokerage Co ltd, Suzhou Institute of Biomedical Engineering and Technology of CAS filed Critical Jinan Hi Tech Achievements Transformation Brokerage Co ltd
Priority to CN202310146323.0A priority Critical patent/CN116205814A/zh
Publication of CN116205814A publication Critical patent/CN116205814A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G06T3/04—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Abstract

本发明公开了一种医用内窥镜图像增强方法、系统及计算机设备，该方法包括以下步骤：S1、消除图像镜面反射：S1‑1、灰度化处理；S1‑2、二值化处理；S1‑3、形态学膨胀处理；S1‑4、扣除镜反射区域；S1‑5、进行图像修复；S2、进行边缘提取获得感兴趣部位的轮廓图
Figure DDA0004089242240000011
S3、将I1和
Figure DDA0004089242240000012
进行融合，得到感兴趣部位轮廓被增强的增强图像。本发明利用算法可有效消除内窥镜图像的中的镜面反射，完成消化道内窥镜图像的增强，能提高辨识度，且不需要增加额外的硬件设备；本发明能准确检测内窥镜图像中各消化道组织的轮廓，以增强图像细节和对比度，降低漏诊风险。

Description

医用内窥镜图像增强方法、系统及计算机设备
技术领域
本发明涉及医学图像处理领域，特别涉及一种医用内窥镜图像增强方法、系统及计算机设备。
背景技术
近年来，随着人民生活水平的不断提高，我国消化道肿瘤发病和死亡人数均快速增长。在目前的各类检查方式中，消化道内窥镜检查是发现肠息肉和肿瘤的金标准。内窥镜不仅能让医师直接观察息肉的组织学特征，还能采集息肉的样本用于活检，又或是直接切除较小的息肉。然而，现有内窥镜采集的消化道图像普遍存在光照、对比度不足的问题，使医生难以仔细观察血管、息肉纹理和边缘等图像细节，存在漏诊的风险。
内窥镜图像增强技术可以有效地提高图像中血管、溃疡、息肉等组织的辨识度，使其更容易被医生观察到。目前常用的方法是为内窥镜增加额外辅助设备。如奥林巴斯的窄带成像技术(NBI)采用窄带滤光器滤掉宽带红绿蓝光波，仅保留能较好显示血管与粘膜的窄带光波。自体荧光成像技术(AFI)通过专门的荧光内窥镜激发自体荧光团，使鳞状上皮、巴雷特食管、增生组织呈现不同的颜色。以上方法均存在一定的缺陷。NBI和AFI均需要特定设备的辅助才能工作，不仅不便推广，而且图像的增强模式是固定的，灵活度不足。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种医用内窥镜图像增强方法、系统及计算机设备。
为解决上述技术问题，本发明采用的技术方案是：一种医用内窥镜图像增强方法，包括以下步骤：
S1、消除图像镜面反射：
S1-1、灰度化处理：将医用内窥镜RGB图像I转换为单通道灰度图像G；
S1-2、对图像G进行二值化处理，分割出镜面反射区域，得到二值图像；
S1-3、对二值图像B1进行形态学膨胀处理，得到图像B′1；
S1-4、根据图像B′1确定各镜面反射区域在原始图像I中的位置，并在图像I中将这些位置的像素值置为0，得到图像I'；
S1-5、对图像I'中像素值为0的区域进行填充，得到无镜面反射图像I1；
S2、对图像I1进行边缘提取，获得感兴趣部位的轮廓图
Figure BDA0004089242210000021
S3、将无镜面反射图像I1和轮廓图
Figure BDA0004089242210000022
进行融合，得到感兴趣部位轮廓被增强的增强图像。
优选的是，所述步骤S1具体包括：
S1-1、灰度化处理：将医用内窥镜RGB图像I转换为单通道灰度图像G；
S1-2、采用阈值分割方法对图像G进行二值化处理，分割出镜面反射区域，得到二值图像B1，阈值设为0.8235；二值图像B1中镜面反射区域的灰度值为1，背景区域的灰度值为0；
S1-3、对二值图像B1进行形态学膨胀处理，膨胀度为9，得到图像B′1；
S1-4、根据图像B′1确定各镜面反射区域在原始图像I中的位置，并在图像I中将这些位置的像素值置为0，得到图像I'；
S1-5、采用基于Navier-Stokes方程的图像修复算法对图像I'中像素值为0的区域进行填充，得到无镜面反射图像I1。
优选的是，所述步骤S2具体包括：
S2-1、对无镜面反射图像I1阈值分割处理，生成二值图像B2，二值图像B2中：像素值为1的区域代表边框区域，即I1中的四个角处的4个三角形边框，像素值为0的区域代表彩色区域；
然后对二值图像B2中的非零区域进行形态学膨胀处理，得到B′2
S2-2、使用多尺度匹配滤波器K处理I1，得到感兴趣部位的轮廓F；
S2-3、按照下式对F进行归一化，将像素值压缩至[0,1]得到图像
Figure BDA0004089242210000023
Figure BDA0004089242210000024
其中，Fmin和Fmax分别为F的极大值和极小值；
S2-4、若图像
Figure BDA0004089242210000025
中某非零像素所在的位置处于B′2中的非零区域，则将该像素值置为零，完成感兴趣部位轮廓的提取，得到轮廓图/>
Figure BDA0004089242210000031
优选的是，所述步骤S2-1中，膨胀幅度为10。
优选的是，所述多尺度匹配滤波器K由N个卷积核k构成，每个卷积核的权重都由σ、l、θ三个参数控制，分别对应不同的感兴趣部位轮廓的长度、宽度以及角度，假设卷积核ki中某点的位置为(x,y)，i＝1,2...,N，则该点的权重可由下式计算所得：
Figure BDA0004089242210000032
Figure BDA0004089242210000033
其中σ＝[1,3]，l＝12，N＝24，
θ＝[0,30,60,90,120,150,180,210,240,270,300,330]。
优选的是，所述步骤S3具体包括：
3-1、将I1中R通道I1～r乘以权重系数γr，得到I1～r′，I1～r′＝γr×I1～r；
3-2、将
Figure BDA0004089242210000038
融合进I1的G通道I1～g和B通道I1～b，分别得到I1～g′、I1～b′；
Figure BDA0004089242210000034
Figure BDA0004089242210000035
其中，γg和γb均为融合系数；
3-3、将I1～r′，I1～g′，I1～b′合并成RGB图像I′1，并转换成uint8格式输出，得到感兴趣部位轮廓被增强的增强图像。
优选的是，其中，γr＝0.7，γg和γb均为50。
本发明还提供一种医用内窥镜图像增强系统，其采用如上所述的方法对医用内窥镜图像进行增强处理，该系统包括：
图像镜面反射消除模块，其用于消除医用内窥镜图像中的镜面反射；
边缘提取模块，其用于对所述图像镜面反射消除模块获得的无镜面反射图像I1进行边缘提取，获得感兴趣部位的轮廓图
Figure BDA0004089242210000036
以及边缘增强模块，其用于将无镜面反射图像I1和轮廓图
Figure BDA0004089242210000037
进行融合，得到感兴趣部位轮廓被增强的增强图像。
本发明还提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是：
本发明利用算法可有效消除内窥镜图像的中的镜面反射，完成消化道内窥镜图像的增强，能提高辨识度，且不需要增加额外的硬件设备；本发明能准确检测内窥镜图像中各消化道组织的轮廓，以增强图像细节和对比度，降低漏诊风险。
附图说明
图1为本发明的医用内窥镜图像增强系统的原理结构示意图；
图2为本发明的医用内窥镜图像增强方法的处理效果示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
一种医用内窥镜图像增强方法，参照图1，包括以下步骤：
S1、消除图像镜面反射：
S1-1、灰度化处理：将原始医用内窥镜RGB图像I，如图2(a)，转换为单通道灰度图像G；
S1-2、采用阈值分割方法对图像G进行二值化处理，分割出镜面反射区域，得到二值图像B1，由于镜面反射区域的灰度值普遍分布在210-255之间，因此阈值设为0.8235，即210/255；二值图像B1中镜面反射区域的灰度值为1，背景区域的灰度值为0；分割结果结果见图2(b)；
S1-3、对二值图像B1进行形态学膨胀处理，膨胀度为9，得到图像B1′；由于镜面反射会向四周扩散，虽未完全遮挡图像内容，但是会破坏图像的颜色分布，因此对B1中的镜面反射区域进行形态学膨胀处理；
S1-4、根据图像B′1确定各镜面反射区域在原始图像I中的位置，并在图像I中将这些位置的像素值置为0，得到图像I'；
S1-5、采用基于Navier-Stokes方程的图像修复算法对图像I'中像素值为0的区域进行填充，完成镜面反射的消除，得到无镜面反射图像I1，修复效果见图2(c)。
S2、对图像I1进行边缘提取，获得感兴趣部位(如血管和消化道内各组织等)的轮廓图
Figure BDA0004089242210000051
S2-1、对无镜面反射图像I1阈值分割处理，生成二值图像B2，二值图像B2中：像素值为1的区域代表边框区域，即I1中的四个角处的4个黑色的三角形边框，像素值为0的区域代表彩色区域；
然后对二值图像B2中的非零区域进行形态学膨胀处理，膨胀幅度为10，得到B′2
S2-2、使用多尺度匹配滤波器K处理I1，得到感兴趣部位的轮廓F，处理结果见图2(d)；
多尺度匹配滤波器K由N个卷积核k构成，每个卷积核的权重都由σ、l、θ三个参数控制，分别对应不同的感兴趣部位轮廓的长度、宽度以及角度，假设卷积核ki中某点的位置为(x,y)，i＝1,2...,N，则该点的权重可由下式计算所得：
Figure BDA0004089242210000052
Figure BDA0004089242210000053
其中σ＝[1,3]，l＝12，N＝24，
θ＝[0,30,60,90,120,150,180,210,240,270,300,330]。如若内窥镜的参数发生改变，可对上述参数进行调整，以达到最好的图像增强效果。S2-3、按照下式对F进行归一化，将像素值压缩至[0,1]得到图像
Figure BDA0004089242210000054
Figure BDA0004089242210000055
其中，Fmin和Fmax分别为F的极大值和极小值；
S2-4、若图像
Figure BDA0004089242210000056
中某非零像素所在的位置处于B′2中的非零区域，则将该像素值置为零，完成感兴趣部位轮廓的提取，得到轮廓图/>
Figure BDA0004089242210000057
S3、将无镜面反射图像I1和轮廓图
Figure BDA0004089242210000058
进行融合，得到感兴趣部位轮廓被增强的增强图像：
3-1、将I1中R通道I1～r乘以权重系数γr，得到I1～r′，I1～r′＝γr×I1～r，以降低红色分量，提高图像的对比度，本实施例中，γr＝0.7；
3-2、将
Figure BDA0004089242210000063
融合进I1的G通道I1～g和B通道I1～b，分别得到I1～g′、I1～b′；
Figure BDA0004089242210000061
Figure BDA0004089242210000062
其中，γg和γb均为融合系数，本实施例中，γg和γb均为50；
3-3、将I1～r′，I1～g′，I1～b′合并成RGB图像I′1，并转换成uint8格式输出，得到感兴趣部位轮廓被增强的增强图像，增强效果见图2(e)。
实施例2
一种医用内窥镜图像增强系统，其采用实施例1的方法对医用内窥镜图像进行增强处理，继续参照图1，该系统包括：
图像镜面反射消除模块，其用于消除医用内窥镜图像中的镜面反射，避免对后续处理产生干扰；
边缘提取模块，其用于对图像镜面反射消除模块获得的无镜面反射图像I1进行边缘提取，获得感兴趣部位的轮廓图
Figure BDA0004089242210000064
例如提取血管、息肉、溃疡等消化道组织的轮廓，使其可以从背景中凸显出来，以便于医生观察；
以及边缘增强模块，其用于将无镜面反射图像I1和轮廓图
Figure BDA0004089242210000065
进行融合，并调整图像的对比度，增强感兴趣部位(如血管和消化道组织)轮廓的辨认度，得到感兴趣部位轮廓被增强的增强图像。
本实施例还提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现实施例1的方法。
本实施例还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现实施例1的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (10)

1.一种医用内窥镜图像增强方法，其特征在于，包括以下步骤：
S1、消除图像镜面反射：
S1-1、灰度化处理：将医用内窥镜RGB图像I转换为单通道灰度图像G；
S1-2、对图像G进行二值化处理，分割出镜面反射区域，得到二值图像B1；
S1-3、对二值图像B1进行形态学膨胀处理，得到图像B′1；
S1-4、根据图像B′1确定各镜面反射区域在原始图像I中的位置，并在图像I中将这些位置的像素值置为0，得到图像I'；
S1-5、对图像I'中像素值为0的区域进行填充，得到无镜面反射图像I1；
S2、对图像I1进行边缘提取，获得感兴趣部位的轮廓图
Figure FDA0004089242190000011
S3、将无镜面反射图像I1和轮廓图
Figure FDA0004089242190000012
进行融合，得到感兴趣部位轮廓被增强的增强图像。
2.根据权利要求1所述的医用内窥镜图像增强方法，其特征在于，所述步骤S1具体包括：
S1-1、灰度化处理：将医用内窥镜RGB图像I转换为单通道灰度图像G；
S1-2、采用阈值分割方法对图像G进行二值化处理，分割出镜面反射区域，得到二值图像B1，阈值设为0.8235；二值图像B1中镜面反射区域的灰度值为1，背景区域的灰度值为0；
S1-3、对二值图像B1进行形态学膨胀处理，膨胀度为9，得到图像B′1；
S1-4、根据图像B′1确定各镜面反射区域在原始图像I中的位置，并在图像I中将这些位置的像素值置为0，得到图像I'；
S1-5、采用基于Navier-Stokes方程的图像修复算法对图像I'中像素值为0的区域进行填充，得到无镜面反射图像I1。
3.根据权利要求2所述的医用内窥镜图像增强方法，其特征在于，所述步骤S2具体包括：
S2-1、对无镜面反射图像I1阈值分割处理，生成二值图像B2，二值图像B2中：像素值为1的区域代表边框区域，即I1中的四个角处的4个三角形边框，像素值为0的区域代表彩色区域；
然后对二值图像B2中的非零区域进行形态学膨胀处理，得到B′2
S2-2、使用多尺度匹配滤波器K处理I1，得到感兴趣部位的轮廓F；
S2-3、按照下式对F进行归一化，将像素值压缩至[0,1]得到图像
Figure FDA0004089242190000021
Figure FDA0004089242190000022
其中，Fmin和Fmax分别为F的极大值和极小值；
S2-4、若图像
Figure FDA0004089242190000023
中某非零像素所在的位置处于B′2中的非零区域，则将该像素值置为零，完成感兴趣部位轮廓的提取，得到轮廓图/>
Figure FDA0004089242190000024
4.根据权利要求3所述的医用内窥镜图像增强方法，其特征在于，所述步骤S2-1中，膨胀幅度为10。
5.根据权利要求4所述的医用内窥镜图像增强方法，其特征在于，所述多尺度匹配滤波器K由N个卷积核k构成，每个卷积核的权重都由σ、l、θ三个参数控制，分别对应不同的感兴趣部位轮廓的长度、宽度以及角度，假设卷积核ki中某点的位置为(x,y)，i＝1,2...,N，则该点的权重可由下式计算所得：
Figure FDA0004089242190000025
Figure FDA0004089242190000026
|u|≤3σ，/>
Figure FDA0004089242190000027
其中σ＝[1,3]，l＝12，N＝24，
θ＝[0,30,60,90,120,150,180,210,240,270,300,330]。
6.根据权利要求5所述的医用内窥镜图像增强方法，其特征在于，所述步骤S3具体包括：
3-1、将I1中R通道I1～r乘以权重系数γr，得到I1～r′，I1～r′＝γr×I1～r；
3-2、将
Figure FDA0004089242190000028
融合进I1的G通道I1～g和B通道I1～b，分别得到I1～g′、I1～b′；
Figure FDA0004089242190000029
Figure FDA00040892421900000210
其中，γg和γb均为融合系数；
3-3、将I1～r′，I1～g′，I1～b′合并成RGB图像I′1，并转换成uint8格式输出，得到感兴趣部位轮廓被增强的增强图像。
7.根据权利要求6所述的医用内窥镜图像增强方法，其特征在于，其中，γr＝0.7，γg和γb均为50。
8.一种医用内窥镜图像增强系统，其特征在于，其采用如权利要求1-7中任意一项所述的方法对医用内窥镜图像进行增强处理，该系统包括：
图像镜面反射消除模块，其用于消除医用内窥镜图像中的镜面反射；
边缘提取模块，其用于对所述图像镜面反射消除模块获得的无镜面反射图像I1进行边缘提取，获得感兴趣部位的轮廓图
Figure FDA0004089242190000031
以及边缘增强模块，其用于将无镜面反射图像I1和轮廓图
Figure FDA0004089242190000032
进行融合，得到感兴趣部位轮廓被增强的增强图像。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-7中任意一项所述的方法。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的方法。
CN202310146323.0A 2023-02-21 2023-02-21 医用内窥镜图像增强方法、系统及计算机设备 Pending CN116205814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310146323.0A CN116205814A (zh) 2023-02-21 2023-02-21 医用内窥镜图像增强方法、系统及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310146323.0A CN116205814A (zh) 2023-02-21 2023-02-21 医用内窥镜图像增强方法、系统及计算机设备

Publications (1)

Publication Number Publication Date
CN116205814A true CN116205814A (zh) 2023-06-02

Family

ID=86516869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310146323.0A Pending CN116205814A (zh) 2023-02-21 2023-02-21 医用内窥镜图像增强方法、系统及计算机设备

Country Status (1)

Country Link
CN (1) CN116205814A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689762A (zh) * 2024-02-04 2024-03-12 江苏无右微创医疗科技有限公司 一种内窥镜图像染色方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689762A (zh) * 2024-02-04 2024-03-12 江苏无右微创医疗科技有限公司 一种内窥镜图像染色方法及系统

Similar Documents

Publication Publication Date Title
US8811698B2 (en) Image processing apparatus, image processing method, and computer-readable recording medium
JP4855868B2 (ja) 医療用画像処理装置
EP1568307B1 (en) Image processing device and image processing method
JP5242381B2 (ja) 医療用画像処理装置及び医療用画像処理方法
JP6176978B2 (ja) 内視鏡用画像処理装置、内視鏡装置、内視鏡用画像処理装置の作動方法及び画像処理プログラム
CN107252299B (zh) 内窥镜装置以及内窥镜装置的工作方法
WO2012114600A1 (ja) 医用画像処理装置及び医用画像処理方法
JP5622461B2 (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
Barbalata et al. Laryngeal tumor detection and classification in endoscopic video
CN107451963B (zh) 多光谱鼻腔内窥镜实时图像增强方法及内窥镜成像系统
JP2003153082A (ja) 画像の位置合わせ装置および画像処理装置
WO2020162275A1 (ja) 医療画像処理装置、内視鏡システム、及び医療画像処理方法
WO2020031851A1 (ja) 画像処理方法及び画像処理装置
JP2016019665A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
TWI738367B (zh) 以卷積神經網路檢測物件影像之方法
Maghsoudi et al. A computer aided method to detect bleeding, tumor, and disease regions in Wireless Capsule Endoscopy
CN116205814A (zh) 医用内窥镜图像增强方法、系统及计算机设备
CN110969603B (zh) 病变位置的相对定位方法、装置及终端设备
Liedlgruber et al. A summary of research targeted at computer-aided decision support in endoscopy of the gastrointestinal tract
Lange et al. Computer-aided-diagnosis (CAD) for colposcopy
WO2019088008A1 (ja) 画像処理装置、画像処理方法、プログラム、及び内視鏡システム
Liedlgruber et al. Endoscopic image processing-an overview
Ye et al. Segmentation and feature extraction of endoscopic images for making diagnosis of acute appendicitis
WO2022065301A1 (ja) 医療画像装置及びその作動方法
Zhu et al. Research on Endoscopic Image Enhancement Algorithm Based on Contrast Fusion

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