CN116468727B - 基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 - Google Patents
基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 Download PDFInfo
- Publication number
- CN116468727B CN116468727B CN202310725589.0A CN202310725589A CN116468727B CN 116468727 B CN116468727 B CN 116468727B CN 202310725589 A CN202310725589 A CN 202310725589A CN 116468727 B CN116468727 B CN 116468727B
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- image data
- risk
- hyperplasia
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 201000006828 endometrial hyperplasia Diseases 0.000 title claims abstract description 18
- 206010020718 hyperplasia Diseases 0.000 claims abstract description 54
- 230000002357 endometrial effect Effects 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 201000010099 disease Diseases 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 13
- 210000004696 endometrium Anatomy 0.000 claims description 14
- 230000008595 infiltration Effects 0.000 claims description 12
- 238000001764 infiltration Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 8
- 210000004291 uterus Anatomy 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 210000000754 myometrium Anatomy 0.000 claims description 3
- 230000036285 pathological change Effects 0.000 abstract description 7
- 231100000915 pathological change Toxicity 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000004996 female reproductive system Anatomy 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000028149 female reproductive system neoplasm Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明属于涉及图像识别智能医疗技术领域,具体涉及基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统;其包括以下步骤:首先患者通过相关设备采集数据,其次通过预处理模块预处理图像数据,再通过分析模块进行分析,之后通过分类模块进行划分,最后通过传输模块传输至责任医护人员进行最终观测。本发明根据患者通过医疗设备检测后的数据,经过该发明的图像识别的流程,可精确的判断患者的子宫内膜高危增生的病变程度以及患者的患病时间,这样相较比传统的主要依赖于医生的经验和判断更为客观,并大大减少了医生的判断时间,同时也避免了依靠医生的经验所导致误判的发生,所造成的患者损失和延误病情的问题。
Description
技术领域
本发明涉及智能医疗及人工智能技术领域,具体地说,涉及基于腔镜图像识别辅助判断子宫内膜高危增生的方法。
背景技术
子宫内膜高危增生是发生于子宫内膜的一组上皮性恶性肿瘤,好发于围绝经期和绝经后女性。子宫内膜高危增生是最常见的女性生殖系统肿瘤之一,每年有接近20万的新发病例,并是导致死亡的第三位常见妇科恶性肿瘤。其发病与生活方式密切相关,发病率在各地区有差异,在北美和欧洲其发生率仅次于乳腺高危增生、肺高危增生、结直肠肿瘤,高居女性生殖系统高危增生症的首位。在我国,随着社会的发展和经济条件的改善,子宫内膜高危增生的发病率亦逐年升高,仅次于宫颈高危增生,居女性生殖系统恶性肿瘤的第二位。
现有技术中的可能存在有子宫内膜高危增生的患者,首先会通过宫腔镜等相关设备进行拍摄患者的子宫区域,从而确定子宫区域是否存在有病变,但是传统的宫内膜高危增生的识别常通过医生进行观测,从而判断患者是否存在有子宫内膜高危增生,以及子宫内膜高危增生的大小,但是这样的识别方式在患者数量较多的情况下,既造成了医生的工作量上升的问题,同时也造成了患者未能及时了解病区的问题,并还存在有主要依赖于医生的经验,判断的主观性较大,可能出现误判,给患者造成损失和延误病情的问题。
有鉴于此特提出发明。
发明内容
本发明的目的在于提供基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明目的之一在于,提供了基于腔镜图像识别辅助判断子宫内膜高危增生的方法,包括以下步骤:
步骤S1、腔镜检查及数据采集:首先患者通过宫腔镜等相关设备进行采集子宫内的图像数据、子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度等数据;
步骤S2、数据预处理:其次将通过宫腔镜等相关设备所采集的图像数据通过预处理模块进行预处理,通过预处理区分不存在病灶的图像数据和发现病灶的图像数据,将不存在病灶的图像数据传输至分类模块;
步骤S3、数据分析:将预处理后的发现病灶的图像数据传输至分析模块,通过分析模块进行分析;
步骤S4、数据对比:然后将分析后的图像数据与数据库中的病变图像数据通过对比模块进行对比;
步骤S5、数据划分:之后将对比后的数据以及对比得到的结论通过分类模块进行划分;
步骤S6、数据传输:最后将分类后的结论以及图像数据通过传输模块传输至责任医护人员进行最终观测。
作为本技术方案的进一步改进,在所述步骤一种可通过宫腔镜检查对患者的宫腔以及宫腔管中进行采集图像数据,并可以通过B超设备,对患者的子宫大小、子宫内膜厚度、子宫内是否存在回声不均的情况等进行检测,同时可以通过磁共振成像,对子宫内膜高危增生的病灶范围、病灶大小,以及肌层的浸润程度等数据进行采集。
作为本技术方案的进一步改进,当宫腔镜等相关设备采集图像数据、子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度等数据后,再通过预处理模块根据相关数据对可能存有病灶的图像数据进行筛选,最后通过预处理模块对采集图像数据进行切分。
作为本技术方案的进一步改进,在所述步骤S3中,当通过预处理模块处理后的图像数据传输至分析模块后,通过病灶模型对患者的图像数据进行建立三维病灶模型数据,并根据三维病灶模型数据使分析模块通过子宫内膜高危增生的颜色深度、特征和光滑情况进行确认患者的是否患有子宫内膜高危增生。
作为本技术方案的进一步改进,所述三维病灶模型建立流程包括以下步骤:
步骤S31:首先对预处理模块处理后的图像数据,进行切分,使图像数据分割成大小相同的像素块;
步骤S32:其次通过采用方差均衡法对所述样本图像进行均衡化处理,使其达到要求的平均灰度和方差;
步骤S33:通过可靠性计算公式计算每个像素块方向的可靠性,可靠性计算公式具体如下;
式中,/>为像素块中所有像素的集合,/>为所述像素块的中心像素,/>为所述像素块中除中心像素/>以外的任一像素,/>为所述像素块中像素的总数目,/>表示以/>为中心的像素块的方向场,/>表示以/>为中心的像素块的方向场;
步骤S34:再对每个像素块的阈值T进行判断;
步骤S35:之后当每个像素均判断完成后,将样本图案以及子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度数据通过分割模型构建加权图,分割模型的计算公式如下:
式中表示分割标号值,取值为0或1,0代表背景,/>代表前景,/>表示预分割得到的所有超像素的集合,/>表示当前超像素/>相对分割标号/>的特征相似度,/>和/>表示与当前超像素/>邻接的任意两个不同的超像素,/>表示邻接超像素/>和/>分属不同标号集时的惩罚值;
步骤S36:最终得到若干个均匀像素的三维病灶模型数据。
作为本技术方案的进一步改进,当对比模块接收到分析模块所传输的图像数据后,将通过数据库中存有的子宫内膜高危增生的病灶图像与患者的图像数据进行对比,从而确认患者的子宫内膜高危增生的病变程度以及患者的患病时间,同时数据库将会对该患者的图像数据进行存储,并对图像数据进行学习。
作为本技术方案的进一步改进,所述对比模块与数据库中的图像数据对比流程具体如下:
步骤S41:首先将数据库中存有的子宫内膜高危增生的图像数据以颜色和患病时间的维度拉取一百至两百图像数据与患者的子宫内膜高危增生图像数据对比;
步骤S42:其次将患者的三维病灶模型与数据库中所拉取的三维病灶模型的像素块进行一一对应;
步骤S43:将患者的三维病灶模型中的像素块与数据库中所拉取的三维病灶模型像素块的厚度和尺寸进行对比;
步骤S44:并将患者的三维病灶模型中的像素块与数据库中所拉取的三维病灶模型像素块的颜色进行对比;
步骤S45:最终通过对比后,取相似度最为接近的数据库的子宫内膜高危增生图像数据为依据,判断患者的子宫内膜高危增生的严重程度以及患病时长。
作为本技术方案的进一步改进,在所述步骤S5中,通过分类模块,对存在有病灶的子宫内膜高危增生患者数据以及通过图像识别所得到的结论和未存在明显病灶的患者数据进行分类。
作为本技术方案的进一步改进,所述患者宫腔镜等相关设备与预处理模块电性连接,所述预处理模块与分析模块和分类模块电性连接,所述分析模块与对比模块电性连接,所述对比模块与数据库和分类模块电性连接,所述分类模块与传输模块电性连接,所述传输模块与传输终端电性连接。
与现有技术相比,本发明的有益效果:
该基于腔镜图像识别辅助判断子宫内膜高危增生的方法中,根据患者通过医疗设备检测后的数据,经过该发明的图像识别的流程,可精确的判断患者的子宫内膜高危增生的病变程度以及患者的患病时间,这样相较比传统的主要依赖于医生的经验和判断更为客观,并大大减少了医生的判断时间,同时也避免了依靠医生的经验所导致误判的发生,所造成的患者损失和延误病情的问题,这样提高了装置的实用性和便利性。
该基于腔镜图像识别辅助判断子宫内膜高危增生的方法中,通过预处理模块,这样在使用过程中可根据患者通过相关设备采集的数据进行预处理,从而使未存在有病灶的患者图像数据和存在有病灶患者的图像数据进行筛分,进而减少了患者在得到最终结果的时间,这样提高了装置的实用性和便利性。
该基于腔镜图像识别辅助判断子宫内膜高危增生的方法中,通过分析模块,这样在使用过程中可对患有子宫内膜高危增生的患者的图像数据进行建立三维病灶模型数据,这样通过三维病灶模型数据在使用过程中可通过多个维度对患者的子宫内膜高危增生的病灶进行分析,便于更加精确的判断,减少了误判的存在,以及提高了子宫内膜高危增生病灶的数据的精确度,使后续治疗过程中通过高精度数据使操作过程中更为方便。
该基于腔镜图像识别辅助判断子宫内膜高危增生的方法中,通过对比模块和数据库,这样可自动拉取数据库中的子宫内膜高危增生的图像数据作为参考,对患者的子宫内膜高危增生的图像数据进行快速对比,从而可快速得到患者的子宫内膜高危增生的确认患者的子宫内膜高危增生的病变程度以及患者的患病时间,供最终医护人员确认得到了极大的便利,并对图像数据进行学习,这样在图像识别过程中,从而后续的图像识别过程中,精确度更高。
附图说明
图1为本发明的图像识别方法流程示意图;
图2为本发明的系统模块框架结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例目的之一在于,提供了基于腔镜图像识别辅助判断子宫内膜高危增生的方法,包括以下步骤:
步骤S1、腔镜检查及数据采集:首先患者通过宫腔镜等相关设备进行采集子宫内的图像数据、子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度等数据;通过宫腔镜检查对患者的宫腔以及宫腔管中进行采集图像数据,并可以通过B超设备,对患者的子宫大小、子宫内膜厚度、子宫内是否存在回声不均的情况等进行检测,同时可以通过磁共振成像,对子宫内膜高危增生的病灶范围、病灶大小,以及肌层的浸润程度等数据进行采集;
步骤S2、数据预处理:其次将通过宫腔镜等相关设备所采集的图像数据通过预处理模块进行预处理,将不存在病灶的图像数据传输至分类模块,并将发现病灶的图像数据传输至分析模块;当宫腔镜等相关设备采集图像数据、子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度等数据后,再通过预处理模块根据相关数据对可能存有病灶的图像数据进行筛选,最后通过预处理模块对采集图像数据进行切分,这样使采集后的图像数据尺寸更小,以便于后续分析模块进行分析,减少分析模块的工作量,使整个图像识别的工作效率;
步骤S3、数据分析:再将预处理后的图像数据传输至分析模块,通过分析模块进行分析;当通过预处理模块处理后的图像数据传输至分析模块后,通过病灶模型对患者的图像数据进行建立三维病灶模型数据,并根据三维病灶模型数据使分析模块通过子宫内膜高危增生的颜色深度、特征和光滑情况进行确认患者的是否患有子宫内膜高危增生,这样通过生成三维病灶模型,在使用过程中可准确的确定患者的是否患有子宫内膜高危增生,并在后续医生观测数据过程中可通过三维病灶模型,更加精确的判断,减少了误判的存在,以及提高了子宫内膜高危增生病灶的数据的精确度,使后续治疗过程中通过高精度数据使操作过程中更为方便;
步骤S4、数据对比:然后将分析后的图像数据与数据库中的病变图像数据通过对比模块进行对比;
步骤S5、数据划分:之后将对比后的数据以及对比得到的结论通过分类模块进行划分;
步骤S6、数据传输:最后将分类后的结论以及图像数据通过传输模块传输至责任医护人员进行最终观测。
三维病灶模型建立流程包括以下步骤:
所述三维病灶模型建立流程包括以下步骤:
步骤S31:首先对预处理模块处理后的图像数据,进行切分,使图像数据分割成大小相同的像素块;
步骤S32:其次通过采用方差均衡法对所述样本图像进行均衡化处理,使其达到要求的平均灰度和方差;
步骤S33:通过可靠性计算公式计算每个像素块方向的可靠性,可靠性计算公式具体如下;
式中,为像素块中所有像素的集合,/>为所述像素块的中心像素,/>为所述像素块中除中心像素/>以外的任一像素,/>为所述像素块中像素的总数目,/>表示以为中心的像素块的方向场,/>表示以/>为中心的像素块的方向场;
步骤S34:再对每个像素块的阈值T进行判断;
步骤S35:之后当每个像素均判断完成后,将样本图案以及子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度数据通过分割模型构建加权图,分割模型的计算公式如下:
式中表示分割标号值,取值为0或1,0代表背景,/>代表前景,/>表示预分割得到的所有超像素的集合,/>表示当前超像素/>相对分割标号/>的特征相似度,/>和/>表示与当前超像素/>邻接的任意两个不同的超像素,/>表示邻接超像素/>和/>分属不同标号集时的惩罚值;
步骤S36:最终得到若干个均匀像素的三维病灶模型数据;
在步骤四中,当对比模块接收到分析模块所传输的图像数据后,将通过数据库中存有的子宫内膜高危增生的病灶图像与患者的图像数据进行对比,从而确认患者的子宫内膜高危增生的病变程度以及患者的患病时间,同时数据库将会对该患者的图像数据进行存储,并对图像数据进行学习,这样在图像识别过程中,可快速根据客观条件判断患者的子宫内膜高危增生的病变程度以及患者的患病时间,并可通过数据库进行日常学习,从而后续的图像识别过程中,精确度更高。
所述对比模块与数据库中的图像数据对比流程具体如下:
步骤S41:首先将数据库中存有的子宫内膜高危增生的图像数据以颜色和患病时间的维度拉取一百至两百图像数据与患者的子宫内膜高危增生图像数据对比;
步骤S42:其次将患者的三维病灶模型与数据库中所拉取的三维病灶模型的像素块进行一一对应;
步骤S43:将患者的三维病灶模型中的像素块与数据库中所拉取的三维病灶模型像素块的厚度和尺寸进行对比;
步骤S44:并将患者的三维病灶模型中的像素块与数据库中所拉取的三维病灶模型像素块的颜色进行对比;
步骤S45:最终通过对比后,取相似度最为接近的数据库的子宫内膜高危增生图像数据为依据,判断患者的子宫内膜高危增生的严重程度以及患病时长。
在步骤S5中,通过分类模块,对存在有病灶的子宫内膜高危增生患者数据以及通过图像识别所得到的结论和未存在明显病灶的患者数据进行分类,这样便于医护人员在进行观测过程中,通过分类后的数据,可以有效帮助医护人员进行观测,从而提高图像识别的工作效率,并减少了医护人员的观测时间,提高了工作效率。
本实施例中的具体使用过程中为:首先患者通过宫腔镜等相关设备进行采集子宫内的图像数据、子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度等数据,其次当宫腔镜等相关设备采集图像数据、子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度等数据后,再通过预处理模块根据相关数据对可能存有病灶的图像数据进行筛选,最后通过预处理模块对采集图像数据进行切分,之后当通过预处理模块处理后的图像数据传输至分析模块后,通过病灶模型对患者的图像数据进行建立三维病灶模型数据,并根据三维病灶模型数据使分析模块通过子宫内膜高危增生的颜色深度、特征和光滑情况进行确认患者的是否患有子宫内膜高危增生,然后再将预处理后的图像数据传输至分析模块,通过分析模块进行分析,当对比模块接收到分析模块所传输的图像数据后,将通过数据库中存有的子宫内膜高危增生的病灶图像与患者的图像数据进行对比,从而确认患者的子宫内膜高危增生的病变程度以及患者的患病时间,同时数据库将会对该患者的图像数据进行存储,并对图像数据进行学习,之后将对比后的数据,以及对比得到的结论通过分类模块进行划分,通过分类模块,对存在有病灶的子宫内膜高危增生患者数据以及通过图像识别所得到的结论和未存在明显病灶的患者数据进行分类,最后将分类后的结论以及图像数据通过传输模块传输至责任医护人员进行最终观测,通过医护人员的最后观测,并根据得到的结论作为参考,从而可以快速的确定患者的病情,这样基于腔镜图像识别辅助判断子宫内膜高危增生的方法就使用完成了
实施例2
请参阅图2所示,本实施例目的之二在于,提供了基于腔镜图像识别辅助判断子宫内膜高危增生的系统,患者宫腔镜等相关设备与预处理模块电性连接,预处理模块与分析模块和分类模块电性连接,分析模块与对比模块电性连接,对比模块与数据库和分类模块电性连接,分类模块与传输模块电性连接,传输模块与传输终端电性连接。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于腔镜图像识别辅助判断子宫内膜高危增生的方法,其特征在于:包括以下步骤:
步骤S1、腔镜检查及数据采集:通过宫腔镜检查对患者的宫腔以及宫腔管进行图像数据采集,并通过B超设备,对患者的子宫大小、子宫内膜厚度、子宫内是否存在回声不均的情况进行检测,同时通过磁共振成像,对子宫内膜高危增生的病灶范围、病灶大小,以及肌层的浸润程度数据进行采集;
步骤S2、数据预处理:其次将通过宫腔镜设备所采集的图像数据通过预处理模块进行预处理,通过预处理区分不存在病灶的图像数据和发现病灶的图像数据,将不存在病灶的图像数据传输至分类模块;
步骤S3、数据分析:将预处理后的发现病灶的图像数据传输至分析模块,通过分析模块进行分析;当通过预处理模块处理后的图像数据传输至分析模块后,通过病灶模型对患者的图像数据进行建立三维病灶模型数据,并根据三维病灶模型数据使分析模块通过子宫内膜高危增生的颜色深度、特征和光滑情况进行确认患者是否患有子宫内膜高危增生;
所述三维病灶模型建立流程具体包括:
步骤S31:首先对预处理模块处理后的图像数据,进行切分,使图像数据分割成大小相同的像素块;
步骤S32:其次通过采用方差均衡法对样本图像进行均衡化处理,使其达到要求的平均灰度和方差;
步骤S33:通过可靠性计算公式计算每个像素块方向的可靠性,可靠性计算公式具体如下:式中,/>为像素块中所有像素的集合,/>为像素块的中心像素,/>为所述像素块中除中心像素/>以外的任一像素,/>为所述像素块中像素的总数目,表示以/>为中心的像素块的方向场,/>表示以/>为中心的像素块的方向场;
步骤S34:再对每个像素块的阈值T进行判断;
步骤S35:之后当每个像素均判断完成后,将样本图案以及子宫大小数据、子宫内膜厚度数据、病灶范围数据、病灶大小数据,以及肌层的浸润程度数据通过分割模型构建加权图,分割模型的计算公式如下:式中/>表示分割标号值,取值为0或1,0代表背景,1代表前景,/>表示预分割得到的所有超像素的集合,/>表示当前超像素/>相对分割标号/>的特征相似度,/>和/>表示与当前超像素/>邻接的任意两个不同的超像素,/>表示邻接超像素/>和/>分属不同标号集时的惩罚值;
步骤S36:最终得到若干个均匀像素的三维病灶模型数据;
步骤S4、数据对比:然后将分析后的图像数据与数据库中的病变图像数据通过对比模块进行对比;
步骤S5、数据划分:之后将对比后的数据以及对比得到的患者的子宫内膜高危增生的严重程度以及患病时长的结论通过分类模块进行划分;
步骤S6、数据传输:最后将分类后的结论以及图像数据通过传输模块传输至责任医护人员进行最终观测。
2.根据权利要求1所述的基于腔镜图像识别辅助判断子宫内膜高危增生的方法,其特征在于:所述对比模块的对比流程如下:
步骤S41:首先将数据库中存有的子宫内膜高危增生的图像数据以颜色和患病时间的维度拉取一百至两百图像数据与患者的子宫内膜高危增生图像数据对比;
步骤S42:其次将患者的三维病灶模型与数据库中所拉取的三维病灶模型的像素块进行一一对应;
步骤S43:将患者的三维病灶模型中的像素块与数据库中所拉取的三维病灶模型像素块的厚度和尺寸进行对比;
步骤S44:并将患者的三维病灶模型中的像素块与数据库中所拉取的三维病灶模型像素块的颜色进行对比;
步骤S45:最终通过对比后,取相似度最为接近的数据库的子宫内膜高危增生图像数据为依据,判断患者的子宫内膜高危增生的严重程度以及患病时长。
3.根据权利要求2所述的基于腔镜图像识别辅助判断子宫内膜高危增生的方法,其特征在于:在所述步骤S5中,通过分类模块,对存在有病灶的子宫内膜高危增生患者数据以及通过图像识别所得到的结论和未存在明显病灶的患者数据进行分类。
4.一种基于腔镜图像识别辅助判断子宫内膜高危增生的系统,用于实施如权利要求1-3任一项所述的方法,其特征在于:包括患者宫腔镜,所述患者宫腔镜与预处理模块电性连接,所述预处理模块与分析模块和分类模块电性连接,所述分析模块与对比模块电性连接,所述对比模块与数据库和分类模块电性连接,所述分类模块与传输模块电性连接,所述传输模块与传输终端电性连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310725589.0A CN116468727B (zh) | 2023-06-19 | 2023-06-19 | 基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310725589.0A CN116468727B (zh) | 2023-06-19 | 2023-06-19 | 基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116468727A CN116468727A (zh) | 2023-07-21 |
CN116468727B true CN116468727B (zh) | 2023-12-12 |
Family
ID=87182895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310725589.0A Active CN116468727B (zh) | 2023-06-19 | 2023-06-19 | 基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468727B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116650022B (zh) * | 2023-08-01 | 2023-11-24 | 湖南科迈森医疗科技有限公司 | 超声与内窥镜图像融合辅助定位子宫病灶的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0610916A2 (en) * | 1993-02-09 | 1994-08-17 | Cedars-Sinai Medical Center | Method and apparatus for providing preferentially segmented digital images |
JP2007236956A (ja) * | 2007-03-16 | 2007-09-20 | Olympus Corp | 内視鏡診断支援装置及び内視鏡画像処理方法 |
CN107274404A (zh) * | 2017-07-25 | 2017-10-20 | 青岛大学附属医院 | 一种基于影像的病理分析系统及方法 |
CN111062953A (zh) * | 2019-12-17 | 2020-04-24 | 北京化工大学 | 一种超声图像中甲状旁腺增生的识别方法 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN113658105A (zh) * | 2021-07-21 | 2021-11-16 | 杭州深睿博联科技有限公司 | 一种3d肝脏病灶检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001092338A1 (en) * | 2000-06-01 | 2001-12-06 | The Brigham And Women's Hospital, Inc. | Diagnosis of endometrial precancers |
US20110255761A1 (en) * | 2007-06-26 | 2011-10-20 | University Of Rochester | Method and system for detecting lung tumors and nodules |
-
2023
- 2023-06-19 CN CN202310725589.0A patent/CN116468727B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0610916A2 (en) * | 1993-02-09 | 1994-08-17 | Cedars-Sinai Medical Center | Method and apparatus for providing preferentially segmented digital images |
JP2007236956A (ja) * | 2007-03-16 | 2007-09-20 | Olympus Corp | 内視鏡診断支援装置及び内視鏡画像処理方法 |
CN107274404A (zh) * | 2017-07-25 | 2017-10-20 | 青岛大学附属医院 | 一种基于影像的病理分析系统及方法 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN111062953A (zh) * | 2019-12-17 | 2020-04-24 | 北京化工大学 | 一种超声图像中甲状旁腺增生的识别方法 |
CN113658105A (zh) * | 2021-07-21 | 2021-11-16 | 杭州深睿博联科技有限公司 | 一种3d肝脏病灶检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Imaging in Uterine Malignancy: Role of Ultrasonography, CT, and PET-CT;Thara Pratap;《Springer》;全文 * |
宫腹腔镜在子宫畸形诊治中的应用现状;李金玉 等;《CHINESE JOURNAL OF FAMILY PLANNING & GYNECOTOKOLOGY》;全文 * |
肺结核增殖结节 表现特征及支气管结核 影像重建诊断价值分析;张方园 等;《医学理论与实践》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116468727A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
RU2765619C1 (ru) | Компьютерная классификация биологической ткани | |
WO2018155898A1 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
CN116468727B (zh) | 基于腔镜图像识别辅助判断子宫内膜高危增生的方法及系统 | |
CN111899229A (zh) | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 | |
CN111862090B (zh) | 一种基于人工智能的食管癌术前管理的方法和系统 | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
CN116188423B (zh) | 基于病理切片高光谱图像的超像素稀疏解混检测方法 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN111428066B (zh) | 一种基于卷积神经网络的病变图像的分类和分割方法 | |
CN110390678B (zh) | 一种结直肠癌ihc染色图像的组织类型分割方法 | |
Yao et al. | Progress in the Application of Artificial Intelligence in Ultrasound Diagnosis of Breast Cancer | |
CN105869151B (zh) | 舌分割及舌苔舌质分离方法 | |
Ratheesh et al. | Advanced algorithm for polyp detection using depth segmentation in colon endoscopy | |
CN108447044B (zh) | 一种基于医学图像配准的骨髓炎病变分析方法 | |
RU2668699C1 (ru) | Интеллектуальный способ диагностики и обнаружения новообразований в легких | |
Zhang | Novel approaches to image segmentation based on neutrosophic logic | |
CN115222675A (zh) | 一种基于深度学习的子宫肌瘤自动分型方法及装置 | |
CN115439491A (zh) | Mri图像肠损伤区域的分割方法、装置及等级评估系统 | |
CN113409275B (zh) | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 | |
Pallavi et al. | Automated analysis of cervix images to grade the severity of cancer | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Van Raad et al. | Lesion margin analysis for automated classification of cervical cancer lesions |
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 |