CN116758069B - 用于肠道内镜的医学图像增强方法 - Google Patents
用于肠道内镜的医学图像增强方法 Download PDFInfo
- Publication number
- CN116758069B CN116758069B CN202311033937.4A CN202311033937A CN116758069B CN 116758069 B CN116758069 B CN 116758069B CN 202311033937 A CN202311033937 A CN 202311033937A CN 116758069 B CN116758069 B CN 116758069B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- edge
- local window
- taking
- 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 56
- 230000000968 intestinal effect Effects 0.000 title claims abstract description 29
- 230000028327 secretion Effects 0.000 claims abstract description 47
- 230000003902 lesion Effects 0.000 claims abstract description 35
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 230000002124 endocrine Effects 0.000 claims abstract description 6
- 238000009825 accumulation Methods 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000036285 pathological change Effects 0.000 description 7
- 231100000915 pathological change Toxicity 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 210000004400 mucous membrane Anatomy 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 210000004877 mucosa Anatomy 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000002011 intestinal secretion Anatomy 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/10068—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,提出了用于肠道内镜的医学图像增强方法,包括:获取肠道内窥镜图像;根据肠道内窥镜HSV图像中分泌物的饱和度特征获取疑似分泌物指数;根据肠道内窥镜HSV图像中像素点的边缘特征获取边缘结构清晰度;根据肠道内分泌物区域局部模糊的特征以及边缘结构特征获取叠加模糊程度系数;根据肠道内窥镜不同区域的纹理复杂程度以及边缘结构清晰度获取病变概率指数;根据每个像素点的边缘结构清晰度、叠加模糊程度系数、病变概率指数获取自适应增益函数,实现肠道内镜的医学图像增强。本发明抑制对不同图像区域进行增强时振铃效应的发生概率,实现对肠道内镜医学图像的自适应增强。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及用于肠道内镜的医学图像增强方法。
背景技术
随着科技发展,内窥镜技术逐渐成熟,成为当今应用较为广泛的医学诊断手段之一。如今,内窥镜极大地辅助医生诊断病人病情,并辅助于做微创手术。但是由于人体内部的复杂性,以及光源和噪声的影响,往往采集到的内窥镜图像质量不好。比如肠道内窥镜医学图像,其中包含黏膜皱襞、毛细血管以及分泌物等,由于拍摄光线以及角度的问题,极有可能导致肠道的内窥镜图像模糊。然而肠道内窥镜医学图像质量的好坏会直接影响医生诊断治疗的准确性,因此需要提高肠道内窥镜医学图像的图像质量。
随着图像处理技术的日益成熟,采用图像增强的方式对内窥镜图像进行处理成为了主流。比如,常见的ACE图像增强算法,ACE图像增强算法的适用范围广,对低照度图像有很好的鲁棒性。但是,ACE图像增强算法处理较复杂的图像,图像细节的保留不佳,往往导致图像增强的效果不够自然,而且容易出现过度增强的问题。
发明内容
本发明提供用于肠道内镜的医学图像增强方法,以解决现有的ACE图像增强算法容易增强效果不自然、且容易过度增强的问题,所采用的技术方案具体如下:
本发明一个实施例提供了用于肠道内镜的医学图像增强方法,该方法包括以下步骤:
获取肠道内窥镜医学图像,所述医学图像包括内窥镜RGB图像以及内窥镜HSV图像;
根据内窥镜HSV图像中每个像素点所取局部窗口内像素点之间的饱和度差异获取每个像素点的疑似分泌物指数;利用边缘检测算法获取内窥镜HSV图像中所有边缘像素点的集合;根据内窥镜HSV图像中像素点的边缘特征获取每个像素点的边缘结构清晰度;
利用阈值分割算法获取所有像素点疑似分泌物指数的分割阈值,根据每个像素点的疑似分泌物指数与分割阈值的对比结果获取像素点的分类结果;根据每个像素点所取窗口内不同类像素点的距离信息以及每个像素点的边缘结构特征获取每个像素点的叠加模糊程度系数;根据肠道内窥镜不同区域的纹理复杂程度以及边缘结构清晰度获取每个像素点的病变概率指数;
根据每个像素点的边缘结构清晰度、叠加模糊程度系数、病变概率指数获取每个像素点的增益函数值;根据所有像素点的增益函数值利用图像增强算法实现肠道内镜医学图像的增强。
优选的,所述根据内窥镜HSV图像中每个像素点所取局部窗口内像素点之间的饱和度差异获取每个像素点的疑似分泌物指数的方法为:
以内窥镜HSV图像中每个像素点为中心点,获取每个像素点对应的预设大小的局部窗口,根据所述局部窗口每个像素点与其相邻像素点之间图像信息的差异获取相邻差异系数;
将每个像素点的明度值与每个像素点的相邻差异系数的乘积在所述局部窗口内的累加作为每个像素点的疑似分泌物指数。
优选的,所述根据所述局部窗口每个像素点与其相邻像素点之间图像信息的差异获取相邻差异系数的方法为:
分别获取局部窗口内每个像素点的明度值以及饱和度,获取局部窗口内每一行上每个像素点明度值与每一行上每个像素点前一列像素点明度值之间差值的绝对值,将以自然常数为底数,以所述差值的绝对值为指数的计算结果作为第一组成因子;
将以自然常数为底数,以每个像素点饱和度的相反数为指数的计算结果作为第二组成因子;
每个像素点的相邻差异系数由第一组成因子、第二组成因子两部分组成,其中,所述相邻差异系数与第一组成因子、第二组成因子成正比关系。
优选的,所述根据内窥镜HSV图像中像素点的边缘特征获取每个像素点的边缘结构清晰度的方法为:
根据每个像素点所取局部窗口内边缘像素点之间的距离以及判断函数获取每个像素点的边缘清晰距离;
将每个像素点与每个像素点所取局部窗口内每个像素点的色相值之间的差值绝对值作为分子,将窥镜HSV图像中所有像素点色相值的最大值作为分母,将分子与分母的比值在局部窗口内的累加作为第一比例因子;
每个像素点的边缘结构清晰度由边缘清晰距离、第一比例因子两部分组成,其中,所述边缘结构清晰度与边缘清晰距离、第一比例因子成正比关系。
优选的,所述根据每个像素点所取局部窗口内边缘像素点之间的距离以及判断函数获取每个像素点的边缘清晰距离的方法为:
判断函数分别将每个像素点所取局部窗口内边缘像素点、非边缘像素点的函数值规定为1、0,将每个像素点与所取局部窗口内每个像素点函数值以及所述像素点之间的欧式距离的乘积作为边缘判断距离;
将边缘判断距离在每个像素点所取局部窗口内所有边缘像素点上的累加作为每个像素点的边缘清晰距离。
优选的,所述根据每个像素点所取窗口内不同类像素点的距离信息以及每个像素点的边缘结构特征获取每个像素点的叠加模糊程度系数的方法为:
利用数据映射的方法获取每个像素点的边缘结构清晰度的映射值;
根据每个像素点所取局部窗口内分泌物像素点与边缘像素点的距离信息获取每个像素点的类间累加距离;
每个像素点的叠加模糊程度系数由映射值、类间累加距离两部分组成,其中,所述叠加模糊程度系数与映射值、类间累加距离成正比关系。
优选的,所述根据每个像素点所取局部窗口内分泌物像素点与边缘像素点的距离信息获取每个像素点的类间累加距离的方法为:
获取每个像素点所取局部窗口内每个分泌物像素点与每个边缘像素点的欧式距离,将所述局部窗口内所述欧式距离的相反数作为类间距离,将以自然常数为底数,以所述类间距离为指数的计算结果记为第一累加因子;
将第一累加因子在每个像素点所取局部窗口内所有边缘像素点上的累加作为每个像素点的类间累加距离。
优选的,所述根据肠道内窥镜不同区域的纹理复杂程度以及边缘结构清晰度获取每个像素点的病变概率指数的方法为:
根据每个像素点所取局部窗口内不同行元素的投影值获取每个像素点的投影偏差量;
将所述局部窗口内每一行上每个像素点的边缘结构清晰度与每一行上每个像素点前一列像素点的边缘结构清晰度之间差值的绝对值作为第一差值,将第一差值在每个像素点所取局部窗口内的累加作为边缘结构差异度;
每个像素点的病变概率指数由投影偏差量、边缘结构差异度两部分组成,其中所述病变概率指数与投影偏差量、边缘结构差异度成正比关系。
优选的,所述根据每个像素点所取局部窗口内不同行元素的投影值获取每个像素点的投影偏差量的方法为:
利用投影算法分别获取每个像素点所取局部窗口内不同行元素的投影值,将所述局部窗口内相邻两行元素对应投影值之间差值的绝对值在所述局部窗口内的累加作为每个像素点的投影偏差量。
优选的,所述根据每个像素点的边缘结构清晰度、叠加模糊程度系数、病变概率指数获取每个像素点的增益函数值的方法为:
将每个像素点的叠加模糊程度系数与预设参数的和作为第一增益因子;将每个像素点的病变概率指数与预设参数的和作为第二增益因子;将以自然常数为底数,以每个像素点的边缘结构清晰度的相反数为指数的计算结果作为第三增益因子;
每个像素点的增益函数值由第一增益因子、第二增益因子、第三增益因子组成,其中,所述增益函数值与第一增益因子、第二增益因子、第三增益因子成正比关系。
本发明的有益效果是:本发明通过分析内窥镜医学图像中不同区域的饱和度差异构建疑似分泌物指数,其次根据内窥镜医学图像中黏膜皱襞以及毛细血管的密集复杂程度构建边缘结构清晰度,疑似分泌物指数和边缘结构清晰度考虑每个像素点局部范围内像素点的图像信息差异,其有益效果在于能够在一定程度上放大不同类像素点之间的对比度;根据肠道内分泌物导致局部模糊程度变大的特征构建叠加模糊程度系数,叠加模糊程度系数考虑了肠道中分泌物与毛细血管以及皱襞边缘发生叠加现象的可能性,其有益效果在于能够获取局部模糊程度的评估结果,避免增强过程中发生振铃效应现象;并根据内窥镜医学图像中存在病变概率的可能性构建病变概率指数,基于边缘结构清晰度、叠加模糊程度系数、病变概率指数得到自适应增益函数,实现了对内窥镜医学图像中不同区域每个像素点的自适应增强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供用于肠道内镜的医学图像增强方法的流程示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的用于肠道内镜的医学图像增强方法流程图,该方法包括以下步骤:
步骤S001,利用图像采集装置获取内窥镜医学图像。
利用内窥镜相机对肠道内壁进行图像采集,得到RGB空间上的内窥镜图像。对获取的图像进行预处理,消除噪声和部分外界干扰造成的影响,增强后续分析的准确性。由于拍摄的角度问题,内窥镜图像上的细节存在一定程度上的形变,在此利用透视变换技术对图像进行校正,得到标准的内窥镜图像。为了在保留边界信息的同时去除噪声,本发明选用双边滤波技术对图像进行预处理,双边滤波为公知技术,具体过程不再赘述,实施者可以采取其他的去噪方法,并将RGB空间的图像转化为HSV空间上的内窥镜图像,颜色空间的转换为公知技术,具体过程不再赘述。
至此,得到内窥镜HSV图像,便于后续图像特征的分析以及像素点特征指标的构建。
步骤S002,基于像素点之间的饱和度差异得到疑似分泌物指数,基于像素点的边缘特征得到每个像素点的边缘结构清晰度。
传统ACE自适应算法的增益函数G采用以局部标准差为分母并以一个常数作为分子的分数形式来构建的,分母上的局部标准差越大,表明像素点处于边缘上像素点的可能性越大,边缘区域的对比度较大,即原图像本身边缘区域有较强的对比度的饱和效果,所以得到较为轻微的增强效果;反之,分母上的局部标准差越小,图像区域本身的对比度较低,区域图像较为模糊,所以得到较大的增强效果。但是,局部标准差越小,则增益函数越大,会导致算法性能降低且容易导致振铃效应的产生。因此本发明对增益函数的大小进行自适应改进,解决上述现象的发生,避免对比度较小的区域无限放大。
由于人体内部的复杂性,肠道内窥镜图像中会有较多的组成成分,主要的有黏膜皱襞、毛细血管以及分泌物,甚至还可能包含肠道的病变区域。由于拍摄角度以及照射强度的影响,得到的内窥镜图像会有一定程度上的模糊区域,导致内窥镜图像上的细节区域对比度较小,进而产生模糊现象。同时,肠道的病变通常会产生局部异常,但是根据病变程度的大小,病变程度较小的局部异常较为模糊,因此很有必要对对比度较小的模糊区域进行较好的图像增强效果。
根据内窥镜图像,一般情况下,肠道会产生分泌物,用于保护肠道内壁不受刺激和损伤。在内窥镜图像上,分泌物通常呈现白色的斑点或斑块。
由此,以每个像素点为中心构建局部窗口,局部窗口的大小取经验值7×7,基于局部窗口内的纹理特征构建内窥镜图像上每个像素点的疑似分泌物指数,将像素点x所取局部窗口记为。计算像素点x的疑似分泌物指数A(x):
式中,函数为向下取整函数,n表示局部窗口/>的行数,m表示局部窗口的列数,/>表示局部窗口/>内第i行第j列像素点的饱和度,/>和/>分别表示局部窗口/>内第i行的第j、第j-1列像素点的明度。
疑似分泌物指数反映了像素点位于分泌物局部区域的可能性大小。由于分泌物通常呈现白色,而白色的饱和度最低,白色分泌物有较大的明度,局部窗口内像素点的饱和度越小,第二组成因子/>的值越大;像素点x所取局部窗口/>位于分泌物局部区域的可能性,局部窗口内相邻像素点的明度之差的绝对值/>越大,第一组成因子的值越大,相邻差异系数/>的值越大,/>的值越大,采用指数计算的目的在于增大局部对比度,使得位于分泌物局部区域的像素点更加显著。
另一方面,正常情况下,人体的肠道都会释放一定量的分泌物,用于保护肠道,降低敏感物对肠道的刺激。另外,肠道内窥镜图像上,还有较多的黏膜皱襞以及毛细血管,肠道的皱襞用于吸收养分和水分,毛细血管可以为肠道提供养分和所需要的氧气,所以黏膜皱襞以及毛细血管的结构特征也是医生判断病情的依据之一。但是区域内毛细血管较为密集时,以及皱襞边缘较为复杂时,拍摄的图像往往会不清晰。
因此,为了对区域内毛细血管边缘或皱襞边缘密集程度进行特征提取,从而决定图像增强的效果。针对黏膜皱襞以及毛细血管的边缘特征,基于肠道内窥镜图像,利用canny边缘检测算法,识别肠道内窥镜图像的所有边缘,将所有边缘像素点记为集合Q。
基于上述分析,此处构建边缘结构清晰度,用于表征每个像素点边缘特征的清晰程度,计算像素点x的边缘结构清晰度:
式中,是像素点x的边缘清晰距离,/>表示邻域局部窗口/>内边缘像素点的数目,/>为欧式距离函数。/>和/>为像素点t、x的判断准则,当像素点t和像素点x为边缘像素点时,/>、/>取值为1;否则,/>、/>取值为0。
是像素点x的边缘结构清晰度,/>表示中心像素点的7×7邻域局部窗口内像素点的数目,/>表示像素点x的色相,/>表示像素点x的邻域窗口内第v个像素点的色相,表示内窥镜HSV图像中所有像素点色相值的最大值。
边缘结构清晰度反映了每个像素点边缘特征的清晰程度。窗口内的边缘像素点x、t之间的欧式距离越远,的值越大,一定程度上说明窗口内的边缘密集性越低,边缘判断距离/>的值越大;边缘像素点周围的对比度越大,边缘像素点x与邻域像素点的色相差异/>越大,第一比例因子/>的值越大;即/>的值越大,边缘特征越清晰,需要增强的效果越弱,边缘结构清晰度/>越小,说明局部对比度越低,即越有必要进行对比度的增强。
至此,得到像素点的疑似分泌物指数、边缘结构清晰度,便于后续对后续场景指标的分析构建。
步骤S003,基于不同类像素点的距离信息以及像素点的边缘结构特征得到叠加模糊程度系数,基于不同区域的纹理复杂程度得到病变概率指数。
另外,当分泌物处于边缘上时,更加容易导致局部模糊的现象。通过衡量肠道内分泌物与边缘的位置信息,以及纹理叠加的信息,来衡量局部模糊的程度。根据每个像素点的疑似分泌物指数,由于分泌物区域与其他区域的疑似分泌物指数有较大的差异,在此利用最大类间方差算法Otsu得到分割阈值,像素点的疑似分泌物指数高于分割阈值的像素点被认为是分泌物区域的像素点。最大类间方差算法Otsu为公知技术,在此不做多余赘述。因此,基于窗口内部分泌物以及结构的特征,计算每个像素点的叠加模糊程度系数,用于表征每个像素点的所处区域的模糊程度。计算像素点x的叠加模糊程度系数:
式中,函数为对数函数,/>函数的作用是对括号内的输入进行数据映射,使得所述输入处于一定范围内,/>()函数为归一化函数,/>表示像素点x的边缘结构清晰度,q表示局部窗口/>内边缘像素点的数目,/>表示局部窗口内的第r个分泌物像素点,/>表示局部窗口内的第/>个边缘像素点,/>表示为分泌物像素点r与边缘像素点/>之间的欧式距离。
因为当肠道分泌物出现在毛细血管以及皱襞边缘上,会导致局部区域的模糊现象,通过衡量区域内的清晰度情况以及分泌物与边缘的欧氏距离,来体现分泌物与毛细血管以及皱襞的位置信息。像素点的边缘结构清晰度越小,说明局部模糊现象越严重,有较大的可能是分泌物与毛细血管以及皱襞进行叠加的结果,则叠加模糊程度系数/>越大;分泌物像素点/>与边缘像素点/>之间的欧氏距离越小,类间距离/>的值越大,第一累加因子/>的值越大,类间累加距离/>的值越大,说明分泌物距离毛细血管或皱襞越近,即叠加模糊现象越突出,叠加模糊程度系数/>越大。
叠加模糊程度系数反映的是分泌物与毛细血管以及皱襞边缘的叠加程度,当分泌物出现在毛细血管以及皱襞边缘上,叠加程度最大,很容易导致局部模糊,有较大的必要对其进行对比度的增强。
另外,肠道内窥镜增强的目的主要是识别肠道是否发生病变,由于病变程度的不同,病变程度小,内窥镜图像中不同区域之间的对比度较低,内窥镜图像较为模糊;病变程度大,内窥镜图像中不同区域之间的对比度较高,内窥镜图像较为清晰。然而根据其图像增强的目的,对所有可能发生病变的区域,都需要进行较大程度上的图像增强,以反映病变区域的细微特征,更好地帮助医生诊断病人。因此,需要识别每一个像素点的病变可能性大小,对所有可能发生病变的区域进行针对性的图像增强。
由于病变区域形态上会产生凹陷及凸起,其边缘会形成不规则的封闭边缘,利用canny算子边缘检测可以识别封闭边缘个数,canny算子为公知技术,在此不做多余赘述。根据病变发生产生纹理信息的改变,病变区域会产生局部隆起或凹陷的粗糙现象,以及不规则特征,即病变区域会有较多的边缘,且局部边缘清晰度会有较大的改变。因此,以每个像素点为中心,设置13×13的局部窗口,基于局部窗口内的边缘特征以及局部边缘清晰度的变化特征,计算每一个像素点的病变概率指数,即
式中,N表示局部窗口内封闭边缘的数量,和/>分别表示局部窗口内第/>行和第/>行的投影值,/>和/>分别表示局部窗口/>内第f行中第g、第g-1列像素点的边缘结构清晰度,/>表示局部窗口的行数,R表示局部窗口/>的列数。/>和/>是根据局部窗口内的边缘结构清晰度利用灰度投影算法得到的行投影值,灰度投影算法为公知技术,在此不做多余赘述。
局部窗口内封闭边缘的数量越多,由于病变区域形态上会产生凹陷及凸起,形成较多的封闭边缘,相邻像素点之间的边缘清晰程度的差异越大,第一差值的值越大,局部窗口/>内的边缘结构差异度的值越大;除此之外,窗口内出现较多的凹陷和凸起,由于边缘的数量较多,局部窗口/>内的行之间的投影值差值的绝对值越大,投影偏差量/>的值越大,则病变概率指数/>越大。
至此,得到内窥镜图像中每个像素点的叠加模糊程度系数、病变概率指数,便于后续对自适应增益函数的构建。
步骤S004,获取每个像素点的增益函数值,根据所有像素点的增益函数值利用图像增强算法实现肠道内镜医学图像的增强。
根据肠道内窥镜图像的特征,以及肠道内窥镜图像增强的目的,有选择的对图像进行图像增强。对于图像中清晰度较小的区域,叠加程度较大的区域以及可能病变区域都需要进行更加有效的图像增强,由此,计算内窥镜图像中所有像素点的增益函数:
式中,是像素点x的增益函数值,/>表示像素点x的叠加模糊程度系数,表示像素点x的病变概率指数,/>表示像素点的边缘结构清晰度,/>为误差项,/>的作用是防止乘积为0,/>的大小取经验值0.1。
由此,越大,说明叠加模糊程度越大,越有进行图像增强,凸显其毛细血管的细节特征,则增益函数越大。/>越大,说明区域内的有较大的可能为病变区域,为了更加有利于医生诊断病人,则增益函数越大。/>越小,说明局部清晰度较差,需要进行增强的效果越大,则增益函数越大。
至此,根据上述步骤得到每个像素点自适应的增益函数值,利用ACE图像增强算法对内窥镜图像进行增强,得到增强内窥镜图像。ACE增强算法为传统公知技术,在此不做多余赘述。
进一步的,根据增强内窥镜图像帮助医疗人员进行辅助诊断。例如,根据增强内窥镜图像,从医院提取相同部位的肠道模板图像,利用SIFT图像匹配算法,得到匹配特征点对的数目以及有效匹配的数目,得到有效匹配率,根据有效匹配率和阈值的对比结果获取肠道是否发生病变的诊断结果。SIFT图像匹配算法为公知技术,具体过程不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.用于肠道内镜的医学图像增强方法,其特征在于,该方法包括以下步骤:
获取肠道内窥镜医学图像,所述医学图像包括内窥镜RGB图像以及内窥镜HSV图像;
根据内窥镜HSV图像中每个像素点所取局部窗口内像素点之间的饱和度差异获取每个像素点的疑似分泌物指数;利用边缘检测算法获取内窥镜HSV图像中所有边缘像素点的集合;根据内窥镜HSV图像中像素点的边缘特征获取每个像素点的边缘结构清晰度;
利用阈值分割算法获取所有像素点疑似分泌物指数的分割阈值,根据每个像素点的疑似分泌物指数与分割阈值的对比结果获取像素点的分类结果;根据每个像素点所取窗口内不同类像素点的距离信息以及每个像素点的边缘结构清晰度获取每个像素点的叠加模糊程度系数;根据肠道内窥镜不同区域的纹理复杂程度以及边缘结构清晰度获取每个像素点的病变概率指数;
根据每个像素点的边缘结构清晰度、叠加模糊程度系数、病变概率指数获取每个像素点的增益函数值;根据所有像素点的增益函数值利用图像增强算法实现肠道内镜医学图像的增强;
所述根据内窥镜HSV图像中每个像素点所取局部窗口内像素点之间的饱和度差异获取每个像素点的疑似分泌物指数的方法为:
以内窥镜HSV图像中每个像素点为中心点,获取每个像素点对应的预设大小的局部窗口,根据所述局部窗口每个像素点与其相邻像素点之间图像信息的差异获取相邻差异系数;
将每个像素点的明度值与每个像素点的相邻差异系数的乘积在所述局部窗口内的累加作为每个像素点的疑似分泌物指数;
所述根据所述局部窗口每个像素点与其相邻像素点之间图像信息的差异获取相邻差异系数的方法为:
分别获取局部窗口内每个像素点的明度值以及饱和度,获取局部窗口内每一行上每个像素点明度值与每一行上每个像素点前一列像素点明度值之间差值的绝对值,将以自然常数为底数,以所述差值的绝对值为指数的计算结果作为第一组成因子;
将以自然常数为底数,以每个像素点饱和度的相反数为指数的计算结果作为第二组成因子;
每个像素点的相邻差异系数由第一组成因子、第二组成因子两部分组成,其中,所述相邻差异系数与第一组成因子、第二组成因子成正比关系;
所述根据内窥镜HSV图像中像素点的边缘特征获取每个像素点的边缘结构清晰度的方法为:
根据每个像素点所取局部窗口内边缘像素点之间的距离以及判断函数获取每个像素点的边缘清晰距离;
将每个像素点与每个像素点所取局部窗口内每个像素点的色相值之间的差值绝对值作为分子,将内窥镜HSV图像中所有像素点色相值的最大值作为分母,将分子与分母的比值在局部窗口内的累加作为第一比例因子;
每个像素点的边缘结构清晰度由边缘清晰距离、第一比例因子两部分组成,其中,所述边缘结构清晰度与边缘判断距离、第一比例因子成正比关系;
所述根据每个像素点所取局部窗口内边缘像素点之间的距离以及判断函数获取每个像素点的边缘清晰距离的方法为:
判断函数分别将每个像素点所取局部窗口内边缘像素点、非边缘像素点的函数值规定为1、0,将每个像素点与所取局部窗口内每个像素点函数值以及所述像素点之间的欧式距离的乘积作为边缘判断距离;
将边缘判断距离在每个像素点所取局部窗口内所有边缘像素点上的累加作为每个像素点的边缘清晰距离。
2.根据权利要求1所述的用于肠道内镜的医学图像增强方法,其特征在于,所述根据每个像素点所取窗口内不同类像素点的距离信息以及每个像素点的边缘结构特征获取每个像素点的叠加模糊程度系数的方法为:
利用数据映射的方法获取每个像素点的边缘结构清晰度的映射值;
根据每个像素点所取局部窗口内分泌物像素点与边缘像素点的距离信息获取每个像素点的类间累加距离;
每个像素点的叠加模糊程度系数由映射值、类间累加距离两部分组成,其中,所述叠加模糊程度系数与映射值、类间累加距离成正比关系。
3.根据权利要求2所述的用于肠道内镜的医学图像增强方法,其特征在于,所述根据每个像素点所取局部窗口内分泌物像素点与边缘像素点的距离信息获取每个像素点的类间累加距离的方法为:
获取每个像素点所取局部窗口内每个分泌物像素点与每个边缘像素点的欧式距离,将所述局部窗口内所述欧式距离的相反数作为类间距离,将以自然常数为底数,以所述类间距离为指数的计算结果记为第一累加因子;
将第一累加因子在每个像素点所取局部窗口内所有边缘像素点上的累加作为每个像素点的类间累加距离。
4.根据权利要求1所述的用于肠道内镜的医学图像增强方法,其特征在于,所述根据肠道内窥镜不同区域的纹理复杂程度以及边缘结构清晰度获取每个像素点的病变概率指数的方法为:
根据每个像素点所取局部窗口内不同行元素的投影值获取每个像素点的投影偏差量;
将所述局部窗口内每一行上每个像素点的边缘结构清晰度与每一行上每个像素点前一列像素点的边缘结构清晰度之间差值的绝对值作为第一差值,将第一差值在每个像素点所取局部窗口内的累加作为边缘结构差异度;
每个像素点的病变概率指数由投影偏差量、边缘结构差异度两部分组成,其中所述病变概率指数与投影偏差量、边缘结构差异度成正比关系。
5.根据权利要求4所述的用于肠道内镜的医学图像增强方法,其特征在于,所述根据每个像素点所取局部窗口内不同行元素的投影值获取每个像素点的投影偏差量的方法为:
利用投影算法分别获取每个像素点所取局部窗口内不同行元素的投影值,将所述局部窗口内相邻两行元素对应投影值之间差值的绝对值在所述局部窗口内的累加作为每个像素点的投影偏差量。
6.根据权利要求1所述的用于肠道内镜的医学图像增强方法,其特征在于,所述根据每个像素点的边缘结构清晰度、叠加模糊程度系数、病变概率指数获取每个像素点的增益函数值的方法为:
将每个像素点的叠加模糊程度系数与预设参数的和作为第一增益因子;将每个像素点的病变概率指数与预设参数的和作为第二增益因子;将以自然常数为底数,以每个像素点的边缘结构清晰度的相反数为指数的计算结果作为第三增益因子;
每个像素点的增益函数值由第一增益因子、第二增益因子、第三增益因子组成,其中,所述增益函数值与第一增益因子、第二增益因子、第三增益因子成正比关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033937.4A CN116758069B (zh) | 2023-08-17 | 2023-08-17 | 用于肠道内镜的医学图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311033937.4A CN116758069B (zh) | 2023-08-17 | 2023-08-17 | 用于肠道内镜的医学图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758069A CN116758069A (zh) | 2023-09-15 |
CN116758069B true CN116758069B (zh) | 2023-11-14 |
Family
ID=87959433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311033937.4A Active CN116758069B (zh) | 2023-08-17 | 2023-08-17 | 用于肠道内镜的医学图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758069B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118247275B (zh) * | 2024-05-28 | 2024-08-02 | 山东第一医科大学附属省立医院(山东省立医院) | 基于数据分析的消化内镜远程处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010055605A (ja) * | 2008-08-01 | 2010-03-11 | Nikon Corp | 画像処理方法 |
CN103646382A (zh) * | 2013-12-02 | 2014-03-19 | 中国烟草总公司重庆市公司烟草科学研究所 | 一种烟叶病害的图像增强处理方法 |
KR20190067551A (ko) * | 2017-12-07 | 2019-06-17 | 동국대학교 산학협력단 | 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법 |
CN112669232A (zh) * | 2020-12-24 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种深度图像增强处理方法及装置 |
CN113538295A (zh) * | 2021-08-24 | 2021-10-22 | 北京理工大学 | 内窥镜弱纹理图像增强方法及装置 |
CN115381444A (zh) * | 2022-09-05 | 2022-11-25 | 复旦大学附属中山医院 | 血氧饱和度快速检测方法 |
CN116188340A (zh) * | 2022-12-21 | 2023-05-30 | 上海大学 | 一种基于图像融合的肠道内窥镜图像增强方法 |
CN116433528A (zh) * | 2023-04-19 | 2023-07-14 | 新光维医疗科技(苏州)股份有限公司 | 一种目标区域检出的图像细节增强显示方法及系统 |
CN116579954A (zh) * | 2023-07-12 | 2023-08-11 | 南京晨新医疗科技有限公司 | 一种超高清内窥镜图像智能增强方法 |
-
2023
- 2023-08-17 CN CN202311033937.4A patent/CN116758069B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010055605A (ja) * | 2008-08-01 | 2010-03-11 | Nikon Corp | 画像処理方法 |
CN103646382A (zh) * | 2013-12-02 | 2014-03-19 | 中国烟草总公司重庆市公司烟草科学研究所 | 一种烟叶病害的图像增强处理方法 |
KR20190067551A (ko) * | 2017-12-07 | 2019-06-17 | 동국대학교 산학협력단 | 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법 |
CN112669232A (zh) * | 2020-12-24 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种深度图像增强处理方法及装置 |
CN113538295A (zh) * | 2021-08-24 | 2021-10-22 | 北京理工大学 | 内窥镜弱纹理图像增强方法及装置 |
CN115381444A (zh) * | 2022-09-05 | 2022-11-25 | 复旦大学附属中山医院 | 血氧饱和度快速检测方法 |
CN116188340A (zh) * | 2022-12-21 | 2023-05-30 | 上海大学 | 一种基于图像融合的肠道内窥镜图像增强方法 |
CN116433528A (zh) * | 2023-04-19 | 2023-07-14 | 新光维医疗科技(苏州)股份有限公司 | 一种目标区域检出的图像细节增强显示方法及系统 |
CN116579954A (zh) * | 2023-07-12 | 2023-08-11 | 南京晨新医疗科技有限公司 | 一种超高清内窥镜图像智能增强方法 |
Non-Patent Citations (2)
Title |
---|
Analysis of Abnormality in Endoscopic images using Combined HSI Color Space and Watershed Segmentation;B.V.Dhandra et al.;《The 18th International Conference on Pattern Recognition》;第1-4页 * |
基于深度学习的内窥镜图像病灶检测;潘东升;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;E064-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758069A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5113841B2 (ja) | 内視鏡からの映像を用いるコンピュータ支援解析 | |
CN116758069B (zh) | 用于肠道内镜的医学图像增强方法 | |
US7248724B2 (en) | Method for monitoring wounds | |
CN115345893B (zh) | 基于图像处理的卵巢组织癌变区域分割方法 | |
CN111275041B (zh) | 内窥镜图像展示方法、装置、计算机设备及存储介质 | |
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 | |
CN114627067B (zh) | 一种基于图像处理的伤口面积测量及辅助诊疗方法 | |
CN112446880B (zh) | 图像处理方法、电子设备及可读存储介质 | |
US8335361B2 (en) | Medical image processing apparatus and medical image processing method | |
US9754189B2 (en) | Detection device, learning device, detection method, learning method, and information storage device | |
CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强系统 | |
CN108961334A (zh) | 一种基于图像配准的视网膜血管壁厚度测量方法 | |
CN117012344B (zh) | 一种4cmos相机采集的图像分析方法 | |
CN114529475A (zh) | 基于二维伽马校正和色调映射的图像增强方法及系统 | |
CN116205814A (zh) | 医用内窥镜图像增强方法、系统及计算机设备 | |
CN113068015A (zh) | 一种基于光纤探头的内窥镜图像畸变校正系统 | |
CN113052844A (zh) | 肠道内窥镜观察视频中图像的处理方法、装置及存储介质 | |
CN111768408A (zh) | 胃肠标记物自动识别方法及识别系统 | |
CN114372951A (zh) | 基于图像分割卷积神经网络的鼻咽癌定位分割方法和系统 | |
CN113781489A (zh) | 一种息肉影像语义分割方法及装置 | |
CN114549368A (zh) | 一种基于图像传感器的内窥镜成像系统及方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN111161852B (zh) | 一种内窥镜图像处理方法、电子设备及内窥镜系统 | |
CN116271386A (zh) | 一种具有成像增强功能的可视双腔气管插管及其成像增强方法 | |
CN116029934A (zh) | 一种低剂量dr图像和ct图像去噪方法 |
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 |