CN117372313A - 出血点检测方法、计算机设备、存储介质和程序产品 - Google Patents
出血点检测方法、计算机设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117372313A CN117372313A CN202210736992.9A CN202210736992A CN117372313A CN 117372313 A CN117372313 A CN 117372313A CN 202210736992 A CN202210736992 A CN 202210736992A CN 117372313 A CN117372313 A CN 117372313A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- sample image
- bleeding
- feature
- 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
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 156
- 238000001514 detection method Methods 0.000 title abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 40
- 230000009466 transformation Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 26
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000015572 biosynthetic process Effects 0.000 description 9
- 238000003786 synthesis reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012549 training Methods 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Endoscopes (AREA)
Abstract
本申请涉及一种出血点检测方法、计算机设备、存储介质和程序产品。所述方法包括：获取待检测图像，并基于待检测图像确定待检测图像与样本图像之间的转换关系，进而根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像。通过上述方法即可实现对于出血点位置的检测，利用出血点的不可移动性，即可基于样本图像中出血点位置与上述转换关系得到待检测图像中的出血点位置，进而提高了出血点位置检测的准确性。
Description
技术领域
本申请涉及医疗技术领域，特别是涉及一种出血点检测方法、计算机设备、存储介质和程序产品。
背景技术
内窥镜是医疗领域常见的一种医疗器械，多应用于目标对象内部组织的观察、缝合、切除等场景。
在应用于目标对象内部组织的切除时，切除位置会形成出血点，医务人员在组织切除完毕后，需找到出血点以进行缝合。然而，实际应用中由于出血点出血量过快、过多，会造成血液的大量积累，覆盖了出血点，致使医护人员无法及时找到出血点。
传统技术中，可通过内窥镜镜体端部的图像传感器获取内部组织的图像，并由计算机设备对内部组织的图像进行图像处理(ISP，mage Signal Processor)，以增强内部组织的图像中出血点位置与血液区域的细微差异，进而确定出出血点位置。然而，上述传统方法所确定的出血点位置准确性较差。
发明内容
基于此，有必要针对上述技术问题，提供一种出血点检测方法、计算机设备、存储介质和程序产品。
第一方面，提供了一种出血点检测方法，包括：
获取待检测图像；
基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
在其中一个实施例中，基于待检测图像，确定待检测图像与样本图像之间的转换关系，包括：
获取待检测图像和样本图像之间相匹配的特征点对的位置信息；
根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵；
将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
在其中一个实施例中，获取待检测图像和样本图像之间相匹配的特征点对的位置信息，包括：
对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征；
将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对；
获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中的第二特征点在样本图像中的位置信息。
在其中一个实施例中，获取待检测图像，包括：
获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度；
若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
在其中一个实施例中，上述方法还包括：
获取在目标内窥镜的不同光源方向下的初始图像；
对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像；
将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。
在其中一个实施例中，获取在目标内窥镜的不同光源方向下的初始图像，包括：
通过调整目标内窥镜上遮光片的遮光位置改变光源方向；其中，遮光片位于目标内窥镜的镜体端部，且覆盖部分光源；
获取目标内窥镜的操作环境在遮光片位于不同遮光位置下的图像，作为初始图像。
在其中一个实施例中，上述方法还包括：
对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征；
根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。
第二方面，本申请还提供了一种出血点检测装置，包括：
图像获取模块，用于获取待检测图像；转换确定模块，用于基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
位置转换模块，用于根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测图像；基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
第四方面，本申请还提供了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执行时实现以下步骤：
获取待检测图像；基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待检测图像；基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
上述出血点检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取待检测图像，并基于待检测图像确定待检测图像与样本图像之间的转换关系，进而根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像。通过上述方法即可实现对于出血点位置的检测，利用出血点的不可移动性，即可基于样本图像中出血点位置与上述转换关系得到待检测图像中的出血点位置，进而提高了出血点位置检测的准确性。
附图说明
图1为一个实施例中出血点检测方法的应用环境图；
图2为一个实施例中出血点检测方法的流程示意图；
图3为一个实施例中确定待检测图像与样本图像之间转换关系的流程示意图；
图4为一个实施例中获取相匹配的特征点对的位置信息的流程示意图；
图5为一个实施例中获取待检测图像的流程示意图；
图6为一个实施例中构建历史序列图像的流程示意图；
图7为一个实施例中不同光源方向下的初始图像的流程示意图；
图8为一个实施例中目标内窥镜的镜体端部的流程示意图；
图9为一个实施例中遮光片的结构示意图；
图10为一个实施例中确定样本图像的流程示意图；
图11为一个实施例中历史序列图像中所包括的图像的示意图；
图12为另一个实施例中出血点检测方法的流程示意图；
图13为一个实施例中出血点检测方法的图示处理过程示意图；
图14为一个实施例中出血点检测装置的结构框图；
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的出血点检测方法，可以应用于如图1所示的应用环境中。其中，内窥镜系统包括数据采集端和数据处理端，数据采集端包括目标内窥镜102，数据处理端包括用于实现出现血点检测的计算机设备104，目标内窥镜102与计算机设备104之间进行通信。目标内窥镜102用于采集操作环境的当前图像，计算机设备104则通过目标内窥镜102获取该当前图像并作为待检测图像，基于该待检测图像，确定待检测图像与样本图像之间的转换关系，进而根据该转换关系将样本图像中的出血点位置转换至待检测图像中，以得到待检测图像中的出血点位置。其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像。其中，上述的计算机设备104可以是一个通用计算机设备或者是一个专用计算机设备，如可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal DigitalAssistant，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104的具体类型。
在一个实施例中，如图2所示，提供了一种出血点检测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S210、获取待检测图像。
其中，待检测图像包括目标内窥镜所采集的组织/腔道内部的图像。目标内窥镜用于采集其所处操作环境(例如，模拟人体组织/腔道内部)的图像。
可选地，目标内窥镜与计算机设备可通过有线或者无线的方式进行通信，计算机设备即可得到由目标内窥镜采集到的待检测图像。其中，待检测图像可以是目标内窥镜在不同光源方向下所采集得到的图像进行光度立体合成而得到的图像。
S220、基于待检测图像，确定待检测图像与样本图像之间的转换关系。
其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像。目标内窥镜的历史序列图像即为在获取待检测图像之前，目标内窥镜在同一操作环境下所采集得到的图像。待检测图像与样本图像之间的转换关系实质上反映的是待检测图像与样本图像之间的坐标转换关系。
可选地，计算机设备可将待检测图像与样本图像进行特征对比，以确定待检测图像与样本图像之间的转换关系。
S230、根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
具体地，计算机设备获取样本图像中的出血点位置，进而根据上述转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
本实施例中，计算机设备获取待检测图像，并基于待检测图像确定待检测图像与样本图像之间的转换关系，进而根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。其中，待检测图像为目标内窥镜所采集的当前图像，样本图像为目标内窥镜的历史序列图像中包括出血点的图像。通过上述方法即可实现对于出血点位置的检测，利用出血点的不可移动性，即可基于样本图像中出血点位置与上述转换关系得到待检测图像中的出血点位置，进而提高了出血点位置检测的准确性。
实际应用中，可根据待检测图像和样本图像之间相匹配的特征点对确定上待检测图像与样本图像之间的转换关系。如图3所述，S220、基于待检测图像，确定待检测图像与样本图像之间的转换关系，则包括：
S310、获取待检测图像和样本图像之间相匹配的特征点对的位置信息。
其中，特征为图像中的特定结构，特征点是具有特征的点或区域，在具体的实施例中可以以特征点为具有特征的点为例。相匹配的特征点对即为特征匹配的一对特征点。上述位置信息相应地包括相匹配的特征点对中位于待检测图像中的特征点在待检测图像中的位置信息，以及相匹配的特征点对中位于样本图像中的特征点在样本图像中的位置信息。
可选地，计算机设备对待检测图像进行特征点提取，以得到待检测图像中的各个特征点，并将得到各个特征点与样本图像中的各个特征点进行特征匹配，以得到待检测图像和样本图像之间相匹配的特征点对，进而分别获取相匹配的特征点对中位于待检测图像中的特征点在待检测图像中的位置信息，以及相匹配的特征点对中位于样本图像中的特征点在样本图像中的位置信息。
S320、根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵。
需要说明的是，目标内窥镜的实际使用过程中，可能存在移动、旋转或者缩放等变换操作，很难保证获取样本图像和待检测图像时目标内窥镜处于相同的操作状态，上述仿射变换矩阵即可准确反映待检测图像与样本图像之间的关联关系。
可选地，上述相匹配的特征点对的位置信息可以是特征点在图像中的坐标。计算机设备即可基于多组特征点对在待检测图像中的坐标和在样本图像中的坐标得到待检测图像与样本图像之间的仿射变换矩阵。
S330、将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
具体地，计算机设备得到上述放射变换矩阵后即间该仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
本实施例中，计算机设备获取待检测图像和样本图像之间相匹配的特征点对的位置信息，并根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵，进而将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。上述仿射变换矩阵可准确反映待检测图像与样本图像之间的转换关系，有助于基于该转换关系准确确定待检测图像中的出血点位置，进而提高出血点检测的准确性。
在一可选地实施例中，可通过提高待检测图像和样本图像之间相匹配的特征点对的方式提高仿射变换矩阵的准确性，进而提高出血点检测的准确性。基于此，如图4所示，上述S310、获取待检测图像和样本图像之间相匹配的特征点对的位置信息，则包括：
S410、对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征。
其中，多维度特征即为多种类型的特征信息。可选地，多维度特征包括颜色、纹理、尺寸、位置信息等多种类型的特征信息。其中，位置信息包括该特征点相对于某一参考点的距离，该参考点可以是另一特征点，也可以是图像中心点。
需要说明的是，特征点可以为图像中比较显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点、颜色区别与周围区域的点等等。不同图像中的特征点不同，数量也不确定。
可选地，计算机设备可基于上述特征点的特性采用图像处理方法对待检测图像进行处理，得到待检测图像中的特征点即上述第一特征点，以进一步获取每一第一特征点的多维度信息。例如，计算机设备可采用ORB(Oriented FAST and Rotated BRIEF，快速特征点提取和描述)特征提取算法得到待检测图像中的第一特征点。计算机设备还可以将待检测图像输入用于识别特征点的深度学习神经网络模型，以通过该神经网络模型识别得到待检测图像中的第一特征点。
S420、将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对。
其中，样本图像中的特征点即为上述第二特征点，并且，样本图像中第二特征点的多维度特征与待检测图像中的第一特征点的多维度特征的特征类型相匹配。
可选地，样本图像中第二特征点的提取过程可参见上述待检测图像中第一特征点的提取过程，如采用ORB特征提取算法或者深度学习神经网络模型得到样本图像中的第二特征点。同样的，不同待检测检图像中的第一特征点不同，不同样本图像中的第二特征点不同，但是，待检测图像和样本图像为目标内窥镜在同一操作场景下所获取的图像，两者之间存在匹配的第一特征点和第二特征点即特征点对的情况。
在一个具体的实施例中，样本图像中第二特征点的提取过程是根据样本图像进行的预处理过程。即，在获取待检测图像的步骤之前，预先对样本图像进行特征提取，得到样本图像中至少一个第二特征点的多维度特征。
可选地，特征匹配度与相匹配的特征类型的数量正相关，即相匹配的特征类型的数量越多，特征匹配度越高；反之，相匹配的特征类型的数量越少，特征匹配度越低。特征匹配度还与各类型特征之间的特征偏差负相关，即特征偏差越大，特征匹配度越低；反之，特征偏差越小，特征匹配度越高。
具体地，计算机设备将待检测图像中的每一个第一特征点与样本图像中的每一个第二特征点进行多维度特征的特征匹配，以确定相应第一特征点与第二特征点之间的匹配度，对于每一个第一特征点而言，将得到特征匹配度最高且大于匹配度阈值的第一特征点和第二特征点确定为相匹配的特征点对。
S430、获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中的第二特征点在样本图像中的位置信息。
具体地，计算机设备在确定出待检测图像与像本图像之间相匹配的特征点对后，即获取相匹配的特征点对中的第一特征点在待检测图像中的坐标，以及相匹配的特征点对中的第二特征点在样本图像中的坐标。
本实施例中，计算机设备对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征，将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对，进而获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中的第二特征点在样本图像中的位置信息。通过上述多维度特征匹配的方式可准确确定相匹配的特征点对，提高了所确定的相匹配的特征点对的可信度，基于高准确性、高可信度的相匹配的特征点对的位置信息即可去确定高准确性、高可信度的仿射变换矩阵，进而提高了出血点检测的准确性。
在其中一个实施例中，为进一步提高所确定的出血点位置的准确性，如图5所示，上述S210、获取待检测图像，包括：
S510、获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度。
其中，上述初始待检测图像是用户在进行出血点检测时，通过目标内窥镜所获取到的操作环境的图像，可以是整个操作过程中目标内窥镜处于任意采集位置处所采集到的图像。同一操作场景下，不同采集位置对应不同的操作环境。
可选地，计算机设备可直接计算初始待检测图像与样本图像之间的结构相似性度量(SSIM，Similarity measurement)，也可以将初始待检测图像和样本图像分别采用向量表征，进而计算初始待检测图像和样本图像之间向量的余弦值，还可以对初始待检测图像和样本图像进行直方图匹配，以得到上述初始待检测图像与样本图像之间的相似度。
可选地，计算机设备还可以采用大量与样本图像处于同一采集位置的参考图像作为训练样本，训练得到用于识别对应采集位置的操作环境的神经网络模型，进而将上述初始待检测图像输入该神经网络模型，并由该神经网络模型输出初始待检测图像与样本图像之间的相似度。
S520、若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
具体地，计算机设备在得到初始待检测图像与样本图像之间的相似度后，则将该相似度与预设的相似度阈值进行比较，进而根据比较结果确定是否将该初始待检测图像确定为待检测图像。
其中，若相似度大于相似度阈值，则确定该初始待检测图像为待检测图像；反之，若相似度小于或等于相似度阈值，确定该初始待检测图像不为待检测图像，还可以进一步提醒用户重新获取初始待检测图像。
本实施例中，计算机设备获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度，在相似度大于相似度阈值的情况下，则确定初始待检测图像为待检测图像。通过上述方式即可实现的对于待检测图像的筛选，以将在出血点附近采集到的初始待检测图像作为进行出血点检测的待检测图像，在提高所确定的出血点位置的准确性的同时，避免了不必要的检测，减小了检测耗时，相应提高了检测效率。
在其中一个实施例中，上述方法还包括构建得到历史序列图像的过程。如图6所示，上述方法还包括：
S610、获取在目标内窥镜的不同光源方向下的初始图像。
可选地，目标内窥镜的镜体端部上设置有调节组件，该调节组件用于改变光源出光方向，计算机设备即可获取到目标内窥镜在不同光源方向下所采集到的初始图像。例如，用户可在目标内窥镜的操控端触发控制调节组件的控制按钮，以控制调节组件改变光源出光方向，并控制目标内窥镜在不同光源方向下采集得到上述初始图像。
可选地，目标内窥镜响应于用户/计算机设备的停止指令以停止对于初始图像的采集，也可以在初始图像中检测到出血点后自动停止。
需要说明的是，上述不同光源方向下的初始图像是基于目标内窥镜在同一采集位置处所采集得到的，同一采集位置处可采集不同光源方向下的多张初始图像作为一组初始图像，每组初始图像用于合成一帧立体图像。在目标内窥镜的使用过程中会进行移动，计算机设备即可得到目标内窥镜在不同采集位置处的不同光源方向下所采集到的初始图像。例如，以目标内窥镜的操作环境为生物体的模拟腔道为例，目标内窥镜可以在采集位置A处采集不同光源方向下的多组初始图像，还可以继续在采集位置B处采集不同光源方向下的多组初始图像，也可以继续在采集位置C处采集不同光源方向下的多组初始图像。
S620、对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像。
可选地，目标时刻可以是所获取的不同光源方向下的初始图像所对应的采集时刻中的最早采集时刻，也可以是最晚采集时刻，还可以是中间采集时刻。
具体地，针对同一采集位置，计算机设备采用光度立体合成法对不同光源方向下的每组初始图像进行合成处理，得到目标时刻的立体图像。例如，计算机设备获取到目标内窥镜在上述采集位置A处采集得到两组初始图像。第一组初始图像包括第一初始图像(采集时刻t1，光源方向F1)，第二初始图像(采集时刻t2，光源方向F2)，以及第三初始图像(采集时刻t3，光源方向F3)；第二组初始图像包括第四初始图像(采集时刻t4，光源方向F1)，第五初始图像(采集时刻t5，光源方向F2)，以及第六初始图像(采集时刻t6，光源方向F3)。其中，t1＜t2＜t3＜t4＜t5＜t6。计算机设备则对第一组初始图像进行光度立体合成，目标时刻t1的立体图像，对第二组初始图像进行光度立体合成，目标时刻t4的立体图像。
S630、将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。
其中，历史序列图像中包括多个目标时刻所对应的立体图像。历史序列图像中还包括多个采集位置所对应的立体图像。
具体地，计算机设备根据每一立体图像的目标时刻将得到的所有立体图像进行排序，以得到具有时序关系的历史序列图像。
在一可选地实施例中，目标内窥镜的镜体端部上设置有遮光片，调节遮光片在镜体端部上的遮光位置即可实现对于镜体端部内光源的部分遮挡，进而改变光源方向。基于此，如图7所示，上述S610、获取在目标内窥镜的不同光源方向下的初始图像，包括：
S710、通过调整目标内窥镜上遮光片的遮光位置改变光源方向。
其中，光源方向即为光源的出光方向。遮光片位于目标内窥镜的镜体端部，且覆盖部分光源。如图8所示，目标内窥镜的镜体端部上包括出光口801，用于放置光源模组，并且出光口处设置有遮光片，还包括用于实现其他功能的开口，如用于手术器械通过的钳道口802，用于放置摄像模组的摄像口803。
可选地，如图9所示，上述遮光片可以是4分类型，也可以是8分类型。其中，4分类型的遮光片即为保留1/4区域出光，遮挡3/4区域，8分类型的遮光片即为保留1/8区域出光，遮挡7/8区域。本实施例中，遮光片适应于出光口的形状，为圆形。
可选地，计算机设备可基于用户的控制操作调整目标内窥镜上遮光片的遮光位置，以改变光源方向。可选地，可控制遮光片旋转多次，以完成360°旋转，每旋转一次即改变一次光源方向，可顺时针旋转，也可以逆时针旋转。例如，以遮光片为图9中的四分类型为例，将遮光片的透光区域(白色区域)旋转到位置①，对应光源方向S1，将遮光片的透光区域再旋转到位置②，对应光源方向S2，将遮光片的透光区域再旋转到位置③，对应光源方向S3，再将遮光片的透光区域再旋转到位置④，对应光源方向S4，此时目标内窥镜即完成360°旋转。
S720、获取目标内窥镜的操作环境在遮光片位于不同遮光位置下的图像，作为初始图像。
具体地，目标内窥镜在遮光片位于不同遮光位置时获取当前操作环境的图像，计算机设备则相应地获取目标内窥镜所采集到的图像，作为初始图像。继续上述举例，目标内窥镜获取遮光片的透光区域旋转到位置①，对应光源方向S1下当前操作环境的图像，作为第一初始图像，获取遮光片的透光区域旋转到位置②，对应光源方向S2下当前操作环境的图像，作为第二初始图像，获取遮光片的透光区域旋转到位置③，对应光源方向S3下当前操作环境的图像，作为第三初始图像，获取遮光片的透光区域旋转到位置④，对应光源方向S4下当前操作环境的图像，作为第四初始图像。
需要说明的是，前述实施例中的待检测图像以及初始待检测图像均为采用在不同光源方向下的初始图像经过光度立体合成得到的立体图像，初始图像的采集以及光度合成的具体过程也与上述过程相同。
本实施例中，计算机设备获取在目标内窥镜的不同光源方向下的初始图像，并对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像，进而将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。上述历史序列图像可涵盖目标内窥镜应用的整个过程，记录了操作环境中由没有出血点到出现出血点的全过程，有助于后续基于该历史序列图像确定出血点位置，并且历史序列图像中的每一帧图像均为由不同光源方向下的初始图像光度合成得到的立体图像，涵盖多维度信息，有助于后续确定待检测图像与样本图像之间的转换关系，进而提高出血点检测的准确性。
为进一步提高所确定的出血点位置的准确性，上述样本图像可以是首次出现出血点的图像，而为了在历史序列图像中确定出首次出现出血点的图像，如图10所示，上述方法还包括：
S1010、对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征。
可选地，在历史序列图像中包括多个采集位置所对应的立体图像集合时(每一采集位置对应一个立体图像集合)，计算机设备对历史序列图像中属于同一立体图像集合中的相邻两帧立体图像进行差分处理，即削弱两帧立体图像之间相似的部分，并突出显示两帧立体图像之间变化的部分，进而得到相邻两帧立体图像之间的差异特征。
如图11所示，历史序列图像中对于同一采集位置处包括多帧立体图像，每一帧立体图像均由多帧初始图像光度合成得到。为了从上述历史序列图中确定出首次出现出血点的立体图像(即样本图像)，计算机设备对相邻两帧立体图像进行差分处理，即，对第2帧与第1帧、第3帧与第2帧、第4帧与第3帧，以此类推，以得到相邻两帧立体图像之间的差异特征。
S1020、根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。
需要说明的是，针对同一采集位置，目标内窥镜的操作环境一般不会发生大的变化，因此相邻两帧立体图像之间不存在差异特征，而在操作环境中出现出血点后相邻两帧立体图像之间则会存在差异特征。
具体地，计算机设备在得到相邻两帧立体图像之间的差异特征后，基于该差异特征确定两帧立体图像中前一帧立体图像到后一帧立体图像的采集时间间隔内是否出现了出血点，并在确定出现出血点的情况下，将相邻两帧立体图像中的后一帧立体图像确定为首次出现出血点的立体图像作为上述样本图像。
可选地，若上述差异特征为后一帧立体图像相对于前一帧立体图像出现了红色像素点或者像素颜色发生了变化且变化面积满足预设条件，计算机设备即可确定出现了出血点。若上述差异特征为后一帧立体图像相对于前一帧立体图像部分区域的纹理加深，计算机设备也可确定出现了出血点。继续上述举例，计算机设备即可基于第5帧与第4帧之间的差异特征确定出现了出血点，即可确定第5帧为上述样本图像。
本事实施例中，计算机设备对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征，进而根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。在目标内窥镜的应用过程中，会经历操作场景中由最开始的没有出血点到出现出血点的全过程，相应地历史序列图像则包括同一采集位置处没有出血点时的图像，以及出现出血点时的图像，采用上述差分处理的方式可在历史序列图像的针对同一采集位置的多帧立体图像中确定出首次出现出血点的立体图像即上述样本图像，由于首次出现出血点的立体图像中干扰元素少，基于该样本图像进行后续的出血点检测即可提高所确定的出血点位置的准确性。
在一个实施例中，如图12所示，还提供了一种出血点检测方法，包括以下步骤：
S1210、获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度；其中，样本图像为历史序列图像中包括出血点的图像。
S1220、若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
S1230、根据待检测图像与样本图像之间的仿射变换矩阵将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
可选地，计算机设备进行出血点检测，确定出血点位置的具体过程如下：
医生使用目标内窥镜在相应地操作环境(如模拟人体组织/腔道内部)下进行医疗操作(如缝合操作)，在医疗操作的过程中，目标内窥镜可在医生的操作指令或者计算机设备传达的控制指令的作用下，在目标内窥镜的采集位置获取不同光源方向下的多组初始图像，计算机设备则获取目标内窥及所采集得到的初始图像，并由每一组初始图像光度合成一帧立体图像，并得到的所有立体图像按采集时刻排列，形成历史序列图像。对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征；根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。同时，得到用于识别图像中操作环境的神经网络模型，以及待检测图像与样本图像之间的仿射变换矩阵，具体过程参见上述相关实施例，在此不再赘述。
医生在进行完上述医疗操作后，需要寻找到操作过程中所产生的出血点。结合图13，计算机设备通过目标内窥镜获取一帧初始待检测图像，该初始待检测图像同样是基于不同光源方向下的多组初始待检测图像光度合成的立体图像，计算机设备获取该初始待检测图像，并采用神经网络模型对该初始待检测图像进行识别，得到初始待检测图像与样本图像之间的相似度，并在相似度大于相似度阈值的情况下，确定初始待检测图像为待检测图像，进而根据待检测图像与样本图像之间的仿射变换矩阵将样本图像中的出血点位置转换至待检测图像中，以得到待检测图像中的出血点位置，并将出血点实时显示在待检测图像中。
需要说明的是，本实施例中相关步骤的具体过程可见参见上述相关实施例，在此不再赘述。通过上述方法即可实现出血点的检测，并且提高了所确定出的出血点位置的准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种出血点检测装置，包括图像获取模块1401、转换确定模块1402和位置转换模块1403，其中：
图像获取模块1401用于获取待检测图像；转换确定模块1402用于基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
位置转换模块1403用于根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
在其中一个实施例中，转换确定模块1402具体用于：
获取待检测图像和样本图像之间相匹配的特征点对的位置信息；根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵；将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
在其中一个实施例中，转换确定模块1402具体用于：
对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征；将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对；获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中的第二特征点在样本图像中的位置信息。
在其中一个实施例中，图像获取模块1401具体用于：
获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度；若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
在其中一个实施例中，图像获取模块1401还用于：
获取在目标内窥镜的不同光源方向下的初始图像；对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像；将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。
在其中一个实施例中，图像获取模块1401具体用于：
通过调整目标内窥镜上遮光片的遮光位置改变光源方向；其中，遮光片位于目标内窥镜的镜体端部，且覆盖部分光源；获取目标内窥镜的操作环境在遮光片位于不同遮光位置下的图像，作为初始图像。
在其中一个实施例中，图像获取模块1401还用于：
对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征；根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。
上述出血点检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种出血点检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测图像；基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待检测图像和样本图像之间相匹配的特征点对的位置信息；根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵；将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征；将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对；获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中的第二特征点在样本图像中的位置信息。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度；若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取在目标内窥镜的不同光源方向下的初始图像；对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像；将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过调整目标内窥镜上遮光片的遮光位置改变光源方向；其中，遮光片位于目标内窥镜的镜体端部，且覆盖部分光源；获取目标内窥镜的操作环境在遮光片位于不同遮光位置下的图像，作为初始图像。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：
对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征；根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测图像；基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待检测图像和样本图像之间相匹配的特征点对的位置信息；根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵；将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征；将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对；获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中的第二特征点在样本图像中的位置信息。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度；若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取在目标内窥镜的不同光源方向下的初始图像；对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像；将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过调整目标内窥镜上遮光片的遮光位置改变光源方向；其中，遮光片位于目标内窥镜的镜体端部，且覆盖部分光源；获取目标内窥镜的操作环境在遮光片位于不同遮光位置下的图像，作为初始图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征；根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待检测图像；基于待检测图像，确定待检测图像与样本图像之间的转换关系；其中，样本图像为目标内窥镜的历史序列图像中包括出血点的图像；根据转换关系将样本图像中的出血点位置转换至待检测图像中，得到待检测图像中的出血点位置。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待检测图像和样本图像之间相匹配的特征点对的位置信息；根据相匹配的特征点对的位置信息确定待检测图像与样本图像之间的仿射变换矩阵；将仿射变换矩阵确定为待检测图像与样本图像之间的转换关系。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对待检测图像进行特征提取，得到待检测图像中至少一个第一特征点的多维度特征；将至少一个第一特征点的多维度特征与样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的第一特征点和第二特征点确定为相匹配的特征点对；获取相匹配的特征点对中的第一特征点在待检测图像中的位置信息，以及相匹配的特征点对中第二特征点在样本图像中的位置信息。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取初始待检测图像，并确定初始待检测图像与样本图像之间的相似度；若相似度大于相似度阈值，则确定初始待检测图像为待检测图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取在目标内窥镜的不同光源方向下的初始图像；对不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像；将目标时刻的立体图像按照时间顺序排列，得到历史序列图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过调整目标内窥镜上遮光片的遮光位置改变光源方向；其中，遮光片位于目标内窥镜的镜体端部，且覆盖部分光源；获取目标内窥镜的操作环境在遮光片位于不同遮光位置下的图像，作为初始图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对历史序列图像中相邻两帧立体图像进行差分处理，得到历史序列图像中相邻两帧立体图像之间的差异特征；根据差异特征确定首次出现出血点的立体图像，并将首次出现出血点的立体图像作为样本图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种出血点检测方法，其特征在于，包括：
获取待检测图像；
基于所述待检测图像，确定所述待检测图像与样本图像之间的转换关系；其中，所述样本图像为目标内窥镜的历史序列图像中包括出血点的图像；
根据所述转换关系将所述样本图像中的出血点位置转换至所述待检测图像中，得到所述待检测图像中的出血点位置。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待检测图像，确定所述待检测图像与样本图像之间的转换关系，包括：
获取所述待检测图像和所述样本图像之间相匹配的特征点对的位置信息；
根据所述相匹配的特征点对的位置信息确定所述待检测图像与所述样本图像之间的仿射变换矩阵；
将所述仿射变换矩阵确定为所述待检测图像与所述样本图像之间的转换关系。
3.根据权利要求2所述的方法，其特征在于，所述获取所述待检测图像和所述样本图像之间相匹配的特征点对的位置信息，包括：
对所述待检测图像进行特征提取，得到所述待检测图像中至少一个第一特征点的多维度特征；
将所述至少一个第一特征点的多维度特征与所述样本图像中至少一个第二特征点的多维度特征进行特征匹配，并将特征匹配度最高的所述第一特征点和所述第二特征点确定为所述相匹配的特征点对；
获取所述相匹配的特征点对中的第一特征点在所述待检测图像中的位置信息，以及所述相匹配的特征点对中的第二特征点在所述样本图像中的位置信息。
4.根据权利要求1所述的方法，其特征在于，所述获取待检测图像，包括：
获取初始待检测图像，并确定所述初始待检测图像与所述样本图像之间的相似度；
若所述相似度大于相似度阈值，则确定所述初始待检测图像为所述待检测图像。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
获取在所述目标内窥镜的不同光源方向下的初始图像；
对所述不同光源方向下的初始图像进行合成处理，得到目标时刻的立体图像；
将所述目标时刻的立体图像按照时间顺序排列，得到所述历史序列图像。
6.根据权利要求5所述的方法，其特征在于，所述获取在所述目标内窥镜的不同光源方向下的初始图像，包括：
通过调整所述目标内窥镜上遮光片的遮光位置改变光源方向；其中，所述遮光片位于所述目标内窥镜的镜体端部，且覆盖部分光源；
获取所述目标内窥镜的操作环境在所述遮光片位于不同遮光位置下的图像，作为所述初始图像。
7.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
对所述历史序列图像中相邻两帧立体图像进行差分处理，得到所述历史序列图像中相邻两帧立体图像之间的差异特征；
根据所述差异特征确定首次出现出血点的立体图像，并将所述首次出现出血点的立体图像作为所述样本图像。
8.一种计算机设备，包括端存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210736992.9A CN117372313A (zh) | 2022-06-27 | 2022-06-27 | 出血点检测方法、计算机设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210736992.9A CN117372313A (zh) | 2022-06-27 | 2022-06-27 | 出血点检测方法、计算机设备、存储介质和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117372313A true CN117372313A (zh) | 2024-01-09 |
Family
ID=89389690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210736992.9A Pending CN117372313A (zh) | 2022-06-27 | 2022-06-27 | 出血点检测方法、计算机设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372313A (zh) |
-
2022
- 2022-06-27 CN CN202210736992.9A patent/CN117372313A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210406591A1 (en) | Medical image processing method and apparatus, and medical image recognition method and apparatus | |
| CN110738263B (zh) | 一种图像识别模型训练的方法、图像识别的方法及装置 | |
| JP2021513435A (ja) | 胃腸腫瘍を診断するシステム及び方法 | |
| US20170004619A1 (en) | System and method for automatic pulmonary embolism detection | |
| US12118739B2 (en) | Medical image processing method, apparatus, and device, medium, and endoscope | |
| CN111814768B (zh) | 基于ai复合模型的图像识别方法、装置、介质和设备 | |
| CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
| JP2019091454A (ja) | データ解析処理装置及びデータ解析処理プログラム | |
| CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
| CN110930386B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN105938513A (zh) | 为计算机辅助诊断提供可靠性的装置和方法 | |
| KR20200110111A (ko) | 의료영상정보 딥러닝 기반의 동적 다차원 질병진단 방법 및 동적 다차원 질병진단 장치 | |
| US20230401706A1 (en) | Method for detecting a rib with a medical image, device, and medium | |
| WO2021081771A1 (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
| CN116091432A (zh) | 一种用于医疗内窥镜检查的质控方法、装置及计算机设备 | |
| CN115131290A (zh) | 图像处理方法 | |
| CN112734707B (zh) | 一种3d内窥镜辅助检测方法、系统、装置及存储介质 | |
| CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
| CN115861298A (zh) | 一种基于内镜检查可视化的图像处理方法及装置 | |
| CN117372313A (zh) | 出血点检测方法、计算机设备、存储介质和程序产品 | |
| CN116205929A (zh) | 一种超声融合成像方法及设备、存储介质 | |
| CN111403007A (zh) | 一种超声成像的优化方法、超声成像系统和计算机可读存储介质 | |
| CN110415239B (zh) | 图像处理方法、装置、设备、医疗电子设备以及介质 | |
| CN117372314A (zh) | 目标区域识别方法、装置、计算机设备、介质和程序产品 | |
| US20220254012A1 (en) | Methods, devices, and systems for determining presence of appendicitis |
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 |