CN117437236A - 一种胃肠镜图像异常检测方法及系统 - Google Patents

一种胃肠镜图像异常检测方法及系统 Download PDF

Info

Publication number
CN117437236A
CN117437236A CN202311768946.8A CN202311768946A CN117437236A CN 117437236 A CN117437236 A CN 117437236A CN 202311768946 A CN202311768946 A CN 202311768946A CN 117437236 A CN117437236 A CN 117437236A
Authority
CN
China
Prior art keywords
pixel point
block
extension
pixel
possibility
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.)
Granted
Application number
CN202311768946.8A
Other languages
English (en)
Other versions
CN117437236B (zh
Inventor
张瀚文
吴俊嶺
赵志壮
栾哲
陈怡�
孙刚
王淑芳
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.)
First Medical Center of PLA General Hospital
Original Assignee
First Medical Center of PLA General Hospital
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 First Medical Center of PLA General Hospital filed Critical First Medical Center of PLA General Hospital
Priority to CN202311768946.8A priority Critical patent/CN117437236B/zh
Publication of CN117437236A publication Critical patent/CN117437236A/zh
Application granted granted Critical
Publication of CN117437236B publication Critical patent/CN117437236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种胃肠镜图像异常检测方法及系统，包括：获取当前肠道层面的灰度图像，将灰度图像划分为多个分块，根据分块中所有像素点的灰度值获取分块中存在血管的可能性；根据分块中所有像素点的梯度方向确定分块的延伸分块，根据分块与其延伸分块中存在血管的可能性以及分块内像素点的梯度获取分块的血管延伸可能性，根据分块内像素点的梯度以及分块的血管延伸可能性获取像素点的血流延伸向量，根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点为血管像素点的可能性，从而对灰度图像进行增强得到增强图像，用于识别肠道异常。本发明提高了肠道内血管和肠壁的对比性，使得肠道异常更易于识别。

Description

一种胃肠镜图像异常检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种胃肠镜图像异常检测方法及系统。
背景技术
胃肠镜图像异常检测系统有助于早期发现胃肠道相关疾病，如溃疡、息肉、炎症或肿瘤。这些异常往往在早期阶段不易察觉，但及早发现可以增加治疗成功的机会，提高患者康复率。
肠胃镜图像中溃疡、息肉、炎症或肿瘤等特征会影响血管的分布，因此可通过肠胃镜图像中血管的分布来识别异常。而肠胃镜图像中部分位置的血管不明显，利用边缘检测、阈值分割等技术难以分割出完整的血管，进而导致无法准确的根据血管的分别识别肠胃镜图像中的异常。
发明内容
为了解决上述问题，本发明一种胃肠镜图像异常检测方法及系统。
本发明的一种胃肠镜图像异常检测方法采用如下技术方案：
本发明一个实施例提供了一种胃肠镜图像异常检测方法，该方法包括以下步骤：
获取当前肠道层面的灰度图像；
将灰度图像划分为多个分块，根据每个分块中所有像素点的灰度值获取每个分块中存在血管的可能性；获取每个分块中每个像素点的梯度方向和梯度幅值，根据分块中所有像素点的梯度方向确定分块的延伸分块，根据每个分块与其延伸分块中存在血管的可能性以及每个分块与其延伸分块内像素点的梯度幅值以及梯度方向获取每个分块的血管延伸可能性；
根据分块内每个像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量；根据每个像素点以及其八邻域内像素点的血流延伸向量的差异获取每个像素点为血管像素点的可能性；根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值；将灰度图像中每个像素点的增强灰度值构成增强图像，用于识别肠道异常。
优选的，所述根据每个分块中所有像素点的灰度值获取每个分块中存在血管的可能性，包括的具体步骤如下：
对于每个分块，将分块中所有像素点的灰度值的方差与平均值的比值，作为分块中存在血管的可能性。
优选的，所述根据分块中所有像素点的梯度方向确定分块的延伸分块，包括的具体步骤如下：
对于灰度图像中的每个分块，以每个像素点的梯度方向为方向，以1为模长，构建每个像素点的单位梯度向量；计算分块内所有像素点的单位梯度向量的和，得到分块的综合向量，将分块的综合向量的方向作为分块的疑似血管流向；将位于分块的疑似血管流向的方向上的相邻分块作为该分块的延伸分块。
优选的，所述根据每个分块与其延伸分块中存在血管的可能性以及每个分块与其延伸分块内像素点的梯度幅值以及梯度方向获取每个分块的血管延伸可能性，包括的具体步骤如下：
；
其中，表示灰度图像中第/>个分块的血管延伸可能性；/>表示灰度图像中第/>个分块中存在血管的可能性；/>表示第/>个分块的延伸分块中存在血管的可能性；/>表示第/>个分块中所有像素点的梯度幅值的均值；/>表示第/>个分块的延伸分块中所有像素点的梯度幅值的均值；/>表示第/>个分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差；/>表示第/>个分块的延伸分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差；/>表示最大值函数；/>为超参数；/>表示以自然常数为底的指数函数。
优选的，所述根据分块内每个像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量，包括的具体步骤如下：
对于每个分块，将分块中每个像素点的梯度方向与梯度幅值构成每个像素点的梯度向量，梯度向量的方向为梯度方向，模长为梯度幅值；根据分块内每个像素点的梯度向量以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量：
；
其中，表示灰度图像中第/>个分块的第/>个像素点的血流延伸向量，用来反映像素点的可能的血流变化方向趋势；/>表示灰度图像中第/>个分块的第/>个像素点的梯度向量；/>表示灰度图像中第/>个分块的血管延伸可能性。
优选的，所述根据每个像素点以及其八邻域内像素点的血流延伸向量的差异获取每个像素点为血管像素点的可能性，包括的具体步骤如下：
对于灰度图像中每个像素点，根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点的血流趋势路径；根据像素点的血流趋势路径获取像素点为血管像素点的可能性。
优选的，所述根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点的血流趋势路径，包括的具体步骤如下：
获取像素点的八邻域内与该像素点的血管延伸向量夹角最小的像素点作为该像素点的第一延伸像素点，将第一延伸像素点与该像素点相连，获取该像素点的八邻域内与该像素点的第一延伸像素点的血管延伸向量夹角最小的像素点作为该像素点的第二延伸像素点，将第二延伸像素点与第一延伸像素点相连，获取该像素点的八邻域内除第一延伸像素点外与该像素点的第二延伸像素点的血管延伸向量夹角最小的像素点作为该像素点的第三延伸像素点，将第三延伸像素点与第二延伸像素点相连，依次类推，直到该像素点的八邻域内所有像素点都已相连时停止迭代，将该像素点与其八邻域内所有像素点相连的路径作为该像素点的初始路径，将初始路径中所有相邻像素点之间血管延伸向量夹角最大的相邻像素点之间的连线断开，得到两条路径，将断开后该像素点所在的路径作为该像素点的血流趋势路径。
优选的，所述根据像素点的血流趋势路径获取像素点为血管像素点的可能性，包括的具体步骤如下：
；
其中，表示灰度图像中第/>个像素点为血管像素点的可能性，/>取遍[1,/>]中所有整数，/>表示灰度图像中包含的像素点数量；/>表示第/>个像素点的血流趋势路径长度；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量的模长；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量的模长；/>表示余弦相似度。
优选的，所述根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值，包括的具体步骤如下：
根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值：
；
其中，表示灰度图像中第/>个像素点的增强灰度值；/>表示灰度图像中第/>个像素点为血管像素点的可能性；/>表示灰度图像中第/>个像素点原本的灰度值；/>表示以自然常数为底的指数函数；
将灰度图像中每个像素点的增强灰度值构成增强图像。
本发明还提出一种胃肠镜图像异常检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种胃肠镜图像异常检测方法的步骤。
本发明的技术方案的有益效果是：本发明通过获取当前肠道层面的灰度图像，将灰度图像划分为多个分块，根据分块中所有像素点的灰度值获取分块中存在血管的可能性；根据分块中所有像素点的梯度方向确定分块的延伸分块，根据分块与其延伸分块内像素点的梯度幅值以及梯度方向获取分块的血管延伸可能性，根据分块内像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取像素点的血流延伸向量，根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点为血管像素点的可能性，从而对灰度图像进行增强得到增强图像，使得肠道内血管和肠壁的对比性更加明显，使得肠道异常更易于识别。
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为本发明的一种胃肠镜图像异常检测方法的步骤流程图；
图2为肠道图像；
图3为当前肠道层面的图像；
图4为增强图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种胃肠镜图像异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种胃肠镜图像异常检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种胃肠镜图像异常检测方法的步骤流程图，该方法包括以下步骤：
S001．获取当前肠道层面的灰度图像。
肠镜是一支细长可弯曲的医学仪器，用于帮助医生观察患者结肠和大肠的内部情况。利用肠镜采集患者的肠道图像，本实施例的一个肠道图像参见图2。
需要说明的是，肠道为节状，距离肠镜镜头最近的节作为当前肠道层面。对肠道图像进行语义分割，获取肠道图像中当前肠道层面的图像，语义分割网络的具体内容如下：
语义分割网络采用Encoder-Decoder结构，网络的输入为肠道图像，输出为肠道图像中当前肠道层面的图像，训练集为肠道图像集合，标签分为两类，当前肠道层面标注为1，其余设为背景，标注为0。损失函数为交叉熵损失函数。
将肠道图像输入到训练好的语义分割网络中，得到肠道图像中当前肠道层面的图像，参见图3。
为便于后续处理，对当前肠道层面的图像进行灰度化，得到当前肠道层面的灰度图像。
至此，获取了当前肠道层面的灰度图像。
S002．将灰度图像划分为多个分块，根据每个分块中所有像素点的灰度值获取每个分块中存在血管的可能性。
需要说明的是，肠道中血管的颜色与肠壁的颜色相比较暗，即灰度值较低。且同一血管不同部分的粗细不同，使得同一血管不同部分含有的血液量不同，血管越粗血液量越多，血管颜色越暗，灰度值越小，血管越细血液量越少，血管颜色相较于粗血管的部分越亮，灰度值相较于粗血管的部分越大，因此同一血管中灰度存在变化，因此本实施例对当前肠道层面的灰度图像进行分块，根据分块中像素点灰度值的分布获取分块中存在血管的可能性。
具体的，预设分块边长，例如/>，实施人员可根据实际实施情况设置分块边长，但为了避免每个分块中都同时包含血管和肠壁，分块边长需尽可能小，分块边长不能超过。将当前肠道层面的灰度图像划分为多个/>大小的分块。需要说明的是，本实施例设置的分块边长/>较小，依据分块边长/>划分的分块可能为血管，可能为肠壁，也可能同时包含了血管和肠壁。
根据每个分块中所有像素点的灰度值获取每个分块中存在血管的可能性：
；
其中，表示灰度图像中第/>个分块中存在血管的可能性，/>取遍[1,/>]中每个整数，表示灰度图像中包含的分块数量；/>表示第/>个分块中所有像素点的灰度值的方差；/>表示第/>个分块中所有像素点的灰度值的平均值；当第/>个分块中所有像素点的方差/>越大时，第/>个分块中像素点的灰度值越混乱，而血管的颜色与肠壁的颜色相比较暗，若此时第/>个分块中所有像素点的灰度值的平均值/>越小，第/>个分块中越可能存在血管。
至此，获取了灰度图像每个分块中存在血管的可能性。
S003．获取每个分块中每个像素点的梯度方向和梯度幅值，根据分块中所有像素点的梯度方向确定分块的延伸分块，根据每个分块与其延伸分块中存在血管的可能性以及每个分块与其延伸分块内像素点的梯度幅值以及梯度方向获取每个分块的血管延伸可能性。
需要说明的是，由于同一血管中血液流向相同，且同一血管中灰度存在渐变变化，当血管中的像素点灰度值的顺着血液流向变化，由于血管基本呈直线型，使得血管中的像素点灰度值变化的方向基本一致，即血管中像素点的梯度方向较为统一。因此本实施例根据对相邻分块的像素点的梯度方向以及分块中存在血管的可能性进行分析，获取每个分块的血管延伸可能性。
具体的，对于灰度图像中的每个分块，获取分块中每个像素点的梯度方向以及梯度幅值，以每个像素点的梯度方向为方向，以1为模长，构建每个像素点的单位梯度向量。计算分块内所有像素点的单位梯度向量的和，得到分块的综合向量，将分块的综合向量的方向作为分块的疑似血管流向。将位于分块的疑似血管流向的方向上的相邻分块作为该分块的延伸分块。
获取分块内每个像素点的梯度方向与疑似血管流向之间的夹角角度，用来反映分块内每个像素点属于血管内像素点的可能性。
根据每个分块与其延伸分块中存在血管的可能性以及每个分块与其延伸分块内像素点的梯度幅值，以及像素点的梯度方向与疑似血管流向之间的夹角角度，获取每个分块的血管延伸可能性：
；
其中，表示灰度图像中第/>个分块的血管延伸可能性；/>表示灰度图像中第/>个分块中存在血管的可能性；/>表示第/>个分块的延伸分块中存在血管的可能性；/>表示第/>个分块中所有像素点的梯度幅值的均值；/>表示第/>个分块的延伸分块中所有像素点的梯度幅值的均值；/>表示第/>个分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差；表示第/>个分块的延伸分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差；/>表示最大值函数；/>为超参数，经验值为0.0001，用作防止分母为0，实施人员可根据实际实施情况设置超参数/>的值，需要注意的是，/>不能为0；/>表示以自然常数为底的指数函数；
当第个分块中存在血管的可能性/>越大，且第/>个分块与其延伸分块中存在血管的可能性越一致，第/>个分块与其延伸分块中都可能存在血管，由于血管的颜色随血管中血液而逐渐变化，且同一条血管中不同位置的变化程度相似，即同一条血管中像素点的灰度变化情况相似，像素点的梯度幅值可以反映出像素点局部的灰度变化，因此当第/>个分块中所有像素点的梯度幅值的均值/>与第/>个分块的延伸分块中所有像素点的梯度幅值的均值/>之间的差异越小，第/>个分块中血管颜色的变化情况与第/>个分块的延伸分块中血管颜色的变化情况越相似，第/>个分块与其延伸分块中越可能包含了同一条血管；
分块内像素点的梯度方向与疑似血管流向之间的夹角角度反映了像素点属于血管内像素点的可能性，当夹角角度越小，像素点越可能属于血管内像素点，当夹角角度越大，像素点越不可能属于血管内像素点，由于分块的疑似血管流向是根据分块内所有像素点的梯度方向获得的，因此分块的疑似血管流量与分块内大部分像素点的梯度方向相似，即分块内大部分像素点的梯度方向与疑似血管流量之间的夹角角度都较小，则第个分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差/>反映了分块中像素点都属于血管内像素点的可能性，当/>越小，分块内越多的像素点属于血管内像素点，当/>越大，分块内越少的像素点属于血管内像素点。则/>反映了第/>个分块与其延伸分块中像素点属于同一条血管的可能性，当/>越接近1，第/>个分块中像素点都属于血管内像素点的可能性/>与第/>个分块的延伸分块中像素点都属于血管内像素点的可能性/>越一致，第/>个分块与其延伸分块中像素点越可能属于同一条血管。
至此，获取了每个分块的血管延伸可能性。
S004．根据分块内每个像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量，根据每个像素点以及其八邻域内像素点的血流延伸向量的差异获取每个像素点为血管像素点的可能性。
需要说明的是，步骤S003获取了分块整体的血管延伸可能性，但分块可能为血管，可能为肠壁，也可能同时包含血管和肠壁，为了对血管和肠壁进行区分，本实施例对分块内每个像素点单独进行分析，获取每个像素点为血管像素点的可能性。
具体的，对于每个分块，将分块中每个像素点的梯度方向与梯度幅值构成每个像素点的梯度向量，梯度向量的方向为梯度方向，模长为梯度幅值。根据分块内每个像素点的梯度向量以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量：
；
其中，表示灰度图像中第/>个分块的第/>个像素点的血流延伸向量，用来反映像素点的可能的血流变化方向趋势；/>表示灰度图像中第/>个分块的第/>个像素点的梯度向量；/>表示灰度图像中第/>个分块的血管延伸可能性。
对于灰度图像中的每个像素点，获取该像素点的八邻域内与该像素点的血管延伸向量夹角最小的像素点作为该像素点的第一延伸像素点，将第一延伸像素点与该像素点相连，获取该像素点的八邻域内与该像素点的第一延伸像素点的血管延伸向量夹角最小的像素点作为该像素点的第二延伸像素点，将第二延伸像素点与第一延伸像素点相连，获取该像素点的八邻域内除第一延伸像素点外与该像素点的第二延伸像素点的血管延伸向量夹角最小的像素点作为该像素点的第三延伸像素点，将第三延伸像素点与第二延伸像素点相连，依次类推，直到该像素点的八邻域内所有像素点都已相连时停止迭代，将该像素点与其八邻域内所有像素点相连的路径作为该像素点的初始路径，将初始路径中所有相邻像素点之间血管延伸向量夹角最大的相邻像素点之间的连线断开，得到两条路径，将断开后该像素点所在的路径作为该像素点的血流趋势路径。
根据灰度图像中每个像素点的血流趋势路径获取每个像素点为血管像素点的可能性：
；
其中，表示灰度图像中第/>个像素点为血管像素点的可能性，/>取遍[1,/>]中所有整数，/>表示灰度图像中包含的像素点数量；/>表示第/>个像素点的血流趋势路径长度；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量的模长；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量的模长；/>表示余弦相似度。当灰度图像中第/>个像素点为血管内像素点时，其八邻域内所有像素点极大可能都属于血管内，此时第/>个像素点以及其八邻域内所有像素点的血流延伸向量之间都非常相似，使得第/>个像素点的血流趋势路径长度非常长，血流趋势路径内相邻像素点之间的血流延伸向量之间的余弦相似度较大，血流趋势路径内相邻像素点之间的血流延伸向量的模长之间差异较小，对应的/>非常大。当灰度图像中第/>个像素点为血管边缘的像素点时，其八邻域内的像素点一部分属于血管内，一部分属于血管外，与第/>个像素点共同属于血管内的像素点的血流延伸向量之间都较为相似，使得第/>个像素点的血流趋势路径长度较长，血流趋势路径内相邻像素点之间的血流延伸向量之间的余弦相似度较大，血流趋势路径内相邻像素点之间的血流延伸向量的模长之间差异较小，对应的/>较大。当灰度图像中第/>个像素点为肠壁像素点时，其八邻域内的像素点大概率都属于肠壁，肠壁像素点的梯度方向混乱，导致第/>个像素点与其八邻域内像素点的血流延伸向量之间差异较大，使得第/>个像素点的血流趋势路径长度较短，血流趋势路径内相邻像素点之间的血流延伸向量之间的余弦相似度较小，血流趋势路径内相邻像素点之间的血流延伸向量的模长之间差异较大，对应的/>较小。
至此，获取了灰度图像中每个像素点为血管像素点的可能性。
S005．根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值，将灰度图像中每个像素点的增强灰度值构成增强图像，用于识别肠道异常。
根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值：
；
其中，表示灰度图像中第/>个像素点的增强灰度值；/>表示灰度图像中第/>个像素点为血管像素点的可能性；/>表示灰度图像中第/>个像素点原本的灰度值；/>表示以自然常数为底的指数函数；当灰度图像中第/>个像素点越可能为血管像素点，对其灰度值降低的程度越大，当第/>个像素点越不可能为血管像素点，对其灰度值降低的程度越小，尽可能保持不变，从而使得血管与肠壁对比更加明显。
将灰度图像中每个像素点的增强灰度值构成增强图像，参见图4。
将增强图像展示在肠镜显示终端上，由医生根据增强图像进行肠道异常判断。
本发明实施例还提出一种胃肠镜图像异常检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种胃肠镜图像异常检测方法的步骤。
本发明实施例通过获取当前肠道层面的灰度图像，将灰度图像划分为多个分块，根据分块中所有像素点的灰度值获取分块中存在血管的可能性；根据分块中所有像素点的梯度方向确定分块的延伸分块，根据分块与其延伸分块内像素点的梯度幅值以及梯度方向获取分块的血管延伸可能性，根据分块内像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取像素点的血流延伸向量，根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点为血管像素点的可能性，从而对灰度图像进行增强得到增强图像，使得肠道内血管和肠壁的对比性更加明显，使得肠道异常更易于识别。
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 (10)

1.一种胃肠镜图像异常检测方法，其特征在于，该方法包括以下步骤：
获取当前肠道层面的灰度图像；
将灰度图像划分为多个分块，根据每个分块中所有像素点的灰度值获取每个分块中存在血管的可能性；获取每个分块中每个像素点的梯度方向和梯度幅值，根据分块中所有像素点的梯度方向确定分块的延伸分块，根据每个分块与其延伸分块中存在血管的可能性以及每个分块与其延伸分块内像素点的梯度幅值以及梯度方向获取每个分块的血管延伸可能性；
根据分块内每个像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量；根据每个像素点以及其八邻域内像素点的血流延伸向量的差异获取每个像素点为血管像素点的可能性；根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值；将灰度图像中每个像素点的增强灰度值构成增强图像，用于识别肠道异常。
2.根据权利要求1所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据每个分块中所有像素点的灰度值获取每个分块中存在血管的可能性，包括的具体步骤如下：
对于每个分块，将分块中所有像素点的灰度值的方差与平均值的比值，作为分块中存在血管的可能性。
3.根据权利要求1所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据分块中所有像素点的梯度方向确定分块的延伸分块，包括的具体步骤如下：
对于灰度图像中的每个分块，以每个像素点的梯度方向为方向，以1为模长，构建每个像素点的单位梯度向量；计算分块内所有像素点的单位梯度向量的和，得到分块的综合向量，将分块的综合向量的方向作为分块的疑似血管流向；将位于分块的疑似血管流向的方向上的相邻分块作为该分块的延伸分块。
4.根据权利要求3所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据每个分块与其延伸分块中存在血管的可能性以及每个分块与其延伸分块内像素点的梯度幅值以及梯度方向获取每个分块的血管延伸可能性，包括的具体步骤如下：
；
其中，表示灰度图像中第/>个分块的血管延伸可能性；/>表示灰度图像中第/>个分块中存在血管的可能性；/>表示第/>个分块的延伸分块中存在血管的可能性；/>表示第/>个分块中所有像素点的梯度幅值的均值；/>表示第/>个分块的延伸分块中所有像素点的梯度幅值的均值；/>表示第/>个分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差；/>表示第/>个分块的延伸分块中所有像素点的梯度方向与疑似血管流向之间的夹角角度的方差；/>表示最大值函数；/>为超参数；/>表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据分块内每个像素点的梯度方向、梯度幅值以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量，包括的具体步骤如下：
对于每个分块，将分块中每个像素点的梯度方向与梯度幅值构成每个像素点的梯度向量，梯度向量的方向为梯度方向，模长为梯度幅值；根据分块内每个像素点的梯度向量以及分块的血管延伸可能性获取分块内每个像素点的血流延伸向量：
；
其中，表示灰度图像中第/>个分块的第/>个像素点的血流延伸向量，用来反映像素点的可能的血流变化方向趋势；/>表示灰度图像中第/>个分块的第/>个像素点的梯度向量；/>表示灰度图像中第/>个分块的血管延伸可能性。
6.根据权利要求1所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据每个像素点以及其八邻域内像素点的血流延伸向量的差异获取每个像素点为血管像素点的可能性，包括的具体步骤如下：
对于灰度图像中每个像素点，根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点的血流趋势路径；根据像素点的血流趋势路径获取像素点为血管像素点的可能性。
7.根据权利要求6所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据像素点以及其八邻域内像素点的血流延伸向量的差异获取像素点的血流趋势路径，包括的具体步骤如下：
获取像素点的八邻域内与该像素点的血管延伸向量夹角最小的像素点作为该像素点的第一延伸像素点，将第一延伸像素点与该像素点相连，获取该像素点的八邻域内与该像素点的第一延伸像素点的血管延伸向量夹角最小的像素点作为该像素点的第二延伸像素点，将第二延伸像素点与第一延伸像素点相连，获取该像素点的八邻域内除第一延伸像素点外与该像素点的第二延伸像素点的血管延伸向量夹角最小的像素点作为该像素点的第三延伸像素点，将第三延伸像素点与第二延伸像素点相连，依次类推，直到该像素点的八邻域内所有像素点都已相连时停止迭代，将该像素点与其八邻域内所有像素点相连的路径作为该像素点的初始路径，将初始路径中所有相邻像素点之间血管延伸向量夹角最大的相邻像素点之间的连线断开，得到两条路径，将断开后该像素点所在的路径作为该像素点的血流趋势路径。
8.根据权利要求6所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据像素点的血流趋势路径获取像素点为血管像素点的可能性，包括的具体步骤如下：
；
其中，表示灰度图像中第/>个像素点为血管像素点的可能性，/>取遍[1,/>]中所有整数，表示灰度图像中包含的像素点数量；/>表示第/>个像素点的血流趋势路径长度；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量；/>表示第/>个像素点的血流趋势路径中第个像素点的血流延伸向量的模长；/>表示第/>个像素点的血流趋势路径中第/>个像素点的血流延伸向量的模长；/>表示余弦相似度。
9.根据权利要求1所述的一种胃肠镜图像异常检测方法，其特征在于，所述根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值，包括的具体步骤如下：
根据灰度图像中每个像素点为血管像素点的可能性，获取每个像素点的增强灰度值：
；
其中，表示灰度图像中第/>个像素点的增强灰度值；/>表示灰度图像中第/>个像素点为血管像素点的可能性；/>表示灰度图像中第/>个像素点原本的灰度值；/>表示以自然常数为底的指数函数；
将灰度图像中每个像素点的增强灰度值构成增强图像。
10.一种胃肠镜图像异常检测系统，包括存储器、处理器以及存储在所述存储器中并在所述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1-9任意一项所述方法的步骤。
CN202311768946.8A 2023-12-21 2023-12-21 一种胃肠镜图像异常检测方法及系统 Active CN117437236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311768946.8A CN117437236B (zh) 2023-12-21 2023-12-21 一种胃肠镜图像异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311768946.8A CN117437236B (zh) 2023-12-21 2023-12-21 一种胃肠镜图像异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN117437236A true CN117437236A (zh) 2024-01-23
CN117437236B CN117437236B (zh) 2024-03-01

Family

ID=89558736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311768946.8A Active CN117437236B (zh) 2023-12-21 2023-12-21 一种胃肠镜图像异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN117437236B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876402A (zh) * 2024-03-13 2024-04-12 中国人民解放军总医院第一医学中心 一种用于颞下颌关节紊乱病影像的智能分割方法
CN117974692A (zh) * 2024-03-29 2024-05-03 贵州毅丹恒瑞医药科技有限公司 一种基于区域生长的眼科医学影像处理方法
CN118096761A (zh) * 2024-04-26 2024-05-28 宝鸡康盛精工精密制造有限公司 一种基于图像处理的电池箱生产缺陷检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015202236A (ja) * 2014-04-15 2015-11-16 キヤノン株式会社 眼底画像解析装置及び解析方法
CN106709920A (zh) * 2016-12-15 2017-05-24 上海联影医疗科技有限公司 血管提取方法及其装置
CN107045721A (zh) * 2016-10-24 2017-08-15 东北大学 一种从胸部ct图像中提取肺血管的方法及装置
JP2018102586A (ja) * 2016-12-26 2018-07-05 大日本印刷株式会社 眼底画像処理装置
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
WO2022063198A1 (zh) * 2020-09-24 2022-03-31 上海健康医学院 一种肺部图像处理方法、装置及设备
CN114494070A (zh) * 2022-01-28 2022-05-13 上海联影智能医疗科技有限公司 血管图像的增强方法、装置、设备和存储介质
CN116402824A (zh) * 2023-06-09 2023-07-07 山东第一医科大学第二附属医院 基于儿童骨龄x光片的内分泌异常检测方法
US20230222668A1 (en) * 2022-01-13 2023-07-13 Canon Medical Systems Corporation Image processing apparatus, image processing method, and recording medium
CN116542976A (zh) * 2023-07-06 2023-08-04 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116934748A (zh) * 2023-09-15 2023-10-24 山东重交路桥工程有限公司 一种基于乳化高黏沥青的路面裂纹检测系统
CN117152136A (zh) * 2023-10-30 2023-12-01 张家港长三角生物安全研究中心 基于菌落单位计数的生物气溶胶监测方法
CN117237243A (zh) * 2023-11-16 2023-12-15 大连壹致科技有限公司 一种心血管造影图像局部自适应增强方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015202236A (ja) * 2014-04-15 2015-11-16 キヤノン株式会社 眼底画像解析装置及び解析方法
CN107045721A (zh) * 2016-10-24 2017-08-15 东北大学 一种从胸部ct图像中提取肺血管的方法及装置
CN106709920A (zh) * 2016-12-15 2017-05-24 上海联影医疗科技有限公司 血管提取方法及其装置
JP2018102586A (ja) * 2016-12-26 2018-07-05 大日本印刷株式会社 眼底画像処理装置
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
WO2022063198A1 (zh) * 2020-09-24 2022-03-31 上海健康医学院 一种肺部图像处理方法、装置及设备
US20230222668A1 (en) * 2022-01-13 2023-07-13 Canon Medical Systems Corporation Image processing apparatus, image processing method, and recording medium
CN114494070A (zh) * 2022-01-28 2022-05-13 上海联影智能医疗科技有限公司 血管图像的增强方法、装置、设备和存储介质
CN116402824A (zh) * 2023-06-09 2023-07-07 山东第一医科大学第二附属医院 基于儿童骨龄x光片的内分泌异常检测方法
CN116542976A (zh) * 2023-07-06 2023-08-04 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116934748A (zh) * 2023-09-15 2023-10-24 山东重交路桥工程有限公司 一种基于乳化高黏沥青的路面裂纹检测系统
CN117152136A (zh) * 2023-10-30 2023-12-01 张家港长三角生物安全研究中心 基于菌落单位计数的生物气溶胶监测方法
CN117237243A (zh) * 2023-11-16 2023-12-15 大连壹致科技有限公司 一种心血管造影图像局部自适应增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
朱宏擎: "基于灰度-梯度共生矩阵的视网膜血管分割方法", 上海交通大学学报, no. 09, 30 September 2004 (2004-09-30) *
武劲圆;游国栋;严宇;荣宏伟;李继生;: "基于图像分割的糖尿病性视网膜病变血管的分析", 医疗卫生装备, no. 06, 15 June 2017 (2017-06-15) *
高强;周子杰;于晓;李大华;张问银;: "彩色眼底视网膜的非线性映射分块血管提取", 科技风, no. 35, 7 December 2018 (2018-12-07) *
黄木连: "基于局部特征空间中智模糊C-均值聚类的视网膜血管分割", 《信息通信 》, no. 08, 15 August 2018 (2018-08-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876402A (zh) * 2024-03-13 2024-04-12 中国人民解放军总医院第一医学中心 一种用于颞下颌关节紊乱病影像的智能分割方法
CN117876402B (zh) * 2024-03-13 2024-05-07 中国人民解放军总医院第一医学中心 一种用于颞下颌关节紊乱病影像的智能分割方法
CN117974692A (zh) * 2024-03-29 2024-05-03 贵州毅丹恒瑞医药科技有限公司 一种基于区域生长的眼科医学影像处理方法
CN117974692B (zh) * 2024-03-29 2024-06-07 贵州毅丹恒瑞医药科技有限公司 一种基于区域生长的眼科医学影像处理方法
CN118096761A (zh) * 2024-04-26 2024-05-28 宝鸡康盛精工精密制造有限公司 一种基于图像处理的电池箱生产缺陷检测方法

Also Published As

Publication number Publication date
CN117437236B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN117437236B (zh) 一种胃肠镜图像异常检测方法及系统
CN105979847B (zh) 内窥镜图像诊断辅助系统
Nguyen et al. Colorectal segmentation using multiple encoder-decoder network in colonoscopy images
WO2007105516A1 (ja) 画像解析装置及び画像解析方法
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
KR102176139B1 (ko) 연속적인 딥 인코더-디코더 네트워크를 이용한 이미지 세그먼테이션 장치 및 그 방법
CN103458765B (zh) 图像处理装置
CN110729045A (zh) 一种基于上下文感知残差网络的舌图像分割方法
CN116579954B (zh) 一种超高清内窥镜图像智能增强方法
CN113781489B (zh) 一种息肉影像语义分割方法及装置
CN111325709A (zh) 无线胶囊内窥镜图像检测系统及检测方法
CN111325266A (zh) 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备
CN111839428A (zh) 一种基于深度学习提高结肠镜腺瘤性息肉检出率的方法
CN114176775B (zh) Ercp选择性胆管插管的校验方法、装置、设备及介质
CN112634231A (zh) 一种图像分类方法、装置、终端设备和存储介质
CN115423819A (zh) 肺血管的分割方法及装置、电子设备和存储介质
CN113658097B (zh) 一种眼底图像质量增强模型的训练方法及装置
CN116542883B (zh) 一种磁控胶囊胃镜影像病灶粘膜增强系统
CN112884702B (zh) 一种基于内窥镜图像的息肉识别系统和方法
CN117197470A (zh) 一种基于结肠镜图像的息肉分割方法、设备及介质
US11120554B2 (en) Image diagnosis apparatus, image diagnosis method, and program
CN114241138A (zh) 肺小结节三维重建方法、装置、电子设备及存储介质
CN115908224A (zh) 目标检测模型的训练方法、目标检测方法和训练装置
Banik et al. Recent advances in intelligent imaging systems for early prediction of colorectal cancer: a perspective
CN117437580B (zh) 消化道肿瘤识别方法、系统及介质

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