CN117541569A - 一种共聚焦内窥镜无效图像筛除方法及相关设备 - Google Patents
一种共聚焦内窥镜无效图像筛除方法及相关设备 Download PDFInfo
- Publication number
- CN117541569A CN117541569A CN202311601479.XA CN202311601479A CN117541569A CN 117541569 A CN117541569 A CN 117541569A CN 202311601479 A CN202311601479 A CN 202311601479A CN 117541569 A CN117541569 A CN 117541569A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- data
- value
- characteristic information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012216 screening Methods 0.000 title claims abstract description 39
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 21
- 238000004458 analytical method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 231100001014 gastrointestinal tract lesion Toxicity 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Endoscopes (AREA)
Abstract
本申请公开了一种共聚焦内窥镜无效图像筛除方法及相关设备,涉及图像处理领域,该方法包括:获取共聚焦内窥镜图像的感兴趣区域图像;获取上述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,上述第一特征信息是基于上述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于上述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,上述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
Description
技术领域
本说明书涉及图像处理领域,更具体地说,本申请涉及一种共聚焦内窥镜无效图像筛除方法及相关设备。
背景技术
共聚焦内窥镜是一种可以借助胃镜、结肠镜等通道伸入人体,获取局部组织学图像来实现微小病灶、胃肠道病变及早期胃肠道癌变的精准诊断的医疗设备。根据公开的资料,共聚焦内窥镜产品帧频可达18fps。据此可以计算出,使用共聚焦内窥镜进行10分钟的临床检查过程,会产生10800帧图像。如果医师回顾检查图像时,每帧耗时0.5秒,则要花1.5小时才能回顾完这次检查的所有图像,这是非常耗时的操作。
实际上,共聚焦图像由于放大倍数高且视野较小的特点,产生的图像中有很多过暗、过亮、模糊、包含了运动伪影的无效图像,这些图像不能提供诊断信息。公开资料显示,约有一半的图像是不包含诊断信息的。如果能从中筛选出这些无效图像,剩下的有效图像交由医师回顾,可以极大减轻医师的工作量,提高医疗机构的效率。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明。本申请的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
第一方面,本申请提出一种共聚焦内窥镜无效图像筛除方法,上述方法包括:
获取共聚焦内窥镜图像的感兴趣区域图像;
获取上述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,上述第一特征信息是基于上述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于上述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,上述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;
通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
可选地,上述获取共聚焦内窥镜图像的感兴趣区域,包括:
获取相同检测区域的预设数目的拍摄图像,其中,所有上述拍摄图像的高度和宽度相等;
根据所有拍摄图像在相同像素位置的最大像素值构建待处理图像;
基于OTSU方法进行阈值化处理,获取二值图像;
将上述二值图像的低阈值区域确定为上述感兴趣区域图像。
可选地,上述方法还包括:
获取上述感兴趣区域的像素值直方图;
根据上述像素值直方图统计结果中由高至低的预设占比的像素统计值确定上述第一特征信息;
根据上述像素值直方图统计结果中由低至高的上述预设占比的像素统计值确定上述第二特征信息。
可选地,上述方法还包括:
获取预设数量的共聚焦内窥镜图像数据,以分析有效和无效图像的特征信息分布;
基于上述有效和无效图像的特征信息分布确定上述预设占比。
可选地,上述方法还包括:
对上述感兴趣区域利用至少两组目标算子集进行卷积操作获取多组卷积数据集;
在每个上述卷积数据集中对多个卷积数据进行最大取整操作以获取目标卷积数据;
根据每组中的上述目标卷积数据确定上述第三特征信息。
可选地,上述通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除,包括:
获取共聚焦内窥镜图像的像素最大值和像素最小值;
根据上述第一特征信息和第一特征信息阈值信息进行比较以对无效图像进行筛除,其中,上述第一特征信息阈值信息是基于上述像素最大值和第一权重系数确定的;
根据上述第二特征信息和第二特征信息阈值信息进行比较以对无效图像进行筛除,其中,上述第二特征信息阈值信息是基于上述像素最小值和第二权重系数确定的;
根据上述第三特征信息和第三特征信息阈值信息进行比较以对无效图像进行筛除,其中,上述第三特征信息阈值信息是基于上述像素最大值和上述像素最小值的差值和第三权重系数确定的。
可选地,上述方法还包括:
根据经验数据设定上述第一权重系数、上述第二权重系数和上述第三权重系数对应的初始权重系数;
使用梯度下降法对上述初始权重系数进行初次优化;
根据测试训练数据集对初次优化后的初始权重系数进行交叉验证,基于上述交叉验证结果对上述初始权重系数进行二次优化。
可选地,上述方法还包括:
在计算数据集中选取一个第一数据集和两个第二数据集,其中,所述第二数据集中的每个数据与所述第一数据集中的数据在计算数据集中相邻,且不同的所述第二数据集同次序的第二数据与所述第一数据集中在计算数据集中位于所述第一数据集中的第一数据两侧,其中,所述待计算数据集是对待处理数据进行数据去噪操作获取的;
以所述第一数据集为基准对所述第二数据集进行偏移操作,并计算对齐代价值;
基于所述对齐代价值确定目标对齐参数;
基于所述目标对齐参数对无效图像进行筛除后的图像集进行对齐操作,以获取对齐图像数据集。
可选地,上述方法还包括:
获取均匀扫描采样点数据集和正弦采样数据点集;
计算所述均匀扫描采样点数据集和正弦采样数据点集中数据的中心差值信息;
基于所述中心值差信息、拉伸系数、振镜扫描频率和正弦采样频率计算参考变量;
基于所述参考变量和所述参考变量阈值信息确定校正参考值;
根据所述校正参考值和正弦采样数据点集中图像的中心列信息的和值进行近似取整操作,以获取校正目标值;
基于所述校正目标值对所述对齐图像数据集进行校正操作,以获取目标图像数据集。
第二方面,本申请还提出一种共聚焦内窥镜无效图像筛除装置,包括:
第一获取单元,用于获取共聚焦内窥镜图像的感兴趣区域图像;
第二获取单元,用于获取上述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,上述第一特征信息是基于上述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于上述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,上述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;
筛除单元,用于通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
综上,本申请实施例的共聚焦内窥镜无效图像筛除方法包括:获取共聚焦内窥镜图像的感兴趣区域图像;获取上述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,上述第一特征信息是基于上述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于上述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,上述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。本申请实施例提供的一种共聚焦内窥镜无效图像筛除方法,通过精确地选择感兴趣区域并提取关键特征信息,可以提供更为准确的图像数据,支持医生或分析系统做出更为精确的诊断。自动筛除无效图像减少了数据处理的负担,提高了整体分析的速度和效率。确保进一步处理和分析的数据集中的图像都是有价值的,提高了数据集的整体质量。该流程可以自动化实施,减少了手动干预,能够进行大规模图像处理。
本申请提出的共聚焦内窥镜无效图像筛除方法,本申请的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本申请的研究和实践而为本领域的技术人员所理解。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本说明书的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的一种共聚焦内窥镜无效图像筛除方法流程示意图;
图2为本申请实施例提供的一种图像感兴趣区域示意图;
图3为本申请实施例提供的第一种算子结构性示意图;
图4为本申请实施例提供的第二种算子结构性示意图;
图5为本申请实施例提供的第三种算子结构性示意图;
图6为本申请实施例提供的第四种算子结构性示意图;
图7为本申请实施例提供的第五种算子结构性示意图;
图8为本申请实施例提供的一种共聚焦内窥镜无效图像筛除装置结构性示意图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。
请参阅图1,为本申请实施例提供的一种共聚焦内窥镜无效图像筛除方法流程示意图,具体可以包括:
S110、获取共聚焦内窥镜图像的感兴趣区域图像;
示例性的,从共聚焦内窥镜图像中识别并提取出感兴趣的区域(ROI),这一区域可能含有诊断或分析所需的关键信息。
具体的,获得一次检查的所有图像,记为{Ik},k=1,2,L,K;记图像像素值最大为Vmax,最小为Vmin。找到感兴趣区域A。{Ik},k=1,2,L,K所有图像具有相同的高度和宽度。记Ik的高度和宽度分别为H和W。令M是高度为H,宽度为W的空图像,遍历M每个像素位置,每个像素值是{Ik}在相同位置所有像素值的最大值,即
M(h,w)=max{Ik(h,w)};k=1,2,L,K;h=1,2,L,H;w=1,2,L,W
M中像素值大于0的像素构成感兴趣区域。
图像M示例如图2所示,每个像素非黑即白,白色部分即是感兴趣区域。
S120、获取上述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,上述第一特征信息是基于上述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于上述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,上述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;
示例性的,第一特征信息是基于感兴趣区域图像的像素值直方图的高值统计数据确定的特征值,反映图像中亮度较高的像素分布。第二特征信息是从像素值直方图的低值统计数据确定的特征值,显示图像中亮度较低的像素分布。第三特征信息是通过将感兴趣区域的图像与多个目标算子进行卷积操作后获得的卷积信息,这可以捕捉图像中的纹理和形状信息等高级特征。
S130、通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
示例性的,将提取的三种特征信息与预设的特征信息阈值进行比较,以识别并排除那些不符合质量标准的图像区域。通过这种方式,可以保证进一步分析的图像区域是信息丰富和质量可靠的,从而提高整个图像分析过程的有效性和准确性。
综上,本申请实施例提供的一种共聚焦内窥镜无效图像筛除方法,通过精确地选择感兴趣区域并提取关键特征信息,可以提供更为准确的图像数据,支持医生或分析系统做出更为精确的诊断。自动筛除无效图像减少了数据处理的负担,提高了整体分析的速度和效率。确保进一步处理和分析的数据集中的图像都是有价值的,提高了数据集的整体质量。该流程可以自动化实施,减少了手动干预,能够进行大规模图像处理。
在一些示例中,上述获取共聚焦内窥镜图像的感兴趣区域,包括:
获取相同检测区域的预设数目的拍摄图像,其中,所有上述拍摄图像的高度和宽度相等;
根据所有拍摄图像在相同像素位置的最大像素值构建待处理图像;
基于OTSU方法进行阈值化处理,获取二值图像;
将上述二值图像的低阈值区域确定为上述感兴趣区域图像。
示例性的,收集一系列具有相同检测区域的图像,这些图像的高度和宽度是一致的。对于图像集合中的每个相同像素位置,计算最大像素值,并利用这些最大值构建一个新的待处理图像。这有助于突出每个位置的最显著特征,可能是亮度或其他重要图像属性。应用OTSU方法对待处理图像进行阈值化处理。OTSU方法是一种自动阈值确定算法,通过最大化类间方差来选择最佳阈值,该阈值将图像分割为前景和背景(即二值图像)。在二值图像中,选择阈值以下的区域作为感兴趣区域图像。这些通常是亮度较低的区域,可能包含特定的图像特征或信息。
通过集中在亮度最显著的区域,可以更容易地识别和提取关键特征。OTSU阈值化处理简化了图像内容,使得ROI的确定更加准确和高效。通过仅分析感兴趣区域而非整个图像,可以节省计算资源,并专注于最相关的数据。
在一些示例中,上述方法还包括:
获取上述感兴趣区域的像素值直方图;
根据上述像素值直方图统计结果中由高至低的预设占比的像素统计值确定上述第一特征信息;
根据上述像素值直方图统计结果中由低至高的上述预设占比的像素统计值确定上述第二特征信息。
示例性的,对于选定的感兴趣区域(ROI),计算像素值直方图,这是一个图像中不同像素值出现频率的统计图表。直方图反映了图像的亮度分布情况。
从直方图中选取亮度最高的像素部分,基于预设的占比阈值(例如前10%的亮度值),计算这一范围内的像素统计值。这个统计值可以用来描述图像中最亮部分的特征,如亮度的集中程度,亮区的大小等。
从直方图中选取亮度最低的像素部分,同样基于预设的占比阈值(例如最暗的10%),计算这一范围内的像素统计值。这个统计值可以用来描述图像中最暗部分的特征,如暗区的广泛程度,暗区的面积等。
具体的,统计Ik对应掩模图像白色区域的像素值直方图,第一特征信息可以为到直方图中从低到高累计占比10%的像素值,记为
举例说明,假如像素值统计的直方图结果如表1所示:
像素值 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
数量 | 3 | 5 | 6 | 8 | 13 | 17 | 16 | 10 | 4 | 2 |
表1
总数为3+5+6+……+2=84.从低到高依次占比为:
0:3/84=0.0357
0~1:(3+5)/84=0.0952
0~2:(3+5+6)/84=0.1667
0~1的占比小于10%,而0~2的占比大于10%,因而从低到高累计占比10%的像素值是2.
第二特征信息:统计Ik对应掩模图像白色区域的像素值直方图,特征2的值为直方图中从高到低累计占比10%的像素值,记为
举例说明,假如像素值统计的直方图结果如表2所示:
像素值 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
数量 | 3 | 5 | 6 | 8 | 13 | 17 | 16 | 10 | 4 | 2 |
表2
总数为3+5+6+……+2=84.从高到低依次占比为:
9:2/84=0.0238
9~8:(2+4)/84=0.0714
9~7:(2+4+10)/84=0.1905
9~8的占比小于10%,而9~7的占比大于10%,因而从高到低累计占比10%的像素值是7。
综上,通过对提供图像中明暗区域的精确描述,有助于区分图像中的不同结构和对象。
在一些示例中,上述方法还包括:
获取预设数量的共聚焦内窥镜图像数据,以分析有效和无效图像的特征信息分布;
基于上述有效和无效图像的特征信息分布确定上述预设占比。
示例性的,首先,获取一定数量的共聚焦内窥镜图像。这些图像可能包含了所需分析的全部范围,包括被认为是有效的图像,即质量好、信息丰富的图像,还有无效的图像,即质量差、信息缺乏的图像。对这些图像进行分析,以识别和记录有效和无效图像的特征信息。这些特征可能包括亮度、对比度、颜色分布、纹理模式等。特征信息分布的分析旨在确定哪些特征与有效图像相对应,哪些则与无效图像关联。基于对有效和无效图像的特征信息分布的理解,确定一个预设占比。这个占比指的是在后续处理步骤中用于区分或筛选图像的一个标准或阈值。例如,如果分析表明有效图像通常具有一定范围内的亮度值,这个范围可以用作后续处理中区分有效和无效图像的标准。
通过精确分析图像特征,可以更准确地区分有效和无效的图像,提高数据集的质量。确定的预设占比可以用于自动化地筛选图像,减少手动筛选的工作量,提高效率。
在一些示例中,上述方法还包括:
对上述感兴趣区域利用至少两组目标算子集进行卷积操作获取多组卷积数据集;
在每个上述卷积数据集中对多个卷积数据进行最大取整操作以获取目标卷积数据;
根据每组中的上述目标卷积数据确定上述第三特征信息。
示例性的,利用至少两组不同的目标算子集对感兴趣区域进行卷积操作。每组目标算子集门设计来捕捉图像中的特定特征,如边缘、纹理或特定的形状模式。每组算子与感兴趣区域的卷积产生一组卷积数据集。需要说明的是,卷积操作本质上是算子与图像区域的局部区域相乘,然后将结果求和,以此来提取特定的图像特征。在每个卷积数据集中,对多个卷积数据进行最大值取整操作,以得到目标卷积数据。此步骤旨在从卷积结果中提取最显著的特征,即卷积响应最强的区域。第三特征信息可能反映了图像中的某些高级特征,如特定的纹理或模式。
具体的,第三特征信息可以由下述方式具体确定对Ik分别使用4个算子进行卷积,得到令/>其中round函数为就近取整,abs函数为取绝对值。统计/>对应掩模图像白色区域的值的直方图,第三特征信息的值的值为直方图中从高到低累计占比10%的值,记为/>图3至图7给出了几种算子的排列方式。需要说明的,给出的4个算子的大小为7*7,使用的算子的大小不限定于7*7。使用的算子可以按上述例子的0所在行、列、对角线对称翻转。
综上,使用不同的目标算子集可以从图像中提取多种类型的特征,从而获得更全面的特征信息。多组卷积操作可以捕捉到更复杂的图像特征,有助于图像分类、识别或其他高级分析任务。最大取整操作强调了每组卷积中的主要特征,提高了处理结果的可靠性和有效性。
在一些示例中,上述通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除,包括:
获取共聚焦内窥镜图像的像素最大值和像素最小值;
根据上述第一特征信息和第一特征信息阈值信息进行比较以对无效图像进行筛除,其中,上述第一特征信息阈值信息是基于上述像素最大值和第一权重系数确定的;
根据上述第二特征信息和第二特征信息阈值信息进行比较以对无效图像进行筛除,其中,上述第二特征信息阈值信息是基于上述像素最小值和第二权重系数确定的;
根据上述第三特征信息和第三特征信息阈值信息进行比较以对无效图像进行筛除,其中,上述第三特征信息阈值信息是基于上述像素最大值和上述像素最小值的差值和第三权重系数确定的。
示例性的,计算共聚焦内窥镜图像的像素最大值和最小值。这些极值提供了图像亮度范围的基本信息。
使用第一特征信息和第一特征信息阈值进行比较。其中,第一特征信息阈值是基于像素最大值和第一权重系数计算得到的。如果第一特征信息超过此阈值,相应的图像可能被视为无效并筛除。
使用第二特征信息和第二特征信息阈值进行比较。第二特征信息阈值是基于像素最小值和第二权重系数计算得到的。如果第二特征信息超过此阈值,相应的图像可能被视为无效并筛除。
使用第三特征信息和第三特征信息阈值进行比较。第三特征信息阈值是基于像素最大值和最小值的差值以及第三权重系数计算得到的。如果第三特征信息超过此阈值,相应的图像可能被视为无效并筛除。
在一些示例中,上述方法还包括:
根据经验数据设定上述第一权重系数、上述第二权重系数和上述第三权重系数对应的初始权重系数;
使用梯度下降法对上述初始权重系数进行初次优化;
根据测试训练数据集对初次优化后的初始权重系数进行交叉验证,基于上述交叉验证结果对上述初始权重系数进行二次优化。
示例性的,根据经验数据,设定第一、第二和第三权重系数的初始值。初始权重的设定为后续的优化提供了一个起点,确保权重系数的选择有一定的经验基础。应用梯度下降法对这些初始权重系数进行初次优化,以减少预测误差或优化目标函数。初次优化旨在调整权重系数,使其更接近实际数据中筛除无效图像的最佳值。
使用测试训练数据集对经过初次优化的权重系数进行交叉验证,将数据分为多个部分,在一个部分上训练模型,然后在另一个部分上测试模型。根据交叉验证的结果,对权重系数进行二次优化,以进一步提高其性能。通过这种方式,可以确保权重系数不仅适用于特定的数据集,而且具有良好的泛化能力,适用于更广泛的情况。
综上,通过优化权重系数,可以更准确地确定特征信息的阈值,从而提高筛除无效图像的效果。交叉验证有助于避免模型对特定数据集的过拟合,确保模型在不同数据上都能良好工作。二次优化后的权重系数能够适应更广泛的数据变化,增强模型的实用性和稳定性。
在一些示例中,上述方法,在获取共聚焦内窥镜图像的感兴趣区域图像这一步骤之前,对计算数据集进行如下处理:
在计算数据集中选取一个第一数据集和两个第二数据集,其中,所述第二数据集中的每个数据与所述第一数据集中的数据在计算数据集中相邻,且不同的所述第二数据集同次序的第二数据与所述第一数据集中在计算数据集中位于所述第一数据集中的第一数据两侧,其中,所述待计算数据集是对待处理数据进行数据去噪操作获取的;
以所述第一数据集为基准对所述第二数据集进行偏移操作,并计算对齐代价值;
基于所述对齐代价值确定目标对齐参数;
基于所述目标对齐参数对无效图像进行筛除后的图像集进行对齐操作,以获取对齐图像数据集。
示例性的,待计算数据集是待处理数据集进行去噪操作获取的,待处理数据集是共聚焦内窥镜在预处理模式获取的原始图像数据进行翻转操作获取得到的,以使所述待处理数据集中的所有图像具有相同的采集方向。从待计算数据集中选择一个第一数据集和两个第二数据集。第二数据集中的每个数据点在空间上与第一数据集中的数据点相邻,且每个第二数据集中相同顺序的数据点位于第一数据集中一个特定数据点的两侧。以第一数据集为基准,对第二数据集进行偏移操作,以实现最佳对齐。通过计算对齐代价值可能评估数据集之间的相似度或差异度,可以通过交叉相关、欧氏距离等方法。这个对齐代价值反映了对齐的精确度和效果。基于计算出的对齐代价值,确定最优的对齐参数,如偏移量、旋转角度或缩放因子。找到能够最大程度减少第一数据集与第二数据集间差异的对齐参数,以确保数据集之间有最佳的一致性和对应关系。
具体的,可以通过下式计算上述对齐代价值cost:
其中,P代表对齐操作中使用的行数,eid和sid分别表示选结束行号和起始行号,odp(id)表示在偏移D下,偶数行p中第id个数据点,ed1 p(id)和ed2 p(id)分别表示奇数行p中第id个数据点在两个不同的偶数行数据集中的对应点,为一个双重求和符号,表示要对所有选定的奇数行和在这些行中的每个数据点进行迭代,/>和是绝对值差异,表示在D偏移下,给定数据点的奇偶行之间的差异,为归一化因子。
示例性的,偏移是整数,用a表示。cost表示偏移为a时的对齐代价。当a依次取[1-N1,N1-1]范围内的整数值时,计算cost。以奇数行数据为基准,将偶数行数据按照a进行偏移操作。不同偏移值的示意如图7所示,分别是偏移值为-4,0,3的情况。od表示奇数行数据,ed表示偶数行数据。格子中的数字表示每一行数据中的数据元素下标。
找到偏移后奇数行数据与偶数行数据重合的部分。重合部分以奇数行下标表示。记重合部分起始下标和结束下标分别为sid和eid:
sid=max(a,0)
eid=min(N1-1,N1-1+a)
通过上式提供的对齐代价值cost公式,提供了一个量化的方法来评估数据对齐的效果,通过最小化这个代价函数,可以找到最佳的对齐参数,从而提高图像处理任务的准确性和可靠性。
本实施例给出一种对齐参数的具体计算方法,通过选择合适的数据集并进行空间上的相邻性分析,确保了数据处理的精细化和高效性。通过计算对齐代价值,并基于这些值调整对齐参数能够精确地对齐数据集,从而确保数据的一致性和可比性。经过精确对齐和优化处理的数据集为后续的图像分析和解释提供了坚实的基础,从而增强了分析结果的可靠性和有效性。能够至少部分消除谐振镜扫描特性带来的问题,为用户提供正确的、与实际形状相同的图像,进而为临床提供准确的诊断信息。
在一些示例中,上述方法还包括:
获取均匀扫描采样点数据集和正弦采样数据点集;
计算所述均匀扫描采样点数据集和正弦采样数据点集中数据的中心差值信息;
基于所述中心值差信息、拉伸系数、振镜扫描频率和正弦采样频率计算参考变量;
基于所述参考变量和所述参考变量阈值信息确定校正参考值;
根据所述校正参考值和正弦采样数据点集中图像的中心列信息的和值进行近似取整操作,以获取校正目标值;
基于所述校正目标值对所述对齐图像数据集进行校正操作,以获取目标图像数据集。
示例性的,收集两种类型的采样数据,均匀扫描采样点数据集和正弦采样数据点集。均匀采样来自理想的、没有扫描畸变的情况下的内窥镜图像,而正弦采样数据集为上述原因在扫描过程中振镜运动而产生畸变影响的采样数据点集。比较均匀扫描数据集和正弦采样数据集,特别是它们的中心位置,计算中心点之间的差值信息,即中心差值信息,这样的差异可以反映扫描过程中可能出现的系统性偏差。利用中心差值信息和拉伸系数、振镜扫描频率和正弦采样频率来计算一个或多个参考变量。参考变量用于描述数据集中的扫描畸变模式,为后续的校正操作提供必要的信息。使用已经计算出的校正参考值和图像中心列信息的和值。将这个和值进行近似取整操作,得到校正目标值。使用校正目标值来调整正弦采样数据集中的图像数据。校正操作可能包括图像中数据点的平移、旋转或其他变换,以补偿由于扫描引起的扭曲或拉伸。通过校正目标值对所述对齐图像数据集进行校正操作,从而获取目标图像数据集。
本申请实施例的目的在于修正图像畸变,使得图像更准确地反映实际的视觉信息。通过这种方法,图像的每个采样点都将根据计算出的目标值进行调整,从而改善整体图像质量,减少畸变造成的影响。这种校正流程通常是自动化的,能够提高处理效率,确保结果的一致性和重复性。
请参阅图8,本申请实施例中共聚焦内窥镜无效图像筛除装置的一个实施例,可以包括:
第一获取单元21,用于获取共聚焦内窥镜图像的感兴趣区域图像;
第二获取单元22,用于获取上述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,上述第一特征信息是基于上述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于上述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,上述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;
筛除单元23,用于通过上述第一特征信息、上述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
由于本实施例所介绍的电子设备为实施本申请实施例中一种共聚焦内窥镜无效图像筛除装置所采用的设备,故而基于本申请实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍,只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
在具体实施过程中,该计算机程序311被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,当计算机软件指令在处理设备上运行时,使得处理设备执行对应实施例中的共聚焦内窥镜无效图像筛除流程
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种共聚焦内窥镜无效图像筛除方法,其特征在于,包括:
获取共聚焦内窥镜图像的感兴趣区域图像;
获取所述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,所述第一特征信息是基于所述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于所述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,所述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;
通过所述第一特征信息、所述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
2.根据权利要求1所述的共聚焦内窥镜无效图像筛除方法,其特征在于,所述获取共聚焦内窥镜图像的感兴趣区域,包括:
获取相同检测区域的预设数目的拍摄图像,其中,所有所述拍摄图像的高度和宽度相等;
根据所有拍摄图像在相同像素位置的最大像素值构建待处理图像;
基于OTSU方法进行阈值化处理,获取二值图像;
将所述二值图像的低阈值区域确定为所述感兴趣区域图像。
3.根据权利要求1所述的共聚焦内窥镜无效图像筛除方法,其特征在于,还包括:
获取所述感兴趣区域的像素值直方图;
根据所述像素值直方图统计结果中由高至低的预设占比的像素统计值确定所述第一特征信息;
根据所述像素值直方图统计结果中由低至高的所述预设占比的像素统计值确定所述第二特征信息。
4.根据权利要求3所述的共聚焦内窥镜无效图像筛除方法,其特征在于,还包括:
获取预设数量的共聚焦内窥镜图像数据,以分析有效和无效图像的特征信息分布;
基于所述有效和无效图像的特征信息分布确定所述预设占比。
5.根据权利要求1所述的共聚焦内窥镜无效图像筛除方法,其特征在于,还包括:
对所述感兴趣区域利用至少两组目标算子集进行卷积操作获取多组卷积数据集;
在每个所述卷积数据集中对多个卷积数据进行最大取整操作以获取目标卷积数据;
根据每组中的所述目标卷积数据确定所述第三特征信息。
6.根据权利要求1所述的共聚焦内窥镜无效图像筛除方法,其特征在于,所述通过所述第一特征信息、所述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除,包括:
获取共聚焦内窥镜图像的像素最大值和像素最小值;
根据所述第一特征信息和第一特征信息阈值信息进行比较以对无效图像进行筛除,其中,所述第一特征信息阈值信息是基于所述像素最大值和第一权重系数确定的;
根据所述第二特征信息和第二特征信息阈值信息进行比较以对无效图像进行筛除,其中,所述第二特征信息阈值信息是基于所述像素最小值和第二权重系数确定的;
根据所述第三特征信息和第三特征信息阈值信息进行比较以对无效图像进行筛除,其中,所述第三特征信息阈值信息是基于所述像素最大值和所述像素最小值的差值和第三权重系数确定的。
7.根据权利要求6所述的共聚焦内窥镜无效图像筛除方法,其特征在于,还包括:
根据经验数据设定所述第一权重系数、所述第二权重系数和所述第三权重系数对应的初始权重系数;
使用梯度下降法对所述初始权重系数进行初次优化;
根据测试训练数据集对初次优化后的初始权重系数进行交叉验证,基于所述交叉验证结果对所述初始权重系数进行二次优化。
8.根据权利要求1所述的共聚焦内窥镜无效图像筛除方法,其特征在于,还包括,在所述获取共聚焦内窥镜图像的感兴趣区域图像这一步骤之前,对计算数据集进行如下处理:
在计算数据集中选取一个第一数据集和两个第二数据集,其中,所述第二数据集中的每个数据与所述第一数据集中的数据在计算数据集中相邻,且不同的所述第二数据集同次序的第二数据与所述第一数据集中在计算数据集中位于所述第一数据集中的第一数据两侧,其中,所述待计算数据集是对待处理数据进行数据去噪操作获取的;
以所述第一数据集为基准对所述第二数据集进行偏移操作,并计算对齐代价值;
基于所述对齐代价值确定目标对齐参数;
基于所述目标对齐参数对无效图像进行筛除后的图像集进行对齐操作,以获取对齐图像数据集。
9.根据权利要求8所述的共聚焦内窥镜无效图像筛除方法,其特征在于,还包括:
获取均匀扫描采样点数据集和正弦采样数据点集;
计算所述均匀扫描采样点数据集和正弦采样数据点集中数据的中心差值信息;
基于所述中心值差信息、拉伸系数、振镜扫描频率和正弦采样频率计算参考变量;
基于所述参考变量和所述参考变量阈值信息确定校正参考值;
根据所述校正参考值和正弦采样数据点集中图像的中心列信息的和值进行近似取整操作,以获取校正目标值;
基于所述校正目标值对所述对齐图像数据集进行校正操作,以获取目标图像数据集。
10.一种共聚焦内窥镜无效图像筛除装置,其特征在于,包括:
第一获取单元,用于获取共聚焦内窥镜图像的感兴趣区域图像;
第二获取单元,用于获取所述感兴趣区域图像的第一特征信息、第二特征信息和第三特征信息,其中,所述第一特征信息是基于所述感兴趣区域图像的像素值直方图由高至低的像素统计值确定的特征值信息,第二特征信息是基于所述感兴趣区域图像的像素值直方图由低至高的像素统计值确定的特征值信息,所述第三特征信息是基于多个目标算子进行卷积操作后获取的卷积信息对应的特征值信息;
筛除单元,用于通过所述第一特征信息、所述第二特征信息和第三特征信息和特征信息阈值信息进行比较以对无效图像进行筛除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601479.XA CN117541569A (zh) | 2023-11-28 | 2023-11-28 | 一种共聚焦内窥镜无效图像筛除方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601479.XA CN117541569A (zh) | 2023-11-28 | 2023-11-28 | 一种共聚焦内窥镜无效图像筛除方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541569A true CN117541569A (zh) | 2024-02-09 |
Family
ID=89789759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311601479.XA Pending CN117541569A (zh) | 2023-11-28 | 2023-11-28 | 一种共聚焦内窥镜无效图像筛除方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541569A (zh) |
-
2023
- 2023-11-28 CN CN202311601479.XA patent/CN117541569A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7422825B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
CN109544540B (zh) | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 | |
US7916912B2 (en) | Efficient border extraction of image feature | |
JP6710373B2 (ja) | 超音波画像診断支援方法、およびシステム | |
US20060147101A1 (en) | Computer aided detection of microcalcification clusters | |
CN111784671A (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
US20110172514A1 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
KR20220099126A (ko) | 골절 위험 예측 방법 및 장치 | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN118172614B (zh) | 一种基于监督对比学习的有序强直性脊柱炎评级方法 | |
CN116071337A (zh) | 一种基于超像素分割的内镜图像质量评价方法 | |
CN115272647A (zh) | 一种肺部图像的识别处理方法及系统 | |
CN117671463B (zh) | 一种多模态医学数据质量校准方法 | |
Wang et al. | Focus-aware and deep restoration network with transformer for multi-focus image fusion | |
CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
Zhang et al. | Retinal spot lesion detection using adaptive multiscale morphological processing | |
CN116128774B (zh) | 一种胃部螺旋ct数据增强处理方法 | |
Badeka et al. | Evaluation of LBP variants in retinal blood vessels segmentation using machine learning | |
CN117011195A (zh) | 一种辅助中医的人体红外成像数据处理系统 | |
CN117541569A (zh) | 一种共聚焦内窥镜无效图像筛除方法及相关设备 | |
CN114565538B (zh) | 一种内镜图像处理方法、系统、存储介质及设备 | |
Arnold et al. | Indistinct frame detection in colonoscopy videos | |
Wieslander et al. | TEM image restoration from fast image streams | |
Asawa et al. | Deep learning approaches for determining optimal cervical cancer treatment | |
CN114862762A (zh) | 人体扫描图像的质量评估方法及其装置 |
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 |