CN118037714A - 基于gpu医疗内窥镜图像的处理方法、系统和介质 - Google Patents
基于gpu医疗内窥镜图像的处理方法、系统和介质 Download PDFInfo
- Publication number
- CN118037714A CN118037714A CN202410370714.5A CN202410370714A CN118037714A CN 118037714 A CN118037714 A CN 118037714A CN 202410370714 A CN202410370714 A CN 202410370714A CN 118037714 A CN118037714 A CN 118037714A
- Authority
- CN
- China
- Prior art keywords
- image
- gpu
- feature
- endoscope
- pixel
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 76
- 230000009466 transformation Effects 0.000 claims abstract description 55
- 230000001575 pathological effect Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 30
- 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 abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 25
- 230000002146 bilateral effect Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 238000010845 search algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000036285 pathological change Effects 0.000 claims description 5
- 231100000915 pathological change Toxicity 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 21
- 238000003759 clinical diagnosis Methods 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 14
- 230000003902 lesion Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 4
- 238000003702 image correction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学图像处理领域，提供了基于GPU医疗内窥镜图像的处理方法、系统和介质，本发明利用GPU的强大并行处理能力显著提升了内窥镜图像的采集、预处理、特征点检测、图像校正及病理特征识别的速度和准确性。通过执行GPU加速的滤波算法和直方图均衡化，增强了图像质量，而GPU优化的SIFT算法则有效提高了特征点匹配的准确度。仿射变换模型的估计和图像的变换校正进一步纠正畸变，确保了图像数据的准确性。最终，利用预训练的深度学习模型在GPU上实现快速的卷积神经网络前向传播，实时识别病理特征，并辅助临床诊断。极大提高了临床诊断的效率和准确性，为医生提供即时的诊断辅助，从而改善了医疗服务质量。
Description
技术领域
本发明涉及医学图像处理领域，尤其涉及一种基于GPU医疗内窥镜图像的处理方法、系统和介质。
背景技术
随着内窥镜技术的发展，内窥镜逐渐成为临床诊断和治疗的重要辅助工具，能够辅助医生直接观察患者的体内情况，对于胃肠道、呼吸道和其他腔道的疾病诊断至关重要。而在内窥镜应用时，对内窥镜图像质量有着较高的要求。然而，由于光学限制和设备分辨率的制约，导致传统的内窥镜在狭小的体腔中，由于照明和视野限制，获得的图像可能不够清晰，多数内窥镜所配备的摄像头并未达到高清或超高清标准，其分辨率限制了医生诊断病变的能力，导致无法为医生提供足够的细节的用于诊断的内窥镜图像。因此，对此类内窥镜图像的实时处理至关重要，特别是在进行高分辨率重建、实时校正及特征识别。
如何提供一种能提供高分辨率，实时校正失真，提取病变特征的内窥镜图像处理方法，对于辅助医生做出更准确的诊断至关重要，以用来提升内窥镜图像处理的效率和效果。
发明内容
本发明的目的在于提供一种基于GPU医疗内窥镜图像的处理方法、系统和介质，旨在通过并行计算加速图像配准和校正过程，实现高精度的图像校正，充分利用GPU的计算资源，能够对采集到的内窥镜图像进行高分辨率重建、实时校正，并提供异常病变的实时诊断辅助。
为实现上述目的，本发明提供了如下的技术方案。
第一方面，本发明提供了一种基于GPU医疗内窥镜图像的处理方法，包括以下步骤：
将采集到的图像序列加载到GPU内存中，对加载的图像序列去噪声及增强图像对比度，得到预处理的内窥镜图像；
对预处理的内窥镜图像进行特征点检测，并提取特征描述符，将匹配的特征点在GPU上估计仿射变换模型；
根据估计得到的仿射变换模型，执行图像重映射；并在GPU上进行图像插值和变换校正操作，纠正内窥镜图像的畸变，对校正后的图像进行边界处理；
处理后的内窥镜图像通过在GPU上加速执行卷积神经网络的前向传播，识别内窥镜图像的病理特征；
将提取的病理特征与疾病数据库进行实时比对，自动识别和标记内窥镜图像中的病变区域。
本发明的方法充分利用了GPU的并行计算能力，不仅显著提高了内窥镜图像处理的速度，而且通过集成的深度学习模型，能够实现对病理特征的实时准确识别，为医生提供即时的诊断辅助，从而提升临床诊断的效率和准确性。
作为本发明的进一步方案，将不同曝光级别的多帧图像合成高动态范围(HDR)图像，包括以下步骤：
使用绕中心旋转的内窥镜摄像头在预定的不同角度下拍摄不同曝光时间的多帧图像，并将同一位置拍摄采集的低动态范围(LDR)图像在像素层面进行图像对齐；
将对齐后的图像序列进行曝光融合，根据每一帧图像的曝光时间计算权重，利用计算得到的权重，将不同曝光的图像的所有帧合并成一个HDR图像；
对得到的HDR图像进行色调映射处理，得到在标准显示设备上显示的高动态范围(HDR)的内窥镜图像。
作为本发明的进一步方案，根据每一帧图像的曝光时间计算权重时，根据每一帧图像的曝光时间和像素亮度值，赋予不同的权重，权重计算函数为：
式中，z为像素值，Zmin和Zmax分别为最小像素值和最大像素值。
作为本发明的进一步方案，将不同曝光的图像的所有帧合并成一个HDR图像时，对齐每一帧LDR图像，使用每个像素对应的权重和像素值，结合所有帧计算HDR像素的值，根据每帧图像的权重和像素值，通过求解一个最小二乘重建每个像素的高动态范围亮度值；其中，HDR合成函数为：
式中，E(i,j)是最终HDR图像中像素(i,j)的亮度值，N是图像的总帧数，Z(i,j,n)是第n帧图像像素(i,j)的值，W是权重函数，g是相机响应函数，tn是第n帧图像的曝光时间.
通过以上步骤，不同曝光级别的多帧图像就可以合成为一张高动态范围的内窥镜图像，该图像序列在后续的处理步骤中将有助于提高病变检测的准确性和可靠性。
作为本发明的进一步方案，图像序列预处理中，通过执行GPU加速的滤波算法去除图像噪声，包括以下步骤：
将采集到的图像序列从主机内存传输到GPU内存，在GPU上为图像的每个像素点分配并行处理线程；
利用双边滤波算法计算每个像素点邻域内的加权平均值；同步处理线程，并将处理后的图像数据传输回主机内存；
优化GPU内存访问和线程分配，根据图像特性调整双边滤波的参数，包括邻域大小和核函数的标准差，得到去除图像噪声的内窥镜图像。
作为本发明的进一步方案，利用双边滤波算法计算每个像素点邻域内的加权平均值时，确定双边滤波的邻域大小，设置双边滤波的空间核函数σS和强度核函数σT的标准差，计算每个像素点邻域内每个像素的双边权重，将所有邻域像素的加权值相加，除以所有权重的总和以得到平均值；其中，内窥镜图像中的每个像素Ip在双边滤波后的值i′p的计算公式为：
式中，S为以像素p为中心的邻域窗口；Iq为邻域像素q的强度值，ω(p,q)基于空间核和强度核的总权重，计算公式为：
式中，是空间高斯函数，给出了基于空间接近度的权重；其中，(|p-q|)是像素p和q之间的空间距离；
是强度高斯函数，给出了基于像素强度差的权重；其中，(|Ip-Iq|)是像素强度值的差；
其中，高斯函数为：
作为本发明的进一步方案，应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像，包括以下步骤：
将图像数据传输到GPU内存，根据在GPU上为图像的每个像素点分配并行处理线程，并行计算整个图像的直方图，每个线程计算对应像素值的出现次数，并更新全局直方图数据；
通过并行扫描算法计算直方图的累积分布函数(CDF)，并对CDF进行正规化以适配目标图像像素值范围；
再次在GPU上为每个像素点分配线程，读取每个线程对应像素的值，根据CDF映射函映射到新的像素值上增强图像对比度，将增强后的图像数据从GPU内存传输回主机。
作为本发明的进一步方案，对预处理后的图像进行特征点检测，并对特征点提取特征描述符，包括以下步骤：
步骤一：构建尺度空间
利用GPU对输入图像进行多尺度的高斯模糊，生成尺度空间，在不同的尺度上对图像进行重采样，构建高斯金字塔；
步骤二：检测尺度空间极值点
通过比较一个像素点与相邻尺度和空间邻域内的26个像素点，获得潜在的关键点，在GPU上并行处理每个像素点的极值比较；
步骤三：关键点定位
利用Taylor展开式拟合精炼关键点定位，并筛选出对比度高且不在边缘上的稳定关键点；
步骤四：特征描述符的生成
通过并行计算关键点周边区域的梯度信息(梯度方向和大小)，构建反映本地图像特征的特征描述符，其中，特征描述符由关键点周围梯度方向的直方图组成，利用GPU的并行计算能力快速计算每个关键点的特征描述符；
步骤五：特征点匹配
使用最近邻搜索算法进行特征点匹配，通过计算描述符之间的欧式距离确定匹配点对，得到检测的特征点和提取的特征描述符。
本发明通过采用GPU加速的SIFT算法，不仅显著提高了处理速度，还保证了在复杂的内窥镜图像序列中特征点检测的准确度，为后续的图像校正和病理特征识别提供了可靠的基础。
作为本发明的进一步方案，最近邻搜索算法进行特征点匹配，包括以下步骤：
对两幅待匹配的图像分别提取特征点，并为每个特征点生成一个描述符；
将一幅图像的特征点描述符集合作为训练集，构建最近邻搜索结构；对于另一幅图像的每个特征点描述符，通过之前构建的最近邻搜索结构快速找到最相似的描述符，即为最近邻；
执行低比率测试，排除不匹配的最近邻点和次近邻点，根据最近邻搜索结果输出匹配对，每对包含两幅图像中的对应特征点。
本发明利用最近邻搜索算法进行特征点匹配，提高了匹配的准确性和高效性，为图像处理、图像识别、计算机视觉等领域的应用提供了技术基础。
作为本发明的进一步方案，通过匹配的特征点在GPU上估计仿射变换模型，并利用鲁棒排除异常匹配,包括以下步骤:
从最近邻搜索算法得到的匹配结果中选取特征点对,在GPU上并行计算匹配特征点对的仿射变换参数；
运用RANSAC识别和排除异常匹配点对,从匹配点对中识别出的内点集合定义一个鲁棒的仿射变换模型，并从原始匹配点对中排除不符合仿射变换模型的异常匹配点对。
作为本发明的进一步方案，纠正内窥镜图像的畸变，包括以下步骤：在GPU上执行畸变校正映射矩阵的计算，将每个像素的原始位置映射到校正后的位置；
通过图像插值计算映射矩阵中非整数坐标位置的像素值；
GPU分配的每个线程输出处理的像素值到新的图像缓冲区，完成图像的畸变校正。
作为本发明的进一步方案，对图像变换与校正后的内窥镜图像的病理特征进行识别，包括以下步骤：
在GPU上执行图像预处理任务，优化图像数据，将图像变换与校正后的内窥镜图像作为CNN的输入；其中，对内窥镜图像进行预处理时，缩放到CNN网络所需的输入尺寸；
在GPU上加载预先训练好的CNN模型，将预处理后的内窥镜图像喂入CNN，在GPU上执行卷积神经网络的前向传播，全连接层将前面卷积层提取的特征转换为分类结果，输出内窥镜图像不同类型的病理特征。
第二方面，本发明还提供了一种基于GPU医疗内窥镜图像的处理系统，包括：
图像采集模块，用于采用绕中心旋转的内窥镜摄像头在不同角度下获取多帧图像，将不同曝光级别的多帧图像合成高动态范围(HDR)图像，形成内窥镜摄像头采集的图像序列。
图像预处理模块，用于将采集到的图像序列加载到GPU内存中，通过执行GPU加速的滤波算法去除图像噪声，并应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像。
特征匹配模块，用于利用GPU优化版本的尺度不变特征变换(SIFT)算法对预处理后的图像进行特征点检测，并对所述特征点提取特征描述符，使用最近邻搜索算法进行特征点匹配，通过匹配的特征点在GPU上估计仿射变换模型，并利用鲁棒排除异常匹配。
图像变换校正模块，用于根据估计得到的仿射变换模型，执行图像重映射；在GPU上进行图像插值和变换校正操作，以纠正内窥镜图像的畸变，对校正后的图像进行边界处理，以去除因变换产生的不规则边界。
病理特征识别模块，用于在GPU上加速执行卷积神经网络(CNN)的前向传播，对图像变换与校正后的内窥镜图像的病理特征进行识别，将提取的病理特征与疾病数据库进行实时比对，自动识别和标记内窥镜图像中的病变区域。
第三方面，本发明还提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述第一方面所述的基于GPU医疗内窥镜图像的处理方法对应的操作。
与现有技术相比，本发明提供的基于GPU医疗内窥镜图像的处理方法、系统和介质，具有以下有益效果：
1.加快了图像处理速度。本发明利用GPU的并行处理能力显著减少了图像处理时间，使得能够快速处理大量数据，对于实时内窥镜图像采集尤为关键。帧图像合成HDR图像时，GPU可以并行处理多个图像帧，提高合成速度。
2.提高了图像质量。本发明使用GPU加速的滤波算法，可以在保持边缘信息的同时去除噪声，得到更清晰的图像。通过直方图均衡化可以增强图像对比度，使得图像中的细节更加清晰，方便后续的特征提取和分析。
3.高效的特征点检测与匹配。本发明通过GPU优化的SIFT算法能够快速检测和描述图像特征点，提高特征匹配的速度和准确性。通过鲁棒的特征点匹配和仿射变换估计可以准确地对图像进行校正，消除畸变，为病理诊断提供可靠的图像基础。
4.图像变换与校正的效率提升。本发明利用GPU上的图像重映射和插值运算能够快速完成，这对于实时校正内窥镜图像的畸变至关重要。还通过边界处理可以在变换后清除不规则边界，保持图像的整洁性，为后续分析提供更准确的图像数据。
5.实时病理特征识别。本发明利用GPU加速的CNN前向传播，可以实现对图像中病理特征的快速识别。预训练的深度学习模型在GPU上运行时能够提供实时反馈，这对于紧急或者需要即刻决策的医疗情况至关重要。
6.辅助临床诊断。本发明中自动化的病变区域识别不仅减轻了医生的工作负担，还减少了因人为判断引起的误差，实时比对疾病数据库能够即时提供辅助诊断信息，增加临床诊断的准确性。
综上所述，本发明基于GPU医疗内窥镜图像的处理方法、系统和介质能够为医生提供快速、准确的诊断工具，提升医疗服务质量，并可能对患者的治疗效果产生积极影响。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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。
图1为本发明提供的一种基于GPU医疗内窥镜图像的处理方法的流程图；
图2为本发明实施例提供的一种基于GPU医疗内窥镜图像的处理方法中合成高动态范围(HDR)图像的流程图；
图3为本发明实施例提供的一种基于GPU医疗内窥镜图像的处理方法中去除图像噪声的流程图；
图4为本发明实施例提供的一种基于GPU医疗内窥镜图像的处理方法中应用直方图均衡化增强图像对比度的流程图；
图5为本发明实施例提供的一种基于GPU医疗内窥镜图像的处理方法中最近邻搜索算法进行特征点匹配的流程图；
图6为本发明实施例提供的一种基于GPU医疗内窥镜图像的处理方法中纠正内窥镜图像的畸变的流程图。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。
本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、系统或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、系统或者设备所固有的要素。
由于光学限制和设备分辨率的制约，导致传统的内窥镜在狭小的体腔中，由于照明和视野限制，获得的图像可能不够清晰，多数内窥镜所配备的摄像头并未达到高清或超高清标准，其分辨率限制了医生诊断病变的能力，导致无法为医生提供足够的细节的用于诊断的内窥镜图像。因此，对此类内窥镜图像的实时处理至关重要，特别是在进行高分辨率重建、实时校正及特征识别。
基于此，本发明提供的一种基于GPU医疗内窥镜图像的处理方法、系统和介质，旨在通过并行计算加速图像配准和校正过程，实现高精度的图像校正，充分利用GPU的计算资源，能够对采集到的内窥镜图像进行高分辨率重建、实时校正，并提供异常病变的实时诊断辅助。
下面结合具体实施例对本发明的技术方案做进一步的说明：
参见图1所示，本发明的实施例提供了一种基于GPU医疗内窥镜图像的处理方法，包括以下步骤：
步骤S10、内窥镜图像采集
采用绕中心旋转的内窥镜摄像头在不同角度下获取多帧图像，获取的多帧图像具有不同的曝光级别，用于合成高动态范围(HDR)图像，形成内窥镜摄像头采集的图像序列。
步骤S20、图像序列预处理
将采集到的图像序列加载到GPU内存中，通过执行GPU加速的滤波算法去除图像噪声，并应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像。
步骤S30、特征点检测与匹配
利用GPU优化版本的尺度不变特征变换(SIFT)算法对预处理后的图像进行特征点检测，并对这些特征点提取特征描述符。使用最近邻搜索算法进行特征点匹配。通过匹配的特征点在GPU上估计仿射变换模型，并利用鲁棒的方法排除异常匹配。
步骤S40、图像变换与校正
根据估计得到的仿射变换模型，执行图像重映射。在GPU上进行图像插值和变换校正操作，以纠正内窥镜图像的畸变。对校正后的图像进行边界处理，以去除因变换产生的不规则边界。
步骤S50、病理特征识别与实时诊断辅助
在GPU上加速执行卷积神经网络(CNN)的前向传播，对图像变换与校正后的内窥镜图像的病理特征进行识别。该步骤使用预先训练好的深度学习模型对图像中的特征进行分类，实现实时的诊断辅助。通过将提取的病理特征与疾病数据库进行实时比对，自动识别和标记内窥镜图像中的病变区域。
本发明的方法充分利用了GPU的并行计算能力，不仅显著提高了内窥镜图像处理的速度，而且通过集成的深度学习模型，能够实现对病理特征的实时准确识别，为医生提供即时的诊断辅助，从而提升临床诊断的效率和准确性。
在本发明的实施例中，参见图2所示，将不同曝光级别的多帧图像合成高动态范围(HDR)图像，包括以下步骤：
步骤S101、使用绕中心旋转的内窥镜摄像头在预定的不同角度下拍摄不同曝光时间的多帧图像，并将同一位置拍摄采集的低动态范围(LDR)图像在像素层面进行图像对齐；
步骤S102、将对齐后的图像序列进行曝光融合，根据每一帧图像的曝光时间计算权重，利用计算得到的权重，将不同曝光的图像的所有帧合并成一个HDR图像；
步骤S103、对得到的HDR图像进行色调映射处理，得到在标准显示设备上显示的高动态范围(HDR)的内窥镜图像。
在本实施例中，根据每一帧图像的曝光时间计算权重时，根据每一帧图像的曝光时间和像素亮度值，赋予不同的权重，权重计算函数为：
式中，z为像素值，Zmin和Zmax分别为最小像素值和最大像素值。
将不同曝光级别的多帧图像合成高动态范围(HDR)图像时，首先，使用一个绕中心旋转的内窥镜摄像头在预设的不同角度捕获一系列不同曝光时间的多帧图像。这些多帧图像代表了同一观察位置下的低动态范围(LDR)图像，并需要在像素层面进行精确对齐，以保证图像合成的准确性。对齐过程中，GPU用于处理大量数据，实现快速且精确的像素匹配。接着，GPU继续发挥其并行处理优势，对对齐后的LDR图像序列进行曝光融合。每帧图像根据其曝光时间被赋予不同的权重，这些权重用于引导不同曝光图像帧的融合，合成一个包含更丰富光照信息的HDR图像。最后，对合成的HDR图像进行色调映射处理，这一步骤调整图像的动态范围，使其适应标准显示设备的显示能力，同时尽可能地保留图像细节和对比度。该色调映射过程也由GPU加速完成，保证了处理的实时性和高效性。
在本实施例中，将不同曝光的图像的所有帧合并成一个HDR图像时，对齐每一帧LDR图像，使用每个像素对应的权重和像素值，结合所有帧计算HDR像素的值，根据每帧图像的权重和像素值，通过求解一个最小二乘重建每个像素的高动态范围亮度值；其中，HDR合成函数为：
式中，E(i,j)是最终HDR图像中像素(i,j)的亮度值，N是图像的总帧数，Z(i,j,n)是第n帧图像像素(i,j)的值，W是权重函数，g是相机响应函数，tn是第n帧图像的曝光时间.
通过以上步骤，不同曝光级别的多帧图像就可以合成为一张高动态范围的内窥镜图像，该图像序列在后续的处理步骤中将有助于提高病变检测的准确性和可靠性。
本实施例的HDR图像合成方法显著提升了内窥镜成像的动态范围和图像质量。通过GPU的高效并行处理，实现了快速的图像对齐、曝光融合和色调映射，合成了高质量的HDR图像，这对于医疗诊断中细节的识别和评估起到了至关重要的作用。此方法不仅提高了图像处理的速度，还通过准确的动态范围拓展，改善了图像的视觉效果，为医生提供了更为准确和详细的内窥视图。
在本发明的实施例中，参见图3所示，图像序列预处理中，通过执行GPU加速的滤波算法去除图像噪声，包括以下步骤：
步骤S201、将采集到的图像序列从主机内存传输到GPU内存，在GPU上为图像的每个像素点分配并行处理线程。
该步骤进行图像传输与线程分配时，将采集到的内窥镜图像序列从主机的CPU内存传输到GPU内存中，基于GPU特有的并行处理能力，对每个像素点分配一个或多个处理线程，利用GPU进行大规模并行计算的基础，能够确保后续处理步骤的高效率。
步骤S202、利用双边滤波算法计算每个像素点邻域内的加权平均值；同步处理线程，并将处理后的图像数据传输回主机内存；
其中，利用双边滤波算法计算每个像素点邻域内的加权平均值时，确定双边滤波的邻域大小，设置双边滤波的空间核函数σS和强度核函数σT的标准差，计算每个像素点邻域内每个像素的双边权重，将所有邻域像素的加权值相加，除以所有权重的总和以得到平均值；其中，内窥镜图像中的每个像素Ip在双边滤波后的值I′p的计算公式为：
式中，S为以像素p为中心的邻域窗口；Iq为邻域像素q的强度值，ω(p,q)基于空间核和强度核的总权重，计算公式为：
式中，是空间高斯函数，给出了基于空间接近度的权重；其中，(|p-q|)是像素p和q之间的空间距离；
是强度高斯函数，给出了基于像素强度差的权重；其中，(|Ip-Iq|)是像素强度值的差；
其中，高斯函数为：
在上述步骤中，采用双边滤波算法对每个像素点进行处理，能够为目标像素点的每个邻近像素分配权重，权重由两个高斯函数的乘积来决定：一个是基于空间邻近度的高斯函数，另一个是基于像素值相似度的高斯函数。这样能够在保持边缘信息的同时，有效地去除噪声。
步骤S203、优化GPU内存访问和线程分配，根据图像特性调整双边滤波的参数，包括邻域大小和核函数的标准差，得到去除图像噪声的内窥镜图像。
在该步骤中，GPU上的所有线程在完成各自的滤波计算后进行同步，确保所有的像素点都被正确地处理。处理完的图像数据随后被传输回主机内存。为了更好地执行双边滤波，根据内窥镜图像的特性来优化参数设置，包括确定最佳的邻域大小和高斯核函数的标准差，邻域大小决定了滤波时考虑的像素范围，标准差则影响权重分布的宽度。上述步骤能够快速且有效地去除内窥镜图像中的噪声，为后续的图像分析和诊断提供了更清晰、更准确的图像基础。
在本发明的实施例中，参见图4所示，应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像，包括以下步骤：
步骤S301、将图像数据传输到GPU内存，根据在GPU上为图像的每个像素点分配并行处理线程，并行计算整个图像的直方图，每个线程计算对应像素值的出现次数，并更新全局直方图数据。
步骤S302、通过并行扫描算法计算直方图的累积分布函数(CDF)，并对CDF进行正规化以适配目标图像像素值范围；
步骤S303、再次在GPU上为每个像素点分配线程，读取每个线程对应像素的值，根据CDF映射函映射到新的像素值上增强图像对比度，将增强后的图像数据从GPU内存传输回主机。
上述的步骤中，通过将图像数据从主机内存传输到GPU内存，在GPU上为图像的每个像素点分配一个并行处理线程，每个线程负责计算一个像素值在图像中出现的次数，所有线程共同更新一个全局直方图数据结构。在使用并行扫描算法(Blelloch scan)计算出直方图的累积分布函数(CDF)，将CDF的值缩放到目标图像像素值范围内。示例性的，对于8位图像，将CDF的值正规化到0到255。然后为每个像素点分配一个线程，根据其原始像素值使用CDF映射到新的像素值，应用CDF映射后，图像对比度得到增强，将处理后的图像数据从GPU内存传输回主机内存。
本发明通过GPU加速了直方图均衡化的整个过程，使用GPU进行图像预处理不仅大幅提高了处理速度，而且由于直方图均衡化处理的并行性质，使其成为GPU加速的理想选择。GPU上的成千上万个线程可以同时处理图像的不同部分，大大减少了计算时间。计算完毕后，经过均衡化处理的图像具有更好的对比度，这对于后续的图像分析和医疗诊断至关重要。
在本发明的实施例中，对预处理后的图像进行特征点检测，并对特征点提取特征描述符，包括以下步骤：
步骤一：构建尺度空间
利用GPU对输入图像进行多尺度的高斯模糊，生成尺度空间，在不同的尺度上对图像进行重采样，构建高斯金字塔；
步骤二：检测尺度空间极值点
通过比较一个像素点与相邻尺度和空间邻域内的26个像素点，获得潜在的关键点，在GPU上并行处理每个像素点的极值比较；
步骤三：关键点定位
利用Taylor展开式拟合精炼关键点定位，并筛选出对比度高且不在边缘上的稳定关键点；
步骤四：特征描述符的生成
通过并行计算关键点周边区域的梯度信息(梯度方向和大小)，构建反映本地图像特征的特征描述符，其中，特征描述符由关键点周围梯度方向的直方图组成，利用GPU的并行计算能力快速计算每个关键点的特征描述符；
步骤五：特征点匹配
使用最近邻搜索算法进行特征点匹配，通过计算描述符之间的欧式距离确定匹配点对，得到检测的特征点和提取的特征描述符。
本发明通过采用GPU加速的SIFT算法，不仅显著提高了处理速度，还保证了在复杂的内窥镜图像序列中特征点检测的准确度，为后续的图像校正和病理特征识别提供了可靠的基础。
在本发明的实施例中，参见图5所示，最近邻搜索算法进行特征点匹配，包括以下步骤：
步骤S401、对两幅待匹配的图像分别提取特征点，并为每个特征点生成一个描述符；
步骤S402、将一幅图像的特征点描述符集合作为训练集，构建最近邻搜索结构；对于另一幅图像的每个特征点描述符，通过之前构建的最近邻搜索结构快速找到最相似的描述符，即为最近邻；
步骤S403、执行低比率测试，排除不匹配的最近邻点和次近邻点，根据最近邻搜索结果输出匹配对，每对包含两幅图像中的对应特征点。
本发明利用最近邻搜索算法进行特征点匹配，提高了匹配的准确性和高效性，为图像处理、图像识别、计算机视觉等领域的应用提供了技术基础。
在本发明的实施例中，通过匹配的特征点在GPU上估计仿射变换模型，并利用鲁棒排除异常匹配,包括以下步骤:
从最近邻搜索算法得到的匹配结果中选取特征点对,在GPU上并行计算匹配特征点对的仿射变换参数；
运用RANSAC识别和排除异常匹配点对,从匹配点对中识别出的内点集合定义一个鲁棒的仿射变换模型，并从原始匹配点对中排除不符合仿射变换模型的异常匹配点对。
在本发明的实施例中，参见图6所示，纠正内窥镜图像的畸变，包括以下步骤：
步骤S501、在GPU上执行畸变校正映射矩阵的计算，将每个像素的原始位置映射到校正后的位置；
步骤S502、通过图像插值计算映射矩阵中非整数坐标位置的像素值；
步骤S503、GPU分配的每个线程输出处理的像素值到新的图像缓冲区，完成图像的畸变校正。
在本实施例中，使用事先获得的内窥镜相机的畸变参数，计算畸变校正的映射矩阵，对于映射矩阵中的非整数坐标，使用双线性插值或其他插值算法来计算校正后像素的值。使用GPU线程将校正后的像素值写入新的图像缓存区，完成畸变校正。
在本发明的实施例中，对图像变换与校正后的内窥镜图像的病理特征进行识别，包括以下步骤：
在GPU上执行图像预处理任务，优化图像数据，将图像变换与校正后的内窥镜图像作为CNN的输入；其中，对内窥镜图像进行预处理时，缩放到CNN网络所需的输入尺寸；
在GPU上加载预先训练好的CNN模型，将预处理后的内窥镜图像喂入CNN，在GPU上执行卷积神经网络的前向传播，全连接层将前面卷积层提取的特征转换为分类结果，输出内窥镜图像不同类型的病理特征。
本发明的实施例利用GPU强大的并行处理能力，显著提高了内窥镜图像处理和分析的速度和效率。通过最近邻搜索算法进行特征点匹配、GPU并行计算的仿射变换估计、畸变校正以及CNN的应用，实现了对内窥镜图像的快速增强和病理特征的准确识别，对于提高内窥镜图像的诊断价值和辅助医疗决策具有重要意义。
综上所述，本发明的基于GPU医疗内窥镜图像的处理方法能够改善内窥镜图像的质量和提高病理特征识别的准确性，不仅提升了内窥镜图像处理的效率和准确性，也对提高临床诊断效率、帮助医生作出更精确的医疗决策具有重要价值，为医疗图像分析领域带来了创新性的技术改进，有助于提升内窥镜检查的诊断能力，对患者的健康和治疗结果产生积极影响。
应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。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，本实施例的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，本发明还提供了一种基于GPU医疗内窥镜图像的处理系统，包括以下模块：
图像采集模块，用于采用绕中心旋转的内窥镜摄像头在不同角度下获取多帧图像，将不同曝光级别的多帧图像合成高动态范围(HDR)图像，形成内窥镜摄像头采集的图像序列。
图像预处理模块，用于将采集到的图像序列加载到GPU内存中，通过执行GPU加速的滤波算法去除图像噪声，并应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像。
特征匹配模块，用于利用GPU优化版本的尺度不变特征变换(SIFT)算法对预处理后的图像进行特征点检测，并对所述特征点提取特征描述符，使用最近邻搜索算法进行特征点匹配，通过匹配的特征点在GPU上估计仿射变换模型，并利用鲁棒排除异常匹配。
图像变换校正模块，用于根据估计得到的仿射变换模型，执行图像重映射；在GPU上进行图像插值和变换校正操作，以纠正内窥镜图像的畸变，对校正后的图像进行边界处理，以去除因变换产生的不规则边界。
病理特征识别模块，用于在GPU上加速执行卷积神经网络(CNN)的前向传播，对图像变换与校正后的内窥镜图像的病理特征进行识别，将提取的病理特征与疾病数据库进行实时比对，自动识别和标记内窥镜图像中的病变区域。
在本实施例中，本发明的基于GPU医疗内窥镜图像的处理系统通过绕中心旋转的内窥镜摄像头在不同角度下获取图像，并合成HDR图像，可以显著提高图像的动态范围，从而增强图像的细节，特别是在高对比度的视觉场景中。这对于识别和诊断病变区域至关重要，因为它可以揭示在常规动态范围图像中可能无法观察到的细节。
而且，使用GPU加速的滤波算法去除噪声和应用直方图均衡化增强对比度，可以在很短的时间内完成图像预处理，从而提供更清晰和更高质量的图像，为后续的图像分析打下坚实的基础。利用GPU优化的SIFT算法提高特征点检测和描述的速度，再配合最近邻搜索算法和鲁棒的异常匹配排除机制，本系统能够快速而准确地匹配图像特征点，为图像配准提供了可靠的基础。
本发明的基于GPU医疗内窥镜图像的处理系统，还根据估计的仿射变换模型，GPU上的图像重映射、插值和变换校正操作可以有效纠正内窥镜图像的畸变，并且处理不规则边界，这保证了图像质量并为病理特征的识别提供了更准确的信息。本系统的病理特征识别模块在GPU上执行CNN前向传播，这样的并行计算大幅度提高了计算速度，使得系统能够实时地识别和标记图像中的病变区域，与疾病数据库进行即时比对，极大地提高了诊断的准确性和速度。
本发明通过自动化的图像处理和病理特征识别，医生可以更快地得到诊断结果，减少了对专业人员的依赖，同时提升了临床操作的效率。本发明的系统自动化的处理减少了人为错误的可能性，改善了诊断的一致性和可重复性，从而提高了诊断的准确性。
综上所述，本发明的基于GPU医疗内窥镜图像的处理系统通过整合现代图像处理技术和深度学习算法，充分利用GPU的强大计算能力，为临床医生提供了一种快速、准确的工具，以提高内窥镜检查的质量和诊断的准确性，最终促进患者的健康和治疗效果。基于GPU医疗内窥镜图像的处理系统在执行时采用如前述的一种基于GPU医疗内窥镜图像的处理方法的步骤，因此，本实施例中对基于GPU医疗内窥镜图像的处理系统的运行过程不再详细介绍。
在一个实施例中，在本发明的实施例中还提供了一种计算机设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行的基于GPU医疗内窥镜图像的处理方法，该处理器执行指令时实现上述基于GPU医疗内窥镜图像的处理方法的步骤.
在一个实施例中，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行的基于GPU医疗内窥镜图像的处理方法的步骤。
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，是可以通过计算机指令表征的计算机程序来指令相关的硬件来完成，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、存储、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、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。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或动态随机存取存储器等。
以上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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于GPU医疗内窥镜图像的处理方法，其特征在于，包括以下步骤：
采用绕中心旋转的内窥镜摄像头在不同角度下获取多帧图像，将不同曝光级别的多帧图像合成高动态范围图像，形成内窥镜摄像头采集的图像序列；
将采集到的图像序列加载到GPU内存中，对加载的图像序列去噪声及增强图像对比度，得到预处理的内窥镜图像；
对预处理的内窥镜图像进行特征点检测，并提取特征描述符，将匹配的特征点在GPU上估计仿射变换模型；
根据估计得到的仿射变换模型，执行图像重映射；并在GPU上进行图像插值和变换校正操作，纠正内窥镜图像的畸变，对校正后的图像进行边界处理；
处理后的内窥镜图像通过在GPU上加速执行卷积神经网络的前向传播，识别内窥镜图像的病理特征；
将提取的病理特征与疾病数据库进行实时比对，自动识别和标记内窥镜图像中的病变区域。
2.根据权利要求1所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，将不同曝光级别的多帧图像合成高动态范围图像，包括以下步骤：
使用绕中心旋转的内窥镜摄像头在预定的不同角度下拍摄不同曝光时间的多帧图像，并将同一位置拍摄采集的低动态范围图像在像素层面进行图像对齐；
将对齐后的图像序列进行曝光融合，根据每一帧图像的曝光时间计算权重，利用计算得到的权重，将不同曝光的图像的所有帧合并成一个HDR图像；
对得到的HDR图像进行色调映射处理，得到在标准显示设备上显示的高动态范围的内窥镜图像。
3.根据权利要求2所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，图像序列预处理中，通过执行GPU加速的滤波算法去除图像噪声，包括以下步骤：
将采集到的图像序列从主机内存传输到GPU内存，在GPU上为图像的每个像素点分配并行处理线程；
利用双边滤波算法计算每个像素点邻域内的加权平均值；同步处理线程，并将处理后的图像数据传输回主机内存；
优化GPU内存访问和线程分配，根据图像特性调整双边滤波的参数，包括邻域大小和核函数的标准差，得到去除图像噪声的内窥镜图像。
4.根据权利要求3所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，利用双边滤波算法计算每个像素点邻域内的加权平均值时，确定双边滤波的邻域大小，设置双边滤波的空间核函数σS和强度核函数σT的标准差，计算每个像素点邻域内每个像素的双边权重，将所有邻域像素的加权值相加，除以所有权重的总和以得到平均值。
5.根据权利要求4所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，增强图像对比度时，应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像，包括以下步骤：
将图像数据传输到GPU内存，根据在GPU上为图像的每个像素点分配并行处理线程，并行计算整个图像的直方图，每个线程计算对应像素值的出现次数，并更新全局直方图数据；
通过并行扫描算法计算直方图的累积分布函数，并对累积分布函数进行正规化以适配目标图像像素值范围；
再次在GPU上为每个像素点分配线程，读取每个线程对应像素的值，根据CDF映射函映射到新的像素值上增强图像对比度，将增强后的图像数据从GPU内存传输回主机。
6.根据权利要求5所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，对预处理的内窥镜图像进行特征点检测，并提取特征描述符，包括以下步骤：
利用GPU对输入图像进行多尺度的高斯模糊，生成尺度空间，在不同的尺度上对图像进行重采样，构建高斯金字塔；
通过比较一个像素点与相邻尺度和空间邻域内的26个像素点，获得潜在的关键点，在GPU上并行处理每个像素点的极值比较；
利用Taylor展开式拟合精炼关键点定位，并筛选出对比度高且不在边缘上的稳定关键点；
通过并行计算关键点周边区域的梯度信息，构建反映本地图像特征的特征描述符，其中，特征描述符由关键点周围梯度方向的直方图组成，利用GPU的并行计算能力快速计算每个关键点的特征描述符；
使用最近邻搜索算法进行特征点匹配，通过计算描述符之间的欧式距离确定匹配点对，得到检测的特征点和提取的特征描述符。
7.根据权利要求6所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，匹配特征点时，采用最近邻搜索算法进行特征点匹配，包括以下步骤：
对两幅待匹配的图像分别提取特征点，并为每个特征点生成一个描述符；
将一幅图像的特征点描述符集合作为训练集，构建最近邻搜索结构；对于另一幅图像的每个特征点描述符，通过之前构建的最近邻搜索结构快速找到最相似的描述符，即为最近邻；
执行低比率测试，排除不匹配的最近邻点和次近邻点，根据最近邻搜索结果输出匹配对，每对包含两幅图像中的对应特征点。
8.根据权利要求7所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，通过匹配的特征点在GPU上估计仿射变换模型,包括以下步骤：
从最近邻搜索算法得到的匹配结果中选取特征点对,在GPU上并行计算匹配特征点对的仿射变换参数；
运用RANSAC识别和排除异常匹配点对,从匹配点对中识别出的内点集合定义一个鲁棒的仿射变换模型，并从原始匹配点对中排除不符合仿射变换模型的异常匹配点对。
9.一种基于GPU医疗内窥镜图像的处理系统，用于执行权利要求1-8任一项所述的基于GPU医疗内窥镜图像的处理方法，其特征在于，该系统包括：
图像采集模块，用于采用绕中心旋转的内窥镜摄像头在不同角度下获取多帧图像，将不同曝光级别的多帧图像合成高动态范围图像，形成内窥镜摄像头采集的图像序列；
图像预处理模块，用于将采集到的图像序列加载到GPU内存中，通过执行GPU加速的滤波算法去除图像噪声，并应用直方图均衡化增强图像对比度，得到预处理后的内窥镜图像；
特征匹配模块，用于利用GPU优化版本的尺度不变特征变换算法对预处理后的图像进行特征点检测，并对所述特征点提取特征描述符，使用最近邻搜索算法进行特征点匹配，通过匹配的特征点在GPU上估计仿射变换模型，并利用鲁棒排除异常匹配；
图像变换校正模块，用于根据估计得到的仿射变换模型，执行图像重映射；在GPU上进行图像插值和变换校正操作，以纠正内窥镜图像的畸变，对校正后的图像进行边界处理，以去除因变换产生的不规则边界；
病理特征识别模块，用于在GPU上加速执行卷积神经网络的前向传播，对图像变换与校正后的内窥镜图像的病理特征进行识别，将提取的病理特征与疾病数据库进行实时比对，自动识别和标记内窥镜图像中的病变区域。
10.一种存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行权利要求1-8任一项所述的基于GPU医疗内窥镜图像的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370714.5A CN118037714A (zh) | 2024-03-29 | 2024-03-29 | 基于gpu医疗内窥镜图像的处理方法、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410370714.5A CN118037714A (zh) | 2024-03-29 | 2024-03-29 | 基于gpu医疗内窥镜图像的处理方法、系统和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118037714A true CN118037714A (zh) | 2024-05-14 |
Family
ID=91004312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410370714.5A Pending CN118037714A (zh) | 2024-03-29 | 2024-03-29 | 基于gpu医疗内窥镜图像的处理方法、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118037714A (zh) |
-
2024
- 2024-03-29 CN CN202410370714.5A patent/CN118037714A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021213508A1 (zh) | 胶囊内窥镜图像拼接方法、电子设备及可读存储介质 | |
| US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
| US20220157047A1 (en) | Feature Point Detection | |
| CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
| WO2020211530A1 (zh) | 用于检测眼底图片的模型训练方法和装置、眼底图片的检测方法和装置、计算机设备和介质 | |
| CN111062947B (zh) | 一种基于深度学习的x光胸片病灶定位方法及系统 | |
| CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Tang et al. | Retinal image registration based on robust non-rigid point matching method | |
| Zhu et al. | CRCNet: Global-local context and multi-modality cross attention for polyp segmentation | |
| Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
| TW202036592A (zh) | 影像辨識方法及影像辨識裝置 | |
| JP4887491B2 (ja) | 医用画像処理方法及びその装置、プログラム | |
| Chang et al. | Cascading affine and B-spline registration method for large deformation registration of lung X-rays | |
| Hu et al. | Multi-image stitching for smartphone-based retinal fundus stitching | |
| CN118037714A (zh) | 基于gpu医疗内窥镜图像的处理方法、系统和介质 | |
| CN116402735A (zh) | 基于多方向视角标定的内窥镜图像重构方法 | |
| CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
| JP4571378B2 (ja) | 画像処理方法および装置並びにプログラム | |
| CN112734707B (zh) | 一种3d内窥镜辅助检测方法、系统、装置及存储介质 | |
| Bardosi et al. | Metacarpal bones localization in x-ray imagery using particle filter segmentation | |
| Zhang et al. | Perspective distortion correction for multi-modal registration between ultra-widefield and narrow-angle retinal images | |
| CN114418920B (zh) | 一种内窥镜多焦点图像融合方法 | |
| CN117710233B (zh) | 一种内窥图像的景深扩展方法及装置 | |
| Urdapilleta et al. | COmparative Study of Feature Localization Methods for Endoscopy Image Matching |
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 |