TW201942868A - 用於辨識組織病徵影像的系統及方法 - Google Patents
用於辨識組織病徵影像的系統及方法 Download PDFInfo
- Publication number
- TW201942868A TW201942868A TW107110708A TW107110708A TW201942868A TW 201942868 A TW201942868 A TW 201942868A TW 107110708 A TW107110708 A TW 107110708A TW 107110708 A TW107110708 A TW 107110708A TW 201942868 A TW201942868 A TW 201942868A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- block
- grayscale image
- grayscale
- blocks
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
Abstract
一種用於辨識組織病徵影像的方法,包含:將一影像切割為複數個區塊;擷取該影像的每一區塊的複數個特徵向量,所述特徵向量是基於該區塊中像素值的變化統計所決定;基於該影像的所有區塊的該等特徵向量的一統計而產生代表該影像的一組變異係數;基於該影像的該組變異係數及一第一分類模型決定該影像是否為一病徵影像;基於該影像的該區塊的該等特徵向量及一第二分類模型決定該影像的該區塊是否為一病徵區塊。
Description
本發明關於影像辨識的技術領域,尤其是適用於辨識含有病徵的組織影像,可應用於內視鏡診斷。
根據研究,相對於晚期診斷出的上消化道癌,如表層鱗狀食道細胞癌(Superficial esophageal squamous cell carcinoma)和胃癌,早期發現患者具有較高的存活機率。以目前科技而言,內視鏡檢測為早期發現消化道癌的其中一項有效方法。
放大窄頻成像(Narrow Band Imaging,NBI)為胃部內視鏡影像的主要手段之一,其從可見光波長範圍中過濾出400至430nm及525至555nm兩個範圍來作為內視鏡的觀察光源。較短波長的光源可用來增強影像中的藍色和綠色部分,而血管在上皮細胞則吸收較長波長的光源而呈現黑青色。比起傳統白光光源,放大窄頻影像可加強血管和表面組織的可見度。
有鑑於放大窄頻成像的效果,檢測人員可更容易地經由觀察病變血管診斷出相關病徵,像是呈現曲折、擴張、形變或具有口徑差異的血管。此外,若能配合適當的影像辨識技術,更是有助於檢測人員的判斷。因此,發展適用於這類診斷的影像辨識技術(如適用所述放大窄頻影像的病徵辨識)是有需求的。
本發明目的在於提供一種用於辨識組織病徵影像的系統,包含一處理器,經配置以接收一初始影像並轉換為一灰階影像,且將該灰階影像切割為複數個區塊;一特徵擷取器,經配置以擷取該灰階影像的每一區塊的複數個特徵向量,所述特徵向量是基於該區塊的紋理特徵;一統計分析器,經配置以基於該灰階影像的所有區塊的該等特徵向量的一統計而產生代表該灰階影像的一組變異係數(Coefficient of variation);一第一分類器,經配置以基於該灰階影像的該組變異係數及一第一分類模型決定該灰階影像是否為一病徵影像;及一第二分類器,經配置以基於該灰階影像的該區塊的該等特徵向量及一第二分類模型決定該灰階影像的該區塊是否為一病徵區塊。
在一具體實施例中,所述特徵向量是基於該區塊中沿著一特定方向上的一像素值的變化統計所決定。
在一具體實施例中,該灰階影像的該等區塊中的任一者與相鄰的其他區塊彼此重疊。
在一具體實施例中,該初始影像顯示一內視鏡影像。
在一具體實施例中,該處理器經配置以基於一直方圖等化手段(Histogram equalization)而強化該灰階影像的對比,且該處理器執行用於降低該灰階影像中雜訊的一高斯濾波器。
在一具體實施例中,該灰階影像的每一區塊尺寸為40乘40的像素。
在一具體實施例中,該特徵擷取器經配置以擷取該灰階影像的每一區塊的特徵向量,該等特徵向量是基於該區塊中分別沿著複數個方向上的像素值的變化統計所決定。
在一具體實施例中,該像素值的變化統計是根據一像素距離(參數)而決定。
在一具體實施例中,該組變異係數的每一者是由關聯於該灰階影像中所有區塊的該特定方向的特徵向量的一平均值(Mean value)及一標準差(Standard deviation)的比值所決定。
在一具體實施例中,該第一分類模型是由代表複數個訓練影像的複數組變異係數所建立,該訓練影像包含有病徵影像與無病徵影像;該第二分類模型是由代表複數個訓練影像中包含的複數個病徵區塊的複數個特徵向量所建立,該訓練影像包含有病徵影像(含病徵區塊)與無病徵影像(不含病徵區塊)。
在一具體實施例中,該系統還包含一影像標記器,經配置以:基於該灰階影像的一像素數量閥值及一像素閥值而校正該灰階影像為一校正影像;利用一二值化手段將該校正影像的一部分二值化;利用一比較手段決定該校正影像的該二值化的部分與該初始影像的一對應部分之間的差異,且基於該差異決定是否顯示關聯於該二值化部分的一或多個標記於該初始影像上對應該病徵區塊的位置。
下文將參照圖式而更完整說明標的內容,這些圖式形成其一部分,且是藉由描述方式而說明具體實例。然而,標的內容係具現為各種不同形式,且因此所涵蓋或主張的標的內容是要被解釋為不限於本文所提出的任何實例;實例係僅為說明之用而提出。同樣的,所主張或涵蓋的標的內容是要包含合理廣泛的範圍。在其他方面,舉例而言,標的內容係具現為方法、裝置、構件或系統。因此,下述詳細說明並非用於限制所主張內容之範疇。
在整份說明書與申請專利範圍中,術語可具有超過明確含意所指、在上下文中所教示或暗喻的細微意義。同樣的,本文中所用的用語「在一實施例中」並不一定是指同一個具體實施例,而本文中所用的用語「在另一實施例中」也不一定是指不同的具體實施例。要表達的是,舉例而言,所主張之標的內容係包含例示具體實施例在整體上或部分之組合。
首先第一圖,顯示本發明用於辨識組織病徵影像的系統(100)的系統架構圖。在本發明的一具體實施例中,系統(100)包含用於執行程式指令的一或多個處理器(102),如專用的影像處理器。系統(100)還包含一影像擷取裝置(104)。在另一實施例中,影像擷取裝置(104)亦可獨立於本發明的系統。此外,本發明系統(100)還包含一顯示單元(106),用於顯示經處理的即時或非即時影像。系統(100)還包括與處理器(102)協同運作的一特徵擷取器(108)、一統計分析器(110)、一第一分類器(112)、一第二分類器(114)及一影像標記器(116)。
本發明影像擷取裝置(104)可為醫療診斷專用的裝置,像是內視鏡成像裝置。請參考第二圖所示影像擷取裝置的方塊圖,在此一實施例中,本發明系統的影像擷取裝置(104),包含一成像單元(202)、一影像分類單元(204)、一影像前處理單元(206)及一顯示單元(208)。成像單元(202)可包含適用於形成腸道影像的光學構成及感光元件。影像分類單元(204)可經配置而執行特定功能,例如初步判斷影像品質並給予分類,以便操作者調整各種必要的操作參數。影像前處理單元(206)可經配置以執行初步的影像品質處理,例如明亮、雜訊、顏色,以形成作為待辨識的一初始影像。所述單元可由許多電子元件構成的積體電路所實現。數位編碼器亦可包含在內,用於輸出數位的初始影像至顯示單元(106)或顯示單元(208),作為即時影像。
處理器(102)可為由數位訊號控制的一影像處理器,如DSP。較佳地,處理器(102)可為不可編程的影像處理器,其便於參數的設定。處理器(102)經配置以接收來自影像擷取裝置(104)或其他來源的一系列初始影像(像是訓練影像),同時輸出經處理的影像至顯示單元(106)。進入影像辨識前,初始影像先由處理器(102)進行前置處理,包含將該初始影像轉換為一灰階影像並將該灰階影像切割為複數個區塊。灰階影像可進一步經由一直方圖等化手段(Histogram equalization)來增強影像的對比,使影像顯示的特定組織更為顯著。還可使用一高斯濾波器來降低灰階影像中的雜訊。處理器(102)可依指令僅分割灰階影像中特定的區域,通常是被認為有興趣的區域(ROI),其可由檢測人員來定義。
在一實施例中,所述區塊為40乘40個畫素的大小。當然,更大或更小的區塊尺寸及形狀均包含在本發明中。值得注意的是,過小的區塊尺寸可能會因為紋理資訊不足而影響辨識的準確率。在一實施例中,該等區塊不相互重疊。但在另一實施例中,該等區塊中的相鄰區塊可以有一定程度的重疊。以40乘40的區塊為例,相鄰的兩區塊可以沿著邊長重疊少於40個像素的量。區塊重疊增加了整張影像可以切割出的區塊數目,每一個區塊及其內的像素,都可以經過辨識後區分為病變與非病變,藉由統計整張影像中每一個像素位置被判斷為病徵的次數,較多的次數即代表該位置像素有較高的機率,可以有助於辨識結果的準確率。此原因在於,以部分重疊的方式取區塊,這樣每一個像素位置就有可能超過一次的機會被處理並且判斷為病變。整張影像處理下來,藉由統計每個像素被判斷為病變的次數,就可以賦予被超過一次處理的像素一個對應的機率值,其中的統計次數越多,則位於重疊部分中的像素可視為病變機率就越高。在其他實施例中,更多或更少的步驟可被包含在初始影像及灰階影像的處理中。為了降低運算負擔,處理器(102)可進一步將該灰階影像的灰階值進行適當的量化。例如,將普遍的256階的灰階影像量化成16階的灰階影像。處理器(102)將初始影像轉換為灰階影像後便輸出至特徵擷取器(108)。
繼續參考第一圖所示,特徵擷取器(108)經配置以從處理器(102)接收並擷取灰階影像的紋理特徵。本發明特徵擷取器(108)主要擷取灰階影像中每一區塊的複數個由特徵值定義的特徵向量。這些特徵向量的每一者的特徵值是基於該區塊中沿著一特定方向上的一像素值的變化統計所決定。在一實施例中,每一特徵值的變化統計是以一灰階共生矩陣(Gray level co-occurrence matrix,GLCM)技術來表示,熟悉此技術領域之人士了解該灰階共生矩陣用於表示該區塊中兩個位置的像素值關係在整張影像中發生的頻率,亦反映出灰階變化的分部特性,能夠代表一張圖像的紋理特徵。灰階影像中所包含的圖像,其對應的GLCM可顯示出像素間在固定方向上和距離還有變化幅度所產生出來的資訊,藉此用來分析該圖像中的像素排列特徵。在其他實施例中,所述特徵向量除了GLCM,可由其他方法獲得。例如,局部二元/三元圖徵(Local binary/tertiary pattern,LBP/LTP)或是尺度不變性特徵轉換(Scale-invariant feature transform,SIFT)等已知手段均可用來描述本發明所述特徵向量,其細節不在此贅述。
此外,特徵擷取器(108)針對灰階影像中的每一區塊的所有像素值進行統計運算,並產生代表每一區塊的複數個特徵向量。所述特徵向量是基於方向資訊及一像素距離的統計結果,且具有一區塊識別資訊。特徵向量會根據方向和所述像素距離的選擇而有所差異,並反應在GLCM中。如第五A圖例示由3乘3像素構成的一區塊,其以中央像素為中心點與周圍其他像素可定義出八個方向,並可分別以0⁰、45⁰、90⁰、135⁰、180⁰、225⁰、270⁰及315⁰表示。根據每一方向以及一預定的一像素距離(d,兩個相異像素之間的距離),兩個相異像素值的變化(即亮度變化)可被統計並形成代表一區塊文理資訊的一矩陣。所有區塊的特徵向量作為特徵擷取器(108)的一輸出至統計分析器(110)。有關GLCM的其他細節將於後續說明。
本發明系統的統計分析器(110)經配置以從特徵擷取器(108)接收代表灰階影像中所有區塊的特徵向量,且基於灰階影像中所有區塊的特徵向量實行一統計,而該統計結果則產生代表該灰階影像紋理特徵的一組多維的向量。例如,在一實施例中,所述統計結果可以是基於所述特徵向量所計算的一組變異係數(Coefficient of variation)。每一變異係數是在整張影像中所有同一方向(如0⁰)的特徵向量的一統計結果,如該等特徵向量相(矩陣)加後取得之一平均值(μ)及利用該平均值計算該等特徵向量的一標準差(σ),而所述變異係數則為μ/σ。在另一實施例中,所述統計結果可包含更多基於所述特徵向量所計算的其他參數。例如,計算影像中每一個GLCM中所有元素值的平方總合,其可反映影像灰階值分部的均勻程度和紋理粗細度。本文僅以變異係數說明為例,但應了解考量到為了充分代表一影像的紋理資訊,統計結果可併入變異係數以外的其他參數作為統計分析器(110)的一輸出。有關變異係數的計算將於後續說明。
本發明系統的第一分類器(112)及第二分類器(114)經配置以根據獲得的紋理資訊給予灰階影像一分類結果。第一分類器(112)配置成接收統計分析器(110)的統計結果並據此將與該統計結果有關的灰階影像分類為病徵影像或非病徵影像。在一實施例中,第一分類器(110)基於灰階影像相關的變異係數及一第一分類模型決定該灰階影像是否為一病徵影像。第二分類器(114)配置成接收特徵擷取器(108)所擷取的複數個特徵向量並據此將與該些特徵向量相關的影像區塊分類為病徵區塊或非病徵區塊。在一實施例中,第二分類器(114)基於灰階影像中各區塊的所有特徵向量及一第二分類模型決定該灰階影像的該區塊是否為一病徵區塊。第一分類器及第二分類器的所述執行可由已知的支援向量機(Support vector machines,SVM)實現(詳如 Vladimir N. Vapnik 所著書籍 『The Nature of Statistical Learning Theory』,Chapter 5, pp. 138-141,Springer
,1995)。第一分類器及第二分類器必須預先以大量的資料進行訓練。以消化道檢測來說,大量的胃部內視鏡NBI影像(包含有病徵影像及無病徵影像)可用於分類器的訓練。訓練方法將於後續說明。值得注意的是,雖然依所述特徵向量萃取的策略(如GLCM、LBP/LTP或SIFT)不同,所述分類器的訓練與操作可能略有差異,但此仍包含在本發明的範疇中。
所述第一模型是第一分類器(112)被訓練的一結果,其是由代表每一張訓練影像相關的統計資訊所建立。例如,第一模型是由代表所有訓練影像的所有變異係數組所建立的資料模型,一般由兩類資料構成。所述第二模型是第二分類器(114)被訓練的一結果,其是由代表各張訓練影像中區塊的相關統計資料所建立。例如,第二模型是由代表複數個訓練影像中包含的複數個病徵區塊及/或非病徵區塊的多個特徵向量所建立的資料模型,一般由兩類資料構成。第一模型和第二模型可分別儲存在與第一分類器(112)耦接的第一儲存單元(1121)及與第二分類器(114)儲存的第二儲存單元(1141)。儘管此一實施例描述第一分類器和第二分類器,但在其他實施例中兩者可由共同的硬體及/或軟體程式執行。
本發明系統的影像標記器(116)配置成根據影像分類結果(包含病徵影像、非病徵影像、病徵區塊及非病徵區塊)產生一或多個視覺標記於顯示單元(106)中呈現,例如產生一尺寸類似於區塊尺寸的方框,且與判斷的病徵區塊重疊顯示。以胃部內視鏡影像檢測而言,影像標記器(116)可進一步分析病徵區塊中的影像且產生適當的視覺標記。例如,以胃部內視鏡影像檢測而言,影像標記器基於影像分類結果進一步執行影像處理及分析,藉此決定一或多個血管標記重疊於初始影像(如NBI影像),以讓檢測人員更直觀地觀察病徵血管的位置。詳細的標記方法將於後續說明。
請參考第三圖,顯示本發明用於辨識組織病徵影像的方法的流程圖,包含步驟S300至S312,其由一或多個處理器執行。在此一實施例的說明,將以胃部內視鏡影像來輔助說明本發明的方法。
該方法始於步驟S300,由處理器接收並初步處理一初始影像,如第四A圖至第四D圖顯示本發明初始影像的處理過程。首先,第四A圖為利用一胃部內視鏡產生的一張初始影像,其顯示胃部組織及血管。處理器首先從該初始影像中擷取必要的部分作為辨識目標並同時將選取的部分轉換成如第四B圖顯示的一灰階影像。接著,處理器可進一步基於一直條圖等化手段強化該灰階影像的對比,則如第四C圖所示,血管紋理更加顯著。儘管圖中未示出,已知的雜訊抑制及灰階值量化手段也可選用。第四D圖顯示處理器進一步將灰階影像切割出複數個區塊,該些區塊具有相同尺寸(如40乘40像素),且每一區塊的邊緣與相鄰區塊的邊緣對應。較佳地,該些區塊的尺寸係經由適當選擇,例如40乘40之像素,每一區塊可與相鄰的其他區塊彼此部分重疊。因此,處理器最終輸出該些區塊,並前往下一步驟S302。
步驟S302,由一特徵擷取器擷取該灰階影像的每一區塊的複數個特徵向量(特徵值),所述特徵向量是基於該區塊中沿著一特定方向上的一像素值的變化統計所決定。若灰階影像的像素值量化後,可得到尺寸相對小的特徵向量,有助於減少處理器的運算量。然而,為便於說明及理解,本文將原本256階的灰階影像假設為4階。所述特徵向量與區塊中相異像素定義的一方向有關。第五A圖例示由3乘3像素構成的一區塊,其以中央像素為中心點與周圍其他像素可定義出八個方向,並可分別以0⁰、45⁰、90⁰、135⁰、180⁰、225⁰、270⁰及315⁰表示。根據每一方向以及一預定的一像素距離(d,兩個相異像素之間的距離),兩個相異像素值的變化(即亮度變化)可被統計並形成代表一區塊紋理資訊的一矩陣,如前述GLCM。
第五B圖例示由4乘4像素構成的4階灰階影像的區塊,每一像素值的範圍介於0至3。以方向為0⁰且像素距離為d=1為例,第五B圖區塊中由左像素至右像素的像素值變化被統計在以灰階值為欄和列的矩陣中(第五C圖),作為該區塊中關聯於該方向及該像素距離的一特徵向量。第五B圖中的虛線框選處代表的視灰階值由左至右為3變化至2的發生位置,且共發生三次。第五C圖的縱軸代表起始點(左像素)而橫軸代表終點(右像素),據此矩陣的縱軸灰階值為3且橫軸灰階值為2的累積值為3,即第五C圖虛線框選處。以此類推,可獲得關聯於該區塊像素沿著一特定方向和距離的一變化關係的一矩陣(即特徵向量),可充分代表該區塊的紋理排列狀況。當然,基於更多不同方向和像素距離產生的特徵向量,更能夠反映該區塊的紋理資訊,有助於判斷結果的精確性。完成後,特徵擷取器輸出該些區塊的複數特徵值做進一步計算所得到的特徵向量,並前往下一步驟S304。在一實施例中,步驟S302對每一區塊擷取八個維度的特徵向量。在另一實施例中,四個維度的特徵向量亦可行。
在實際操作中,影像可能會存在反光、模糊及/或陰影部分,這些均可能造成誤判。因此,在執行不S302前,該方法還可包含其他影像處理步驟。針對反光部分,可統計每一區塊的白點(例如灰階像素值大於225)的數量。當區塊白點數量大於三十個,則歸類為反光區塊且無須判斷。針對模糊及陰影部分,可採取一直方圖手段來處理灰階影像。計算與灰階影像區塊對應的直方圖中每個像素點統計數量的標準差,且當標準差大於一閥值則視為模糊或陰影區塊且無須判斷。排除以上特定區塊後,即進行特徵向量的擷取。
步驟S304,基於所有區塊的紋理資訊產生代表灰階影像的一辨識特徵。本發明方法是經由一統計分析器基於灰階影像的所有區塊的特徵向量的一統計而產生一組變異係數,代表該灰階影像的識別特徵。所述變異係數是由關聯於該灰階影像中所有區塊的一特定方向的特徵向量的每一分量的一平均值及一標準差的比值所決定。所述平均值為所有區塊中關聯於一方向的特徵向量的平均值。例如,將所有區塊中與方向為0⁰且像素距離為d=1有關的特徵向量相加並除以區塊數量而獲得代表該灰階影像在該方向上的一平均值。以此類推,若每一區塊具有八個維度的特徵向量,則該灰階影像可統計出關聯於八個方向的平均值。所述標準差為所有區塊中關聯於一方向的特徵向量的標準差。同樣地,當每一區塊具有八個維度的特徵向量,則該灰階影像可統計出關聯於八個方向的標準差。因此,基於每一分量的所述平均值和標準差可獲得關聯於整張影像的一組變異係數。若每一區塊具有八個特徵維度的向量,該組變異係數則為一組八維向量,其視為代表整張影像的紋理資訊。在其他實施例中,統計分析器可針對一張影像產生更多樣的統計,如反映影像灰階值分布均勻程度的統計或反映影像紋理粗細度的統計。此可依已知手段達成,故不在此贅述。完成後,統計分析器至少輸出代表一張影像的一組變異係數,並前進至下一步驟S306。
步驟S306,主要判定灰階影像是否包含目標病徵。一第一分類器基於該灰階影像的該組變異係數決定該灰階影像是否為一病徵影像。在一實施例中,第一分類器是由已訓練完成的一第一支援向量機所運行。第一類分類器是根據一第一分類模型將影像進行分類,所述第一分類模型是由兩類資料(病徵/非病徵)所建立,每一類資料包含代表一影像的紋理資訊,像是一組變異係數。當然,為了強化所述分類能力,第一分類模型可由更多種類的資料所建立。第一分類器基於關聯於灰階影像的變異係數組及第一分類模型決定該灰階影像是否為一病徵影像(如具有胃部微血管病變的影像)。有關第一分類器的訓練及第一分類模型的建立方法將在後續說明。
若判定為一非病徵影像,進入步驟S308,此處該影像紀錄為正常影像且儲存。接著,返回至步驟S300且重覆步驟S300至S306,繼續下一張初始影像的判定。若判定為一病徵影像,有很高的機率代表該影像的某些部分反映了特定的紋理資訊,並進入步驟S310。
步驟S310,主要判斷病徵在該病徵影像中出現的位置。基於該灰階影像的該區塊的該等特徵向量(如利用GLCM所計算求得)及一第二分類模型決定該灰階影像的該區塊是否為一病徵區塊。在一實施例中,第二分類器是由已訓練完成的一第二支援向量機所運行。第一支援向量機和第二支援向量機可以是相互獨立作業也可以是整合在一起。第二類分類器是根據一第二分類模型將該些區塊進行分類,所述第二分類模型是由兩類資料(病徵/非病徵區塊)所建立,每一類資料包含代表多個區塊的紋理資訊,像是多組特徵向量,其中每一組特徵向量代表一病徵或非病徵區塊。為了使判斷結果更為精確,第二分類模型可包含關聯於區塊的豐富紋理資訊。第二分類器基於關聯於一區塊的多個特徵向量及第二分類模型決定該區塊是否為一病徵區塊(如具有病變微血管的紋理)。有關第二分類器的訓練及第二分類模型的建立方法將在後續說明。
若判定為病徵區塊,進入步驟S312。一影像標記器可產生一框選標記在該病徵區塊上。所述影像標記器可進一步配置成分析該病徵區塊病產生對應的一或多個標記於該區塊或初始影像上,且由一顯示單元同步顯示。例如,所述標記為病變區域標記。關於標記的方法將於後續說明。若一病徵影像中的一區塊被判定為非病徵區塊,則不進行任何標記(步驟S314)並再次執行步驟S310以將該病徵影像中的其他區塊依序進行判斷是否為病徵區塊。若該病徵影像的所有區塊均被判定完畢,則回到步驟S300進行下一張初始影像的處理。
請參考第六圖,顯示本發明第一分類器及第二分類器的訓練方法的流程圖,用以建立一第一分類模型及一第二分類模型。該訓練方法包含步驟S600至SS612。
該訓練方法始於步驟S600,選取並輸入適當的訓練影像,包含多張已識別的病徵訓練影像及多張非病徵影像,其中病徵影像作為訓練的正樣本而非病徵影像作為訓練的負樣本。以早期胃癌(Early gastric cancer,EGC)影像為例,選擇六十六張病徵影像及六十張病徵影像進行訓練,其中病徵影像可包含已識別的病徵,像是呈現明顯擴張、曲折、具口徑差異和不規則路徑的血管。接著,步驟S602,每一病徵訓練影像可先由專業人員進一步選擇該影像中可識別的病徵區域,並以該識別的病徵區域作為訓練的正樣本,未被選取的部分不進行處理。同樣地,這些訓練影像可經過前述前處理,包含灰階量化、對比強化及雜訊過濾等。步驟S604,如同前述步驟S300的說明,此處訓練的灰階影像被切割成複數個區塊。步驟S606,針對每一訓練影像的區塊擷取至少一個特徵向量。步驟S608,如同前述步驟S302及S304,針對關聯於每一張訓練影像的特徵向量進行統計,最後獲得關聯於每一張訓練影像與其中每一區塊的的紋理資訊(即前述變異係數和特徵向量的組合)。此處更可包含關聯於特徵向量的一常態化處理。
步驟S610,以代表該些訓練影像的特徵(如變異係數)建立關於兩類資料(病徵影像/非病徵影像)的一第一分類模型,完成第一分類器。步驟S612,以代表該些訓練影像區塊的特徵(如利用GLCM所計算之特徵)建立關於兩類資料(病徵區塊/非病徵區塊)的一第二分類模型,完成第二分類器。藉此,在本發明的實施例中,第一分類器可配置成用於判斷是否一影像為病徵影像,而第二分類器可配置成用於判斷一病徵影像中的區塊是否為一病徵區塊。
第七圖顯示本發明的血管標記方法的流程圖,其根據前述步驟S312的辨識結果對於影像中顯示的血管病徵部分進行標記,該血管標記方法包含步驟S700至S716。
該血管標記方法始於步驟S700,輸入已辨識的一病徵影像中的一或多個病徵區塊至一血管標記器(可為前述影像標記器116)。步驟S702,計算該病徵影像的原始灰階影像的直方圖。步驟S704,並可根據該直方圖統計像素值小於一像素閥值的數量是否小於一像素數量閥值。在一實施例中,像素閥值為40,而像素數量閥值為10000。若是,前往步驟S706,校正該灰階影像的亮度以獲得一校正影像。若否,前往步驟S708,校正該灰階影像的病徵區塊的亮度。此選擇性亮度校正的原因是受到影像中陰影區的影響。所以當陰影區很多時,選擇性地針對局部進行亮度校正,避免整張影像過暗。步驟S710,利用一二值化(Binarization)手段將該校正影像的一部分二值化。根據S700所記錄的病徵區塊位置,在校正影像的對應位置進行二值化處理。例如,使病徵(如血管)的像素值轉換為1而其餘為0,則可得到代表病徵的一二值化圖樣。步驟S712,將被二值化的部分(即二值化圖樣)與原始RGB影像(即初始影像)進行比對。可利用一比較手段決定該校正影像的該二值化的部分與初始影像的一對應部分之間的差異,且基於該差異決定是否顯示關聯於該二值化部分的一或多個標記於該初始影像上對應該病徵區塊的位置。
在一實施例中,可採用毆基里德距離比對,且當兩者的毆基里德距離小於一閥值(如30),則判定該二值化的部分為病徵血管,並使二值化圖樣重疊顯示於初始影像的相對位置上(步驟S714)。例如,病變血管。若毆基里德距離大於所述閥值,則不產生任何二值化圖樣的標記(步驟S716)。
在另一實施例中,步驟S712的比較手段可由一專用的分類器完成,所述專用的分類器是基於大量的RGB影像所訓練而成的,包含病徵/非病徵(血管)的RGB影像作為訓練的正樣本和負樣本。
前述詳細說明應被視為例示性而非限制之用,且要理解下述申請專利範圍(包含所有等效方式)是用以定義本發明的精神與範疇。此外,本文所述或圖式中所描述的例示操作方塊或模組的分離並不是被解釋為將這些方塊或模組限制為實體上分離的裝置。同時,本文所述的每一個模組或操作方塊可包含任何電腦硬體或電腦硬體與軟體的組合。舉例而言,每一個模組都包括含有可執行指令的一非暫態電腦可讀取媒體,例如任何類型的可編程電路。舉例而言,可編程電路可包含一專用積體電路(ASIC)及/或可場編程閘極陣列(FPGA)。此外,每一個模組都包含記憶體硬體,以儲存可由處理器(例如中央處理單元(CPU))執行的指令。此外,每一個模組係藉由一個別通訊介面來傳送或接收資料。資料可經由網路來傳送與接收,例如、或包含網際網路。
100‧‧‧用於辨識組織病徵影像的系統
102‧‧‧處理器
104‧‧‧影像擷取裝置
106‧‧‧顯示單元
108‧‧‧特徵擷取器
110‧‧‧統計分析器
112‧‧‧第一分類器
1121‧‧‧第一儲存單元
114‧‧‧第二分類器
1141‧‧‧第二儲存單元
116‧‧‧影像標記器
202‧‧‧成像單元
204‧‧‧影像分類單元
206‧‧‧影像前處理單元
208‧‧‧顯示單元
S300-S312‧‧‧步驟
S600-S612‧‧‧步驟
S700-S716‧‧‧步驟
參照下列圖式與說明即可更加瞭解該系統。參照下列圖式而對非限制性與非獨佔性實例進行說明。圖式中的構件並非以實際尺寸繪示,其重點在於為說明該系統的原理而配置。在圖式中,同樣的元件符號代表在不同視圖中對應的部件。
第一圖例示本發明用於辨識組織病徵影像的系統的系統架構圖。
第二圖例示影像擷取裝置配置的方塊圖。
第三圖例示本發明用於辨識組織病徵影像的方法的的流程圖。
第四A圖至第四D圖例示根據本發明方法處理順序的胃部內視鏡影像。
第五A圖至第五C圖例示影像區塊方向性、像素值及其對應的特徵向量的示意圖。
第六圖例示本發明分類器的訓練方法的流程圖。
第七圖例示一種適用於本發明系統的影像標記方法的流程圖。
Claims (17)
- 一種用於辨識組織病徵影像的系統,包含: 一處理器,經配置以接收一初始影像並轉換為一灰階影像,且將該灰階影像切割為複數個區塊; 一特徵擷取器,經配置以擷取該灰階影像的每一區塊的複數個特徵向量,所述特徵向量是基於該區塊中的紋理特徵; 一統計分析器,經配置以基於該灰階影像的所有區塊的該等特徵向量的一統計而產生代表該灰階影像的一組變異係數(Coefficient of variation); 一第一分類器,經配置以基於該灰階影像的該組變異係數及一第一分類模型決定該灰階影像是否為一病徵影像;及 一第二分類器,經配置以基於該灰階影像的該區塊的該等特徵向量及一第二分類模型決定該灰階影像的該區塊是否為一病徵區塊。
- 如申請專利範圍第1項所述之系統,其中所述特徵向量是基於該區塊中沿著一特定方向上的一像素值的變化統計所決定。
- 如申請專利範圍第1項所述之系統,其中該灰階影像的該等區塊中的任一者與相鄰的其他區塊彼此重疊。
- 如申請專利範圍第1項所述之系統,其中該初始影像顯示一內視鏡影像。
- 如申請專利範圍第1項所述之系統,其中該處理器經配置以基於一直方圖等化手段(Histogram equalization)而強化該灰階影像的對比,且該處理器執行用於降低該灰階影像中雜訊的一高斯濾波器。
- 如申請專利範圍第1項所述之系統,其中該組變異係數的每一者是由關聯於該灰階影像中所有區塊的特徵向量每一分量的一平均值(mean value)及一標準差(standard deviation)的比值所決定。
- 如申請專利範圍第1項所述之系統,其中該第一分類模型是由代表複數個訓練影像的複數組變異係數所建立,該訓練影像包含有病徵影像與無病徵影像。
- 如申請專利範圍第1項所述之系統,其中該第二分類模型是由代表複數個訓練影像中包含的複數個病徵區塊的複數個特徵向量所建立,該訓練影像包含有病徵影像與無病徵影像。
- 如申請專利範圍第1項所述之系統,還包含: 一影像標記器,經配置以: 基於該灰階影像的一像素數量閥值及一像素閥值而校正該灰階影像為一校正影像; 利用一二值化手段將該校正影像的一部分二值化; 利用一比較手段決定該校正影像的該二值化的部分與該初始影像的一對應部分之間的差異,且基於該差異決定是否顯示關聯於該二值化部分的一或多個標記於該初始影像上對應該病徵區塊的位置。
- 一種用於辨識組織病徵影像的方法,由一或多個處理器執行,該方法包含: 接收一初始影像並轉換為一灰階影像,且將該灰階影像切割為複數個區塊; 擷取該灰階影像的每一區塊的複數個特徵向量,所述特徵向量是基於該區塊的紋理特徵; 基於該灰階影像的所有區塊的該等特徵向量的一統計而產生代表該灰階影像的一組變異係數; 經由一第一分類器,基於該灰階影像的該組變異係數及一第一分類模型決定該灰階影像是否為一病徵影像; 經由一第二分類器,基於該灰階影像的該區塊的該等特徵向量及一第二分類模型決定該灰階影像的該區塊是否為一病徵區塊。
- 如申請專利範圍第10項所述之方法,其中該灰階影像的該等區塊中的任一者與相鄰的其他區塊彼此部分重疊。
- 如申請專利範圍第10項所述之方法,其中該初始影像顯示一內視鏡影像。
- 如申請專利範圍第10項所述之方法,更包含:基於一直方圖等化手段而強化該灰階影像的對比,且基於一高斯濾波手段降低該灰階影像中雜訊。
- 如申請專利範圍第10項所述之方法,其中該組變異係數的每一者是由關聯於該灰階影像中所有區塊的特徵向量的每一分量之平均值及標準差的比值所決定。
- 如申請專利範圍第10項所述之方法,其中該第一分類模型是由代表複數個訓練影像的複數組變異係數所建立,該訓練影像包含有病徵影像與無病徵影像。
- 如申請專利範圍第10項所述之方法,其中該第二分類模型是由代表複數個訓練影像中包含的複數個病徵區塊的複數個特徵向量所建立,該訓練影像包含有病徵影像與無病徵影像。
- 如申請專利範圍第10項所述之方法,更包含: 基於該灰階影像的一像素數量閥值及一像素閥值而校正該灰階影像為一校正影像; 利用一二值化手段將該校正影像的一部分二值化; 利用一比較手段決定該校正影像的該二值化的部分與該初始影像的一對應部分之間的差異,且基於該差異決定是否顯示關聯於該二值化部分的一或多個標記於該初始影像上對應該病徵區塊之血管的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107110708A TWI673683B (zh) | 2018-03-28 | 2018-03-28 | 用於辨識組織病徵影像的系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107110708A TWI673683B (zh) | 2018-03-28 | 2018-03-28 | 用於辨識組織病徵影像的系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI673683B TWI673683B (zh) | 2019-10-01 |
TW201942868A true TW201942868A (zh) | 2019-11-01 |
Family
ID=69023618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107110708A TWI673683B (zh) | 2018-03-28 | 2018-03-28 | 用於辨識組織病徵影像的系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI673683B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI734449B (zh) * | 2020-04-21 | 2021-07-21 | 財團法人工業技術研究院 | 用於影像辨識的特徵標註方法及其裝置 |
TWI779716B (zh) * | 2021-07-13 | 2022-10-01 | 國立成功大學 | 互動式影像標記方法與使用此方法的電子裝置、記錄媒體以及電腦程式產品 |
TWI795787B (zh) * | 2021-05-24 | 2023-03-11 | 鴻海精密工業股份有限公司 | 自編碼器的訓練方法、細胞數量檢測方法及相關設備 |
TWI799787B (zh) * | 2021-02-08 | 2023-04-21 | 緯創資通股份有限公司 | 檢測方法 |
TWI821149B (zh) * | 2023-05-18 | 2023-11-01 | 國立中正大學 | 內視鏡冗餘影像除去方法 |
US11961231B2 (en) | 2021-05-27 | 2024-04-16 | Acer Incorporated | Method and system for medical image interpretation |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200824636A (en) * | 2006-12-04 | 2008-06-16 | Chung Shan Inst Of Science | Image recognition method for detecting alimentary tract |
TWI572186B (zh) * | 2015-12-04 | 2017-02-21 | 國立雲林科技大學 | 內視鏡影像鏡面反射去除之自適應修補方法 |
TWI537762B (zh) * | 2016-01-12 | 2016-06-11 | Application of hyperfamily imaging to identification of cancerous lesions |
-
2018
- 2018-03-28 TW TW107110708A patent/TWI673683B/zh active
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI734449B (zh) * | 2020-04-21 | 2021-07-21 | 財團法人工業技術研究院 | 用於影像辨識的特徵標註方法及其裝置 |
US11409999B2 (en) | 2020-04-21 | 2022-08-09 | Industrial Technology Research Institute | Method of labelling features for image recognition and apparatus thereof |
TWI799787B (zh) * | 2021-02-08 | 2023-04-21 | 緯創資通股份有限公司 | 檢測方法 |
US11847782B2 (en) | 2021-02-08 | 2023-12-19 | Wistron Corporation | Detecting method |
TWI795787B (zh) * | 2021-05-24 | 2023-03-11 | 鴻海精密工業股份有限公司 | 自編碼器的訓練方法、細胞數量檢測方法及相關設備 |
US11961231B2 (en) | 2021-05-27 | 2024-04-16 | Acer Incorporated | Method and system for medical image interpretation |
TWI779716B (zh) * | 2021-07-13 | 2022-10-01 | 國立成功大學 | 互動式影像標記方法與使用此方法的電子裝置、記錄媒體以及電腦程式產品 |
TWI821149B (zh) * | 2023-05-18 | 2023-11-01 | 國立中正大學 | 內視鏡冗餘影像除去方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI673683B (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI673683B (zh) | 用於辨識組織病徵影像的系統及方法 | |
Shen et al. | Domain-invariant interpretable fundus image quality assessment | |
EP3405908B1 (en) | A system and method for detection of suspicious tissue regions in an endoscopic procedure | |
Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
EP2188779B1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
US20180075599A1 (en) | System and methods for automatic polyp detection using convulutional neural networks | |
WO2014155778A1 (ja) | 画像処理装置、内視鏡装置、プログラム及び画像処理方法 | |
JP6265588B2 (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 | |
WO2014097702A1 (ja) | 画像処理装置、電子機器、内視鏡装置、プログラム及び画像処理方法 | |
WO2021147429A9 (zh) | 内窥镜图像展示方法、装置、计算机设备及存储介质 | |
CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
WO2014084083A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN111932532A (zh) | 胶囊内窥镜无参考图像评价方法、电子设备及介质 | |
CN105979847A (zh) | 内窥镜图像诊断辅助系统 | |
JPWO2021140602A5 (ja) | 画像処理システム及びプログラム | |
CN114372951A (zh) | 基于图像分割卷积神经网络的鼻咽癌定位分割方法和系统 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
Ghosh et al. | An automatic bleeding detection technique in wireless capsule endoscopy from region of interest | |
CN111476074A (zh) | 基于毫米波图像的人体异物检测方法 | |
CN117036905A (zh) | 一种基于hsv色彩空间颜色注意力的胶囊内窥镜图像病灶识别方法 | |
Ghosh et al. | Block based histogram feature extraction method for bleeding detection in wireless capsule endoscopy | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
CN114359279B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN116228709A (zh) | 一种胰腺实性占位病灶的交互式超声内镜图像识别方法 | |
Gadermayr et al. | Getting one step closer to fully automatized celiac disease diagnosis |