TWI385598B - 影像處理方法、分類器的訓練方法與病變風險的評估方法 - Google Patents
影像處理方法、分類器的訓練方法與病變風險的評估方法 Download PDFInfo
- Publication number
- TWI385598B TWI385598B TW98141018A TW98141018A TWI385598B TW I385598 B TWI385598 B TW I385598B TW 98141018 A TW98141018 A TW 98141018A TW 98141018 A TW98141018 A TW 98141018A TW I385598 B TWI385598 B TW I385598B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- layer
- surface boundary
- obtaining
- mucosa
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 40
- 238000003672 processing method Methods 0.000 title claims description 34
- 230000003902 lesion Effects 0.000 title claims description 27
- 238000012549 training Methods 0.000 title claims description 7
- 210000004877 mucosa Anatomy 0.000 claims description 157
- 238000001914 filtration Methods 0.000 claims description 17
- 210000001519 tissue Anatomy 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000000717 retained effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000012014 optical coherence tomography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000002808 connective tissue Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000001365 lymphatic vessel Anatomy 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 210000000933 neural crest Anatomy 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Endoscopes (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
本發明是有關於一種醫學影像處理方法，且特別是有關於一種獲得黏膜層與下黏膜層的邊界的方法。
癌症一直是許多國家人民主要死因，雖然現在有許多非侵入式(Noninvasive)或微侵入式產品(如胃鏡)可進行診斷分析，但都各有放射性、解析度低、體積龐大、價格昂貴等缺點。光學同調斷層掃描(Optical Coherence Tomography,OCT)影像具有高解析度、非放射性、非侵入式或微侵入式、即時顯像等優點，同時OCT影像具有斷層掃描特性，可穿透組織並判斷組織結構，故非常適合運用在癌症及早期癌症診斷。
值得一提的是，黏膜層厚度是用來判別組織是否發生病變的一項重要參數。然而在OCT影像中，難以單用肉眼定量出黏膜層厚度，同時也難以被量化。
本發明提供一種影像處理方法，可獲得對黏膜層與下黏膜層的分界。
本發明提供一種病變風險的評估方法，可評估黏膜層的病變風險。
本發明提供一種分類器的訓練方法，可提升分類器的精確性。
本發明提出一種影像處理方法，其包括獲得第一影像，其中第一影像包括黏膜層。另外，偵測黏膜層的上表面邊界，並從上表面邊界往下擷取多個橫向區域，其中上述橫向區域依序相鄰。此外，依據上述橫向區域的均勻度獲得黏膜層的第一下表面邊界。
在本發明的一實施例中，影像處理方法更包括依據上表面邊界與第一下表面邊界獲得黏膜層的厚度。
在本發明的一實施例中，依據上述橫向區域的均勻度獲得黏膜層的第一下表面邊界的步驟包括計算各橫向區域的均勻度參數。另外，依據各均勻度參數獲得上述橫向區域中各相鄰橫向區域的均勻度差異量。此外，從各均勻度差異量中得到最大的均勻度差異量，並依據最大的均勻度差異量獲得對應的第一橫向區域與第二橫向區域。再者，依據第一橫向區域與第二橫向區域獲得第一下表面邊界。在另一實施例中，均勻度參數為標準差或相關係數。
在本發明的一實施例中，影像處理方法更包括水平校準第一影像，使黏膜層呈橫向分佈。在另一實施例中，影像處理方法更包括分析第一下表面邊界之下的區域是否具備破碎特徵，藉以判別上述區域是否為下黏膜層。
在本發明的一實施例中，影像處理方法更包括依據閥值對第一影像進行第一二值化影像處理獲得第二影像，使第二影像呈現出黏膜層與下黏膜層。另外，對第二影像的黏膜層與下黏膜層進行第一連結元件標定處理，以獲得第三影像，其中第三影像包括多個第一標定連結元件。此外，對第三影像進行第一濾雜訊處理，以獲得第四影像。另外，依據第四影像對第一影像進行遮罩處理，以獲得第五影像。再者，依據一閥值範圍對第五影像進行第二二值化影像處理獲得第六影像，使第六影像呈現出下黏膜層。此外，強化第六影像的橫向特徵以獲得第七影像。另外，對第七影像進行第二連結元件標定處理，以獲得第八影像，其中第八影像包括多個第二標定連結元件。再者，對第八影像進行第二濾雜訊處理，以獲得第九影像。此外，依據第九影像獲得第一影像中的第二下表面邊界。
在本發明的一實施例中，影像處理方法更包括依據第二下表面邊界與上表面邊界獲得黏膜層的厚度。在另一實施例中，依據第一下表面邊界與第二下表面邊界獲得第三下表面邊界。
在本發明的一實施例中，對第三影像進行第一濾雜訊處理，以獲得第四影像的步驟包括計算各第一標定連結元件的畫素數目。另外，濾除畫素數目小於一數值的各第一標定連結元件。
在本發明的一實施例中，對第八影像進行第二濾雜訊處理的步驟包括計算各第二標定連結元件的畫素數目。另外，濾除畫素數目小於一數值的各第二標定連結元件。
在本發明的一實施例中，對第八影像進行第二濾雜訊處理的步驟包括計算各第二標定連結元件的長軸短軸比例。另外，濾除長軸短軸比例小於一數值的各第二標定連結元件。
在本發明的一實施例中，對第七影像進行第二連結元件標定處理，以獲得第八影像的步驟包括依據預設圖形分別對各第二標定連結元件進行比對，以決定是否保留各第二標定連結元件。
從另一角度來看，本發明提出一種病變風險的評估方法，其包括獲得一影像，此影像包括黏膜層。另外，偵測黏膜層的上表面邊界，並從上表面邊界往下擷取多個橫向區域，其中上述橫向區域依序相鄰。此外，依據上述橫向區域的均勻度獲得黏膜層的下表面邊界。再者，依據上表面邊界與下表面邊界獲得黏膜層的厚度，並依據此厚度評估黏膜層的病變風險。
從又一角度來看，本發明提出一種分類器的訓練方法，其包括獲得一影像，此影像包括黏膜層。另外，偵測黏膜層的上表面邊界，並從上表面邊界往下擷取多個橫向區域，其中上述橫向區域依序相鄰。此外，依據上述橫向區域的均勻度獲得黏膜層的下表面邊界。再者，依據上表面邊界與下表面邊界獲得黏膜層的厚度。獲得黏膜層是否正常的資訊，並依據上述資訊與厚度訓練分類器。
從再一角度來看，本發明提出一種影像處理方法，其包括獲得影像，此影像包括黏膜層。偵測黏膜層的上表面邊界，並從上表面邊界之下擷取兩相鄰橫向區域。另外，依據上述兩相鄰橫向區域的均勻度差異判別其是否存在黏膜層的下表面邊界。
基於上述，本發明從黏膜層的上表面邊界之下擷取多個橫向區域，並依據其均勻度藉以取得黏膜層的下表面邊界。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
在醫學影像中，難以單用肉眼定量出黏膜層厚度，同時也難以被量化。
有鑑於此，本發明的實施例提出了一種影像處理方法。由於黏膜層的上表面相當明顯，因此可先偵測黏膜層的上表面邊界。另外，由於黏膜層是由網狀結締組織所組成，下黏膜層是由條狀結締組織所組成，因此從影像來看，黏膜層會較均勻，下黏膜層會較不均勻，亦即黏膜層與下黏膜層的分界會造成相當大的均勻度變化量。故，可從上述上表面邊界往下擷取多個連續的橫向區域，並據以量化各橫向區域的均勻度。接著可從各兩兩相鄰的橫向區域獲得對應的均勻度變化量。再從各均勻度變化量獲得最大的均勻度變化量，其對應的兩橫向區域即為黏膜層與下黏膜層的分界所在。下面將參考附圖詳細闡述本發明的實施例，附圖舉例說明了本發明的示範實施例，其中相同標號指示同樣或相似的步驟。
圖1是依照本發明的一實施例的一種影像處理方法的流程圖。圖2是依照本發明的一實施例的一種包含黏膜層醫學影像的示意圖。請合併參照圖1與圖2，首先可由步驟S101，獲得影像10，影像10包括黏膜層101。在本實施例中，圖2的醫學影像是用OCT裝置所獲得的OCT影像，但本發明並不以此為限。另外，影像10更包括空腔103與下黏膜層102。空腔103位於黏膜層101之上。下黏膜層102位於黏膜層101之下。
承上述，空腔103主要由空氣組成。黏膜層101主要由網狀結締組織組成。下黏膜層102主要由條狀結締組織組成，例如淋巴管、血管、神經欉等。在影像10中，空腔103的畫素會偏暗，黏膜層101的畫素會偏亮，下黏膜層102具有破碎條狀的亮區塊且下黏膜層102的整體亮度也會較黏膜層101來得暗。
在步驟S101之後可接續步驟S102，偵測黏膜層101的上表面邊界201。由於空腔103與黏膜層101的亮度差異甚大，形成強烈的亮度對比，且黏膜層101的上表面邊界明顯。因此可利用影像處理方法中的邊界偵測即可獲得黏膜層101的上表面邊界201，但本發明並不以此為限。在其他實施例中，熟習本領域技術者亦可依其需求改用其他方式獲得黏膜層101的上表面邊界201。
圖3是依照本發明的一實施例的一種擷取多個橫向區域的示意圖。請合併參照圖1～圖3，接著可由步驟S103，從上表面邊界201往下擷取多個橫向區域X1～Xn。在本實施例中，n為大於1的正整數，例如為300，在其他實施例中，熟習本領域技術者可依其需求改變n的大小。
為了方便後端運算，熟習本領域技術者可依其需求對影像10進行旋轉，例如上述旋轉是水平校準，圖3為旋轉後的示意圖。在本實施例中，可由偵測到的上表面邊界201經由水平校準之後獲得直線201’，其中直線201’近似於上表面邊界201。接著，可從直線201’往下擷取連續的多個橫向區域X1～Xn，其中橫向區域X1鄰近於橫向區域X2，橫向區域X2鄰近橫向區域X3，以此類推，橫向區域Xn-1鄰近於橫向區域Xn。
在本實施例中，橫向區域X1～X2的高度(即每一橫向區域的高度)例如為1個畫素單位，但不限於此。在其他實施例中，橫向區域X1～X2的高度也可以是2個或2個以上的畫素單位。橫向區域X1～Xn的寬度(即每一橫向區域的寬度)例如為600個畫素單位，但不限於此。在其他實施例中，橫向區域X1～Xn的寬度也可以是其他數量的畫素單位。
值得一提的是，由於下黏膜層102具有條狀的破碎特徵，此條狀的破碎特徵一般會平行於黏膜層101的上表面邊界201。因此從直線201’往下擷取連續的多個橫向區域X1～Xn，可有效保留下黏膜層102的條狀的破碎特徵。換言之，位於下黏膜層102的各橫向區域會具有條狀的破碎特徵；反之，位於黏膜層101的各橫向區域則不會有條狀的破碎特徵。
有鑑於此，本實施例可分析各橫向區域的均勻度，來判別各橫向區域是否具有條狀的破碎特徵，進而判別其是否位於黏膜層或下黏膜層。舉例來說，可由各橫向區域的均勻度或各相鄰橫向區域的均勻度差異來判別各橫向區域是否位於黏膜層或下黏膜層。更具體地說，位於黏膜層101的橫向區域，其均勻度會較高；位於下黏膜層102的橫向區域，其均勻度會較低。分佈在黏膜層101與下黏膜層102的分界(黏膜層101的下表面邊界)附近的各橫向區域，其均勻度差異會較大。故，從各橫向區域的均勻度可區分出黏膜層101與下黏膜層102的分界。如步驟S104，依據橫向區域X1～Xn的均勻度的變化情形，來獲得黏膜層101的下表面邊界。以下提供一種依據橫向區域X1～Xn的均勻度獲得黏膜層的下表面邊界之實施方式供熟習本領域技術者參詳。
圖4是步驟S104的一種詳細流程圖。在本實施例中，步驟S104可包括步驟S401～S404。首先可由步驟S401，計算各橫向區域的均勻度參數。舉例來說，可求各橫向區域的標準差，詳細來說，係針對各橫向區域中所包括的像素之亮度，進行標準差的計算，標準差愈小，代表均勻度愈小。以本實施例為例，在步驟S401中，可分別依據橫向區域X1～Xn獲得相對應的標準差SD1～SDn。
接著，可由步驟S402，依據各均勻度參數獲得橫向區域X1～Xn中各相鄰橫向區域的均勻度差異量。更具體地說，可將標準差SD2減去SD1藉以獲得標準差差異量SB1，標準差差異量SB1為橫向區域X2與X1的標準差之差異量。接著，可將標準差SD3減去SD2藉以獲得標準差差異量SB2。以此類推可獲得標準差差異量SB3～SBn-1。
接著可由步驟S403，從各均勻度差異量中得到最大的均勻度差異量，並依據最大的均勻度差異量獲得對應的兩相鄰橫向區域。舉例來說，圖5是依照本發明的一實施例的一種標準差差異量的示意圖。在本實施例中，假設最大的標準差差異量為SBt，其對應的相鄰橫向區域為Xt與Xt+1，其中t介於1與n-1之間。因此可推測黏膜層101與下黏膜層102的分界位於橫向區域Xt與Xt+1附近。
有鑑於此，可由步驟S404，將橫向區域Xt與Xt+1的分界視為黏膜層101與下黏膜層102的分界，即獲得黏膜層101的下表面邊界，但本發明並不限於此。在其他實施例中，熟習本領域技術者可針對位於橫向區域Xt與Xt+1附近的各橫向區域作進一步地分析，藉以定義出更精確的黏膜層101與下黏膜層102的分界。
當定義出黏膜層101與下黏膜層102的分界後，即可計算出黏膜層101的厚度。舉例來說，可計算直線201’(可視為黏膜層101上表面邊界201)至黏膜層101與下黏膜層102之分界的距離。在其他實施例中，也可依據上表面邊界以及黏膜層101與下黏膜層102的分界來計算黏膜層101的厚度。舉例來說，由於上表面邊界201並非為一直線，因此可對上表面邊界201進行取樣，獲得多個樣本點，並計算各樣本點至黏膜層101與下黏膜層102的分界之平均距離。如此一來，上述之平均距離即可視為黏膜層101的厚度。
由於黏膜層101的厚度是用來判別組織是否發生病變的一項重要參數。本實施例更提出一種病變風險的評估方法，其可依據前述黏膜層101的厚度來評估組織病變的風險。一般來說，組織發生病變後，黏膜層101的厚度會明顯上升。舉例來說，在組織未發生病變的情況下，黏膜層101的厚度約303.75±28.1um，但不限於此。故，利用黏膜層101的厚度是否落於正常範圍即可用來評估組織病變的風險。在另一實施例中，也可將黏膜層101的厚度提供給分類器，由分類器來判斷組織是否發生病變，上述分類器例如是類神經網路系統。
另外，本實施例更提出一種分類器的訓練方法。影像10中的組織是否發生病變若是已知的資訊，則可依據此病變資訊及其對應的黏膜層101的厚度來訓練分類器。如此一來可提升分類器的精確性(Accuracy)、敏感性(Sensitivity)與特異性(Specificity)。
雖然上述實施例中已經對影像處理方法、分類器的訓練方法與病變風險的評估方法描繪出了一個可能的型態，但所屬技術領域中具有通常知識者應當知道，各廠商對於影像處理方法分類器的訓練方法與病變風險的評估方法的步驟設計都不一樣，因此本發明的應用當不限制於此種可能的型態。換言之，只要是從黏膜層的上表面邊界之下擷取多個橫向區域，並依據其均勻度藉以取得黏膜層的下表面邊界，就已經是符合了本發明的精神所在。以下再舉幾個實施方式以便本領域具有通常知識者能夠更進一步的了解本發明的精神，並實施本發明。
在上述實施例中，均勻度參數雖以標準差為例進行說明，但本發明並不以此為限。在其他實施例中，也可以用其他方式來衡量各橫向區域的均勻度參數，例如也可用相關係數來衡量均勻度參數，相關係數愈高代表均勻度愈高；相關係數愈低代表均勻度愈低。如此亦可量化出各橫向區域的均勻度，並據以獲得黏膜層與下黏膜層的分界。
圖4的流程圖僅是一種選擇實施例，本發明並不以此為限，熟習本領域技術者亦可依其需求改變圖4的流程圖，據以提升黏膜層與下黏膜層的分界之準確性。舉例來說，當各均勻度差異量皆明顯偏低時，可能代表黏膜層101與下黏膜層102的分界並不存在於影像10中。有鑑於此，在另一實施例中，步驟S403亦可包括判別最大的均勻度差異量是否大於一預設閥值，若是，可接續執行步驟S403、S404；若否，可提示黏膜層101與下黏膜層102的分界可能不存在。如此一來可降低黏膜層101與下黏膜層102的分界之誤判。
上述實施例的步驟S103與S104，僅是一種選擇實施例，熟習本領域技術者亦可依其需求改變實施方式。舉例來說，可從黏膜層101上表面邊界之下任取兩相鄰橫向區域，接著再依據上述兩相鄰橫向區域的均勻度差異判別上述兩相鄰橫向區域是否存在黏膜層101的下表面邊界。當兩相鄰橫向區域的均勻度差異大於一閥值，代表上述兩相鄰橫向區域存在黏膜層101的下表面邊界，此時可選擇性再從上述兩相鄰橫向區域中獲得範圍更小的兩相鄰橫向區域，並重複上述步驟，藉以定義出更精確下表面邊界；反之，當兩相鄰橫向區域的均勻度差異小於或等於一閥值，代表上述兩相鄰橫向區域不存在黏膜層101的下表面邊界，此時可另外再選擇其他兩相鄰橫向區域，並重複上述步驟。值得一提的是，熟習本領域技術者亦可配合逼近法來決定上述兩相鄰橫向區域，上述逼近法例如是二元逼近法，如此可加速獲得黏膜層101的下表面邊界之速度。
另外，圖1的流程圖亦僅是一種選擇實施例，本發明並不以此為限，熟習本領域技術者亦可依其需求改變圖1的流程圖，據以提升黏膜層與下黏膜層的分界之準確性。舉例來說，圖6是依照本發明的另一實施例的一種影像處理方法的流程圖。請合併參照圖1、圖2與圖6，圖6與圖1相類似，不同之處在於圖6更包括步驟S601與S602。
在步驟S601，可利用破碎特徵偵測下黏膜層102的分佈情形。接著再由步驟S602，依據步驟S601與S104所獲得的資訊對黏膜層101進行雙重判斷，如此可進一步降低誤判的機率。以下提供步驟S601的一種選擇實施例供熟習本領域技術者參詳。
圖7是步驟S601的一種詳細流程圖。圖8～圖13分別是一種影像示意圖。請合併參照圖2、圖7～圖13，在本實施例中步驟S601可包括步驟S710與S720。首先可由步驟S710，濾除黏膜層101與下黏膜層102之外的雜訊。接著可由步驟S720，濾除下黏膜層102之外的雜訊。步驟S601分成兩階段的影像處理可得到更精確的下黏膜層102之分佈情形。在本實施例中，步驟S710包括步驟S701～S704。步驟S720包括步驟S705～S708。
在步驟S701中，可依據閥值對第一影像進行第一二值化影像處理獲得第二影像，使第二影像呈現出黏膜層與下黏膜層。舉例來說，可依據一閥值對影像10進行二值化影像處理，粗略地篩選出黏膜層101與下黏膜層102(例如呈現出亮灰階)，藉以獲得影像11。上述閥值例如可用閥值選擇方法(Threshold Selection Method)獲得。在其他實施例中，熟習本領域技術者亦可依其需求自行定義閥值或採用其他方式取得。值得注意的是，影像11中在黏膜層101與下黏膜層102之外(例如空腔103)仍存在許多雜訊，黏膜層101與下黏膜層102亦有許多畫素被誤判而呈現暗灰階。
有鑑於此，可由步驟S702，對第二影像的黏膜層與下黏膜層進行第一連結元件標定(Connected Component Labeling)處理，以獲得第三影像，其中第三影像包括多個第一標定連結元件。舉例來說，可對影像11中的黏膜層101與下黏膜層102進行8畫素的連結元件標定處理，藉以獲得多個標定連結元件。此作法的好處在於可將黏膜層101與下黏膜層102中部分畫素被誤判而呈現暗灰階能夠被修正成亮灰階。
請注意，在影像10中，由於黏膜層101與下黏膜層102的整體亮度較高，因此上述進行標定連結元件處理後的影像12，分佈在黏膜層101與下黏膜層102的各標定連結元件會具有較高的畫素數目。換言之，位於黏膜層101與下黏膜層102之外(例如空腔103)的各標定連結元件會具有較低的畫素數目，在本實施例中，其可視為雜訊。因此可由步驟S703，對第三影像進行第一濾雜訊處理，以獲得第四影像。舉例來說，可對影像12進行濾雜訊處理，將畫素數目小於一閥值的各標定連結元件濾除，以獲得濾除雜訊後的影像，上述閥值例如是5，但不限於此。在其他實施例中，熟習本領域技術者可依其需求自行定義上述閥值。
接著可依據上述濾除雜訊後的影像定義出黏膜層101與下黏膜層102之範圍。舉例來說，黏膜層101的上表面邊界201可作為黏膜層101與下黏膜層102之範圍的上邊界。各標定連結元件的下邊界可作為黏膜層101與下黏膜層102之範圍的下邊界。如此即可定義出黏膜層101與下黏膜層102之範圍，但本發明並不以此為限。
接著，可由步驟S704，依據第四影像對第一影像進行遮罩處理，以獲得第五影像。舉例來說，可依據上述定義的黏膜層101與下黏膜層102之範圍對影像10進行遮罩處理，保留影像10中黏膜層101與下黏膜層102範圍內的資訊，並刪除影像10中黏膜層101與下黏膜層102範圍外的資訊，藉以獲得影像13。
接著，再由步驟S705，依據一閥值範圍對第五影像進行第二二值化影像處理獲得第六影像，使第六影像呈現出下黏膜層。舉例來說，可依據閥值範圍對影像13進行二值化處理，從黏膜層101與下黏膜層102中進一步地篩選出下黏膜層102，藉以獲得影像14。更具體地說，可將灰階介於1～14的畫素轉為暗灰階；灰階在15以上的畫素則轉成亮灰階，但本發明並不限於此。熟習本領域技術者可依其需求改變上述閥值範圍。在另一實施例中，閥值範圍亦可用閥值選擇方法獲得。
在影像14中，仍有諸多亮灰階畫素分佈在黏膜層101(可視為雜訊)。若直接對影像14進行濾雜訊處理，可能會將下黏膜層102的資訊一併濾除。
有鑑於此，可由步驟S706，先強化第六影像的橫向特徵以獲得第七影像。舉例來說，可對影像14進行橫向結構(Line Sturcture)擴大(Dilate)處理，藉以獲得影像15，但本發明不限於此。如此一來，可改善後端濾雜訊處理將下黏膜層102的資訊濾除的問題。
接著，可由步驟S707，對第七影像進行第二連結元件標定處理，以獲得第八影像，其中第八影像包括多個第二標定連結元件。舉例來說，可對影像15進行4畫素的連結元件標定處理，藉以獲得多個標定連結元件。
接著，由步驟S708，對第八影像進行第二濾雜訊處理，以獲得第九影像。舉例來說，可對各標定連結元件進行濾雜訊處理，藉以濾除分佈在黏膜層101的各標定連結元件，並保留分佈在下黏膜層102的各標定連結元件。以下提供一種選擇實施例供熟習本領域技術者參詳。
由於位於下黏膜層102的各標定連結元件會近似於橫向橢圓圖形。因此，可計算各標定連結元件的長軸短軸比例。濾除長軸短軸比例小於一數值的各標定連結元件。例如，可濾除長軸(橫向)/短軸(縱向)小於1.1的各標定連結元件，但不限於此。熟習本領域技術者亦可依其需求改變上述長軸短軸比例。在另一實施例中，也可用圖形比對方式濾除位於黏膜層101的各標定連結元件。更具體地說，可用預設圖形對各標定連結元件進行圖形比對，若圖形比對結果吻合則予以保留；反之則予以刪除。上述預設圖形例如為橫向橢圓形，但不限於此。
接著，可將畫素數目小於一閥值的各標定連結元件濾除，藉以獲得影像16。上述閥值例如是45，但不限於此。如此一來可濾除分佈在黏膜層101的各標定連結元件，並保留分佈在下黏膜層102的各標定連結元件。保留下來的各標定連結元件即可視為具有破碎特徵的下黏膜層102的分佈範圍。
接著可由步驟S602，依據步驟S601與步驟S104所獲得的資訊，綜合分析上黏膜層101的厚度。
舉例來說，可從步驟S601所獲得的下黏膜層102的分佈範圍定義出黏膜層101的第二下表面邊界(不同於步驟S104所獲得的下表面邊界)。接著可依據黏膜層101的上邊界與步驟S104所獲得的下表面邊界計算出黏膜層101的第一厚度。另外，可依據黏膜層101的上邊界與由步驟S601所獲得的第二下表面邊界計算出黏膜層101的第二厚度。接著在依據第一厚度與第二厚度進行權重運算，藉以獲得上黏膜層101的厚度，如此可降低誤判的機率。
又例如，可依據步驟S104所獲得的下表面邊界定義出一誤差範圍，誤差範圍例如是下表面邊界±10個畫素單位，但本發明並不限於此。接著可判別上述誤差範圍是否與步驟S601所獲得的下黏膜層102的分佈範圍相重疊，若是，代表步驟S104所獲得的下表面邊界之可靠度很高。故可用步驟S104所獲得的下表面邊界與黏膜層101的上邊界來計算黏膜層101的厚度。
值得一提的是，當組織發生病變而使黏膜層101過厚時，礙於影像擷取裝置的限制，影像10可能無法顯示出下黏膜層102。如此一來，步驟S601可能會偵測不到下黏膜層102的分佈範圍；但步驟S104仍可獲得黏膜層101的下表面邊界。在此情況下，步驟S104所獲得的下表面邊界，其誤判的機率很高，可予以捨棄，如此可降低步驟S104誤判的機率。換言之，當步驟S601偵測不到下黏膜層102的分佈範圍時，代表組織發生病變的機率很高，可將此資訊作為判別組織病變的一項參數。
綜上所述，本發明在獲得包括了黏膜層的一影像後，可從黏膜層的上表面邊界之下擷取多個橫向區域，並依據其均勻度藉以取得黏膜層的下表面邊界。如此一來即可依據黏膜層的上表面邊界與下表面邊界獲得黏膜層的厚度。進一步地可依據上述厚度來評估組織發生病變的風險。若上述影像的病變資訊為已知的情況下，還可依據上述厚度與病變資訊來訓練可判別組織是否發生病變的分類器。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S101～S104、S401～S404、S601、S602、S701～S708．．．影像處理方法的各步驟
10～16．．．影像
101．．．黏膜層
102．．．下黏膜層
103‧‧‧空腔
201‧‧‧黏膜層的上表面邊界
201’‧‧‧直線
X1~Xn‧‧‧橫向區域
SB1~SBn-1‧‧‧標準差差異量
圖1是依照本發明的一實施例的一種影像處理方法的流程圖。
圖2是依照本發明的一實施例的一種包含黏膜層醫學影像的示意圖。
圖3是依照本發明的一實施例的一種擷取多個橫向區域的示意圖。
圖4是步驟S104的一種詳細流程圖。
圖5是依照本發明的一實施例的一種標準差差異量的示意圖。
圖6是依照本發明的另一實施例的一種影像處理方法的流程圖。
圖7是步驟S601的一種詳細流程圖。
圖8～圖13分別是一種影像示意圖。
S101～S104．．．影像處理方法的各步驟
Claims (16)
- 一種影像處理方法，包括：獲得一第一影像，該第一影像包括一黏膜層；偵測該黏膜層的一上表面邊界；從該上表面邊界往下擷取多個橫向區域，其中該些橫向區域依序相鄰；以及依據該些橫向區域的均勻度獲得該黏膜層的一第一下表面邊界。
- 如申請專利範圍第1項所述的影像處理方法，更包括：依據該上表面邊界與該第一下表面邊界獲得該黏膜層的一厚度。
- 如申請專利範圍第1項所述的影像處理方法，其中依據該些橫向區域的均勻度獲得該第一影像之該黏膜層的該第一下表面邊界的步驟，包括：計算各該橫向區域的一均勻度參數；依據各該均勻度參數獲得該些橫向區域中各相鄰橫向區域的一均勻度差異量；從各該均勻度差異量中得到一最大的均勻度差異量；依據該最大的均勻度差異量獲得對應的一第一橫向區域與一第二橫向區域；以及依據該第一橫向區域與該第二橫向區域獲得該第一影像該第一下表面邊界。
- 如申請專利範圍第3項所述的影像處理方法，其中 該均勻度參數為一標準差或一相關係數。
- 如申請專利範圍第1項所述的影像處理方法，更包括：旋轉該第一影像，使該黏膜層呈橫向分佈。
- 如申請專利範圍第1項所述的影像處理方法，更包括：分析該第一下表面邊界之下的一區域是否具備一破碎特徵，藉以判別該區域是否為一下黏膜層。
- 如申請專利範圍第1項所述的影像處理方法，更包括：依據一閥值對該第一影像進行一第一二值化影像處理獲得一第二影像，使該第二影像呈現出該黏膜層與一下黏膜層；對該第二影像的該黏膜層與該下黏膜層進行一第一連結元件標定處理，以獲得一第三影像，其中該第三影像包括多個第一標定連結元件；對該第三影像進行一第一濾雜訊處理，以獲得一第四影像；依據該第四影像對該第一影像進行一遮罩處理，以獲得一第五影像；依據另一閥值範圍對該第五影像進行一第二二值化影像處理獲得一第六影像，使該第六影像呈現出該下黏膜層；強化該第六影像的橫向特徵以獲得一第七影像； 對該第七影像進行一第二連結元件標定處理，以獲得一第八影像，其中該第八影像包括多個第二標定連結元件；以及對該第八影像進行一第二濾雜訊處理，以獲得一第九影像；依據該第九影像該第一影像獲得該第一影像中的一第二下表面邊界。
- 如申請專利範圍第7項所述的影像處理方法，更包括：依據該第二下表面邊界與該上表面邊界獲得該黏膜層的一厚度。
- 如申請專利範圍第7項所述的影像處理方法，更包括：依據該第一下表面邊界與該第二下表面邊界獲得一第三下表面邊界。
- 如申請專利範圍第7項所述的影像處理方法，其中對該第三影像進行該第一濾雜訊處理，以獲得該第四影像的步驟包括：計算各該第一標定連結元件的畫素數目；以及濾除畫素數目小於一數值的各該第一標定連結元件。
- 如申請專利範圍第7項所述的影像處理方法，其中對該第八影像進行該第二濾雜訊處理的步驟包括：計算各該第二標定連結元件的畫素數目；以及濾除畫素數目小於一數值的各該第二標定連結元件。
- 如申請專利範圍第7項所述的影像處理方法，其中對該第八影像進行該第二濾雜訊處理的步驟包括：計算各該第二標定連結元件的長軸短軸比例；以及濾除長軸短軸比例小於一數值的各該第二標定連結元件。
- 如申請專利範圍第7項所述的影像處理方法，其中對該第七影像進行該第二連結元件標定處理，以獲得該第八影像的步驟包括：依據一預設圖形分別對各該第二標定連結元件進行比對，已決定是否保留各該第二標定連結元件。
- 一種病變風險的評估方法，包括：獲得一影像，該影像包括一黏膜層；偵測該黏膜層的一上表面邊界；從該上表面邊界往下擷取多個橫向區域，其中該些橫向區域依序相鄰；依據該些橫向區域的均勻度獲得該第一影像該黏膜層的一下表面邊界；依據該上表面邊界與該下表面邊界獲得該黏膜層的一厚度；以及依據該厚度評估該黏膜層的一病變風險。
- 一種分類器的訓練方法，包括：獲得一影像，該影像包括一黏膜層；偵測該黏膜層的一上表面邊界；從該上表面邊界往下擷取多個橫向區域，其中該些橫 向區域依序相鄰；依據該些橫向區域的均勻度獲得該第一影像該黏膜層的一下表面邊界；依據該上表面邊界與該下表面邊界獲得該黏膜層的一厚度；獲得該黏膜層是否正常的一病變資訊，其中該病變資訊用以得知該影像中的組織是否發生病變；以及依據該病變資訊與該厚度訓練該分類器。
- 一種影像處理方法，包括：獲得一影像，該影像包括一黏膜層；偵測該黏膜層的一上表面邊界；從該上表面邊界之下擷取兩相鄰橫向區域；以及依據上述兩相鄰橫向區域的均勻度差異判別其是否存在該黏膜層的一下表面邊界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW98141018A TWI385598B (zh) | 2009-12-01 | 2009-12-01 | 影像處理方法、分類器的訓練方法與病變風險的評估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW98141018A TWI385598B (zh) | 2009-12-01 | 2009-12-01 | 影像處理方法、分類器的訓練方法與病變風險的評估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201120813A TW201120813A (en) | 2011-06-16 |
| TWI385598B true TWI385598B (zh) | 2013-02-11 |
Family
ID=45045318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW98141018A TWI385598B (zh) | 2009-12-01 | 2009-12-01 | 影像處理方法、分類器的訓練方法與病變風險的評估方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI385598B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10422744B2 (en) | 2016-10-04 | 2019-09-24 | Industrial Technology Research Institute | Interferometer and imaging method therefor |
| TWI716762B (zh) * | 2018-11-07 | 2021-01-21 | 國家中山科學研究院 | 一種利用神經網路去除牙齒影像雜訊之方法 |
| US10976151B2 (en) | 2018-12-26 | 2021-04-13 | Industrial Technology Research Institute | Optical interferometer with reference arm longer than sample arm |
| US11026581B2 (en) | 2016-09-30 | 2021-06-08 | Industrial Technology Research Institute | Optical probe for detecting biological tissue |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6081618A (en) * | 1994-05-31 | 2000-06-27 | Fujitsu Limited | Method and an apparatus for extracting a connected element from a binary image |
| US6351262B1 (en) * | 1998-06-30 | 2002-02-26 | Lucent Technologies, Inc. | Display techniques for three-dimensional virtual reality |
| US20090167932A1 (en) * | 2007-12-27 | 2009-07-02 | Kenichi Nakajima | Image capturing apparatus |
-
2009
- 2009-12-01 TW TW98141018A patent/TWI385598B/zh not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6081618A (en) * | 1994-05-31 | 2000-06-27 | Fujitsu Limited | Method and an apparatus for extracting a connected element from a binary image |
| US6351262B1 (en) * | 1998-06-30 | 2002-02-26 | Lucent Technologies, Inc. | Display techniques for three-dimensional virtual reality |
| US20090167932A1 (en) * | 2007-12-27 | 2009-07-02 | Kenichi Nakajima | Image capturing apparatus |
Non-Patent Citations (1)
| Title |
|---|
| Jialin Li, Christopher Bowman, Reza Fazel-Rezai, Mark Hewko and Lin-P'ing Choo-Smith, "Speckle Reduction and Lesion Segmentation of OCT Tooth Images for Early Caries Detection", 31st Annual International Conference of the IEEE EMBS Minneapolis, Minnesota, USA, September 2-6, 2009. * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11026581B2 (en) | 2016-09-30 | 2021-06-08 | Industrial Technology Research Institute | Optical probe for detecting biological tissue |
| US10422744B2 (en) | 2016-10-04 | 2019-09-24 | Industrial Technology Research Institute | Interferometer and imaging method therefor |
| TWI716762B (zh) * | 2018-11-07 | 2021-01-21 | 國家中山科學研究院 | 一種利用神經網路去除牙齒影像雜訊之方法 |
| US10976151B2 (en) | 2018-12-26 | 2021-04-13 | Industrial Technology Research Institute | Optical interferometer with reference arm longer than sample arm |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201120813A (en) | 2011-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gietema et al. | Quantifying the extent of emphysema:: factors associated with Radiologists’ Estimations and quantitative indices of emphysema severity using the ECLIPSE cohort | |
| JP6235583B2 (ja) | 画像獲得データから肝線維症を検出及びステージ決定する方法 | |
| TWI483711B (zh) | Tumor detection system and method of breast ultrasound image | |
| TWI473598B (zh) | Breast ultrasound image scanning and diagnostic assistance system | |
| JP6544648B2 (ja) | 骨粗鬆症診断支援装置 | |
| Lei et al. | Distinctive analysis of macular superficial capillaries and large vessels using optical coherence tomographic angiography in healthy and diabetic eyes | |
| JP2009525800A (ja) | 乳房組織密度測定 | |
| TWI385598B (zh) | 影像處理方法、分類器的訓練方法與病變風險的評估方法 | |
| Meiburger et al. | Automated carotid artery intima layer regional segmentation | |
| Huang et al. | Stability analysis of fractal dimension in retinal vasculature | |
| Huang et al. | Development and validation of a radiomics signature as a non‐invasive complementary predictor of gastroesophageal varices and high‐risk varices in compensated advanced chronic liver disease: a multicenter study | |
| Pietri et al. | Development and validation of an automated algorithm to evaluate the abundance of bubbles in small bowel capsule endoscopy | |
| Yang et al. | In vivo multimodal optical imaging: improved detection of oral dysplasia in low-risk oral mucosal lesions | |
| Negahdar et al. | An end-to-end deep learning pipeline for emphysema quantification using multi-label learning | |
| Morales et al. | Segmentation and analysis of retinal vascular tree from fundus images processing | |
| US9754383B1 (en) | Automated methods for assessment of celiac disease | |
| Bansal et al. | Has high-resolution manometry changed the approach to esophageal motility disorders? | |
| Yan et al. | Reliability of EUS indices to detect inflammation in ulcerativeácolitis | |
| Hatanaka et al. | Automatic measurement of vertical cup-to-disc ratio on retinal fundus images | |
| Wakankar et al. | Automatic diagnosis of breast abnormality using digital IR camera | |
| US20230005139A1 (en) | Fibrotic Cap Detection In Medical Images | |
| KR102384083B1 (ko) | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 | |
| Jung et al. | Impact of display alternatives in the determination of bolus handling: a study using high-resolution manometry with impedance | |
| WO2022136720A1 (es) | Método para la evaluación automatizada de ecografías de pulmón y ecógrafo que implementa dicho método | |
| EP3257445B1 (en) | Method for determining a width of a respiratory tract and system adapted to diagnose airway obstruction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |