CN102065744A - 图像处理装置、图像处理程序及图像处理方法 - Google Patents

图像处理装置、图像处理程序及图像处理方法 Download PDF

Info

Publication number
CN102065744A
CN102065744A CN2009801230421A CN200980123042A CN102065744A CN 102065744 A CN102065744 A CN 102065744A CN 2009801230421 A CN2009801230421 A CN 2009801230421A CN 200980123042 A CN200980123042 A CN 200980123042A CN 102065744 A CN102065744 A CN 102065744A
Authority
CN
China
Prior art keywords
pixel
image processing
pixel value
processing apparatus
zone
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
CN2009801230421A
Other languages
English (en)
Other versions
CN102065744B (zh
Inventor
松田岳博
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.)
Olympus Corp
Original Assignee
Olympus Corp
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 Olympus Corp filed Critical Olympus Corp
Publication of CN102065744A publication Critical patent/CN102065744A/zh
Application granted granted Critical
Publication of CN102065744B publication Critical patent/CN102065744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/041—Capsule endoscopes for imaging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30021—Catheter; Guide wire
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Endoscopes (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

在本发明的一个实施方式中，图像处理装置(70)具有***形状估计部(751)、沉降形状估计部(752)和异常部位候选检测部(755)。***形状估计部(751)和沉降形状估计部(752)根据对体内管腔内进行拍摄而得到的管腔内图像中的像素值，对图像内的像素值的梯度变化进行建模。异常部位候选检测部(755)根据构成管腔内图像的各像素的像素值与各像素的估计像素值之间的差分，检测显现在管腔内图像中的异常部位候选区域，其中，所述各像素的估计像素值是由进行建模而得到的像素值的梯度变化确定的。

Description

图像处理装置、图像处理程序及图像处理方法
技术领域
本发明涉及对拍摄对象物而得到的图像进行处理的图像处理装置、图像处理程序及图像处理方法。
背景技术
近年来，以胶囊型内窥镜为代表，已开发出一边在体内的管腔内移动一边依次拍摄按时间序列的管腔内图像的医用摄像装置。胶囊型内窥镜在从患者的口中服入而导入到体内后，一边通过蠕动运动等方式在管腔内移动，一边依次拍摄图像并将其发送到体外的接收装置，最终被排出体外。被该胶囊型内窥镜拍摄且由体外的接收装置接收到的被检体内部的图像在诊断用的工作站等中按时间序列顺序依次显示，由医生等观察者进行确认。
该胶囊型内窥镜要拍摄数量庞大的图像。因此，在诊断用的工作站等中，进行如下处理：从所拍摄的图像中检测疑似存在例如出血等的异常部位的图像来作为应该观察的图像，从而减轻了医生等观察图像所承受的负担。例如公知有以下方法：对图像进行块分割并按照每个块计算色调信息，针对计算出的色调信息进行聚类(clustering)，由此，提取属于与构成正常粘膜的块的组群相差预定基准以上的组群的块，作为异常部位(参照专利文献1)。此外，公知有以下方法：使用用于检测微小钙化阴影的候选的形状依赖性文件夹即形态滤波器来生成强调了微小钙化阴影的图像(参照专利文献2)。
专利文献1：日本特开2005-192880号公报
专利文献2：日本特开2002-99896号公报
然而，由胶囊型内窥镜拍摄的图像是将体内器官显现为对象物的图像，在该图像内会显现出因体内器官内壁的粘膜结构的折叠或起伏等引起的***形状或沉降形状。因此，在如专利文献1那样使用色调信息进行异常部检测的情况下，存在以下问题：这些***形状或沉降形状等对象物的形状会使图像中显示的像素值发生变化，该变化使得正常粘膜的组群与异常部位的组群之间的分离变得困难。此外，该像素值变化与显现有对象物上的异常部位时的像素值变化类似，因此存在不能对它们进行区分的问题。例如，在如专利文献2那样使用形态滤波器来提取异常阴影的情况下，会因各种形状的粘膜结构及病变结构而产生较多的错误检测。
发明内容
本发明正是鉴于上述情况而完成的，其目的在于提供能够高精度检测拍摄对象物而得到的图像内的异常部位候选区域，而不会受到因对象物的形状而表现在图像中的像素值变化的影响的图像处理装置、图像处理程序及图像处理方法。
用于解决上述问题而达到目的的本发明的一个方式的图像处理装置具有：模型估计部，其根据拍摄对象物而得到的图像内的像素值，对所述图像内的像素值的梯度变化进行建模；以及异常部位候选检测部，其根据构成所述图像的各像素的像素值与所述各像素的估计像素值之间的差分，来检测显现在所述图像中的所述对象物上的异常部位候选区域，其中，所述各像素的估计像素值是由进行所述建模而得到的像素值的梯度变化确定的。
根据该方式的图像处理装置，能够对图像内的像素值的梯度变化进行建模，根据实际像素值与由进行建模而得到的像素值的梯度变化确定的估计像素值之间的差分，检测异常部位候选区域。因此，能够高精度地检测拍摄对象物而得到的图像内的异常部位候选区域，而不会受到因对象物的形状而表现在图像中的像素值变化的影响。
此外，本发明的另一方式的图像处理程序用于使计算机执行以下步骤：模型估计步骤，根据拍摄对象物而得到的图像内的像素值，对所述图像内的像素值的梯度变化进行建模；以及异常部位候选检测步骤，根据构成所述图像的各像素的像素值与所述各像素的估计像素值之间的差分，检测显现在所述图像中的所述对象物上的异常部位候选区域，其中，所述各像素的估计像素值是由进行所述建模而得到的像素值的梯度变化确定的。
此外，本发明的另一方式的图像处理方法包括：模型估计步骤，根据拍摄对象物而得到的图像内的像素值，对所述图像内的像素值的梯度变化进行建模；以及异常部位候选检测步骤，根据构成所述图像的各像素的像素值与所述各像素的估计像素值之间的差分，检测显现在所述图像中的所述对象物上的异常部位候选区域，其中，所述各像素的估计像素值是由进行所述建模而得到的像素值的梯度变化确定的。
根据本发明，能够高精度地检测拍摄对象物而得到的图像内的异常部位候选区域，而不会受到因对象物的形状而表现在图像中的像素值变化的影响。
附图说明
图1是示出包含图像处理装置的图像处理***的整体结构的概略示意图。
图2是示出图像处理装置的功能结构的框图。
图3是示出图像处理装置的运算部进行的运算处理步骤的流程图。
图4是示出管腔内图像的一例的图。
图5是示出***形状估计处理的详细处理步骤的流程图。
图6是示出标签(labeling)图像的一例的图。
图7是示出根据图6所示的标签图像而估计的***顶部区域的图。
图8是说明初始***模型的生成原理的说明图。
图9是说明像素***模型的校正原理的说明图。
图10是说明像素***模型的校正原理的说明图。
图11是示出管腔内图像的像素值分布的一例的图。
图12是图11所示的像素值分布的A部剖视图。
图13是示出根据图7所示的***顶部区域而设定的像素***模型的图。
图14是示出排除***区域而估计的***顶部区域的图。
图15是示出根据图14所示的***顶部区域而设定的像素***模型的图。
图16是示出沉降形状估计处理的详细处理步骤的图。
图17是示出分割沉降区域的图。
图18是说明初始沉降模型的生成原理的说明图。
图19是说明像素沉降模型的校正原理的说明图。
图20是说明像素沉降模型的校正原理的说明图。
图21是示出管腔内图像的像素值分布的一例的图。
图22是图21所示的像素值分布的B部剖视图。
图23是说明异常部位候选区域的检测原理的说明图。
图24是说明异常部位候选区域的检测原理的说明图。
图25是说明异常部位候选区域的检测原理的说明图。
具体实施方式
以下，参照附图来详细说明用于实施本发明的优选方式。在下文中，使用在体内的管腔内移动的胶囊型内窥镜，并且对如下的图像处理装置进行说明：该图像处理装置对由该胶囊内窥镜在体内管腔内移动的同时连续拍摄的图像进行处理。注意，本发明不限于该实施方式。另外，在附图的描述中对相同部分标注了相同标号来进行表示。
(实施方式)
图1是示出包含本实施方式的图像处理装置70的图像处理***的整体结构的概略示意图。如图1所示，图像处理***具有以下装置等：胶囊型内窥镜3，其拍摄被检体1的体内管腔内的图像(以下称作“管腔内图像”)；接收装置4，其接收从胶囊型内窥镜3以无线方式发送的管腔内图像的图像数据；以及图像处理装置70，其对接收装置4接收到的管腔内图像进行图像处理。在接收装置4与图像处理装置70之间的图像数据的交换中，例如使用可移动型的记录介质(移动式记录介质)5。
胶囊型内窥镜3具备摄像功能、无线功能、对摄像部位进行照明的照明功能等，例如，为了进行检查，该胶囊型内窥镜3从人或动物等被检体1的口中服入而导入到被检体1内部。然后，在被自然排出之前的期间内，以预定的摄像速率连续拍摄并取得食道、胃、小肠、大肠等的内部的管腔内图像，将其以无线方式发送到体外。
接收装置4具有分散地配置在体表上的与被检者1内的胶囊内窥镜3的通过路径对应的位置处的接收用天线A1～An。而且，接收装置4经由各接收用天线A1～An接收从胶囊型内窥镜3以无线方式发送来的图像数据。该接收装置4构成为可自由装卸移动式记录介质5，将接收到的图像数据依次保存在移动式记录介质5内。这样，接收装置4按照时间序列的顺序将胶囊型内窥镜3拍摄的被检者1内部的管腔内图像蓄积到移动式记录介质5中。
图像处理装置70由工作站或个人计算机等通用计算机来实现，并构成为可自由装卸移动式记录介质5。该图像处理装置70取得保存在移动式记录介质5内的管腔内图像并进行处理，然后，在显示装置上进行画面显示。
图2是示出图像处理装置70的功能结构的框图。在本实施方式中，图像处理装置70具有：外部接口71、输入部72、显示部73、存储部74、运算部75以及控制图像处理装置70的整体动作的控制部76。
外部接口71用于取得由胶囊型内窥镜3拍摄且由接收装置4接收到的管腔内图像的图像数据，例如由读取装置构成，该读取装置以装卸自如的方式安装移动式记录介质5，读出保存在该移动式记录介质5内的管腔内图像的图像数据。另外，由胶囊型内窥镜3拍摄的按时间序列的管腔内图像的取得方式不限于使用移动式记录介质5的结构。例如，也可以构成为，另行设置服务器来取代移动式记录介质5，并将按时间序列的管腔内图像预先保存在该服务器内。在该情况下，由用于与服务器连接的通信装置等构成外部接口。并且，经由该外部接口与服务器进行数据通信，取得按时间序列的管腔内图像。或者，可以构成为，将由胶囊型内窥镜3拍摄的按时间序列的管腔内图像预先保存在存储部74内。
输入部72例如由键盘、鼠标、触摸面板、各种开关等来实现，将所输入的指示信息输出到控制部76。显示部73由LCD、EL显示器、或CRT显示器等显示装置来实现，根据控制部76的控制，显示包含按时间序列的管腔内图像的显示画面在内的各种画面。
存储部74由可更新存储的闪存等ROM或RAM这样的各种IC存储器、内置的或用数据通信端子连接的硬盘、CD-ROM等信息存储介质及其读取装置等来实现。在该存储部74中存储有：用于使图像处理装置70动作来实现该图像处理装置70所具有的各种功能的程序、以及在该程序的执行中使用的数据等。并且，存储有用于使运算部75检测显现在管腔内图像中的异常部位的图像处理程序741。
运算部75处理由胶囊型内窥镜3拍摄的管腔内图像，进行用于检测显现在该管腔内图像中的异常部位的各种运算处理。该运算部75包括：作为模型估计部的***形状估计部751和沉降形状估计部752、***顶部异常判定部753、作为沉降区域异常判定部的分割沉降区域异常判定部754、异常部位候选检测部755以及异常判定部756。
***形状估计部751估计显现在管腔内图像中的***形状。该***形状估计部751具有***顶部估计部751a、作为初始***梯度模型设定部的像素***模型估计部751b、以及作为***梯度模型校正部的像素***模型校正部751c。***顶部估计部751a对显现有***形状的***区域的顶部附近区域(以下称作“***顶部区域”)进行检测，将其估计为***区域的大概位置。像素***模型估计部751b根据***顶部区域，生成对像素值的梯度变化进行建模而得到的像素***模型(***梯度模型)的初始状态即初始***模型(初始***梯度模型)。像素***模型校正部751c根据***区域的像素值来校正初始***模型，并针对***区域设定像素***模型。
沉降形状估计部752估计显现在管腔内图像中的沉降形状。该沉降形状估计部752具有沉降区域提取部752a、沉降区域分割部752b、作为初始沉降梯度模型设定部的像素沉降模型估计部752c、以及作为沉降梯度模型校正部的像素沉降模型校正部752d。沉降区域提取部752a提取图像内的除***区域以外的区域作为沉降区域。沉降区域分割部752b根据附近的***区域的位置来分割沉降区域。像素沉降模型估计部752c根据分割后的沉降区域(以下称作“分割沉降区域”)，生成对像素值梯度变化进行建模后的像素沉降模型(沉降梯度模型)的初始状态即初始沉降模型(初始沉降梯度模型)。像素沉降模型校正部752d根据分割沉降顶区域的像素值来校正初始沉降模型，并针对分割沉降顶区域设定像素沉降模型。
***顶部异常判定部753根据***顶部区域的特征量，判定***顶部区域是否为异常部位候选区域。分割沉降区域异常判定部754根据分割沉降区域的特征量，判定分割沉降区域是否为异常部位候选区域。异常部位候选检测部755在***区域中，检测偏离了该***区域的像素***模型的像素作为异常部位候选区域的构成像素，并且在分割沉降区域中，检测偏离了该分割沉降区域的像素沉降模型的像素作为异常部位候选区域的构成像素。异常判定部756根据异常部位候选区域的特征量，判定异常部位候选区域是否为异常部位。
控制部76由CPU等硬件来实现。该控制部76根据经由外部接口71取得的图像数据、从输入部72输入的操作信号、存储在存储部74内的程序和数据等，进行针对构成图像处理装置70的各部分的指示和数据传送等，统一控制图像处理装置70整体的动作。
图3是示出图像处理装置70的运算部75进行的运算处理步骤的流程图。另外，这里说明的处理是通过由运算部75读出并执行存储在存储部74内的图像处理程序741来实现的。
如图3所示，运算部75首先经由外部接口71和控制部76取得图像(管腔内图像)(步骤a1)。图4是示出在步骤a1中取得的图像(管腔内图像)的一例的图。在由胶囊型内窥镜3拍摄的管腔内图像中，显现有作为对象物的体内器官内壁的粘膜结构、和在管腔内浮游的内容物、泡等，并且有时会显现病变等重要部位。这里，在体内器官内壁的粘膜结构中，包括因体内器官及其内壁粘膜的折叠、起伏等引起的***形状或沉降形状。
接着，如图3所示，转移到***形状估计处理(步骤a3)。图5是示出***形状估计处理的详细处理步骤的流程图。
在***形状估计处理中，首先，***顶部估计部751a作为区域分割部对构成管腔内图像的各像素，进行例如基于其R(红)、G(绿)、B(蓝)的像素值的聚类(步骤b1)。这里，作为聚类的方法，例如可以利用以下等公知的方法，即：基于k-means法的聚类(参考：CG-ARTS协会，デイジタル画像処理，P232(数字图像处理，第232页))、或使用了EM算法的基于混合分布估计的聚类(参考：Maximum Likelihood from Incomplete Data via the EM Algorithm(A.PDempster，et.al，Journal of the Royal Statistical Society.Series B(Methodological)，Vol.39，No.1.(1977)，pp.1-38.)。
接着，***顶部估计部751a根据聚类结果，对所取得的图像的各像素赋予标签，生成标签图像(步骤b3)。图6是示出标签图像的一例的图。例如，***顶部估计部751a根据各组群的重心的亮度值，按照亮度值从大到小的顺序向各组群分配标签(1、2、3…)。接着，***顶部估计部751a对各像素赋予分配给该像素所属的组群的标签，作为像素值。由此，如图6所示，在每个组群的标签区域中能够得到按照区域划分的标签图像。此外，将所得到的标签区域中的、比预先设定的预定面积小的标签区域从以后的处理对象中排除。以下，将在以后的处理中设为对象的区域称作“处理对象区域”。
接着，如图5所示，***顶部估计部751a根据标签图像来估计处理对象区域内的***顶部区域(步骤b5)。具体而言，***顶部估计部751a从构成标签图像的各标签区域中提取由比其自身的标签大的标签的标签区域包围的标签区域，设为***顶部区域。
图7是示出根据图6所示的标签图像而估计的***顶部区域L11～L13、L15、L16的图。如图7所示，提取以下区域作为***顶部区域：自身的标签为“1”且周围的标签为“2”的标签区域L11～L13、以及自身的标签为“2”且周围的标签为“3”的标签区域L15、L16。另外，这里，从标签小的区域起依次提取***顶部区域，不提取被视为***顶部区域的标签区域周围的标签区域。例如，自身的标签为“3”且周围的标签为“4”的标签区域L17等也由被赋予了比其自身的标签大的标签的标签区域所包围，但该标签区域L17是被估计为***顶部区域的标签区域L13周围的标签区域，因此不提取该标签区域L17。不过，之后要估计该标签区域L17是否为***顶部区域。
此外，如图5所示，在存在由***顶部估计部751a估计出的***顶部区域的情况下(步骤b7：是)，转移到步骤b9～步骤b13的处理，针对将该***顶部区域作为顶部部分的***区域设定像素***模型。此外，在存在多个估计出的***顶部区域的情况下，分别针对各***顶部区域，进行步骤b9～步骤b13的处理。
即，在步骤b9中，***顶部异常判定部753进行***顶部区域的异常判定，检测满足预先设定的异常部位候选条件的***顶部区域，作为异常部位候选区域。在进行***顶部区域的异常判定时，首先计算***顶部区域的特征量。例如，计算构成***顶部区域的各像素的R值、G值、B值等色调信息、***顶部区域及其周围区域的色调变化量、和***顶部区域的形状等，作为***顶部区域的特征量。接着，将计算出的特征量与事先准备的基准指标进行比较来进行***顶部区域的异常判定。作为基准指标，例如可以预先设定每个异常种类的特征量范围，作为监督数据。此时，***顶部异常判定部753将***顶部区域的特征量是否处于每个异常种类的特征量范围内作为异常部位候选条件来进行其异常判定。或者，也可以预先准备正常的样本来计算***顶部区域的特征量，确定正常的***顶部区域的特征量范围。此时，***顶部异常判定部753将***顶部区域的特征量从正常的***顶部区域的特征量范围偏离了多少作为异常部位候选条件来进行其异常判定。
接着，像素***模型估计部751b根据判定为没有异常的***顶部区域，生成针对该***顶部区域设定的初始***模型(步骤b11)。图8是说明初始***模型的生成原理的说明图，示出了针对***顶部区域L11生成的初始***模型Ma11。在生成初始***模型Ma11时，首先计算***顶部区域L11的重心Pa。接着，作为设定点配置部，进行如下处理：将如图8中双点划线所示那样从计算出的***顶部区域L11的重心Pa起呈放射状设定的各方向、与***顶部区域L11的轮廓之间的交点设为作为设定点一例的端点Pb。接着，在重心Pa与端点Pb之间分别配置中间点Pc。另外，所配置的中间点的位置不限于此，也可以按照预先设定的预定间隔来配置中间点。此外，所配置的中间点的数量也不必与端点为相同数量，而可以适当进行设定。
接着，使用该重心、端点和中间点进行***区域的建模，生成像素***模型的初始形状即初始***模型。这里，***的顶部(顶点)附近离光源的距离较近，***的底部附近离光源的距离较远。因此，随着接近***顶部，表现为来自光源的光的反射的像素值(亮度值)变大，随着接近底部，像素值变小。在本实施方式中，利用这一点进行***区域的建模，针对重心、端点和中间点的各位置(x，y)追加各位置的估计像素值(z)，用三维来表现***形状而形成模型，将该模型称为“像素***模型”。即，求取如上计算出的重心、端点和中间点的各位置的估计像素值，作为初始***模型。在计算重心、端点和中间点的各位置的估计像素值时，首先分别针对各位置，进行包含其附近位置的像素的附近区域的边缘提取。作为边缘提取的方法，可适当使用公知的方法，例如进行使用了索贝尔滤波器(Sobel filter)的边缘提取(参考：CG-ARTS协会，デイジタル画像処理，P116-P117)。接着，计算该附近区域的像素中的、除了通过边缘提取而被提取为边缘的像素以外的像素的值的平均值，作为各位置的估计像素值。
接着，如图5所示，像素***模型校正部751c对将初始***模型设为初始形状的像素***模型进行校正，并针对***区域设定该像素***模型(步骤b13)。像素***模型(初始***模型)的校正是通过使用动态轮廓模型使端点和中间点移动来进行的。
图9、图10是说明像素***模型Ma的校正原理的说明图，图10示出了经过图9所示的像素***模型Ma的重心Pa和端点Pb的截面。这里，图9所示的Einternal表示连接相邻的端点Pb与中间点Pc的直线的连续性和平滑性的能量(energy)。该Einternal被定义为：连接相邻的端点Pb之间的直线所成的角度θ11越小，该Einternal的值越小；连接相邻的中间点Pc之间的直线所成的角度θ13越小，该Einternal的值越小；或者，将中间点Pc与重心Pa以及相邻的端点Pb分别连接的直线所成的角度θ15越小，该Einternal的值越小。并且，Eexternal表示使端点Pb和中间点Pc移动而沿像素梯度扩展像素***模型Ma的能量。该Eexternal被定义为：端点Pb和中间点Pc越是沿实际像素值的梯度远离重心Pa，该Eexternal的值越小。此外，图10所示的Eimage表示端点Pb相对于边缘的符合性能量，并且表示像素***模型Ma的估计像素值与被设定了该像素***模型Ma的***区域的在图10中用虚线示出的实际像素值之间的像素值差分能量。该Eimage被定义为：端点Pb越符合使用索贝尔滤波器等提取出的边缘，该Eimage的值越小，端点Pb及中间点Pc的估计像素值与该端点Pb及中间点Pc的各位置上的实际像素值之间的差分绝对值越小，该Eimage的值越小。
具体而言，动态轮廓模型的能量Eu由下式(1)来确定。并且，以使该动态轮廓模型的能量Eu的值达到最小的方式，求取端点和中间点各自的位置和估计像素值。α1、α2、α3表示预定的系数。
Eu＝α1Einternal+α2Eexternal+α3Eimage  …(1)
图11是示出管腔内图像的像素值分布G21的一例的图。此外，图12是图11所示的像素值分布的A部剖视图，示出了A部截面上的像素值分布G21，并且示出了在该A部截面附近设定的像素***模型Ma21的截面。这里，利用线性插值或样条曲面等进行插值，来求取像素***模型的重心与中间点之间的各像素、和中间点与端点之间的各像素的像素值(估计像素值)。
此外，也可以另外定义相邻的端点与中间点之间相互吸引的能量，并将其考虑在内来校正像素***模型。此外，***区域的提取方法不限于上述方法。例如，也可以预先定义预定分布形状的像素***模型，假定利用它们的混合分布来表示图像，由此校正像素***模型。在该情况下，不进行***顶部区域的提取，而是进行使用了EM算法的混合分布的估计，校正像素***模型。
图13是示出根据图7所示的***顶部区域L11～L13、L15、L16设定的像素***模型Ma11～Ma13、Ma15、Ma16的图，在图13中，用虚线示出各像素***模型Ma11～Ma13、Ma15、Ma16的外形，并且示出了其重心Pa和端点Pb。如图13所示，步骤b9～步骤b13的处理结果是，在图像内设定将使***顶部区域L11～L13、L15、L16扩展后的范围分别设为***区域的像素***模型Ma11～Ma13、Ma15、Ma16，估计将各***顶部区域L11～L13、L15、L16分别作为顶部部分的***形状。
返回图5，当像素***模型校正部751c如上那样地估计了***形状而设定了像素***模型时，接着从处理对象区域中排除估计出该***形状而设定了像素***模型后的***区域(步骤b15)。接着，转移到步骤b5，***顶部估计部751a再次根据标签图像来估计***顶部区域。接着，在估计了***顶部区域的情况下(步骤b7：是)，进行像素***模型的设定(步骤b9～步骤b13)。
图14是示出排除已经设定了像素***模型的区域(***区域)L21～L23、L25、L26而估计出的***顶部区域L31、L32的图，图15是示出根据图14所示的***顶部区域L31、L32而设定的像素***模型Ma31、Ma32的图。如图14所示，通过这里的处理，从排除了***区域L21～L23、L25、L26后的处理对象区域中，提取被比自身大的标签编号包围的标签区域，作为***顶部区域L31、L32。然后，如图15所示，在图像内设定将使各***顶部区域L31、L32扩展后的范围分别设为***区域的像素***模型Ma31、Ma32。如上所述地重复进行处理，直到不再从处理对象区域内提取被设为***顶部区域的标签区域为止，如果不进行提取(步骤b7：否)，则返回图3的步骤a3，之后转移到步骤a5。
即，在步骤a5中，转移到沉降形状估计处理。图16是示出沉降形状估计处理的详细处理步骤的图。
在沉降形状估计处理中，首先，沉降区域提取部752a提取图像内的除***区域以外的区域，作为相邻的***区域之间的沉降区域(步骤c1)。接着，沉降区域分割部752b对沉降区域进行分割(步骤c3)。图17是示出分割沉降区域的图。沉降区域提取部752a首先针对构成沉降区域的各像素，分别选择出最靠近的***区域。然后，如图17中虚线所示，将所选择的***区域不同的边界位置设为分割位置来分割沉降区域。
然后，如图16所示，沉降区域分割部752b对分割沉降区域进一步细致地进行细分(步骤c5)。具体而言，使用针对与分割沉降区域相接的***区域(即，针对构成分割沉降区域的各像素选择的***区域)设定的像素***模型的端点，来进行细分。例如，在像素***模型的各端点位置上沿沉降梯度方向对分割沉降区域进行分割，由此进行细分。此外，不是必须在各端点位置上进行分割，例如也可以按照每2个端点进行分割等。
接着，分割沉降区域异常判定部754进行经分割和细分后的分割沉降区域的异常判定，检测满足预先设定的异常部位候选条件的分割沉降区域，作为异常部位候选区域(步骤c7)。分割沉降区域的异常判定可与***顶部异常判定部753进行的异常判定同样地进行。即，首先计算分割沉降区域的特征量。例如，计算构成分割沉降区域的各像素的R值、G值、B值等色调信息、分割沉降区域与其周围区域的色调变化量、和分割沉降区域的形状等，作为分割沉降区域的特征量。接着，将计算出的特征量与事先准备的基准指标进行比较来进行分割沉降区域的异常判定。例如，在准备了将每个异常种类的特征量范围确定为基准指标的监督数据的情况下，分割沉降区域异常判定部754将分割沉降区域的特征量是否处于每个异常种类的特征量的范围内作为异常部位候选条件来进行其异常判定。此外，在准备了正常的样本来计算分割沉降区域的特征量、并将正常的分割沉降区域的特征量范围确定为基准指标的情况下，分割沉降区域异常判定部754将分割沉降区域的特征量从正常的分割沉降区域的特征量范围偏离了多少作为异常部位候选条件来进行其异常判定。
接着，像素沉降模型估计部752c根据被判定为不是异常的分割沉降区域，生成针对该分割沉降区域设定的初始沉降模型(步骤c9)。图18是说明初始沉降模型的生成原理的说明图，示出了针对细分后的分割沉降区域L41生成的初始沉降模型Mb41。在生成初始沉降模型Mb41时，首先根据分割沉降区域L41的轮廓位置将角设为端点Pd。接着，在各端点Pd之间配置中间点Pe。例如，可以按照预先设定的预定间隔来配置中间点，也可以配置预先设定的预定数量的中间点。接着，使用该端点和中间点进行沉降区域的建模，生成像素沉降模型的初始形状即初始沉降模型。关于端点和中间点的各位置的估计像素值，与初始***模型的生成同样，首先分别针对各位置，进行包含其附近位置的像素的附近区域的边缘提取。接着，计算该附近区域的像素中的、除了通过边缘提取被提取为边缘的像素以外的像素的值的平均值，设为各位置的估计像素值。
接着，如图16所示，像素沉降模型校正部752d对将初始沉降模型设为初始形状的像素沉降模型进行校正，并针对沉降区域设定该像素沉降模型(步骤c11)。像素沉降模型(初始沉降模型)的校正是通过使用动态轮廓模型使端点和中间点移动来进行的。
图19、图20是说明像素沉降模型Mb的校正原理的说明图，图20示出了经过图19所示的像素沉降模型Mb的端点Pd及与该端点Pd相邻的中间点Pe的截面。这里，图19所示的Einternal_d表示连接相邻的端点Pd与中间点Pe的直线的连续性和连接相邻的中间点Pe之间的直线的连续性和平滑性的能量。该Einternal_d被定义为：连接相邻的端点Pd与中间点Pe的直线所成的角度θ21越小，该Einternal_d的值越小，或者，连接相邻的中间点Pe之间的直线所成的角度θ23越小，该Einternal_d的值越小。并且，图19和图20所示的Eexternal_d表示沿像素梯度使中间点Pe移动的能量。该Eexternal_d被定义为：像素沉降模型(初始沉降模型)Mb中的中间点Pe的估计像素值在朝向接近该中间点Pe的位置处的实际像素值的方向变化时，该Eexternal_d的值变小，或者，像素沉降模型(初始沉降模型)Mb中的中间点Pe的位置越向以该位置为基准的预定范围内的像素中的与周围之间的变化量小的像素的方向移动，该Eexternal_d的值越小。此外，图20所示的Eimage_d表示像素沉降模型Mb的估计像素值与被设定了该像素沉降模型Mb的分割沉降区域的在图20中用虚线示出的实际像素值之间的像素值差分能量。该Eimage_d被定义为：中间点Pe的估计像素值与该中间点Pe的位置上的实际像素值之间的差分绝对值变小时，该Eimage_d的值变小。
具体而言，动态轮廓模型的能量Ed由下式(2)来确定。并且，以使该动态轮廓模型的能量Ed的值达到最小的方式，求取端点和中间点各自的位置和估计像素值。α5、α6、α7表示预定的系数。
Ed＝α5Einternal_d+α6Eexternal_d+α7Eimage_d  …(2)
图21是示出管腔内图像的像素值分布G51的一例的图。此外，图22是图21所示的像素值分布的B部剖视图，示出了B部截面上的像素值分布G51，并且示出了在该B部截面附近设定的像素沉降模型Mb51的截面。这里，利用线性插值或样条曲面等进行插值，来求取像素沉降模型的端点与中间点之间的各像素的像素值(校正像素值)。在结束该沉降形状估计处理后，返回图3的步骤a5，之后转移到步骤a7。
即，在步骤a7中，异常部位候选检测部755检测异常部位候选区域。在检测异常部位候选区域时，首先将各***区域的实际像素值与其像素***模型进行比较。接着，在实际像素值与像素***模型的估计像素值之间的差分为作为异常基准值范围而预先设定的预定阈值以上时，视为像素值偏离了像素***模型，检测该像素，作为异常部位候选区域的构成像素。图23～图25是说明异常部位候选区域的检测原理的说明图。这里，图23示出了管腔内图像的一例。此外，图24示出了在图23所示的管腔内图像内的区域C附近设定的像素***模型Ma61的截面，与像素***模型Ma61的截面一起示出了实际的像素值分布G61。通过这里的处理，检测像图24中箭头所示的位置的像素那样的、该位置处的像素的实际像素值大幅偏离了像素***模型的估计像素值的像素，作为异常部位候选区域的构成像素。同样，将各分割沉降区域的实际像素值与其像素沉降模型进行比较，在实际像素值与像素沉降模型的估计像素值之间的差分为作为异常基准值范围而预先设定的预定阈值以上时，视为像素值偏离了像素沉降模型，检测该像素，作为异常部位候选区域的构成像素。然后，针对提取出的异常部位候选区域的构成像素进行公知的标签处理，对连接的构成像素赋予固有的标签(参考：CG-ARTS协会，デイジタル画像処理，P181-P182)。异常部位候选检测部755分别检测作为该标签处理的结果而被赋予了相同标签的区域，作为异常部位候选区域。在图25的例子中，检测出3个异常部位候选区域L71～L73。
接着，异常判定部756针对在图5的步骤b9中被检测为异常部位候选区域的***顶部区域、在图16的步骤c7中被检测为异常部位候选区域的分割沉降区域、和在图3的步骤a7中检测出的异常部位候选区域进行异常判定，将满足预先设定的异常部位条件的异常部位候选区域判定为显现有对象物上的异常部位的区域(步骤a9)。在异常判定中，计算异常部位候选区域的R值、G值、B值等色调信息、异常部位候选区域与其周围区域之间的色调变化量、异常部位候选区域的轮廓的边缘强度和异常部位候选区域的形状等，作为异常部位候选区域的特征量。接着，将计算出的特征量与事先准备的基准指标进行比较来进行异常部位候选区域的异常判定。然后，在准备了将每个异常种类的特征量范围确定为基准指标的监督数据的情况下，异常判定部756将异常部位候选区域的特征量是否处于每个异常种类的特征量范围内作为异常部位候选条件来进行其异常判定。此外，在准备了正常的样本来计算异常部位候选区域的特征量、并将正常的异常部位候选区域的特征量范围确定为基准指标的情况下，异常判定部756将异常部位候选区域的特征量从正常的异常部位候选区域的特征量范围偏离了多少作为异常部位条件来进行其异常判定。
接着，运算部75输出异常判定的结果(步骤a11)，结束运算处理。例如，运算部75进行如下控制：生成示出了被判定为异常的***顶部区域、分割沉降区域、以及异常部位候选区域的图像等，经由控制部76将被判定为异常的图像上的位置显示输出到显示部73上。
如上所述，根据本实施方式，通过在图像内设定对图像内的像素值的梯度变化进行建模后的像素***模型，由此，能够估计显现在该图像中的因粘膜结构的折叠或起伏等引起的***形状。此外，通过在图像内设定像素沉降模型，能够估计显现在该图像中的粘膜结构的沉降形状。此外，将***区域的实际像素值与***区域的像素***模型进行比较，在实际像素值与像素***模型的估计像素值之差较大、从而像素值偏离了像素***模型的情况下，能够将该像素检测为异常部位候选区域的构成像素。并且，将检测到的异常部位候选区域中的、满足预先设定的异常部位条件的异常部位候选区域判定为显现有粘膜结构上的异常部位的区域。因此，能够高精度地检测显现在管腔内图像的粘膜结构上的异常部位候选区域，而不会受到因粘膜结构的形状而表现在图像中的像素值变化的影响。
另外，在上述实施方式中，说明了在估计***形状后估计沉降形状的情况，但也可以先估计沉降形状。在该情况下，对图像内的像素值进行聚类，并根据该聚类的结果对各像素赋予标签而生成标签图像，然后，根据该标签图像估计沉降底部区域。具体而言，从构成标签图像的各标签区域中，提取由比其自身的标签小的标签的标签区域包围的标签区域(亮度值比周围低的标签区域)，设为沉降底部区域。然后，根据该沉降底部区域生成初始沉降模型，对其进行校正来设定像素沉降模型。此外，在估计***形状时，针对图像内的将设定了像素沉降模型的沉降区域排除后的区域进行图像***模型的设定。
另外，在上述实施方式中，针对以下情况进行了说明：一边使胶囊型内窥镜在体内管腔内移动一边对所拍摄的体腔内图像进行处理，检测显现在该体腔内图像中的粘膜结构上的异常部位候选区域，但是，所能处理的图像不限于由胶囊型内窥镜拍摄的管腔内图像，同样能够应用于根据拍摄对象物而得到的图像来检测对象物上的异常部的情况。
产业上的可利用性
如上所述，本发明的图像处理装置、图像处理程序和图像处理方法适于高精度检测拍摄对象物而得到的图像内的异常部位候选区域，而不受因对象物的形状而表现在图像中的像素值变化的影响。
标号说明
3：胶囊型内窥镜；4：接收装置；A1～An：接收用天线；5：移动式记录介质；70：图像处理装置；71：外部接口：72：输入部；73：显示部；74：存储部；741：图像处理程序；75：运算部；751：***形状估计部；751a：***顶部估计部；751b：像素***模型估计部；751c：像素***模型校正部；752：沉降形状估计部；752a：沉降区域提取部；752b：沉降区域分割部；752c：像素沉降模型估计部；752d：像素沉降模型校正部；753：***顶部异常判定部；754：分割沉降区域异常判定部；755：异常部位候选检测部；756：异常判定部；76：控制部；1：被检体。

Claims (25)

1.一种图像处理装置，其特征在于，该图像处理装置具有：
模型估计部，其根据拍摄对象物而得到的图像内的像素值，对所述图像内的像素值的梯度变化进行建模；以及
异常部位候选检测部，其根据构成所述图像的各像素的像素值与所述各像素的估计像素值之间的差分，来检测显现在所述图像中的所述对象物上的异常部位候选区域，其中，所述各像素的估计像素值是由进行所述建模而得到的像素值的梯度变化确定的。
2.根据权利要求1所述的图像处理装置，其特征在于，
所述模型估计部对所述图像内的显现有所述对象物的***形状的***区域中的像素值的梯度变化进行建模，针对所述***区域设定***梯度模型。
3.根据权利要求2所述的图像处理装置，其特征在于，
所述模型估计部具有：
初始***梯度模型设定部，其设定所述***梯度模型的初始***梯度模型；以及
***梯度模型校正部，其根据构成所述图像内的被设定了所述初始***梯度模型的区域的像素的像素值，对将所述初始***梯度模型设为初始状态的所述***梯度模型进行校正。
4.根据权利要求3所述的图像处理装置，其特征在于，
所述图像处理装置具有***顶部估计部，该***顶部估计部检测所述***形状的顶部区域，将其估计为所述图像内的显现有所述***形状的***区域的大概位置。
5.根据权利要求4所述的图像处理装置，其特征在于，
所述初始***梯度模型设定部根据所述顶部区域来设定所述初始***梯度模型。
6.根据权利要求4或5所述的图像处理装置，其特征在于，
所述***顶部估计部具有区域分割部，该区域分割部根据像素值在所述图像内进行区域分割，所述***顶部估计部针对由所述区域分割部分割出的每个区域，对像素值进行比较，检测像素值比周围区域大的区域，作为所述顶部区域。
7.根据权利要求6所述的图像处理装置，其特征在于，
所述区域分割部对所述图像内的像素值进行聚类来进行区域分割。
8.根据权利要求7所述的图像处理装置，其特征在于，
所述区域分割部应用k-means法来进行所述像素值的聚类。
9.根据权利要求7所述的图像处理装置，其特征在于，
所述区域分割部利用混合分布来估计所述图像内的像素值的分布，进行所述像素值的聚类。
10.根据权利要求3至9中的任意一项所述的图像处理装置，其特征在于，
所述***梯度模型校正部使用动态轮廓模型使所述***梯度模型变形。
11.根据权利要求4至10中的任意一项所述的图像处理装置，其特征在于，
所述图像处理装置具有***顶部异常判定部，该***顶部异常判定部计算所述顶部区域的特征量，检测该计算出的特征量满足预定的异常部位候选条件的顶部区域，作为所述异常部位候选区域。
12.根据权利要求2至11中的任意一项所述的图像处理装置，其特征在于，
所述异常部位候选检测部根据构成所述***区域的各像素的像素值与构成所述***区域的各像素的估计像素值之间的差分，来检测该差分处于预定的异常基准值范围内的像素，作为所述异常部位候选区域的构成像素，其中，所述各像素的估计像素值是由针对该***区域设定的***梯度模型确定的。
13.根据权利要求2至12中的任意一项所述的图像处理装置，其特征在于，
所述模型估计部对所述图像内的显现有所述对象物的沉降形状的沉降区域中的像素值梯度变化进行建模，针对所述沉降区域设定沉降梯度模型。
14.根据权利要求13所述的图像处理装置，其特征在于，
所述模型估计部具有：
初始沉降梯度模型设定部，其设定所述沉降梯度模型的初始沉降梯度模型；以及
沉降梯度模型校正部，其根据构成所述图像内的被设定了所述初始沉降梯度模型的区域的像素的像素值，对将所述初始沉降梯度模型设为初始状态的所述沉降梯度模型进行校正。
15.根据权利要求13或14所述的图像处理装置，其特征在于，
所述图像处理装置具有沉降区域提取部，该沉降区域提取部提取所述图像内的所述沉降区域。
16.根据权利要求15所述的图像处理装置，其特征在于，
所述沉降区域提取部提取所述图像内的将被设定了所述***梯度模型的***区域排除后的区域，作为所述沉降区域。
17.根据权利要求13至16中的任意一项所述的图像处理装置，其特征在于，
所述图像处理装置具有沉降区域分割部，该沉降区域分割部针对构成所述沉降区域的各像素，分别选择与该各像素最靠近的***区域，将选择出的***区域不同的边界位置设为分割位置来分割所述沉降区域。
18.根据权利要求17所述的图像处理装置，其特征在于，
所述图像处理装置具有设定点配置部，该设定点配置部按照预定数量或预定间隔在所述***区域的轮廓位置上配置设定点，
所述沉降区域分割部使用所述设定点配置部针对以下***区域设定的所述设定点，对所述分割后的沉降区域进行进一步分割，所述***区域是针对构成所述分割后的沉降区域的各像素而选择出的。
19.根据权利要求17或18所述的图像处理装置，其特征在于，
所述模型估计部针对由所述沉降区域分割部分割出的每个沉降区域设定所述沉降梯度模型。
20.根据权利要求14至19中的任意一项所述的图像处理装置，其特征在于，
所述沉降梯度模型校正部使用动态轮廓模型使所述沉降梯度模型变形。
21.根据权利要求14至20中的任意一项所述的图像处理装置，其特征在于，
所述图像处理装置具有沉降区域异常判定部，该沉降区域异常判定部计算所述沉降区域的特征量，检测该计算出的特征量满足预定的异常部位候选条件的分割沉降区域，作为所述异常部位候选区域。
22.根据权利要求14至21中的任意一项所述的图像处理装置，其特征在于，
所述异常部位候选检测部根据构成所述沉降区域的各像素的像素值与构成所述沉降区域的各像素的估计像素值之间的差分，检测该差分处于预定的异常基准值范围内的像素，作为所述异常部位的候选区域的构成像素，其中，所述各像素的估计像素值是由针对该沉降区域设定的沉降梯度模型确定的。
23.根据权利要求1至22中的任意一项所述的图像处理装置，其特征在于，
所述图像处理装置具有异常判定部，该异常判定部计算所述异常部位的候选区域的特征量，将该计算出的特征量满足预定的异常部位条件的所述异常部位候选区域判定为所述对象物上的异常部位。
24.一种图像处理程序，其特征在于，该图像处理程序使计算机执行以下步骤：
模型估计步骤，根据拍摄对象物而得到的图像内的像素值，对所述图像内的像素值的梯度变化进行建模；以及
异常部位候选检测步骤，根据构成所述图像的各像素的像素值与所述各像素的估计像素值之间的差分，检测显现在所述图像中的所述对象物上的异常部位候选区域，其中，所述各像素的估计像素值是由进行所述建模而得到的像素值的梯度变化确定的。
25.一种图像处理方法，其特征在于，该图像处理方法包括：
模型估计步骤，根据拍摄对象物而得到的图像内的像素值，对所述图像内的像素值梯度变化进行建模；以及
异常部位候选检测步骤，根据构成所述图像的各像素的像素值与所述各像素的估计像素值之间的差分，检测显现在所述图像中的所述对象物上的异常部位候选区域，其中，所述各像素的估计像素值是由进行所述建模而得到的像素值的梯度变化确定的。
CN200980123042.1A 2008-06-17 2009-06-10 图像处理装置及图像处理方法 Active CN102065744B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2008158389A JP5424584B2 (ja) 2008-06-17 2008-06-17 画像処理装置、画像処理プログラムおよび画像処理装置の作動方法
JP2008-158389 2008-06-17
PCT/JP2009/060643 WO2009154125A1 (ja) 2008-06-17 2009-06-10 画像処理装置、画像処理プログラムおよび画像処理方法

Publications (2)

Publication Number Publication Date
CN102065744A true CN102065744A (zh) 2011-05-18
CN102065744B CN102065744B (zh) 2014-01-08

Family

ID=41434041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980123042.1A Active CN102065744B (zh) 2008-06-17 2009-06-10 图像处理装置及图像处理方法

Country Status (5)

Country Link
US (1) US8478010B2 (zh)
EP (1) EP2305091B1 (zh)
JP (1) JP5424584B2 (zh)
CN (1) CN102065744B (zh)
WO (1) WO2009154125A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106063247A (zh) * 2014-02-28 2016-10-26 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN107529969A (zh) * 2015-07-03 2018-01-02 奥林巴斯株式会社 图像处理装置、图像判别***以及内窥镜***
CN110678901A (zh) * 2017-05-22 2020-01-10 佳能株式会社 信息处理设备、信息处理方法和程序
US11922615B2 (en) 2017-05-22 2024-03-05 Canon Kabushiki Kaisha Information processing device, information processing method, and storage medium

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8213698B2 (en) * 2006-09-19 2012-07-03 Capso Vision Inc. Systems and methods for capsule camera control
EP2169415A1 (en) * 2008-09-30 2010-03-31 Siemens Schweiz AG Method for automatic quality control of in-vivo human brain MRI images
JP5011452B2 (ja) * 2010-04-12 2012-08-29 オリンパスメディカルシステムズ株式会社 医用画像処理装置および医用画像処理装置の制御方法
JP5570866B2 (ja) * 2010-04-30 2014-08-13 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
JP5800468B2 (ja) * 2010-05-11 2015-10-28 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5622461B2 (ja) * 2010-07-07 2014-11-12 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5555097B2 (ja) * 2010-08-24 2014-07-23 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
JP5658945B2 (ja) * 2010-08-24 2015-01-28 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
JP5620194B2 (ja) * 2010-08-24 2014-11-05 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5800549B2 (ja) 2011-03-31 2015-10-28 オリンパス株式会社 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
JP5326064B2 (ja) * 2011-07-12 2013-10-30 オリンパスメディカルシステムズ株式会社 画像処理装置
JP5800626B2 (ja) * 2011-07-29 2015-10-28 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
JP5385486B2 (ja) * 2011-09-08 2014-01-08 オリンパスメディカルシステムズ株式会社 画像処理装置及び画像処理装置の作動方法
JP6196760B2 (ja) * 2012-08-10 2017-09-13 オリンパス株式会社 画像処理装置
CN105530851A (zh) * 2013-09-13 2016-04-27 奥林巴斯株式会社 图像处理装置、图像处理方法以及图像处理程序

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5289374A (en) * 1992-02-28 1994-02-22 Arch Development Corporation Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
US6947784B2 (en) * 2000-04-07 2005-09-20 The General Hospital Corporation System for digital bowel subtraction and polyp detection and related techniques
JP2002099896A (ja) 2000-09-22 2002-04-05 Fuji Photo Film Co Ltd 異常陰影候補検出方法および装置
US7553276B2 (en) * 2001-01-16 2009-06-30 Given Imaging Ltd. Method and device for imaging body lumens
JP2002257534A (ja) * 2001-03-02 2002-09-11 Mazda Motor Corp 画像処理装置及びその処理方法
AU2002304266A1 (en) * 2001-06-20 2003-01-02 Given Imaging Ltd. Motility analysis within a gastrointestinal tract
US7634305B2 (en) * 2002-12-17 2009-12-15 Given Imaging, Ltd. Method and apparatus for size analysis in an in vivo imaging system
JP4652694B2 (ja) 2004-01-08 2011-03-16 オリンパス株式会社 画像処理方法
JP4823659B2 (ja) * 2005-11-24 2011-11-24 オリンパスメディカルシステムズ株式会社 生体内画像表示装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106063247A (zh) * 2014-02-28 2016-10-26 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN106063247B (zh) * 2014-02-28 2019-11-26 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN107529969A (zh) * 2015-07-03 2018-01-02 奥林巴斯株式会社 图像处理装置、图像判别***以及内窥镜***
CN107529969B (zh) * 2015-07-03 2019-04-23 奥林巴斯株式会社 图像处理装置以及内窥镜***
CN110678901A (zh) * 2017-05-22 2020-01-10 佳能株式会社 信息处理设备、信息处理方法和程序
CN110678901B (zh) * 2017-05-22 2023-11-10 佳能株式会社 信息处理设备、信息处理方法和计算机可读存储介质
US11922615B2 (en) 2017-05-22 2024-03-05 Canon Kabushiki Kaisha Information processing device, information processing method, and storage medium

Also Published As

Publication number Publication date
JP5424584B2 (ja) 2014-02-26
EP2305091B1 (en) 2017-05-10
EP2305091A1 (en) 2011-04-06
US8478010B2 (en) 2013-07-02
WO2009154125A1 (ja) 2009-12-23
EP2305091A4 (en) 2016-04-06
US20110085717A1 (en) 2011-04-14
CN102065744B (zh) 2014-01-08
JP2009297450A (ja) 2009-12-24

Similar Documents

Publication Publication Date Title
CN102065744B (zh) 图像处理装置及图像处理方法
CN107920722B (zh) 针对自胶囊相机所撷取的图像通过对象检测进行重建
CN104363815B (zh) 图像处理装置以及图像处理方法
CN102243762B (zh) 图像处理装置以及图像处理方法
CN101909510B (zh) 图像处理装置以及图像处理程序
US8290280B2 (en) Image processing device, image processing method, and computer readable storage medium storing image processing program
CN113379693B (zh) 基于视频摘要技术的胶囊内镜关键病灶图像检测方法
CN105719324A (zh) 图像处理装置以及图像处理方法
US20110251454A1 (en) Colonoscopy Tracking and Evaluation System
JP6501800B2 (ja) 信頼度マッチング付き生体内マルチカメラカプセルからの画像の再構築
Weibel et al. Graph based construction of textured large field of view mosaics for bladder cancer diagnosis
CN104812288A (zh) 图像处理装置、图像处理方法和图像处理程序
CN103458765B (zh) 图像处理装置
Szczypiński et al. A model of deformable rings for interpretation of wireless capsule endoscopic videos
WO2020232374A1 (en) Automated anatomic and regional location of disease features in colonoscopy videos
JP2007151645A (ja) 医用画像診断支援システム
KR20210000542A (ko) 의료영상에서의 특정연골 분할 방법 및 장치
Mackiewicz Capsule endoscopy-state of the technology and computer vision tools after the first decade
CN111128349A (zh) 基于gan的医学影像病灶检测标记数据增强方法及装置
US11783476B2 (en) System and method for analyzing three-dimensional image data
KR102254365B1 (ko) 의료영상 처리 방법
CN116758087A (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
JP2006334140A (ja) 異常陰影候補の表示方法及び医用画像処理システム
Arnold et al. Indistinct frame detection in colonoscopy videos
JP2005270635A (ja) 画像処理方法及び処理装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant