CN107292347A - 一种胶囊内窥镜图像识别方法 - Google Patents

一种胶囊内窥镜图像识别方法 Download PDF

Info

Publication number
CN107292347A
CN107292347A CN201710544884.0A CN201710544884A CN107292347A CN 107292347 A CN107292347 A CN 107292347A CN 201710544884 A CN201710544884 A CN 201710544884A CN 107292347 A CN107292347 A CN 107292347A
Authority
CN
China
Prior art keywords
image
grader
capsule endoscope
classification
color
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
Application number
CN201710544884.0A
Other languages
English (en)
Inventor
吴昊
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.)
Nanjing Sky Electrical Engineering Technology Co Ltd Of Middle Smelting China
Huatian Engineering and Technology Corp MCC
Original Assignee
Nanjing Sky Electrical Engineering Technology Co Ltd Of Middle Smelting China
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 Nanjing Sky Electrical Engineering Technology Co Ltd Of Middle Smelting China filed Critical Nanjing Sky Electrical Engineering Technology Co Ltd Of Middle Smelting China
Priority to CN201710544884.0A priority Critical patent/CN107292347A/zh
Publication of CN107292347A publication Critical patent/CN107292347A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了一种胶囊内窥镜图像识别方法，包括以下步骤：a.图像获取；b.图像预处理；c.图像颜色特征提取；d.图像纹理特征提取；e.图像特征融合；f.图像分类处理。本发明所述方法基于颜色特征和纹理特征，通过基于支持向量机算法思想的分类器进行机器学习的方式对图像进行识别和分类，准确度高，分类明确，可以判断复杂图像，能够有效的识别出出血和病变的照片，减少医务人员的工作量，缩短医务人员的观察时间，为医务人员做出科学的医学诊断参考，避免因照片多、阅片时间短导致漏诊甚至错诊现象的发生，进而影响到对病人的治疗。

Description

一种胶囊内窥镜图像识别方法
技术领域
本发明属于计算机应用技术领域，具体涉及一种胶囊内窥镜图像识别方法。
背景技术
小肠不但是消化道最长的空腔脏器(3.35-7.85m)，也是最弯曲、活动度最大的脏器。目前除了部分区域可以用常规胃镜结肠镜检查外，其它部分是整个胃肠道检查中最难到达的部分，因此小肠疾病的诊断和治疗远落后于胃肠道其他部位。胶囊内窥镜的发明极大的改观了这种问题。胶囊内窥镜在消化道内运动，可以获取病患消化道内全小肠段的图像，突破了小肠检查的盲区，大大提高了消化道疾病诊断检出率，辅助医生做出更加科学和有效地诊断和进一步治疗。
但是胶囊内窥镜只能随肠道的蠕动而运动，而肠道蠕动一般较缓慢，导致胶囊内窥镜检查提取了几万张的消化道图像，其中实际的病变图像一般不到其总数的1％。而且绝大多数的图像都是正常的消化道图像，但是医生仍需要花费很长时间进行浏览，从中挑出出血和病变的图像，同时还需要两个医生进行重复阅片，这是一项极其费时费力的工作。此外由于医生同时要对多个图像进行观察，加上观察时间短，很容易导致漏诊甚至是错诊从而影响到对病人的治疗。
发明内容
本发明要解决的技术问题是：提供一种胶囊内窥镜图像识别方法，所述方法基于颜色特征和纹理特征，通过分类器进行机器学习的方式来进行图像识别和分类，准确度高，分类明确，可以判断复杂图像，能够有效的识别出出血和病变的照片，减少医务人员的工作量，缩短医务人员的观察时间，为医务人员做出科学的医学诊断参考，避免因照片多、阅片时间短导致漏诊甚至错诊现象的发生，进而影响到对病人的治疗。
本发明解决技术问题的技术方案如下：
本发明是一种胶囊内窥镜图像识别方法，包括以下步骤：
a.图像获取：获取胶囊内窥镜拍摄的图像；
b.图像预处理：对获取到的图像进行预处理并挑选出有效的照片，同时删除无效的照片；
c.图像颜色特征提取：在HSV颜色空间下的采用颜色矩方法提取图像的颜色特征；
d.图像纹理特征提取：在HSV颜色空间下提取图像的纹理特征；
e.图像特征融合：将步骤c提取的颜色特征和步骤d提取的纹理特征进行融合并获得新特征；
f.图像分类处理：采用融合后的新特征对分类器进行分类训练，然后利用该分类器对预处理过的照片进行分类并识别出出血照片和病变的照片。
进一步地，所述步骤b中图像预处理包括图像增强和图像场景分类。
进一步地，所述步骤c中图像颜色特征提取采用图像在HSV颜色空间下的三阶颜色距作为颜色特征。
进一步地，所述步骤d中图像纹理特征提取是在HSV颜色空间下采用Contourlet变换提取图像的纹理特征。
进一步地，所述步骤f中对预处理图像进行分类是指将图像分为无效图像、正常图像、出血图像和病变图像。
进一步地，所述步骤f中采用融合后的新特征对分类器进行分类训练，该分类器采用支持向量机算法思想，其具体步骤如下：
1)将内窥镜图像提前进行人工分类，然后存入不同的文件夹中；
2)读取内窥镜图像中规定的mask图像；
3)读取各文件夹里的已分类的内窥镜图像，利用上一步骤中的mask图像对各类别图像进行遮挡并提取所有图像的特征，同时按照类别进行分类；
4)将所有原图像进行乱序处理，用一半图像特征来对分类器进行机器学习，即将该用于训练的图像特征输入分类器进行机器学习；另一半图像特征来验证分类器的效果和性能，即将该待分类的图像特征输入训练好的分类器进行分类并得到结果；
5)将分类结果与人工分类的结果进行对比，达到要求后即完成分类器的分类训练。
进一步地，所述步骤1)中将内窥镜图像提前进行人工分类，是指将图像分为无效图像、正常图像、出血图像和病变图像。
本发明的有益效果是：本发明采用HSV色彩空间颜色特征和纹理特征提取方法对胶囊内窥镜图像进行分析，并利用颜色特征和纹理特征融合后的新特征对基于支持向量机算法的分类器进行机器学习以实现该分类器对内窥镜图像的识别和分类，避免人工分类识别费时费力的问题，帮助医生快速做出科学的医学诊断；本发明采用对HSV色彩空间下颜色特征和纹理特征两种特征对图像进行识别和分类可以避免单一特征识别出现的准确度不高、分类不明确、无法判断复杂图像等问题。
附图说明
图1是本发明中所述胶囊内窥镜图像识别方法流程图；
图2是本发明中所述分类器训练流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，本发明一种胶囊内窥镜图像识别方法，包括以下步骤：
a.图像获取：获取胶囊内窥镜拍摄的图像；首先获取患者消化道的内窥镜图像，通过无线胶囊内窥镜对患者的消化道进行拍照，然后将拍到的照片传输出后台进行处理；
b.图像预处理：对获取到的图像进行预处理并挑选出有效的照片，同时删除无效的照片；本实施例图像预处理包括图像增强和场景分类，胶囊内窥镜采集的彩色图像在获取过程中必然会产生降质和退化，所以需要对其进行增强处理，使其更适合医生观察和诊断，同时对图像进行场景分类处理，通过定位幽门和回盲瓣的位置来帮助筛选出图像中属于小肠的场景图像；
c.图像颜色特征提取：在HSV颜色空间下的采用颜色矩方法提取图像的颜色特征；HSV颜色空间有三个通道分量，分别为通道H(色调)、通道S(饱和度)和通道V(亮度)；在HSV颜色空间下，观察通道分量的特征图我们可以看出，H分量颜色矩的前3阶的特征值出现小幅度的波动，但是在第3阶以后，颜色矩的特征值与其阶数成正相关；此外通过特征图还可以看出，S分量和V分量颜色矩的前3阶特征值变化较大，而在4～9阶由于规律性的存在，S分量和V分量的差异度不大；综合考虑到三个通道分量的变化因素，本实施例最后选择提取三阶颜色距的特征值作为颜色特征的特征向量。
d.图像纹理特征提取：在HSV颜色空间下提取图像的纹理特征；正常图像和异常图像的纹理特征存在着部分差异，所以可以通过纹理特征提取步骤得到两者的纹理特征；Contourlet变换能在任意尺度上实现任意方向的分解，擅长描述图像中的轮廓和方向性纹理信息；本实施例采用Contourlet变换提取纹理特征将内窥镜图像转换到HSV颜色空间下，同时为了更加详细地描述内窥镜图像不同方向上的纹理信息，并考虑到特征向量的维数过大会降低分类效果，该步骤分别对每个颜色通道进行8个方向的子带分解，总共24个子带；最后对这所有的子带分别求3阶矩，将得到的新特征向量(72维)作为图像的纹理特征向量；
e.图像特征融合：将步骤c提取的颜色特征和步骤d提取的纹理特征进行融合并获得新特征；将颜色矩与Contourlet变换进行融合，是一种颜色特征与纹理特征相结合的方法；本实施例在HSV颜色空间下对每个颜色通道进行Contourlet变换，然后对变换后的图像分别提取三阶颜色矩，最后获得具有颜色特征和纹理特征的新特征向量，将该特征向量作为分类器进行机器学习和分类的依据。
f.图像分类处理：采用融合后的新特征对基于支持向量机算法思想的分类器进行分类训练，然后利用该分类器对预处理过的照片进行分类并识别出出血照片和病变的照片。该分类器经过分类训练后，即可对经预处理过的内窥镜获取的图像进行识别和分类，速度快，效率高。
本实施例中，所述步骤f中对预处理图像进行分类是指将图像分为无效图像、正常图像、出血图像和病变图像。
本实施例中所述步骤f中采用融合后的新特征对对基于支持向量机算法思想的分类器进行分类训练，即采用线性分类方法，如图2所示，其具体步骤如下：
1)将内窥镜图像提前进行人工分类，然后存入不同的文件夹中；这里的对内窥镜图像的人工分类是将图像分为无效图像、正常图像、出血图像和病变图像；
2)读取内窥镜图像中规定的mask图像；
3)读取各文件夹里的已分类的内窥镜图像，利用上一步骤中的mask图像对各类别图像进行遮挡并提取所有图像的特征，同时按照类别进行分类；
4)将所有原图像进行乱序处理，用一半图像特征来对分类器进行机器学习，即将该用于训练的图像特征输入分类器进行机器学习；另一半图像特征来验证分类器的效果和性能，即将该待分类的图像特征输入训练好的分类器进行分类并得到结果；
5)将分类结果与人工分类的结果进行对比，达到要求后即完成分类器的分类训练。
本实施例中，所述步骤2)中的mask(掩膜)是一种用选定的图像、图形或物体，对处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程，是一种常用的一种图像处理方法；通过读取该规定的mask图像，可以减少提取图像特征时的复杂度和工作量，当该mask图像对需要处理的图像进行遮挡后，我们就可以提取到有效的图像特征，排除无效特征的干扰；所述步骤3)是通过步骤2)中的规定mask图像对文件夹中的图像进行遮挡并提取所有内窥镜图像的有效的图像特征，并作为后续步骤中分类器的机器学习及分类的依据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种胶囊内窥镜图像识别方法，包括以下步骤：
a.图像获取：获取胶囊内窥镜拍摄的图像；
b.图像预处理：对获取到的图像进行预处理并挑选出有效的照片，同时删除无效的照片；
c.图像颜色特征提取：在HSV颜色空间下的采用颜色矩方法提取图像的颜色特征；
d.图像纹理特征提取：在HSV颜色空间下提取图像的纹理特征；
e.图像特征融合：将步骤c提取的颜色特征和步骤d提取的纹理特征进行融合并获得新特征；
f.图像分类处理：采用融合后的新特征对分类器进行分类训练，然后利用该分类器对预处理过的照片进行分类并识别出出血照片和病变的照片。
2.根据权利要求1所述的一种胶囊内窥镜图像识别方法，其特征在于：所述步骤b中图像预处理包括图像增强和图像场景分类。
3.根据权利要求1所述的一种胶囊内窥镜图像识别方法，其特征在于：所述步骤c中图像颜色特征提取采用图像在HSV颜色空间下的三阶颜色距作为颜色特征。
4.根据权利要求1所述的一种胶囊内窥镜图像识别方法，其特征在于：所述步骤d中图像纹理特征提取是在HSV颜色空间下采用Contourlet变换提取图像的纹理特征。
5.根据权利要求1所述的一种胶囊内窥镜图像识别方法，其特征在于：所述步骤f中对预处理图像进行分类是指将图像分为无效图像、正常图像、出血图像和病变图像。
6.根据权利要求1所述的一种胶囊内窥镜图像识别方法，其特征在于：所述步骤f中采用融合后的新特征对分类器进行分类训练，该分类器采用支持向量机算法思想，其具体步骤如下：
1)将内窥镜图像提前进行人工分类，然后存入不同的文件夹中；
2)读取内窥镜图像中规定的mask图像；
3)读取各文件夹里的已分类的内窥镜图像，利用上一步骤中的mask图像对各类别图像进行遮挡并提取所有图像的特征，同时按照类别进行分类；
4)将所有原图像进行乱序处理，用一半图像特征来对分类器进行机器学习，即将该用于训练的图像特征输入分类器进行机器学习；另一半图像特征来验证分类器的效果和性能，即将该待分类的图像特征输入训练好的分类器进行分类并得到结果；
5)将分类结果与人工分类的结果进行对比，达到要求后即完成分类器的分类训练。
7.根据权利要求6所述的一种胶囊内窥镜图像识别方法，其特征在于：所述步骤1)中将内窥镜图像提前进行人工分类，是指将图像分为无效图像、正常图像、出血图像和病变图像。
CN201710544884.0A 2017-07-06 2017-07-06 一种胶囊内窥镜图像识别方法 Pending CN107292347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710544884.0A CN107292347A (zh) 2017-07-06 2017-07-06 一种胶囊内窥镜图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710544884.0A CN107292347A (zh) 2017-07-06 2017-07-06 一种胶囊内窥镜图像识别方法

Publications (1)

Publication Number Publication Date
CN107292347A true CN107292347A (zh) 2017-10-24

Family

ID=60100757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710544884.0A Pending CN107292347A (zh) 2017-07-06 2017-07-06 一种胶囊内窥镜图像识别方法

Country Status (1)

Country Link
CN (1) CN107292347A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055454A (zh) * 2017-12-08 2018-05-18 合肥工业大学 医用内窥镜人工智能芯片的体系架构及图像处理方法
CN109091098A (zh) * 2017-10-27 2018-12-28 重庆金山医疗器械有限公司 磁控胶囊式内窥镜诊查***
CN109241963A (zh) * 2018-08-06 2019-01-18 浙江大学 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法
CN109635871A (zh) * 2018-12-12 2019-04-16 浙江工业大学 一种基于多特征融合的胶囊内窥镜图像分类方法
CN110020610A (zh) * 2019-03-16 2019-07-16 复旦大学 基于深度学习的肠镜质量检查控制***
CN110084280A (zh) * 2019-03-29 2019-08-02 广州思德医疗科技有限公司 一种确定分类标签的方法及装置
CN110414607A (zh) * 2019-07-31 2019-11-05 中山大学 胶囊内窥镜图像的分类方法、装置、设备及介质
CN111341441A (zh) * 2020-03-02 2020-06-26 刘四花 一种肠胃科病模型构建方法及诊断***
CN111462082A (zh) * 2020-03-31 2020-07-28 重庆金山医疗技术研究院有限公司 一种病灶图片识别装置、方法、设备及可读存储介质
CN113920042A (zh) * 2021-09-24 2022-01-11 深圳市资福医疗技术有限公司 图像处理***及胶囊内窥镜
CN117572628A (zh) * 2024-01-02 2024-02-20 首都医科大学附属北京天坛医院 一种便携式内窥镜及其使用方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512612A (zh) * 2015-11-24 2016-04-20 中科院合肥技术创新工程院 一种基于svm的胶囊内窥镜图像分类方法
CN106097335A (zh) * 2016-06-08 2016-11-09 安翰光电技术（武汉）有限公司 消化道病灶图像识别***及识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512612A (zh) * 2015-11-24 2016-04-20 中科院合肥技术创新工程院 一种基于svm的胶囊内窥镜图像分类方法
CN106097335A (zh) * 2016-06-08 2016-11-09 安翰光电技术（武汉）有限公司 消化道病灶图像识别***及识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋余庆等: "基于多特征融合的医学图像识别研究", 《计算机应用研究》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109091098A (zh) * 2017-10-27 2018-12-28 重庆金山医疗器械有限公司 磁控胶囊式内窥镜诊查***
CN108055454B (zh) * 2017-12-08 2020-07-28 合肥工业大学 医用内窥镜人工智能芯片的体系架构及图像处理方法
CN108055454A (zh) * 2017-12-08 2018-05-18 合肥工业大学 医用内窥镜人工智能芯片的体系架构及图像处理方法
CN109241963A (zh) * 2018-08-06 2019-01-18 浙江大学 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法
CN109635871A (zh) * 2018-12-12 2019-04-16 浙江工业大学 一种基于多特征融合的胶囊内窥镜图像分类方法
CN109635871B (zh) * 2018-12-12 2021-06-18 浙江工业大学 一种基于多特征融合的胶囊内窥镜图像分类方法
CN110020610A (zh) * 2019-03-16 2019-07-16 复旦大学 基于深度学习的肠镜质量检查控制***
CN110020610B (zh) * 2019-03-16 2023-02-10 复旦大学 基于深度学习的肠镜质量检查控制***
CN110084280A (zh) * 2019-03-29 2019-08-02 广州思德医疗科技有限公司 一种确定分类标签的方法及装置
CN110084280B (zh) * 2019-03-29 2021-08-31 广州思德医疗科技有限公司 一种确定分类标签的方法及装置
CN110414607A (zh) * 2019-07-31 2019-11-05 中山大学 胶囊内窥镜图像的分类方法、装置、设备及介质
CN111341441A (zh) * 2020-03-02 2020-06-26 刘四花 一种肠胃科病模型构建方法及诊断***
CN111462082A (zh) * 2020-03-31 2020-07-28 重庆金山医疗技术研究院有限公司 一种病灶图片识别装置、方法、设备及可读存储介质
CN113920042A (zh) * 2021-09-24 2022-01-11 深圳市资福医疗技术有限公司 图像处理***及胶囊内窥镜
CN113920042B (zh) * 2021-09-24 2023-04-18 深圳市资福医疗技术有限公司 图像处理***及胶囊内窥镜
CN117572628A (zh) * 2024-01-02 2024-02-20 首都医科大学附属北京天坛医院 一种便携式内窥镜及其使用方法
CN117572628B (zh) * 2024-01-02 2024-05-07 首都医科大学附属北京天坛医院 一种便携式内窥镜及其使用方法

Similar Documents

Publication Publication Date Title
CN107292347A (zh) 一种胶囊内窥镜图像识别方法
JP7335552B2 (ja) 画像診断支援装置、学習済みモデル、画像診断支援装置の作動方法および画像診断支援プログラム
CN110600122B (zh) 一种消化道影像的处理方法、装置、以及医疗***
WO2020071677A1 (ko) 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법
CN107730489A (zh) 无线胶囊内窥镜小肠病变计算机辅助检测***及检测方法
CN110367913B (zh) 无线胶囊内窥镜图像幽门和回盲瓣定位方法
CN110189303B (zh) 一种基于深度学习和图像增强的nbi图像处理方法及其应用
CN109118485A (zh) 基于多任务神经网络的消化道内镜图像分类及早癌检测***
CN109858540B (zh) 一种基于多模态融合的医学图像识别***及方法
CN107767365A (zh) 一种内窥镜图像处理方法及***
CN107145840B (zh) 内镜专家诊断知识嵌入的计算机辅助wce序列图像数据识别方法
CN110727097A (zh) 一种病理显微图像实时采集分析***、方法、装置及介质
KR20200101540A (ko) 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템
CN110852396A (zh) 一种宫颈图像的样本数据处理方法
CN109934276A (zh) 基于迁移学习的胶囊内窥镜图像分类***及方法
CN109635871A (zh) 一种基于多特征融合的胶囊内窥镜图像分类方法
CN104203075B (zh) 医疗用图像处理装置
CN104869884A (zh) 医用图像处理装置以及医用图像处理方法
CN113129287A (zh) 一种针对上消化道内镜影像的病灶自动留图方法
CN109241963B (zh) 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法
CN115018767A (zh) 基于本征表示学习的跨模态内镜图像转换及病灶分割方法
CN111784669B (zh) 一种胶囊内镜图像多病灶检测方法
CN112419246B (zh) 量化食管粘膜IPCLs血管形态分布的深度检测网络
CN109376802A (zh) 一种基于字典学习的胃镜器官分类方法
CN111476312B (zh) 一种基于卷积神经网络的病变图像的分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171024