CN117252875B - 基于高光谱图像的医疗图像处理方法、***、介质及设备 - Google Patents
基于高光谱图像的医疗图像处理方法、***、介质及设备 Download PDFInfo
- Publication number
- CN117252875B CN117252875B CN202311531442.4A CN202311531442A CN117252875B CN 117252875 B CN117252875 B CN 117252875B CN 202311531442 A CN202311531442 A CN 202311531442A CN 117252875 B CN117252875 B CN 117252875B
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- channel
- blood
- infrared
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 239000008280 blood Substances 0.000 claims abstract description 70
- 210000004369 blood Anatomy 0.000 claims abstract description 70
- 238000002310 reflectometry Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000012512 characterization method Methods 0.000 claims abstract description 20
- 238000001429 visible spectrum Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 39
- 230000008569 process Effects 0.000 abstract description 19
- 230000001965 increasing effect Effects 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 abstract description 4
- 239000003550 marker Substances 0.000 abstract 1
- 206010028980 Neoplasm Diseases 0.000 description 18
- 238000009499 grossing Methods 0.000 description 14
- 238000012216 screening Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000167854 Bourreria succulenta Species 0.000 description 2
- 206010034972 Photosensitivity reaction Diseases 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 235000019693 cherries Nutrition 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000036211 photosensitivity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及高光谱图像技术领域，尤其涉及基于高光谱图像的医疗图像处理方法、***、介质及设备。高光谱图像处理方法包括：根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像；根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化；将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息。将本发明的方法应用于血液高光谱图像处理过程中，排除了外部表征的影响，避免了颜色对判断结果的影响，增加了标志物的光学信息，提高了的正确率。
Description
技术领域
本发明涉及高光谱图像技术领域，尤其涉及基于高光谱图像的医疗图像处理方法、***、介质及设备。
背景技术
医疗图像是反映人体内部结构的图像，是现代医疗诊断的主要依据之一。高光谱成像作为生物医学可视化的一种新兴技术，在生物医学领域的研究正逐渐受到关注。高光谱成像可以捕获不同病理条件下组织的细微光谱差异，提供有关组织生理、形态和生化成分的分析信息，进而为医学分析提供更多辅助信息。
采集血液的高光谱图像，通过对该高光谱图像进行处理是获得诊断结果的一种方式，但在血液样本采集过程中会因样本处理、采集时长、药物干扰等情况影响血液的外部表征。同时，人体血液颜色在人体不同状态下有不同的表现，常见的人体血液包括淡红色血液、暗红色血液、暗紫色血液、樱桃红色血液等，采集出来高光谱图像的颜色会影响判断结果。
发明内容
针对现有技术存在的不足，本发明实施例的目的是提供一种基于高光谱图像的医疗图像处理方法，以解决参数选择对高光谱图像的影响。
为了实现上述目的，本发明实施例提供了如下技术方案：
基于高光谱图像的医疗图像处理方法，包括：
根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像；
根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化；
将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息。
可选的，调整所述图像采集参数包括：
建立高光谱图像数据库，其中，所述高光谱图像数据库包括：对不同预设条件下的血液样本所采集的高光谱图像；
对所述高光谱图像进行血液外部表征分析，提取与不正常外部表征相关的信息；
确定血液不正常外部表征与图像采集参数之间的关联关系；
根据所述关联关系调整图像采集参数。
可选的，所述图像采集参数包括光源类型强度、相机的曝光时间、光谱分辨率、感光度以及采样方式。
可选的，对所述高光谱图像进行颜色标准化包括：
采集不同颜色、采集状态下的血液高光谱图像，对所有高光谱图像进行RGB颜色占比分析，设定不同类型对照试验进行反射率校准实验，确定反射率校准参数与图像RGB颜色占比之间的关系，并设定标准化RGB颜色占比，将高光谱图像RGB的颜色占比调整至一个正常血液的RGB颜色占比空间内。
可选的，所述设定不同类型对照试验包括：
RGB三种颜色占比高的情况与相关反射率校准参数之间的关系，以及RGB三种颜色中两种颜色占比高的情况与相关反射率校准参数之间的关系。
可选的，将红外光谱分配给红色通道，红光通道为绿色，绿光通道为蓝色。
可选的，增强所述高光谱图像近红外光谱波段信息包括：
读取红外图像和可见光图像，将红外图像和可见光图像加载到内存中；
根据红外图像和可见光图像的尺寸和通道数，创建一个新的图像，用于存储通道分配后的结果；
针对红色通道，遍历红外图像的每个像素，将红外图像的像素值赋给新图像的红色通道；针对绿色通道，遍历可见光图像的红光通道的每个像素，将其像素值赋给新图像的绿色通道；针对蓝色通道，遍历可见光图像的绿光通道的每个像素，将其像素值赋给新图像的蓝色通道；
根据图像的数据类型和显示要求，对新图像的像素值进行范围调整，并保存图像。
根据另一些实施例，本公开还采用如下技术方案：
一种基于高光谱图像的医疗图像处理***，包括：
图像获取模块，被配置为根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像；
颜色标准化模块，被配置为根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化；
信息增强模块，被配置为将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息。
根据另一些实施例，本公开还采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行如上所述的高光谱图像处理方法。
根据另一些实施例，本公开还采用如下技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如上所述的高光谱图像处理方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明通过实验确定血液不正常外部表征与采集参数调整之间的影响关系，根据影响关系设定采集血液高光谱图像的采集参数。然后根据不同的光谱反射率高光谱图像会表现出不同颜色的原理，对由获取图像的颜色值与标准光源下的颜色值进行对比，分析光谱反射率参数与颜色值调整之间的关系，根据反射率参数进行调整，得到正常情况下标准颜色分布的血液高光谱图像，即颜色标准化高光谱图像。最后利用红外线和可见光波段组合的图像处理技术，用于增强红外线信息，并与可见光信息相结合。将本发明的方法应用于血液高光谱图像处理过程中时，排除了外部表征对肿瘤早筛过程的影响，同时，避免了颜色对肿瘤早筛判断结果的影响，增加了肿瘤早筛过程中肿瘤标志物的光学信息，提高了肿瘤早筛的正确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一提供的高光谱图像处理方法流程图；
图2是本发明实施例一提供的高光谱图像颜色标准化前后对比图；
为显示各部位位置而夸大了互相间间距或尺寸，示意图仅作示意使用。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中介绍的，参数选择会对高光谱图像造成影响，下面以肿瘤早筛为例进行说明：
肿瘤早筛是指用快速、简便的方法，从大量看起来健康、尚未出现症状的目标人群中筛选出极少数肿瘤高危群体，可以及早发现肿瘤、降低发病风险，尤其是发病率和死亡率高、发展周期长的癌种，比如肺癌、胃癌、结直肠癌等。
采集血液的高光谱图像，通过对该高光谱图像进行处理是获得肿瘤早筛结果的一种方式，但在血液样本采集过程中会因样本处理、采集时长、药物干扰等情况影响血液的外部表征。同时，人体血液颜色在人体不同状态下有不同的表现，常见的人体血液包括淡红色血液、暗红色血液、暗紫色血液、樱桃红色血液等，采集出来高光谱图像的颜色在会影响肿瘤早筛的判断结果。
实施例一
如图1所示，本实施例提出了一种基于高光谱图像的医疗图像处理方法，应用于血液高光谱图像处理过程，包括：
步骤S100：根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像，具体包括：
步骤S101：建立高光谱图像数据库。其中，所述高光谱图像数据库包括：对不同预设条件下的血液样本所采集的高光谱图像。
建立不同采集条件、添加特定药物等情况下所采集的血液高光谱图像数据库，对每个血液样本进行高光谱图像采集，同时记录下对应的采集参数，所述图像采集参数包括光源类型强度、相机的曝光时间、光谱分辨率、感光度、采样方式等影响采集高光谱图像质量和特征的参数。
步骤S102：血液外部表征分析。对所述高光谱图像进行血液外部表征分析，提取与不正常外部表征相关的信息。
利用收集到的高光谱图像，对血液的外部表征进行分析。这可以包括使用图像处理和分析算法，如光谱分析、特征提取等，来提取与血液异常特征相关的信息。
步骤S103：参数调整与关联分析。确定血液不正常外部表征与图像采集参数之间的关联关系。
通过实验数据分析，确定血液不正常外部表征（即血液异常特征）与采集参数之间的关系。这可以涉及统计分析、机器学习等方法，以确定哪些采集参数与特定外部表征有关，以及它们之间的关联程度。
血液不正常外部表征与采集参数之间的关系可以体现在以下几个方面：
光源类型强度：较强的光源可以提供更高的信噪比，使得图像更清晰，细节更丰富，但过强的光源可能导致图像过曝，使得亮部细节丢失，导致图像失真。
相机的曝光时间：较长的曝光时间可以增加图像中的光线信息，有助于捕捉较暗的细节，但过长的曝光时间可能导致图像模糊或过曝，失去细节并且无法恢复。
光谱分辨率：较高的光谱分辨率可以提供更详细的光谱信息，有助于区分不同波长的特征，但过低的光谱分辨率可能导致光谱特征的混叠和模糊，难以准确识别和分析。
感光度：较高的感光度可以在低光条件下获得更明亮的图像，增加图像的亮度。而过高的感光度可能引入更多的噪点，降低图像的质量和准确性。
采样方式：不同的采样方式会影响图像的分辨率、速度和成本。逐点扫描方式可以获得高分辨率的图像，但速度较慢。线性扫描或面阵扫描方式可以提高采集速度，但图像分辨率可能较低。
步骤S104：自动参数调整。根据所述关联关系调整图像采集参数。
基于关联分析的结果，设计一个自动调整采集参数的模块。这个模块可以根据检测到的血液外部表征，自动调整采集参数，以优化高光谱图像的质量，并排除外部表征对肿瘤早筛过程的影响。例如，如果外部表征表明血液样本受到某种药物干扰，模块可以自动调整采集参数，以降低这种干扰的影响。
参数自动调整通过设计一个函数集成到一个芯片上，通过采集参数和采集完获取的图像参数输出一个新的采集参数，芯片中的函数主要用来对比采集参数与获取的图像参数，并根据上述步骤获取的采集参数和获取的图像参数之间的关系输出新的采集参数。即通过两种参数的对比，设定输出函数信噪比、光谱分辨率区间，调整新的采集参数，进而输出函数信噪比、光谱分辨率等参数相近的高光谱图像。即为标准化上述参数。这个芯片可以集成到高光谱相机镜头上。
步骤S200：根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化。
采集不同颜色、采集状态下的血液高光谱图像，对所有高光谱图像进行RGB颜色占比分析，进行反射率校准实验，了解反射率校准过程中参数（包括反射率校准参数、反射率修正系数和曲线平滑参数）变化与原图像RGB颜色占比变化之间的关系，并设定标准化RGB颜色占比，以对高光谱图像颜色进行标准化，即将RGB的颜色占比调整至一个正常血液的RGB颜色占比空间内。其中，反射率校准参数包括反射率修正系数和曲线平滑数。
实现过程需用同一标准化白板进行采集、校准，设定不同类型对照试验，分别设定RGB三种颜色占比高与相关反射率校准参数之间的关系、RGB三种颜色中两种颜色占比高的情况与相关反射率校准参数之间的关系对照试验。最终得出参数调整与RGB颜色占比变化之间的关系。
根据获取的颜色占比与参数调整之间的关系，设计一个对上述步骤输出的高光谱图像进行自动颜色标准化的模块，模块可以集成为芯片，则过程与采集参数调整一致，可用matlab或python书写为自动参数调整程序，最后封装为模块。
其中，每一样本颜色标准化具体过程为：
S201:在每一批高光谱图像采集前进行标准白板采集，标准白板作用主要是为反射率校准提供背景板，以此为基础进行反射率校准，标准白板主要为标准化白色采集板，采集后生成反射率校准的校准文件，以便进行后续校准。
S202:在步骤S100中获取的高光谱图像输入RGB颜色分布程序中，生成RGB分布直方图，根据RGB分布直方图获取RGB占比信息并输出数值，如图2所示，R代表的红色像素分布较多，且B与G代表的蓝色与绿色占比相当。
S203:通过获取的RGB分布直方图及RGB占比信息，进行反射率校准，反射率校准会调整占比信息，反射率校准中标准反射白板提供绝对反射率值（由国家计量研究所提供），获得颜色通道占比调整后的高光谱图像。
反射率校准后数值计算公式：
。
其中，Iref是计算出的反射率校准后数值，Iraw是给定像素的原始数据数值，Idark是给定像素的暗背景数值，Iwhite是白板参考的强度数值。反射率校准过程本身就改变了RGB颜色通道占比。
反射率校准后，通过添加反射率修正系数（%）减少暗背景数值的影响，并给与高光谱图像整体的反射率修正，使高光谱数据进一步标准化，使其光谱曲线数值标准化在0-1中间，使各个像素点的发射率数值进行一定修正，使各反射出的各颜色通道占比差距减少，达到调整RGB颜色通道占比的功能。
S204:调整添加曲线平滑参数，对高光谱图像进行调整，降低噪声影响、通过平滑处理可以凸显出反射率谱线中的主要趋势和特征，可以使数据变得更加平滑，从而使得后续的分析和处理更加准确和稳定、平滑过程可以使得数据更加平缓和连续从而降低了后续处理的复杂性有助于更精确地进一步的分析和建模，最终获得颜色标准化高光谱图像。
曲线平滑采用Savitzky-Golay平滑方法，Savitzky-Golay平滑是一种基于多项式拟合的平滑方法，它可以有效减小高光谱数据中的高频噪声，同时保留光谱的主要特征。Savitzky-Golay平滑方法的主要步骤包括：1.移动一个固定大小的窗口，以覆盖数据中的每个数据点。2.在每个窗口内进行多项式拟合，计算多项式系数。3.使用拟合的系数计算平滑数据点。
下面是用于计算Savitzky-Golay平滑的一般形式的公式：
给定一个包含观测数据的序列(x0,x1,x2,…,xn)，通过Savitzky-Golay平滑来估算平滑数据点(y0,y1,y2,…,yn)。平滑过程的一般公式如下：
。
其中，yi是平滑后的数据点。xi+j是窗口内的数据点，其中j的取值是-m到m。cj是多项式系数，根据窗口内的数据点进行多项式拟合计算得出。这些系数通常在预先计算并存储，以便在实际应用中直接使用。m表示拟合窗口的大小，可以根据需要进行选择。较大的m值将导致更强的平滑效果，但也可能导致过度平滑数据，丧失一些细节信息。通常，m的值取决于数据的性质和噪声水平。
步骤S300：将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息。
通过CIR颜色方案技术对近红外光谱波段进行信息增强，CIR颜色方案将红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，从而形成一种特定的颜色显示。具体的，将红外光谱分配给红色通道，红光通道为绿色，绿光通道为蓝色。通过这种分配方式，突出红外光谱和可见光谱之间的差异，从而强调红外光谱所包含的信息，同时，可见光谱的分配在CIR图像中提供了对可见光范围内的信息，使得图像更加全面。这样，在显示CIR图像时，血液中细胞会呈现出红色或品红色，而其他物质则呈现出蓝绿色或青色并偏向红色，这样就增强了近红外光谱波段所能表现的信息量，有利于后续血液高光谱图像研究及应用。可以理解的，可见光谱被分配通道的选择可以根据具体需求和应用来进行调整，有时也可选择其他颜色通道进行分配，以达到更好的视觉效果或突出特定信息。
增强红外线信息流程具体包括为：
步骤S301：读取红外图像和可见光图像，使用图像处理库或编程语言中的相应函数，将红外图像和可见光图像加载到内存中。
步骤S302：创建新的图像，根据红外图像和可见光图像的尺寸和通道数，创建一个新的图像，用于存储通道分配后的结果。
步骤S303：通道分配：针对红色通道，遍历红外图像的每个像素，将红外图像的像素值赋给新图像的红色通道；针对绿色通道，遍历可见光图像的红光通道的每个像素，将其像素值赋给新图像的绿色通道；针对蓝色通道，遍历可见光图像的绿光通道的每个像素，将其像素值赋给新图像的蓝色通道。
步骤S304：根据需要进行范围调整：根据图像的数据类型和显示要求，对新图像的像素值进行范围调整，并保存图像。例如，将像素值缩放到0到255的范围内，以便于正确显示。
其中，相应函数可以是：
Python（使用PIL库或OpenCV库）：
读取图像：Image.open()、cv2.imread()；创建新图像：Image.new()、np.zeros()；获取像素值：img.getpixel()、img[y,x]；设置像素值：img.putpixel()、img[y,x]=value；保存图像：img.save()、cv2.imwrite()。
MATLAB：
读取图像：imread()；创建新图像：zeros()、uint8()；获取像素值：img(y,x,:)；设置像素值：img(y,x,:)=value；保存图像：imwrite()。
本发明通过实验确定血液不正常外部表征与采集参数调整之间的影响关系，根据影响关系设定采集血液高光谱图像的采集参数。然后根据不同的光谱反射率会产生不同颜色的原理，对由获取图像的颜色值与标准光源下的颜色值进行对比，分析光谱反射率参数与颜色值调整之间的关系，根据反射率参数进行调整，得到正常情况下标准颜色的血液高光谱图像。最后利用红外线和可见光波段组合的图像处理技术，用于增强红外线信息，并与可见光信息相结合。将本发明的方法应用于血液高光谱图像处理过程中时，排除了外部表征对肿瘤早筛过程的影响，同时，避免了颜色对肿瘤早筛判断结果的影响，增加了肿瘤早筛过程中肿瘤标志物的光学信息，提高了肿瘤早筛的正确率。
实施例二
基于同一发明构思，本发明另一实施例提供一种基于高光谱图像的医疗图像处理***，包括：
图像获取模块，被配置为根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像；
颜色标准化模块，被配置为根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化；
信息增强模块，被配置为将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息。
对于***实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例一中方法的步骤。
实施例四
本公开的一种实施例中提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一中方法的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.基于高光谱图像的医疗图像处理方法，其特征在于，包括：
根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像；其中，调整所述图像采集参数包括：
建立高光谱图像数据库，其中，所述高光谱图像数据库包括：对不同预设条件下的血液样本所采集的高光谱图像；
对所述高光谱图像进行血液外部表征分析，提取与不正常外部表征相关的信息；
确定血液不正常外部表征与图像采集参数之间的关联关系；
根据所述关联关系调整图像采集参数；
根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化；
将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息；其中，增强所述高光谱图像近红外光谱波段信息包括：
读取红外图像和可见光图像，将红外图像和可见光图像加载到内存中；
根据红外图像和可见光图像的尺寸和通道数，创建一个新的图像，用于存储通道分配后的结果；
针对红色通道，遍历红外图像的每个像素，将红外图像的像素值赋给新图像的红色通道；针对绿色通道，遍历可见光图像的红光通道的每个像素，将其像素值赋给新图像的绿色通道；针对蓝色通道，遍历可见光图像的绿光通道的每个像素，将其像素值赋给新图像的蓝色通道；
根据图像的数据类型和显示要求，对新图像的像素值进行范围调整，并保存图像。
2.如权利要求1所述的基于高光谱图像的医疗图像处理方法，其特征在于，所述图像采集参数包括光源类型强度、相机的曝光时间、光谱分辨率、感光度以及采样方式。
3.如权利要求1所述的基于高光谱图像的医疗图像处理方法，其特征在于，对所述高光谱图像进行颜色标准化包括：
采集不同颜色、采集状态下的血液高光谱图像，对所有高光谱图像进行RGB颜色占比分析，设定不同类型对照试验进行反射率校准实验，确定反射率校准参数与图像RGB颜色占比之间的关系，并设定标准化RGB颜色占比，将高光谱图像RGB的颜色占比调整至一个正常血液的RGB颜色占比空间内。
4.如权利要求3所述的基于高光谱图像的医疗图像处理方法，其特征在于，所述设定不同类型对照试验包括：
RGB三种颜色占比高的情况与相关反射率校准参数之间的关系，以及RGB三种颜色中两种颜色占比高的情况与相关反射率校准参数之间的关系。
5.如权利要求1所述的基于高光谱图像的医疗图像处理方法，其特征在于，将红外光谱分配给红色通道，红光通道为绿色，绿光通道为蓝色。
6.基于高光谱图像的医疗图像处理***，其特征在于，包括：
图像获取模块，被配置为根据血液不正常外部表征与图像采集参数之间的关系调整所述图像采集参数，获取血液样本高光谱图像；其中，调整所述图像采集参数包括：
建立高光谱图像数据库，其中，所述高光谱图像数据库包括：对不同预设条件下的血液样本所采集的高光谱图像；
对所述高光谱图像进行血液外部表征分析，提取与不正常外部表征相关的信息；
确定血液不正常外部表征与图像采集参数之间的关联关系；
根据所述关联关系调整图像采集参数；
颜色标准化模块，被配置为根据反射率校准参数与图像RGB颜色占比之间的关系，对所述高光谱图像进行颜色标准化；
信息增强模块，被配置为将所述高光谱图像的红外光谱分配给红色通道，可见光谱分配给绿色和蓝色通道，增强所述高光谱图像近红外光谱波段信息；其中，增强所述高光谱图像近红外光谱波段信息包括：
读取红外图像和可见光图像，将红外图像和可见光图像加载到内存中；
根据红外图像和可见光图像的尺寸和通道数，创建一个新的图像，用于存储通道分配后的结果；
针对红色通道，遍历红外图像的每个像素，将红外图像的像素值赋给新图像的红色通道；针对绿色通道，遍历可见光图像的红光通道的每个像素，将其像素值赋给新图像的绿色通道；针对蓝色通道，遍历可见光图像的绿光通道的每个像素，将其像素值赋给新图像的蓝色通道；
根据图像的数据类型和显示要求，对新图像的像素值进行范围调整，并保存图像。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时执行如权利要求1-5任一项所述的医疗图像处理方法。
8.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-5任一项所述的医疗图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531442.4A CN117252875B (zh) | 2023-11-17 | 2023-11-17 | 基于高光谱图像的医疗图像处理方法、***、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531442.4A CN117252875B (zh) | 2023-11-17 | 2023-11-17 | 基于高光谱图像的医疗图像处理方法、***、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252875A CN117252875A (zh) | 2023-12-19 |
| CN117252875B true CN117252875B (zh) | 2024-02-09 |
Family
ID=89129843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311531442.4A Active CN117252875B (zh) | 2023-11-17 | 2023-11-17 | 基于高光谱图像的医疗图像处理方法、***、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252875B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474815B (zh) * | 2023-12-25 | 2024-03-19 | 山东大学 | 一种高光谱图像校准方法及*** |
| CN117830114A (zh) * | 2024-01-02 | 2024-04-05 | 瀚湄信息科技(上海)有限公司 | 基于白光led照明的血红蛋白增强方法、装置及电子设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006270334A (ja) * | 2005-03-23 | 2006-10-05 | Olympus Corp | シェーディング補正方法および画像検査装置 |
| CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
| CN108090883A (zh) * | 2018-01-04 | 2018-05-29 | 中煤航测遥感集团有限公司 | 高光谱图像预处理方法、装置及电子设备 |
| CN110441249A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 |
| CN111655129A (zh) * | 2018-02-02 | 2020-09-11 | 宝洁公司 | 高光谱成像***及其使用方法 |
| CN113409193A (zh) * | 2021-06-18 | 2021-09-17 | 北京印刷学院 | 高光谱图像的超分辨率重建方法和装置 |
| CN114878508A (zh) * | 2022-05-07 | 2022-08-09 | 上海大学 | 一种基于高光谱成像土遗址文物表面含水量检测方法 |
| CN114998109A (zh) * | 2022-08-03 | 2022-09-02 | 湖南大学 | 基于双rgb图像融合的高光谱成像方法、***及介质 |
| US11461899B1 (en) * | 2021-10-29 | 2022-10-04 | Guangdong Polytechnic Normal University | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity |
| CN115728236A (zh) * | 2022-11-21 | 2023-03-03 | 山东大学 | 一种高光谱图像采集与处理***及其工作方法 |
| CN115753691A (zh) * | 2022-08-23 | 2023-03-07 | 合肥工业大学 | 一种基于rgb重建高光谱的水质参数检测方法 |
| CN115901644A (zh) * | 2022-12-14 | 2023-04-04 | 山东深蓝智谱数字科技有限公司 | 一种小麦条锈病光谱库建立方法 |
| CN116840233A (zh) * | 2023-05-31 | 2023-10-03 | 重庆中烟工业有限责任公司 | 条烟外观检测方法、装置、电子设备及存储介质 |
| CN116840110A (zh) * | 2023-06-15 | 2023-10-03 | 正大青春宝药业有限公司 | 基于高光谱成像技术的冠心宁质量检测方法及应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11663739B2 (en) * | 2021-03-11 | 2023-05-30 | Microsoft Technology Licensing, Llc | Fiducial marker based field calibration of a device |
-
2023
- 2023-11-17 CN CN202311531442.4A patent/CN117252875B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006270334A (ja) * | 2005-03-23 | 2006-10-05 | Olympus Corp | シェーディング補正方法および画像検査装置 |
| CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
| CN108090883A (zh) * | 2018-01-04 | 2018-05-29 | 中煤航测遥感集团有限公司 | 高光谱图像预处理方法、装置及电子设备 |
| CN111655129A (zh) * | 2018-02-02 | 2020-09-11 | 宝洁公司 | 高光谱成像***及其使用方法 |
| CN110441249A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 |
| CN113409193A (zh) * | 2021-06-18 | 2021-09-17 | 北京印刷学院 | 高光谱图像的超分辨率重建方法和装置 |
| US11461899B1 (en) * | 2021-10-29 | 2022-10-04 | Guangdong Polytechnic Normal University | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity |
| CN114878508A (zh) * | 2022-05-07 | 2022-08-09 | 上海大学 | 一种基于高光谱成像土遗址文物表面含水量检测方法 |
| CN114998109A (zh) * | 2022-08-03 | 2022-09-02 | 湖南大学 | 基于双rgb图像融合的高光谱成像方法、***及介质 |
| CN115753691A (zh) * | 2022-08-23 | 2023-03-07 | 合肥工业大学 | 一种基于rgb重建高光谱的水质参数检测方法 |
| CN115728236A (zh) * | 2022-11-21 | 2023-03-03 | 山东大学 | 一种高光谱图像采集与处理***及其工作方法 |
| CN115901644A (zh) * | 2022-12-14 | 2023-04-04 | 山东深蓝智谱数字科技有限公司 | 一种小麦条锈病光谱库建立方法 |
| CN116840233A (zh) * | 2023-05-31 | 2023-10-03 | 重庆中烟工业有限责任公司 | 条烟外观检测方法、装置、电子设备及存储介质 |
| CN116840110A (zh) * | 2023-06-15 | 2023-10-03 | 正大青春宝药业有限公司 | 基于高光谱成像技术的冠心宁质量检测方法及应用 |
Non-Patent Citations (3)
| Title |
|---|
| Impact of Atmospheric Correction on the Ship Detection Using Airborne Hyperspectral Image;Tae Byung Chun等;《IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》;2190-2192 * |
| 基于多变量光谱数据分析方法的乳腺癌血清拉曼光谱特征研究;张宝萍;《光谱学与光谱分析》;第42卷(第03期);426-434 * |
| 基于机器视觉哈密瓜外部品质与成熟度分析研究;胡光辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2015年卷(第05期);I138-1077 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252875A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117252875B (zh) | 基于高光谱图像的医疗图像处理方法、***、介质及设备 | |
| US7646905B2 (en) | Scoring estrogen and progesterone receptors expression based on image analysis | |
| AU2003236675B2 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
| JP6086949B2 (ja) | 色原体分離に基づく画像解析の方法 | |
| US9779503B2 (en) | Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data | |
| US9418414B2 (en) | Image measurement apparatus, image measurement method and image measurement system | |
| WO2013080868A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| AU2003236675A1 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
| JP2004151101A (ja) | 生物標本内の関心対象を識別するための方法及びシステム | |
| JP5833631B2 (ja) | 光学検査システム中の１つ以上の検査パラメータの１つ以上の範囲を設定する方法 | |
| JP6872566B2 (ja) | 細菌のグラムタイプを特定するためのプロセス及びシステム | |
| CN107862659A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
| JP5210571B2 (ja) | 画像処理装置、画像処理プログラムおよび画像処理方法 | |
| CN116509326A (zh) | 一种舌象多光谱图像生成方法、装置、设备及存储介质 | |
| EP3053514A1 (en) | Organ imaging apparatus | |
| Kibria et al. | Smartphone-based point-of-care urinalysis assessment | |
| JP2009025147A (ja) | 画像処理装置および画像処理プログラム | |
| US20220392071A1 (en) | Image processing apparatus and image-based test strip identification method | |
| CN117849043A (zh) | 一种尿液试纸分析装置及其检测方法 | |
| Long et al. | A Practical Dental Image Enhancement Network for Early Diagnosis of Oral Dental Disease | |
| JP2009074937A (ja) | 画像処理装置および画像処理プログラム | |
| CN115824982A (zh) | 一种光学poct颜色判读方法、***和装置 | |
| CN117969046A (zh) | Led光源缺陷类型检测方法、***和电子设备 | |
| CN115035286A (zh) | 图像处理方法、图像处理装置、终端及可读存储介质 | |
| CN113344841A (zh) | 一种免疫组化病理切片图片处理方法、***与可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |