[go: up one dir, main page]

CN117576097B - 基于ai辅助图像处理信息的内窥镜图像处理方法及系统 - Google Patents

基于ai辅助图像处理信息的内窥镜图像处理方法及系统 Download PDF

Info

Publication number
CN117576097B
CN117576097B CN202410058307.0A CN202410058307A CN117576097B CN 117576097 B CN117576097 B CN 117576097B CN 202410058307 A CN202410058307 A CN 202410058307A CN 117576097 B CN117576097 B CN 117576097B
Authority
CN
China
Prior art keywords
image
light intensity
reflected light
endoscope
value
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
Application number
CN202410058307.0A
Other languages
English (en)
Other versions
CN117576097A (zh
Inventor
唐永安
林文晶
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.)
Hualun Medical Supplies Shenzhen Co ltd
Original Assignee
Hualun Medical Supplies Shenzhen Co ltd
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 Hualun Medical Supplies Shenzhen Co ltd filed Critical Hualun Medical Supplies Shenzhen Co ltd
Priority to CN202410058307.0A priority Critical patent/CN117576097B/zh
Publication of CN117576097A publication Critical patent/CN117576097A/zh
Application granted granted Critical
Publication of CN117576097B publication Critical patent/CN117576097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了基于AI辅助图像处理信息的内窥镜图像处理方法及系统，涉及医疗图像领域，解决了现有的内窥镜需要通过根据实时获取的图像视频流对患病区域进行手动定位，存在着观察效率低下的问题，包括步骤S1：获取患者内窥镜图像数据，步骤S2：根据患者内窥镜图像数据获取检测点分级数据，步骤S3：根据检测点分级数据对检测点进行分析，得到异常检测点分级数据，步骤S4：根据异常检测点分级数据对反射光强度进行分析，得到患区标注图像，并将患区标注图像同步至内窥镜显示器，本发明通过在内窥镜图像对患病区域进行标注，提高了内窥镜的观察效率。

Description

基于AI辅助图像处理信息的内窥镜图像处理方法及系统
技术领域
本发明属于医疗图像领域，涉及图像处理技术，具体是基于AI辅助图像处理信息的内窥镜图像处理方法及系统。
背景技术
内窥镜是一种医疗设备，主要用于检查人体内部器官和组织，内窥镜通常有一个可弯曲的管状镜头和光源组成，内窥镜可以通过口腔、鼻腔、食道、胃部、肠部等自然孔洞或微小创口进入人体内部，从而观察患区并诊断病变，内窥镜可以帮助医生进行内窥检查、取样和治疗，是现代医疗领域中常用的重要工具之一；
在现有技术中，内窥镜在使用过程中，存在以下缺陷：
1、现有的内窥镜图像处理缺乏一种自动实时调节内窥镜焦距的方法，不能在内窥镜显示器中呈现最佳图像占比；
2、现有的内窥镜需要通过根据实时获取的图像视频流对患病区域进行手动定位，存在着观察效率低下的问题。
为此，我们提出基于AI辅助图像处理信息的内窥镜图像处理方法及系统。
发明内容
针对现有技术存在的不足，本发明的目的是提供基于AI辅助图像处理信息的内窥镜图像处理方法及系统，本发明基于通过内窥镜探头获取图像视频流，根据图像视频流获取目标组织图像占比并对目标组织图像占比进行调节，并通过图像分类模型得到患者内窥镜图像数据，根据患者内窥镜图像数据建立内窥镜灰度直方图，根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类，得到检测点分级数据，根据检测点分级数据获取异常监测点的反射光强度数值和正常反射光强度数值，通过异常监测点的反射光强度数值和正常反射光强度数值得到异常检测点反射光强度差值，对异常检测点反射光强度差值进行阈值判断，得到异常检测点分级数据，根据异常检测点分级数据获取处于第一异常区间的异常检测点数量值，获取反射光强度分散性系数，由异常检测点数量值和反射光强度分散性系数得到患区判断系数，根据患区判断系数和患者内窥镜图像对患病区域进行标注，得到患区标注图像，并将患区标注图像同步至内窥镜显示器。
本发明的目的可以通过以下技术方案实现，基于AI辅助图像处理信息的内窥镜图像处理方法具体包括以下步骤：
步骤S1：通过内窥镜探头获取图像视频流，根据图像视频流获取目标组织图像占比并对目标组织图像占比进行调节，使目标组织图像处于第一图像占比区间，建立图像分类模型，对图像视频流进行截取并进行清晰度划分，得到患者内窥镜图像数据；
步骤S2：根据患者内窥镜图像数据建立内窥镜灰度直方图，根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类，得到检测点分级数据；
步骤S3：获取检测点分级数据，向监测点发射光谱，并获取异常监测点的反射光强度数值和正常反射光强度数值，通过异常监测点的反射光强度数值和正常反射光强度数值得到异常检测点反射光强度差值，对异常检测点反射光强度差值进行阈值判断，得到异常检测点分级数据；
步骤S4：根据异常检测点分级数据获取处于第一异常区间的异常检测点数量值，获取反射光强度分散性系数，由异常检测点数量值和反射光强度分散性系数得到患区判断系数，根据患区判断系数和患者内窥镜图像对患病区域进行标注，得到患区标注图像，并将患区标注图像同步至内窥镜显示器。
进一步地，所述步骤S1：获取患者内窥镜图像数据，具体步骤如下：
步骤S11：将内窥镜探头缓慢插入患者体内待检查区域，并开启内窥镜的摄像功能，获取连续的图像视频流；
步骤S12：对图像视频流中目标组织进行标定，获取目标组织在内窥镜图像视频流中的占比，并将其标记为目标组织图像占比，对目标组织图像占比进行调节；
步骤S13：建立图像分类模型，对图像视频流进行逐帧截取，得到图像截取数据；
步骤S14：对图像截取数据进行清晰度划分，获取患者内窥镜图像数据；
步骤S15：使用Python编程语言结合OpenCV计算每一帧图像的Laplacian方差作为每一帧图像的清晰度得分；
步骤S16：设置清晰度得分阈值与清晰度得分进行数值比对，当清晰度得分大于清晰度得分阈值，则将此帧图像保存，若清晰度得分小于清晰度得分阈值，则将此帧图像删除；
步骤S17：将图像分类模型的图像定义为患者内窥镜图像数据。
进一步地，所述步骤S12：对目标组织图像占比进行调节，具体步骤如下：
步骤S121：根据图像视频流确定目标组织，使用AI图像模型获取目标组织的HSV值区间，并将其标记为样本HSV值区间；
步骤S122：通过图像显示器将内窥镜图像视频流细化为i个图像单位，i为图像单位总数，通过HSB色彩模型实时获取每一个图像单位的HSV值，当HSV值处于样本HSV值区间内，判断此图像单位为目标组织图像单位；
步骤S123：对目标组织图像区域所占据的图像单位进行数量统计，并将其标记为目标图像单位数，将目标图像单位数与图像单位总数的比值作为目标组织图像占比；
步骤S124：获取第一标定图像占比和第二标定图像占比，分别将第一标定图像占比、第二标定图像占比与目标组织图像占比进行数值比对；
步骤S125：当目标组织图像占比大于等于第一标定图像占比小于等于第二标定图像占比，判断目标组织图像占比为第一图像占比区间；
步骤S126：当目标组织图像占比小于第一标定图像占比，判断为第一图像占比区间，此时自动调节内窥镜焦距，增大目标组织图像占比，直至目标组织图像处于第一图像占比区间；
步骤S127：当目标组织图像占比大于第二标定图像占比，判断为第三图像占比区间，时自动调节内窥镜焦距，降低目标组织图像占比，直至目标组织图像处于第一图像占比区间。
进一步地，所述步骤S2：获取检测点分级数据，具体步骤如下：
步骤S21：根据患者内窥镜图像数据建立内窥镜灰度直方图，具体步骤如下：
步骤S211：获取患者内窥镜图像数据；
步骤S212：使用绘图软件分别获取患者内窥镜图像数据的RGB强度数值，并将其拆分为红色强度数值、绿色强度数值和蓝色强度数值；
步骤S213：通过计算将患者内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值转化为灰色强度数值；
步骤S214：通过绘图软件将内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值设置为灰色强度数值，得到灰度化患者内窥镜图像数据；
步骤S215：初始化一个长度为256的数组，并将其标记为pixel_counts，对灰度化患者内窥镜图像数据中每个灰度级别的像素数进行记录，每一个数组长度对应一个灰度级别（0-255）；
步骤S216：遍历灰度化患者内窥镜图像数据中的每一个像素，对像素对应的灰度级别进行读取，每读取到一个灰度级别，在pixel_counts中对应的灰度级别中增加计数，获取灰度化患者内窥镜图像数据中每个灰度级别的像素计数，将灰度级作为横坐标，灰度级对应的像素数作为纵坐标，建立灰度直方图，并将其标记为内窥镜灰度直方图；
步骤S22：根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类。
进一步地，所述步骤S22：对异常检测点进行分类，具体步骤如下：
步骤S221：在内窥镜灰度直方图设定第一特征像素点数量阈值线和第二特征像素点数量阈值线，将高于第一特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第一高度区间，将低于第二特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第二高度区间，将第一特征像素点数量阈值线和第二特征像素点数量阈值线之间的灰度直方柱对应的灰度级别标记为第三高度区间；
步骤S222：将第一高度区间和第二高度区间对应的灰度级别判断为异常灰度级别，将第三高度区间对应的灰度级别判断为正常灰度级别；
步骤S223：在患者内窥镜图像数据中将异常灰度级别对应的像素点标记为异常检测点；
步骤S224：在患者内窥镜图像数据中将正常灰度级别对应的像素点标记为正常检测点；
步骤S225：将根据灰度级别对检测点的判断结果定义为检测点分级数据。
进一步地，所述步骤S3：获取异常检测点分级数据，具体步骤如下：
步骤S31：通过光谱传感器获取每一个异常监测点的反射光强度数值和正常反射光强度数值，具体步骤如下：
步骤S311：通过光谱发射端向检测点发射光谱，通过光谱接收端获取光谱经异常检测点反射光谱，利用检测端获取反射光谱的反射光强度数值，重复此操作，获取每一个异常检测点的反射光强度数值；
步骤S312：通过光谱发射端向正常检测点发射光谱，通过光谱接收端获取光谱经正常检测点的反射光谱，通过检测端获取反射光谱的反射光强度数值，重复上述过程，分别获取j个经正常检测点的反射光强度数值，计算j个经正常检测点的反射光强度数值的平均数，将其标记为正常反射光强度数值；
步骤S313：随机选取一个异常监测点的反射光强度数值，并将其标记为第一反射光强度数值，将第一反射光强度数值和正常反射光强度数值通过计算得到异常检测点反射光强度差值；
步骤S314：重复步骤S313：计算每一个异常监测点的反射光强度差值；
步骤S315：根据异常检测点的反射光强度差值对异常检测点进行分级，获取异常检测点分级数据。
进一步地，所述步骤S315：获取异常检测点分级数据，具体步骤如下：
步骤S3151：获取反射光强度差值阈值，将反射光强度差值与反射光强度差值阈值进行数值比对；
步骤S3152：当反射光强度差值大于等于反射光强度差值阈值，判断为第一异常区间；
步骤S3153：当反射光强度差值小于反射光强度差值阈值，判断为第二异常区间；
步骤S3154：将第一异常区间和第二异常区间分别对应的异常检测点定义为异常检测点分级数据；
步骤S3155：将第一异常区间对应的异常检测点标记为患区检测点，第二异常区间对应的异常检测点标记为常规检测点。
进一步地，所述步骤S4：根据异常检测点分级数据对反射光强度进行分析，获取患区图像数据，具体步骤如下：
步骤S41：获取第二异常区间对应的异常检测点对应的反射光强度平均值，并将标记为反射光强度正常值；
步骤S42：获取第一内窥镜图像样本的反射光强度分散性系数；
步骤S43：统计第一内窥镜图像样本中，处于第一异常区间的异常检测点数量值；
步骤S44：将反射光强度分散性系数和异常检测点数量值通过计算得到第一内窥镜图像样本对应的患区判断系数；
步骤S45：获取患区判断系数阈值，将第一内窥镜图像样本对应的患区判断系数与患区判断系数阈值进行数值比对，得到第一内窥镜图像样本对应的患区判断数据，具体步骤如下：
步骤S451：当患区判断系数大于等于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为患病区域；
步骤S452：当患区判断系数小于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为正常区域；
步骤S46：重复步骤S42-步骤S45，分别对第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本进行患区分析，得到内窥镜图像样本对应的患区判断数据；
步骤S47：获取患者内窥镜图像，使用AI辅助图像处理工具将患区图像对患者内窥镜图像数据进行图层覆盖，并在覆盖的图层上方对患区图像进行标注，将标注后的患者内窥镜图像定义为患区标注图像，将患区标注图像同步至内窥镜显示器。
进一步地，所述步骤S42：对第一内窥镜图像样本的反射光强度分散性系数进行获取，具体步骤如下：
步骤S421：获取灰度化患者内窥镜图像，将灰度化患者内窥镜图像分割为m个单位面积的灰度化内窥镜图像样本，分别标记为第一内窥镜图像样本、第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本；
步骤S422：统计第一内窥镜图像样本中每一个像素点对应的反射光强度差值，并将其分别标记为第一反射光强度差值、第二反射光强度差值、第三反射光强度差值……第n反射光强度差值；
步骤S423：将反射光强度正常差值、第一反射光强度差值、第二反射光强度差值……第n反射光强度差值通过计算得到第一内窥镜图像样本的反射光强度分散性系数。
基于AI辅助图像处理信息的内窥镜图像处理系统，所述图像处理系统包括图像获取模块、异常检测模块、反射光模块和患区检测模块以及服务器，具体如下：
图像获取模块：获取患者内窥镜图像数据；
异常检测模块：根据患者内窥镜图像数据获取检测点分级数据；
反射光模块：根据检测点分级数据对检测点进行分析，得到异常检测点分级数据；
患区检测模块：根据异常检测点分级数据对反射光强度进行分析，得到患区标注图像，并将患区标注图像同步至内窥镜显示器。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明通过图像分类模型对患者内窥镜图像数据进行评分，对评分高的图像进行保存并进行图像分析，保证了内窥镜图像数据来源的高品质；
2、本发明通过自动实时调节内窥镜焦距的方法，实现在内窥镜显示器中呈现目标组织的最佳图像占比；
3、本发明通过对患者内窥镜图像进行分析灰度化分析来获取异常检测点，并通过获取异常检测点的反射光强度来对异常监测点进行进一步分析，得到患区图像，并在内窥镜图像对患区图像进行标注，能够直接对内窥镜图像中的患病区域进行标注。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的实施步骤图；
图2为本发明的整体系统框图；
图3为本发明的内窥镜灰度直方图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1和图2，本发明提供一种技术方案：基于AI辅助图像处理信息的内窥镜图像处理系统，包括图像获取模块、异常检测模块、反射光模块和患区标记模块，图像获取模块、异常检测模块、反射光模块和患区标记模块分别与服务器相连；
图像获取模块获取患者内窥镜图像数据；
图像获取模块包括内窥镜探头；
将内窥镜探头缓慢插入患者体内待检查区域，并开启内窥镜的摄像功能，获取连续的图像视频流；
对图像视频流中目标组织进行标定，获取目标组织在内窥镜图像视频流中的占比，并将其标记为目标组织图像占比，对目标组织图像占比进行调节；
对目标组织图像占比进行调节，具体如下：
获取患者使用内窥镜观察的目标组织，使用AI图像模型获取对应目标组织的HSV值区间，并将其标记为样本HSV值区间；
通过图像显示器将内窥镜图像视频流细化为i个图像单位，i为图像单位总数，通过HSB色彩模型实时获取每一个图像单位的HSV值，当HSV值处于样本HSV值区间内，判断此图像单位为目标组织图像单位；
对目标组织图像区域所占据的图像单位进行数量统计，并将其标记为目标图像单位数，将目标图像单位数与图像单位总数的比值作为目标组织图像占比；
此处需要说明的是：此处涉及的HSV值区间包括色调值区间、饱和度区间以及明度区间三个具体指标，当图像单位的色调值区间、饱和度区间以及明度区间均在对应区间内，才能判断此图像单位为目标组织图像单位；
获取第一标定图像占比和第二标定图像占比，分别将第一标定图像占比、第二标定图像占比与目标组织图像占比进行数值比对；
当目标组织图像占比大于等于第一标定图像占比小于等于第二标定图像占比，判断目标组织图像占比为第一图像占比区间；
当目标组织图像占比小于第一标定图像占比，判断为第一图像占比区间，此时自动调节内窥镜焦距，增大目标组织图像占比，直至目标组织图像处于第一图像占比区间；
当目标组织图像占比大于第二标定图像占比，判断为第三图像占比区间，时自动调节内窥镜焦距，降低目标组织图像占比，直至目标组织图像处于第一图像占比区间；
此处需要说明的是：
具体的标定图像占比因观察的目标组织不同存在着差异，以胃镜检查为例，设定第一标定图像占比为50%，第二标定图像占比为75%；
本实施例中涉及的目标组织为医生在进行内窥镜检查时想要观察、诊断或治疗的具体组织；
建立图像分类模型，对图像视频流进行逐帧截取，得到图像截取数据；
对图像截取数据进行清晰度划分，得到患者内窥镜图像数据；
使用Python编程语言结合OpenCV计算每一帧图像的Laplacian方差作为每一帧图像的清晰度得分；
设置清晰度得分阈值与清晰度得分进行数值比对，当清晰度得分大于清晰度得分阈值，则将此帧图像保存，若清晰度得分小于清晰度得分阈值，则将此帧图像删除；
将图像分类模型的图像定义为患者内窥镜图像数据；
图像分类模型的具体代码实现过程如下：
pip install opencv-python
import cv2
# 载入视频；
video_path = 'path_to_your_endoscopy_video.mp4'
cap = cv2.VideoCapture(video_path)
# 确保视频文件可以被打开；
if not cap.isOpened():
print("Error: Could not open video.")
exit()
while True:
ret, frame = cap.read() # 读取一帧；
if not ret:
break # 视频结束；
# 转为灰度图；
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 计算清晰度得分，例如使用Laplacian方差；
fm = cv2.Laplacian(gray, cv2.CV_64F).var()
# 显示清晰度得分；
cv2.putText(frame, f'Focus Measure: {fm:.2f}', (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2,cv2.LINE_AA)
# 显示图像；
cv2.imshow('Frame', frame)
# 按'q'退出；
if cv2.waitKey(1)&0xFF == ord('q'):
Break
focus_threshold = 100 # 设置清晰度得分阈值；
while True:
# ...
if fm>focus_threshold:
# 如果清晰度得分超过清晰度得分阈值，则保存图像；
cv2.imwrite(f'clear_frame_{timestamp}.png', frame) #timestamp用于确保文件名唯一；
此处需要说明的是：OpenCV是一个跨平台、开源的计算机视觉和图像处理库，它提供了丰富的函数和工具，能够快速且高效地处理图像和视频数据；
Laplacian方差指的是使用Laplacian算子计算图像的梯度，并计算这些梯度值的方差，可以通过计算Laplacian梯度的方差来估计图像的清晰度或边缘锐利度；
异常检测模块根据患者内窥镜图像数据获取检测点分级数据；
异常检测模块包括灰度图单元和患区定位单元；
灰度图单元根据患者内窥镜图像数据建立内窥镜灰度直方图；
获取患者内窥镜图像数据；
使用绘图软件分别获取患者内窥镜图像数据的RGB强度数值，并将其拆分为红色强度数值、绿色强度数值和蓝色强度数值；
通过灰度值计算公式将患者内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值转化为灰色强度数值；
所述灰度值计算公式具体配置参考为：；
其中，Y为灰色强度数值、R为红色强度数值、G为绿色强度数值、B为蓝色强度数值；
通过绘图软件将内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值设置为灰色强度数值，得到灰度化患者内窥镜图像数据；
初始化一个长度为256的数组，并将其标记为pixel_counts，对灰度化患者内窥镜图像数据中每个灰度级别的像素数进行记录，每一个数组长度对应一个灰度级别（0-255）；
遍历灰度化患者内窥镜图像数据中的每一个像素，对像素对应的灰度级别进行读取，每读取到一个灰度级别，在pixel_counts中对应的灰度级别中增加计数，获取灰度化患者内窥镜图像数据中每个灰度级别的像素计数，将灰度级作为横坐标，灰度级对应的像素数作为纵坐标，建立灰度直方图，并将其标记为内窥镜灰度直方图，请参阅图3；
其中，统计每一个灰度级别对应像素数的具体代码实现过程如下：
pixel_counts = [0] * 256 # 创建一个256长的列表，初始值为0
for pixel in image:
gray_value = pixel # 假设pixel就是灰度值
pixel_counts[gray_value] += 1
for i in range(image_height):
for j in range(image_width):
gray_value = image[i][j] # 获取像素的灰度值
pixel_counts[gray_value] += 1
此处需要说明的是：此处涉及的绘图软件具体限定为Adobe Photoshop；
患区定位单元根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类，具体如下：
在内窥镜灰度直方图设定第一特征像素点数量阈值线和第二特征像素点数量阈值线，将高于第一特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第一高度区间，将低于第二特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第二高度区间，将第一特征像素点数量阈值线和第二特征像素点数量阈值线之间的灰度直方柱对应的灰度级别标记为第三高度区间；
将第一高度区间和第二高度区间对应的灰度级别判断为异常灰度级别；
将第三高度区间对应的灰度级别判断为正常灰度级别；
其中，第一特征像素点数量阈值线和第二特征像素点数量阈值线对应的像素点数量均大于0且第一特征像素点数量阈值线高于第二特征像素点数量阈值线；
在患者内窥镜图像数据中将异常灰度级别对应的像素点标记为异常检测点；
在患者内窥镜图像数据中将正常灰度级别对应的像素点标记为正常检测点；
将根据灰度级别对检测点的判断结果定义为检测点分级数据；
反射光模块根据检测点分级数据对检测点进行分析，得到异常检测点分级数据；
反射光模块包括光谱传感器，光谱传感器包括光谱发射端、光谱接收端和检测端；
通过光谱传感器获取每一个异常监测点的反射光强度数值和正常反射光强度数值；
其中，对检测点的反射光强度数值进行获取，具体如下：
通过光谱发射端向检测点发射光谱，通过光谱接收端获取光谱经异常检测点反射光谱，通过检测端获取反射光谱的反射光强度数值，获取每一个异常检测点的反射光强度数值；
通过光谱发射端向正常检测点发射光谱，通过光谱接收端获取光谱经正常检测点的反射光谱，通过检测端获取反射光谱的反射光强度数值，重复上述过程，分别获取j个经正常检测点的反射光强度数值，计算j个经正常检测点的反射光强度数值的平均数，将其标记为正常反射光强度数值；
随机选取一个异常监测点的反射光强度数值，并将其标记为第一反射光强度数值，将第一反射光强度数值和正常反射光强度数值通过反射光强度差值计算公式计算得到异常检测点反射光强度差值；
反射光强度差值计算公式具体配置为：；
其中，Fs为异常检测点反射光强度差值，Fsg1为第一反射光强度数值，Fsg2为正常反射光强度数值；
重复上述过程，计算每一个异常监测点的反射光强度差值；
此处需要说明的是：光谱传感器能够因患者的临床病症不同会存在着光谱波段和光谱颜色的差异，例如，针对血管扩张的患者，选择的光谱波段较短，针对炎症患者，选择的光谱波段较长；
根据异常检测点的反射光强度差值对异常检测点进行分级，获取异常检测点分级数据，具体如下：
获取反射光强度差值阈值，将反射光强度差值与反射光强度差值阈值进行数值比对；
当反射光强度差值大于等于反射光强度差值阈值，判断为第一异常区间；
当反射光强度差值小于反射光强度差值阈值，判断为第二异常区间；
将第一异常区间和第二异常区间分别对应的异常检测点定义为异常检测点分级数据；
其中，第一异常区间对应的异常检测点为患区检测点，第二异常区间对应的异常检测点为常规检测点；
此处需要说明的是：
本实施例中涉及的反射光强度差值阈值为基于对比经过正常监测点的反射光强度数值与经过正常监测点的反射光强度数值的差值，此处具体设定为12.5单位；
假设患者患有胃溃疡，此时反射光强度差值阈值表示为正常组织和异常组织的反射光强度数值的差值，此处具体设定为12.5单位；
具体的，使用波长为650纳米的光谱照射异常检测点，第一反射光强度数值为70单位，正常反射光强度数值为85单位，计算得到异常检测点反射光强度差值为15单位，当设定的反射光强度差值阈值为12.5单位，由于15大于12.5，所以此异常监测点处于第一异常区间，此处涉及的单位用于表示反射光强度的抽象值；
反射光模块对异常检测点分级数据进行获取，并输送至患区检测模块；
患区检测模块根据异常检测点分级数据对反射光强度进行分析，得到患区标注图像，并将患区标注图像同步至内窥镜显示器；
获取第二异常区间对应的异常检测点对应的反射光强度平均值，并标记为反射光强度正常值；
获取灰度化患者内窥镜图像，将灰度化患者内窥镜图像分割为m个单位面积的灰度化内窥镜图像样本，分别标记为第一内窥镜图像样本、第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本；
统计第一内窥镜图像样本中每一个像素点对应的反射光强度差值，并将其分别标记为第一反射光强度差值、第二反射光强度差值、第三反射光强度差值……第n反射光强度差值；
将反射光强度正常差值、第一反射光强度差值、第二反射光强度差值……第n反射光强度差值通过反射光强度分散性系数计算公式计算得到第一内窥镜图像样本的反射光强度分散性系数；
反射光强度分散性系数具体配置为：
；
其中，Fsx为反射光强度分散性系数，Fs1为第一反射光强度差值，Fs2为第二反射光强度差值，Fsn为第n反射光强度差值，Fsz为反射光强度正常差值；
统计第一内窥镜图像样本中，处于第一异常区间的异常检测点数量值；
将异常检测点数量值和反射光强度分散性系数通过患区判断系数计算公式计算得到第一内窥镜图像样本对应的患区判断系数；
患区判断系数计算公式具体配置为：；
其中，Hp为患区判断系数，Fsx为反射光强度分散性系数，Yjs为异常检测点数量值，a1为设定的比例系数且a1大于0；
此处需要说明的是：反射光强度分散性系数越大，意味着反射光在多个角度上分布得更加均匀，从这个角度来看，对应的表面相对更加粗糙，同理，在患者体内，反射光越分散，对应的患者体内该位置表面纹理复杂或有凹凸不平的特征；
获取患区判断系数阈值，将第一内窥镜图像样本对应的患区判断系数与患区判断系数阈值进行数值比对，得到第一内窥镜图像样本对应的患区判断数据；
对第一内窥镜图像样本对应的患区判断系数进行阈值判断，具体如下：
当患区判断系数大于等于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为患病区域；
当患区判断系数小于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为正常区域；
此处需要说明的是：
患区判断系数阈值是一个预设的数值，用于根据反射光强度分散性系数和异常检测点数量值来确定内窥镜图像中的患病区域，此处设定患区判断系数阈值设定为2.1；
当第一内窥镜图像样本对应的反射光强度分散性系数为11单位，当第一内窥镜图像样本对应的异常检测点数量值为20000，比例系数a1设为0.000011，患区判断系数阈值设定为2.42，由于2.42大于2.1，判断第一内窥镜图像样本为患病区域；
重复上述过程，重复上述过程，分别对第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本进行患区分析，得到内窥镜图像样本对应的患区判断数据；
将内窥镜图像样本中的患病区域进行综合，得到患区图像；
获取患者内窥镜图像，使用AI辅助图像处理工具将患区图像对患者内窥镜图像数据进行图层覆盖，并在覆盖的图层上方对患区图像进行标注，将标注后的患者内窥镜图像定义为患区标注图像，将患区标注图像同步至内窥镜显示器；
此处需要说明的是：此处涉及的AI辅助图像处理工具为OpenCV；
在本申请中，若出现相应的计算公式，则上述计算公式均是去量纲取其数值计算，公式中存在的权重系数、比例系数等系数，其设置的大小是为了将各个参数进行量化得到的一个结果值，关于权重系数和比例系数的大小，只要不影响参数与结果值的比例关系即可。
实施例二
基于同一发明的又一构思，现提出基于AI辅助图像处理信息的内窥镜图像处理方法，请参阅图1，包括如下步骤：
步骤S1：获取患者内窥镜图像数据；
步骤S11：将内窥镜探头缓慢插入患者体内待检查区域，并开启内窥镜的摄像功能，获取连续的图像视频流；
步骤S12：对图像视频流中目标组织进行标定，获取目标组织在内窥镜图像视频流中的占比，并将其标记为目标组织图像占比，对目标组织图像占比进行调节；
步骤S121：根据图像视频流确定目标组织，使用AI图像模型获取目标组织的HSV值区间，并将其标记为样本HSV值区间；
步骤S122：通过图像显示器将内窥镜图像视频流细化为i个图像单位，i为图像单位总数，通过HSB色彩模型实时获取每一个图像单位的HSV值，当HSV值处于样本HSV值区间内，判断此图像单位为目标组织图像单位；
步骤S123：对目标组织图像区域所占据的图像单位进行数量统计，并将其标记为目标图像单位数，将目标图像单位数与图像单位总数的比值作为目标组织图像占比；
步骤S124：获取第一标定图像占比和第二标定图像占比，分别将第一标定图像占比、第二标定图像占比与目标组织图像占比进行数值比对；
步骤S125：当目标组织图像占比大于等于第一标定图像占比小于等于第二标定图像占比，判断目标组织图像占比为第一图像占比区间；
步骤S126：当目标组织图像占比小于第一标定图像占比，判断为第一图像占比区间，此时自动调节内窥镜焦距，增大目标组织图像占比，直至目标组织图像处于第一图像占比区间；
步骤S127：当目标组织图像占比大于第二标定图像占比，判断为第三图像占比区间，时自动调节内窥镜焦距，降低目标组织图像占比，直至目标组织图像处于第一图像占比区间；
步骤S13：建立图像分类模型，对图像视频流进行逐帧截取，得到图像截取数据；
步骤S14：对图像截取数据进行清晰度划分，得到患者内窥镜图像数据；
步骤S15：使用Python编程语言结合OpenCV计算每一帧图像的Laplacian方差作为每一帧图像的清晰度得分；
步骤S16：设置清晰度得分阈值与清晰度得分进行数值比对，当清晰度得分大于清晰度得分阈值，则将此帧图像保存，若清晰度得分小于清晰度得分阈值，则将此帧图像删除；
步骤S17：将图像分类模型的图像定义为患者内窥镜图像数据；
步骤S2：根据患者内窥镜图像数据获取检测点分级数据；
步骤S21：根据患者内窥镜图像数据建立内窥镜灰度直方图，具体步骤如下：
步骤S211：获取患者内窥镜图像数据；
步骤S212：使用绘图软件分别获取患者内窥镜图像数据的RGB强度数值，并将其拆分为红色强度数值、绿色强度数值和蓝色强度数值；
步骤S213：通过计算将患者内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值转化为灰色强度数值；
步骤S214：通过绘图软件将内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值设置为灰色强度数值，得到灰度化患者内窥镜图像数据；
步骤S215：初始化一个长度为256的数组，并将其标记为pixel_counts，对灰度化患者内窥镜图像数据中每个灰度级别的像素数进行记录，每一个数组长度对应一个灰度级别（0-255）；
步骤S216：遍历灰度化患者内窥镜图像数据中的每一个像素，对像素对应的灰度级别进行读取，每读取到一个灰度级别，在pixel_counts中对应的灰度级别中增加计数，获取灰度化患者内窥镜图像数据中每个灰度级别的像素计数，将灰度级作为横坐标，灰度级对应的像素数作为纵坐标，建立灰度直方图，并将其标记为内窥镜灰度直方图，请参阅图3；
步骤S22：根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类，具体步骤如下：
步骤S221：在内窥镜灰度直方图设定第一特征像素点数量阈值线和第二特征像素点数量阈值线，将高于第一特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第一高度区间，将低于第二特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第二高度区间，将第一特征像素点数量阈值线和第二特征像素点数量阈值线之间的灰度直方柱对应的灰度级别标记为第三高度区间；
步骤S222：将第一高度区间和第二高度区间对应的灰度级别判断为异常灰度级别，将第三高度区间对应的灰度级别判断为正常灰度级别；
步骤S223：在患者内窥镜图像数据中将异常灰度级别对应的像素点标记为异常检测点；
步骤S224：在患者内窥镜图像数据中将正常灰度级别对应的像素点标记为正常检测点；
步骤S225：将根据灰度级别对检测点的判断结果定义为检测点分级数据；
步骤S3：对内窥镜图像进行分析，得到异常检测点分级数据；
步骤S31：通过光谱传感器获取每一个异常监测点的反射光强度数值和正常反射光强度数值，具体步骤如下：
步骤S311：通过光谱发射端向检测点发射光谱，通过光谱接收端获取光谱经异常检测点反射光谱，通过检测端获取反射光谱的反射光强度数值，获取每一个异常检测点的反射光强度数值；
步骤S312：通过光谱发射端向正常检测点发射光谱，通过光谱接收端获取光谱经正常检测点的反射光谱，通过检测端获取反射光谱的反射光强度数值，重复上述过程，分别获取j个经正常检测点的反射光强度数值，计算j个经正常检测点的反射光强度数值的平均数，将其标记为正常反射光强度数值；
步骤S313：随机选取一个异常监测点的反射光强度数值，并将其标记为第一反射光强度数值，将第一反射光强度数值和正常反射光强度数值通过计算得到异常检测点反射光强度差值；
步骤S314：重复步骤S313：计算每一个异常监测点的反射光强度差值；
步骤S315：根据异常检测点的反射光强度差值对异常检测点进行分级，获取异常检测点分级数据，具体步骤如下：
步骤S3151：获取反射光强度差值阈值，将反射光强度差值与反射光强度差值阈值进行数值比对；
步骤S3152：当反射光强度差值大于等于反射光强度差值阈值，判断为第一异常区间；
步骤S3153：当反射光强度差值小于反射光强度差值阈值，判断为第二异常区间；
步骤S3154：将第一异常区间和第二异常区间分别对应的异常检测点定义为异常检测点分级数据；
步骤S3155：将第一异常区间对应的异常检测点标记为患区检测点，第二异常区间对应的异常检测点标记为常规检测点；
步骤S4：根据异常检测点分级数据对反射光强度进行分析，得到患区标注图像，并将患区标注图像同步至内窥镜显示器。
步骤S41：获取第二异常区间对应的异常检测点对应的反射光强度平均值，并将标记为反射光强度正常值；
步骤S42：获取第一内窥镜图像样本的反射光强度分散性系数，具体步骤如下：
步骤S421：获取灰度化患者内窥镜图像，将灰度化患者内窥镜图像分割为m个单位面积的灰度化内窥镜图像样本，分别标记为第一内窥镜图像样本、第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本；
步骤S422：统计第一内窥镜图像样本中每一个像素点对应的反射光强度差值，并将其分别标记为第一反射光强度差值、第二反射光强度差值、第三反射光强度差值……第n反射光强度差值；
步骤S423：将反射光强度正常差值、第一反射光强度差值、第二反射光强度差值……第n反射光强度差值通过计算得到第一内窥镜图像样本的反射光强度分散性系数；
步骤S43：统计第一内窥镜图像样本中，处于第一异常区间的异常检测点数量值；
步骤S44：将反射光强度分散性系数和异常检测点数量值通过计算得到第一内窥镜图像样本对应的患区判断系数；
步骤S45：获取患区判断系数阈值，将第一内窥镜图像样本对应的患区判断系数与患区判断系数阈值进行数值比对，得到第一内窥镜图像样本对应的患区判断数据，具体步骤如下：
步骤S451：当患区判断系数大于等于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为患病区域；
步骤S452：当患区判断系数小于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为正常区域；
步骤S46：重复上述过程，重复上述过程，分别对第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本进行患区分析，得到内窥镜图像样本对应的患区判断数据；
步骤S47：获取患者内窥镜图像，使用AI辅助图像处理工具将患区图像对患者内窥镜图像数据进行图层覆盖，并在覆盖的图层上方对患区图像进行标注，将标注后的患者内窥镜图像定义为患区标注图像，将患区标注图像同步至内窥镜显示器。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (9)

1.基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，包括：
步骤S1：通过内窥镜探头获取图像视频流，对图像视频流中的目标组织进行标定，获取目标组织在内窥镜图像视频流中的占比，并将其标记为目标组织图像占比，并对目标组织图像占比进行调节，建立图像分类模型，对图像视频流进行截取并进行清晰度划分，得到患者内窥镜图像数据；
对目标组织图像占比进行调节，其中，具体步骤如下：
步骤S121：根据图像视频流确定目标组织，使用AI图像模型获取目标组织的HSV值区间，并将其标记为样本HSV值区间；
步骤S122：通过图像显示器将内窥镜图像视频流细化为i个图像单位，通过HSB色彩模型实时获取每一个图像单位的HSV值，当HSV值处于样本HSV值区间内，判断此图像单位为目标组织图像单位；
步骤S123：对目标组织图像区域所占据的图像单位进行数量统计，并将其标记为目标图像单位数，将目标图像单位数与图像单位总数的比值作为目标组织图像占比；
步骤S124：获取第一标定图像占比和第二标定图像占比，分别将第一标定图像占比、第二标定图像占比与目标组织图像占比进行数值比对；
步骤S125：当目标组织图像占比大于等于第一标定图像占比且小于等于第二标定图像占比，判断目标组织图像占比为第一图像占比区间；
步骤S126：当目标组织图像占比小于第一标定图像占比，判断为第二图像占比区间，此时自动调节内窥镜焦距，增大目标组织图像占比，直至目标组织图像占比处于第一图像占比区间；
步骤S127：当目标组织图像占比大于第二标定图像占比，判断为第三图像占比区间，此时自动调节内窥镜焦距，降低目标组织图像占比，直至目标组织图像占比处于第一图像占比区间；
步骤S2：根据患者内窥镜图像数据建立内窥镜灰度直方图，根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类，得到检测点分级数据；
步骤S3：获取检测点分级数据，向监测点发射光谱，并获取异常监测点的反射光强度数值和正常反射光强度数值，通过异常监测点的反射光强度数值和正常反射光强度数值得到异常检测点反射光强度差值，对异常检测点反射光强度差值进行阈值判断，得到异常检测点分级数据；
步骤S4：根据异常检测点分级数据获取反射光强度分散性系数，由异常检测点数量值和反射光强度分散性系数得到患区判断系数，根据患区判断系数和患者内窥镜图像对患病区域进行标注，得到患区标注图像，并将患区标注图像同步至内窥镜显示器。
2.根据权利要求1所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S1：获取患者内窥镜图像数据，具体步骤如下：
步骤S11：将内窥镜探头缓慢插入患者体内待检查区域，并开启内窥镜的摄像功能，获取连续的图像视频流；
步骤S12：对目标组织图像占比进行调节；
步骤S13：建立图像分类模型，对图像视频流进行逐帧截取，得到图像截取数据；
步骤S14：对图像截取数据进行清晰度划分，获取患者内窥镜图像数据；
步骤S15：使用Python编程语言结合OpenCV计算每一帧图像的Laplacian方差作为每一帧图像的清晰度得分；
步骤S16：设置清晰度得分阈值与清晰度得分进行数值比对，当清晰度得分大于清晰度得分阈值，则将此帧图像保存，若清晰度得分小于清晰度得分阈值，则将此帧图像删除；
步骤S17：将图像分类模型的图像定义为患者内窥镜图像数据。
3.根据权利要求1所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S2：获取检测点分级数据，具体步骤如下：
步骤S21：根据患者内窥镜图像数据建立内窥镜灰度直方图；
步骤S22：根据内窥镜灰度直方图和患者内窥镜图像数据进行异常检测点分类；
建立内窥镜灰度直方图，具体步骤如下：
步骤S211：获取患者内窥镜图像数据；
步骤S212：使用绘图软件分别获取患者内窥镜图像数据的RGB强度数值，并将其拆分为红色强度数值、绿色强度数值和蓝色强度数值；
步骤S213：通过计算将患者内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值转化为灰色强度数值；
步骤S214：通过绘图软件将内窥镜图像数据的红色强度数值、绿色强度数值和蓝色强度数值设置为灰色强度数值，得到灰度化患者内窥镜图像数据；
步骤S215：初始化一个长度为256的数组，并将其标记为pixel_counts，对灰度化患者内窥镜图像数据中每个灰度级别的像素数进行记录，每一个数组长度对应一个灰度级别（0-255）；
步骤S216：遍历灰度化患者内窥镜图像数据中的每一个像素，对像素对应的灰度级别进行读取，每读取到一个灰度级别，在pixel_counts中对应的灰度级别中增加计数，获取灰度化患者内窥镜图像数据中每个灰度级别的像素计数，将灰度级作为横坐标，灰度级对应的像素数作为纵坐标，建立灰度直方图，并将其标记为内窥镜灰度直方图。
4.根据权利要求3所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S22：对异常检测点进行分类，具体步骤如下：
步骤S221：在内窥镜灰度直方图设定第一特征像素点数量阈值线和第二特征像素点数量阈值线，将高于第一特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第一高度区间，将低于第二特征像素点数量阈值线的灰度直方柱对应的灰度级别标记为第二高度区间，将第一特征像素点数量阈值线和第二特征像素点数量阈值线之间的灰度直方柱对应的灰度级别标记为第三高度区间；
步骤S222：将第一高度区间和第二高度区间对应的灰度级别判断为异常灰度级别，将第三高度区间对应的灰度级别判断为正常灰度级别；
步骤S223：在患者内窥镜图像数据中将异常灰度级别对应的像素点标记为异常检测点；
步骤S224：在患者内窥镜图像数据中将正常灰度级别对应的像素点标记为正常检测点；
步骤S225：将根据灰度级别对检测点的判断结果定义为检测点分级数据。
5.根据权利要求1所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S3：获取异常检测点分级数据，具体步骤如下：
步骤S31：通过光谱传感器获取每一个异常监测点的反射光强度数值和正常反射光强度数值；
获取反射光强度数值和正常反射光强度数值，具体步骤如下：
步骤S311：通过光谱发射端向检测点发射光谱，通过光谱接收端获取光谱经异常检测点反射光谱，利用检测端获取反射光谱的反射光强度数值，重复此操作，获取每一个异常检测点的反射光强度数值；
步骤S312：通过光谱发射端向正常检测点发射光谱，通过光谱接收端获取光谱经正常检测点的反射光谱，通过检测端获取反射光谱的反射光强度数值，重复此操作，分别获取j个经正常检测点的反射光强度数值，计算j个经正常检测点的反射光强度数值的平均数，将其标记为正常反射光强度数值；
步骤S313：随机选取一个异常监测点的反射光强度数值，并将其标记为第一反射光强度数值，将第一反射光强度数值和正常反射光强度数值通过计算得到异常检测点反射光强度差值；
步骤S314：重复步骤S313：计算每一个异常监测点的反射光强度差值；
步骤S315：根据异常检测点的反射光强度差值对异常检测点进行分级，获取异常检测点分级数据。
6.根据权利要求5所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S315：获取异常检测点分级数据，具体步骤如下：
步骤S3151：获取反射光强度差值阈值，将反射光强度差值与反射光强度差值阈值进行数值比对；
步骤S3152：当反射光强度差值大于等于反射光强度差值阈值，判断为第一异常区间；
步骤S3153：当反射光强度差值小于反射光强度差值阈值，判断为第二异常区间；
步骤S3154：将第一异常区间和第二异常区间分别对应的异常检测点定义为异常检测点分级数据；
步骤S3155：将第一异常区间对应的异常检测点标记为患区检测点，第二异常区间对应的异常检测点标记为常规检测点。
7.根据权利要求1所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S4：根据异常检测点分级数据对反射光强度进行分析，获取患区图像数据，具体步骤如下：
步骤S41：获取第二异常区间对应的异常检测点对应的反射光强度平均值，并将标记为反射光强度正常值；
步骤S42：获取第一内窥镜图像样本的反射光强度分散性系数，包括：获取灰度化患者内窥镜图像，将灰度化患者内窥镜图像分割为m个单位面积的灰度化内窥镜图像样本，分别标记为第一内窥镜图像样本、第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本；
步骤S43：统计第一内窥镜图像样本中处于第一异常区间的异常检测点数量值；
步骤S44：将反射光强度分散性系数和异常检测点数量值通过计算得到第一内窥镜图像样本对应的患区判断系数；
步骤S45：获取患区判断系数阈值，将第一内窥镜图像样本对应的患区判断系数与患区判断系数阈值进行数值比对，得到第一内窥镜图像样本对应的患区判断数据；
对患区判断数据进行获取，具体步骤如下：
步骤S451：当患区判断系数大于等于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为患病区域；
步骤S452：当患区判断系数小于患区判断系数阈值，判断第一内窥镜图像样本对应的区域为正常区域；
步骤S46：重复步骤S42-步骤S45，分别对第二内窥镜图像样本、第三内窥镜图像样本……第m内窥镜图像样本进行患区分析，得到内窥镜图像样本对应的患区判断数据；
步骤S47：获取患者内窥镜图像，使用AI辅助图像处理工具将患区图像对患者内窥镜图像数据进行图层覆盖，并在覆盖的图层上方对患区图像进行标注，将标注后的患者内窥镜图像定义为患区标注图像，将患区标注图像同步至内窥镜显示器。
8.根据权利要求7所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述步骤S42的具体步骤还包括：
步骤S421：统计第一内窥镜图像样本中每一个像素点对应的反射光强度差值，并将其分别标记为第一反射光强度差值、第二反射光强度差值、第三反射光强度差值……第n反射光强度差值；
步骤S422：将反射光强度正常差值、第一反射光强度差值、第二反射光强度差值……第n反射光强度差值通过计算得到第一内窥镜图像样本的反射光强度分散性系数。
9.基于AI辅助图像处理信息的内窥镜图像处理系统，适用于权利要求1-8任意一项所述的基于AI辅助图像处理信息的内窥镜图像处理方法，其特征在于，所述内窥镜图像处理系统包括图像获取模块、异常检测模块、反射光模块和患区检测模块以及服务器，具体如下：
图像获取模块：获取患者内窥镜图像数据；
异常检测模块：根据患者内窥镜图像数据获取检测点分级数据；
反射光模块：根据检测点分级数据对检测点进行分析，得到异常检测点分级数据；
患区检测模块：根据异常检测点分级数据对反射光强度进行分析，得到患区图像数据。
CN202410058307.0A 2024-01-16 2024-01-16 基于ai辅助图像处理信息的内窥镜图像处理方法及系统 Active CN117576097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410058307.0A CN117576097B (zh) 2024-01-16 2024-01-16 基于ai辅助图像处理信息的内窥镜图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410058307.0A CN117576097B (zh) 2024-01-16 2024-01-16 基于ai辅助图像处理信息的内窥镜图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN117576097A CN117576097A (zh) 2024-02-20
CN117576097B true CN117576097B (zh) 2024-03-22

Family

ID=89862832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410058307.0A Active CN117576097B (zh) 2024-01-16 2024-01-16 基于ai辅助图像处理信息的内窥镜图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN117576097B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119132523A (zh) * 2024-09-25 2024-12-13 中国人民解放军海军军医大学第三附属医院 腹腔镜辅助标识的确定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345638A (zh) * 2013-06-24 2013-10-09 清华大学深圳研究生院 基于医学影像的腔体病灶计算机辅助检测方法
WO2020110214A1 (ja) * 2018-11-28 2020-06-04 オリンパス株式会社 内視鏡システム、及び、内視鏡用画像処理方法、並びに、内視鏡用画像処理プログラム
CN114565608A (zh) * 2022-04-26 2022-05-31 华伦医疗用品(深圳)有限公司 一种内窥镜Ai图像识别方法及系统
WO2023124876A1 (zh) * 2021-12-29 2023-07-06 小荷医疗器械(海南)有限公司 内窥镜图像检测辅助系统、方法、介质和电子设备
CN117064311A (zh) * 2023-10-16 2023-11-17 深圳迈瑞生物医疗电子股份有限公司 一种内窥镜图像的处理方法及内窥镜成像系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102714219B1 (ko) * 2021-12-24 2024-10-08 주식회사 인피니트헬스케어 위장 질환 및 위암 검출률 향상을 위한 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345638A (zh) * 2013-06-24 2013-10-09 清华大学深圳研究生院 基于医学影像的腔体病灶计算机辅助检测方法
WO2020110214A1 (ja) * 2018-11-28 2020-06-04 オリンパス株式会社 内視鏡システム、及び、内視鏡用画像処理方法、並びに、内視鏡用画像処理プログラム
WO2023124876A1 (zh) * 2021-12-29 2023-07-06 小荷医疗器械(海南)有限公司 内窥镜图像检测辅助系统、方法、介质和电子设备
CN114565608A (zh) * 2022-04-26 2022-05-31 华伦医疗用品(深圳)有限公司 一种内窥镜Ai图像识别方法及系统
CN117064311A (zh) * 2023-10-16 2023-11-17 深圳迈瑞生物医疗电子股份有限公司 一种内窥镜图像的处理方法及内窥镜成像系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optical diagnostics of tissue pathology by multiphoton microscopy;Dong Chen Yuan et al.;《Expert opinion on medical diagnostics》;20101130;第4卷(第6期);第519-29页 *
Where do we stand in AI for endoscopic image analysis? Deciphering gaps and future directions;Sharib Ali;《npj Digital Medicine》;20221220;第5卷(第1期);第1-13页 *

Also Published As

Publication number Publication date
CN117576097A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
JP7556784B2 (ja) 創傷の撮像および分析
EP3449800B1 (en) Medical image processing apparatus, endoscope apparatus, diagnostic support apparatus, and medical service support apparatus
US8027533B2 (en) Method of automated image color calibration
US6902935B2 (en) Methods of monitoring effects of chemical agents on a sample
US8401258B2 (en) Method to provide automated quality feedback to imaging devices to achieve standardized imaging data
EP1576920B1 (en) Imaging device
US7613335B2 (en) Methods and devices useful for analyzing color medical images
JP7068487B2 (ja) 電子内視鏡システム
US20060184040A1 (en) Apparatus, system and method for optically analyzing a substrate
US9047662B2 (en) Method of reconstituting cellular spectra useful for detecting cellular disorders
US7907775B2 (en) Image processing apparatus, image processing method and image processing program
JP2012505028A (ja) 子宮頸部画像における組織分類方法
US9129384B2 (en) Medical image processing device
US20230125377A1 (en) Label-free real-time hyperspectral endoscopy for molecular-guided cancer surgery
CN117576097B (zh) 基于ai辅助图像处理信息的内窥镜图像处理方法及系统
CN115049666B (zh) 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN115444355A (zh) 一种内窥镜病变尺寸信息确定方法、电子设备及存储介质
US20240065540A1 (en) Apparatus and method for detecting cervical cancer
Craine et al. Digital imaging colposcopy: corrected area measurements using shape-from-shading
WO1994016622A1 (en) Diagnostic imaging method and device
Ferris Analysis of digitized cervical images to detect cervical neoplasia
Li et al. A new image calibration technique for colposcopic images
CN118452786A (zh) 一种腔镜检测与分析系统及方法
Suter et al. Classification of pulmonary airway disease based on mucosal color analysis
Guadagni et al. Imaging in digestive videoendoscopy

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