CN100565582C - 一种筛选食管微小病变的图像处理方法 - Google Patents
一种筛选食管微小病变的图像处理方法 Download PDFInfo
- Publication number
- CN100565582C CN100565582C CNB2006100227294A CN200610022729A CN100565582C CN 100565582 C CN100565582 C CN 100565582C CN B2006100227294 A CNB2006100227294 A CN B2006100227294A CN 200610022729 A CN200610022729 A CN 200610022729A CN 100565582 C CN100565582 C CN 100565582C
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- average
- gray
- vibration frequency
- 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.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000003902 lesion Effects 0.000 title abstract description 13
- 238000012216 screening Methods 0.000 title abstract description 3
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000007170 pathology Effects 0.000 claims description 63
- 238000010205 computational analysis Methods 0.000 claims description 14
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 231100000915 pathological change Toxicity 0.000 abstract 1
- 230000036285 pathological change Effects 0.000 abstract 1
- 210000004400 mucous membrane Anatomy 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 8
- 208000017897 Carcinoma of esophagus Diseases 0.000 description 7
- 206010020718 hyperplasia Diseases 0.000 description 7
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 5
- 206010030216 Oesophagitis Diseases 0.000 description 5
- 208000006881 esophagitis Diseases 0.000 description 5
- 239000002932 luster Substances 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000007788 roughening Methods 0.000 description 3
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 201000005619 esophageal carcinoma Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028116 Mucosal inflammation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000002575 gastroscopy Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明专利涉及医用图像处理技术。本发明提供一种计算机图像处理方法，初步实现对部分食管微小病变的自动识别。采用的技术方案是，一种筛选食管微小病变的图像处理方法，包括以下步骤：c、取出分析范围内每个像素点的R值、G值、B值；d、计算分析范围内每个像素点的色调值、饱和度值、亮度值；计算分析范围的平均色调值、平均饱和度值；选出明显高于平均色调值或平均饱和度值的像素点，为病变点；e、计算分析范围内每个像素点的灰度值波动频率、分析范围的平均灰度值波动频率；选出灰度值波动频率明显高于平均灰度值波动频率的像素点，为病变点；f、显示图片，并突出显示病变点。本发明的有益效果是，能快速分析病变和正常食管组织。
Description
技术领域
本发明专利涉及医用图像处理技术。
背景技术
普通的光学或电子胃镜检查具有快速高效、直视精确定位，可对食管微小病变(包括早期食管癌)进行初步筛查，是目前临床上诊断食管微小病变最可行、最有效的检查方法。但由于人肉眼对色彩、粗糙程度等分辨能力的局限性，导致检查过程中对微小病变的快速识别上存在一定困难，特别是对于一些恶性肿瘤病变，如食管癌，在识别上存在较大困难。
这些病变，如能早期发现及早期治疗，就有可能使患者完全根治而长期存活。同时，由于我国人口众多及医疗资源的相对有限性，在一定工作时间内要进行内镜检查和普查的患者数量很大，不可能通过减少工作量、牺牲工作效率来提高食管微小病变的诊断率，这就必然导致食管微小病变(包括早期食管癌)的漏诊率增加。
因此，寻找一种能对微小病变进行快速筛查的方法就显得十分重要。它可以对检查医师的肉眼观察起到辅助诊断的作用，有利于提高微小病变的诊断率。
图像纹理特征分析，色泽变化分析等都是已经成熟的图像处理技术。利用计算机分析图片，具有运算速度快，能在一定程度上识别某些病变的特征。
通过计算机图像处理技术实现对可能病变的自动诊断已进行过许多研究，但多集中于病理切片、X光平片或CT、MRI片的的判读，对内镜下食管图像的判读分析较少。目前国内用计算机图像处理技术、包括灰度变换技术对食管病变进行辅助诊断的研究主要集中在两个方面：1、对食管病变病理活检标本的图像分析诊断；2、对X光片结果进行影像分析诊断。
国外有通过色彩分割和弯曲计算等对内窥镜图像进行分析处理的报道，以及通过色彩定量对食管炎进行诊断的报道。尚没有对食管病变进行快速分析筛查的报道。
发明内容
本发明所要解决的技术问题是，提供一种计算机图像处理方法，初步实现对部分食管微小病变的自动识别。
本发明为解决上述技术问题所采用的技术方案是，一种筛选食管微小病变的图像处理方法，包括以下步骤：
a、读入待分析的食管图片；
b、确定图像分析范围；
c、取出分析范围内每个像素点的R值、G值、B值；
d、计算分析范围内每个像素点的色调值、饱和度值、亮度值；
计算分析范围的平均色调值、平均饱和度值；
选出色调值大于平均色调值30％以上的像素点，为病变点；
选出饱和度值大于平均饱和度值30％以上的像素点，为病变点；
e、计算分析范围内每个像素点的灰度值波动频率，具体包括以下步骤：
e1、计算相邻像素点间平均灰度的差值，选出差值大于标准差值的像素点，所述平均灰度为(R+G+B)/3；
e2、对像素点重新赋值，差值大于标准差值的像素点赋初值，其它的像素点赋值为0，即灰度值波动频率为0；
e3、差值大于标准差值的像素点，计算灰度值波动频率，为：
初值+∑(已赋值的差值大于标准差值的像素点的初值/距离)
计算分析范围的灰度值波动频率的平均值，选出灰度值波动频率大于平均灰度值波动频率30％以上的像素点，为病变点；
f、显示图片，并突出显示病变点。
本发明的有益效果是，通过计算机图像处理技术，能快速分析病变和正常食管组织，将病变及其边缘标识出来，并且不局限于某类具体的食管病变。在胃镜的食管检查中，可对目前食管病变的肉眼诊断起到实时补充作用。对食管的各种病变，包括正常食管黏膜、食管炎、早期食管癌、中晚期食管癌、食管黏膜不典型增生等都有辅助诊断的价值。
附图说明
图1为实施例中算法1的分析区域示意图；
图2为实施例中算法2的分析范围中像素点的示意图。
具体实施方式
由于BMP格式可直接进行图像分析，不需要格式转换，故在本发明中采用256位真彩色BMP格式的图像，进行分析。
生物体器官的正常组织在结构及功能上都具有高度一致性，在肉眼外观上表现为组织的颜色、致密性、光滑度等具有相似的物理特性。正常粘膜组织在图像中，R、G、B比值变化率较小或基本不变，而由R、G、B换算而成的色调值(H)、饱和度值(S)、亮度值(I)的变化率也应较小或基本不变。
微小病变则表现为病变部位粘膜色泽、粗糙度发生改变：
①病变部位粘膜色泽发生变化，主要表现为病变部位的色调值、饱和度值偏离区域的平均色调值、平均饱和度值。
②病变部位粗糙度发生变化，主要表现为病变区内相邻像素点灰度值波动频率增加。
当检测到图片中像素点，满足上述两个点中的任一种情况，则视为病变点。因为病变表现为色彩改变或粗糙性，即：病变粗糙不一定会有色彩改变，同样，病变出现色彩改变也不一定产生粗糙性。如食管炎症在炎症病变区出现色彩(红色加深)，但并不粗糙。食管不典型增生病变区的色彩变化不大，而主要是粗糙性改变。
由于食管为中空管腔，管壁呈圆环状位于四周，中央没有粘膜存在，计算中央空间的图像特征没有意义。因此分析的范围应限定于图像边缘的环形区域内，如图1所示的a+b+c圆环区域。
确定了分析范围后，采用下述两种算法，对分析范围中的病变点进行筛选：
算法1：用于筛选粘膜色泽发生变化的病变点
(1)计算分析范围内每个像素点的色调值、饱和度值；
(2)计算分析范围的平均色调值、平均饱和度值；选出明显高于平均色调值或平均饱和度值的像素点，为病变点。
经过内镜采集得到的图像，粘膜色泽由每一个像素点的R、G、B值决定，即要分别比较三个值的差值而不是平均值，即算法1中的亮度值I(平均灰度I＝(R+G+B)/3)指标不敏感，故舍弃不用。
因为R、G、B波动可以很大，但其平均灰度值可能波动不大，因此不敏感。如点(100，100，100)和点(50，200，50)在R、G、B色彩显示上差别很大，但平均灰度值一样，均为100。
具体流程如下：
读入256位真彩色(0～255)BMP格式图像；
确定第一分析范围；
将第一分析范围中每个像素点的三个颜色分量R、G、B经如下公式，换算成色调值(H)，饱和度值(S)，亮度值(I)：
I＝(R+G+B)/3；
当R＞B≤G H＝(G-B)/(3*(I-B))； S＝1-B/I；
当G＞R≤B H＝(B-R)/(3*(I-R))； S＝1-R/I；
当B＞G≤R H＝(R-G)/(3*(I-G))； S＝1-G/I；
为了排除光源照射不均一的干扰，即有的色调值、饱和度值改变不是病变引起，而是光源照射不均一所致。如图1所示，把分析范围划分为几个更小的区域，即分析范围划分为第一分析范围、第二分析范围；第一分析范围为整个圆环，即a+b+c区域；第二分析范围为a+b+c区域中的子区域。
将第一分析范围划分成3个同心园环，然后按π/6的角度分割圆环，形成，a区域中a1-a12子区域，b区域中b1-b12子区域，c区域中c1-c12子区域，共36个小扇环。每个小扇环作为像素点所在的第二分析范围。
计算整个圆环的平均色调值、平均饱和度值；每个小扇环的平均色调值、平均饱和度值；
比较像素点的色调值、饱和度值与其所在的第一分析范围与第二分析范围的平均色调值、平均饱和度值；
比较像素点的色调值或饱和度值，必须同时满足明显高于该点所在第一分析范围与第二分析范围的平均色调值或平均饱和度值才被视为病变点。
通过实验可以得出，色调值或饱和度值大于其平均值30％以上就能较好得筛选出病变点，其中大于均值50％以上更为准确。
并将病变点筛选出来，与其它正常像素点区别显示。病变点可用荧光闪烁，病变区可用轮廓标识，这两种做法比较耗费系统时间，影响结果的显示速度。优选的是，赋予病变点特殊的R、G、B值，如：
赋予色调异常的病变点的R、G、B值为(255，0，0)，该类病变点采用红色显示；赋予饱和度异常的病变点的R、G、B值为(0，255，0)，该类病变点采用绿色显示。
试验证明，该方法对轻、中、重度食管炎的图片进行分析后，能较好地显示在分析范围内的病变和正常组织的交界区域。分析结果显示沿炎症黏膜边缘有点或片状饱和度异常区域和点或片状色调异常区域，为发生食管炎的病变部位。总体上能区分不同严重程度的食管炎。对早、中、晚期食管癌的图片进行分析后，能较好的显示病变区域和正常组织的交界区域，分析结果显示沿病变黏膜边缘有点片状饱和度异常区域和点片状色调异常区域。对于中晚期食管癌，能显示出貌似正常的病变边缘，这有利于胃镜下病理活检和手术中确定病变的切除范围。在H、S显示异常的区域活检，可判定癌组织是否有潜在的浸润生长倾向，也可判定交界区组织不典型增生的情况。
算法2：用于筛选粗糙度发生改变的病变点
病变区粗糙度的变化，是由相邻像素点灰度值波动频率增加体现出的。灰度值波动频率由两点决定：1、邻近点灰度值波动增加；2、灰度值波动增加的像素点距离近。
通过上述两点判断，能较好的筛选出病变点，剔除单纯因误差引起灰度值波动的像素点。
灰度值波动是由相邻像素点的灰度值的差值决定，差值越大，波动越大。像素点的灰度值由其亮度值确定，本实施例在此采用平均灰度值，进行计算：I＝(R+G+B)/3。
对于正常组织，横向或纵向连续两点的差值一般不超过2，即使超过2，也不会有多个点同时超过2。而病变区，横向或纵向连续两点的差值不但超过2，且有多个点同时超过2。差值的标准设为2，是由实验得出，即该取值大于正常组织区域内连续两点像素的差值即可。
具体流程如下：
读入256位真彩色(0～255)BMP格式图像；
确定分析范围；
依次沿横向(X轴)和纵向(Y轴)计算每一像素点的平均灰度，I＝(R+G+B)/3；
各像素点的灰度值波动频率通过以下步骤计算：
(1)计算横向各相邻像素点间平均灰度的差值，选出差值大于2的点；
(2)对分析区域内的像素点重新赋值，差值大于2的像素点赋初值为10，其它的像素点赋值为0，即灰度值波动频率为0；，如|IXnYn-IXnYn+1|＞2，则XnYn点赋初值为10；
(3)差值大于2的像素点，重新计算灰度值波动频率，为：初值+∑(所在行中已赋值的差值大于2的像素点的初值/距离)；
(4)计算分析范围内所有像素点的灰度值波动频率的横向平均值；
(5)灰度值波动频率明显高于横向平均值的像素点，为病变点；
(6)计算竖向各相邻像素点的差值选出差值大于2的点；
(7)对分析区域内的像素点重新赋值，差值大于2的像素点赋初值为10，其它的像素点赋值为0，即灰度值波动频率为0；
(8)差值大于2的像素点，重新计算灰度值波动频率，为：初值+∑(所在列中已赋值的差值大于2的像素点的初值/距离)；
(9)计算分析范围内所有像素点的灰度值波动频率的横向平均值；
(10)灰度值波动频率明显高于竖向平均值的像素点，为病变点；
灰度值波动频率明显高于横向或竖向的任一平均值的像素点，视为病变点。
通过实验可以得出，所述明显高于，即为灰度值波动频率大于平均值30％以上就能较好得筛选出病变点，其中大于均数50％以上更为准确。
如图2为例，分析范围为横向X1-X15，竖向Y1-Y9，共135个像素点。差值大于2的点为白色，其它的点为黑色，黑色的点灰度值波动频率赋值为0。依次从左到右赋值。
以横向为例，白色各点的灰度值波动频率为：
X2(Y2-Y8)：10
X3(Y2-Y8)：10+10/1＝20
X4(Y2-Y8)：10+10/1+10/2＝25
X5(Y2-Y8)：10+10/1+10/2+10/4＝27.5
X6(Y2-Y8)：10+10/1+10/2+10/4+10/5＝29.5
X7(Y2-Y8)：10+10/1+10/2+10/4+10/5+10/6＝31.1
X8(Y2-Y8)：10+10/1+10/2+10/4+10/5+10/6+10/7＝32.5
X14 Y9：10
所有像素点的灰度值波动频率为：
(10+20+25+27.5+29.5+31.1+32.5)*7＝1229.2；所有像素点的灰度值波动频率的横向平均值：1229.2/135＝9.1
筛选出大于平均值的50％的像素点，即灰度值波动频率大于13.5的像素点，即筛选出X3(Y2-Y8)、X4(Y2-Y8)、X5(Y2-Y8)、X6(Y2-Y8)、X7(Y2-Y8)、X7(Y2-Y8)，为病变点。
有效剔除单纯因误差引起灰度值波动的像素点，如像素点X14 Y9。
竖向算法同上，最后突出显示病点。
赋予色调异常的病变点的R、G、B值为(255，0，255)，该类病变点采用紫色显示；赋予饱和度异常的病变点的R、G、B值为(0，0，255)，该类病变点采用蓝色显示。
本算法将空间自相关算法和邻域特征统计算法的优点有机结合起来，避免了繁琐的循环运算，有利于实时图像处理。本实施例考虑了沿X轴、Y轴的灰度值波动频率，当然也可以对其它角度的灰度波动进行处理。
在食管黏膜中，重度不典型增生是一种易向癌变转化的微小病变，有的本身就是癌前病变。但此类病变不但少见，且病变的肉眼观和正常黏膜区别不大，故易漏诊。经本发明所述方法分析后，显示紫色区域和蓝色区域为分析范围内的不典型增生黏膜，表现为点片状增生。表明本方法能清楚显示不典型增生的粗糙黏膜。
内窥镜图像通过上述2种算法同时运算，能快速高效地鉴别和标识食管各种微小病变，并病变通过不同的色彩标识出来，这些色彩不同于病变本身的色彩，互相也有显著区别，因此不但可以更好地显示出病变，还可以显示不同的病变类型。
以上所述仅为本发明的较佳实施例，并不因此而限定本专利的保护范围和使用范围。
Claims (6)
1、一种筛选食管微小病变的图像处理方法，其特征在于，包括以下步骤：
a、读入待分析的食管图片；
b、确定图像分析范围；
c、取出分析范围内每个像素点的R值、G值、B值；
d、计算分析范围内每个像素点的色调值、饱和度值、亮度值；
计算分析范围的平均色调值、平均饱和度值；
选出色调值大于平均色调值30％以上的像素点，为病变点；
选出饱和度值大于平均饱和度值30％以上的像素点，为病变点；
e、计算分析范围内每个像素点的灰度值波动频率，具体包括以下步骤：
e1、计算相邻像素点间平均灰度的差值，选出差值大于标准差值的像素点，所述平均灰度为(R+G+B)/3；
e2、对像素点重新赋值，差值大于标准差值的像素点赋初值，其它的像素点赋值为0，即灰度值波动频率为0；
e3、差值大于标准差值的像素点，计算灰度值波动频率，为：
初值+∑(已赋值的差值大于标准差值的像素点的初值/距离)
计算分析范围的平均灰度值波动频率，选出灰度值波动频率大于平均灰度值波动频率30％以上的像素点，为病变点；
f、显示图片，并突出显示病变点。
2、如权利要求1所述一种筛选食管微小病变的图像处理方法，其特征在于，步骤d中所述分析范围，包括第一分析范围、第二分析范围，所述第二分析范围为第一分析范围的子区域；
当像素点的色调值既大于其所在第一分析范围的平均色调值30％以上，又大于其所在第二分析范围的平均色调值30％以上，为病变点；
当像素点的饱和度值既大于其所在第一分析范围的平均饱和度值30％以上，又大于其所在第二分析范围的平均饱和度值30％以上，为病变点。
3、如权利要求1所述一种筛选食管微小病变的图像处理方法，其特征在于，所述标准差值为2；初值为10。
4、如权利要求1所述一种筛选食管微小病变的图像处理方法，其特征在于，所述步骤e具体为：
计算分析范围内每个像素点的横向灰度值波动频率与竖向灰度值波动频率；
计算分析范围的横向平均灰度值波动频率与竖向平均灰度值波动频率；
选出横向灰度值波动频率大于横向平均灰度值波动频率30％以上的像素点，为病变点；
选出竖向灰度值波动频率大于竖向平均灰度值波动频率30％以上的像素点，为病变点。
5、如权利要求1所述一种筛选食管微小病变的图像处理方法，其特征在于，步骤a所述食管图片为256位真彩色BMP格式图像。
6、如权利要求1所述一种筛选食管微小病变的图像处理方法，其特征在于，步骤f，所述突出显示病变点为，对病变点赋予与正常组织不同的颜色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2006100227294A CN100565582C (zh) | 2006-12-31 | 2006-12-31 | 一种筛选食管微小病变的图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2006100227294A CN100565582C (zh) | 2006-12-31 | 2006-12-31 | 一种筛选食管微小病变的图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101021946A CN101021946A (zh) | 2007-08-22 |
| CN100565582C true CN100565582C (zh) | 2009-12-02 |
Family
ID=38709702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2006100227294A Expired - Fee Related CN100565582C (zh) | 2006-12-31 | 2006-12-31 | 一种筛选食管微小病变的图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100565582C (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9166709B2 (en) * | 2011-12-14 | 2015-10-20 | The Boeing Company | Ambient signal identification |
| EP2976987A3 (en) * | 2012-02-23 | 2016-06-08 | Smith & Nephew, Inc. | Video endoscopic system |
| WO2015064435A1 (ja) * | 2013-10-28 | 2015-05-07 | 富士フイルム株式会社 | 画像処理装置及びその作動方法 |
| CN113129356B (zh) * | 2020-01-16 | 2022-08-23 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜系统及其图像染色面积识别方法及存储介质 |
| CN112089397B (zh) * | 2020-07-05 | 2021-07-13 | 陈伟 | 利用可吞食探测平台的炎症分析系统 |
| CN115311268B (zh) * | 2022-10-10 | 2022-12-27 | 武汉楚精灵医疗科技有限公司 | 食管内窥镜图像的识别方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1331454A (zh) * | 2000-06-24 | 2002-01-16 | 王建华 | 医学数字图象动态监测方法 |
-
2006
- 2006-12-31 CN CNB2006100227294A patent/CN100565582C/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1331454A (zh) * | 2000-06-24 | 2002-01-16 | 王建华 | 医学数字图象动态监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Computer analysis of upper gastrointestinal endoscopeimages. D.Wertheim,A.El atar,A.Patel,O.Makanjuola,A.Imam,S.Mudan,A.Fiennes.Minimally Invasive Therapy and Allied Technologies,Vol.14 No.1. 2005 |
| Computer analysis of upper gastrointestinal endoscopeimages. D.Wertheim,A.El atar,A.Patel,O.Makanjuola,A.Imam,S.Mudan,A.Fiennes.Minimally Invasive Therapy and Allied Technologies,Vol.14 No.1. 2005 * |
| 食管早期病变和微小病变的实时图像处理. 甘涛，中文摘要,1-8，电子科技大学工程硕士学位论文. 2006 |
| 食管早期病变和微小病变的实时图像处理. 甘涛，中文摘要,1-8，电子科技大学工程硕士学位论文. 2006 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101021946A (zh) | 2007-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oh et al. | Informative frame classification for endoscopy video | |
| CN100565582C (zh) | 一种筛选食管微小病变的图像处理方法 | |
| Inoue et al. | Magnification endoscopy in esophageal squamous cell carcinoma: a review of the intrapapillary capillary loop classification | |
| EP1568307B1 (en) | Image processing device and image processing method | |
| Pang et al. | Tongue image analysis for appendicitis diagnosis | |
| Curvers et al. | Endoscopic tri-modal imaging is more effective than standard endoscopy in identifying early-stage neoplasia in Barrett's esophagus | |
| JP6116561B2 (ja) | 画像処理装置、顕微鏡システム及び画像処理方法 | |
| US7907775B2 (en) | Image processing apparatus, image processing method and image processing program | |
| JP2020519851A5 (zh) | ||
| US8428320B2 (en) | Method of reconstituting cellular spectra useful for detecting cellular disorders | |
| WO2010042211A1 (en) | Methods for tissue classification in cervical imagery | |
| CN111513660A (zh) | 一种应用于内窥镜的图像处理方法、装置及相关设备 | |
| Poh et al. | Tracing the “at-risk” oral mucosa field with autofluorescence: steps toward clinical impact | |
| CN1512451A (zh) | 从舌图像提取关注区的方法及相应健康监控方法和设备 | |
| WO2006106509A2 (en) | Medical imaging method and system | |
| TWI537762B (zh) | Application of hyperfamily imaging to identification of cancerous lesions | |
| Utsumi et al. | Polyp detection, characterization, and management using narrow-band imaging with/without magnification | |
| Qu et al. | Development and validation of an automatic image-recognition endoscopic report generation system: A multicenter study | |
| Chen et al. | A graph-based approach to automated EUS image layer segmentation and abnormal region detection | |
| Sumie et al. | Usefulness of magnifying endoscopy with narrow-band imaging for diagnosis of depressed gastric lesions | |
| Pallavi et al. | Automated analysis of cervix images to grade the severity of cancer | |
| JPH1119077A (ja) | 放射線画像における腫瘤影の検出方法及び装置 | |
| Liu et al. | Establishment of a predictive model for surgical resection of ground-glass nodules | |
| Ye et al. | Segmentation and feature extraction of endoscopic images for making diagnosis of acute appendicitis | |
| Abdullah et al. | Computer-aided diseases diagnosis system based on tongue color analysis: A review |
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 | ||
| ASS | Succession or assignment of patent right |
Owner name: CHENGDU BOSLOY MEDICAL TECHNOLOGY CO., LTD. Free format text: FORMER OWNER: WEST CHINA HOSPITAL OF SICHUAN UNIVERSITY Effective date: 20111117 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 610041 CHENGDU, SICHUAN PROVINCE TO: 610000 CHENGDU, SICHUAN PROVINCE |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20111117 Address after: West high tech Zone Fucheng Road in Chengdu city of Sichuan province 610000 No. 399 No. 5 No. 1004-1008 Patentee after: Chengdu Bosch Medical Technology Co.,Ltd. Address before: 610041 Wuhou District, Chengdu, China, No. Guoxue lane, No. 37 Patentee before: WEST CHINA HOSPITAL OF SICHUAN University |
|
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091202 Termination date: 20161231 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |