基于局部细粒度轮廓特征的电子喉镜医学图像检测方法

1.本发明涉及电子喉镜医学图像检测技术领域，特别是涉及一种基于局部细粒度轮廓特征的电子喉镜医学图像检测方法。


背景技术：

2.电子喉镜是诊断器官疾病的常用检查方法。它是观察中空器官粘膜最直接有效的手段。在喉镜图像中，器官疾病的症状集中在器官内部轮廓，通常以赘生物为特征、香肠状肿块和小突起。电子喉镜具有体积轻、细长方便、方便、插入性好的特点，使镜头进入喉腔更接近病变部位，能清楚地看到呼吸道的细微变化，从而实现更快的诊断和治疗。目前的电子内窥镜存在一些缺陷：首先，传统的喉镜图像筛查是劳动密集型的，在很大程度上取决于医学专家的经验；其次，内窥镜检查需要集中注意力，医生容易出现漏检和误检等失误，而鼻咽部位精细，若漏检和误检，患者则会付出了高昂的代价；最后，医生需要手动将相应的症状和描述添加到报告中，这会增加检查时间并导致效率低下。因此，设计一种基于局部细粒度轮廓特征的电子喉镜医学图像检测方法是十分有必要的。


技术实现要素：

3.本发明的目的是提供一种基于局部细粒度轮廓特征的电子喉镜医学图像检测方法，能够在背景复杂的情况下识别出器官轮廓并标记，生成检测结果，提高对器官异常检测的准确率。
4.为实现上述目的，本发明提供了如下方案：
5.一种基于局部细粒度轮廓特征的电子喉镜医学图像检测方法，包括如下步骤：
6.步骤1：获取电子喉镜图像，并对其进行预处理，得到训练数据集；
7.步骤2：构建图像分割的网络模型，并对其进行训练，得到器官分割模型，将训练数据集输入到器官分割模型中，进行分割，生成器官分割数据集；
8.步骤3：对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集；
9.步骤4：基于器官内轮廓数据集中的器官边缘各点的切线倾角提取细粒度特征，并将所有特征组合成最终特征；
10.步骤5：根据最终特征，使用resnet网络进行喉镜图像分类。
11.步骤1中，获取电子喉镜图像，并对其进行预处理，得到训练数据集，具体包括为：
12.步骤101：采集医院电子喉镜分类正确的图像；
13.步骤102：对采集的图像进行裁剪，通过图像处理识别方法识别出用于显示喉镜图像的矩形边框，将矩形边框外部的无用区域进行裁剪，得到裁剪后的图像；
14.步骤103：去除裁剪后的图像中模糊的图像，并按照病种、编号及序号的方式对各个图像进行命名保存，得到训练数据集。
15.步骤2中，构建图像分割的网络模型，并对其进行训练，得到器官分割模型，将训练
数据集输入到器官分割模型中，进行分割，生成器官分割数据集，具体包括如下步骤：
16.步骤201：采集训练数据集，通过不规则多边形对训练数据集的图像中的器官边缘进行标记，并对器官类别进行标示；
17.步骤202：构建图像分割的网络模型，将标示后的图像数据作为训练样本，对网络模型进行训练，训练完毕后，得到器官分割模型；
18.步骤203：将训练数据集输入器官分割模型中，进行分割，输出器官类别及轮廓图像，根据器官类别及轮廓图像生成器官分割数据集。
19.步骤3中，对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集，具体为：
20.步骤301：对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集，得到器官的内部轮廓数据；
21.步骤302：构建图像分割的网络模型，将器官的内部轮廓数据中的内轮廓曲线图像数据作为训练样本对网络模型进行训练，得到器官内轮廓分割模型；
22.步骤303：将器官分割数据集输入器官内轮廓分割模型，得到器官内轮廓数据集。
23.步骤4中，基于器官内轮廓数据集中的器官边缘各点的切线倾角提取细粒度特征，并将所有特征组合成最终特征，具体包括如下步骤：
24.步骤401：采集器官内轮廓数据集中的器官的边缘各点集合，为c＝{cp1,cp2,cp3,...,cpn}，计算每个点pn的切线倾斜角a(pn)，则每个点cpn(i,j)的特征向量表示为a
i,j,a
＝[i,j,a
i,j
]；
[0025]
步骤402：基于器官内轮廓数据集中的器官的边缘各点的切线倾角a(pn)提取细粒度特征，并将所有的特征组合成最终特征。
[0026]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于局部细粒度轮廓特征的电子喉镜医学图像检测方法，该方法包括获取电子喉镜图像，并对其进行预处理，得到训练数据集，构建图像分割的网络模型，并对其进行训练，得到器官分割模型，将训练数据集输入到器官分割模型中，进行分割，生成器官分割数据集，对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集，基于器官内轮廓数据集中的器官边缘各点的切线倾角提取细粒度特征，并将所有特征组合成最终特征，根据最终特征预测喉镜图像类别；该方法能在背景复杂的情况下识别出器官轮廓并标记，生成检测结果，提高对器官异常检测的准确率。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]
图1为本发明实施例基于局部细粒度轮廓特征的电子喉镜医学图像检测方法流程示意图。
具体实施方式
[0029]
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，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他实施例，都属于本发明保护的范围。
[0030]
本发明的目的是提供一种基于局部细粒度轮廓特征的电子喉镜医学图像检测方法，能够在背景复杂的情况下识别出器官轮廓并标记，生成检测结果，提高对器官异常检测的准确率。
[0031]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0032]
如图1所示，本发明实施例提供的基于局部细粒度轮廓特征的电子喉镜医学图像检测方法，包括如下步骤：
[0033]
步骤1：获取电子喉镜图像，并对其进行预处理，得到训练数据集；
[0034]
步骤2：构建图像分割的网络模型，并对其进行训练，得到器官分割模型，将训练数据集输入到器官分割模型中，进行分割，生成器官分割数据集；
[0035]
步骤3：对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集；
[0036]
步骤4：基于器官内轮廓数据集中的器官边缘各点的切线倾角提取细粒度特征，并将所有特征组合成最终特征；
[0037]
步骤5：根据最终特征，使用resnet网络进行喉镜图像分类，并报告生成，记录下准确率。
[0038]
步骤1中，获取电子喉镜图像，并对其进行预处理，得到训练数据集，具体包括为：
[0039]
步骤101：采集并整理医院电子喉镜分类正确的图像，其中，需要采集图像对应的病种及编号；
[0040]
步骤102：对采集的图像进行裁剪，通过图像处理识别方法识别出用于显示喉镜图像的矩形边框，将矩形边框外部的无用区域进行裁剪，得到裁剪后的图像，保留边框内的图像部分，大小为224
×
224；
[0041]
步骤103：去除裁剪后的图像中模糊的图像，并按照病种、编号及按顺序排列的序号的方式对各个图像进行命名保存，得到训练数据集，采用此命名方式，便于实现图像溯源。
[0042]
步骤2中，构建图像分割的网络模型，并对其进行训练，得到器官分割模型，将训练数据集输入到器官分割模型中，进行分割，生成器官分割数据集，具体包括如下步骤：
[0043]
步骤201：采集训练数据集，通过不规则多边形对训练数据集的图像中的器官边缘进行标记，并对器官类别进行标示；
[0044]
步骤202：构建图像分割的网络模型，将标示后的图像数据作为训练样本，对网络模型进行训练，训练完毕后，得到器官分割模型，该模型用于对检测图像中的器官进行识别并分割；
[0045]
步骤203：将训练数据集输入器官分割模型中，进行分割，输出器官类别及轮廓图像，根据器官类别及轮廓图像生成器官分割数据集。
[0046]
步骤3中，对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集，具体为：
[0047]
步骤301：对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集，得到器官的内部轮廓数据；
[0048]
其中，具体为：相邻点的像素值之和记为其中，具体为：相邻点的像素值之和记为时，表示点(i,j)处的像素值发生了变化，该点被记录为m
i,k
，其中k表示该点是第i行中的第k个像素值突变，从整体的器官轮廓中可以看出，每一行可能包含0-6个像素值的突变点，对于值将做出以下处理：
[0049]
1)当每一行像素值的突变点总数为4(k＝4)时，记录下的第二和第三个突变点是器官内轮廓的点；
[0050]
2)当每一行像素的像素突变点总数小于4(k《4)时，所出现的突变点是器官外轮廓上面的点或者是器官顶端和底端点，不将其作为内轮廓上的点；
[0051]
3)当每一行像素的像素突变点总数大于4(k》4)时，这些点常包含内轮廓的异常凸起，因此将这些行中除了第一个点和最后一个点以外的其它点作为内轮廓上的点
[0052]
步骤302：构建图像分割的网络模型，将器官的内部轮廓数据中的内轮廓曲线图像数据作为训练样本对网络模型进行训练，得到器官内轮廓分割模型；
[0053]
步骤303：将器官分割数据集输入器官内轮廓分割模型，得到器官内轮廓数据集。
[0054]
步骤4中，基于器官内轮廓数据集中的器官边缘各点的切线倾角提取细粒度特征，并将所有特征组合成最终特征，具体包括如下步骤：
[0055]
步骤401：采集器官内轮廓数据集中的器官的边缘各点集合，为c＝{cp1,cp2,cp3,...,cpn}，计算每个点pn的切线倾斜角a(pn)，则每个点cpn(i,j)的特征向量表示为a
i,j,a
＝[i,j,a
i,j
]；
[0056]
步骤402：基于器官内轮廓数据集中的器官的边缘各点的切线倾角a(pn)提取细粒度特征，并将所有的特征组合成最终特征。
[0057]
本发明提供的基于局部细粒度轮廓特征的电子喉镜医学图像检测方法，该方法包括获取电子喉镜图像，并对其进行预处理，得到训练数据集，构建图像分割的网络模型，并对其进行训练，得到器官分割模型，将训练数据集输入到器官分割模型中，进行分割，生成器官分割数据集，对器官分割数据集进行基于像素点值的轮廓边缘提取，保留器官边缘显著性特征，并对图像剩余部分进行丢弃，生成器官内轮廓数据集，基于器官内轮廓数据集中的器官边缘各点的切线倾角提取细粒度特征，并将所有特征组合成最终特征，根据最终特征预测喉镜图像类别；该方法能在背景复杂的情况下识别出器官轮廓并标记，生成检测结果，提高对器官异常检测的准确率。
[0058]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。