基于局部细粒度轮廓特征的电子喉镜医学图像检测方法技术

本发明专利技术提供了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：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，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，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。本发明专利技术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，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。提高对器官异常检测的准确率。提高对器官异常检测的准确率。

【技术实现步骤摘要】
基于局部细粒度轮廓特征的电子喉镜医学图像检测方法


[0001]本专利技术涉及电子喉镜医学图像检测
，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]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：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]步骤5：根据最终特征，使用ResNet网络进行喉镜图像分类。
[0011]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：
[0012]步骤101：采集医院电子喉镜分类正确的图像；
[0013]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；
[0014]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。
[0015]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：
[0016]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；
[0017]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；
[0018]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。
[0019]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：
[0020]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；
[0021]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；
[0022]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。
[0023]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：
[0024]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,...,cp
n
}，计算每个点p
n
的切线倾斜角a(p
n
)，则每个点cp
n
(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(p
n
)提取细粒度特征，并将所有的特征组合成最终特征。
[0026]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术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专利技术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专利技术的一些实施例，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为本专利技术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]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0030]本专利技术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]为使本专利技术的上述目的、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专利技术作进一步详细的说明。
[0032]如图1所示，本专利技术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；...

【技术保护点】

【技术特征摘要】
1.一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，其特征在于，包括如下步骤：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；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；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；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；步骤5：根据最终特征，使用ResNet网络进行喉镜图像分类。2.根据权利要求1所述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，其特征在于，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：步骤101：采集医院电子喉镜分类正确的图像；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；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。3.根据权利要求2所述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，其特征在于，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：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；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...

【专利技术属性】
技术研发人员：樊玉琦，姚瑞璇，邹峰，刘佳昊，
申请(专利权)人：浙江药科职业大学，
类型：发明
国别省市：