[發(fā)明專利]膠囊內(nèi)窺鏡圖像可疑病變區(qū)域自動預(yù)警系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201410183046.1
• 申請日: 2014-05-04
• 公開（公告）號: CN103984957A
• 公開（公告）日: 2014-08-13
• 發(fā)明（設(shè)計）人: 秦文健;樊建平;溫鐵祥;辜嘉;肖華;李凌
• 申請（專利權(quán)）人: 中國科學(xué)院深圳先進(jìn)技術(shù)研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 深圳市科進(jìn)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44316
• 代理人: 沈祖鋒;郝明琴

1.一種膠囊內(nèi)窺鏡圖像可疑病變區(qū)域自動預(yù)警系統(tǒng)，其特征在于，包括：

圖像質(zhì)量控制和標(biāo)準(zhǔn)化模塊，對圖像進(jìn)行自適應(yīng)增強，補償光照不足、噪聲、反光、分辨率低、運動模糊的影響；

紋理特征提取模塊，在無需人工干預(yù)的條件下對平坦性病變的紋理特征進(jìn)行檢測；

分類學(xué)習(xí)預(yù)警模塊，基于先期訓(xùn)練進(jìn)行病理特征檢測，利用醫(yī)生預(yù)標(biāo)記的訓(xùn)練圖像進(jìn)行監(jiān)督學(xué)習(xí)，并進(jìn)行自動分類和在線識別，實現(xiàn)輔助診斷與預(yù)警。

2.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述圖像質(zhì)量控制和標(biāo)準(zhǔn)化模塊通過如下方式對圖像進(jìn)行自適應(yīng)增強：

步驟A1：通過自動顏色增強方法解決過渡曝光和光照不足的矛盾，基于Fast?Marching?Method對圖像進(jìn)行插值處理以去除反光區(qū)域；

步驟A2：采用邊緣駐留準(zhǔn)則和各向異性擴散算法恢復(fù)所述圖像的本質(zhì)紋理，引入光滑約束解決噪聲情況下的圖像修復(fù)問題；

步驟A3：采用圖像去卷積方法從所述圖像的模糊程度中推斷出鮮明的紋理和結(jié)構(gòu)，解決圖像去模糊問題；

步驟A4：采用反饋環(huán)路，通過信息擴散的機制對輸入的低分辨率圖像進(jìn)行迭代運算，協(xié)助醫(yī)生對病變區(qū)域放大進(jìn)行細(xì)節(jié)查看。

3.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述各向異性擴散算法為F_PDE算法。

4.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述圖像去卷積方法包括：退化的圖像g(x,y)＝u(x,y)*h(x,y)+n(x,y)，其中u(x,y)為原始圖像，h(x,y)為退化函數(shù)，n(x,y)為噪聲圖像，通過最大似然估計方法得到最大的u(x,y)，所述最大的u(x,y)為恢復(fù)出來的原圖像。

5.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述采用反饋環(huán)路通過根據(jù)多樣性反饋機制動態(tài)調(diào)整慣性權(quán)重和主、輔子群粒子數(shù)量，解決多峰、高維函數(shù)的全局尋優(yōu)問題；所述信息擴散的機制為信息擴散函數(shù)。

6.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述紋理特征提取模塊通過如下方式對平坦性病變的紋理特征進(jìn)行檢測：

步驟B1：采用mean-shift方法對輸入圖像進(jìn)行預(yù)分割；

步驟B2：采用具有不變性的正交Zernike矩提取圖像局部的紋理統(tǒng)計信息，在紋理計算過程中引入積分圖和box?filter的結(jié)合對Zernike矩卷積核進(jìn)行近似，將大部分運算轉(zhuǎn)化成有限復(fù)雜度的加法。

7.如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述步驟B2具體通過如下方式提取圖像局部的紋理統(tǒng)計信息：

通過計算1－4階Zenike矩共14個模板與圖像進(jìn)行卷積，形成高維特征向量后進(jìn)行正則化并在高維空間上進(jìn)行K-means聚類，得到輸入圖像的紋理特征的初步描述。

8.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述分類學(xué)習(xí)預(yù)警模塊包括：

基于監(jiān)督學(xué)習(xí)的自動分類單元，在離線狀態(tài)下循環(huán)的學(xué)習(xí)不同病例中已經(jīng)標(biāo)識好的平坦性病變區(qū)域，并將訓(xùn)練圖像的紋理特征整合到一個區(qū)分式學(xué)習(xí)模型中，通過Adaboosting算法構(gòu)造二類分類器，其中每一個紋理特征構(gòu)成一個弱分類器，并通過加權(quán)求和構(gòu)成強分類器，根據(jù)條件隨機場理論，通過所述強分類器達(dá)到概率空間上的最佳分類結(jié)果；在在線狀態(tài)下，使用訓(xùn)練好的分類器對采集到的圖像進(jìn)行識別；

輔助診斷與預(yù)警單元，當(dāng)有可疑的病變區(qū)域被發(fā)現(xiàn)，啟動警報并記錄三維空間位置，提醒醫(yī)生進(jìn)行關(guān)注。