一种胃肠上皮化生进展风险预测方法与装置制造方法及图纸

本发明专利技术公开了一种胃肠上皮化生进展风险预测方法与装置，涉及图像处理技术领域，该方法包括以下步骤：通过获取标志物分割图像、萎缩性胃炎分割图像以及肠化分割图像的标签属性的特征量化值，进行胃镜图像肠化等级分类；所述标志物分割图像的第一标签属性包括血管属性、褶皱属性、颜色属性、弥漫属性；所述萎缩性胃炎分割图像的第二标签属性包括粗糙度属性、绒毛样属性、偏白色属性、亮蓝脊属性；所述肠化分割图像的第三标签属性包括位置属性、形态属性。本发明专利技术充分考量了胃镜图像多个不同属性的特征量化值对图像处理的准确性及直观性影响，有效提高肠化风险等级识别效率和识别准确率。确率。确率。

【技术实现步骤摘要】
一种胃肠上皮化生进展风险预测方法与装置


[0001]本专利技术属于图像处理
，具体涉及一种胃肠上皮化生进展风险预测方法与装置。

技术介绍

[0002]肠上皮化生是肠型胃癌的主要癌前疾病。多中心调查发现我国胃肠上皮化生患病率约为23.6％，基数庞大。目前临床上常规依据指南对肠上皮化生患者进行定期复查。然而，仅有0.2％的肠上皮化生患者有机会进展为胃癌，其余患者病情保持稳定甚至发生好转，但尚无有效方法区分高或低进展风险肠上皮化生。这一方面导致医患对肠上皮化生的重视程度不高、规范复查率不足50％，使得部分高进展风险患者病情延误；另一方面导致部分低进展风险患者接受长期、多次复查，带来一定的医疗资源浪费。

技术实现思路

[0003]针对以上问题，本专利技术第一方提供了一种胃肠上皮化生进展风险预测方法，可以有效提高肠化风险等级识别效率和识别准确率。
[0004]为达到以上目的，本专利技术采取的技术方案是：
[0005]一种胃肠上皮化生进展风险预测方法，包括以下步骤：
[0006]通过获取标志物分割图像、萎缩性胃炎分割图像以及肠化分割图像的标签属性的特征量化值，进行胃镜图像肠化等级分类；
[0007]所述标志物分割图像的第一标签属性包括血管属性、褶皱属性、颜色属性、弥漫属性；
[0008]所述萎缩性胃炎分割图像的第二标签属性包括粗糙度属性、绒毛样属性、偏白色属性、亮蓝脊属性；
[0009]所述肠化分割图像的第三标签属性包括位置属性、形态属性。
[0010]一些实施例中，所述通过获取标志物分割图像、萎缩性胃炎分割图像以及肠化分割图像的标签属性的特征量化值，进行胃镜图像肠化等级分类，包括以下步骤：
[0011]获取胃镜图像，对所述胃镜图像进行标志物分割，获取标志物分割图像；
[0012]对所述标志物分割图像进行第一标签属性的特征提取，获取第一标签属性对应的第一特征量化值，将第一特征量化值输入已训练的机器学习分类器进行分类，得到胃镜图像萎缩性胃炎分类结果；
[0013]对所述萎缩性胃炎分割图像进行第二标签属性的特征提取，获取第二标签属性对应的第二特征量化值，将所述第二特征量化值输入已训练的机器学习分类器进行分类，得到胃镜图像肠化分类结果；
[0014]对所述肠化分割图像进行第三标签属性的特征提取，获取第三标签属性对应的第三特征量化值，将所述第三特征量化值输入已训练的机器学习分类器进行分类，得到胃镜图像肠化风险等级分类结果。
[0015]一些实施例中，对所述标志物分割图像进行第一标签属性的特征提取，获取第一标签属性对应的第一特征量化值，包括以下步骤：
[0016]获取标志物分割图像中的血管分割图像；
[0017]根据公式：
[0018][0019]得到血管特征量化值label1，其中n
v
是血管分割图像中血管数目，s
v
是血管分割图像中血管面积，S是标志物分割图像面积；
[0020]根据公式：
[0021][0022]得到褶皱特征量化值label2，其中s
z
是标志物分割图像中标志物区域内的褶皱面积，n
z
是标志物分割图像中标志物区域内的褶皱数目，S是标志物分割图像面积，s
f
是标志物分割图像中非标志物区域内的褶皱面积，n
f
是标志物分割图像中非标志物区域内的褶皱数量；
[0023]根据公式：
[0024][0025]得到颜色特征量化值label3，其中r
c
，g
c
，b
c
是三通道平均颜色值，S是标志物分割图像中标志物区域的面积，n
c
是剔除接近黑色的颜色后对剩余列表计算平均数目；
[0026]根据公式：
[0027][0028]得到弥漫特征量化值label4，其中M是对整个胃内壁进行采图的数量，w
Qi
，h
Qi
是每张图像宽和高，S
i
是对每张图像进行标志物分割并在连通域的基础上的到标志物的面积，w
bi
，h
bi
是标志物的宽和高，(x
bi
,y
bi
)是标志物的形心坐标。
[0029]一些实施例中，所述血管分割图像，获取步骤包括：
[0030]将标志物分割图像转为灰度图像后进行二值化；
[0031]对所述二值化的标志物分割图像进行腐蚀操作，得到标志物分割图像掩码图像；
[0032]对所述标志物分割图像灰度图像进行中值滤波；
[0033]对所得所述中值滤波后的标志物分割图像进行直方图均衡化；
[0034]对所述直方图均衡化后的标志物分割图像进行伽马变换；
[0035]对所得所述伽马变换后的标志物分割图像进行卷积操作；
[0036]将所述卷积后的标志物分割图像与所述标志物分割图像掩码图像进行逐位对比，如若掩码图像中某处像素值为0，则将卷积后的标志物分割图像在此处像素值置为0，获得去噪后的标志物分割图像；
[0037]对去噪后的标志物分割图像进行对比度拉伸，得到标志物分割图像对应的血管分
割图像。
[0038]一些实施例中，对所述萎缩性胃炎分割图像进行第二标签属性的特征提取，获取第二标签属性对应的第二特征量化值，包括以下步骤：
[0039]根据公式：
[0040][0041]得到粗糙度特征量化值label5，其中W
W
，H
W
分别是萎缩性胃炎分割图像的宽和高，P
mean
是萎缩性胃炎分割图像的平均像素值，img
W
为萎缩性胃炎分割图像，W0为按照某一设定的阈值将萎缩性胃炎分割图进行二值化后方差最大所在行，0＜W0＜W
W
；
[0042]根据公式：
[0043][0044]得到绒毛样特征量化值label6，其中N
r
是绒毛样区域数目，s
ri
是绒毛样区域的面积，w
ri
，h
ri
是绒毛样区域最小外接矩形的宽和高，n
ri
是绒毛样区域的角点并在角点处进行打断获得绒毛段的数目；
[0045]根据公式：
[0046][0047]得到偏白色特征量化值label7，其中n
b
是最大类像素点数目，(r
bi
,g
bi
,b
bi
)颜色数目最多类别的各个像素点的像素值；
[0048]根据公式：
[0049][0050]得到亮蓝脊特征量化值label8，其中W
L
，H
L
是亮蓝脊分割图像的宽和高，img
L
是为亮蓝脊分割图像，(x
RSL
,y...

【技术保护点】

【技术特征摘要】
1.一种胃肠上皮化生进展风险预测方法，其特征在于，包括以下步骤：通过获取标志物分割图像、萎缩性胃炎分割图像以及肠化分割图像的标签属性的特征量化值，进行胃镜图像肠化等级分类；所述标志物分割图像的第一标签属性包括血管属性、褶皱属性、颜色属性、弥漫属性；所述萎缩性胃炎分割图像的第二标签属性包括粗糙度属性、绒毛样属性、偏白色属性、亮蓝脊属性；所述肠化分割图像的第三标签属性包括位置属性、形态属性。2.如权利要求1所述的一种胃肠上皮化生进展风险预测方法，其特征在于，所述通过获取标志物分割图像、萎缩性胃炎分割图像以及肠化分割图像的标签属性的特征量化值，进行胃镜图像肠化等级分类，包括以下步骤：获取胃镜图像，对所述胃镜图像进行标志物分割，获取标志物分割图像；对所述标志物分割图像进行第一标签属性的特征提取，获取第一标签属性对应的第一特征量化值，将第一特征量化值输入已训练的机器学习分类器进行分类，得到胃镜图像萎缩性胃炎分类结果；对所述萎缩性胃炎分割图像进行第二标签属性的特征提取，获取第二标签属性对应的第二特征量化值，将所述第二特征量化值输入已训练的机器学习分类器进行分类，得到胃镜图像肠化分类结果；对所述肠化分割图像进行第三标签属性的特征提取，获取第三标签属性对应的第三特征量化值，将所述第三特征量化值输入已训练的机器学习分类器进行分类，得到胃镜图像肠化风险等级分类结果。3.如权利要求2所述的一种胃肠上皮化生进展风险预测方法，其特征在于，对所述标志物分割图像进行第一标签属性的特征提取，获取第一标签属性对应的第一特征量化值，包括以下步骤：获取标志物分割图像中的血管分割图像；根据公式：得到血管特征量化值label1，其中n
v
是血管分割图像中血管数目，s
v
是血管分割图像中血管面积，S是标志物分割图像面积；根据公式：得到褶皱特征量化值label2，其中s
z
是标志物分割图像中标志物区域内的褶皱面积，n
z
是标志物分割图像中标志物区域内的褶皱数目，S是标志物分割图像面积，s
f
是标志物分割图像中非标志物区域内的褶皱面积，n
f
是标志物分割图像中非标志物区域内的褶皱数量；根据公式：
得到颜色特征量化值label3，其中r
c
，g
c
，b
c
是三通道平均颜色值，S是标志物分割图像中标志物区域的面积，n
c
是剔除接近黑色的颜色后对剩余列表计算平均数目；根据公式：得到弥漫特征量化值label4，其中M是对整个胃内壁进行采图的数量，w
Qi
，h
Qi
是每张图像宽和高，S
i
是对每张图像进行标志物分割并在连通域的基础上的到标志物的面积，w
bi
，h
bi
是标志物的宽和高，(x
bi
,y
bi
)是标志物的形心坐标。4.如权利要求3所述的一种胃肠上皮化生进展风险预测方法，其特征在于，所述获取标志物分割图像中的血管分割图像，包括：将标志物分割图像转为灰度图像后进行二值化；对所述二值化的标志物分割图像进行腐蚀操作，得到标志物分割图像掩码图像；对所述标志物分割图像的灰度图像进行中值滤波；对所得所述中值滤波后的标志物分割图像进行直方图均衡化；对所述直方图均衡化后的标志物分割图像进行伽马变换；对所得所述伽马变换后的标志物分割图像进行卷积操作；将所述卷积后的标志物分割图像与所述标志物分割图像掩码图像进行逐位对比，如若掩码图像中某处像素值为0，则将卷积后的标志物分割图像在此处像素值置为0，获得去噪后的标志物分割图像；对去噪后的标志物分割图像进行对比度拉伸，得到标志物分割图像对应的血管分割图像。5.如权利要求2所述的一种胃肠上皮化生进展风险预测方法，其特征在于，对所述萎缩性胃炎分割图像进行第二标签属性的特征提取，获取第二标签属性对应的第二特征量化值，包括以下步骤：根据公式：得到粗糙度特征量化值label5，其中W
W
，H
W
分别是萎缩性胃炎分割图像的宽和高，P
mean
是萎缩性胃炎分割图像的平均像素值，img
W
为萎缩性胃炎分割图像，W0为按照某一设定的阈值将萎缩性胃炎分割图进行二值化后方差最大所在行，0＜W0＜W
W
；根据公式：得到绒毛样特征量化值label6，其中N
r
是绒毛样区域数目，s
ri
是绒毛样区域的面积，
w
ri
，h
ri
是绒毛样区域最小外接矩形的宽和高，n
ri
是绒毛样区域的角点并在角点处进行打断获得绒毛段的数目；根据公式：得到偏白色特征量化值label7，其中n
b
是最大类像素点数目，(r
bi
,g
bi
,b
bi
)颜色数目最多类别的各个像素点的像素值；根据公式：得到亮蓝脊特征量化值label8，其中W
L
，H
L
是亮蓝脊分割图像的宽和高，img
L
是为亮蓝脊分割图像，(x
RSL
,y
RSL
)是亮蓝脊分割图像形心坐标，S
RSL
是亮蓝脊分割图像面积，(x
RS
,y
RS
)是染色放大萎缩性胃...

【专利技术属性】
技术研发人员：吴练练，
申请(专利权)人：武汉大学人民医院湖北省人民医院，
类型：发明
国别省市：