(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211291946.9 (22)申请日 2022.10.21 (71)申请人 武汉楚精灵医疗科技有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区高新大道818号武汉高科医疗器 械园B地块一期B10栋5层03号 (72)发明人 李昊　胡珊　 (74)专利代理 机构 深圳紫藤知识产权代理有限 公司 44570 专利代理师 李莎 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 7/70(2017.01) G06V 10/46(2022.01)G06V 10/764(2022.01) (54)发明名称 胃白光瘤变图像识别方法、 装置及存 储介质 (57)摘要 本申请实施例提供了一种胃白光瘤变图像 识别方法、 装置及存储介质， 该方法通过获取待 识别的胃白光瘤变图像， 进行部位识别， 得到部 位标签及对应的部位置信度， 对胃白光瘤变图像 进行标志物区域定位， 确定目标区域图像， 对目 标区域图像进行标志物分割， 得到分割图像， 获 取目标区域图像对应的第一特征量化值， 获取分 割图像对应的第二特征量化值， 将部位置信度、 各个第一特征量化值和各个第二特征量化值输 入已训练的机器学习分类器进行分类， 得到胃白 光瘤变图像的分类结果， 本实施例充分考量了胃 白光瘤变图像的不同的大部位包含的信息不同、 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， 大大提高了胃白光瘤变图像的 识别效率。 权利要求书3页 说明书15页 附图3页 CN 115375674 A 2022.11.22 CN 115375674 A 1.一种胃白光瘤变图像识别方法， 其特 征在于， 包括： 获取待识别的胃白光瘤变图像； 对所述胃白光瘤变图像进行部位识别， 得到所述胃白光瘤变图像的部位标签及对应的 部位置信度； 对所述胃白光瘤变图像进行标志物区域定位， 确定标志物区域的预测框， 按照所述预 测框在所述胃白光瘤变图像进行裁 剪， 得到包 含标志物的目标区域图像； 对所述目标区域图像进行标志物分割， 得到分割图像， 所述分割图像包括标志物图像 和背景黏膜图像； 对所述目标区域图像进行若干第 一预设属性的特征提取， 获取各个所述第 一预设属性 对应的第一特 征量化值； 对所述分割图像进行若干第 二预设属性的特征提取， 获取各个所述第 二预设属性对应 的第二特 征量化值； 将所述部位置信度、 各个所述第 一特征量化值和各个所述第 二特征量化值输入已训练 的机器学习分类 器进行分类， 得到所述胃白光瘤变图像的分类结果。 2.如权利要求1所述的胃白光瘤变图像识别方法， 其特征在于， 所述若干第 一预设属性 包括边界清晰度属性、 表面粗糙度属 性、 出血状态属性、 红白色调属性、 表面形态属 性及图 像宽高比属性； 所述对所述目标区域图像进行若干第 一预设属性的特征提取， 获取各个所述第 一预设 属性对应的第一特 征量化值的步骤， 包括： 将所述目标区域图像输入训练后的边界清晰度分类器中进行识别， 得到的清晰度 结果 确定为所述 边界清晰度属性对应的第一特 征量化值； 将所述目标区域图像输入训练后的表面粗糙度分类器中进行识别， 得到的粗糙度 结果 确定为所述表面 粗糙度属性对应的第一特 征量化值； 将所述目标区域图像输入训练后的出血状态分类器中进行识别， 得到的出血状态结果 确定为所述出 血状态属性对应的第一特 征量化值； 将所述目标区域图像输入训练后的红白色调分类器中进行识别， 得到的红白色调结果 确定为所述红白色调属性对应的第一特 征量化值； 将所述目标区域图像输入训练后的表面形态属性分类器中进行识别， 得到的形态结果 确定为所述表面形态属性对应的第一特 征量化值； 获取所述预测框的边界坐标， 根据 所述边界坐标确定所述图像宽高比属性对应的第 一 特征量化值。 3.如权利要求1所述的胃白光瘤变图像识别方法， 其特征在于， 所述若干第 二预设属性 包括颜色属性、 纹 理属性及图像熵属性； 所述对所述分割图像进行若干第 二预设属性的特征提取， 获取各个所述第 二预设属性 对应的第二特 征量化值的步骤， 包括： 采用预设的颜色量化方法确定所述标志物图像的第 一颜色结果， 并采用所述预设的颜 色量化方法确定所述背景黏膜图像的第二颜色结果， 将所述第一颜色结果与所述第二颜色 结果的颜色比例值确定为所述颜色属性对应的第二特 征量化值； 提取所述标志物图像的局部二值纹理特征确定为第 一纹理结果， 并提取所述背景黏膜权　利　要　求　书 1/3 页 2 CN 115375674 A 2图像的局部二值纹理特征确定为第二纹理结果， 将所述第一纹理结果与所述第二颜色结果 的纹理比例值确定为所述纹 理属性对应的第二特 征量化值； 采用预设的图像熵量化方法确定所述标志物图像的第 一图像熵结果， 并采用所述预设 的图像熵量化方法确定所述背 景黏膜图像的第二图像熵结果， 将所述第一图像熵结果与所 述第二图像熵结果的图像熵比例值确定为所述图像熵属性对应的第二特 征量化值。 4.如权利要求3所述的胃白光瘤变图像识别方法， 其特征在于， 所述采用预设的颜色量 化方法确定所述标志 物图像的第一颜色结果的步骤， 包括： 将所述标志物图像转换为XYZ颜色空间图像， 对所述XYZ颜色空间图像进行通道分解， 得到Z通道图像； 对所述Z通道图像进行锐化处 理， 得到锐化图像； 对所述锐化图像进行像素归一 化处理， 得到归一 化图像； 对所述归一 化图像进行 方向梯度直方图特 征提取， 得到所述第一颜色结果。 5.如权利要求3所述的胃白光瘤变图像识别方法， 其特征在于， 所述采用预设的图像熵 量化方法确定所述标志 物图像的第一图像熵结果的步骤， 包括： 将所述标志 物图像转换为HSV颜色空间图像； 确定所述HSV颜色空间图像在H通道、 S通道及V通道对应的二维熵， 基于所述H通道、 S通道及V通道对应的二维熵确定所述第一图像熵结果。 6.如权利要求1所述的胃白光瘤变图像识别方法， 其特征在于， 所述已训练的机器学习 分类器包括特 征拟合子网络和分类子网络； 所述将所述部位置信度、 各个所述第 一特征量化值和各个所述第 二特征量化值输入已 训练的机器学习分类 器进行分类， 得到所述胃白光瘤变图像的分类结果的步骤， 包括： 采用所述特征拟合子网络对所述部位置信度、 各个所述第 一特征量化值和各个所述第 二特征量化值进行拟合处 理， 得到判定系数； 基于所述判定系数， 采用所述分类子网络进行分析， 得到所述分类结果。 7.如权利要求6所述的胃白光瘤变图像识别方法， 其特征在于， 所述分类结果包括正常 结果或异常结果， 其中， 异常结果表征胃部存在异物的概率大于或者等于预设阈值， 正常结 果表征胃部存在异物的概率小于所述预设阈值， 所述分类子网络包括标准系 数， 在所述采 用所述特征拟合子网络对所述部位置信度、 各个所述第一特征量化值和各个所述第二特征 量化值进行拟合处 理， 得到判定系数的步骤之后， 还 包括： 获取分类结果为所述正常结果对应的判定系数作为第 一判定系数， 并获取分类结果为 所述异常结果对应的判定系数作为第二判定系数； 根据所述第一判定系数和所述第二判定系数确定所述标准系数。 8.如权利要求7所述的胃白光瘤变图像识别方法， 其特征在于， 在所述根据所述第 一判 定系数和所述第二判定系数确定所述标准系数的步骤之后， 还 包括： 获取训练图像样本中的正样本图像对应的第一判定系数及负样本图像对应的第二判 定系数； 按照预设的校准 规则分别对所述第一判定系数和所述第二判定系数进行 校准； 基于校准后第 一判定系数和校准后的第 二判定系数的对所述标准系数进行更新， 得到 更新后的标准系数。权　利　要　求　书 2/3 页 3 CN 115375674 A 3