[发明专利]上皮乳头内毛细血管图像的分类方法、装置、设备及介质

权利要求书

1.一种上皮乳头内毛细血管图像的分类方法，其特征在于，包括：

将上皮乳头内毛细血管的内镜图像输入至预先训练的神经网络模型中，得到所述内镜图像的有效区域；

根据连通域算法从所述有效区域中获取所述内镜图像中的目标血管区域；

获取所述目标血管区域中目标血管的特征性直径、特征性扭曲性量化值、特征性面积占比量、质心偏心距以及整图密度；

将所述特征性直径、所述特征性扭曲性量化值、所述特征性面积占比量、所述质心偏心距以及所述整图密度输入至预先训练的分类模型中，得到所述内镜图像的分类结果；

其中，所述获取所述目标血管区域中目标血管的特征性直径、特征性扭曲性量化值、特征性面积占比量、质心偏心距以及整图密度，包括：

根据所述目标血管的最大类平均直径、最小类平均直径生成所述特征性直径；

分别获取所述目标血管的多个扭曲性量化值和多个面积占比量；其中，每个面积占比量根据预设的面积占比公式计算得到；

根据预设的血管扭曲性量化公式对多个扭曲性量化值进行计算，得到所述特征性扭曲性量化值；

根据预设的几何平均数计算公式对所述多个面积占比量进行计算，得到所述特征性面积占比量；

根据所述有效区域的等效质心、所述内镜图像的几何中心生成所述质心偏心距；

根据预设的血管整图密度公式获取所述整图密度；

所述特征性直径的计算公式为：

其中，为最大类平均直径，为最小类平均直径；

所述特征性扭曲性量化公式为：

其中，为血管扭曲性量化值，n为微血管管壁内外两侧像素点总个数，和分布别为血管的最小外接矩形的长和宽；

所述面积占比公式为：

其中，为血管中心线上每个像素点处的血管直径，和分布别为血管的最小外接矩形的长和宽，Δ_i为所述目标血管中各个部位处的面积占比量；

所述几何平均数计算公式为：

其中，Δ为所述特征性扭曲性量；

所述质心偏心距计算公式为：

其中，e为质心偏心距，为有效区域的等效质心，为内镜图像中每根血管的质心，为内镜图像中每根血管面积，和在连通域的基础上获得，为内镜图像的几何中心，；

所述血管整图密度公式为：

其中，为血管整图中每根血管面积，可通过连通域获得，W、H分别为内镜图像的宽和高。

2.根据权利要求1所述的上皮乳头内毛细血管图像的分类方法，其特征在于，在所述将上皮乳头内毛细血管的内镜图像输入至预先训练的神经网络模型中，得到所述内镜图像的有效区域之前，还包括：

将训练样本输入至所述神经网络模型中，得到所述神经网络模型的均方误差损失；

根据所述均方误差损失更新所述神经网络模型的网络参数。

3.根据权利要求2所述的上皮乳头内毛细血管图像的分类方法，其特征在于，在所述将训练样本输入至所述神经网络模型中，得到所述神经网络模型的均方误差损失之前，还包括：

对所述上皮乳头内毛细血管的内镜视频进行视频解码，得到视频解码图像；

对所述视频解码图像进行标注，得到所述训练样本。

4.根据权利要求1所述的上皮乳头内毛细血管图像的分类方法，其特征在于，所述根据连通域算法从所述有效区域中提取所述内镜图像中的目标血管区域，包括：

遍历所述有效区域，得到所述目标血管的连通域面积和最小外接水平矩形；

根据所述连通域面积、所述最小外接水平矩形确定所述目标血管区域。

5.根据权利要求1所述的上皮乳头内毛细血管图像的分类方法，其特征在于，在所述根据所述目标血管的最大类平均直径、最小类平均直径生成所述特征性直径之前，还包括：

获取所述目标血管中每根血管的多个直径；

对每个分支的多个直径进行筛选，得到筛选后直径；

根据K-means算法对所述筛选后直径进行聚类，得到筛选后的每个直径的聚类结果；

根据所述聚类结果生成所述最大类平均直径和所述最小类平均直径。