[发明专利]一种结肠镜图像的数据增强方法

说明书

本发明公开了一种结肠镜图像的数据增强方法，属于计算机视觉技术领域，方法包括：获取多张原始结肠镜图像，对灰度信息和饱和度信息进行融合，获得原始结肠镜图像反光区域坐标点集合；从反光区域坐标点集合中计算出小反光区的坐标点集合并对其进行恢复，得到小反光区恢复图像；将源图像和目标域图像转换至LAB颜色空间；计算源图像和目标域图像中除了反光区域和暗色区域以外的各颜色通道的标准差和均值；将源图像的颜色域迁移至目标域图像对应的目标域；对迁移图像的暗色区域进行恢复，得到颜色域迁移增强图像；将原始结肠镜图像，小反光区恢复图像和颜色域迁移增强图像组成结肠镜增强图像数据集合，其中，结肠镜增强图像数据集合用于后续图像分析。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种结肠镜图像的数据增强方法。

背景技术

结肠镜是进行肠道疾病筛查的重要标准，结肠镜筛查目前主要依靠医生进行人工检查。然而，限于医生经验、体力、设备成像等约束，人工检查仍存在较大的病灶漏检可能。

随着人工智能技术的发展，卷积神经网络在视觉领域中的分析性能大幅提升，其在某些视觉分析任务中甚至已经超越人类水平。鉴于此，卷积神经网络被广泛用于结肠镜病灶智能分析，如息肉检测、分型、出血检测等。尽管相应算法已表现出了一定的分析性能，如病灶召回率，但同专家水平的检查结果仍然存在较大差距。现有人工智能算法用于临床结肠镜分析的一个很大约束是其对跨域场景的适应性。跨域主要是指不同设备采集图像时生成的图像具有差异性的问题。人工智能算法主要通过人工构建的图像数据集合进行学习，单一数据容易将人工智能算法引入局部最优。现有图像数据增强算法主要是通过图像旋转、裁切、缩放、颜色随机变换等方式进行，尚缺乏针对结肠镜图像特性的技术方法。

综上所述，在结肠镜场景下，人工智能对结肠镜病灶的图像进行分析时，因为参考图像数据单一，导致分析结果稳定性差，可靠性低。

发明内容

本发明实施例的目的是提供一种结肠镜图像的数据增强方法，能够解决现有的人工智能进行结肠镜病灶分析的过程中参考图像数据单一，分析结果稳定性差，可靠性低的技术问题。

为了解决上述技术问题，本发明是这样实现的：

本发明实施例提供了一种结肠镜图像的数据增强方法，包括：

S101：获取多张原始结肠镜图像，将每张原始结肠镜图像的颜色空间分别转换至灰度空间和色调-饱和度-亮度颜色空间，得到原始结肠镜图像的灰度信息和饱和度信息；

S102：对灰度信息和饱和度信息进行融合，并根据第一预设强度阈值和第二预设强度阈值，获得原始结肠镜图像的反光区域坐标点集合；

S103：根据第三预设强度阈值，从反光区域坐标点集合中计算出小反光区的坐标点集合；

S104：对小反光区的坐标点进行恢复，得到小反光区恢复图像；

S105：选取源图像和目标域图像，通过融合多特征空间提取反光区域和暗色区域，其中，源图像为原始结肠镜图像或小反光区恢复图像；

S106：将源图像和目标域图像转换至LAB颜色空间，得到源图像的分量特征和目标域图像的分量特征，目标域图像分辨率比源图像分辨率高且与源图像具有相同的样本，分量特征包括L分量强度值，A分量强度值和B分量强度值；

S107：根据源图像的分量特征和目标域图像的分量特征，计算源图像中除了反光区域和暗色区域以外的图像区域的各颜色通道的标准差和均值，计算目标域图像中除了反光区域和暗色区域以外的图像区域的各颜色通道的标准差和均值；

S108：根据源图像的标准差和均值、目标域图像的标准差和均值，将源图像的颜色域迁移至目标域图像对应的目标域，得到迁移图像；

S109：对迁移图像的暗色区域进行恢复，得到颜色域迁移增强图像；