消化内镜手术分级标准(基于分级策略和规则修正的无线内镜图像出血检测方法)

无线胶囊内镜作为一种无痛、无创的出血检测的有效手段，在消化道，临床上已得到广泛应用[1]。然而，由于胶囊内镜的体积小、分辨率低、图像数量大、图像重复次数多，人工读片效率低、成本高，不仅花费医生宝贵的时间，而且容易造成医生疲劳和漏诊。开发基于图像处理和模式识别技术的实时自动识别诊断系统，可以大大降低医生的劳动强度和患者诊断的成本和时间。

近年来，国内外一些研究机构和胶囊制造商开始尝试建立计算机辅助诊断系统(CAD)，该系统可以从大量的内窥镜图像中识别出血图像，帮助医生进行诊断[2]。以色列给定影像公司提供的可疑血液指标(SBI)帮助医生发现出血病灶或可疑血管畸形病灶；奥林巴斯开发的内囊系统也有一些新的辅助读片功能；重庆金山科技有限公司生产的OMOM胶囊内窥镜系统，其图像工作站也具有图像处理功能，有助于减少医生看电影的时间，但功能还需进一步完善。目前，对消化道，出血图像识别和分类的主要步骤是：首先从对图像中提取特征，然后根据提取的特征将图像分为出血模式和非出血模式。特征提取方法可分为基于像素的特征、全局特征和局部特征。

在基于像素特征的研究中，徐[3]和潘[4]在提取图像特征时利用了两种不同颜色空间中像素的特征，并利用神经网络分类器对其进行分类。由于图像像素数量巨大，待检测数据量巨大，并且需要进行颜色空间转换，使用智能分类方法导致计算复杂度高、效率低。Yan等人[5]利用RGB颜色空间中待测像素与标准渗色像素之间的相似系数作为分类依据，速度较快，但要达到较好的检测效果，需要确定合适的标准渗色像素和相似阈值，使得算法适应性不够。在基于全局特征的研究方面，基于整幅图像颜色模糊纹理谱直方图提取图像特征向量的方法具有较快的检测速度，但由于算法没有考虑图像的空间特征，容易造成小出血区域的漏检，最终分类效果较差[6]。尽管特征向量是通过组合空间金字塔[7]来构造的，但是空间划分是固定的，没有考虑实际图像的特定空间分布，因此对的小出血区域的检测效果不理想。

宋[8]在研究局部特征的基础上，利用分水岭算法对图像进行分割，并根据分割后的各个区域在CIEluv颜色空间的色差均值完成出血检测。李[9]构建了具有局部和全局特征的级联病变检测算法，以进一步降低漏检率。其中，基于超像素对图像的分割方法在一些文献[10]中逐渐流行，并取得了良好的检测效果。超像素是指图像中一系列彼此相邻且具有相似颜色、亮度和纹理特征的小区域。这些小区域中的大多数保留了用于进一步图像分割的有效信息，并且通常不会破坏图像中对象的边界信息。基于超像素的图像分割后，其图像单元更加符合人们期望的结构粒度，有利于后续的算法处理。然而，分割算法过于复杂，对在处理大量图像时没有优势。6结论

本文讨论了对无线内窥镜图像的出血检测算法。针对小尺寸、低分辨率、图像数量大、重复图像多的特点，提出了一种基于分级策略和规则修正的自动出血检测算法。本文首先分析了对图像的颜色特征，并利用对图像的归一化红色纯度特征进行初步分类。然后，建立相关规则建立二次模型，对对的初步分类结果进行去噪，选择疑似出血图像；最后，利用三级模型对疑似出血图像进行边缘去除和超像素分割，提取改进的红色纯度特征向量作为SVM分类器的输入进行分类，筛选出出血图像。最后，通过软件编程实现了该算法，并通过3例患者完整的内窥镜图像实验验证了该算法的可行性。实验结果表明，该算法可以将患者图像的数量从数万减少到数千，大大减少了医生的阅读量，准确率达到90%以上，灵敏度达到93%以上，特异性达到90%以上。它基本实现了胶囊内镜图像中出血的智能识别，并将取代临床医生对胶囊内镜图像的初步检测。