上皮乳头内毛细血管图像的分类方法、装置、设备及介质与流程

1.本发明涉及医疗辅助技术领域，尤其涉及一种上皮乳头内毛细血管图像的分类方法、装置、设备及介质。


背景技术：

2.上皮乳头内毛细血管袢(intraa pillary capillary loops，ipcl)是垂直于鳞状上皮下的分支血管而形成的微血管。其中，上皮乳头内毛细血管袢的形态改变程度是在内镜下诊断食管癌浸润深度的关键指标，ipcl结构的破坏随着肿瘤的浸润益增，因而识别ipcl的变化在评价食管
‑
咽部病变中起着重要作用。当鳞状细胞癌侵袭至固有粘膜层时，不规则的微血管呈管径增粗的袢状形成；当肿瘤侵袭至粘膜肌层或浅层侵袭粘膜下层时，异常微血管袢状结构消失，呈明显的拉长变形；肿瘤深度侵及粘膜下层，ipcl结构的通常呈完全破坏状态，且血管的直径至少是浅层浸润血管直径的3倍，并伴有口径增粗、形态多样的异常肿瘤血管发生。因此，食管鳞状细胞癌的ipcl血管呈现出扩张、弯曲、口径变化和形状异常等不规则程度异常。
3.目前，食管病变性质判断通常是采用窄带成像(nbi)技术来观察上皮乳头内毛细血管袢来确定，具体是将粘膜表面的血管被染成棕色以与背景组织形成高对比度来详细检查毛细血管的变化，然后根据ipcl的异常程度提出分型标准，以预测食管癌的浸润深度。但是由于染色放大下血管异型程度评估标准难以同质化，并受评估者主观性影响大，难以实现染色放大内镜下食管ipcl异常程度同质化和高精度评价，导致在通过染色内镜对食管癌浸润深度判断时，准确性较差，效率较低的技术问题。


技术实现要素：

4.本发明实施例提供了一种上皮乳头内毛细血管图像的分类方法、装置、设备及介质，解决了现有技术中在染色内镜下无法精准识别食管癌浸润深度的技术问题。
5.第一方面，本发明实施例提供了一种上皮乳头内毛细血管图像的分类方法，其包括：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。
6.第二方面，本发明实施例提供了一种上皮乳头内毛细血管图像的分类装置，其包括：第一输入单元，用于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；第一获取单元，用于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；第二获取单元，用于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；第二输入单元，用于将所述特征性直径、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。
7.第三方面，本发明实施例又提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的上皮乳头内毛细血管图像的分类方法。
8.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的上皮乳头内毛细血管图像的分类方法。
9.本发明实施例提供了一种上皮乳头内毛细血管图像的分类方法、装置、设备及介质，该方法采用神经网络技术从内镜图像中提取目标血管以获取评价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的五个指标，然后根据该五个指标对目标血管进行分类，根据目标血管的分类结果便可确定上皮乳头内毛细血管袢的当前形态，进而实现对食管癌浸润深度进行精准的判断，提高了食管癌浸润深度判断的效率以及准确率。
附图说明
10.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
11.图1为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的流程示意图；图2为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的子流程示意图；图3为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的另一流程示意图；图4为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的另一流程示意图；图5为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的另一流程示意图；图6为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的另一流程示意图；图7为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的另一流程示意图；图8为本发明实施例提供的上皮乳头内毛细血管图像的分类装置的示意性框图；
图9为本发明实施例提供的计算机设备的示意性框图；图10为本发明实施例提供的具体应用流程图；图11为本发明实施例提供的获取内镜图像中有效区域的流程图；图12为本发明实施例提供的采用面积法判断目标血管的每个像素点是否位于目标血管区域内的坐标图；图13为本发明实施例提供的获取内镜图像中目标血管的效果图；图14为本发明实施例提供的采用halcon测量内镜图像的目标血管的直径的示意图；图15为本发明实施例提供的内镜图像中目标血管的扭曲性量化的示意图；图16为本发明实施例提供的内镜图像的几何中心以及有效区域的等效质心的示意图。
具体实施方式
12.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
13.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
14.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
15.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
16.请参阅图1，图1为本发明实施例提供的上皮乳头内毛细血管图像的分类方法的流程示意图。本发明实施例的所述的上皮乳头内毛细血管图像的分类方法应用于终端设备中，该方法通过安装于终端设备中的应用软件进行执行。其中，终端设备为具备接入互联网功能的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等终端设备。
17.下面对所述的上皮乳头内毛细血管图像的分类方法进行详细说明。
18.如图1所示，该方法包括以下步骤s110~s140。
19.s110、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。
20.其中，所述内镜图像通过nbi技术得到且所述内镜图像中存在有上皮乳头内毛细血管，所述神经网络模型为预先训练好且用于从所述内镜图像中提取含有上皮乳头内毛细血管的特征信息，即所述有效区域。
21.具体的，所述神经网络模型为具有图像分割功能的神经网络构建得到，该神经网络既可以为unet神经网络，也可以为mask
‑
rcnn神经网络。
22.需要说明的是，在构建所述神经网络模型的过程中，具体所述神经网络模型具体
采用的神经网络可根据实际情况进行选择，本发明不做具体限定。
23.在其他发明实施例中，如图2所示，步骤s110之前，还包括：s210和s220。
24.s210、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；s220、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。
25.在本实施例中，如图11所示，图11为本发明实施例提供的获取内镜图像中有效区域的流程图。所述神经网络模型通过unet神经网络构建得到，其中unet神经网络根据全卷积神经网络上进行改进得到，unet神经网络通过加强层与层之间的联系，加上上采样和下卷积，实现特征的充分提取，进而在较少的训练样本的情况下实现准确的分割。所述神经网络模型采用unet神经网络可有效地从所述内镜图像中提取含有上皮乳头内毛细血管的特征信息。
26.具体的，所述训练样本同样通过nbi技术得到且所述训练样本中存在有上皮乳头内毛细血管的特征信息，所述训练样本输入至所述神经网络模型中后，通过所述神经网络模型输出的均方误差损失便可对所述神经网络模型的网络参数进行更新，进而实现对所述神经网络模型的训练。
27.生成所述均方误差损失的函数为：其中，m为输入的训练样本数，神经网络模型的预测值为y，真实值为。
28.在其他发明实施例中，如图3所示，步骤s210之前，还包括：s310和s320。
29.s310、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；s320、对所述视频解码图像进行标注，得到所述训练样本。
30.在本实施例中，所述训练样本通过nbi技术拍摄的食管内镜视频中得到，终端设备在获取到所述内镜图像的视频后，对该视频进行解码处理以得到所述视频解码图像，然后对所述视频解码图像进行标注以勾勒出所述视频解码图像中的血管轮廓以形成用于训练所述神经网络模型的训练样本，进而使得所述训练样本输入至所述神经网络模型中后，便可得到所述神经网络模型的均方误差损失，从而实现对所述神经网络模型的训练。
31.s120、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。
32.具体的，所述连通域算法又称连通域标记算法，即在所述有效区域中完成所述内镜图像中的目标血管的标记，通过所述连通域算法从所述有效区域中获取所述目标血管区域后，便可得到用于判断所述内镜图像中食管癌浸润深度的五个指标，然后根据该五个指标进行线性加权计算，便可分类出所述内镜图像中的上皮乳头内毛细血管袢的当前形态，进而实现对所述内镜图像中食管癌浸润深度的判断。
33.在其他发明实施例中，如图4所示，步骤s120包括子步骤s121和s122。
34.s121、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；s122、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。
35.具体的，通过遍历所述有效区域以得到所述有效区域中所有血管的连通域面积和
最小外接水平矩形，然后从中确定所述目标血管的连通域面积和最小外接水平矩形。其中，在确定所述目标血管的连通域面积和最小外接水平矩形时，将所有血管的连通域面积中除背景外面积外的最大的连通域所在的血管作为所述目标血管，该血管的最小外接水平矩形即为所述目标血管的最小外接水平矩形。
36.另外，在确定所述目标血管的位置后，需进一步确定所述目标血管区域。具体通过遍历所述目标血管的最小外接水平矩形中所有像素点，然后采用如图12所示的面积法判断每个像素点是否在所述目标血管的连通域内，进而便可确定如图13所示的目标血管区域。其具体过程为：假设所述目标血管的连通域的顶点坐标为，所述目标血管的最小外接水平矩形内某一像素点坐标为，若该像素点在所述目标血管的连通域内部，则其与连通域所有相邻顶点组成的三角形面积和为多边形面积，则需满足如下等式：若所述目标血管的最小外接水平矩形内部不满足上述等式的像素点，则将其像素值设置为所述内镜图像的背景像素。
37.s130、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。
38.具体的，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均为用于评判所述内镜图像中的上皮乳头内毛细血管袢的当前形态的指标，通过该五个指标便可识别出所述内镜图像中的上皮乳头内毛细血管袢的当前形态，进而实现对所述内镜图像中食管癌浸润深度的判断。
39.在其他发明实施例中，如图5所示，步骤s130包括子步骤s131、s132、s133、s134和s135。
40.s131、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。
41.具体的，所述最大类平均直径为所述目标血管中属于最大类别部位处的直径的平均值，所述最小类平均直径为所述目标血管中属于最小类别部位处的直径的平均值，通过所述最大类平均直径、所述最小类平均直径便可计算出所述特征性直径。
42.在本实施例中，如图14所示，图14为本发明实施例提供的采用halcon测量内镜图像的目标血管的直径的示意图。通过调用halcon中的直径测量工具包测量所述目标血管上多个部位处的直径d1，d2，
…
d
n
，然后从中获取所有最大类直径以及所有最小类直径并计算出所述最大类平均直径和所述最小类平均直径，最后根据所述最大类平均直径、所述最小类平均直径便可计算出所述特征性直径。具体计算公式如下：其中，d
max_mean
为最大类平均直径，d
min_mean
为最小类平均直径，d为特征性直径。
43.另外，由于halcon受所述目标血管和背景颜色的色差影响、曲线拟合能力的影响，因此需将形态较为复杂的血管分成若干段，再针对每段进行血管直径测量，便可测量出所述目标血管上多个部位处的直径。
44.s132、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。
45.具体的，所述目标血管的多个扭曲性量化值和多个面积占比量分别为所述目标血管中不同部位处的扭曲性量化值和面积占比量，所述扭曲性量化用于表征血管的扭曲性，所述面积占比为用于表征血管在其最小外接水平矩形中的面积占比。
46.s133、从对所述多个扭曲性量化值、所述多个面积占比量中获取所述特征性扭曲性量化值和所述特征性面积占比量。
47.在本实施例中，在获取所述多个扭曲性量化值、所述多个面积占比量之后，便可通过预设的血管扭曲性量化公式来计算出所述特征性扭曲性量化值，同时通过预设的面积占比公式来计算出所述目标血管中各个部位处的面积占比量
△1，
△2……△
n
，然后采用几何平均数计算公式来得到所述特征性面积占比量。
48.图15为本发明实施例提供的内镜图像中目标血管的扭曲性量化的示意图。如图15所示，其中目标血管的扭曲性量化的原理为：平行于目标血管最小外接矩形的宽和高做平新线与目标血管相交，越复杂的目标血管，平行线与目标血管本身的交代会越多。根据该原理，越复杂的目标血管，将目标血管上的像素点向目标血管最小外接矩形的宽高进行投影，则落在线上的点密度就越大。其中，血管扭曲性量化公式为：其中，y
i
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，l
a
和l
b
分布别为血管的最小外接矩形的长和宽。
49.面积占比公式为：其中，φ
i
为血管中心线上每个像素点处的血管直径，l
a
和l
b
分布别为血管的最小外接矩形的长和宽。
50.几何平均数计算公式为：
另外，在通过上述血管扭曲性量化公式、面积占比公式分别计算出所述特征性扭曲性量化值和所述特征性面积占比量之前，还需对所述多个扭曲性量化值以及所述多个面积占比量进行筛选，进而使得最终生成的所述特征性扭曲性量化值和所述特征性面积占比量更加精准，从而提高了食管癌浸润深度判断的精确度。其中，在筛选的过程可以参照步骤s131b进行，在此不做具体限制。
51.s134、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。
52.在本实施例中，所述等效质心为所述有效区域中血管的质点的质量等于质点系的总质量，所述几何中心为所述内镜图像的正中心位置。如图16所示，图16为本发明实施例提供的内镜图像的几何中心以及有效区域的等效质心的示意图。在获取到所述有效区域后，理论上若所述内镜图像中的上皮乳头内毛细血管未出现异常，其分布会在整个视野中比较均匀，所有血管的等效质心应该在整个视野的几何中心，或者靠近几何中心；而所述内镜图像中的上皮乳头内毛细血管存在异常时，其视野中的血管会消失、或者被病灶挤压从而使血管分布产生变化，那么其所有有效区域中血管的等效质心大概率会偏离几何中心较远。在获取到所述有效区域的等效质心、所述内镜图像的几何中心后，便可通过预设的质心偏心距计算公式来计算出所述目标血管的质心偏心距。其中，质心偏心距计算公式为：其中，e为质心偏心距，(p
x , p
y
)为有效区域的等效质心，(x
i ,y
i
)为内镜图像中每根血管的质心，area
i
为内镜图像中每根血管面积，(x
i ,y
i
)和area
i
均可在连通域的基础上获得，(o
x , o
y
)为内镜图像的几何中心，。
53.s135、根据预设的血管整图密度公式获取所述整图密度。
54.在本实施例中，所述血管整图密度公式为根据所述内镜图像中血管的结构预先构建的密度公式，所述血管整图密度公式为：
其中，area
i
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。
55.在其他发明实施例中，如图6所示，步骤s131之前，还包括：s131a、s131b、s131c和s131d。
56.s131a、获取所述目标血管中每根血管的多个直径；s131b、对所述每个分支的多个直径进行筛选，得到筛选后直径；s131c、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；s131d、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。
57.具体的，所述内镜图像中的目标血管是由一根主干血管和多个分支血管构成，通过对所述目标血管中每根血管进行多次测量，便可得到所述目标血管中每根血管的多个直径，然后从中筛选出正常数值并采用k
‑
means算法进行聚类成3类后，便可完成对筛选后的每个直径的分类，筛选后的每个直径完成聚类后，计算每个类别的平均直径，然后从中便可获取所述最大类平均直径和所述最小类平均直径。
58.其中，k
‑
means算法又称快速聚类法，其原理为：在数据集中根据一定策略选择k个点作为每个簇的初始中心，然后观察剩余的数据，将数据划分到距离这k个点最近的簇中，即将数据划分成k个簇以完成一次划分，其中形成的新簇并非最优划分，因此生成的新簇中，重新计算每个簇的中心点，然后再重新进行划分，直至每次划分的结果保持不变。
59.在其他发明实施例中，如图7所示，步骤s131b包括子步骤s131b1和s131b2。
60.s131b1、获取所述每根血管的平均直径、所述每根血管的直径的方差；s131b2、根据所述每根血管的平均直径、所述每根血管的直径的方差对所述每根血管的多个直径进行筛选，得到所述筛选后直径。
61.在本实施例中，通过计算所述目标血管中每根血管的平均直径以及每根血管直径的方差，然后根据该平均直径和方差便可完成对每根血管的多个直径的筛选。
62.平均直径的计算公式为：每根血管直径的方差的计算公式为：当时，剔除直径为d
i
所述的数值，便可完成对所述目标血管中每根血管的多个直径的筛选。
63.s140、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以完成对所述内镜图像中目标血管的分类，进而得到所述内镜图像的分类结果。
64.其中，所述分类模型为预先训练好且用于对所述内镜图像中的目标血管进行分类，所述分类模型可以为logistic回归、支持向量机、极端梯度提升、决策树、随机森林、bp神经网络中的任意一种构建得到，其线性加权拟合的计算公式为：，其中，分别为所述特征性直径、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，ζ为血管异常程度系数，λ1、λ2、λ3、λ4、λ5分别为各自的权重。其中，λ1、λ2、λ3、λ4、λ5可采用网格搜索法、贪婪搜索法等确定，在此不做具体限制。
65.具体的，所述内镜图像中目标血管的五个指标数值输入至所述分类模型中后，便可得到所述目标血管的异常程度系数，然后根据所述目标血管的异常程度系数所处的数值范围来判定所述目标血管的异常等级，进而便可完成对所述内镜图像的分类。
66.例如，当所述目标血管的异常程度系数≤0.35时，则可判定所述内镜图像中的目标血管正常；当所述目标血管的异常程度系数处于0.35至0.89之间时，则可判定所述内镜图像中的目标血管呈一般异常；当所述目标血管的异常程度系数处于0.89至1.25之间时，则可判定所述内镜图像中的目标血管较异常；当所述目标血管的异常程度系数大于1.25时，则可判定所述内镜图像中的目标血管十分异常。
67.在本发明实施例所提供的上皮乳头内毛细血管图像的分类方法中，通过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。本发明通过食管上皮乳头内毛细血管异常程度量化评价，实现准确的食管癌浸润深度判断，提高了食管癌浸润深度判断的效率以及准确率，同时为食管癌患者临床治疗决策提供可靠依据。
68.本发明实施例提供的上皮乳头内毛细血管图像的分类方法的具体应用可参考图10，图10是本发明实施例提供的具体应用流程图。从图10中可以看出，通过电子染色内镜获取食管上皮乳头内毛细血管的食管染色放大图像，即所述内镜图像，然后将在所述内镜图像中进行血管分割处理，以得到血管分割图，即所述内镜图像的有效区域，然后从有效区域中提取单根血管，即所述目标血管，同时从血管分割图中获取血管整图分布量化和血管整图密度量化，即所述目标血管的质心偏心距和整图密度的两个指标，然后对目标血管进行血管直径量化、血管扭曲性量化以及血管面积占比量化，并剔除不符合要求的奇异值，进而得到所述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，最后将评价目标血管的五个指标采用机器学习方法进行拟合分类以得到上皮乳头内毛细血管图像的分类，进而便可判断出上皮乳头内毛细血管的异常程度。
69.本发明实施例还提供了一种上皮乳头内毛细血管图像的分类装置100，该装置用于执行前述上皮乳头内毛细血管图像的分类方法的任一实施例。
70.具体地，请参阅图8，图8是本发明实施例提供的上皮乳头内毛细血管图像的分类装置100的示意性框图。
71.如图8所示，所述的上皮乳头内毛细血管图像的分类装置100，该装置包括：第一输入单元110、第一获取单元120、第二获取单元130和第二输入单元140。
72.第一输入单元110，用于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。
73.在另一实施例中，所述的上皮乳头内毛细血管图像的分类装置100还包括：第三输入单元和更新单元。
74.第三输入单元，用于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；更新单元，用于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。
75.在另一实施例中，所述的上皮乳头内毛细血管图像的分类装置100还包括：解码单元和标注单元。
76.解码单元，用于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；标注单元，用于对所述视频解码图像进行标注，得到所述训练样本。
77.第一获取单元120，用于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。
78.在另一实施例中，所述第一获取单元120包括：遍历单元和确定单元。
79.遍历单元，用于遍历所述有效区域，得到所述目标血管的连通域面积和最小外接水平矩形；确定单元，用于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。
80.第二获取单元130，用于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。
81.在另一实施例中，所述第二获取单元130包括：第一生成单元、第三获取单元、第四获取单元、第二生成单元和第五获取单元。
82.第一生成单元，用于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；第三获取单元，用于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；第四获取单元，用于从对所述多个扭曲性量化值、所述多个面积占比量中获取所述特征性扭曲性量化值和所述特征性面积占比量；第二生成单元，用于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；第五获取单元，用于根据预设的血管整图密度公式获取所述整图密度。
83.在另一实施例中，所述的上皮乳头内毛细血管图像的分类装置100还包括：第六获取单元、第一筛选单元、聚类单元和第三生成单元。
84.第六获取单元，用于获取所述目标血管中每根血管的多个直径；第一筛选单元，用于对所述每个分支的多个直径进行筛选，得到筛选后直径；聚类单元，用于根据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；第三生成单元，用于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。
85.在另一实施例中，所述第一筛选单元包括：第七获取单元和第二筛选单元。
86.第七获取单元，用于获取所述每根血管的平均直径、所述每根血管的直径的方差；
(digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field
‑
programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。
98.在本发明的另一实施例中提供计算机存储介质。该存储介质可以为非易失性的计算机可读存储介质，也可以是易失性的存储介质。该存储介质存储有计算机程序5032，其中计算机程序5032被处理器502执行时实现以下步骤：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。
99.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
100.在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
101.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
102.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
103.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台设备500 ( 可以是个人计算机，服务器，或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步
骤。而前述的存储介质包括：u 盘、移动硬盘、只读存储器 (rom，read
‑
only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
104.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。