一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统

专利名称：一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统

专利类型：发明专利

专利申请号：CN202011224652.5

专利申请（专利权）人：绍兴文理学院
权利人地址：浙江省绍兴市越城区环城西路508号

专利发明（设计）人：胡珂立,胡晓昭,彭华,赵利平,范恩,余冬华,祝汉灿,沈士根

专利摘要：本发明公开了一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，包括肠息肉区域信息获取模块、肠息肉区域判定模块、目标关联区域判定模块、目标肠息肉区域中智集建模模块、和目标肠息肉区域跟踪初始化判决模块；通过对目标肠息肉区域进行中智集建模，并计算目标肠息肉区域的中智度量同理想中智度量的交叉熵，按照交叉熵越小越可能是真实肠息肉的原则，对目标肠息肉区域进行跟踪初始判决，判断为需要实施跟踪，则加入到正在跟踪的肠息肉区域集合中处理。本发明能解决将视频目标跟踪分割算法引入肠息肉序列检测中，由于息肉区域检测分割不确定性引起的视频目标跟踪误启动的技术问题。

主权利要求：
1.一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，包括肠息肉区域信息获取模块、肠息肉区域判定模块、目标关联区域判定模块、目标肠息肉区域中智集建模模块、和目标肠息肉区域跟踪初始化判决模块；
所述肠息肉区域信息获取模块，用于获取结肠镜图像序列的当前第m帧，对第m帧采用肠息肉区域检测算法，获得第m帧候选肠息肉区域集合 并提交给肠息肉区域判定模块；其中m为帧号，Km为第m帧检测到的候选肠息肉区域个数，i＝
1，...，Km，Sm，i为第i个候选肠息肉区域，即在第m帧中相应位置的像素点集合；
所述肠息肉区域判定模块，用于根据第m帧候选肠息肉区域集合
正在跟踪的肠息肉区域集合 以及
上一帧目标肠息肉区域集合 按照第m帧候选
肠息肉区域与正在跟踪的肠息肉区域、以及上一帧目标肠息肉区域的距离越大越可能是新增的目标肠息肉区域的原则，判断每个候选肠息肉区域Sm，i是否为新增的目标肠息肉区域，收集第m帧新增的目标肠息肉区域构成集合提交到目标关联区域判定模块；其中Tm为第m帧正在跟踪的肠息肉区域个数，j＝1，...，Tm，为第j个正在跟踪的肠息肉区域；Nm‑1为第m‑1帧目标肠息肉区域个数，k＝1，...，Nm‑1，Pm‑1，k为第m‑1帧目标肠息肉区域；n＝Nm‑1+1，...，Nm，Pm，n为第m帧新增的目标肠息肉区域；
所述目标关联区域判定模块，用于对第m帧新增的目标肠息肉区域集合
中的每个新增的目标肠息肉区域Pm，n，在下
一帧中查找与其相应位置的像素点坐标间的最小欧氏距离在门限Th2＝10以内的肠息肉区域，作为下一帧的目标关联区域Pm+1，n，直至连续收集N帧的目标关联区域集合{Pm，n，Pm+1，n，...，Pm+N‑1，n}，提交给目标肠息肉区域中智集建模模块；
所述目标肠息肉区域中智集建模模块，用于对第m帧新增的目标肠息肉区域集合中的每个新增的目标肠息肉区域Pm，n，根据
其连续N帧的目标关联区域集合{Pm，n，Pm+1，n，...，Pm+N‑1，n}，对其进行中智集建模，获得每个新增的目标肠息肉区域中智集的隶属度Tn、不确定性度In和非隶属度Fn，提交给目标肠息肉区域跟踪初始化判决模块；
所述目标肠息肉区域跟踪初始化判决模块，用于根据每个新增的目标肠息肉区域的中智集的隶属度Tn、不确定性度In和非隶属度Fn，计算其中智度量同理想中智度量的交叉熵Dn，按照交叉熵越小越可能是真实肠息肉的原则，判断每个新增的目标肠息肉区域是否要实施跟踪，若判断为需要实施跟踪，则将其加入正在跟踪的肠息肉区域集合中；
所述目标肠息肉区域中智集建模模块中，按照如下方法计算每个新增的目标肠息肉区域中智集的隶属度Tn、不确定性度In和非隶属度Fn：其中运算符“|·|”表示所包含区域的像素点数，函数σ为标准差，Pt，n为第t帧目标肠息肉区域，M为N个区域中像素点数的最大值；
所述目标肠息肉区域跟踪初始化判决模块中，按照如下方法计算每个新增的目标肠息肉区域的中智度量同理想中智度量的交叉熵Dn，判断每个新增的目标肠息肉区域是否要实施跟踪：对交叉熵Dn大小进行判断：
如果Dn小于门限值T＝0.8时，则对该新增的目标肠息肉区域需要实施跟踪，将其送入视频跟踪系统，加入正在跟踪的肠息肉区域集合 中；否则该肠息肉区域不需要跟踪。
2.如权利要求1所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述目标肠息肉区域中智集建模模块中，当结肠镜采集帧率低时，Pt，n∩Pt+1，n定义为区域Pt，n与区域Pt+1，n中像素点坐标间距离在门限Th3＝10以内的像素点集合。
3.如权利要求1所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述肠息肉区域判定模块中，按照如下方法判断每个候选肠息肉区域Sm，i是否为新增的目标肠息肉区域：依次计算候选肠息肉区域Sm，i与每个正在跟踪的肠息肉区域 的距离、以及与上一帧每个目标肠息肉区域Pm‑1，k的距离，如果所有距离都大于门限Th1，则认为该区域Sm，i为新增的目标肠息肉区域 否则该区域不是新增的目标肠息肉区域。
4.如权利要求1或3所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述肠息肉区域判定模块中，两个区域的距离为：两个区域相应位置的像素点坐标间的最小欧氏距离。
5.如权利要求3所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述门限Th1取值范围为[20，100]。
6.如权利要求1所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述目标关联区域判定模块中，当前新增的目标肠息肉区域Pm，n的目标关联区域有多个时，选取与其相应位置的像素点坐标间的欧氏距离最小或者与其交集最大的肠息肉区域作为其第m+b帧的目标关联区域Pm+b，n，其中b≥1。
7.如权利要求1所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述肠息肉区域信息获取模块中，肠息肉区域检测算法为显著性网络检测算法或分割网络检测算法。
8.如权利要求1所述的一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，所述肠息肉区域判定模块中，正在跟踪的肠息肉区域集合 是从视频跟踪系统中，采用视频目标跟踪分割算法，根据对应肠息肉在前一帧中的区域位置计算获取的。 说明书 : 一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统技术领域[0001] 本发明属于计算机视觉技术领域，更具体地，涉及一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统。背景技术[0002] 结直肠癌是世界第二大致死癌症，在中国，结直肠癌的致死率也排在前列。结肠镜检查是结直肠癌筛查的金标准，也是早期发现结直肠息肉的最有效方法。在临床中，肠息肉检测主要由医生筛查，肠息肉检测率主要依赖于医护人员的经验和内窥镜成像质量。[0003] 现有的用于辅助医生进行结肠镜筛查的结直肠息肉检查技术为基于单帧检测分割的人工智能技术，但仅依靠单帧信息难以保证内窥镜图像序列中肠息肉在空间和时序上分割的稳定性，由于肠息肉形态多变、大小各异，息肉检测常存在一定程度的漏检。[0004] 视频目标跟踪分割主要用于解决在给定起始帧目标分割区域或目标包围框时，在后续帧中对该目标进行持续自动跟踪分割的问题。现有的视频目标跟踪分割算法在日常场景可见光图像序列中已取得了很大进展，但尚没有被引入肠息肉序列检测分割。由于肠息肉区域检测分割结果存在不确定性，对结肠镜图像序列采用视频目标跟踪分割算法，是否该对目标肠息肉区域启动跟踪，没有很好的特征信息来决策跟踪初始化。因此盲目的启动跟踪容易造成跟踪机制误启动，引起后续跟踪失败或错误。发明内容[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其目的在于解决将视频目标跟踪分割算法引入肠息肉序列检测中，由于息肉区域检测分割不确定性引起的视频目标跟踪误启动的技术问题。[0006] 为实现上述目的，按照本发明的一个方面，提供了一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，其特征在于，包括肠息肉区域信息获取模块、肠息肉区域判定模块、目标关联区域判定模块、目标肠息肉区域中智集建模模块、和目标肠息肉区域跟踪初始化判决模块；[0007] 所述肠息肉区域信息获取模块，用于获取结肠镜图像序列的当前第m帧，对第m帧采用肠息肉区域检测算法，获得第m帧候选肠息肉区域集合 并提交给肠息肉区域判定模块；其中m为帧号，Km为第m帧检测到的候选肠息肉区域个数，i＝1,…,Km，Sm,i为第i个候选肠息肉区域，即在第m帧中相应位置的像素点集合；[0008] 所述肠息肉区域判定模块，用于根据第m帧候选肠息肉区域集合正在跟踪的肠息肉区域集合 以及上一帧目标肠息肉区域集合 按照第m帧候选肠息肉区域与正在跟踪的肠息肉区域、以及上一帧目标肠息肉区域的距离越大越可能是新增的目标肠息肉区域的原则，判断每个候选肠息肉区域Sm,i是否为新增的目标肠息肉区域，收集第m帧新增的目标肠息肉区域构成集合提交到目标关联区域判定模块；其中Tm为第m帧正在跟踪的肠息肉区域个数，j＝1,…,Tm，为第j个正在跟踪的肠息肉区域；Nm‑1为第m‑1帧目标肠息肉区域个数，k＝1,…,Nm‑1，Pm‑1,k为第m‑1帧目标肠息肉区域；n＝Nm‑1+1,…,Nm，Pm,n为第m帧新增的目标肠息肉区域；[0009] 所述目标关联区域判定模块，用于对第m帧新增的目标肠息肉区域集合中的每个新增的目标肠息肉区域Pm,n，在下一帧中查找与其相应位置的像素点坐标间的最小欧氏距离在门限Th2＝10以内的肠息肉区域，作为下一帧的目标关联区域Pm+1,n，直至连续收集N帧的目标关联区域集合{Pm,n,Pm+1,n,…,Pm+n‑1,n}，提交给目标肠息肉区域中智集建模模块；[0010] 所述目标肠息肉区域中智集建模模块，用于对第m帧新增的目标肠息肉区域集合中的每个新增的目标肠息肉区域Pm,n，根据其连续N帧的目标关联区域集合{Pm,n,Pm+1,n,…,Pm+N‑1,n}，对其进行中智集建模，获得每个新增的目标肠息肉区域中智集的隶属度Tn、不确定性度In和非隶属度Fn，提交给目标肠息肉区域跟踪初始化判决模块；[0011] 所述目标肠息肉区域跟踪初始化判决模块，用于根据每个新增的目标肠息肉区域的中智集的隶属度Tn、不确定性度In和非隶属度Fn，计算其中智度量同理想中智度量Dn，按照交叉熵越小越可能是真实肠息肉的原则，判断每个新增的目标肠息肉区域是否要实施跟踪，若判断为需要实施跟踪，则将其加入正在跟踪的肠息肉区域集合 中。[0012] 优选地，所述目标肠息肉区域中智集建模模块中，按照如下方法计算每个新增的目标肠息肉区域中智集的隶属度Tn、不确定性度In和非隶属度Fn：[0013][0014] 其中运算符“|·|”表示所包含区域的像素点数，函数σ为标准差，Pt,n为第t帧目标肠息肉区域，M为N个区域中像素点数的最大值。[0015] 优选地，所述目标肠息肉区域跟踪初始化判决模块中，按照如下方法计算每个新增的目标肠息肉区域的中智度量同理想中智度量的交叉熵Dn，判断每个新增的目标肠息肉区域是否要实施跟踪：[0016][0017] 对交叉熵Dn大小进行判断：[0018] 如果Dn小于门限值T＝0.8时，则对该新增的目标肠息肉区域需要实施跟踪，将其送入视频跟踪系统，加入正在跟踪的肠息肉区域集合 中；否则该肠息肉区域不需要跟踪。[0019] 优选地，所述目标肠息肉区域中智集建模模块中，当结肠镜采集帧率低时，Pt,n∩Pt+1,n定义为区域Pt,n与区域Pt+1,n中像素点坐标间距离在门限Th3＝10以内的像素点集合。[0020] 优选地，所述肠息肉区域判定模块中，按照如下方法判断每个候选肠息肉区域Sm,i是否为新增的目标肠息肉区域：[0021] 依次计算候选肠息肉区域Sm,i与每个正在跟踪的肠息肉区域 的距离、以及与上一帧每个目标肠息肉区域Pm‑1,k的距离，如果所有距离都大于门限Th1，则认为该区域Sm,i为新增的目标肠息肉区域 否则该区域不是新增的目标肠息肉区域。[0022] 优选地，所述肠息肉区域判定模块中，两个区域的距离为：两个区域相应位置的像素点坐标间的最小欧氏距离。[0023] 优选地，所述门限Th1取值范围为[20,100]。[0024] 优选地，所述目标关联区域判定模块中，当前新增的目标肠息肉区域Pm,n的目标关联区域有多个时，选取与其相应位置的像素点坐标间的欧氏距离最小或者与其交集最大的肠息肉区域作为其第m+b帧的目标关联区域Pm+b,n，其中b≥1。[0025] 优选地，所述肠息肉区域信息获取模块中，肠息肉区域检测算法为显著性网络检测算法或分割网络检测算法。[0026] 优选地，所述肠息肉区域判定模块中，正在跟踪的肠息肉区域集合是从视频跟踪系统中，采用视频目标跟踪分割算法，根据对应肠息肉在前一帧中的区域位置计算获取的。[0027] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：[0028] 本发明通过对目标肠息肉区域进行中智集建模，增加了独立的不确定性度量，能够更好的表达模糊信息，在描述图像不确定性特征时具有优越性。对肠息肉区域，用中智集隶属度、不确定性度和非隶属度描述决策信息，有效提升跟踪目标肠息肉区域的起始鲁棒性，降低息肉漏检率、误检率。附图说明[0029] 图1是本发明提供的结肠镜图像序列肠息肉区域的跟踪初始化决策系统结构示意图；[0030] 图2是本发明提供的候选肠息肉区域跟踪初始化决策实施例。[0031] 在所有附图中，相同的附图标记用来表示相同的元件或结构，其中1为第一个候选肠息肉区域，2为正在跟踪的肠息肉区域、3为第二个候选肠息肉区域、4为结肠镜图像序列。具体实施方式[0032] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。[0033] 如图1所示，本发明提供一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统，包括肠息肉区域信息获取模块、肠息肉区域判定模块、目标关联区域判定模块、目标肠息肉区域中智集建模模块、和目标肠息肉区域跟踪初始化判决模块。[0034] 所述肠息肉区域信息获取模块，用于获取结肠镜图像序列的当前第m帧，对第m帧采用肠息肉区域检测算法，获得第m帧候选肠息肉区域集合 并提交给肠息肉区域判定模块；其中m为帧号，Km为第m帧检测到的候选肠息肉区域个数，i＝1,…,Km，Sm,i为第i个候选肠息肉区域，即在第m帧中相应位置的像素点集合；[0035] 所述肠息肉区域检测算法为显著性网络检测算法或分割网络检测算法，所述显著性网络检测算法优选为DSS网络(DeeplySupervisedSalientObjectDetectionwithShortConnections)检测算法，所述分割网络检测算法优选为Segnet网络(ADeepConvolutionalEncoder‑DecoderArchitectureforImageSegmentation)检测算法。[0036] 所述肠息肉区域判定模块，用于根据第m帧候选肠息肉区域集合正在跟踪的肠息肉区域集合 以及上一帧目标肠息肉区域集合 按照第m帧候选肠息肉区域与正在跟踪的肠息肉区域、以及上一帧目标肠息肉区域的距离越大越可能是新增的目标肠息肉区域的原则，判断每个候选肠息肉区域Sm,i是否为新增的目标肠息肉区域，收集第m帧新增的目标肠息肉区域构成集合 提交到目标关联区域判定模块；其中Tm为第m帧正在跟踪的肠息肉区域个数，j＝1,…,Tm，为第j个正在跟踪的肠息肉区域，即在第m帧中相应位置的像素点集合；Nm‑1为第m‑1帧目标肠息肉区域个数，k＝1,…,Nm‑1，Pm‑1,k为第m‑1帧目标肠息肉区域；n＝Nm‑1+1,…,Nm，Pm,n为第m帧新增的目标肠息肉区域；[0037] 所述按照第m帧候选肠息肉区域与正在跟踪的肠息肉区域、以及上一帧目标肠息肉区域的距离越大越可能是新增的目标肠息肉区域的原则，判断每个候选肠息肉区域Sm,i是否为新增的目标肠息肉区域，具体为：[0038] 依次计算候选肠息肉区域Sm,i与每个正在跟踪的肠息肉区域 的距离、以及与上一帧每个目标肠息肉区域Pm‑1,k的距离，如果所有距离都大于门限Th1，则认为该区域Sm,i为新增的目标肠息肉区域 否则该区域不是新增的目标肠息肉区域；[0039] 所述正在跟踪的肠息肉区域集合 是从视频跟踪系统中，采用视频目标跟踪分割算法，根据对应肠息肉在前一帧中的区域位置计算获取的；[0040] 所述视频目标跟踪分割算法优选为SiamMask网络(FastOnline ObjectTrackingandSegmentation:AUnifyingApproach)算法；[0041] 当m＝1时，所述正在跟踪的肠息肉区域集合为空集，所述上一帧目标肠息肉区域集合为空集，则每个候选肠息肉区域Sm,i判断为新增的目标肠息肉区域Pm,i；[0042] 所述两个区域的距离为：两个区域相应位置的像素点坐标间的最小欧氏距离；[0043] 所述门限Th1取值范围为[20,100]，优选值为50。[0044] 所述目标关联区域判定模块，用于对第m帧新增的目标肠息肉区域集合中的每个新增的目标肠息肉区域Pm,n，在下一帧中查找与其相应位置的像素点坐标间的最小欧氏距离在门限Th2＝10以内的肠息肉区域，作为下一帧的目标关联区域Pm+1,n，直至连续收集N帧的目标关联区域集合{Pm,n,Pm+1,n,…,Pm+N‑1,n}，提交给目标肠息肉区域中智集建模模块；[0045] 其中N取值范围为[5,10]；[0046] 如果当前新增的目标肠息肉区域在下一帧未找到满足条件的目标关联区域，则下一帧的目标关联区域为空集，即 并继续在第m+a帧中查找与新增的目标肠息肉区域Pm,n相应位置的像素点坐标间的最小欧氏距离在门限Th2＝10以内的肠息肉区域，作为第m+a帧的目标关联区域Pm+a,n，其中a>1；[0047] 如果当前新增的目标肠息肉区域Pm,n的目标关联区域有多个时，选取与其相应位置的像素点坐标间的欧氏距离最小或者与其交集最大的肠息肉区域作为其第m+b帧的目标关联区域Pm+b,n，其中b≥1。[0048] 所述目标肠息肉区域中智集建模模块，用于对第m帧新增的目标肠息肉区域集合中的每个新增的目标肠息肉区域Pm,n，根据其连续N帧的目标关联区域集合{Pm,n,Pm+1,n,…,Pm+N‑1,n}，对其进行中智集建模，获得每个新增的目标肠息肉区域中智集的隶属度Tn、不确定性度In和非隶属度Fn，提交给目标肠息肉区域跟踪初始化判决模块；[0049] 所述进行中智集建模，获得每个新增的目标肠息肉区域中智集的隶属度Tn、不确定性度In和非隶属度Fn，具体为：[0050][0051] 其中运算符“|·|”表示所包含区域的像素点数，函数σ为标准差，Pt,n为第t帧目标肠息肉区域，M为N个区域中像素点数的最大值；[0052] 当结肠镜采集帧率低时，两帧的目标关联区域相交运算结果为空集或像素点很少的集合，Pt,n∩Pt+1,n可定义为区域Pt,n与区域Pt+1,n中像素点坐标间距离在门限Th3＝10以内的像素点集合。[0053] 所述目标肠息肉区域跟踪初始化判决模块，用于根据每个新增的目标肠息肉区域的中智集的隶属度Tn、不确定性度In和非隶属度Fn，计算其中智度量同理想中智度量的交叉熵Dn，按照交叉熵越小越可能是真实肠息肉的原则，判断每个新增的目标肠息肉区域是否要实施跟踪；[0054] 所述计算每个新增的目标肠息肉区域的中智度量同理想中智度量的交叉熵Dn，按照交叉熵越小越可能是真实肠息肉的原则，判断每个新增的目标肠息肉区域是否要实施跟踪，具体为：[0055][0056] 对交叉熵Dn大小进行判断：[0057] 如果Dn小于门限值T＝0.8时，则对该新增的目标肠息肉区域需要实施跟踪，将其送入视频跟踪系统，加入正在跟踪的肠息肉区域集合 中；否则该肠息肉区域不需要跟踪。[0058] 以下是实施例：[0059] 如图2所示，第m帧结肠镜图像序列4中正在跟踪的肠息肉区域2，采用SiamMask网络算法根据其在第m‑1帧中的位置，计算得到第m帧正在跟踪的肠息肉区域2，表示为 对第m帧结肠镜图像序列4采用Segnet网络检测算法，检测到第一个候选肠息肉区域1，表示为Sm,1。[0060] 计算区域Sm,1与区域 相应位置的像素点坐标间的最小欧氏距离，该距离大于门限Th1＝50，则判定第一个候选肠息肉区域1为新增的目标肠息肉区域，该新增的目标肠息肉区域表示为Pm,1，且有Pm,1＝Sm,1。[0061] 结肠镜图像序列4在第m+1帧检测到正在跟踪的肠息肉区域2表示为 第一个候选肠息肉区域1表示为Sm+1,1和第二个候选肠息肉区域3表示为Sm+1,2，分别计算区域Sm+1,1、Sm+1,2与区域Pm,1相应位置的像素点坐标间的最小欧氏距离：[0062] D(Sm+1,1,Pm,1)＝min{‖sr,1‑pt,1‖|sr,1∈Sm+1,1,pt,1∈Pm,1}[0063] 其中sr,1、pt,1分别为区域Sm+1,1和区域Pm,1相应位置的像素点坐标；[0064] D(Sm+1,2,Pm,1)＝min{‖sr,2‑pt,1‖|sr,2∈Sm+1,2,pt,1∈Pm,1}[0065] 其中sr,2为区域Sm+1,2相应位置的像素点坐标；[0066] D(Sm+1,1,Pm,1)的大小小于门限Th1＝50，则判断第一个候选肠息肉区域1不是新增的目标肠息肉区域；[0067] D(Sm+1,2,Pm,1)的大小大于门限Th1＝50，且区域Sm+1,2与区域 相应位置的像素点坐标间的最小欧氏距离，也大于门限Th1＝50，则判定第二个候选肠息肉区域3为新增的目标肠息肉区域，表示为Pm+1,2，且有Pm+1,2＝Sm+1,2。[0068] 对第一个新增的目标肠息肉区域Pm,1，在第m+1帧，查找到与其相应位置的像素点坐标间的最小欧氏距离在门限Th2＝10以内的区域Sm+1,1，作为下一帧的目标关联区域Pm+1,1，且有Pm+1,1＝Sm+1,1；[0069] 对两个新增的目标肠息肉区域1和区域3，分别获取连续N帧的目标关联区域，计算中智集参数隶属度T1和T2、不确定性度I1和I2、以及非隶属度F1和F2。[0070] 再根据中智集参数分别计算两个新增的目标肠息肉区域的中智度量同理想中智度量的交叉熵D1和D2，D1小于门限值T＝0.8，则表示肠息肉区域1为真实的肠息肉区域，需要实施跟踪；D2大于门限值T＝0.8，则表示肠息肉区域3为真实的肠息肉区域可能性很低，不需要实施跟踪。[0071] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

专利地区：浙江

专利申请日期：2020-11-05

专利公开日期：2024-07-26

专利公告号：CN112288768B