本發明提供了一種內窺鏡圖像處理方法、裝置、電子設備及存儲介質，方法包括：獲取內窺鏡視頻流，其中，所述內窺鏡視頻流攜帶原始內窺鏡圖像；通過第一線程對相應視頻幀中的原始內窺鏡圖像進行檢測，將所述原始內窺鏡圖像的檢測結果傳輸至集成器；通過集成器根據所述原始內窺鏡圖像的檢測結果，形成控制指令；響應于所述控制指令，通過第二線程對所述第二線程中的輸出結果進行調整。本發明可以實現通過并行的第一線程與第二線程，控制輸出結果與內窺鏡視頻流的使用環境相匹配，提升對內窺鏡圖像處理的實時精確率、提高實時召回率。

技術領域

本發明涉及醫療圖像處理技術，尤其涉及基于人工智能技術的內窺鏡圖像處理方法、裝置、電子設備及存儲介質。

背景技術

基于深度學習所進行的各類別識別，一直以來都是各應用場景下解決大量數據分的重要工具。例如，在圖像、自然語言處理等應用場景中，對大量數據所實現的大規模分類和識別，以此來快速準確的獲得相關的分類預測結果，加速所在應用場景的功能實現。

其中，醫療影像的各種圖像在不斷產生，例如，隨著內窺鏡在消化道內的不斷拍攝而不斷產生，進而成為大量數據，亟待需要借助于分類預測的執行實現大規模分類和識別。

但是，現有實時視頻流(如結腸內窺鏡視頻流)目標檢測解決方案通常集成一個準確度較高的目標檢測模型(如Retina Net、FasterRCNN、YOLO等各類目標檢測算法)，均為將視頻流中的圖像幀依次輸入到模型進行目標檢測。但是由于模型的處理速度有限，模型處理速度并不能夠與實時視頻流速度匹配(大部分檢測模型并不能跟上實時視頻的幀率)，影響了模型的輸出效果。

發明內容

有鑒于此，本發明實施例提供一種內窺鏡圖像處理方法、裝置、電子設備及存儲介質，能夠實現通過并行的第一線程和第二線程對原始內窺鏡圖像進行處理，使得所輸出結果與內窺鏡視頻流的使用環境相匹配。

本發明實施例的技術方案是這樣實現的：

本發明實施例提供了一種內窺鏡圖像處理方法，所述方法包括：

獲取內窺鏡視頻流，其中，所述內窺鏡視頻流攜帶原始內窺鏡圖像；

通過第一線程對相應視頻幀中的原始內窺鏡圖像進行檢測，將所述原始內窺鏡圖像的檢測結果傳輸至集成器；

通過集成器根據所述原始內窺鏡圖像的檢測結果，形成控制指令；

響應于所述控制指令，通過第二線程對所述第二線程中的輸出結果進行調整，以實現所述輸出結果與所述內窺鏡視頻流的使用環境相匹配，其中，所述第一線程與所述第二線程為并行線程。

本發明實施例還提供了一種內窺鏡圖像處理方法，所述方法包括：

內窺鏡圖像處理裝置獲取內窺鏡發送的內窺鏡視頻流，其中，所述內窺鏡視頻流攜帶原始內窺鏡圖像，用于對目標對象的相應病灶進行窺測；

所述內窺鏡圖像處理裝置通過第一線程對相應視頻幀中的原始內窺鏡圖像進行檢測，將所述原始內窺鏡圖像的檢測結果傳輸至集成器；

所述內窺鏡圖像處理裝置通過集成器根據所述原始內窺鏡圖像的檢測結果，形成控制指令；

所述內窺鏡圖像處理裝置響應于所述控制指令，通過第二線程對所述第二線程中的輸出結果進行調整，以實現所述輸出結果與所述內窺鏡視頻流的使用環境相匹配，其中，所述第一線程與所述第二線程為并行線程；

所述內窺鏡圖像處理裝置根據所述第二線程中經過調整的輸出結果，向與所述目標對象相接觸的醫療設備發送相應的目標內窺鏡圖像幀，并由所述醫療設備輸出相應的目標內窺鏡圖像幀。

本發明實施例還提供了一種內窺鏡圖像處理裝置，所述裝置包括：