声带病灶特征提取方法和装置

技术领域

本申请涉及医疗辅助技术领域，尤其涉及一种声带病灶特征提取方法和装置。

背景技术

声带息肉是发生于声带固有层浅层的良性增生性病变，也是一种特殊类型的慢性喉炎，最主要的临床症状为声嘶，通过喉镜检查可以做出临床诊断。声带处病灶可能是声带小结，也可能是声带囊肿或声带息肉，当前主要采用人工方式识别得到病灶特征，再基于该特征来确定病灶类型，但三者之间特征不易区分，人工识别的方式准确性不高，容易出现病灶类型误判的情况，影响后续治疗方案。

因此，当前在对声带病灶类型进行确定时存在病灶特征识别准确性较低的技术问题，需要改进。

发明内容

本申请实施例提供一种声带病灶特征提取方法和装置，用以缓解当前在对声带病灶类型进行确定时病灶特征识别准确性较低的技术问题。

为解决上述技术问题，本申请实施例提供以下技术方案：

本申请提供一种声带病灶特征提取方法，包括：

获取同一案例喉部的白光图像和NBI图像，调用训练后的声带分割模型分别对所述白光图像和所述NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对所述白光声带图像中目标病灶进行分割，得到白光病灶图像；

从所述白光声带图像中获取声带的第一位置信息、第一形状信息和声带参考区域的第一面积信息，从所述白光病灶图像中获取目标病灶的第二位置信息和第二面积信息，根据所述第一位置信息、所述第一形状信息和所述第二位置信息，得到所述目标病灶和所述声带在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，根据所述第一相对位置信息得到第一量化特征，根据所述第二相对位置信息得到第二量化特征，根据所述第一位置信息和所述第一形状信息，得到目标病灶的凸出度信息，根据所述凸出度信息得到第三量化特征；根据所述第一位置信息、所述第一形状信息、所述第一面积信息和所述第二面积信息，得到所述目标病灶和所述声带参考区域的相对面积信息，根据所述相对面积信息得到第四量化特征；从所述白光声带图像中获取所述声带的对称性信息，根据所述对称性信息得到第五量化特征；

调用训练后的病灶形状识别模型对所述白光病灶图像中的目标病灶形状进行识别，得到第一识别结果，根据所述第一识别结果得到第一学习特征；调用训练后的病灶蒂识别模型对所述白光病灶图像中的目标病灶是否带蒂进行识别，得到第二识别结果，根据所述第二识别结果得到第二学习特征；从所述白光病灶图像中获取所述目标病灶的颜色信息，根据所述颜色信息得到第六量化特征；

调用训练后的血管分割模型对所述NBI声带图像进行血管分割，并从分割后的NBI声带图像中获取血管的形态信息，根据所述形态信息得到第七量化特征；

根据所有量化特征和所有学习特征，得到声带病灶特征。

同时，本申请实施例还提供了一种声带病灶特征提取装置，包括：

分割模块，用于获取同一案例喉部的白光图像和NBI图像，调用训练后的声带分割模型分别对所述白光图像和所述NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对所述白光声带图像中目标病灶进行分割，得到白光病灶图像；

第一得到模块，用于从所述白光声带图像中获取声带的第一位置信息、第一形状信息和声带参考区域的第一面积信息，从所述白光病灶图像中获取目标病灶的第二位置信息和第二面积信息，根据所述第一位置信息、所述第一形状信息和所述第二位置信息，得到所述目标病灶和所述声带在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，根据所述第一相对位置信息得到第一量化特征，根据所述第二相对位置信息得到第二量化特征，根据所述第一位置信息和所述第一形状信息，得到目标病灶的凸出度信息，根据所述凸出度信息得到第三量化特征；根据所述第一位置信息、所述第一形状信息、所述第一面积信息和所述第二面积信息，得到所述目标病灶和所述声带参考区域的相对面积信息，根据所述相对面积信息得到第四量化特征；从所述白光声带图像中获取所述声带的对称性信息，根据所述对称性信息得到第五量化特征；

第二得到模块，用于调用训练后的病灶形状识别模型对所述白光病灶图像中的目标病灶形状进行识别，得到第一识别结果，根据所述第一识别结果得到第一学习特征；调用训练后的病灶蒂识别模型对所述白光病灶图像中的目标病灶是否带蒂进行识别，得到第二识别结果，根据所述第二识别结果得到第二学习特征；从所述白光病灶图像中获取所述目标病灶的颜色信息，根据所述颜色信息得到第六量化特征；

第三得到模块，用于调用训练后的血管分割模型对所述NBI声带图像进行血管分割，并从分割后的NBI声带图像中获取血管的形态信息，根据所述形态信息得到第七量化特征；

第四得到模块，用于根据所有量化特征和所有学习特征，得到声带病灶特征。

有益效果：本申请提供一种声带病灶特征提取方法和装置，该方法先获取同一案例喉部的白光图像和NBI图像，并调用训练后的声带分割模型分别对白光图像和NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对白光声带图像中目标病灶进行分割，得到白光病灶图像，然后，从白光声带图像和白光病灶图像中得到病灶位置的第一量化特征和第二量化特征、病灶凸出度的第三量化特征、病灶相对面积的第四量化特征，从白光声带图像中得到声带对称性的第五量化特征，从白光病灶图像中得到病灶形状的第一学习特征、病灶带蒂/不带蒂的第二学习特征、病灶颜色的第六量化特征，并调用训练后的血管分割模型对NBI声带图像进行血管分割，从分割后的NBI声带图像中得到血管形态的第七量化特征，最后综合根据所有量化特征和所有学习特征，得到声带病灶特征。本申请在获取了喉部的白光图像和NBI图像后，可以自动从多个维度对声带中目标病灶的病变情况进行量化和学习，并进行综合得到声带病灶特征，则该特征可以为目标病灶的类型确定提供准确和全面的参考，效率较高，使得声带病灶的类型确定准确性也较高。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1是本申请实施例提供的声带病灶特征提取方法的应用场景示意图。

图2为本申请实施例提供的声带病灶特征提取方法的流程示意图。

图3为本申请实施例中声带小结、声带息肉和声带囊肿的示意图。

图4为本申请实施例中声带打开状态和闭合状态的示意图。

图5为本申请实施例中声带参考区域的示意图。

图6为本申请实施例中目标病灶在三个分区的不同位置区间的示意图。

图7为本申请实施例中目标病灶不同凸出度的示意图。

图8为本申请实施例中白光声带图像中声带分割区域的示意图。

图9为本申请实施例中分割后血管形态的示意图。

图10为本申请实施例提供的声带病灶特征提取装置的结构示意图。

图11为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种声带病灶特征提取方法、装置、电子设备和计算机可读存储介质，其中，该声带病灶特征提取装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。

请参阅图1，图1为本申请实施例所提供的声带病灶特征提取方法应用的场景示意图，该场景可以包括终端以及服务器，终端之间、服务器之间、以及终端与服务器之间通过各种网关组成的互联网等方式连接通信，该应用场景中包括图像接收设备11和服务器12；其中，图像接收设备11可以是具有人机交互功能的设备；服务器12包括本地服务器和/或远程服务器等。

图像接收设备11和服务器12位于无线网络或有线网络中，以实现两者之间的数据交互，其中：

用户将同一案例喉部的白光图像和NBI图像输入图像接收设备11中，图像接收设备11将两种图像和声带病灶特征提取请求发送给服务器12。服务器12先调用训练后的声带分割模型分别对白光图像和NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对白光声带图像中目标病灶进行分割，得到白光病灶图像，然后调用预设算法和预设模型，从白光声带图像和白光病灶图像中得到病灶位置的第一量化特征和第二量化特征、病灶凸出度的第三量化特征、病灶相对面积的第四量化特征，从白光声带图像中得到声带对称性的第五量化特征，从白光病灶图像中得到病灶形状的第一学习特征、病灶带蒂/不带蒂的第二学习特征、病灶颜色的第六量化特征，并调用训练后的血管分割模型对NBI声带图像进行血管分割，从分割后的NBI声带图像中得到血管形态的第七量化特征，最后根据所有量化特征和所有学习特征，得到声带病灶特征并返回给图像接收设备11，由图像接收设备11将结果展示给用户。通过此方式，可以自动从多个维度对声带中目标病灶的病变情况进行量化和学习并进行综合，并将最后的声带病灶特征返回给用户，用户可以该特征作为参考，确定目标病灶的类型为声带小结、声带囊肿或声带息肉，此方式效率较高，且由于提取的声带病灶特征准确性较高且非常全面，对于声带病灶的类型确定准确性也较高。

需要说明的是，图1所示的系统场景示意图仅仅是一个示例，本申请实施例描述的服务器以及场景是为了更加清楚地说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不确定为对实施例优选顺序的限定。

请参阅图2，图2是本申请实施例提供的声带病灶特征提取方法的流程示意图，该方法具体包括：

S1：获取同一案例喉部的白光图像和NBI图像，调用训练后的声带分割模型分别对白光图像和NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对白光声带图像中目标病灶进行分割，得到白光病灶图像。

在本申请实施例中，案例是指声带有至少一个病灶的患者，通过医学辅助仪器对同一案例的声带进行图像采集，可以得到白光图像和NBI图像，各图像均包括了声带和声带中的所有病灶。声带分割模型可以是Unet++模型，该模型在使用之前，先由专业内镜医师对一定数量历史案例的两类图像中的声带边界进行勾勒，并作为训练数据，然后用该训练数据对声带分割模型进行训练，使得模型具有对声带进行分割的能力。病灶分割模型可以是Unet++模型，该模型在使用之前，先由专业内镜医师对一定数量历史案例的白光图像中的病灶边界进行勾勒，并作为训练数据，然后用该训练数据对病灶分割模型进行训练，使得模型具有对病灶进行分割的能力。

在得到两类图像后，调用训练后的声带分割模型分别对这两类图像中的声带进行分割，得到包含声带分割边界的白光声带图像和NBI声带图像。再调用训练后的病灶分割模型对白光声带图像中的目标病灶进行分割，得到包含目标病灶分割边界的白光病灶图像。当存在多个病灶时，依次将各病灶作为目标病灶，并得到目标病灶对应的白光病灶图像。如图3所示，在声带中，目标病灶的类型可能是声带小结、声带息肉或声带囊肿。

S2：从白光声带图像中获取声带的第一位置信息、第一形状信息和声带参考区域的第一面积信息，从白光病灶图像中获取目标病灶的第二位置信息和第二面积信息，根据第一位置信息、第一形状信息和第二位置信息，得到目标病灶和声带在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，根据第一相对位置信息得到第一量化特征，根据第二相对位置信息得到第二量化特征，根据第一位置信息和第一形状信息，得到目标病灶的凸出度信息，根据凸出度信息得到第三量化特征；根据第一位置信息、第一形状信息、第一面积信息和第二面积信息，得到目标病灶和声带参考区域的相对面积信息，根据相对面积信息得到第四量化特征；从白光声带图像中获取声带的对称性信息，根据对称性信息得到第五量化特征。

白光声带图像中具有声带的分割边界，在得到声带的分割边界后，可以确定声带的第一位置信息。如图4所示，声带包括左声带和右声带，在以下实施例中，将左声带和右声带中的其中一者称为第一声带，另一者称为第二声带。图4中左侧为声带的打开状态，右侧为声带的闭合状态，在第一声带和第二声带的打开状态，两者之间会形成一个三角形区域，该区域形成了声带参考区域。对于不同的患者，当声带位置确定后，声带参考区域的面积也是确定的，因此可以计算得到声带参考区域的第一面积信息。

白光病灶图像中具有目标病灶的分割边界，在得到目标病灶的分割边界后，可以确定出目标病灶的第一位置信息，并计算得到目标病灶的第二面积信息。

对于不同类型的目标病灶，其在声带中的分布位置具有一定的区别，分布区别主要反映在大致为纵向和横向的两个方向上，当目标病灶为小结时，其在纵向上主要分布在声带的上三分之一和中三分之一区间的交界附近，当目标病灶为囊肿时，其在纵向上主要分布在中三分之一区间内，当目标病灶为息肉时，其在横向上主要分布在声带边缘。因此，在本申请实施例中，将纵向作为第一方向，横向作为第二方向，根据声带的第一位置信息和目标病灶的第二位置信息，分别计算得到两者在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，该方式从病灶与声带的相对位置维度来对目标病灶的类型进行衡量，且从两个方向的相对位置维度来衡量，使得准确性较高。

在一种实施例中，S2具体包括：从白光声带图像中获取第一声带和第二声带的分割边界，根据分割边界，确定第一声带的第一最小外接矩形和第二声带的第二最小外接矩形；根据第一最小外接矩形和第二最小外接矩阵的参考交点，从第一最小外接矩形中确定相对设置的第一边和第二边，从第二最小外接矩形中确定相对设置的第三边和第四边，第一边和第三边相交于参考交点；将第二边的中点确定为第一参考点，将第四边的中点确定为第二参考点，根据参考交点和第一参考点确定第一参考边，根据参考交点和第二参考点确定第二参考边，根据第一参考点和第二参考点确定第三参考边，根据第一参考边、第二参考边和第三参考边，得到第一声带与第二声带之间的声带参考区域；根据参考中心、第一参考点和第二参考点的位置信息，得到声带参考区域的区域尺寸信息、区域位置信息和第一面积信息，根据区域尺寸信息和区域位置信息，得到声带的第一位置信息和第一形状信息；从白光病灶图像中获取目标病灶的分割边界，根据分割边界，得到目标病灶的病灶形心位置信息和第二面积信息，根据病灶形心位置信息，得到目标病灶的第二位置信息。

如图5所示，以目标病灶为声带小结，第一声带为左声带，第二声带为右声带为例，在得到第一声带和第二声带的分割边界后，分别计算得到第一声带的第一最小外接矩形P1P2P3P4和第二声带的第二最小外接矩形P1’P2’P3’P4’，最小外接矩形为可以覆盖完整声带且面积最小的矩形，两个最小外接矩形相交于点A，该点作为声带参考区域的参考交点。根据参考交点A，从第一最小外接矩形中确定相对设置的第一边P1P4和第二边P2P3，从第二最小外接矩形中确定相对设置的第三边P1’P4’和第四边P2’P3’，第一边P1P4和第三边P1’P4’相交于参考交点A。然后，将第二边P2P3的中点确定为第一参考点B，将第四边P2’P3’的中点确定为第二参考点C，根据参考交点A和第一参考点B，确定第一参考边AB，根据参考交点A和第二参考点C，确定第二参考边AC，根据第一参考点B和第二参考点C，确定第三参考边BC，最后根据AB、AC和BC，得到声带参考区域。

在得到声带参考区域后，根据参考中心A、第一参考点B和第二参考点C的位置信息，可以计算得到各参考边的尺寸信息，进而得到三角形的声带参考区域的区域尺寸信息和区域位置信息，当区域尺寸和区域位置固定后，声带的位置和形状也是固定的，因此可以用声带参考区域的区域尺寸信息和区域位置信息来表征整个声带的第一位置信息和第一形状信息。

从白光病灶图像中得到目标病灶的分割边界后，可以计算得到目标病灶的病灶形心O点的位置信息，如图5中圆圈内所示，并用该位置信息来表示目标病灶的第二位置信息。

在一种实施例中，S2具体包括：根据参考交点和第三参考边的中点，确定沿第一方向的参考中心线，将参考中心线三等分，在远离参考交点的第一方向上，依次生成与第三参考边平行的第一等分线和第二等分线，以使声带参考区域在第一方向上依次形成第一分区、第二分区和第三分区；根据区域尺寸信息、区域位置信息和病灶形心位置信息，得到病灶形心与第一等分线的第一距离，并得到病灶形心与三个分区的相对位置关系，对比第一距离和第一阈值，根据第一对比结果和相对位置关系，得到目标病灶和声带在第一方向上的第一相对位置信息，根据第一相对位置信息，得到第一量化特征；根据病灶形心位置信息、以及第一声带和第二声带的分割边界，确定目标病灶所在的目标声带，根据目标声带对应的目标最小外接矩形，确定目标参考边缘，获取病灶形心与目标参考边缘在第二方向上的第二距离，对比第二距离和第二阈值，根据第二对比结果，得到目标病灶和声带在第二方向上的第二相对位置信息，根据第二相对位置信息，得到第二量化特征。

从声带参考区域中确定第三参考边BC的中心，则参考交点A与该中心的连线为三角形的中心线，将从参考交点A指向该中心的方向作为第一方向，并将声带参考区域沿第一方向三等分，则在第一方向上，依次得到第一等分线和第二等分线，也即图中的1/3等分线和2/3等分线，并依次得到三个分区，分别为最上方的第一分区、中间的第二分区、以及最下方的第三分区。然后，计算O点与第一等分线的第一距离d1，对比d1与第一阈值α的大小，得到第一对比结果，并计算O点落在三个分区中的哪一个分区范围内，得到O点与三个分区的相对位置关系，综合第一对比结果和相对位置关系，得到目标病灶和声带在第一方向上的第一相对位置信息，第一相对位置信息用于表征目标病灶在纵向上分布在声带的哪个位置，根据第一相对位置信息可以得到第一量化特征label

如图6所示，α的数值小于第一分区高度的1/3，当d1≤α时，表示O点在第一等分线上下两侧一定的位置区间内，目标病灶可能是小结，当d1＞α且O点位于第二分区时，表示O点在第二分区内且与第一等分线的距离较远，目标病灶可能是囊肿，当O点位于其他位置时，label

在确定目标病灶与声带之间的第一相对位置信息时，由于声带本身形状并不是完全规则的，如果仅基于单侧声带的相关信息来得到分区标准，并通过该分区标准来确定目标病灶在纵向的分布情况，会使得每一侧计算得到的误差均会较大。在此基础上，由于左右声带存在形状、尺寸、位置等方面的差异，会造成两者的分区划分标准不统一，则左右两侧计算得到的分布情况的差异也会较大，两方面因素均会造成最后第一量化特征的准确性不高。

而在本申请实施例中，不直接对单侧声带进行三个分区的划分，而是先得到两侧声带的两个最小外接矩形，以降低声带形状不规则带来的影响，然后综合两个最小外接矩形得到声带参考区域的第一参考边和第二参考边，并基于第三参考边上的中心线来得到分区标准，则该分区标准是综合了两侧声带的信息共同来得到，误差会得到降低，且使得两侧声带采用了统一的分区标准，综合这些因素，可以显著提高第一量化特征的准确性，对目标病灶类型的确定准确性也得到提升。

在得到O点的位置后，从左声带和右声带中确定目标病灶所在的目标声带，图5中以目标声带为左声带为例，则左声带的第一最小外接矩形P1P2P3P4即为目标最小外接矩形，P3P4则为目标声带的目标参考边缘，计算病灶形心O点与目标参考边缘P3P4之间的第二距离d2，第二距离为垂直距离，两者之间的垂直方向即为第二方向。对比d2与第二阈值β的大小，得到第二对比结果，根据第二对比结果，得到目标病灶和声带在第二方向上的第二相对位置信息，第二相对位置信息用于表征目标病灶位于声带边缘还是没有位于声带边缘，根据第二相对位置信息可以得到第二量化特征label

当d2不大于β时，表示位于声带边缘，可能是息肉，当d2大于β时，表示没有位于声带边缘，可能是其他两种类型。本实施例中将最小外界矩形的规则边作为目标参考边缘，并计算得到第二距离，相对于直接取不完全规则的左声带边缘上某一点参与距离的计算，本申请实施例中的计算方式误差更小，则后续得到的第二量化特征的准确性也较高，对目标病灶类型的确定准确性也得到提升。

由图3中可以看出，当病灶类型不同时，其相对于声带边缘的凸出度是不同的，息肉的凸出度较大，小结的凸出度较小，囊肿则可以是任意凸出度，即，各病灶类型在白光声带图像中存在凸出度大小的不同。因此，可以从白光声带图像中获取目标病灶的凸出度信息，并对声带的凸出度进行量化得到第三量化特征。该方式从病灶的凸出度维度来对目标病灶的类型进行衡量。

在一种实施例中，S2具体包括：根据第二边的第一外侧点、第四边的第二外侧点和参考交点，得到以参考交点为顶点的第一参考角，根据第一参考点、第二参考点和参考交点，得到以参考交点为顶点的第二参考角；根据区域尺寸信息和区域位置信息，得到第一参考角的第一角度和第二参考角的第二角度；根据第一角度和第二角度的差值与凸出度系数，得到目标病灶的凸出度信息，根据凸出度信息，得到第三量化特征。

图7中的(a)、(b)和(c)分别示出了声带中无病灶、声带中病灶凸出度较大和声带中病灶凸出度较小的三种情况，第一最小外接矩形P1P2P3P4中第二边的第一外侧点为P2点，第二最小外接矩形P1’P2’P3’P4’中第四边的第二外侧点为P2’点，第一外侧点P2、参考中心A和第二外侧点P2’形成以A点为顶点的第一参考角∠P2AP2’，第一参考点B、参考中心A和第二外侧点P2’形成以A点为顶点的第二参考角∠BAC。根据上述实施例得到的区域尺寸信息和区域位置信息，可以计算得到第一参考角∠P2AP2’的第一角度θ1和第二参考角∠BAC的第二角度θ2。

对比图7中的(a)和(b)可知，当病灶向声带边缘外凸出时，保持声带打开程度一致，则其他尺寸不变，仅第一最小外接矩形P1P2P3P4中第二边P2P3宽度会增加，使得中点B的位置会向右移动，θ2减小，且随着凸出度的增大，B的右移程度也会增大，θ2数值更小，θ1和θ2的差值会增大，随着凸出度的减小，B的右移程度也会减小，θ1和θ2的差值会减小，直至减小至如图7中的(c)所示，凸出度为0，也即完全不向外凸出，此时B点的位置与(a)中相同。因此，可以用θ1和θ2的差值以及凸出度系数π来表征目标病灶凸出度的大小，用label

由于θ2的数值大小与θ1也相关，则以θ1为参考，用θ2和θ1的相对角度变化来表征目标病灶的凸出度大小，相对于用绝对角度来衡量更加准确。

当病灶类型为小结时，病灶在声带中的面积较小，当病灶类型为囊肿时，病灶在声带中的面积较大，当病灶类型为息肉时，病灶在声带中可以是任意面积。即，各病灶类型在白光声带图像中存在面积大小的不同。相对于用绝对大小来衡量目标病灶的面积大小，用相对大小衡量来更为准确，在本申请实施例中，用目标病灶与声带参考区域的相对面积大小来衡量，同时，在用相对面积进行衡量时，需要声带处于特定的打开状态才能参与计算，该条件可以用声带的第一位置信息来进行限制。因此，可以先根据声带的第一位置信息来确定声带的打开状态是否满足条件，再对目标病灶与声带参考区域之间的相对面积信息进行量化，得到第四量化特征，并用该特征来表示不同类型病灶的面积大小情况。该方式从相对面积维度对目标病灶的类型进行衡量。

在一种实施例中，S2具体包括：根据区域尺寸信息，得到声带参考区域的打开程度系数；在打开程度系数不小于程度系数阈值时，根据第二面积信息和第一面积信息，得到目标病灶与声带参考区域的相对面积，对比相对面积与第三阈值，根据第三对比结果得到目标病灶和声带参考区域的相对面积信息，根据相对面积信息得到第四量化特征。

由上述实施例可知，声带的第一位置信息用声带参考区域的区域尺寸信息来表征，如图5所示，根据该区域尺寸信息，可以得到第三参考边BC的长度l

当比值大于δ时，表示目标病灶的面积较大，可能是囊肿或息肉，当比值不大于δ时，表示目标病灶的面积较小，可能是小结或息肉。

在确定目标病灶与声带之间的相对面积信息时，由于左声带和右声带的面积具有一定的差异，如果仅基于目标病灶与单侧声带的相对面积来衡量目标病灶的大小，则对于同一患者，目标病灶位于左声带和位于右声带时分别计算得到的相对面积大小会存在一定差异，导致对目标病灶的大小衡量规则不统一，可能出现两种不同的衡量结果，使得第四量化特征的准确性不高。

而在本申请实施例中，不直接分别计算目标病灶与左声带或右声带的相对面积，而是先得到两侧声带的两个最小外接矩形，然后综合两个最小外接矩形得到声带参考区域，由于声带参考区域综合了两侧声带的面积信息，且作为唯一的相对面积参考，综合这些因素，可以显著提高第四量化特征的准确性，对目标病灶类型的确定准确性也得到提升。

当病灶类型为小结时，病灶在声带中为对称分布，即同时分布在左声带和右声带，当病灶类型为囊肿和息肉时，病灶仅分布在左声带和右声带中的其中一者中，即，各病灶类型在白光声带图像中存在分布对称性的不同，这种不对称性会使得两侧声带也具有不对称性。因此，可以从白光声带图像中获取声带的对称性信息，并对声带的对称性进行量化得到第五量化特征。该方式从病灶分布的对称性维度来对目标病灶的类型进行衡量。

在一种实施例中，S2具体包括：从白光声带图像中获取第一声带的第一声带面积、第一声带形心位置和第一纹理熵，并获取第二声带的第二声带面积、第二声带形心位置和第二纹理熵；根据第一声带面积和第二声带面积，得到第一声带和第二声带的面积差异度，根据第一声带形心位置和第二声带形心位置，得到第一声带和第二声带的位置差异度，根据第一纹理熵和第二纹理熵，得到第一声带和第二声带的纹理差异度；分别获取各差异度的预设权重，根据各差异度和对应的预设权重得到对称性系数，对比对称性系数和第四阈值，根据第四对比结果得到声带的对称性信息，根据对称性信息得到第五量化特征。

如图8所示，以第一声带为左声带，第二声带为右声带，且目标病灶位于左声带为例，先将白光声带图像二值化，然后在连通域的基础上计算左声带的第一声带面积S

Q＝-∑∑p(g

在式中，(g

在式中，R为归一化系数，用N表示图像的宽度和高度，则R的取值满足下列公式：

在式中，θ等于0表示两个像素在水平方向相邻，θ等于90度表示两个像素在竖直方向相邻，θ等于45度表示两个像素左斜向相邻，θ等于135度两个像素右斜向相邻。将左声带区域中的各灰度值对和右声带区域中的各灰度值对分别代入上述公式5至7，可计算得到左声带的第一纹理熵Q

在得到S

在本申请实施例中，通过面积差异、位置差异和纹理差异三方面来衡量左声带和右声带的对称性，则对于分布对称性的衡量较为全面，得到的第五量化特征也会更加准确。

S3：调用训练后的病灶形状识别模型对白光病灶图像中的目标病灶形状进行识别，得到第一识别结果，根据第一识别结果得到第一学习特征；调用训练后的病灶蒂识别模型对白光病灶图像中的目标病灶是否带蒂进行识别，得到第二识别结果，根据第二识别结果得到第二学习特征；从白光病灶图像中获取目标病灶的颜色信息，根据颜色信息得到第六量化特征。

病灶形状识别模型可以是Unet++模型，该模型在使用之前，先由专业内镜医师对一定数量历史案例的白光病灶图像中的病灶边界进行勾勒，识别出形状并标记对应的标签来作为训练数据，然后用该训练数据对病灶形状识别模型进行训练，使得模型具有对病灶形状进行识别的能力。

当病灶类型为小结时，病灶形状为近圆形，当病灶类型为息肉时，病灶为不规则的任意形状，当病灶类型为囊肿时，病灶形状为近圆或椭圆，即，在白光病灶图像中，各病灶类型存在形状的不同。则基于此，可以调用训练后的病灶形状识别模型对白光病灶图像进行识别，得到目标病灶形状为近圆或椭圆的第一识别结果，或者形状不规则的第一识别结果，对不同情况的第一识别结果输出不同数值，得到目标病灶的第一学习特征。该方式从形状维度来对目标病灶的类型进行衡量。

用label

病灶蒂识别模型可以是VGG16模型，该模型在使用之前，先由专业内镜医师对一定数量历史案例的白光病灶图像中的病灶是否带蒂进行识别，并标记对应的有蒂/无蒂标签来作为训练数据，然后用该训练数据对病灶蒂识别模型进行训练，使得模型具有对病灶是否带蒂情况进行识别的能力。

当病灶类型为小结和囊肿时，病灶不带蒂，当病灶类型为息肉时，病灶可能带蒂，即，在白光病灶图像中，各病灶类型存在无蒂或有蒂的不同。则基于此，可以调用训练后的病灶蒂识别模型对白光病灶图像进行识别，得到目标病灶无蒂或有蒂的第二识别结果，对不同情况的第二识别结果输出不同数值，得到目标病灶的第二学习特征。该方式从是否带蒂维度来对目标病灶的类型进行衡量。

用label

当病灶类型为小结时，病灶颜色为灰白，当病灶类型为息肉时，病灶颜色为灰白或淡红，当病灶类型为囊肿时，病灶颜色为透明或黄色，即，在白光病灶图像中，各病灶类型存在颜色的不同。则基于此，可以从白光病灶图像中获取目标病灶的颜色信息，并对不同的颜色信息进行不同数值的量化，得到第六量化特征。该方式从颜色维度来对目标病灶的类型进行衡量。

在一种实施例中，S3具体包括：从白光病灶图像中获取目标病灶的各像素点的三通道颜色特征；根据像素点的总数量和各像素点的三通道颜色特征，得到目标病灶的三通道颜色特征，根据目标病灶的三通道颜色特征，得到目标病灶的病灶颜色特征均值；对比病灶颜色特征均值和第五阈值，根据第五对比结果得到目标病灶的颜色信息，根据颜色信息得到第六量化特征。

通过PIL自带的getcolors()函数从白光病灶图像中获取目标病灶的病灶颜色特征列表color＝[(r

通过上述方式，综合了目标病灶中每个像素点在三通道下的像素颜色特征来进行颜色量化，精度较高，使得第六量化特征的准确性也较高。

S4：调用训练后的血管分割模型对NBI声带图像进行血管分割，并从分割后的NBI声带图像中获取血管的形态信息，根据形态信息得到第七量化特征。

血管分割模型可以是Unet++模型，该模型在使用之前，先由专业内镜医师对一定数量历史案例的NBI声带图像中的血管边界进行勾勒，并作为训练数据，然后用该训练数据对血管分割模型进行训练，使得模型具有对血管进行分割的能力。

当病灶类型为小结时，不存在血管，当病灶类型为息肉时，表面存在I型血管，也即树枝状血管，当病灶类型为囊肿时，表面血管不为I型但血管纹理清晰，即，在NBI病灶图像中，各病灶类型存在有血管/无血管的不同，以及I型血管/非I型血管的不同。则基于此，可以先调用血管分割模型对NBI声带图像进行血管分割，如果不存在血管，对不存在的情况进行数值量化，如果存在血管，再从中获取血管的形态信息，并对不同形态进行不同数值的量化，从而得到第七量化特征。该方式从血管形态维度来对目标病灶的类型进行衡量。

在一种实施例中，S4具体包括：调用训练后的血管分割模型对NBI声带图像进行血管分割，并根据分割结果，判断是否存在血管；若否，生成不存在血管的形态信息，根据形态信息得到病灶的第七量化特征；若是，获取M段血管中心线和T个血管角点，根据M段血管中心线，得到M个血管段的血管直径，根据T个血管角点，得到M个血管段的的斜率，并将M个血管段中血管直径最大者确定为目标血管段；判断目标血管段的斜率是否位于第一阈值范围，得到第一判断结果，判断目标血管段是否为M个血管段中的斜率最小者，得到第二判断结果，判断剩余M-1个血管段的斜率是否位于第二阈值范围，得到第三判断结果，判断M是否不小于第六阈值，得到第四判断结果；根据第一判断结果、第二判断结果、第三判断结果和第四判断结果，得到血管的形态信息，根据形态信息得到第七量化特征。

用label

对K个血管段，均根据上述公式得到K个血管直径，然后将血管直径最大的一段血管确定为目标血管段。对于每个血管段，连接首尾的端点也即两个角点，可以计算得到该血管段的斜率k

S5：根据所有量化特征和所有学习特征，得到声带病灶特征。

在上述步骤中，得到了目标病灶的多个量化特征和多个学习特征，这些特征共同形成了声带病灶特征，该特征可为后续病灶类型的确定提供准确和全面的参考。

在一种实施例中，在S5之后还包括：获取目标病灶各量化特征和各学习特征的权重，根据各量化特征、各学习特征及对应的权重得到目标病灶的病变系数；根据病变系数和系数阈值，得到目标病灶的病灶类型信息。

在上述步骤中，得到了目标病灶的各特征label

系数阈值包括第一系数阈值τ

通过上述过程，可以提取的声带病灶特征完成对声带目标病灶的类型确定，为后续诊治提供准确参考。

综合上述过程，用表1示出本申请实施例中三种病灶类型在各维度的区别以及在各维度的特征提取方式。本申请在获取了喉部的白光图像和NBI图像后，可以自动从多个维度对声带中目标病灶的病变情况进行量化和学习，并进行综合得到声带病灶特征，由于提取的声带病灶特征准确性较高且非常全面，对于声带病灶的类型确定准确性也较高。

表1

在上述实施例所述方法的基础上，本实施例将从声带病灶特征提取装置的角度进一步进行描述，请参阅图10，声带病灶特征提取装置可以包括：

分割模块10，用于获取同一案例喉部的白光图像和NBI图像，调用训练后的声带分割模型分别对所述白光图像和所述NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对所述白光声带图像中目标病灶进行分割，得到白光病灶图像；

第一得到模块20，用于从所述白光声带图像中获取声带的第一位置信息、第一形状信息和声带参考区域的第一面积信息，从所述白光病灶图像中获取目标病灶的第二位置信息和第二面积信息，根据所述第一位置信息、所述第一形状信息和所述第二位置信息，得到所述目标病灶和所述声带在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，根据所述第一相对位置信息得到第一量化特征，根据所述第二相对位置信息得到第二量化特征，根据所述第一位置信息和所述第一形状信息，得到目标病灶的凸出度信息，根据所述凸出度信息得到第三量化特征；根据所述第一位置信息、所述第一形状信息、所述第一面积信息和所述第二面积信息，得到所述目标病灶和所述声带参考区域的相对面积信息，根据所述相对面积信息得到第四量化特征；从所述白光声带图像中获取所述声带的对称性信息，根据所述对称性信息得到第五量化特征；

第二得到模块30，用于调用训练后的病灶形状识别模型对所述白光病灶图像中的目标病灶形状进行识别，得到第一识别结果，根据所述第一识别结果得到第一学习特征；调用训练后的病灶蒂识别模型对所述白光病灶图像中的目标病灶是否带蒂进行识别，得到第二识别结果，根据所述第二识别结果得到第二学习特征；从所述白光病灶图像中获取所述目标病灶的颜色信息，根据所述颜色信息得到第六量化特征；

第三得到模块40，用于调用训练后的血管分割模型对所述NBI声带图像进行血管分割，并从分割后的NBI声带图像中获取血管的形态信息，根据所述形态信息得到第七量化特征；

第四得到模块50，用于根据所有量化特征和所有学习特征，得到声带病灶特征。

在一种实施例中，所述声带包括第一声带和第二声带，第一得到模块20包括：

第一确定子模块，用于从所述白光声带图像中获取所述第一声带和所述第二声带的分割边界，根据所述分割边界，确定所述第一声带的第一最小外接矩形和所述第二声带的第二最小外接矩形；

第二确定子模块，用于根据所述第一最小外接矩形和所述第二最小外接矩阵的参考交点，从所述第一最小外接矩形中确定相对设置的第一边和第二边，从所述第二最小外接矩形中确定相对设置的第三边和第四边，所述第一边和所述第三边相交于所述参考交点；

第一得到子模块，用于将所述第二边的中点确定为第一参考点，将所述第四边的中点确定为第二参考点，根据所述参考交点和所述第一参考点，确定第一参考边，根据所述参考交点和所述第二参考点，确定第二参考边，根据所述第一参考点和所述第二参考点，确定第三参考边，根据所述第一参考边、所述第二参考边和所述第三参考边，得到所述第一声带与所述第二声带之间的声带参考区域；

第二得到子模块，用于根据所述参考中心、所述第一参考点和所述第二参考点的位置信息，得到所述声带参考区域的区域尺寸信息、区域位置信息和第一面积信息，根据所述区域尺寸信息和所述区域位置信息，得到所述声带的第一位置信息和第一形状信息；

第三得到子模块，用于从所述白光病灶图像中获取所述目标病灶的分割边界，根据所述分割边界，得到所述目标病灶的病灶形心位置信息和第二面积信息，根据所述病灶形心位置信息，得到所述目标病灶的第二位置信息。

在一种实施例中，第一得到模块20包括：

生成子模块，用于根据所述参考交点和所述第三参考边的中点，确定沿第一方向的参考中心线，将所述参考中心线三等分，在远离所述参考交点的第一方向上，依次生成与所述第三参考边平行的第一等分线和第二等分线，以使所述声带参考区域在所述第一方向上依次形成第一分区、第二分区和第三分区；

第四得到子模块，用于根据所述区域尺寸信息、所述区域位置信息和所述病灶形心位置信息，得到病灶形心与所述第一等分线的第一距离，并得到所述病灶形心与三个分区的相对位置关系，对比所述第一距离和第一阈值，根据第一对比结果和所述相对位置关系，得到所述目标病灶和所述声带在所述第一方向上的第一相对位置信息，根据所述第一相对位置信息，得到第一量化特征；

第五得到子模块，用于根据所述病灶形心位置信息、以及所述第一声带和第二声带的分割边界，确定所述目标病灶所在的目标声带，根据所述目标声带对应的目标最小外接矩形，确定目标参考边缘，获取所述病灶形心与所述目标参考边缘在第二方向上的第二距离，对比所述第二距离和第二阈值，根据第二对比结果，得到所述目标病灶和所述声带在所述第二方向上的第二相对位置信息，根据所述第二相对位置信息，得到第二量化特征。

在一种实施例中，第一得到模块20包括：

第六得到子模块，用于根据所述第二边的第一外侧点、所述第四边的第二外侧点和所述参考交点，得到以所述参考交点为顶点的第一参考角，根据所述第一参考点、所述第二参考点和所述参考交点，得到以所述参考交点为顶点的第二参考角；

第七得到子模块，用于根据所述区域尺寸信息和所述区域位置信息，得到所述第一参考角的第一角度和所述第二参考角的第二角度；

第八得到子模块，用于根据所述第一角度和所述第二角度的差值与凸出度系数，得到所述目标病灶的凸出度信息，根据所述凸出度信息，得到第三量化特征。

在一种实施例中，第一得到模块20包括：

第九得到子模块，用于根据所述区域尺寸信息，得到所述声带参考区域的打开程度系数；

第十得到子模块，用于在所述打开程度系数不小于程度系数阈值时，根据所述第二面积信息和所述第一面积信息，得到所述目标病灶与所述声带参考区域的相对面积，对比所述相对面积与第三阈值，根据第三对比结果得到所述目标病灶和所述声带参考区域的相对面积信息，根据所述相对面积信息得到第四量化特征。

在一种实施例中，第一得到模块20包括：

第一获取子模块，用于从所述白光声带图像中获取第一声带的第一声带面积、第一声带形心位置和第一纹理熵，并获取第二声带的第二声带面积、第二声带形心位置和第二纹理熵；

第十一得到子模块，用于根据所述第一声带面积和所述第二声带面积，得到所述第一声带和所述第二声带的面积差异度，根据所述第一声带形心位置和所述第二声带形心位置，得到所述第一声带和所述第二声带的位置差异度，根据所述第一纹理熵和所述第二纹理熵，得到所述第一声带和所述第二声带的纹理差异度；

第十二得到子模块，用于分别获取各差异度的预设权重，根据各差异度和对应的预设权重得到对称性系数，对比所述对称性系数和第四阈值，根据第四对比结果得到所述声带的对称性信息，根据所述对称性信息得到第五量化特征。

在一种实施例中，第二得到模块30包括：

第二获取子模块，用于从所述白光病灶图像中获取所述目标病灶的各像素点的三通道颜色特征；

第十三得到子模块，用于根据像素点的总数量和各像素点的三通道颜色特征，得到所述目标病灶的三通道颜色特征，根据所述目标病灶的三通道颜色特征，得到所述目标病灶的病灶颜色特征均值；

第十四得到子模块，用于对比所述病灶颜色特征均值和第五阈值，根据第五对比结果得到所述目标病灶的颜色信息，根据所述颜色信息得到第六量化特征。

在一种实施例中，第三得到模块40包括：

判断子模块，用于调用训练后的血管分割模型对所述NBI声带图像进行血管分割，并根据分割结果，判断是否存在血管；

第十五得到子模块，用于若否，生成不存在血管的形态信息，根据所述形态信息得到所述病灶的第七量化特征；

第三确定子模块，用于若是，获取M段血管中心线和T个血管角点，根据所述M段血管中心线，得到M个血管段的血管直径，根据所述T个血管角点，得到M个血管段的的斜率，并将所述M个血管段中血管直径最大者确定为目标血管段；

第十六得到子模块，用于判断所述目标血管段的斜率是否位于第一阈值范围，得到第一判断结果，判断所述目标血管段是否为所述M个血管段中的斜率最小者，得到第二判断结果，判断剩余M-1个血管段的斜率是否位于第二阈值范围，得到第三判断结果，判断M是否不小于第六阈值，得到第四判断结果；

第十七得到子模块，用于根据所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，得到所述血管的形态信息，根据所述形态信息得到第七量化特征。

在一种实施例中，声带病灶特征提取还包括：

第五得到模块，用于获取所述目标病灶各量化特征和各学习特征的权重，根据各量化特征、各学习特征及对应的权重得到所述目标病灶的病变系数；

第六得到模块，用于根据所述病变系数和系数阈值，得到所述目标病灶的病灶类型信息。

区别于现有技术，本申请提供的声带病灶特征提取装置，先获取同一案例喉部的白光图像和NBI图像，并调用训练后的声带分割模型分别对白光图像和NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对白光声带图像中目标病灶进行分割，得到白光病灶图像，然后，从白光声带图像和白光病灶图像中得到病灶位置的第一量化特征和第二量化特征、病灶凸出度的第三量化特征、病灶相对面积的第四量化特征和声带对称性的第五量化特征，从白光病灶图像中得到病灶形状的第一学习特征、病灶带蒂/不带蒂的第二学习特征、病灶颜色的第六量化特征，并调用训练后的血管分割模型对NBI声带图像进行血管分割，从分割后的NBI声带图像中得到血管形态的第七量化特征，最后综合根据所有量化特征和所有学习特征，得到声带病灶特征。本申请在获取了喉部的白光图像和NBI图像后，可以自动从多个维度对声带中目标病灶的病变情况进行量化和学习，并进行综合得到声带病灶特征，则该特征可以为目标病灶的类型确定提供准确和全面的参考，效率较高，使得声带病灶的类型确定准确性也较高。

相应的，本申请实施例还提供一种电子设备，如图11所示，该电子设备可以包括射频(RF，Radio Frequency)电路1001、包括有一个或一个以上计算机可读存储介质的存储器1002、输入单元1003、显示单元1004、传感器1005、音频电路1006、WiFi模块1007、包括有一个或者一个以上处理核心的处理器1008、以及电源1009等部件。本领域技术人员可以理解，图11中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

射频电路1001可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器1008处理；另外，将涉及上行的数据发送给基站。存储器1002可用于存储软件程序以及模块，处理器1008通过运行存储在存储器1002的软件程序以及模块，从而执行各种功能应用以及声带病灶类型确定。输入单元1003可用于接收输入的数字或字符信息，以及产生与客户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

显示单元1004可用于显示由客户输入的信息或提供给客户的信息以及服务器的各种图形客户接口，这些图形客户接口可以由图形、文本、图标、视频和其任意组合来构成。

电子设备还可包括至少一种传感器1005，比如光传感器、运动传感器以及其他传感器。音频电路1006包括扬声器，扬声器可提供客户与电子设备之间的音频接口。

WiFi属于短距离无线传输技术，电子设备通过WiFi模块1007可以帮助客户收发电子邮件、浏览网页和随访流式媒体等，它为客户提供了无线的宽带互联网随访。虽然图11示出了WiFi模块1007，但是可以理解的是，其并不属于电子设备的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器1008是电子设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行电子设备的各种功能和处理数据，从而对手机进行整体监控。

电子设备还包括给各个部件供电的电源1009(比如电池)，优选的，电源可以通过电源管理系统与处理器1008逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，服务器中的处理器1008会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1002中，并由处理器1008来运行存储在存储器1002中的应用程序，从而实现以下功能：

获取同一案例喉部的白光图像和NBI图像，调用训练后的声带分割模型分别对所述白光图像和所述NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对所述白光声带图像中目标病灶进行分割，得到白光病灶图像；

从所述白光声带图像中获取声带的第一位置信息、第一形状信息和声带参考区域的第一面积信息，从所述白光病灶图像中获取目标病灶的第二位置信息和第二面积信息，根据所述第一位置信息、所述第一形状信息和所述第二位置信息，得到所述目标病灶和所述声带在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，根据所述第一相对位置信息得到第一量化特征，根据所述第二相对位置信息得到第二量化特征，根据所述第一位置信息和所述第一形状信息，得到目标病灶的凸出度信息，根据所述凸出度信息得到第三量化特征；根据所述第一位置信息、所述第一形状信息、所述第一面积信息和所述第二面积信息，得到所述目标病灶和所述声带参考区域的相对面积信息，根据所述相对面积信息得到第四量化特征；从所述白光声带图像中获取所述声带的对称性信息，根据所述对称性信息得到第五量化特征；

调用训练后的病灶形状识别模型对所述白光病灶图像中的目标病灶形状进行识别，得到第一识别结果，根据所述第一识别结果得到第一学习特征；调用训练后的病灶蒂识别模型对所述白光病灶图像中的目标病灶是否带蒂进行识别，得到第二识别结果，根据所述第二识别结果得到第二学习特征；从所述白光病灶图像中获取所述目标病灶的颜色信息，根据所述颜色信息得到第六量化特征；

调用训练后的血管分割模型对所述NBI声带图像进行血管分割，并从分割后的NBI声带图像中获取血管的形态信息，根据所述形态信息得到第七量化特征；

根据所有量化特征和所有学习特征，得到声带病灶特征。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文的详细描述，此处不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现以下功能：

获取同一案例喉部的白光图像和NBI图像，调用训练后的声带分割模型分别对所述白光图像和所述NBI图像中的声带进行分割，得到白光声带图像和NBI声带图像，调用训练后的病灶分割模型对所述白光声带图像中目标病灶进行分割，得到白光病灶图像；

从所述白光声带图像中获取声带的第一位置信息、第一形状信息和声带参考区域的第一面积信息，从所述白光病灶图像中获取目标病灶的第二位置信息和第二面积信息，根据所述第一位置信息、所述第一形状信息和所述第二位置信息，得到所述目标病灶和所述声带在第一方向上的第一相对位置信息和在第二方向上的第二相对位置信息，根据所述第一相对位置信息得到第一量化特征，根据所述第二相对位置信息得到第二量化特征，根据所述第一位置信息和所述第一形状信息，得到目标病灶的凸出度信息，根据所述凸出度信息得到第三量化特征；根据所述第一位置信息、所述第一形状信息、所述第一面积信息和所述第二面积信息，得到所述目标病灶和所述声带参考区域的相对面积信息，根据所述相对面积信息得到第四量化特征；从所述白光声带图像中获取所述声带的对称性信息，根据所述对称性信息得到第五量化特征；

调用训练后的病灶形状识别模型对所述白光病灶图像中的目标病灶形状进行识别，得到第一识别结果，根据所述第一识别结果得到第一学习特征；调用训练后的病灶蒂识别模型对所述白光病灶图像中的目标病灶是否带蒂进行识别，得到第二识别结果，根据所述第二识别结果得到第二学习特征；从所述白光病灶图像中获取所述目标病灶的颜色信息，根据所述颜色信息得到第六量化特征；

调用训练后的血管分割模型对所述NBI声带图像进行血管分割，并从分割后的NBI声带图像中获取血管的形态信息，根据所述形态信息得到第七量化特征；

根据所有量化特征和所有学习特征，得到声带病灶特征。

以上对本申请实施例所提供的一种声带病灶特征提取方法、装置、电子设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。