CN109102491B - 一种胃镜图像自动采集***及方法 - Google Patents
一种胃镜图像自动采集***及方法 Download PDFInfo
- Publication number
- CN109102491B CN109102491B CN201810690051.XA CN201810690051A CN109102491B CN 109102491 B CN109102491 B CN 109102491B CN 201810690051 A CN201810690051 A CN 201810690051A CN 109102491 B CN109102491 B CN 109102491B
- Authority
- CN
- China
- Prior art keywords
- image
- network model
- model
- discrimination
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/273—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
- A61B1/2736—Gastroscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Gastroenterology & Hepatology (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Endoscopes (AREA)
Abstract
本发明提供一种胃镜图像自动采集***,包括采用反向传播算法训练好的卷积神经网络模型和长短时间记忆网络模型,卷积神经网络模型用于对预处理后的图像进行部位和病灶特征的分类,长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;图像展示模块,用于将视频识别模块的识别结果进行图文表达;结果输出模块,用于记录每次识别结果,并按照视频识别模块的识别结果进行排序,输出每个部位排序最前的图像。本发明综合运用卷积神经网络模型和长短时间记忆网络模型对采集的胃镜视频进行实时采集过滤,能够避免图像中的目标特征的遗漏,优化特征的类别。
Description
技术领域
本发明属于医疗内窥镜影像识别领域,具体涉及一种胃镜图像自动采集***及方法。
背景技术
随着深度学习算法不断发展、日益成熟,已经逐步用于医疗影像分析领域。内窥镜影像是医生分析病人消化道疾病的重要依据,近年来开发出了多种利用深度卷积神经网络模型对病灶的筛选、诊断方法在目前有关胃镜诊断***在临床上具有重要意义。
实施内镜检查时,操作医师一边观察内镜视频,一边将发现的包含重要器官部位和可疑病灶区域的影像,通过踩踏专门的脚踏板,将图像抓取下来保存到内镜报告***中,再由诊断医生根据这些抓取的影像出具诊断报告。胃镜检查流程通常只有5-7分钟,受制于操作医师的工作状态、经验影响,容易出现将重点影像漏掉未抓取到情况,这将导致后续诊断医生无法做出全面准确的评估。
目前公开的相关胃镜辅助***及方法,多数采用深度卷积神经网络方法,该类方法在对静态图片分类判别上获得了较好的精度,但由于胃镜操作流程的复杂性,该类方法在实时视频分析时精度较差。
发明内容
本发明要解决的技术问题是:提供一种胃镜图像自动采集***及方法,能够避免图像中的目标特征的遗漏,并优化目标特征的类别。
本发明为解决上述技术问题所采取的技术方案为:一种胃镜图像自动采集***,其特征在于:它包括:
视频接收模块,通过视频采集卡连接内镜设备,接收内镜设备采集的视频流,并对视频流进行预处理;
视频识别模块,包括采用反向传播算法训练好的卷积神经网络模型和长短时间记忆网络模型,卷积神经网络模型用于对预处理后的图像进行部位和病灶特征的分类,长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;所述的识别结果包括图片对应的部位分类及部位分类置信度和图片清晰置信度;
图像展示模块,用于将视频识别模块的识别结果进行图文表达;
结果输出模块,用于记录每次识别结果,并按照视频识别模块的识别结果中部位分类置信度和图片清晰置信度加权之后进行排序,输出每个部位排序最前的图像。
按上述***,所述的卷积神经网络模型包括图像部位判别CNN模型和病灶特征判别CNN模型;所述的长短时间记忆网络模型包括图像部位判别LSTM模型和病灶特征判别LSTM模型;其中,
图像部位判别CNN模型根据26个胃的典型部位对应的权重,对输入的单张图像中识别出对应的典型部位,从而对该单张图像进行部位分类;然后将输入连续N张部位分类好的图像至部位判别LSTM模型,判别图像部位判别CNN模型的识别权重,输出连续N张中的最后一张图像的部位类别;
病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的概率;病灶特征判别LSTM模型用于输入N张病灶特征判别CNN模型的识别权重,输出最后一张图片具有病灶特征的概率。
一种胃镜图像自动采集方法,其特征在于:它包括以下步骤:
S1、利用视频采集卡从内镜设备接收胃镜的视频流,并对视频流进行预处理,按1帧每秒的速度发送到视频识别模块;
S2、视频识别模块采用卷积神经网络模型对预处理后的图像进行部位和病灶特征的分类,然后用长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;视频识别模块的识别结果中部位分类置信度和图片清晰置信度加权之后进行排序;卷积神经网络模型和长短时间记忆网络模型均采用反向传播算法训练好;
S3、将视频识别模块的识别结果进行图文表达;
S4、记录每次识别结果,并按照视频识别模块的识别结果中部位分类置信度和图片清晰置信度加权之后进行排序,输出每个部位排序最前的图像。
按上述方法,所述的S2中,卷积神经网络模型包括图像部位判别CNN模型和病灶特征判别CNN模型;所述的长短时间记忆网络模型包括图像部位判别LSTM模型和病灶特征判别LSTM模型;其中,
图像部位判别CNN模型根据26个胃的典型部位对应的权重,对输入的单张图像中识别出对应的典型部位,从而对该单张图像进行部位分类;然后将输入连续N张部位分类好的图像至部位判别LSTM模型,判别图像部位判别CNN模型的识别权重,输出连续N张中的最后一张图像的部位类别;
病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的概率;病灶特征判别LSTM模型用于输入N张病灶特征判别CNN模型的识别权重,输出最后一张图片具有病灶特征的概率。
本发明的有益效果为:综合运用卷积神经网络模型和长短时间记忆网络模型对采集的胃镜视频进行实时采集过滤,解决了目前胃镜视频图像采集实时精度差的问题,能够避免图像中的目标特征的遗漏,并优化目标特征的类别。
附图说明
图1为本发明一实施例的硬件框图。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
本发明提供一种胃镜图像自动采集***,它包括:
视频接收模块,通过视频采集卡连接内镜设备的BNC接口,接收内镜设备采集的视频流,并对视频流进行预处理。
视频识别模块,包括采用反向传播算法训练好的卷积神经网络模型和长短时间记忆网络模型,卷积神经网络模型用于对预处理后的图像进行部位和病灶特征的分类,长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;所述的识别结果包括图片对应的部位分类及部位分类置信度和图片清晰置信度。
卷积神经网络模型包括图像部位判别CNN模型和病灶特征判别CNN模型。所述的长短时间记忆网络模型包括图像部位判别LSTM模型和病灶特征判别LSTM模型。其中,图像部位判别CNN模型根据26个胃的典型部位对应的权重,对输入的单张图像中识别出对应的典型部位,从而对该单张图像进行部位分类;然后将输入连续N张部位分类好的图像至部位判别LSTM模型,判别图像部位判别CNN模型的识别权重,输出连续N张中的最后一张图像的部位类别;病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的概率;病灶特征判别LSTM模型用于输入N张病灶特征判别CNN模型的识别权重,输出最后一张图片具有病灶特征的概率。
26个典型部位分别为食管、贲门、胃窦大弯、胃窦后壁、胃窦前壁、胃窦小弯、十二指肠球部、十二指肠降部、正镜胃体下部大弯、正镜胃体下部后壁、正镜胃体下部前壁、正镜胃体下部小弯、正镜胃体中上部大弯、正镜胃体中上部后壁、正镜胃体中上部前壁、正镜胃体中上部小弯、倒镜胃底大弯、倒镜胃底后壁、倒镜胃底前壁、倒镜胃底小弯、倒镜胃体中上部后壁、倒镜胃体中上部前壁、倒镜胃体中上部小弯、倒镜胃角后壁、倒镜胃角前壁、倒镜胃角小弯。
本实施例中,图像部位判别CNN模型,对输入的单张图像中识别出对应的部位分类置信度和对应的类激活图CAM。CAM是一种可视化图片在CNN中最后的卷积层上被「注意」区域的方法。CAM可视化适用于在最终全连接层之前具有全局平均池化层的架构,其中我们输出最后一个卷积层上每个单元的特征映射的空间平均值。一个类的CAM是基于每个特征图,将图像分配给该类的重要性。CNN模型的CAM计算公式如下:
式中,Mp为类激活映射的最终特征地图,Fk代表输入图片在CNN最后一个卷积层的第k个特征映射,wk代表第k个特征映射和完全连通层之间的权重。
然后将输入连续N张CNN输出的CAM输入图像部位判别LSTM模型。图像部位判别LSTM模型由N个长短时记忆单元组成。H表示LSTM输出状态,x代表本次输入的CAM。上一次的状态ht-1和本次的输入xt经过长短时记忆单元计算之后,输出当前图片拟合后的部位判断结果。长短时记忆单元具体公式表示如下:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
式中,zt为决定遗忘信息,σ为σ为逻辑sigmoid函数,Wz为遗忘特征对应的权重,rt为决定记忆的信息,Wr为记忆特征对应的权重,为更新后的状态,tanh为逻辑tanh函数,W为输出特征对应的权重,ht为最终输出的信息。
病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的概率和对应的类激活图(CAM);病灶特征判别LSTM模型用于输入N张病灶特征判别的CAM后,输出当前图片拟合后的病灶判断结果。
图像展示模块,用于将视频识别模块的识别结果进行图文表达。本实施例中,图文表达具体为:构建一个胃部的虚拟图像,初始状态下为灰色,将检测到的对应部位点亮,同时显示当前已检测到的部位个数。
结果输出模块,用于记录每次识别结果,并按照置信度和图片质量加权之后进行排序视频识别模块的识别结果中部位分类置信度和图片清晰置信度加权之后进行排序,输出每个部位排序最前的图像。排序最前说明包含病灶特征的可能性最大。本实施例中,包括26张不同部位的图像和n个包含可疑病灶特征的图像。
本发明的硬件框图如图1所示,其中食品采集模块通过USB与视频识别模块连接,视频识别模块与图像显示模块连接,图像显示模块通过一个可移动支架进行固定,并通过网络与业务工作站连接,以发送报告。其中视频识别模块、图像显示模块和结果输出模块可由计算机或平板电脑等智能终端实现。
一种胃镜图像自动采集方法,包括以下步骤:
S1、利用视频采集卡从内镜设备接收胃镜的视频流,并对视频流进行预处理,按1帧每秒的速度发送到视频识别模块。
S2、视频识别模块采用卷积神经网络模型对预处理后的图像进行部位和病灶特征的分类,然后用长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;所述的识别结果包括图片对应的部位分类及部位分类置信度和图片清晰置信度。卷积神经网络模型和长短时间记忆网络模型均采用反向传播算法训练好。卷积神经网络模型包括图像部位判别CNN模型和病灶特征判别CNN模型;所述的长短时间记忆网络模型包括图像部位判别LSTM模型和病灶特征判别LSTM模型;其中,图像部位判别CNN模型根据26个胃的典型部位对应的权重,对输入的单张图像中识别出对应的典型部位,从而对该单张图像进行部位分类;然后将输入连续N张部位分类好的图像至部位判别LSTM模型,判别图像部位判别CNN模型的识别权重,输出连续N张中的最后一张图像的部位类别;病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的概率;病灶特征判别LSTM模型用于输入N张病灶特征判别CNN模型的识别权重,输出最后一张图片具有病灶特征的概率。
S3、将视频识别模块的识别结果进行图文表达。
S4、记录每次识别结果,并按照视频识别模块的识别结果中部位分类置信度和图片清晰置信度加权之后进行排序,输出每个部位排序最前的图像。
本发明公开了一种胃镜图像自动采集***及方法,该方法构建基于长短时间记忆网络(LSTM)和卷积神经网络(CNN)的胃镜识别***,将图像序列作为***的输入,采用反向传播算法对LSTM和CNN进行训练,优化网络的参数,得到优化后的网络模型;利用已经训练好的网络模型对新输入的图像序列进行部位分类。该方法中的LSTM网络模型能够综合考虑CNN识别结果和视频上下文,从视频中准确的提取胃镜检查需要的部位图像。
需要特别说明的是,本发明中提及的病灶特征,仅为图像中的目标特征,而并非疾病的诊断。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (2)
1.一种胃镜图像自动采集***,其特征在于:它包括:
视频接收模块,通过视频采集卡连接内镜设备,接收内镜设备采集的视频流,并对视频流进行预处理;
视频识别模块,包括采用反向传播算法训练好的卷积神经网络模型和长短时间记忆网络模型,卷积神经网络模型用于对预处理后的图像进行部位和病灶特征的分类,长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;所述的识别结果包括图片对应的部位分类及部位分类置信度、图片是否包含病灶及病灶特征置信度、图片清晰置信度;
图像展示模块,用于将视频识别模块的识别结果进行图文表达;
结果输出模块,用于记录每次识别结果,并按照视频识别模块的识别结果中部位分类置信度、病灶特征置信度和图片清晰置信度加权之后进行排序,输出每个部位排序最前的图像;
所述的卷积神经网络模型包括图像部位判别CNN模型和病灶特征判别CNN模型;所述的长短时间记忆网络模型包括图像部位判别LSTM模型和病灶特征判别LSTM模型;其中,
图像部位判别CNN模型根据26个胃的典型部位对应的权重,对输入的单张图像中识别出对应的典型部位,从而对该单张图像进行部位分类;然后将输入连续N张部位分类好的图像至部位判别LSTM模型,判别图像部位判别CNN模型的识别权重,输出连续N张中的最后一张图像的部位类别;
病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的置信度;病灶特征判别LSTM模型用于输入N张病灶特征判别CNN模型的识别权重,输出最后一张图片具有病灶特征的置信度。
2.一种胃镜图像自动采集方法,其特征在于:它包括以下步骤:
S1、利用视频采集卡从内镜设备接收胃镜的视频流,并对视频流进行预处理,按1帧每秒的速度发送到视频识别模块;
S2、视频识别模块采用卷积神经网络模型对预处理后的图像进行部位和病灶特征的分类,然后用长短时间记忆网络模型对分类的结果进行序列拟合,得到识别结果;所述的识别结果包括图片对应的部位分类及部位分类置信度和图片清晰置信度;卷积神经网络模型和长短时间记忆网络模型均采用反向传播算法训练好;
S3、将视频识别模块的识别结果进行图文表达;
S4、记录每次识别结果,并按照视频识别模块的识别结果中部位分类置信度和图片清晰置信度加权之后进行排序,输出每个部位排序最前的图像;
所述的S2中,卷积神经网络模型包括图像部位判别CNN模型和病灶特征判别CNN模型;所述的长短时间记忆网络模型包括图像部位判别LSTM模型和病灶特征判别LSTM模型;其中,
图像部位判别CNN模型根据26个胃的典型部位对应的权重,对输入的单张图像中识别出对应的典型部位,从而对该单张图像进行部位分类;然后将输入连续N张部位分类好的图像至部位判别LSTM模型,判别图像部位判别CNN模型的识别权重,输出连续N张中的最后一张图像的部位类别;
病灶特征判别CNN模型用于对部位分类过的单张图像,判断具有病灶特征的概率;病灶特征判别LSTM模型用于输入N张病灶特征判别CNN模型的识别权重,输出最后一张图片具有病灶特征的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690051.XA CN109102491B (zh) | 2018-06-28 | 2018-06-28 | 一种胃镜图像自动采集***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690051.XA CN109102491B (zh) | 2018-06-28 | 2018-06-28 | 一种胃镜图像自动采集***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102491A CN109102491A (zh) | 2018-12-28 |
CN109102491B true CN109102491B (zh) | 2021-12-28 |
Family
ID=64845366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810690051.XA Active CN109102491B (zh) | 2018-06-28 | 2018-06-28 | 一种胃镜图像自动采集***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102491B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10997475B2 (en) * | 2019-02-14 | 2021-05-04 | Siemens Healthcare Gmbh | COPD classification with machine-trained abnormality detection |
CN109920518B (zh) | 2019-03-08 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 医学影像分析方法、装置、计算机设备和存储介质 |
CN110110746A (zh) * | 2019-03-29 | 2019-08-09 | 广州思德医疗科技有限公司 | 一种确定分类标签的方法及装置 |
CN110334582B (zh) * | 2019-05-09 | 2021-11-12 | 河南萱闱堂医疗信息科技有限公司 | 智能识别和记录内镜黏膜下剥离术摘除息肉视频的方法 |
CN110176295A (zh) * | 2019-06-13 | 2019-08-27 | 上海孚慈医疗科技有限公司 | 一种胃肠镜下部位和病灶的实时探测方法及其探测装置 |
CN110599451B (zh) | 2019-08-05 | 2023-01-20 | 平安科技(深圳)有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
US11195273B2 (en) * | 2019-10-11 | 2021-12-07 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
US11417424B2 (en) | 2019-10-11 | 2022-08-16 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning |
CN110929806B (zh) * | 2019-12-06 | 2023-07-21 | 深圳市雅阅科技有限公司 | 基于人工智能的图片处理方法、装置及电子设备 |
CN111588342A (zh) * | 2020-06-03 | 2020-08-28 | 电子科技大学 | 一种纤支镜插管智能辅助*** |
CN112200250A (zh) * | 2020-10-14 | 2021-01-08 | 重庆金山医疗器械有限公司 | 一种胶囊内窥镜图像的消化道分段识别方法、装置和设备 |
CN113129287A (zh) * | 2021-04-22 | 2021-07-16 | 武汉楚精灵医疗科技有限公司 | 一种针对上消化道内镜影像的病灶自动留图方法 |
CN113269230B (zh) * | 2021-04-23 | 2022-09-06 | 复旦大学 | 一种基于时序高维特征提取的多肺炎ct分类方法及装置 |
CN113435248A (zh) * | 2021-05-18 | 2021-09-24 | 武汉天喻信息产业股份有限公司 | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 |
CN113177940A (zh) * | 2021-05-26 | 2021-07-27 | 复旦大学附属中山医院 | 基于Transformer的胃镜视频部位识别网络结构 |
CN113284110A (zh) * | 2021-05-26 | 2021-08-20 | 复旦大学附属中山医院 | 基于双流法的胃镜视频部位识别网络结构 |
CN113610847B (zh) * | 2021-10-08 | 2022-01-04 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及*** |
CN113679327B (zh) * | 2021-10-26 | 2022-02-18 | 青岛美迪康数字工程有限公司 | 内镜检查图像采集方法及装置 |
CN113743384B (zh) * | 2021-11-05 | 2022-04-05 | 广州思德医疗科技有限公司 | 一种胃部图片识别方法及装置 |
CN114283192A (zh) * | 2021-12-10 | 2022-04-05 | 厦门影诺医疗科技有限公司 | 一种基于场景识别的胃镜检查盲区监测方法、***和应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934799A (zh) * | 2017-02-24 | 2017-07-07 | 安翰光电技术(武汉)有限公司 | 胶囊内窥镜图像辅助阅片***及方法 |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
CN107967946A (zh) * | 2017-12-21 | 2018-04-27 | 武汉大学 | 基于深度学习的胃镜操作实时辅助***及方法 |
-
2018
- 2018-06-28 CN CN201810690051.XA patent/CN109102491B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934799A (zh) * | 2017-02-24 | 2017-07-07 | 安翰光电技术(武汉)有限公司 | 胶囊内窥镜图像辅助阅片***及方法 |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
CN107967946A (zh) * | 2017-12-21 | 2018-04-27 | 武汉大学 | 基于深度学习的胃镜操作实时辅助***及方法 |
Non-Patent Citations (2)
Title |
---|
Learning Deep Features for Discriminative Localization;Bolei Zhou 等;《arXiv》;20151214;第1-10页 * |
Show and Tell: A Neural Image Caption Generator;Oriol Vinyals 等;《arXiv》;20150420;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102491A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102491B (zh) | 一种胃镜图像自动采集***及方法 | |
US11446008B2 (en) | Automated ultrasound video interpretation of a body part with one or more convolutional neural networks | |
Zhou et al. | A comprehensive review for breast histopathology image analysis using classical and deep neural networks | |
JP6656357B2 (ja) | 学習方法、画像認識装置およびプログラム | |
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的***及方法 | |
CN109544526B (zh) | 一种慢性萎缩性胃炎图像识别***、装置和方法 | |
CN109190540B (zh) | 活检区域预测方法、图像识别方法、装置和存储介质 | |
CN109523535B (zh) | 一种病变图像的预处理方法 | |
CN112041912A (zh) | 用于诊断肠胃肿瘤的***和方法 | |
Karargyris et al. | Wireless capsule endoscopy and endoscopic imaging: A survey on various methodologies presented | |
CN110008971A (zh) | 图像处理方法、装置、计算机可读存储介质及计算机设备 | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
CN115345819A (zh) | 一种胃癌图像识别***、装置及其应用 | |
CN112466466A (zh) | 基于深度学习的消化道辅助检测方法、装置和计算设备 | |
CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
Habib | Fusion of deep convolutional neural network with PCA and logistic regression for diagnosis of pediatric pneumonia on chest X-rays | |
Garbaz et al. | Bleeding classification in wireless capsule endoscopy images based on inception-resnet-v2 and cnns | |
KahsayGebreslassie et al. | Automated gastrointestinal disease recognition for endoscopic images | |
CN110858396A (zh) | 生成子宫颈学习数据的***和对子宫颈学习数据进行分类的方法 | |
CN109493340A (zh) | 一种胃镜下食管胃底静脉曲张辅助诊断***及方法 | |
KR102407248B1 (ko) | 데이터 증대 및 이미지 분할을 활용한 딥러닝 기반 위 병변 분류시스템 | |
CN112741651A (zh) | 一种内窥镜超声影像的处理方法及*** | |
CN114360695B (zh) | 乳腺超声扫查分析辅助***、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200210 Address after: 430223 Room 001, Building D2, 10 Building, Phase III, Huacheng Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant after: Wuhan Chujingling Medical Technology Co., Ltd. Address before: 430060 No. 238, Wuchang, Wuhan District, Hubei, Jiefang Road Applicant before: People's Hospital of Wuhan University (People's Hospital of Hubei Province) |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |