CN109165662A - 基于深度学习的消化道内壁病变类型智能识别方法及装置 - Google Patents
基于深度学习的消化道内壁病变类型智能识别方法及装置 Download PDFInfo
- Publication number
- CN109165662A CN109165662A CN201810716964.4A CN201810716964A CN109165662A CN 109165662 A CN109165662 A CN 109165662A CN 201810716964 A CN201810716964 A CN 201810716964A CN 109165662 A CN109165662 A CN 109165662A
- Authority
- CN
- China
- Prior art keywords
- alimentary canal
- image
- canal inner
- sample
- wall
- 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.)
- Pending
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于深度学习的消化道内壁病变类型智能识别方法及装置,该方法包括:将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。本发明实施例通过将待识别消化道内壁图像输入至病变类型识别模型,输出病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息,从而相对于人眼识别提高了识别效率,并且,病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响,提高了识别精度。
Description
技术领域
本发明实施例涉及图像识别领域,更具体地,涉及一种基于深度学习的消化道内壁病变类型智能识别方法及装置。
背景技术
病变是指机体细胞、组织或者器官在致病因素作用下发生的局部或全身异常变化。机体细胞、组织或者器官在发生病变后,在病变的部位会产生病变组织。为了对病变组织进行研究,目前主要通过对机体的内镜检查来查找机体中的病变组织。在内镜检查中获得机体的内部图像后,相关技术中通过观察者人眼筛查内部图像中的异常区域来判断消化道内是否存在病变组织以及存在的病变组织的类型。但是,由于内部图像包含的信息量大,且受观察者识别能力等情况的影响,导致了对内部图片中病变组织类型的识别效率和识别精度较低。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习的消化道内壁病变类型智能识别方法及装置。
根据本发明实施例的第一方面,提供一种消化道内壁病变类型识别方法,该方法包括:
将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。
本发明实施例提供的方法,通过将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息,从而相对于人眼识别提高了识别效率,并且,病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响,提高了识别精度。
根据本发明实施例第二方面,提供了一种消化道内壁病变类型识别装置,该装置包括:
识别模块,用于将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。
根据本发明实施例的第三方面,提供了一种消化道内壁病变类型识别设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的消化道内壁病变类型识别方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的消化道内壁病变类型识别方法。
应当理解的是,以上的一般描述和后文的细节描述是示例性和解释性的,并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅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,还可以根据这些图获得其他的附图。
图1为本发明实施例的一种消化道内壁病变类型识别方法的流程示意图;
图2为本发明实施例的一种消化道内壁病变类型识别设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
消化道内壁的病变组织可由不同的原因引起,例如溃疡、炎症、出血、息肉和癌变等,不同原因引起的病变组织具有不同的类型。由于不同类型的病变组织的视觉外观并不相同,因此,可以通过视觉对病变组织的类型进行识别。但是,由于通过观察者人眼识别的方式识别病变组织类型受内镜检查操作、观察时间、摄像头拍摄的图片的质量以及观察者识别能力的影响,导致了识别效率和识别精度较低的问题。因此,本发明实施例提供一种消化道内壁病变类型识别方法,包括以下步骤:
将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。
具体地,在将待识别消化道内壁图像输入至病变类型识别模型之前,可预先训练获得病变类型识别模型。应当说明的是,本发明实施例对病变类型识别模型的模型结构不作限定,包括但不限于任意基于深度学习中机器学习模型的建立思想所建立的神经网络模型。在模型训练过程中,应当保持每张样本消化道内壁图像的格式一致,从而能够获得识别精度较高的病变类型识别模型。本发明实施例对上述格式的参数类型不作限定,包括但不限于形状、尺寸和分辨率等用于定义图片的参数。病变类型识别结果包括无病变组织和/或病变组织的类型,其中,病变组织的类型可包括溃疡、炎症、出血、息肉、癌变等类型中的至少一种。
在训练完成得到病变类型识别模型后,可获得待识别消化道内壁图像。待识别消化道内壁图像可以通过消化道内镜检查获得,其中,在该消化道内镜检查中,可以应用化学染色、电子染色等手段提高消化道内壁的色彩和结构对比度,从而能够提高病变类型识别的精度。另外,若待识别消化道内壁图像的格式与训练过程中使用的样本消化道内壁图像的格式不匹配,则需要对待识别消化道内壁图像的格式进行调整,以保持格式上相匹配,格式上相匹配能够使病变类型识别信息较为准确。待识别消化道内壁图像中可以包含病变组织或者不包含病变组织。在将待识别消化道内壁图像输入至病变类型识别模型之后,若待识别消化道内壁图像不包含病变组织,则输出的病变类型识别信息为无病变组织;若待识别消化道内壁图像包含病变组织,则输出的病变类型识别信息为该病变组织的具体类型。
本发明实施例提供的方法,通过将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息,从而相对于人眼识别提高了识别效率,并且,病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响,提高了识别精度。
参见图1,基于上述实施例的内容,作为一种可选实施例,在将待识别消化道内壁图像输入至病变类型识别模型之前,提供一种病变类型识别模型的训练方法,包括但不限于:
101、采集多种样本消化道内壁图像,并标注每种样本消化道内壁图像对应的病变类型识别结果,样本消化道内壁图像及病变类型识别结果组成训练数据集。
具体地,由于病变类型识别模型输出的是对待识别消化道内壁图像的病变类型识别信息,因此,需要将病变类型识别结果作为对应的样本消化道内壁图像的标签。应当说明的是,可采用人眼识别的方式为每个样本消化道内壁图像标注对应的病变类型识别结果。可选地,将标签单独保存在标签文本中,上述样本消化道内壁图像及标签文本共同组成训练数据集。
102、利用训练数据集对深度神经网络模型进行训练,并在训练过程中限制深度神经网络模型的模型参数的取值范围和/或采用反向传播算法调整模型参数,训练完成后获得病变类型识别模型。
其中,病变类型识别模型是基于深度学习中机器学习模型的建立思想,根据多种经典卷积神经网络模型(例如AlexNet、VGG等)设计的深度神经网络模型。该深度神经网络模型可包括多个卷积层,可以在若干个卷积层后连接一个池化层,并在该深度神经网络的最后连接全连接层。在利用训练数据集对深度神经网络模型进行训练时,具体地,将样本消化道内壁图像作为模型输入、将病变类型识别结果作为模型的输出进行模型训练。
优选地,在利用样本数据集对深度神经网络模型进行训练时,可以采用反向传播算法(back propagation)调整深度神经网络模型的模型参数,并可采用L2正则化方法和dropout算法来限制模型参数的取值范围,以防止训练过程出现过拟合。基于上述方法,通过每一次训练不断调整该深度神经网络模型的参数,最后获得的病变类型识别模型具有理想的识别效果。为了确认训练完成,可在深度神经网络模型中建立损失函数,通过将大量的训练数据集中的样本消化道内壁图像输入该深度神经网络模型进行训练,并在损失函数值达到最小时确认模型训练完成,将此时的模型参数带入深度神经网络模型后,获得病变类型识别模型。
训练完成后,将待识别消化道内壁图像输入至病变类型识别模型,病变类型识别模型中的卷积层对待识别消化道内壁图像进行图像特征的提取,并通过叠加多个卷积核来提高该病变类型识别模型的性能。经过一系列卷积、池化等运算后,通过分类算法输出待识别消化道内壁图像中的病变类型识别信息。
本发明实施例提供的方法,通过限制深度神经网络模型的模型参数的取值范围,能够防止模型参数过拟合,从而获得具有理想识别效果的病变类型识别模型。
基于上述实施例的内容,在利用训练数据集对深度神经网络模型进行训练之前,作为一种可选实施例,提供一种对样本消化道内壁图像进行处理的方法,包括但不限于:
对样本消化道内壁图像进行调整以提高样本消化道内壁图像的数据量,和/或,对样本消化道内壁图像进行图像转换处理以增加训练数据集中样本消化道内壁图像的数量。
优选地,可先执行提高消化道内壁图像的数据量的步骤,后执行增加训练数据集中样本消化道内壁图像的数量的步骤。
第一方面,由于训练数据集中不同的样本消化道内壁图像的来源不同,部分样本消化道内壁图像的图像质量较差,即图像中包含的数据量较小。若采用图像质量较差的样本消化道内壁图像进行模型训练,会对病变类型识别模型的识别精度产生影响。因此,需要对消化道内壁图像进行调整以提高数据量。作为一种可选实施例,提供一种对样本消化道内壁图像进行调整以提高样本消化道内壁图像的数据量的方法,包括但不限于:
步骤1、按照设定分辨率对样本消化道内壁图像进行中心裁剪,获得样本消化道内壁图像对应的裁剪图像,以及按照设定分辨率对样本消化道内壁图像进行缩减,获得样本消化道内壁图像对应的缩减图像。
其中,本发明实施例对获得裁剪图像的步骤及获得缩减图像的步骤的先后顺序不作限定。设定分辨率可以为设置为N×N的分辨率或N×M的分辨率(N与M的值不同)。当为N×N的分辨率时(例如N=224时),裁剪图像和缩减图像均为正方形图像。应当说明的是,待识别消化道内壁图像的分辨率与该设定分辨率保持一致,即待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配可以为分辨率相匹配或相同。
步骤2、将裁剪图像及缩减图像进行图像混合处理,将图像混合处理后获得的图像添加至训练数据集。
具体地,图像混合处理即将裁剪图像和缩减图像进行混合叠加,最后获得的图像的数据量是裁剪图像和缩减图像之和,从而相对于初始的样本消化道内壁图像提高了数据量。采用上述步骤1和步骤2对样本消化道内壁图像进行处理后,每个样本消化道内壁图像都能够对应获得一个数据量较大的样本消化道内壁图像,可用混合处理后获得的数据量较大的图像替换训练数据集中原始的样本消化道内壁图像。
本发明实施例提供的方法,通过按照设定分辨率对样本消化道内壁图像进行中心裁剪,获得样本消化道内壁图像对应的裁剪图像,以及按照设定分辨率对样本消化道内壁图像进行缩减,获得样本消化道内壁图像对应的缩减图像;将裁剪图像及缩减图像进行图像混合处理,将图像混合处理后获得的图像添加至训练数据集,能够提高样本消化道内壁图像的数据量,从而使训练获得的病变类型识别模型具有较高的识别精度。
第二方面,由于通过拍摄得到的样本消化道内壁图像的数量有限,且不能保证样本消化道内壁图像的图像质量。因此,可对样本消化道内壁图像进行图像转换处理,能够通过一张样本消化道内壁图像获得多张处理后的图像,并将多张处理后的图像作为样本消化道内壁图像。一方面可以扩充样本消化道内壁图像的数量,另一方面,通过相应的处理,使病变类型识别模型具有图像识别的泛化性,以实现对低质量的待识别消化道内壁图像的病变类型识别。基于上述原理,作为一种可选实施例,提供一种对每个样本消化道内壁图像进行图像转换处理以增加训练数据集中样本消化道内壁图像的数量的方法,包括但不限于:
根据设定转换规则对样本消化道内壁图像进行图像转换处理,将经过图像转换处理后获得的图像添加至训练数据集;设定转换规则包括图像旋转转换、图像平移转换、图像像素值转换及图像退化中的至少一种。具体地,通过每一种设定转换规则对每一张样本消化道内壁图像进行图像转换处理均可获得一张图像,可将该图像添加至训练数据集,从而扩充训练数据集中样本消化道内壁图像的数量。
本发明实施例提供的方法,通过根据设定转换规则对样本消化道内壁图像进行图像转换处理,将经过图像转换处理后获得的图像添加至训练数据集,能够由一张样本消化道内壁图像转换得到多张图像,有效扩充训练数据集中的图像数量,从而增加训练次数,提高病变类型识别模型的识别精度。
基于上述实施例的内容,利用训练数据集对深度神经网络模型进行训练之前,作为一种可选实施例,提供一种对深度神经网络模型进行预训练的方法,包括但不限于:通过采用设定图像数据集对深度神经网络模型进行预训练,初始化深度神经网络模型的参数。具体地,上述设定图像数据集可以为ImageNet图像数据集。ImageNet图像数据集是一个巨大的可供图像和视觉训练的图像库。由于ImageNet中包括多领域的图像,因此可基于迁移学习的方法,利用ImageNet中的图像,对深度神经网络模型进行预训练,初始化深度神经网络模型的模型参数,从而减少模型训练时长,提高深度神经网络模型的训练效率。
基于上述实施例的内容,将待识别消化道内壁图像输入至病变类型识别模型之前,作为一种可选实施例,提供一种正则化处理方法,包括但不限于:对待识别消化道内壁图像的像素值进行正则化处理。具体地,通过以下公式进行正则化处理:
其中,x为正则化处理前的待识别消化道内壁图像的像素值,mean为正则化处理前的待识别消化道内壁图像的像素值的均值,stddev为正则化处理前的待识别消化道内壁图像的像素值的标准差,y为正则化处理后的待识别消化道内壁图像的像素值。
作为一种可选实施例,可通过上式(1)对样本消化道内壁图像的像素值进行正则化处理,其原理与对待识别消化道内壁图像进行正则化处理的方式相同,在此不再赘述。
作为一种可选实施例,可以在训练数据集中选取部分样本消化道内壁图像及对应的病变类型识别结果作为测试数据集。根据该测试数据集对深度神经网络模型进行测试,并根据测试结果优化深度神经网络模型,从而使训练完成后获得的病变类型识别模型具有较高的识别精度。
基于上述实施例的内容,本发明实施例提供了一种消化道内壁病变类型识别装置,该消化道内壁病变类型识别装置用于执行上述方法实施例中的消化道内壁病变类型识别方法。参见图2,该装置包括:
识别模块,用于将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。
具体地,在识别模块将待识别消化道内壁图像输入至病变类型识别模型之前,可预先训练获得病变类型识别模型。应当说明的是,本发明实施例对病变类型识别模型的模型结构不作限定,包括但不限于任意基于深度学习中机器学习模型的建立思想所建立的神经网络模型。在模型训练过程中,识别模块应当保持每张样本消化道内壁图像的格式一致,从而能够获得识别精度较高的病变类型识别模型。本发明实施例对上述格式的参数类型不作限定,包括但不限于形状、尺寸和分辨率等用于定义图片的参数。病变类型识别结果包括无病变组织和/或病变组织的类型,其中,病变组织的类型可包括溃疡、炎症、出血、息肉、癌变等类型中的至少一种。
在训练完成得到病变类型识别模型后,识别模块可获得待识别消化道内壁图像。待识别消化道内壁图像可以通过消化道内镜检查获得,其中,在该消化道内镜检查中,可以应用化学染色、电子染色等手段提高消化道内壁的色彩和结构对比度,从而能够提高病变类型识别的精度。另外,若待识别消化道内壁图像的格式与训练过程中使用的样本消化道内壁图像的格式不匹配,则识别模块需要对待识别消化道内壁图像的格式进行调整,以保持格式上相匹配,格式上相匹配能够使病变类型识别信息较为准确。待识别消化道内壁图像中可以包含病变组织或者不包含病变组织。在将待识别消化道内壁图像输入至病变类型识别模型之后,若待识别消化道内壁图像不包含病变组织,则输出的病变类型识别信息为无病变组织;若待识别消化道内壁图像包含病变组织,则输出的病变类型识别信息为该病变组织的具体类型。
本发明实施例提供的装置,通过将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息,从而相对于人眼识别提高了识别效率,并且,病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响,提高了识别精度。
作为一种可选实施例,该装置还包括:采集模块,用于采集多种样本消化道内壁图像,并标注每种样本消化道内壁图像对应的病变类型识别结果,样本消化道内壁图像及病变类型识别结果组成训练数据集;训练模块,用于利用训练数据集对深度神经网络模型进行训练,并在训练过程中限制深度神经网络模型的模型参数的取值范围和/或采用反向传播算法调整模型参数,训练完成后获得病变类型识别模型。
作为一种可选实施例,该装置还包括:处理模块,用于对样本消化道内壁图像进行调整以提高样本消化道内壁图像的数据量,和/或,对样本消化道内壁图像进行图像转换处理以增加训练数据集中样本消化道内壁图像的数量。
作为一种可选实施例,处理模块包括:混合处理单元,用于按照设定分辨率对样本消化道内壁图像进行中心裁剪,获得样本消化道内壁图像对应的裁剪图像,以及按照设定分辨率对样本消化道内壁图像进行缩减,获得样本消化道内壁图像对应的缩减图像;将裁剪图像及缩减图像进行图像混合处理,将图像混合处理后获得的图像添加至训练数据集。
作为一种可选实施例,处理模块包括:转换处理单元,用于根据设定转换规则对样本消化道内壁图像进行图像转换处理,将经过图像转换处理后获得的图像添加至训练数据集;设定转换规则包括图像旋转转换、图像平移转换、图像像素值转换及图像退化中的至少一种。
作为一种可选实施例,该装置还包括:预训练模块,用于通过采用设定图像数据集对深度神经网络模型进行预训练,初始化深度神经网络模型的参数。
作为一种可选实施例,该装置还包括:正则化处理模块,用于对待识别消化道内壁图像的像素值进行正则化处理。
本发明实施例提供了一种消化道内壁病变类型识别设备,如图2所示,该设备包括:处理器(processor)201、存储器(memory)202和总线203;
其中,处理器201及存储器202分别通过总线203完成相互间的通信;处理器201用于调用存储器202中的程序指令,以执行上述实施例所提供的消化道内壁病变类型识别方法,例如包括:将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。
本发明实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行对应实施例所提供的消化道内壁病变类型识别方法,例如包括:将待识别消化道内壁图像输入至病变类型识别模型,输出待识别消化道内壁图像的病变类型识别信息,病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的消化道内壁病变类型识别设备等实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种消化道内壁病变类型识别方法,其特征在于,包括:
将待识别消化道内壁图像输入至病变类型识别模型,输出所述待识别消化道内壁图像的病变类型识别信息,所述病变类型识别模型是基于样本消化道内壁图像及所述样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,所述待识别消化道内壁图像的格式与所述样本消化道内壁图像的格式相匹配。
2.根据权利要求1所述的方法,其特征在于,所述将待识别消化道内壁图像输入至病变类型识别模型之前,还包括:
采集多种所述样本消化道内壁图像,并标注每种所述样本消化道内壁图像对应的所述病变类型识别结果,所述样本消化道内壁图像及所述病变类型识别结果组成训练数据集;
利用所述训练数据集对深度神经网络模型进行训练,并在训练过程中限制所述深度神经网络模型的模型参数的取值范围,和/或,采用反向传播算法调整所述模型参数,训练完成后获得所述病变类型识别模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述训练数据集对深度神经网络模型进行训练之前,还包括:
对所述样本消化道内壁图像进行调整以提高所述样本消化道内壁图像的数据量,和/或,对所述样本消化道内壁图像进行图像转换处理以增加所述训练数据集中所述样本消化道内壁图像的数量。
4.根据权利要求3所述的方法,其特征在于,所述对所述样本消化道内壁图像进行调整以提高所述样本消化道内壁图像的数据量,包括:
按照设定分辨率对所述样本消化道内壁图像进行中心裁剪,获得所述样本消化道内壁图像对应的裁剪图像,以及按照所述设定分辨率对所述样本消化道内壁图像进行缩减,获得所述样本消化道内壁图像对应的缩减图像;
将所述裁剪图像及所述缩减图像进行图像混合处理,将图像混合处理后获得的图像添加至所述训练数据集。
5.根据权利要求3所述的方法,其特征在于,所述对每个所述样本消化道内壁图像进行图像转换处理以增加所述训练数据集中所述样本消化道内壁图像的数量,包括:
根据设定转换规则对所述样本消化道内壁图像进行图像转换处理,将经过所述图像转换处理后获得的图像添加至所述训练数据集;所述设定转换规则包括图像旋转转换、图像平移转换、图像像素值转换及图像退化中的至少一种。
6.根据权利要求2所述的方法,其特征在于,所述利用所述训练数据集对深度神经网络模型进行训练之前,还包括:
通过采用设定图像数据集对所述深度神经网络模型进行预训练,初始化所述深度神经网络模型的参数。
7.根据权利要求1所述的方法,其特征在于,所述将待识别消化道内壁图像输入至病变类型识别模型之前,还包括:
对所述待识别消化道内壁图像的像素值进行正则化处理。
8.一种消化道内壁病变类型识别装置,其特征在于,包括:
识别模块,用于将待识别消化道内壁图像输入至病变类型识别模型,输出所述待识别消化道内壁图像的病变类型识别信息,所述病变类型识别模型是基于样本消化道内壁图像及所述样本消化道内壁图像对应的病变类型识别结果进行训练后获得的,所述待识别消化道内壁图像的格式与所述样本消化道内壁图像的格式相匹配。
9.一种消化道内壁病变类型识别设备,其特征在于,包括:
至少一个处理器;
以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716964.4A CN109165662A (zh) | 2018-07-03 | 2018-07-03 | 基于深度学习的消化道内壁病变类型智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716964.4A CN109165662A (zh) | 2018-07-03 | 2018-07-03 | 基于深度学习的消化道内壁病变类型智能识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165662A true CN109165662A (zh) | 2019-01-08 |
Family
ID=64897209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716964.4A Pending CN109165662A (zh) | 2018-07-03 | 2018-07-03 | 基于深度学习的消化道内壁病变类型智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165662A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949281A (zh) * | 2019-03-11 | 2019-06-28 | 哈尔滨工业大学(威海) | 一种胃镜图像质量检测方法及装置 |
CN109965829A (zh) * | 2019-03-06 | 2019-07-05 | 重庆金山医疗器械有限公司 | 成像优化方法、图像处理装置、成像装置及内窥镜*** |
CN111861971A (zh) * | 2019-04-25 | 2020-10-30 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的肠道瘤样病变山田分型方法 |
CN111932485A (zh) * | 2019-04-25 | 2020-11-13 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的肠道病变识别方法 |
CN112712124A (zh) * | 2020-12-31 | 2021-04-27 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的多模块协同物体识别***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
CN107730489A (zh) * | 2017-10-09 | 2018-02-23 | 杭州电子科技大学 | 无线胶囊内窥镜小肠病变计算机辅助检测***及检测方法 |
-
2018
- 2018-07-03 CN CN201810716964.4A patent/CN109165662A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
CN107730489A (zh) * | 2017-10-09 | 2018-02-23 | 杭州电子科技大学 | 无线胶囊内窥镜小肠病变计算机辅助检测***及检测方法 |
Non-Patent Citations (5)
Title |
---|
ANDREA ASPERTI ET AL.: "The Effectiveness of Data Augmentation for Detection of Gastrointestinal Diseases from Endoscopical Images", 《ARXIV》 * |
JESSICA FRIDRICH: "《数字媒体中的隐写术—原理、算法和应用》", 30 April 2014 * |
张定华等: "《锥束CT技术及其应用》", 31 December 2010 * |
徐丽珍: "基于RBF 神经网络的消化道出血图像检测研究", 《科技通报》 * |
陈美月等: "《实用消化内科学》", 30 June 2018 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965829A (zh) * | 2019-03-06 | 2019-07-05 | 重庆金山医疗器械有限公司 | 成像优化方法、图像处理装置、成像装置及内窥镜*** |
CN109965829B (zh) * | 2019-03-06 | 2022-05-06 | 重庆金山医疗技术研究院有限公司 | 成像优化方法、图像处理装置、成像装置及内窥镜*** |
CN109949281A (zh) * | 2019-03-11 | 2019-06-28 | 哈尔滨工业大学(威海) | 一种胃镜图像质量检测方法及装置 |
CN111861971A (zh) * | 2019-04-25 | 2020-10-30 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的肠道瘤样病变山田分型方法 |
CN111932485A (zh) * | 2019-04-25 | 2020-11-13 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的肠道病变识别方法 |
CN112712124A (zh) * | 2020-12-31 | 2021-04-27 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的多模块协同物体识别***及方法 |
CN112712124B (zh) * | 2020-12-31 | 2021-12-10 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的多模块协同物体识别***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165662A (zh) | 基于深度学习的消化道内壁病变类型智能识别方法及装置 | |
Huang et al. | RTNet: relation transformer network for diabetic retinopathy multi-lesion segmentation | |
Hassan et al. | Plant disease identification using a novel convolutional neural network | |
Raza et al. | Mimo-net: A multi-input multi-output convolutional neural network for cell segmentation in fluorescence microscopy images | |
CN109118485A (zh) | 基于多任务神经网络的消化道内镜图像分类及早癌检测*** | |
CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
CN108510473A (zh) | 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割 | |
CN108564570A (zh) | 一种智能化的病变组织定位的方法和装置 | |
Sun et al. | Comparison of deep learning architectures for H&E histopathology images | |
CN108921825A (zh) | 基于深度学习的检测面部皮肤点状缺陷的方法及装置 | |
CN107067043A (zh) | 一种农作物病虫害检测方法 | |
CN108765425A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
CN110502987A (zh) | 一种基于深度学习的植物病虫害识别方法及*** | |
CN111242865A (zh) | 基于生成式对抗网络的眼底图像增强方法 | |
CN110276731A (zh) | 内镜图像颜色还原方法及装置 | |
CN113191222B (zh) | 水下鱼类目标检测方法及装置 | |
CN110084275A (zh) | 一种训练样本的选取方法及装置 | |
CN115984698A (zh) | 一种基于改进YOLOv5的荔枝果实生长期识别方法 | |
CN111626969B (zh) | 一种基于注意力机制的玉米病害图像处理方法 | |
Shete et al. | TasselGAN: An application of the generative adversarial model for creating field-based maize tassel data | |
Sun et al. | Retinal image quality classification using fine-tuned CNN | |
Shiri et al. | Face destylization | |
CN109460813A (zh) | 卷积神经网络计算的加速方法、装置、设备及存储介质 | |
CN116012700A (zh) | 一种基于YOLO-v5的鱼病实时检测*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |