CN111754503B - 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 - Google Patents
基于两通道卷积神经网络的肠镜退镜超速占比监测方法 Download PDFInfo
- Publication number
- CN111754503B CN111754503B CN202010620052.4A CN202010620052A CN111754503B CN 111754503 B CN111754503 B CN 111754503B CN 202010620052 A CN202010620052 A CN 202010620052A CN 111754503 B CN111754503 B CN 111754503B
- Authority
- CN
- China
- Prior art keywords
- enteroscopy
- overspeed
- neural network
- enteroscope
- convolutional neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 title claims description 34
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 102200159389 rs58999456 Human genes 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 208000037062 Polyps Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 208000003200 Adenoma Diseases 0.000 description 1
- 206010001233 Adenoma benign Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000002255 anal canal Anatomy 0.000 description 1
- 210000001815 ascending colon Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000004534 cecum Anatomy 0.000 description 1
- 238000002052 colonoscopy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000001731 descending colon Anatomy 0.000 description 1
- 231100001014 gastrointestinal tract lesion Toxicity 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 208000022131 polyp of large intestine Diseases 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000001599 sigmoid colon Anatomy 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003384 transverse colon Anatomy 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/30028—Colon; Small intestine
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Closed-Circuit Television Systems (AREA)
- Endoscopes (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医疗辅助技术领域,具体为基于两通道卷积神经网络的肠镜退镜超速占比监测方法,包括S1、构建两通道卷积神经网络,并用训练样本集对其进行训练,得到计算图像相似度的模型1;S2、将肠镜检查的实时视频解码为图像,利用模型1对当前帧图像与其前面的i帧图像的相似度分别进行计算得到i个相似系数Si,计算当前时间点肠镜的加权相似系数,并转换为肠镜退镜速度;S3、将当前时间点肠镜检查速度Vi大于标准速度的图像记为超速帧,统计超速占比。本发明采用两通道卷积神经网络来计算肠镜图像的相似系数,计算肠镜速度,并统计当前肠镜超速的百分比。可以利用图像的全部特征,不损失图像信息,准确度高且抗干扰能力强。
Description
技术领域
本发明涉及医疗辅助技术领域,具体为基于两通道卷积神经网络的肠镜退镜超速占比监测方法。
背景技术
肠镜检查是发现结直肠息肉、肿瘤等下消化道病变最常见的检查方法。肠镜退镜时间是指在结肠镜检查过程中,从进镜到达盲肠开始到退镜至肛管之间的实际时间,减去行染色检查或取活检等额外操作的时间。研究表明,随着退镜时间的延长,肠镜检查患者的息肉检出率、腺瘤检出率以及平均每个受检者的息肉发现数目明显增加。因此,各国的肠镜操作指南中,均将退镜时间做为重要的质量控制指标。朱晓芸等人提出了一种基于计算机视觉的肠镜退镜速度监控***,该文章通过差异值哈希技术来分析肠镜图像的稳定性,实时反映肠镜速度。该方法采取传统的哈希算法,需将图像缩小至9*8大小,会损失比较多的图像信息,准确度稍低,且抗干扰能力差。为此,我们提出基于两通道卷积神经网络的肠镜退镜超速占比监测方法。
发明内容
本发明的目的在于提供基于两通道卷积神经网络的肠镜退镜超速占比监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于两通道卷积神经网络的肠镜退镜超速占比监测方法,包括如下步骤:
S1、构建两通道卷积神经网络,并用训练样本集对其进行训练,得到计算图像相似度的模型1;
S2、将肠镜检查的实时视频解码为图像,利用模型1对当前帧图像与其前面的i帧图像的相似度分别进行计算得到i个相似系数,计算当前时间点肠镜的加权相似系数,并转换为肠镜退镜速度;
S3、将当前时间点肠镜检查速度Vi大于标准速度的图像记为超速帧,统计到当前时间为止,超速的帧数占整个帧数的比例。
优选的,所述步骤S1中两通道卷积神经网络的训练样本集是通过收集不同肠镜检查的退镜片段的连续图像,并对收集的数据集进行清理和人工标注得到。
优选的,所述步骤S1中两通道卷积神经网络结构包括:
数据输入层,用于对原始肠镜图像数据进行预处理;
卷积层,用于提取输入肠镜图像数据不同特征;
ReLU激活层,用于把卷积层的输出结果做非线性映射;
池化层,用于筛选维度较小的特征;
全连接层,用于计算两张肠镜图像的相似系数。
优选的,所述步骤S2中是两张图像经过训练的模型1后计算得到是否相似的值,其范围是0-1,即/>,其中/>和/>是相邻的两种图像。
优选的,所述步骤S2中计算当前时间点肠镜的加权相似系数的公式为:
;
其中是当前/>时间点的肠镜图像与前面的第/>帧图像的相似系数;
当前时间点的加权相似系数转换为当前的肠镜检查速度的公式为:/>。
优选的,所述步骤S3在肠镜检查完毕后,得到该次肠镜检查的总的超速占比,利用肠镜检查的超速占比计算该次肠镜检查的评价得分,其中/>,/>为当前超速占比,/>为超速的帧数,/>为整个帧数。
与现有技术相比,本发明的有益效果是:采用两通道卷积神经网络来计算肠镜图像的相似系数,计算肠镜速度,并统计当前肠镜超速的百分比。采用深度卷积网络的方法可以利用图像的全部特征,不损失图像信息,准确度高且抗干扰能力强。本发明提出的肠镜超速占比作为肠镜检查质量的监测指标,不仅可以实时给医师反馈,始终保持较低的超速占比,还可以总结性的给医师一个反馈,评估医师的肠镜检查质量,可以很好的用于医院的肠镜检查的质量监控。
附图说明
图1为本发明的流程图;
图2为本发明两通道卷积神经网络框架图;
图3为本发明另一种两通道卷积神经网络框架图;
图4为本发明肠镜图片通过两通道卷积神经网络计算的相似系数示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1-4,本发明提供一种技术方案:基于两通道卷积神经网络的肠镜退镜超速占比监测方法,包括如下步骤:
S1、构建两通道卷积神经网络,并用训练样本集对其进行训练,得到计算图像相似度的模型1;
S2、将肠镜检查的实时视频解码为图像,利用模型1对当前帧图像与其前面的i帧图像的相似度分别进行计算得到i个相似系数,计算当前时间点肠镜的加权相似系数,并转换为肠镜退镜速度;
S3、将当前时间点肠镜检查速度Vi大于标准速度的图像记为超速帧,统计到当前时间为止,超速的帧数占整个帧数的比例。
实施例一
S1、收集300例不同肠镜检查的退镜片段的连续图片,其中两个不同型号的内窥镜各150例,每个案例的图片片段需包含直肠、乙状结肠、降结肠、横结肠、升结肠等部位的图片。
S2,对收集的图片集进行清理,去掉图片集中模糊、部位不正确、体外、分辨率不正确等类型的不合格图片。由专业医生对清理后的数据集进行标注,每两张图片组成一对,两种图片相似程度很大的标签设置为1,两种图片完全不同的标签设置为0。经过人工标注后组成训练集样本。
构建两通道卷积神经网络,并用训练样本集对其进行训练,得到计算图像相似度的模型1。采用开源的TensorFlow深度学习框架构建两通道卷积神经网络,在实际的建模过程中,两通道卷积神经网络主要通过以下步骤实现:
(1)数据输入层,该层要做的处理是对原始肠镜图像进行预处理,归一化:把输入数据各个维度的像素值都中心化为0并归一化,减少各维度数据取值范围的差异带来的干扰;主成分分析(PCA)/白化:用PCA降维,提取内镜图像最主要信息,白化对数据各个特征轴的幅度归一化。
(2)数据增强,通过水平和垂直地将图片对成对地翻转并旋转到90,180,270度来增加训练数据的多样性,以此来防止训练时发生过拟合。
(3)卷积层,卷积神经网络中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的,在本发明中,卷积运算的目的是提取输入的肠镜图像的不同特征,第一层卷积可能只提取一些病灶的低级特征如边缘、颜色和表面质地等层级,更多层的网络能从低级特征中迭代提取更复杂的特征。在卷积神经网络的这一层,每个神经元看作一个滤波器。卷积操作相当于一个滑动窗口,得到窗口区域的特征中。实际建模中,卷积核的值通过迭代学习得到最优解。卷积层,用于提取输入肠镜图像数据不同特征。
(4)ReLU(Rectified Linear Units layer)激活层,把卷积层的输出结果做非线性映射。
(5)池化层(Pooling layer),通常在卷积层之后会得到维度很大的特征,将特征切成几个区域,取其最大值,得到新的、维度较小的特征。
(6)全连接层(Fully-Connected layer),在这一层,之前学到的所有肠镜图像中的特征会被结合到一起,把局部特征变为全局特征,用于计算最后两张肠镜图片的相似系数。
(7)损失函数(Loss Function),训练模型使用铰接损失函数和L2-范数正则化,其公式为:
;
其中,是两通道卷积神经网络的权重系数,是网络的输出,是图片相对于的标签。
(8)优化器(Optimizer),采用SGD优化器,其中学习率0.01,动量值momentum为0.9,权重衰减系数为0.005。
S2、将肠镜检查的实时视频解码为图像,利用模型1对当前帧图像与其前面的i帧图像的相似度分别进行计算得到i个相似系数,计算当前时间点肠镜的加权相似系数,并转换为肠镜检查速度;
S3、将当前时间点肠镜检查速度Vi大于标准速度的图像记为超速帧,统计到当前时间为止,超速的帧数占整个帧数的比例。
实施例二
与实施例一相比,对步骤S2进行优化和具体描述,具体区别技术如下:
步骤S2中是两张图像经过训练的模型1后计算得到是否相似的值,其范围是0-1,即/>,其中/>和/>是相邻的两种图像。
通过内镜检查设备获取肠镜检查实时视频,将视频流解析为图片,并按照10帧/秒的速率截取图片,缓存当前帧与前面9帧的肠镜图片/>(其中/>)。
将当前帧与前面9帧的肠镜图片/>(其中/>),组成9对图像对,送入两通道卷积神经网络中,每组图片对经由S3中训练得到的模型1后得到该组图片的相似系数/>(其中/>)。
计算当前时间点肠镜的加权相似系数为,/>是当前/>时间点的肠镜图像与前面的第/>帧图像的相似系数。将当前/>时间点的加权相似系数转换为当前的肠镜检查速度,/>。
实施例三
与实施例二相比,对步骤S3进行优化和具体描述,具体区别技术如下:
步骤S3中通过分析50段退镜时间>6min的标准肠镜视频、50段退镜时间为4-6min次标准的肠镜视频,50段退镜时间<4min的差质量肠镜视频,得出结果标准速度的取值为40。将当前/>时间点肠镜检查速度/>速度大于标准速度/>的记为超速帧,统计到当前时间为止,超速的帧数占整个帧数的比例,即为当前超速占比,/>,/>为超速占比,/>为超速的帧数,/>为整个帧数。
肠镜检查完毕后,计算得出该次肠镜检查的超速占比,转换为该次肠镜检查的评价分数/>,该评价分数可以作为该次肠镜检查的质量监控指标。
本发明采用两通道卷积神经网络来计算肠镜图像的相似系数,计算肠镜速度,并统计当前肠镜超速的百分比。采用深度卷积网络的方法可以利用图像的全部特征,不损失图像信息,准确度高且抗干扰能力强。本发明提出的肠镜超速占比作为肠镜检查质量的监测指标,不仅可以实时给医师反馈,始终保持较低的超速占比,还可以总结性的给医师一个反馈,评估医师的肠镜检查质量,可以很好的用于医院的肠镜检查的质量监控。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于两通道卷积神经网络的肠镜退镜超速占比监测方法,其特征在于:包括如下步骤:
S1、构建两通道卷积神经网络,并用训练样本集对其进行训练,得到计算图像相似度的模型1;
S2、将肠镜检查的实时视频解码为图像,利用模型1对当前帧图像与其前面的i帧图像的相似度分别进行计算得到i个相似系数,计算当前时间点肠镜的加权相似系数,并转换为肠镜检查速度;
S3、将当前时间点肠镜检查速度Vi大于标准速度的图像记为超速帧,统计到当前时间为止,超速的帧数占整个帧数的比例。
2.根据权利要求1所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法,其特征在于:所述步骤S1中两通道卷积神经网络的训练样本集是通过收集不同肠镜检查的退镜片段的连续图像,并对收集的数据集进行清理和人工标注得到。
3.根据权利要求2所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法,其特征在于:所述步骤S1中两通道卷积神经网络结构包括:
数据输入层,用于对原始肠镜图像数据进行预处理;
卷积层,用于提取输入肠镜图像数据不同特征;
ReLU激活层,用于把卷积层的输出结果做非线性映射;
将卷积层之后得到的特征切成几个区域,取其最大值,得到池化层;
全连接层,用于计算两张肠镜图像的相似系数。
4.根据权利要求1所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法,其特征在于:所述步骤S2中是两张图像经过训练的模型1后计算得到是否相似的值,其范围是0-1,即/>,其中/>和/>是相邻的两种图像。
5.根据权利要求4所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法,其特征在于:所述步骤S2中计算当前时间点肠镜的加权相似系数的公式为:
;
其中是当前/>时间点的肠镜图像与前面的第/>帧图像的相似系数;
当前时间点的加权相似系数转换为当前的肠镜检查速度的公式为:。
6.根据权利要求1所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法,其特征在于:所述步骤S3在肠镜检查完毕后,得到该次肠镜检查的总的超速占比,利用肠镜检查的超速占比计算该次肠镜检查的评价得分,其中/>,/>为当前超速占比,/>为超速的帧数,/>为整个帧数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620052.4A CN111754503B (zh) | 2020-07-01 | 2020-07-01 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620052.4A CN111754503B (zh) | 2020-07-01 | 2020-07-01 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754503A CN111754503A (zh) | 2020-10-09 |
CN111754503B true CN111754503B (zh) | 2023-12-08 |
Family
ID=72678784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620052.4A Active CN111754503B (zh) | 2020-07-01 | 2020-07-01 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754503B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793334B (zh) * | 2021-11-16 | 2022-02-08 | 武汉大学 | 设备监测方法和设备监测装置 |
CN113823400A (zh) * | 2021-11-22 | 2021-12-21 | 武汉楚精灵医疗科技有限公司 | 肠道退镜速度监测方法、装置及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767365A (zh) * | 2017-09-21 | 2018-03-06 | 华中科技大学鄂州工业技术研究院 | 一种内窥镜图像处理方法及*** |
WO2018161775A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技(深圳)有限公司 | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 |
CN109492668A (zh) * | 2018-10-10 | 2019-03-19 | 华中科技大学 | 基于多通道卷积神经网络的mri不同期多模图像表征方法 |
CN109598716A (zh) * | 2018-12-05 | 2019-04-09 | 上海珍灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和*** |
CN109859827A (zh) * | 2018-12-14 | 2019-06-07 | 上海珍灵医疗科技有限公司 | 胃肠镜操作水平实时评分***和方法 |
CN110020610A (zh) * | 2019-03-16 | 2019-07-16 | 复旦大学 | 基于深度学习的肠镜质量检查控制*** |
CN110897596A (zh) * | 2019-12-05 | 2020-03-24 | 重庆金山医疗技术研究院有限公司 | 自动调节胶囊拍摄速率的方法、内窥镜、记录仪及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7894648B2 (en) * | 2005-06-17 | 2011-02-22 | Mayo Foundation For Medical Education And Research | Colonoscopy video processing for quality metrics determination |
WO2017201494A1 (en) * | 2016-05-19 | 2017-11-23 | Avantis Medical Systems, Inc. | Methods for polyp detection |
TWI696145B (zh) * | 2018-06-01 | 2020-06-11 | 國立臺灣大學 | 大腸鏡影像電腦輔助辨識系統及方法 |
-
2020
- 2020-07-01 CN CN202010620052.4A patent/CN111754503B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018161775A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技(深圳)有限公司 | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 |
CN107767365A (zh) * | 2017-09-21 | 2018-03-06 | 华中科技大学鄂州工业技术研究院 | 一种内窥镜图像处理方法及*** |
CN109492668A (zh) * | 2018-10-10 | 2019-03-19 | 华中科技大学 | 基于多通道卷积神经网络的mri不同期多模图像表征方法 |
CN109598716A (zh) * | 2018-12-05 | 2019-04-09 | 上海珍灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和*** |
CN109859827A (zh) * | 2018-12-14 | 2019-06-07 | 上海珍灵医疗科技有限公司 | 胃肠镜操作水平实时评分***和方法 |
CN110020610A (zh) * | 2019-03-16 | 2019-07-16 | 复旦大学 | 基于深度学习的肠镜质量检查控制*** |
CN110897596A (zh) * | 2019-12-05 | 2020-03-24 | 重庆金山医疗技术研究院有限公司 | 自动调节胶囊拍摄速率的方法、内窥镜、记录仪及*** |
Non-Patent Citations (1)
Title |
---|
用不同的结肠镜检查方式对老年人进行结肠息肉筛查的效果对比;李莉;费素娟;朱祖安;赵燕超;杨君;;当代医药论丛(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754503A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohammed et al. | Y-net: A deep convolutional neural network for polyp detection | |
Wang et al. | An imaging-inspired no-reference underwater color image quality assessment metric | |
WO2021104410A1 (zh) | 血涂片全视野智能分析方法血细胞分割模型及识别模型的构造方法 | |
CN111407245B (zh) | 一种基于摄像头的非接触式心率、体温测量方法 | |
CN109670429B (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及*** | |
CN111915573A (zh) | 一种基于时序特征学习的消化内镜下病灶跟踪方法 | |
CN111754503B (zh) | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 | |
CN113449727A (zh) | 一种基于深度神经网络的伪装目标检测识别方法 | |
CN110838100A (zh) | 一种基于滑动窗口的结肠镜病理切片筛查与分割*** | |
CN113781489B (zh) | 一种息肉影像语义分割方法及装置 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN114511508A (zh) | 融合卷积与多层感知机神经网络的结直肠息肉分割方法 | |
CN113781468B (zh) | 一种基于轻量级卷积神经网络的舌图像分割方法 | |
Al-Ma’aitah et al. | Enhanced computational model for gravitational search optimized echo state neural networks based oral cancer detection | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及*** | |
CN112151167A (zh) | 一种基于深度学习的儿童六龄牙龋齿智能筛查方法 | |
CN112750132A (zh) | 基于双路径网络和通道注意的白细胞图像分割方法 | |
CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及*** | |
CN115661459A (zh) | 一种使用差异信息的2D mean teacher模型 | |
CN116168052A (zh) | 结合自适应注意力与特征金字塔的胃癌病理图像分割方法 | |
Wu et al. | Towards robust text-prompted semantic criterion for in-the-wild video quality assessment | |
Chao et al. | Instance-aware image dehazing | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及*** | |
CN116205925A (zh) | 基于改进U-Net网络的牙齿咬合翼片龋齿分割方法 | |
CN110458223B (zh) | 一种内镜下支气管肿瘤自动检测方法及检测*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |