CN112843369A - 一种基于深度学习的黏膜清洁*** - Google Patents

Abstract

本发明公开一种基于深度学习的黏膜清洁***，包括影像处理装置、操作提示装置、黏膜清洗装置和质量检测装置；影像处理装置从胃肠镜中获取视频流数据进行判别分析并输出分析结果到操作提示装置，操作提示装置根据分析结果输出提示内容以启动黏膜清洗装置对黏膜进行清洁；质量检测装置实时记录各个装置的运行信息，生成操作报告，用于监控黏膜清洁。本发明将AI技术与黏膜清洗装置的特殊黏膜清洗清洁技术有机结合于一体后，不但提高异物清洗的效果，而且提升了黏膜清洗的效率，为后续的检查、诊疗工作提供高清晰度的观察视野。

Description

一种基于深度学习的黏膜清洁***

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于深度学习的黏膜清洁***。

背景技术

随着基于深度学习的人工智能技术的发展，人工智能在医学影像领域的应用也越来越得到关注。通过人工智能技术，能够根据医学影像自动判断可能出现的病变，完成对医学影像的自动筛查。目前人工智能技术已经在乳腺癌病理检查、肺癌检测、心血管成像等各个领域得到了广泛的研究。

总所周知，消化道疾病是多发病、常见病，严重威胁人的生命健康。消化内镜及色素内镜是诊断消化道疾病的首选，但消化道黏膜表面往往覆盖大量泡沫和黏液，导致内镜视野模糊，严重影响内镜医生观察，甚至造成各种假象，最终出现漏诊、误诊的现象，视野不清晰是漏诊、误诊的主要原因之一。

因此，消化内镜检查过程中的黏膜清洁是减少漏诊、误诊的主要措施之一，同时是绝大多数黏膜染色的必要基础。通常情况下，相对于其他病变特征，胃肠道中的泡沫、粘液、血液、***物等杂质的特征更为明显，利用人工智能技术能准确、快速的完成这些物体的检测，从而辅助医生对黏膜进行清洗，以提高医生清洗效率，最终达到减少疾病检查的漏诊率、误诊率。

发明内容

针对现有技术中消化道黏膜清洗效率较低的问题，本发明提出一种基于深度学习的黏膜清洁***，能适合基层医疗机构、适合现有绝大部分胃肠镜的***，既能指导和督促医生，又能提高黏膜清洗工作，更能为后续的检查诊断工作提供良好的视野。

为了实现上述目的，本发明提供以下技术方案：

一种基于深度学习的黏膜清洁***，包括影像处理装置、操作提示装置、黏膜清洗装置和质量检测装置；

影像处理装置从胃肠镜中获取视频流数据进行判别分析并输出分析结果到操作提示装置，操作提示装置根据分析结果输出提示内容以启动黏膜清洗装置对黏膜进行清洁；质量检测装置实时记录各个装置的运行信息，生成操作报告，用于监控黏膜清洁。

优选的，所述影像处理装置包括数据采集模块和AI判别模块；所述数据采集模块用于实时采集胃肠镜图像，并对胃肠镜图像进行预处理；所述AI判别模块用于分析胃肠镜所观察影像的类别。

优选的，所述预处理包括图像裁剪、图像缩放、图像标准化和图像归一化；

图像裁剪和图像缩放：将实时采集的胃肠镜图像周围边框进行裁剪裁剪后的图像缩放为528x528；

图像标准化：计算整个胃肠镜图像数据库的平均图和标准差图，计算方式为：

公式(1)中，X_i表示第i个图像，可以是一个(528,528,3)图像矩阵；N表示数据库中内镜图像数量；mean表示平均图；Std表示标准差图；

对于任一输入***的图像X_i都要经过标准化处理得到对应标准化图像X_j：

X_j＝(X_i-mean)/std；

图像归一化：就是将标准化图像X_j的像素值变换到0到1之间。

优选的，所述影像的类别包括待清洗图、正常图和模糊图。

优选的，所述操作提示装置输出的提示内容包括清洗操作、正常检查或模糊。

优选的，所述黏膜清洗装置包括清洗机箱、加热杯、泵头、加热板、液体输送管、胃肠镜连接器和清洗开关，并配有专用的消化道清洗包；其中，

加热杯固定设置在清洗机箱内，用于存储调配好的清洗液；加热板用于对清洗液进行加热、恒温；泵头用于对液体输送管中液体输送进行加速、恒速；胃肠镜连接器用于连接黏膜清洗装置和胃肠镜。

优选的，所述质量检测装置包括记录模块、分析模块和输出模块；其中，

所述记录模块，用于实时记录AI判别模块输出的分析结果和黏膜清洗装置的操作信息；分析模块，用于比较AI判别模块输出的分析结果与黏膜清洗装置的操作信息是否一致；输出模块，用于根据分析模块的比较结果生成黏膜清洗报告，用于对黏膜清洗进行评估。

综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：

1.本发明提供了一种能适合基层医疗机构、适合现有绝大部分胃肠镜的***，该***既能指导和督促医生，又能提高黏膜清洗工作，更能为后续的检查诊断工作提供良好的视野。

2.本发明将AI技术与黏膜清洗装置的特殊黏膜清洗清洁技术有机结合于一体后，不但提高异物清洗的效果，而且提升了黏膜清洗的效率，为后续的检查、诊疗工作提供高清晰度的观察视野。

3.本发明中分别从检查过程和检查结果两个角度督促医生进行科学的黏膜清洗工作，其中操作提示装置实时准确的提示医生所观察的视野中是否有异物；质量检测装置通过记录整个清晰工程中各个装置的运行信息，对整个检查过程的黏膜清洗工作进行评估，该评估结果对医生胃肠镜检查工作既有监督作用，又有促进作用。

附图说明：

图1为根据本发明示例性实施例的一种基于深度学习的黏膜清洁***示意图。

具体实施方式

下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提供一种基于深度学习的黏膜清洁***，包括依次连接的影像处理装置、操作提示装置、黏膜清洗装置和质量检测装置。

影像处理装置对从胃肠镜中获取视频流数据进行判别分析并输出相应的操作信号到操作提示装置，操作提示装置根据操作信号输出提示内容以启动黏膜清洗装置对消化道进行清洗；质量检测装置实时记录各个模块的运行信息，最终生成相应的报告，用于督促医生全面、高效、准确的胃肠镜检查。

本实施例中，影像处理装置包括数据采集模块和AI判别模块。

本实施例中，数据采集模块用于采集胃肠镜下的实时视频流数据，并对数据进行预处理得到图像数值矩阵，预处理包括图像裁剪、图像缩放、图像标准化和图像归一化。

图像裁剪、图像缩放：原始胃肠镜图像分辨率是1920x1080，而有效图像区域仅仅是中间有组织的区域，周围边框需要裁剪，裁剪后的图像缩放为528x528。

图像标准化：计算整个内镜图像数据库的平均图和标准差图，计算方式为：

公式(1)中，X_i表示第i个图像，可以是一个(528,528,3)图像矩阵；N表示数据库中内镜图像数量；mean表示平均图；Std表示标准差图；

对于任一输入***的图像X_i都要经过标准化处理得到对应标准化图像X_j：

X_j＝(X_i-mean)/std

图像归一化：就是将标准化图像X_j的像素值变换到0到1之间。

训练时图像数据库会进行数据增广操作，包括图像亮度、对比度变换、图像缩放变换、图像旋转变换、图像镜像变换和局部扭曲变换。

本实施例中，AI判别模块由训练完成的卷积神经网络构成。训练过程中的训练数据均由多名具有多年临床经验的专家进行标注，并通过交叉验证确保数据标注的准确性，最终通过常用的深度学习框架进行训练，直到满足期望值，这些深度学习框架有Tensorflow、PyTroch等；其中卷积神经网络可选择VGG-Net、Res-Net、SE-Net、NAS-Net、GooLe-Net等网络，AI判别模块的输入为预处理后的图像数值矩阵，输出为胃肠镜所观察影像所述类别的概率，影像类别包括待清洗图、正常图和模糊图，概率值最大的类别即为胃肠镜观察区域影像的类别，例如：通过AI判别模块判别某一时刻的影像为待清洗图、正常图、模糊图的概率值分别是0.5、0.3、0.2，由于0.5＞0.3＞0.2，则AI判别模块的输入应属于待清洗图的数值矩阵，即胃肠镜所观察影像为待清洗区域。

本实施例中，影像处理装置对输入的视频流数据进行处理后，输出提示信号到操作提示装置，操作提示装置根据提示信号的不同输出不同的操作内容。例如影像处理装置输出为待清洗图，可通过文字、声音等多种方式提示医生进行清洗操作；若影像处理装置输出展示所观察的胃肠镜影像为正常图，则提示胃肠镜正常检查；若影像处理装置的输出展示所观察的胃肠镜影像为模糊图，则通过文字、声音等多种方式(例如输出“模糊”字样或声音)提示医生注意胃肠镜移动速度或人体器官蠕动情况。这样可有利于医生随时把握胃肠镜的观察情况，做到及时修正，提高了清晰效率。

本实施例中，黏膜清洗装置用于清洗胃肠道中的泡沫、粘液、血液、***物等杂质，医生根据操作提示装置的提示进行相应的操作，有利于提高清洗的效果及效率、例如：当胃肠镜观察某一目标区域时，操作提示装置输出清洗提示操作，医生仅需开启清洗开关对目标区域进行清洗，直到操作提示装置输出正常检查；若操作提示装置输出正常检查，则医生可检查其他区域或者对该区域进行深入检查；若操作提示装置输出结果为模糊，则医生需通过调节胃肠镜移动速度、更换观察角度等操作来提高检查的效果。

黏膜清洗装置包含清洗机箱、加热杯、泵头、加热板、液体输送管、胃肠镜连接器和清洗开关，并配有专用的消化道清洗包。其中加热杯固定设置在清洗机箱内，用于存储调配好的清洗液；加热板用于对清洗液进行加热、恒温；泵头，用于对液体输送的过程进行加速、恒速；黏膜清洗装置通过胃肠镜连接器和胃肠镜配套连接使用。该装置具有以下特点：专用清洗包、清洗液恒温、液体输送的速度恒定、装置体积小、可靠性高。具体结构可参考其他现有专利，授权公告号：CN204121494U。

本实施例中，质量检测装置用于记录、分析、总结AI判别模块输出的提示信号以及记录黏膜清洗装置的运行信息。质量检测装置包括记录模块、分析模块和输出模块。其中记录模块，用于实时记录AI判别模块输出的提示信号以及黏膜清洗装置的运行信息；分析模块，用于比较AI判别模块输出的提示信号与黏膜清洗装置的运行信息；输出模块是，用于根据分析模块的比较结果生成黏膜清洗报告，用于对整个黏膜清洗进行评估。

本实施例中，从患者舒适度、检查时间、清洁度、内镜医生满意度这四个方面进行比较传统手工冲洗与本发明的使用情况，发现本发明在胃肠镜检查中的应用明显优于传统的手工冲洗方法。

表1.患者舒适度对比

组名	检查方式	实验数量	无痛	轻微疼痛	中度疼痛	重度疼痛
							对照组	普通	50	5	9	21	15
观察组	普通	50	17	12	13	8

表1中观察组为本发明的实验结果(下同)，对照组为传统手工冲洗的实验结果(下同)。实验表明，观察组中的无痛、轻微疼痛的患者数量明显多于对照组，而对照组中的重度疼痛的患者数目远多于观察组。

表2.检查时间对比

从表2中可以发现观察组所用检查时间相比比对照组至少提高3分钟。

表3.清洁度对比

其中胃肠的清晰度分四个等级，分别用1级、2级、3级、4级表示；1级清晰度表示无异物，视野清晰；2级清晰度表示少量异物，视野较清晰；3级清晰度表示较多异物，可冲洗干净；4级清晰度表示大量异物，冲洗难度较大。表3中数据表明：1级和2级清洁度在冲洗前后变化最明显的在观察组，这就意味着本发明的冲洗效果远优于传统的手工冲洗。

表4：内窥医生满意度比较

组名	实验数量	满意	较满意	一般满意	不满意
						对照组	96	1	25	60	10
观察组	96	66	12	18	0

表4中的数据表明，对于内窥镜医生而言，本发明的满意度远优于传统的手工冲洗。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (7)

1.一种基于深度学习的黏膜清洁***，其特征在于，包括影像处理装置、操作提示装置、黏膜清洗装置和质量检测装置；

影像处理装置从胃肠镜中获取视频流数据进行判别分析并输出分析结果到操作提示装置，操作提示装置根据分析结果输出提示内容以启动黏膜清洗装置对黏膜进行清洁；质量检测装置实时记录各个装置的运行信息，生成操作报告，用于监控黏膜清洁。

2.如权利要求1所述的一种基于深度学习的黏膜清洁***，其特征在于，所述影像处理装置包括数据采集模块和AI判别模块；所述数据采集模块用于实时采集胃肠镜图像，并对胃肠镜图像进行预处理；所述AI判别模块用于分析胃肠镜所观察影像的类别。

3.如权利要求2所述的一种基于深度学习的黏膜清洁***，其特征在于，所述预处理包括图像裁剪、图像缩放、图像标准化和图像归一化；

图像裁剪和图像缩放：将实时采集的胃肠镜图像周围边框进行裁剪裁剪后的图像缩放为528x528；

图像标准化：计算整个胃肠镜图像数据库的平均图和标准差图，计算方式为：

公式(1)中，X_i表示第i个图像，可以是一个(528,528,3)图像矩阵；N表示数据库中内镜图像数量；mean表示平均图；Std表示标准差图；

对于任一输入***的图像X_i都要经过标准化处理得到对应标准化图像X_j：

X_j＝(X_i-mean)/std；

图像归一化：就是将标准化图像X_j的像素值变换到0到1之间。

4.如权利要求2所述的一种基于深度学习的黏膜清洁***，其特征在于，所述影像的类别包括待清洗图、正常图和模糊图。

5.如权利要求1所述的一种基于深度学习的黏膜清洁***，其特征在于，所述操作提示装置输出的提示内容包括清洗操作、正常检查或模糊。

6.如权利要求1所述的一种基于深度学习的黏膜清洁***，其特征在于，所述黏膜清洗装置包括清洗机箱、加热杯、泵头、加热板、液体输送管、胃肠镜连接器和清洗开关，并配有专用的消化道清洗包；其中，

加热杯固定设置在清洗机箱内，用于存储调配好的清洗液；加热板用于对清洗液进行加热、恒温；泵头用于对液体输送管中液体输送进行加速、恒速；胃肠镜连接器用于连接黏膜清洗装置和胃肠镜。

7.如权利要求1所述的一种基于深度学习的黏膜清洁***，其特征在于，所述质量检测装置包括记录模块、分析模块和输出模块；其中，

所述记录模块，用于实时记录AI判别模块输出的分析结果和黏膜清洗装置的操作信息；分析模块，用于比较AI判别模块输出的分析结果与黏膜清洗装置的操作信息是否一致；输出模块，用于根据分析模块的比较结果生成黏膜清洗报告，用于对黏膜清洗进行评估。

Images