CN113129287A - 一种针对上消化道内镜影像的病灶自动留图方法 - Google Patents
一种针对上消化道内镜影像的病灶自动留图方法 Download PDFInfo
- Publication number
- CN113129287A CN113129287A CN202110437503.5A CN202110437503A CN113129287A CN 113129287 A CN113129287 A CN 113129287A CN 202110437503 A CN202110437503 A CN 202110437503A CN 113129287 A CN113129287 A CN 113129287A
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- focus
- lesion
- model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013507 mapping Methods 0.000 title claims abstract description 16
- 230000002496 gastric effect Effects 0.000 title claims abstract description 13
- 230000003902 lesion Effects 0.000 title claims description 38
- 238000012800 visualization Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 210000004400 mucous membrane Anatomy 0.000 claims abstract description 10
- 210000001035 gastrointestinal tract Anatomy 0.000 claims abstract description 9
- 210000002438 upper gastrointestinal tract Anatomy 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 210000002784 stomach Anatomy 0.000 claims description 19
- 210000003238 esophagus Anatomy 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 10
- 238000001839 endoscopy Methods 0.000 claims description 8
- 210000004877 mucosa Anatomy 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 210000001198 duodenum Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 2
- 238000002955 isolation Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 230000014759 maintenance of location Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000000265 homogenisation Methods 0.000 abstract description 3
- 230000000717 retained effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001079 digestive effect Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000002318 cardia Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000002969 egg yolk Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06T2207/10068—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
- G06T2207/20076—Probabilistic image processing
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种针对上消化道内镜影像的病灶自动留图方法,包括如下步骤:消化道数据采集及预处理;构建大部位分类模型M‑Net;构建病灶检测模型分别对大部位进行病灶的检测;构建病灶分离归纳器,将输入图片按病灶进行编号并分别归纳到不同的文件夹中;构建黏膜可视化模型,剔除可视化程度差的无效图片或伪影图片;构建26部位定位模型,对上消化道进行26部位分类;留图结果自动输出。本发明最终能够实现自动留存上消化道异常病灶的高质量图片,并快速定位到具体部位。有助于辅助内镜医师快速且自动化地进行上消化道异常病灶的定位与留图,很好地提高了内镜报告的留图完整性和有效性,实现内镜报告的综合质量同质化,巩固其指导治疗价值及随访价值。
Description
技术领域
本发明涉及医疗辅助技术领域,尤其涉及一种针对上消化道内镜影像的病灶自动留图方法。
背景技术
内镜报告是一种应用广泛的医学图文报告形式,是一种方便患者储存、方便医师查阅的直观完整的消化内镜检查总结性文件。内镜报告是疾病的诊治随访、会诊交流、医疗鉴定等场景的客观依据。
在上消化道内镜检查过程中,内镜医师通过按下“采图”按钮或踩下“采图”脚踏板以记录检查所见,所有采集到的图片都以图库的形式保存在图文工作站中。内镜医师会查阅和回顾采图图库,以形成最终的总结性内镜检查图文报告。内镜检查图文报告的信息来源于采图图库,而其质量取决于采图图库的综合质量。目前,多部指南提出对消化内镜检查报告的质量控制意见,要求内镜下照片记录应完整包含全部解剖学标志性部位及异常病灶图片;但对于图片综合质量并未进行控制。临床实际环境中,由于不同内镜医师工作经验、工作***同质化。
近年来人工智能技术在消化内镜领域取得了长足进展。深度学习技术,作为图像识别领域的强有力工具,已经被应用于消化内镜疾病诊断的方方面面,并显示出巨大的诊断和辅助潜力。人工智能设备具有自主采集图片的能力,但其存在盲目性和可变性。通过一套完备设计的病灶留图算法,有望实现人工智能稳定地、自动地生成高质量内镜图文报告。为此,我们提出一种针对上消化道内镜影像的病灶自动留图方法。
发明内容
基于背景技术存在的技术问题,本发明提出了一种针对上消化道内镜影像的病灶自动留图方法,实现自动稳定地留存上消化道异常病灶的高质量图片,并对其进行部位快速定位,以便医生回溯查验,解决了现有技术中内镜医师留图的质量和有效性差距大,不利于内镜图文报告质量的高水平同质化的问题。
本发明提供如下技术方案:一种针对上消化道内镜影像的病灶自动留图方法,包括如下步骤:
S1、消化道数据采集及预处理;
S2、构建大部位分类模型M-Net,对原始数据进行分类过滤,得到胃部图片集和食管图片集;
S3、构建病灶检测模型分别对胃部图片和食管图片进行病灶的检测;
S4、构建病灶分离归纳器,将输入图片按病灶进行编号并分别归纳到不同的文件夹中;
S5、构建黏膜可视化模型,剔除黏膜可视化程度差的无效图片或伪影图片;
S6、构建26部位定位模型,对病灶图片进行上消化道26个部位的分类定位;
S7、病灶结果自动输出。
优选的,所述步骤S1中通过内镜检查设备获取胃镜视频,将视频解码为图片,并进行尺寸归一化预处理,仅保留图片的结构信息。
优选的,所述步骤S2中将原始数据分为三大类:胃部图片、食管图片、屏蔽图片;其中十二指肠部位图片纳入胃部图片一并分析,屏蔽图片经过滤后舍弃。
优选的,所述步骤S3中胃部图片和食管图片分别输入胃-Yolov3模型和食管-Yolov3模型进行病灶的检测。
优选的,所述步骤S4中基于步骤S3的病灶检测模型,将其输出的单张图片结果输入病灶分离归纳器,根据时序信息判断是否被激活,每一个激活时间段内的所有病灶图片被认为是同一病灶。
优选的,所述步骤S5中利用黏膜可视化模型对病灶图片进行过滤,用于剔除机器采集到的黏膜可视化差的无效图片或伪影图片。
优选的,所述步骤S7中每张病灶图片根据步骤S3的病灶检测模型、步骤S5的黏膜可视化模型和步骤S6的26部位定位模型的输出结果进行置信度加权排序,输出值最高的图片。
本发明提供了一种针对上消化道内镜影像的病灶自动留图方法,基于对上消化道内镜实时获取的视频进行图像分帧,利用M-Net模型,对食管与胃部两个不同场景下的病灶进行精确检测,通过本发明的病灶激活逻辑,避免了病灶检测模型假阳性带来的影响,提高了病灶实时检测的准确度,避免了内镜医师在采图时可能发生的遗漏和误留,降低了内镜医师在上消化道内镜检查过程中的漏诊率与误诊率,最终有助于提升内镜医师诊断报告的质量。
附图说明
图1为本发明原理示意图;
图2为本发明方法流程图;
图3为本发明尺寸归一化示意图;
图4为M-Net模型结构示意图;
图5为病灶检测模型结构示意图;
图6为病灶分离归纳器示意图;
图7为黏膜可视化模型结构示意图;
图8为26部位定位模型结构示意图;
图9为自动留图方法结果可视化。
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和2所示,本发明提供一种技术方案:一种针对上消化道内镜影像的病灶自动留图方法,
S1、数据的采集以及预处理。通过内镜检查设备获取胃镜视频,将视频按每秒7帧解码为图片集并进行尺寸归一化等预处理:长宽比不相同的图像补黑边统一为正方形,再缩放到360*360像素大小,仅保留图片的结构信息。如图3所示的尺寸归一化示意图。
S2、构建大部位分类模型M-Net,将整个上消化道图像分为食管部、胃部两个部分,其中贲门部图片纳入食管部,十二指肠部图片纳入胃部一并分析。
①数据集的准备:由专业医师对内镜图片进行分类标记,标签为:胃部图片、食管图片、屏蔽图片。再进行预处理,缩放到224*224尺寸。
②模型的构建与训练:作为优先的,以ResNet50为基础神经网络结构,最后一层池化层将由全局平均池化改为最大池化,激活函数采用Softmax。如图4所示,M-Net的损失函数采用多元交叉熵损失:
M-Net输出的结果是一个多维列向量,每个维度对应一个类别的概率,概率值越大表示该图像越有可能属于这一类别。
基于步骤S1的结果,输入M-Net模型中进行三分类,每张图片的输出结果为:胃部图片、食管图片、屏蔽图片。屏蔽图片经过滤后舍弃(如体外图片、口咽部图片及太模糊导致无法辨识部位和病灶的图片),保留胃部图片集和食管图片集。
S3、构建病灶检测模型对病灶进行检测并框取。如图5所示。
①数据集的准备:由专业医师对胃部图片和食管图片中的病灶区域进行标记,保存病灶类别以及矩形框坐标信息为xml文件,原始图片统一缩放到352*352尺寸,一个xml文件与对应的jpg图片作为一对训练数据。
②模型的构建与训练:作为优先的,以Yolov3模型为基础网络结构,模型的输入为352*352,经过Darknet-53特征网络进行特征提取,输出3个通道的预测值,分别对应预测大中小三种不同尺度的目标。
病灶检测模型的损失函数分为三个部分组成:
Loss=lbox+lobj+lcls
(1)坐标计算部分带来的误差,也就是bbox带来的loss:
为了将目标与anchor之间的距离,重叠率以及尺度都考虑进去,将IoU损失改进为CIoU损失,如下所示:
其中α是权重函数,v是度量长宽比的相似性参数,ρ表示欧氏距离,b表示中心点,c表示最小外接矩形的对角线距离。
(2)置信度带来的误差,也就该bounding box中是否含有物体的概率:
(3)类别带来的误差,也就是类别带来的loss:
基于步骤S2得到的胃部图片集和食管图片集,作为输入分别进入胃-Yolov3模型和食管Yolov3模型,每张图片可得到0或1的预测结果,0代表无病灶,1代表有病灶。
S4、构造病灶分离归纳器。如图6所示,基于步骤S3的病灶检测模型输出结果,根据时序信息判断连续10张图片若有7张判定为1,则开始进入病灶激活时间段,处于病灶激活时间段内的所有图片将被认为是同一病灶的观察时段。若连续10张图片有7张判定为0,则退出病灶激活时间段。不被激活的时间段内预测结果为1的图片被认定为假阳性舍弃。每个激活时间段内的全部图片按病灶编号并分别归纳到不同的文件夹中。
S5、构建黏膜可视化模型对每张图片进行黏膜可视程度的评价,目的是剔除机器采集到的无法分析的无效图片等。如图7所示。
①数据集的准备:由专业医师对内镜图片进行分类标记,标签为:无效图片、有效图片。对原始图片统一缩放到224*224尺寸。
②模型的构建与训练:作为优先的,采用ResNet34作为基础神经网络结构,模型的输入为224*224,对输入进行卷积处理,经过了一系列的Building block模块后,最后进入全连接层,采用Sigmoid激活函数激活,输出二分类结果0或1。HL-Net的损失函数采用二元交叉熵损失:
基于步骤S4的输出结果,输入黏膜可视化模型中,每张图片的输出结果为有效图片或无效图片,仅保留每个病灶文件夹中的有效图片。
S6、构建26部位定位模型,对上消化道进行精确部位的分类。如图8所示。
①数据集的准备:由专业医师对内镜图片进行分类标记,标签为上消化道26个部位类型。对原始图片统一缩放到224*224尺寸。
②模型的构建与训练:作为优先的,采用ResNet50作为基础神经网络结构,使用Softmax激活函数将维度降低到类别数,向量的每一维度的值代表对应类别的概率,范围0~1,最高值对应的类别为预测的部位类别。
基于步骤S5的输出结果,去模糊后的病灶图片输入26部位模型中进行上消化道的26个部位分类,每张图片的输出结果为一个部位类别序号以及其置信度值。
S7、基于步骤S3的病灶检测模型输出、步骤S5的黏膜可视化模型输出和步骤S6的26部位定位模型输出,进行加权排序,每个病灶文件夹取加权后置信度Crisk最高的一张图片输出:
其中Cyolo为病灶检查模型的置信度,Cdel为黏膜可视化模型的置信度,Cpart为病灶检查模型的置信度,λ为权重系数。如图9所示。
为了验证本发明的鲁棒性,取100例视频由专家对留图结果进行评价,病灶漏查率仅为0.3%;病灶留图结果的质量高,图片重复率及模糊率仅为4%;平均每例节约内镜医师完成内镜报告的时间26s。
本发明基于对上消化道内镜实时获取的视频进行图像分帧,利用M-Net模型,对食管与胃部两个不同场景下的病灶进行精确检测,通过本发明的病灶激活逻辑,避免了病灶检测模型假阳性带来的影响,提高了病灶实时检测的准确度,避免了内镜医师在采图时可能发生的遗漏和误留,降低了内镜医师在上消化道内镜检查过程中的漏诊率与误诊率,最终有助于提升内镜医师诊断报告的质量;
本发明还将规范内镜医师检查报告的完整性和有效性,由于病灶图片输入病灶分离归纳器后,可根据时序信息将不同时刻观察到的病灶独立分开进行归纳,避免了同一病灶的重复留图,并在每一处病灶观察时按置信度加权方法可留下病灶角度最好、质量最清晰的图像,提高了内镜医师在打印检查报告时选择的多样性以及选图的效率;
本发明还将对上消化道异常病灶的所属部位进行精确定位,以供内镜医师在回溯报告时快速了解病灶的位置,在复查时可以针对性对重点部位进行观察,有助于提高内镜医师复查的效率,巩固检查报告的指导治疗价值及随访价值,缓解医院内镜医师资源紧张的问题。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:包括如下步骤:
S1、消化道数据采集及预处理;
S2、构建大部位分类模型M-Net,对原始数据进行分类过滤,得到胃部图片集和食管图片集;
S3、构建病灶检测模型分别对胃部图片和食管图片进行病灶的检测;
S4、构建病灶分离归纳器,将输入图片按病灶进行编号并分别归纳到不同的文件夹中;
S5、构建黏膜可视化模型,剔除黏膜可视化程度差的无效图片或伪影图片;
S6、构建26部位定位模型,对病灶图片进行上消化道26个部位的分类定位;
S7、病灶留图结果自动输出。
2.根据权利要求1所述的一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:所述步骤S1中通过内镜检查设备获取胃镜视频,将视频解码为图片,并进行尺寸归一化预处理,仅保留图片的结构信息。
3.根据权利要求1所述的一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:所述步骤S2中将原始数据分为三大类:胃部图片、食管图片、屏蔽图片;其中十二指肠部位图片纳入胃部图片一并分析,屏蔽图片经过滤后舍弃。
4.根据权利要求1所述的一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:所述步骤S3中胃部图片和食管图片分别输入胃-Yolov3模型和食管-Yolov3模型进行病灶的检测。
5.根据权利要求1或4所述的一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:所述步骤S4中基于步骤S3的病灶检测模型,将其输出的单张图片结果输入病灶分离归纳器,根据时序信息判断是否被激活,每一个激活时间段内的所有病灶图片被认为是同一病灶。
6.根据权利要求1所述的一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:所述步骤S5中利用黏膜可视化模型对病灶图片进行过滤,用于剔除机器采集到的黏膜可视化差的无效图片或伪影图片。
7.根据权利要求1所述的一种针对上消化道内镜影像的病灶自动留图方法,其特征在于:所述步骤S7中每张病灶图片根据步骤S3的病灶检测模型、步骤S5的黏膜可视化模型和步骤S6的26部位定位模型的输出结果进行置信度加权排序,输出值最高的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437503.5A CN113129287A (zh) | 2021-04-22 | 2021-04-22 | 一种针对上消化道内镜影像的病灶自动留图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437503.5A CN113129287A (zh) | 2021-04-22 | 2021-04-22 | 一种针对上消化道内镜影像的病灶自动留图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129287A true CN113129287A (zh) | 2021-07-16 |
Family
ID=76779201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110437503.5A Withdrawn CN113129287A (zh) | 2021-04-22 | 2021-04-22 | 一种针对上消化道内镜影像的病灶自动留图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129287A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344927A (zh) * | 2021-08-05 | 2021-09-03 | 武汉楚精灵医疗科技有限公司 | 基于深度学习的图像识别方法、装置、服务器及存储介质 |
CN113808137A (zh) * | 2021-11-19 | 2021-12-17 | 武汉楚精灵医疗科技有限公司 | 上消化道内镜影像图的筛选方法、装置、设备及存储介质 |
CN113989125A (zh) * | 2021-12-27 | 2022-01-28 | 武汉楚精灵医疗科技有限公司 | 内镜图像的拼接方法、装置、计算机设备及存储介质 |
CN114419050A (zh) * | 2022-03-31 | 2022-04-29 | 武汉大学 | 胃黏膜可视化程度量化方法、装置、终端及可读存储介质 |
CN115546206A (zh) * | 2022-11-23 | 2022-12-30 | 武汉楚精灵医疗科技有限公司 | 消化道内镜图像的活检留图方法、装置及存储介质 |
CN115578385A (zh) * | 2022-12-01 | 2023-01-06 | 武汉楚精灵医疗科技有限公司 | 肠镜下病灶信息获取方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102491A (zh) * | 2018-06-28 | 2018-12-28 | 武汉大学人民医院(湖北省人民医院) | 一种胃镜图像自动采集***及方法 |
CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的肠结核辅助诊断***及方法 |
CN111080639A (zh) * | 2019-12-30 | 2020-04-28 | 四川希氏异构医疗科技有限公司 | 基于人工智能的多场景消化道内镜图像识别方法及*** |
CN111915573A (zh) * | 2020-07-14 | 2020-11-10 | 武汉楚精灵医疗科技有限公司 | 一种基于时序特征学习的消化内镜下病灶跟踪方法 |
-
2021
- 2021-04-22 CN CN202110437503.5A patent/CN113129287A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102491A (zh) * | 2018-06-28 | 2018-12-28 | 武汉大学人民医院(湖北省人民医院) | 一种胃镜图像自动采集***及方法 |
CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度学习的肠结核辅助诊断***及方法 |
CN111080639A (zh) * | 2019-12-30 | 2020-04-28 | 四川希氏异构医疗科技有限公司 | 基于人工智能的多场景消化道内镜图像识别方法及*** |
CN111915573A (zh) * | 2020-07-14 | 2020-11-10 | 武汉楚精灵医疗科技有限公司 | 一种基于时序特征学习的消化内镜下病灶跟踪方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344927A (zh) * | 2021-08-05 | 2021-09-03 | 武汉楚精灵医疗科技有限公司 | 基于深度学习的图像识别方法、装置、服务器及存储介质 |
CN113808137A (zh) * | 2021-11-19 | 2021-12-17 | 武汉楚精灵医疗科技有限公司 | 上消化道内镜影像图的筛选方法、装置、设备及存储介质 |
CN113989125A (zh) * | 2021-12-27 | 2022-01-28 | 武汉楚精灵医疗科技有限公司 | 内镜图像的拼接方法、装置、计算机设备及存储介质 |
CN113989125B (zh) * | 2021-12-27 | 2022-04-12 | 武汉楚精灵医疗科技有限公司 | 内镜图像的拼接方法、装置、计算机设备及存储介质 |
CN114419050A (zh) * | 2022-03-31 | 2022-04-29 | 武汉大学 | 胃黏膜可视化程度量化方法、装置、终端及可读存储介质 |
CN114419050B (zh) * | 2022-03-31 | 2022-06-21 | 武汉大学 | 胃黏膜可视化程度量化方法、装置、终端及可读存储介质 |
CN115546206A (zh) * | 2022-11-23 | 2022-12-30 | 武汉楚精灵医疗科技有限公司 | 消化道内镜图像的活检留图方法、装置及存储介质 |
CN115546206B (zh) * | 2022-11-23 | 2023-03-14 | 武汉楚精灵医疗科技有限公司 | 消化道内镜图像的活检留图方法、装置及存储介质 |
CN115578385A (zh) * | 2022-12-01 | 2023-01-06 | 武汉楚精灵医疗科技有限公司 | 肠镜下病灶信息获取方法、装置、电子设备及存储介质 |
CN115578385B (zh) * | 2022-12-01 | 2023-03-14 | 武汉楚精灵医疗科技有限公司 | 肠镜下病灶信息获取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
CN109886273B (zh) | 一种cmr图像分割分类*** | |
CN107564580B (zh) | 基于集成学习的胃镜图像辅助处理***及方法 | |
WO2021036616A1 (zh) | 一种医疗图像处理方法、医疗图像识别方法及装置 | |
Pogorelov et al. | Deep learning and hand-crafted feature based approaches for polyp detection in medical videos | |
US20220172828A1 (en) | Endoscopic image display method, apparatus, computer device, and storage medium | |
CN113379693A (zh) | 基于视频摘要技术的胶囊内镜关键病灶图像检测方法 | |
CN110738655B (zh) | 影像报告生成方法、装置、终端及存储介质 | |
CN110335241B (zh) | 肠镜检查后对肠道准备自动进行评分的方法 | |
JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
Souaidi et al. | A new automated polyp detection network MP-FSSD in WCE and colonoscopy images based fusion single shot multibox detector and transfer learning | |
CN112151167A (zh) | 一种基于深度学习的儿童六龄牙龋齿智能筛查方法 | |
CN114399465B (zh) | 良恶性溃疡识别方法及*** | |
CN113781489B (zh) | 一种息肉影像语义分割方法及装置 | |
CN114708258B (zh) | 一种基于动态加权注意力机制的眼底图像检测方法及*** | |
US20240005494A1 (en) | Methods and systems for image quality assessment | |
CN115205520A (zh) | 胃镜图像智能目标检测方法、***、电子设备及存储介质 | |
CN117274270A (zh) | 基于人工智能的消化内镜实时辅助***及方法 | |
CN112419246B (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
CN111340760B (zh) | 基于多任务两级卷积神经网络的膝关节定位方法 | |
CN117197836A (zh) | 基于多模态特征深度融合的中医体质辨识方法 | |
CN110110750B (zh) | 一种原始图片的分类方法及装置 | |
Garcia-Peraza-Herrera et al. | Interpretable fully convolutional classification of intrapapillary capillary loops for real-time detection of early squamous neoplasia | |
Li et al. | Ulcer recognition in capsule endoscopy images by texture features | |
Wang et al. | A ROI extraction method for wrist imaging applied in smart bone-age assessment system |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |