CN113470030B - 组织腔清洁度的确定方法、装置、可读介质和电子设备 - Google Patents
组织腔清洁度的确定方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN113470030B CN113470030B CN202111033610.8A CN202111033610A CN113470030B CN 113470030 B CN113470030 B CN 113470030B CN 202111033610 A CN202111033610 A CN 202111033610A CN 113470030 B CN113470030 B CN 113470030B
- Authority
- CN
- China
- Prior art keywords
- cleanliness
- sample
- tissue image
- image
- rounding
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Endoscopes (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种组织腔清洁度的确定方法、装置、可读介质和电子设备,涉及图像处理技术领域,该方法包括:首先获取内窥镜采集的组织图像,之后根据组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,初始清洁度为浮点型。最后按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。本公开通过识别模型确定浮点型的初始清洁度和适用于组织图像的目标取整方式,从而利用目标取整方式对初始清洁度进行取整,以得到组织图像的清洁度,能够提高清洁度的准确性。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种组织腔清洁度的确定方法、装置、可读介质和电子设备。
背景技术
内窥镜上设置有光学镜头、图像传感器、光源等组件,能够进入人体内部进行检查,使得医生能够直观地观察到人体内部的情况,在医疗领域得到了广泛应用。要保证内窥镜检查的结果准确,需要对组织腔内的清洁度进行判断,如果清洁度过低,说明组织准备不足,可能造成漏检较小的息肉或者腺瘤的问题,甚至造成内窥镜检查失败,需要重复检查的问题。因此,准确地识别组织的清洁度,能够保证内窥镜检查的有效性和准确性。内窥镜例如可以为肠镜、胃镜等。针对肠镜来说,所检查的组织即为肠道,需要识别的是肠腔的清洁度,针对胃镜来说,所检查的组织即为食道或者胃部,需要识别的是食管腔体或者胃内腔体的清洁度。
然而,组织腔的清洁度通常是在内窥镜检查结束后的退镜阶段,由专业人员根据组织的实际检查情况来确定,对于专业人员的经验、操作水平要求较高,并且存在一定的主观性,很难保证准确识别组织腔的清洁度。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种组织腔清洁度的确定方法,所述方法包括:
获取内窥镜采集的组织图像;
根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;
按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型。
第二方面,本公开提供一种组织腔清洁度的确定装置,所述装置包括:
获取模块,用于获取内窥镜采集的组织图像;
识别模块,用于根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;
取整模块,用于按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,本公开首先获取内窥镜采集的组织图像,之后根据组织图像和预先训练的识别模型,确定浮点型的初始清洁度和目标取整方式。最后按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。本公开通过识别模型确定浮点型的初始清洁度和适用于组织图像的目标取整方式,从而利用目标取整方式对初始清洁度进行取整,以得到组织图像的清洁度,能够提高清洁度的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种组织腔清洁度的确定方法的流程图;
图2是根据一示例性实施例示出的另一种组织腔清洁度的确定方法的流程图;
图3是根据一示例性实施例示出的一种识别模型的示意图;
图4是根据一示例性实施例示出的一种训练识别模型的流程图;
图5是根据一示例性实施例示出的另一种组织腔清洁度的确定方法的流程图;
图6是根据一示例性实施例示出的另一种组织腔清洁度的确定方法的流程图;
图7是根据一示例性实施例示出的一种训练分类模型的流程图;
图8是根据一示例性实施例示出的一种组织腔清洁度的确定装置的框图;
图9是根据一示例性实施例示出的另一种组织腔清洁度的确定装置的框图;
图10是根据一示例性实施例示出的另一种组织腔清洁度的确定装置的框图;
图11是根据一示例性实施例示出的另一种组织腔清洁度的确定装置的框图;
图12是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种组织腔清洁度的确定方法的流程图,如图1所示,该方法包括以下步骤:
步骤101,获取内窥镜采集的组织图像。
举例来说,在进行内窥镜检查时,内窥镜会按照预设的采集周期不断地采集组织中的图像,本实施例中的组织图像,可以为当前时刻内窥镜采集的图像,也可以是任一时刻内窥镜采集的图像。也就是说,组织图像可以是内窥镜在进入组织过程(即进镜过程)中采集的图像,也可以是内窥镜在退出组织过程(即退镜过程)中采集的图像,本公开对此不作具体限定。进一步的,在得到组织图像之后,还可以对组织图像进行预处理,可以理解为对组织图像中包括的数据进行增强处理。预处理可以包括:随机仿射变换,随机亮度、对比度、饱和度、色度调整,随机擦除部分像素,翻转处理(包括:左右翻转、上下翻转、旋转等),尺寸变换(英文:Resize)等处理,最后得到的预处理后的组织图像可以是指定尺寸(例如可以是224*224)的图像。
步骤102,根据组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,初始清洁度为浮点型。
示例的,可以将经过预处理的组织图像,输入预先训练的识别模型,以使识别模型对组织图像进行识别,输出浮点型的初始清洁度和目标取整方式。具体的,识别模型能够确定组织图像与多种清洁度类型的匹配概率,然后根据多个匹配概率来确定初始清洁度,初始清洁度为浮点型,也就是说初始清洁度通常不是整数。多种清洁度类型,用于指示组织图像的清洁程度,以内窥镜为肠镜,组织图像为肠道图像来举例,多种清洁度类型可以是波士顿肠道清洁度评分标准(英文:BostonBowel Preparation Scale,缩写:BBPS)中的四种类型:即清洁度类型为0分,对应“由于无法清除的固体和液体粪便导致整段肠粘膜无法观测”、清洁度类型为1分,对应“由于污斑、浑浊液体、残留粪便导致的部分肠道粘膜无法观测”、清洁度类型为2分,对应“肠道粘膜观察良好,但残留少量污斑、浑浊液体、粪便”、清洁度类型为3分,对应“肠道粘膜观察良好,基本无残留污斑、浑浊液体、粪便”。进一步的,识别模型还能够确定组织图像与多种取整方式的匹配概率,然后根据多个匹配概率来确定目标取整方式。多种取整方式例如可以包括:向上取整(例如ceil函数)、向下取整(例如floor函数)等。其中,识别模型可以根据预先采集的大量的训练图像,和每个训练图像对应的清洁度标签,对识别模型进行训练。识别模型例如可以是CNN(英文:Convolutional NeuralNetworks,中文:卷积神经网络)或者LSTM(英文:Long Short-Term Memory,中文:长短期记忆网络),也可以是Transformer(例如Vision Transformer)中的Encoder等,本公开对此不作具体限定。
步骤103,按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。
示例的,在得到识别模型输出的初始清洁度和目标取整方式后,可以按照目标取整方式,对初始清洁度进行取整,以得到整型的组织图像的清洁度。若目标取整方式为向上取整,那么可以对初始清洁度进行向上取整,以作为组织图像的清洁度,若目标取整方式为向下取整,那么可以对初始清洁度进行向下取整,以作为组织图像的清洁度。例如,初始清洁度为2.8,若目标取整方式为向上取整,那么清洁度为3,若目标取整方式为向下取整,那么清洁度为2。相比于随机选择取整方式对浮点型的清洁度进行取整,引入随机误差,降低清洁度的准确性的处理方式,本实施例能够利用识别模型从组织图像中学习到适用于组织图像的目标取整方式,从而得到组织图像的清洁度,能够有效提高清洁度的鲁棒性和准确性。进一步的,由于组织图像可以是内窥镜在任一时刻采集的图像,因此,本实施例能够实时确定组织腔当前的清洁度,而不限制在退镜过程中对清洁度进行判断,能够及时根据组织腔的清洁度来确定内窥镜的下一步操作,避免了无效进镜、重复检查等问题。
需要说明的是,本公开实施例中所述的内窥镜,例如可以是肠镜、胃镜,若内窥镜为肠镜,那么上述组织图像即为肠道图像,组织腔即为肠腔,那么本实施例确定的是肠腔的清洁度。若内窥镜为胃镜,那么上述组织图像可以为食道图像、胃部图像或者十二指肠图像,相应的,组织腔可以为食管腔体、胃内腔体、十二指肠腔,那么本实施例确定的是食管腔体、胃内腔体、十二指肠腔的清洁度。本公开中,内窥镜还可以用于采集其他具有腔体的组织的图像,以确定组织腔的清洁度,本公开对此不作具体限定。
综上所述,本公开首先获取内窥镜采集的组织图像,之后根据组织图像和预先训练的识别模型,确定浮点型的初始清洁度和目标取整方式。最后按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。本公开通过识别模型确定浮点型的初始清洁度和适用于组织图像的目标取整方式,从而利用目标取整方式对初始清洁度进行取整,以得到组织图像的清洁度,能够提高清洁度的准确性。
图2是根据一示例性实施例示出的另一种组织腔清洁度的确定方法的流程图,如图2所示,识别模型如图3所示,其中包括:特征提取子模型、清洁度子模型和取整子模型。具体的,特征提取子模型的结构例如可以是Vision Transformer中的Encoder,也可以其他能够提取图像特征的结构,本公开对此不作具体限定。清洁度子模型的结构例如可以是两个线性层(可以理解为全连接层),通过ReLU非线性层级联在一起,也可以是其他结构,取整子模型的结构例如可以是一个线性层,也可以是其他结构,本公开对此不作具体限定。
相应的,步骤102的实现方式可以包括:
步骤1021,将组织图像输入特征提取子模型,以得到特征提取子模型输出的,用于表征组织图像的图像特征。
示例的,首先将组织图像输入特征提取子模型,以得到特征提取子模型输出的,用于表征组织图像的图像特征。下面以特征提取子模型的结构是Vision Transformer中的Encoder为例,对提取图像特征的过程进行具体说明。
先将输入的组织图像按照指定大小划分为大小相等的多个子图像(可以表示为patch),例如,输入的组织图像为224*224,指定大小为16*16,那么可以将组织图像划分为196个子图像。然后可以利用线性投射层(英文:Linear Projection)先将每个子图像进行展平处理,得到该子图像对应的图像向量(可以表示为patch embedding),图像向量能够表征该子图像。进一步的,还可以生成用于指示该子图像在组织图像中的位置的位置向量(可以表示为position embedding),其中,position embedding的大小与patch embedding的大小相同。需要说明的是,position embedding可以随机生成,Encoder能够学习到对应的子图像在组织图像的位置的表征。之后,可以根据每个子图像的图像向量和位置向量,生成该子图像对应的令牌(可以表示为token)。具体的,每个子图像对应的令牌,可以是将该子图像的图像向量和位置向量进行拼接(可以理解为concat)得到的。
进一步的,在得到每个子图像对应的令牌之后,还可以生成组织图像对应的令牌。例如,可以随机生成一个图像向量和一个位置向量,并进行拼接,以作为组织图像对应的令牌。
之后,可以将每个子图像对应的令牌,和组织图像对应的令牌输入编码器,编码器能够根据每个子图像对应的令牌,生成每个子图像对应的局部编码向量,同时,还能够根据全部子图像对应的令牌,生成组织图像对应的全局编码向量。其中,局部编码向量可以理解为编码器学习到的,能够表征对应的子图像的向量,全局编码向量可以理解为编码器学习到的,能够表征整个组织图像的向量。最后,可以将全局编码向量作为特征提取子模型的输出,即图像特征。也可以将全局编码向量和局部编码向量进行拼接,作为特征提取子模型的输出,即图像特征,这样,图像特征既能够表征全局的信息,又能够表征局部的信息。
步骤1022,将图像特征分别输入清洁度子模型和取整子模型,以得到清洁度子模型输出的清洁度向量,和取整子模型输出的取整向量。
步骤1023,根据清洁度向量,确定初始清洁度,并根据取整向量,确定目标取整方式。
示例的,可以将图像特征分别输入清洁度子模型和取整子模型,以得到清洁度子模型输出的清洁度向量,和取整子模型输出的取整向量。其中,清洁度子模型输出的清洁度向量的维度,与清洁度类型的数量相同。例如,以组织图像为肠道图像(即内窥镜为肠镜)为例,BBPS包括四种类型的清洁度类型,那么清洁度向量的维度可以为1*4,每个维度对应一种清洁度类型。同样的,取整子模型输出的取整向量的维度,与取整方式的数量相同,例如,取整方式包括向上取整和向下取整两种,那么取整向量的维度可以为1*2,每个维度对应一种取整类型。最后再根据清洁度向量,确定初始清洁度,并根据取整向量,确定目标取整方式。
在一种实现方式中,步骤1023中确定初始清洁度的方式可以包括:
步骤1)根据清洁度向量,确定组织图像与多种清洁度类型的匹配概率。
步骤2)根据每种清洁度类型对应的权重,和组织图像与多种清洁度类型的匹配概率,确定初始清洁度。
举例来说,可以利用Softmax函数处理清洁度向量,得到组织图像与多种清洁度类型的匹配概率,然后根据每种清洁度类型对应的权重,和组织图像与多种清洁度类型的匹配概率,对多个匹配概率进行加权求和,以得到初始清洁度。在组织图像为肠道图像(即内窥镜为肠镜)的情况下,每种清洁度类型对应的权重可以根据BBPS的分值来确定。具体的,可以通过公式一来确定初始清洁度:
其中,S表示初始清洁度,N表示清洁度类型的数量,a i 表示第i种清洁度类型对应的权重。p i (x)表示组织图像与第i种清洁度类型的匹配概率(可以理解为Softmax函数的输出),f i (x)表示清洁度向量中第i维的数值,x表示图像特征。以组织图像为肠道图像(即内窥镜为肠镜),按照BBPS确定对应的权重为例,其中清洁度类型为0分对应的权重为0,清洁度类型为1分对应的权重为1,清洁度类型为2分对应的权重为2,清洁度类型为3分对应的权重为3,那么N=4,a i =i。
步骤1023中确定目标取整方式的方式可以包括:
步骤3)根据取整向量,确定组织图像与多种取整方式的匹配概率。
步骤4)根据组织图像与多种取整方式的匹配概率,在多种取整方式中确定目标取整方式。
示例的,同样可以利用Softmax函数处理取整向量,得到组织图像与多种取整方式的匹配概率,然后在组织图像与多种取整方式的匹配概率中,选取对应的匹配概率最大的取整方式作为目标取整方式。具体的,可以通过公式二来确定组织图像与多种取整方式的匹配概率:
其中,M表示取整方式的数量,q j (x)表示组织图像与第j种取整方式的匹配概率,g j (x)表示取整向量中第j维的数值,x表示图像特征。以取整方式包括向上取整、向下取整为例,那么M=2。
图4是根据一示例性实施例示出的一种训练识别模型的流程图,如图4所示,识别模型是通过以下方式训练得到的:
步骤A,获取第一样本输入集和第一样本输出集,第一样本输入集包括:多个第一样本输入,每个第一样本输入包括样本组织图像,第一样本输出集中包括与每个第一样本输入对应的第一样本输出,每个第一样本输出包括对应的样本组织图像的真实清洁度。
步骤B,将第一样本输入集作为识别模型的输入,将第一样本输出集作为识别模型的输出,以训练识别模型。
其中,识别模型的损失,根据清洁度损失和取整损失确定,清洁度损失根据清洁度子模型的输出与第一样本输出集确定,取整损失根据取整子模型的输出与第一样本输出集确定。
举例来说,在对识别模型进行训练时,需要先获取用于训练识别模型的第一样本输入集和第一样本输出集。第一样本输入集中包括了多个第一样本输入,每个第一样本输入可以为一个样本组织图像,样本组织图像例如可以是之前执行内窥镜检查时采集到的组织图像。第一样本输出集中包括了与每个第一样本输入对应的第一样本输出,每个第一样本输出包括对应的样本组织图像的真实清洁度。真实清洁度用于指示样本组织图像的清洁程度,以内窥镜为肠镜,样本组织图像为样本肠道图像来举例,真实清洁度可以按照BBPS分为四种:即0分,对应“由于无法清除的固体和液体粪便导致整段肠粘膜无法观测”、1分,对应“由于污斑、浑浊液体、残留粪便导致的部分肠道粘膜无法观测”、2分,对应“肠道粘膜观察良好,但残留少量污斑、浑浊液体、粪便”、3分,对应“肠道粘膜观察良好,基本无残留污斑、浑浊液体、粪便”。
在对识别模型训练时,可以将第一样本输入集作为识别模型的输入,然后再将第一样本输出集作为识别模型的输出,来训练识别模型,使得在输入第一样本输入集时,识别模型的输出,能够和第一样本输出集匹配。例如,可以根据识别模型的输出,与第一样本输出集确定识别模型的损失函数,以降低损失函数为目标,利用反向传播算法来修正识别模型中的神经元的参数,神经元的参数例如可以是神经元的权重(英文:Weight)和偏置量(英文:Bias)。重复上述步骤,直至损失函数满足预设条件,例如损失函数小于预设的损失阈值,以达到训练识别模型的目的。
具体的,识别模型的损失可以分为清洁度损失和取整损失两部分。其中,根清洁度损失根据清洁度子模型的输出与第一样本输出集确定,取整损失根据取整子模型的输出与第一样本输出集确定。
识别模型的损失可以通过公式三来确定:
L=L 1+γL 2公式三
其中,L表示识别模型的损失,L 1表示取整损失,L 2表示清洁度损失,γ表示清洁度损失对应的权重参数,例如可以设置为0.5。
进一步的,清洁度损失可以通过公式四来确定:
L 2=| f-y 2|2=l 2公式四
其中,L 2表示清洁度损失,f表示清洁度子模型的输出,y 2表示第一样本输出包括的真实清洁度,l= f-y 2。
取整损失可以通过公式五,即交叉熵损失函数(英文:CrossEntropyLoss)来确定:
其中,L 1表示取整损失,M表示取整方式的数量,y 1,j 表示第一样本输出包括的真实清洁度对应的取整方式,g j 表示取整子模型输出的取整向量中第j维的数值。
进一步的,训练识别模型的初始学习率可以设置为:5e-2,Batch size可以设置为:128,优化器可以选择:SGD,Epoch可以设置为:60,Decay可以设置为:0.1,样本组织图像的大小可以为:224×224。
在一种实现方式中,每个样本组织图像包括多个清洁度标签,该样本组织图像的真实清洁度根据该样本组织图像的多个清洁度标签确定,该样本组织图像的一致度根据该样本组织图像的多个清洁度标签中,与真实清洁度匹配的清洁度标签的数量确定。第一样本输出还包括对应的样本组织图像的一致度。
相应的,清洁度损失根据清洁度子模型的输出、每个第一样本输入中包括的真实清洁度和一致度确定。
示例的,以组织图像为肠道图像(即内窥镜为肠镜)为例,根据BBPS的评分标准可以看出,清洁度实际上是根据肠道粘膜和污斑、浑浊液体、残留粪便的面积占比来确定的,导致专业人员在对样本组织图像进行标注时,很容易受主观影响。因此,在对识别模型训练时,可以由多个专业人员(例如从业经验超过5年的人员)对第一样本输入集中包括的每个第一样本输入进行标注,标注之后,每个样本组织图像都包括有多个清洁度标签。然后,可以根据每个样本组织图像的多个清洁度标签确定该样本组织图像的真实清洁度和一致度。
具体的,真实清洁度可以根据多个清洁度标签中,相同的清洁度标签的数量来确定。例如,一个样本组织图像包括K个清洁度标签,其中有超过K/2个清洁度标签为2分,那么可以确定该样本组织图像的真实清洁度为2分。再比如,一个样本组织图像包括K个清洁度标签,其中不存在超过K/2个相同的清洁度标签,那么可以将该样本组织图像从第一样本输入集中删除,即丢弃该样本组织图像。这样,可以减少主观性对真实清洁度的影响,从而保证识别模型训练的稳定性。
一致度可以根据样本组织图像的多个清洁度标签中,与真实清洁度匹配的清洁度标签的数量确定。例如,一个样本组织图像包括K个清洁度标签,其中,有D(D≥K/2)个清洁度标签为3分,该样本组织图像的真实清洁度为3分,该样本组织图像的一致度为D。一致度用于表示区分样本组织图像的难易程度,一致度越高,说明该样本组织图像越容易分辨,一致度越低,说明该样本组织图像越难分辨。进一步的,第一样本输出集中,每个第一样本输出,除了包括对应的样本组织图像的真实清洁度之外,还可以包括对应的样本组织图像的一致度。
相应的,清洁度损失可以根据清洁度子模型的输出、每个第一样本输入中包括的真实清洁度和一致度确定。具体的,可以通过公式六来确定清洁度损失:
其中,L 2表示清洁度损失,t表示预设的阈值,l= f-y 2。α表示预设的控制系数,例如可以设置为0.1,β表示预设的偏执系数,用于保证在l=t时,上下两种计算结果相同,可以设置为0.2,D表示第一样本输出中包括的一致度,K表示第一样本输出中可能的一致度,以每个样本组织图像包括5个清洁度标签为例,那么可能的一致度即为3、4、5。
在清洁度损失中引入了样本组织图像的一致度,能够减少主观性对识别模型训练的影响,从而提高识别模型的稳定性和准确性。
图5是根据一示例性实施例示出的另一种组织腔清洁度的确定方法的流程图,如图5所示,在步骤102之前,该方法还可以包括:
步骤104,利用预先训练的分类模型对组织图像进行分类,以确定组织图像的目标类型。
相应的,步骤102的实现方式可以为:
若目标类型指示组织图像的质量满足预设条件,根据组织图像和识别模型,确定初始清洁度和目标取整方式。
举例来说,可以将内窥镜采集的组织图像,输入预先训练的分类模型,以使分类模型对组织图像进行分类,分类模型输出的即为组织图像的目标类型。目标类型可以包括:第一类型和第二类型,第一类型用于指示组织图像的质量满足预设条件,表示组织图像的质量较高,第二类型用于指示组织图像的质量不满足预设条件,表示组织图像的质量较差。其中,分类模型用于识别输入的图像的类型,可以根据预先采集的大量的训练图像,和每个训练图像对应的类型标签,对分类模型进行训练。分类模型例如可以是CNN或者LSTM,也可以是Transformer(例如Vision Transformer)中的Encoder等,本公开对此不作具体限定。当内窥镜为肠镜,组织图像为肠道图像时,预设条件可以包括:采集肠道图像时肠镜未被遮挡、采集肠道图像时肠镜与肠壁的距离大于预设的距离阈值、肠道图像的曝光度小于预设的曝光度阈值、肠道图像的模糊度小于预设的模糊度阈值、肠道图像中的肠道未发生粘连等。例如,若肠道中有污水遮挡,或者肠镜离肠壁过近、肠道图像过曝、肠道图像过于模糊、肠道出现粘连等情况,那么肠道图像的质量不满足预设条件。
相应的,可以在目标类型指示组织图像的质量满足预设条件的情况下,再将组织图像输入识别模型,以使识别模型确定初始清洁度和目标取整方式。也就是说,在确定组织图像的质量较高时,再对组织图像进行识别。在目标类型指示组织图像的质量不满足预设条件的情况下,可以直接丢弃组织图像。进一步的,可以选取内窥镜在下一采集周期采集的图像,重复执行上述步骤,以确定组织腔的清洁度。
图6是根据一示例性实施例示出的另一种组织腔清洁度的确定方法的流程图,如图6所示,步骤104的实现方式可以包括:
步骤1041,对组织图像进行预处理,并将预处理后的组织图像划分为大小相等的多个子图像。
步骤1042,根据每个子图像对应的图像向量,和该子图像对应的位置向量,确定该子图像对应的令牌,位置向量用于指示该子图像在预处理后的组织图像中的位置。
步骤1043,将每个子图像对应的令牌,和组织图像对应的令牌输入编码器,以得到每个子图像对应的局部编码向量,和组织图像对应的全局编码向量。
步骤1044,将全局编码向量和多个局部编码向量输入分类层,以得到分类层输出的目标类型。
示例的,分类模型可以包括:编码器和分类层,还可以包括线性投射层。其中,编码器可以为Vision Transformer中的Encoder,分类层可以为MLP(英文:MultilayerPerceptron Head),线性投射层可以理解为一个全连接层。
首先可以对组织图像进行预处理,以对组织图像中包括的数据进行增强处理,预处理可以包括:随机仿射变换,随机亮度、对比度、饱和度、色度调整,尺寸变换等处理,最后得到的预处理后的组织图像可以是指定尺寸(例如可以是224*224)的图像。之后,可以将预处理后的组织图像按照指定大小划分为大小相等的多个子图像(可以表示为patch),例如,预处理后的组织图像为224*224,指定大小为16*16,那么可以将预处理后的组织图像划分为196个子图像。
之后,可以利用线性投射层先将每个子图像进行展平处理,得到该子图像对应的图像向量(可以表示为patch embedding),图像向量能够表征该子图像。进一步的,还可以生成用于指示该子图像在预处理后的组织图像中的位置的位置向量(可以表示为positionembedding),其中,position embedding的大小与patch embedding的大小相同。需要说明的是,position embedding可以随机生成,编码器能够学习到对应的子图像在组织图像的位置的表征。之后,可以根据每个子图像的图像向量和位置向量,生成该子图像对应的令牌(可以表示为token)。具体的,每个子图像对应的令牌,可以是将该子图像的图像向量和位置向量进行拼接得到的。
进一步的,在得到每个子图像对应的令牌之后,还可以生成组织图像对应的令牌。例如,可以随机生成一个图像向量和一个位置向量,并进行拼接,以作为组织图像对应的令牌。
然后,可以将每个子图像对应的令牌,和组织图像对应的令牌输入编码器,编码器能够根据每个子图像对应的令牌,生成每个子图像对应的局部编码向量,同时,还能够根据全部子图像对应的令牌,生成组织图像对应的全局编码向量。其中,局部编码向量可以理解为编码器学习到的,能够表征对应的子图像的向量,全局编码向量可以理解为编码器学习到的,能够表征整个组织图像的向量。
最后,可以将全局编码向量和多个局部编码向量输入分类层,分类层的输出即为目标类型。具体的,可以将全局编码向量和多个局部编码向量进行拼接,得到一个综合编码向量,然后将综合编码向量输入分类层,分类层能够根据综合编码向量,确定组织图像分别与多种类型的匹配概率,最后将匹配概率最大的类型作为目标类型。由于分类层的输入既包括全局编码向量,又包括各个局部编码向量,整合了整个组织图像和各个子图像的特征,即考虑了全局的信息和局部的信息,能够有效提高分类模型的分类准确度。
图7是根据一示例性实施例示出的一种训练分类模型的流程图,如图7所示,分类模型是通过以下方式训练得到的:
步骤C,获取第二样本输入集和第二样本输出集,第二样本输入集包括:多个第二样本输入,每个第二样本输入包括样本组织图像,第二样本输出集中包括与每个第二样本输入对应的第二样本输出,每个第二样本输出包括对应的样本组织图像的真实类型。
步骤D,将第二样本输入集作为分类模型的输入,将第二样本输出集作为分类模型的输出,以训练分类模型。
举例来说,在对分类模型进行训练时,需要先获取用于训练分类模型的第二样本输入集和第二样本输出集。第二样本输入集中包括了多个第二样本输入,每个第二样本输入可以为一个样本组织图像,样本组织图像例如可以是之前执行内窥镜检查时采集到的组织图像。第二样本输出集中包括了与每个第二样本输入对应的第二样本输出,每个第二样本输出包括对应的样本组织图像的真实类型,真实类型可以包括:第一类型和第二类型,第一类型用于指示组织图像的质量满足预设条件,第二类型用于指示组织图像的质量不满足预设条件。
在对分类模型训练时,可以将第二样本输入集作为分类模型的输入,然后再将第二样本输出集作为分类模型的输出,来训练分类模型,使得在输入第二样本输入集时,分类模型的输出,能够和第二样本输出集匹配。例如,可以根据分类模型的输出,与第二样本输出集的差(或者均方差)作为分类模型的损失函数,以降低损失函数为目标,利用反向传播算法来修正分类模型中的神经元的参数,神经元的参数例如可以是神经元的权重和偏置量。重复上述步骤,直至损失函数满足预设条件,例如损失函数小于预设的损失阈值,以达到训练分类模型的目的。具体的,分类模型的损失函数可以如公式七(即交叉熵损失函数)所示:
其中,L class 表示分类模型的损失函数,表示分类模型的输出(可以理解为样本组织图像与第q种类型的匹配概率),s q 表示样本组织图像的真实类型与第q种类型的匹配概率,F表示真实类型的种数。以真实类型包括第一类型和第二类型,第一类型用于指示组织图像的质量满足预设条件,第二类型用于指示组织图像的质量不满足预设条件为例,那么F=2。
综上所述,本公开首先获取内窥镜采集的组织图像,之后根据组织图像和预先训练的识别模型,确定浮点型的初始清洁度和目标取整方式。最后按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。本公开通过识别模型确定浮点型的初始清洁度和适用于组织图像的目标取整方式,从而利用目标取整方式对初始清洁度进行取整,以得到组织图像的清洁度,能够提高清洁度的准确性。
图8是根据一示例性实施例示出的一种组织腔清洁度的确定装置的框图,如图8所示,该装置200可以包括:
获取模块201,用于获取内窥镜采集的组织图像。
识别模块202,用于根据组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,初始清洁度为浮点型。
取整模块203,用于按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。
图9是根据一示例性实施例示出的另一种组织腔清洁度的确定装置的框图,如图9所示,识别模型包括:特征提取子模型、清洁度子模型和取整子模型。
相应的,识别模块202可以包括:
特征提取子模块2021,用于将组织图像输入特征提取子模型,以得到特征提取子模型输出的,用于表征组织图像的图像特征。
处理子模块2022,用于将图像特征分别输入清洁度子模型和取整子模型,以得到清洁度子模型输出的清洁度向量,和取整子模型输出的取整向量。
确定子模块2023,用于根据清洁度向量,确定初始清洁度,并根据取整向量,确定目标取整方式。
在一种实现方式中,确定子模块2023可以用于执行以下步骤:
步骤1)根据清洁度向量,确定组织图像与多种清洁度类型的匹配概率。
步骤2)根据每种清洁度类型对应的权重,和组织图像与多种清洁度类型的匹配概率,确定初始清洁度。
步骤3)根据取整向量,确定组织图像与多种取整方式的匹配概率。
步骤4)根据组织图像与多种取整方式的匹配概率,在多种取整方式中确定目标取整方式。
在另一种实现方式中,识别模型是通过以下方式训练得到的:
步骤A,获取第一样本输入集和第一样本输出集,第一样本输入集包括:多个第一样本输入,每个第一样本输入包括样本组织图像,第一样本输出集中包括与每个第一样本输入对应的第一样本输出,每个第一样本输出包括对应的样本组织图像的真实清洁度。
步骤B,将第一样本输入集作为识别模型的输入,将第一样本输出集作为识别模型的输出,以训练识别模型。
其中,识别模型的损失,根据清洁度损失和取整损失确定,清洁度损失根据清洁度子模型的输出与第一样本输出集确定,取整损失根据取整子模型的输出与第一样本输出集确定。
在又一种实现方式中,每个样本组织图像包括多个清洁度标签,该样本组织图像的真实清洁度根据该样本组织图像的多个清洁度标签确定,该样本组织图像的一致度根据该样本组织图像的多个清洁度标签中,与真实清洁度匹配的清洁度标签的数量确定。第一样本输出还包括对应的样本组织图像的一致度。
相应的,清洁度损失根据清洁度子模型的输出、每个第一样本输入中包括的真实清洁度和一致度确定。
图10是根据一示例性实施例示出的另一种组织腔清洁度的确定装置的框图,如图10所示,该装置200还包括:
分类模块204,用于在根据组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式之前,利用预先训练的分类模型对组织图像进行分类,以确定组织图像的目标类型。
相应的,识别模块202可以用于若目标类型指示组织图像的质量满足预设条件,根据组织图像和识别模型,确定初始清洁度和目标取整方式。
图11是根据一示例性实施例示出的另一种组织腔清洁度的确定装置的框图,如图11所示,分类模块204可以包括:
预处理子模块2041,用于对组织图像进行预处理,并将预处理后的组织图像划分为大小相等的多个子图像。
令牌确定子模块2042,用于根据每个子图像对应的图像向量,和该子图像对应的位置向量,确定该子图像对应的令牌,位置向量用于指示该子图像在预处理后的组织图像中的位置。
编码子模块2043,用于将每个子图像对应的令牌,和组织图像对应的令牌输入编码器,以得到每个子图像对应的局部编码向量,和组织图像对应的全局编码向量。
分类子模块2044,用于将全局编码向量和多个局部编码向量输入分类层,以得到分类层输出的目标类型。
在一种实现方式中,分类模型是通过以下方式训练得到的:
步骤C,获取第二样本输入集和第二样本输出集,第二样本输入集包括:多个第二样本输入,每个第二样本输入包括样本组织图像,第二样本输出集中包括与每个第二样本输入对应的第二样本输出,每个第二样本输出包括对应的样本组织图像的真实类型。
步骤D,将第二样本输入集作为分类模型的输入,将第二样本输出集作为分类模型的输出,以训练分类模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开首先获取内窥镜采集的组织图像,之后根据组织图像和预先训练的识别模型,确定浮点型的初始清洁度和目标取整方式。最后按照目标取整方式,对初始清洁度进行取整,以得到组织图像的清洁度,清洁度为整型。本公开通过识别模型确定浮点型的初始清洁度和适用于组织图像的目标取整方式,从而利用目标取整方式对初始清洁度进行取整,以得到组织图像的清洁度,能够提高清洁度的准确性。
下面参考图12,其示出了适于用来实现本公开实施例的电子设备(例如可以上述实施例中的执行主体,可以是终端设备或服务器)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取内窥镜采集的组织图像;根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取组织图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种组织腔清洁度的确定方法,包括:获取内窥镜采集的组织图像;根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述识别模型包括:特征提取子模型、清洁度子模型和取整子模型;所述根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,包括:将所述组织图像输入所述特征提取子模型,以得到所述特征提取子模型输出的,用于表征所述组织图像的图像特征;将所述图像特征分别输入所述清洁度子模型和所述取整子模型,以得到所述清洁度子模型输出的清洁度向量,和所述取整子模型输出的取整向量;根据所述清洁度向量,确定所述初始清洁度,并根据所述取整向量,确定所述目标取整方式。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述根据所述清洁度向量,确定所述初始清洁度,包括:根据所述清洁度向量,确定所述组织图像与多种清洁度类型的匹配概率;根据每种所述清洁度类型对应的权重,和所述组织图像与多种所述清洁度类型的匹配概率,确定所述初始清洁度;所述根据所述取整向量,确定所述目标取整方式,包括:根据所述取整向量,确定所述组织图像与多种取整方式的匹配概率;根据所述组织图像与多种所述取整方式的匹配概率,在多种所述取整方式中确定所述目标取整方式。
根据本公开的一个或多个实施例,示例4提供了示例2的方法,所述识别模型是通过以下方式训练得到的:获取第一样本输入集和第一样本输出集,所述第一样本输入集包括:多个第一样本输入,每个所述第一样本输入包括样本组织图像,所述第一样本输出集中包括与每个所述第一样本输入对应的第一样本输出,每个所述第一样本输出包括对应的所述样本组织图像的真实清洁度;将所述第一样本输入集作为所述识别模型的输入,将所述第一样本输出集作为所述识别模型的输出,以训练所述识别模型;所述识别模型的损失,根据清洁度损失和取整损失确定,所述清洁度损失根据所述清洁度子模型的输出与所述第一样本输出集确定,所述取整损失根据所述取整子模型的输出与所述第一样本输出集确定。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,每个所述样本组织图像包括多个清洁度标签,该样本组织图像的真实清洁度根据该样本组织图像的多个所述清洁度标签确定,该样本组织图像的一致度根据该样本组织图像的多个所述清洁度标签中,与所述真实清洁度匹配的所述清洁度标签的数量确定;所述第一样本输出还包括对应的所述样本组织图像的一致度;所述清洁度损失根据所述清洁度子模型的输出、每个所述第一样本输入中包括的所述真实清洁度和所述一致度确定。
根据本公开的一个或多个实施例,示例6提供了示例1的方法,在所述根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式之前,所述方法还包括:利用预先训练的分类模型对所述组织图像进行分类,以确定所述组织图像的目标类型;所述根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,包括:若所述目标类型指示所述组织图像的质量满足预设条件,根据所述组织图像和所述识别模型,确定所述初始清洁度和所述目标取整方式。
根据本公开的一个或多个实施例,示例7提供了示例6的方法,所述分类模型包括:编码器和分类层,所述利用预先训练的分类模型对所述组织图像进行分类,以确定所述组织图像的目标类型,包括:对所述组织图像进行预处理,并将预处理后的所述组织图像划分为大小相等的多个子图像;根据每个所述子图像对应的图像向量,和该子图像对应的位置向量,确定该子图像对应的令牌,所述位置向量用于指示该子图像在预处理后的所述组织图像中的位置;将每个所述子图像对应的令牌,和所述组织图像对应的令牌输入编码器,以得到每个子图像对应的局部编码向量,和所述组织图像对应的全局编码向量;将所述全局编码向量和多个所述局部编码向量输入分类层,以得到所述分类层输出的所述目标类型。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,所述分类模型是通过以下方式训练得到的:获取第二样本输入集和第二样本输出集,所述第二样本输入集包括:多个第二样本输入,每个所述第二样本输入包括样本组织图像,所述第二样本输出集中包括与每个所述第二样本输入对应的第二样本输出,每个所述第二样本输出包括对应的所述样本组织图像的真实类型;将所述第二样本输入集作为所述分类模型的输入,将所述第二样本输出集作为所述分类模型的输出,以训练所述分类模型。
根据本公开的一个或多个实施例,示例9提供了一种组织腔清洁度的确定装置,包括:获取模块,用于获取内窥镜采集的组织图像;识别模块,用于根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;取整模块,用于按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型。
根据本公开的一个或多个实施例,示例10提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例8中所述方法的步骤。
根据本公开的一个或多个实施例,示例11提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例8中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种组织腔清洁度的确定方法,其特征在于,所述方法包括:
获取内窥镜采集的组织图像;
根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;
按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型;
所述识别模型包括:特征提取子模型、清洁度子模型和取整子模型;所述根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,包括:
将所述组织图像输入所述特征提取子模型,以得到所述特征提取子模型输出的,用于表征所述组织图像的图像特征;
将所述图像特征分别输入所述清洁度子模型和所述取整子模型,以得到所述清洁度子模型输出的清洁度向量,和所述取整子模型输出的取整向量;
根据所述清洁度向量,确定所述初始清洁度,并根据所述取整向量,确定所述目标取整方式。
2.根据权利要求1所述的方法,其特征在于,所述根据所述清洁度向量,确定所述初始清洁度,包括:
根据所述清洁度向量,确定所述组织图像与多种清洁度类型的匹配概率;
根据每种所述清洁度类型对应的权重,和所述组织图像与多种所述清洁度类型的匹配概率,确定所述初始清洁度;
所述根据所述取整向量,确定所述目标取整方式,包括:
根据所述取整向量,确定所述组织图像与多种取整方式的匹配概率;
根据所述组织图像与多种所述取整方式的匹配概率,在多种所述取整方式中确定所述目标取整方式。
3.根据权利要求1所述的方法,其特征在于,所述识别模型是通过以下方式训练得到的:
获取第一样本输入集和第一样本输出集,所述第一样本输入集包括:多个第一样本输入,每个所述第一样本输入包括样本组织图像,所述第一样本输出集中包括与每个所述第一样本输入对应的第一样本输出,每个所述第一样本输出包括对应的所述样本组织图像的真实清洁度;
将所述第一样本输入集作为所述识别模型的输入,将所述第一样本输出集作为所述识别模型的输出,以训练所述识别模型;
所述识别模型的损失,根据清洁度损失和取整损失确定,所述清洁度损失根据所述清洁度子模型的输出与所述第一样本输出集确定,所述取整损失根据所述取整子模型的输出与所述第一样本输出集确定。
4.根据权利要求3所述的方法,其特征在于,每个所述样本组织图像包括多个清洁度标签,该样本组织图像的真实清洁度根据该样本组织图像的多个所述清洁度标签确定,该样本组织图像的一致度根据该样本组织图像的多个所述清洁度标签中,与所述真实清洁度匹配的所述清洁度标签的数量确定;所述第一样本输出还包括对应的所述样本组织图像的一致度;
所述清洁度损失根据所述清洁度子模型的输出、每个所述第一样本输入中包括的所述真实清洁度和所述一致度确定。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式之前,所述方法还包括:
利用预先训练的分类模型对所述组织图像进行分类,以确定所述组织图像的目标类型;
所述根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,包括:
若所述目标类型指示所述组织图像的质量满足预设条件,根据所述组织图像和所述识别模型,确定所述初始清洁度和所述目标取整方式。
6.根据权利要求5所述的方法,其特征在于,所述分类模型包括:编码器和分类层,所述利用预先训练的分类模型对所述组织图像进行分类,以确定所述组织图像的目标类型,包括:
对所述组织图像进行预处理,并将预处理后的所述组织图像划分为大小相等的多个子图像;
根据每个所述子图像对应的图像向量,和该子图像对应的位置向量,确定该子图像对应的令牌,所述位置向量用于指示该子图像在预处理后的所述组织图像中的位置;
将每个所述子图像对应的令牌,和所述组织图像对应的令牌输入编码器,以得到每个子图像对应的局部编码向量,和所述组织图像对应的全局编码向量;
将所述全局编码向量和多个所述局部编码向量输入分类层,以得到所述分类层输出的所述目标类型。
7.根据权利要求6所述的方法,其特征在于,所述分类模型是通过以下方式训练得到的:
获取第二样本输入集和第二样本输出集,所述第二样本输入集包括:多个第二样本输入,每个所述第二样本输入包括样本组织图像,所述第二样本输出集中包括与每个所述第二样本输入对应的第二样本输出,每个所述第二样本输出包括对应的所述样本组织图像的真实类型;
将所述第二样本输入集作为所述分类模型的输入,将所述第二样本输出集作为所述分类模型的输出,以训练所述分类模型。
8.一种组织腔清洁度的确定装置,其特征在于,所述装置包括:
获取模块,用于获取内窥镜采集的组织图像;
识别模块,用于根据所述组织图像和预先训练的识别模型,确定初始清洁度和目标取整方式,所述初始清洁度为浮点型;
取整模块,用于按照所述目标取整方式,对所述初始清洁度进行取整,以得到所述组织图像的清洁度,所述清洁度为整型;
所述识别模型包括:特征提取子模型、清洁度子模型和取整子模型;所述识别模块包括:
特征提取子模块,用于将所述组织图像输入所述特征提取子模型,以得到所述特征提取子模型输出的,用于表征所述组织图像的图像特征;
处理子模块,用于将所述图像特征分别输入所述清洁度子模型和所述取整子模型,以得到所述清洁度子模型输出的清洁度向量,和所述取整子模型输出的取整向量;
确定子模块,用于根据所述清洁度向量,确定所述初始清洁度,并根据所述取整向量,确定所述目标取整方式。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111033610.8A CN113470030B (zh) | 2021-09-03 | 2021-09-03 | 组织腔清洁度的确定方法、装置、可读介质和电子设备 |
PCT/CN2022/114259 WO2023030097A1 (zh) | 2021-09-03 | 2022-08-23 | 组织腔清洁度的确定方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111033610.8A CN113470030B (zh) | 2021-09-03 | 2021-09-03 | 组织腔清洁度的确定方法、装置、可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470030A CN113470030A (zh) | 2021-10-01 |
CN113470030B true CN113470030B (zh) | 2021-11-23 |
Family
ID=77867368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111033610.8A Active CN113470030B (zh) | 2021-09-03 | 2021-09-03 | 组织腔清洁度的确定方法、装置、可读介质和电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113470030B (zh) |
WO (1) | WO2023030097A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470030B (zh) * | 2021-09-03 | 2021-11-23 | 北京字节跳动网络技术有限公司 | 组织腔清洁度的确定方法、装置、可读介质和电子设备 |
CN113487609B (zh) * | 2021-09-06 | 2021-12-07 | 北京字节跳动网络技术有限公司 | 组织腔体的定位方法、装置、可读介质和电子设备 |
CN113658178B (zh) * | 2021-10-14 | 2022-01-25 | 北京字节跳动网络技术有限公司 | 组织图像的识别方法、装置、可读介质和电子设备 |
CN114332019B (zh) * | 2021-12-29 | 2023-07-04 | 小荷医疗器械(海南)有限公司 | 内窥镜图像检测辅助***、方法、介质和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295715A (zh) * | 2016-08-22 | 2017-01-04 | 电子科技大学 | 一种基于bp神经网络分类器的白带清洁度自动分类方法 |
CN111127426A (zh) * | 2019-12-23 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的胃黏膜清洁度评价方法及*** |
CN111932532A (zh) * | 2020-09-21 | 2020-11-13 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
CN112686162A (zh) * | 2020-12-31 | 2021-04-20 | 北京每日优鲜电子商务有限公司 | 仓库环境整洁状态的检测方法、装置、设备和存储介质 |
CN113240042A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 图像分类预处理、图像分类方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017055412A1 (en) * | 2015-09-30 | 2017-04-06 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
CN110266914B (zh) * | 2019-07-23 | 2021-08-24 | 北京小米移动软件有限公司 | 图像拍摄方法、装置及计算机可读存储介质 |
CN113012162A (zh) * | 2021-03-08 | 2021-06-22 | 重庆金山医疗器械有限公司 | 一种内窥镜检查区域的清洁度检测方法、装置及相关设备 |
CN113470030B (zh) * | 2021-09-03 | 2021-11-23 | 北京字节跳动网络技术有限公司 | 组织腔清洁度的确定方法、装置、可读介质和电子设备 |
-
2021
- 2021-09-03 CN CN202111033610.8A patent/CN113470030B/zh active Active
-
2022
- 2022-08-23 WO PCT/CN2022/114259 patent/WO2023030097A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295715A (zh) * | 2016-08-22 | 2017-01-04 | 电子科技大学 | 一种基于bp神经网络分类器的白带清洁度自动分类方法 |
CN111127426A (zh) * | 2019-12-23 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的胃黏膜清洁度评价方法及*** |
CN111932532A (zh) * | 2020-09-21 | 2020-11-13 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
CN112686162A (zh) * | 2020-12-31 | 2021-04-20 | 北京每日优鲜电子商务有限公司 | 仓库环境整洁状态的检测方法、装置、设备和存储介质 |
CN113240042A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技(深圳)有限公司 | 图像分类预处理、图像分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023030097A1 (zh) | 2023-03-09 |
CN113470030A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113470030B (zh) | 组织腔清洁度的确定方法、装置、可读介质和电子设备 | |
CN109523532B (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
CN113487609B (zh) | 组织腔体的定位方法、装置、可读介质和电子设备 | |
CN113487608B (zh) | 内窥镜图像检测方法、装置、存储介质及电子设备 | |
CN113470031B (zh) | 息肉分型方法、模型训练方法及相关装置 | |
CN110689025A (zh) | 图像识别方法、装置、***及内窥镜图像识别方法、装置 | |
CN113658178B (zh) | 组织图像的识别方法、装置、可读介质和电子设备 | |
CN113470029B (zh) | 训练方法及装置、图像处理方法、电子设备和存储介质 | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
CN113469295B (zh) | 生成模型的训练方法、息肉识别方法、装置、介质及设备 | |
CN113496512B (zh) | 用于内窥镜的组织腔体定位方法、装置、介质及设备 | |
CN114782760B (zh) | 一种基于多任务学习的胃部疾病图片分类*** | |
CN114419400B (zh) | 图像识别模型的训练方法、识别方法、装置、介质和设备 | |
WO2023125008A1 (zh) | 基于人工智能的内窥镜图像处理方法、装置、介质及设备 | |
CN111325709A (zh) | 无线胶囊内窥镜图像检测***及检测方法 | |
CN114399465A (zh) | 良恶性溃疡识别方法及*** | |
CN112884702B (zh) | 一种基于内窥镜图像的息肉识别***和方法 | |
CN114429458A (zh) | 内窥镜图像的处理方法、装置、可读介质和电子设备 | |
CN114332080B (zh) | 组织腔体的定位方法、装置、可读介质和电子设备 | |
CN114495176B (zh) | 组织图像的识别方法、装置、可读介质和电子设备 | |
CN114937178B (zh) | 基于多模态的图像分类方法、装置、可读介质和电子设备 | |
CN113470026B (zh) | 息肉识别方法、装置、介质及设备 | |
CN116434287A (zh) | 一种人脸图像检测方法、装置、电子设备及存储介质 | |
CN111353536B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
CN112991266A (zh) | 用于小样本医疗影像的语义分割方法及*** |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20211001 Assignee: Xiaohe medical instrument (Hainan) Co.,Ltd. Assignor: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Contract record no.: X2021990000694 Denomination of invention: Method, device, readable medium and electronic equipment for determining cleanliness of tissue cavity License type: Common License Record date: 20211117 |