CN114581408A - 一种基于yolov5的胃镜息肉检测方法 - Google Patents
一种基于yolov5的胃镜息肉检测方法 Download PDFInfo
- Publication number
- CN114581408A CN114581408A CN202210213199.0A CN202210213199A CN114581408A CN 114581408 A CN114581408 A CN 114581408A CN 202210213199 A CN202210213199 A CN 202210213199A CN 114581408 A CN114581408 A CN 114581408A
- Authority
- CN
- China
- Prior art keywords
- detection
- gastroscope
- polyp
- model
- yolov5
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/273—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
- A61B1/2736—Gastroscopes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Gastroenterology & Hepatology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医疗图像处理技术领域,具体涉及一种基于YOLOV5的胃镜息肉检测方法,包括:步骤一:采集数据,从胃镜检测视频中截取发现息肉的图像帧作为样本,并对样本图像帧中的息肉位置进行标注;步骤二:划分数据集,将采集并做好标注的数据按4:1的比例随机分成训练集和测试集;步骤三:采用划分好的训练集基于YOLOV5的检测网络模型进行训练;步骤四:用测试集测试模型效果,检测模型是否符合工程指标;步骤五:生成检测结果,采用训练好的检测模型对胃镜图像进行识别,检测图像中是否存在息肉。本发明可以解决医生在直接观察的过程中,可能会因为疲劳或者经验不足忽略掉一些微小的病变,导致最终诊断不准确的情况发生的问题,具有较好的市场应用前景。
Description
技术领域
本发明属于医疗图像处理技术领域,具体涉及一种基于YOLOV5的胃镜息肉检测方法。
背景技术
胃息肉,是指胃黏膜表面长出的凸起状***状组织,较小时常无明显症状。胃息肉一般多为良性,无症状者不需治疗。增生息肉为非肿瘤性息肉,一般不会发生恶性病变。腺瘤性息肉癌变率可达30%-58.3%,活组织病理学检查确诊即宜手术治疗。胃息肉常无临床症状,诊断较为困难,一般都是在胃肠钡餐造影、胃镜检查或其他原因手术时偶然发现。胃镜是一种医学检查方法,也是指这种检查使用的器具。它借助一条纤细、柔软的管子伸入胃中,医生可以直接观察食道、胃和十二指肠的病变。但是,医生在直接观察的过程中,可能会因为疲劳或者经验不足忽略掉一些微小的病变,导致最终诊断不准确的情况发生。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的是在于提供一种基于YOLOV5的胃镜息肉检测方法,以解决医生在直接观察的过程中,可能会因为疲劳或者经验不足忽略掉一些微小的病变,导致最终诊断不准确的情况发生的问题。
为了实现上述目的,本发明提供了如下技术方案:
一种基于YOLOV5的胃镜息肉检测方法,包括以下步骤:
步骤一:采集数据,从胃镜检测视频中截取发现息肉的图像帧作为样本,并对样本图像帧中的息肉位置进行标注;
步骤二:划分数据集,将采集并做好标注的数据按4:1的比例随机分成训练集和测试集;
步骤三:训练网络,采用划分好的训练集基于YOLOV5的检测网络模型进行训练;
步骤四:测试网络效果,用测试集测试模型效果,检测模型是否符合工程指标;若是则结束训练,否则修改网络参数重新训练;
步骤五:生成检测结果,采用训练好的检测模型对胃镜图像进行识别,检测图像中是否存在息肉。
作为优选,所述步骤三中的基于YOLOV5的检测网络模型由主干backbone、Neck和输出模块output三个部分组成;其中,所述主干backbone包括BottleneckCSP模块和Focus模块;所述BottleneckCSP模块用于增强整个卷积神经网络学习性能;所述Focus模块用于对图片进行切片操作,将输入通道扩充为原来的4倍,并经过一次卷积得到下采样特征图;所述Neck中采用了FPN与PAN结合的结构,将常规的FPN层与自底向上的特征金字塔进行结合,将所提取的语义特征与位置特征进行融合,同时将主干层与检测层进行特征融合,使模型获取更加丰富的特征信息;所述输出模块output对图像特征进行预测,输出一个具有目标对象的类别概率、对象得分和该对象边界框的位置的向量。
作为优选,所述步骤四中的工程指标包括:判断检测模型是否能够准确识别出胃镜视频中存在的息肉;判断检测模型是否能够准确识别出息肉所出现的位置;判断检测模型是否能够及时对出现的息肉做出实时预警反馈。
与现有技术相比,本发明具有如下有益效果:
(1)本发明的基于YOLOV5的胃镜息肉检测方法,能够准确识别出胃镜视频中存在的息肉,并且准确识别出息肉出现的位置,可以避免医生在直接观察的过程中,可能会因为疲劳或者经验不足忽略掉一些微小的病变,导致最终诊断不准确的情况发生。
(2)本发明的基于YOLOV5的胃镜息肉检测方法,BottleneckCSP模块在增强整个卷积神经网络学习性能的同时大幅减少了计算量;Focus模块对图片进行切片操作,将输入通道扩充为原来的4倍,并经过一次卷积得到下采样特征图,在实现下采样的同时减少了计算量并提升了速度。
附图说明
图1是本发明的YOLOV5网络结构示意图。
具体实施方式
下面对本发明专利的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
在本发明的描述中,需要说明的是,如出现术语“中心”、“上”、“下”“左”、“右”、“竖直”、“水平”、“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,因此不能理解为对发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,如出现术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接相连,可以是两个元件内部的连接。对于本领域所属的技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参照附图,一种基于YOLOV5的胃镜息肉检测方法,包括以下步骤:
步骤一:采集数据,从胃镜检测视频中截取发现息肉的图像帧作为样本,并对样本图像帧中的息肉位置进行标注;
步骤二:划分数据集,将采集并做好标注的数据按4:1的比例随机分成训练集和测试集;
步骤三:训练网络,采用划分好的训练集基于YOLOV5的检测网络模型进行训练;
步骤四:测试网络效果,用测试集测试模型效果,检测模型是否符合工程指标;若是则结束训练,否则修改网络参数重新训练;所述工程指标包括:判断检测模型是否能够准确识别出胃镜视频中存在的息肉;判断检测模型是否能够准确识别出息肉所出现的位置;判断检测模型是否能够及时对出现的息肉做出实时预警反馈;
步骤五:生成检测结果,采用训练好的检测模型对胃镜图像进行识别,检测图像中是否存在息肉。
在本实施例中,步骤三中的基于YOLOV5的检测网络模型由主干backbone、Neck和输出模块output三个部分组成;其中,所述主干backbone包括BottleneckCSP模块和Focus模块;所述BottleneckCSP模块在增强整个卷积神经网络学习性能的同时大幅减少了计算量;所述Focus模块对图片进行切片操作,将输入通道扩充为原来的4倍,并经过一次卷积得到下采样特征图,在实现下采样的同时减少了计算量并提升了速度;所述Neck中采用了FPN与PAN结合的结构,将常规的FPN层与自底向上的特征金字塔进行结合,将所提取的语义特征与位置特征进行融合,同时将主干层与检测层进行特征融合,使模型获取更加丰富的特征信息;所述输出模块output对图像特征进行预测,输出一个具有目标对象的类别概率、对象得分和该对象边界框的位置的向量。
本发明的基于YOLOV5的胃镜息肉检测方法,通过对胃镜检测视频中截取的图片进行处理和识别,能够准确识别出胃镜视频中存在的息肉,并且准确识别出息肉出现的位置,可以解决医生在直接观察的过程中,可能会因为疲劳或者经验不足忽略掉一些微小的病变,导致最终诊断不准确的情况发生的问题,具有较好的市场应用前景。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (3)
1.一种基于YOLOV5的胃镜息肉检测方法,其特征在于,包括以下步骤:
步骤一:采集数据,从胃镜检测视频中截取发现息肉的图像帧作为样本,并对样本图像帧中的息肉位置进行标注;
步骤二:划分数据集,将采集并做好标注的数据按4:1的比例随机分成训练集和测试集;
步骤三:训练网络,采用划分好的训练集基于YOLOV5的检测网络模型进行训练;
步骤四:测试网络效果,用测试集测试模型效果,检测模型是否符合工程指标;若是则结束训练,否则修改网络参数重新训练;
步骤五:生成检测结果,采用训练好的检测模型对胃镜图像进行识别,检测图像中是否存在息肉。
2.根据权利要求1所述的基于YOLOV5的胃镜息肉检测方法,其特征在于,所述步骤三中的基于YOLOV5的检测网络模型由主干backbone、Neck和输出模块output三个部分组成;其中,所述主干backbone包括BottleneckCSP模块和Focus模块;所述BottleneckCSP模块用于增强整个卷积神经网络学习性能;所述Focus模块用于对图片进行切片操作,将输入通道扩充为原来的4倍,并经过一次卷积得到下采样特征图;所述Neck中采用了FPN与PAN结合的结构,将常规的FPN层与自底向上的特征金字塔进行结合,将所提取的语义特征与位置特征进行融合,同时将主干层与检测层进行特征融合,使模型获取更加丰富的特征信息;所述输出模块output对图像特征进行预测,输出一个具有目标对象的类别概率、对象得分和该对象边界框的位置的向量。
3.根据权利要求2所述的基于YOLOV5的胃镜息肉检测方法,其特征在于,所述步骤四中的工程指标包括:判断检测模型是否能够准确识别出胃镜视频中存在的息肉;判断检测模型是否能够准确识别出息肉所出现的位置;判断检测模型是否能够及时对出现的息肉做出实时预警反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213199.0A CN114581408A (zh) | 2022-03-04 | 2022-03-04 | 一种基于yolov5的胃镜息肉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213199.0A CN114581408A (zh) | 2022-03-04 | 2022-03-04 | 一种基于yolov5的胃镜息肉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581408A true CN114581408A (zh) | 2022-06-03 |
Family
ID=81779020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213199.0A Pending CN114581408A (zh) | 2022-03-04 | 2022-03-04 | 一种基于yolov5的胃镜息肉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581408A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187591A (zh) * | 2022-09-08 | 2022-10-14 | 深圳市资福医疗技术有限公司 | 一种病灶检测方法、***、设备及存储介质 |
-
2022
- 2022-03-04 CN CN202210213199.0A patent/CN114581408A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187591A (zh) * | 2022-09-08 | 2022-10-14 | 深圳市资福医疗技术有限公司 | 一种病灶检测方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6657480B2 (ja) | 画像診断支援装置、画像診断支援装置の作動方法および画像診断支援プログラム | |
KR102210806B1 (ko) | 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법 | |
JP7037220B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援システム、診断支援システムの作動方法、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
Pogorelov et al. | Deep learning and hand-crafted feature based approaches for polyp detection in medical videos | |
WO2018225448A1 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
WO2019245009A1 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
US20220172828A1 (en) | Endoscopic image display method, apparatus, computer device, and storage medium | |
JP7017198B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗*** | |
CN110189303B (zh) | 一种基于深度学习和图像增强的nbi图像处理方法及其应用 | |
WO2021054477A2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
CN112823396A (zh) | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 | |
WO2020215810A1 (zh) | 一种基于图像识别的结肠镜手术中窄带成像检测方法 | |
CN111839428A (zh) | 一种基于深度学习提高结肠镜腺瘤性息肉检出率的方法 | |
Wang et al. | Localizing and identifying intestinal metaplasia based on deep learning in oesophagoscope | |
CN117671573B (zh) | 基于胃镜图像的幽门螺旋杆菌的感染状态识别方法和装置 | |
CN116745861A (zh) | 通过实时影像获得的病变判断***的控制方法、装置及程序 | |
CN114581408A (zh) | 一种基于yolov5的胃镜息肉检测方法 | |
Bernal et al. | Building up the future of colonoscopy–a synergy between clinicians and computer scientists | |
Cao et al. | Automatic classification of images with appendiceal orifice in colonoscopy videos | |
Jhang et al. | Gastric Section correlation network for gastric precancerous lesion diagnosis | |
CN112734749A (zh) | 一种基于卷积神经网络模型的声带白斑辅助诊断*** | |
US20230162356A1 (en) | Diagnostic imaging device, diagnostic imaging method, diagnostic imaging program, and learned model | |
Kho et al. | Gastrointestinal endoscopy colour-based image processing technique for bleeding, lesion and reflux | |
CN118366645A (zh) | 一种基于胶囊内镜视频的克罗恩病自动诊断*** |
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 |