CN114587416A - 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断*** - Google Patents
基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断*** Download PDFInfo
- Publication number
- CN114587416A CN114587416A CN202210238095.5A CN202210238095A CN114587416A CN 114587416 A CN114587416 A CN 114587416A CN 202210238095 A CN202210238095 A CN 202210238095A CN 114587416 A CN114587416 A CN 114587416A
- Authority
- CN
- China
- Prior art keywords
- gastrointestinal
- submucosal
- tumor
- diagnosis
- type
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 82
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 210000001035 gastrointestinal tract Anatomy 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 230000002496 gastric effect Effects 0.000 claims abstract description 57
- 238000002604 ultrasonography Methods 0.000 claims abstract description 39
- 206010072581 Gastrointestinal submucosal tumour Diseases 0.000 claims abstract description 23
- 210000004876 tela submucosa Anatomy 0.000 claims abstract description 23
- 239000012634 fragment Substances 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 208000035269 cancer or benign tumor Diseases 0.000 claims 2
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 19
- 239000000523 sample Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 8
- 238000009558 endoscopic ultrasound Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 210000002784 stomach Anatomy 0.000 description 5
- 206010024612 Lipoma Diseases 0.000 description 4
- 238000001839 endoscopy Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 201000010260 leiomyoma Diseases 0.000 description 4
- 201000011519 neuroendocrine tumor Diseases 0.000 description 4
- 206010011732 Cyst Diseases 0.000 description 3
- 206010052399 Neuroendocrine tumour Diseases 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 208000031513 cyst Diseases 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 208000007538 neurilemmoma Diseases 0.000 description 3
- 208000016065 neuroendocrine neoplasm Diseases 0.000 description 3
- 210000000496 pancreas Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010039667 schwannoma Diseases 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 208000003200 Adenoma Diseases 0.000 description 2
- 206010001233 Adenoma benign Diseases 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003238 esophagus Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000004877 mucosa Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010006500 Brucellosis Diseases 0.000 description 1
- 208000018142 Leiomyosarcoma Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 201000002222 hemangioblastoma Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 208000037819 metastatic cancer Diseases 0.000 description 1
- 208000011575 metastatic malignant neoplasm Diseases 0.000 description 1
- 208000025402 neoplasm of esophagus Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30—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
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明属于深度学习领域,提供了一种基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其包括超声视频片段获取模块,其用于获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;肿瘤类型预测模块,其用于基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;肿瘤诊断及位置确定模块,其用于筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
Description
技术领域
本发明属于深度学习领域,尤其涉及一种基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
消化道黏膜下肿瘤(SMT)是指起源于消化道黏膜层以下各层(主要包括黏膜肌层、黏膜下层、固有肌层)的***性病变。粘膜下肿瘤的病理组织学类型复杂,根据不同病理类型,需选择不同处理方式,因此,早期、正确的识别粘膜下肿瘤的类型十分重要。超声内镜(EUS)是目前评估消化道黏膜下肿瘤最准确的影像学检查方法,对于消化道各种类型粘膜下肿瘤的鉴别诊断以及对肿瘤的定位和选择治疗方法方面均有重要作用。研究显示,超声内镜鉴别粘膜下肿瘤良、恶性的敏感度和特异度分别为64%和80%;且对于肿瘤直径<2cm的病变要优于电子计算机断层扫描(CT)和核磁共振成像(MRI)等检查。但超声内镜具有以下局限性:(1)超声内镜检查中,各类型粘膜下肿瘤的超声图像没有明确的鉴别诊断标准,完全依靠操作者的经验来识别病变并做出分类诊断。所以不同水平操作者之间,甚至同一操作者进行的两次检查,都可能做出不同的分类诊断,诊断一致性较差;(2)超声成像的干扰因素较多,易产生伪影,影响操作者观察;(3)超声内镜扫查过程中,超声图像处于动态变化的状态,图像变化速度非常快,在检查过程中很难迅速准确地对粘膜下肿瘤进行识别和定位。
现有技术中提出了针对间质瘤和平滑肌瘤辅助鉴别的二分类人工智能诊断***,但临床实践中粘膜下肿瘤组织病理学复杂,类型多种多样。发明人发现,现有的二分类诊断***根本无法解决临床实践中面临的粘膜下肿瘤多分类问题,难以应用于临床工作。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其能够解决临床实践中面临的粘膜下肿瘤区域定位和多分类问题,提高超声内镜下诊断胃肠道粘膜下肿瘤的灵敏度及特异度,以辅助超声内镜操作者在检查过程中对黏膜下肿瘤进行识别、定位和分类诊断。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其包括:
超声视频片段获取模块,其用于获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
肿瘤类型预测模块,其用于基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
肿瘤诊断及位置确定模块,其用于筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
本发明的第二个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
本发明的第三个方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其基于诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测,将胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型作为胃肠道粘膜下肿瘤诊断类型,同时能够准确标注出该肿瘤诊断类型的所在位置,实现了胃肠道粘膜下肿瘤多分类的准确性,解决了现有的二分类诊断***根本无法解决临床实践中面临的粘膜下肿瘤多分类问题,提高了超声内镜下诊断胃肠道粘膜下肿瘤的灵敏度及特异度,能够辅助超声内镜操作者在检查过程中对黏膜下肿瘤进行识别、定位和分类诊断。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***的结构图;
图2(a)-图2(b)是本发明实施例的胃肠道粘膜下肿瘤超声图像真实病例示例图;
图3是本发明实施例的胃肠道粘膜下肿瘤超声图像标注实例;
图4是本发明实施例的胃肠道粘膜下肿瘤超声图像标注训练集的分布;
图5是本发明实施例的胃肠道粘膜下肿瘤超声图像数据增强示例图;
图6是本发明实施例的CSP-block结构图;
图7是本发明实施例的Backbone的结构图;
图8(a)-图8(f)是本发明实施例的FPN系列结构示意图;
图9是本发明实施例的Head部分的结构图;
图10是本发明实施例的胃肠道粘膜下超声图像的肿瘤类型及其位置。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
超声图像的成像原理:
超声图像需要三个步骤:发射声波,接收反射声波,信号分析处理得到图像;超声波探头是通过压电陶瓷换能器发射超声波,不同的探头能够发射的声波频率不同。声学超声波的频率一般在2-13MHz,声波频率越高衍射越弱,成像分辨率越高;但与此同时,频率越高,声波衰减也越快,穿透的深度也越小。因此,在探测心脏的时候,只能用频率较低的声波,否则探测的深度不厚,此时的成像效果会差一些;而在探测颈动脉,股动脉等表皮下方的血管时,就用频率高的声波,此时的成像清晰。临床试验中采用的心脏探头为2-4MHz,血管探头为10MHz。而接受反射波的依旧是同一个超声探头,压电陶瓷换能器将声波信号转换为电信号,之后电脑上的***进行信号处理成像。对于B型超声波显示的是探头面向的组织切面的二维灰度图。我们知道确定二维灰度图上的每个点需要3个信息(x,y,灰度),由于超声波在人体内接触到组织会反射,不同的组织声阻抗不同,根据接收到的回波反射率计算得到的声阻抗,对应于图像上的灰度(比如血管壁的组织声阻抗差不多,在图像上的灰度值就差不多,就可以在超声下看到血管的形状),假设探头是1维的,那么探头上每一个探针的位置就对应1个横坐标x,纵坐标是由发射和接收声波的时间差决定的,假设声波在人体传播的速度相同,那么时间越长表示反射组织的位置越深,由后得到的灰度图,可以看到组织轮廓,并可以进行测量,如血管的直径,面积,EUS的成像原理即是上述描述的过程,其成像结果如图2(a)-图2(b)所示。
实施例一
如图1所示,本实施例的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其具体包括如下模块:
(1)超声视频片段获取模块,其用于获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成。
(2)肿瘤类型预测模块,其用于基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测。
在具体实施过程中,所述诊断模型由有Backbone、Neck和Head三部分构成,所述Backbone部分用于从各帧胃肠道粘膜下超声图像中提取特征,所述Neck部分用于融合所述Backbone部分提取的特征,所述Head部分用于基于所述Neck部分融合的特征耦合预测得到肿瘤类型标签(label)概率及其对应的边界框位置(bounding box的坐标)。其中,Head部分结构如图9所示。
其中,所述Backbone部分由若干个重复的CSP-block结构串联构成,每个CSP-block结构由CBW结构和RES结构构成,如图6所示。图6中的CSP-block也可应用在不同的网络结构中,比如DenseNet,ResNet,SE-Net等等,其基本构成方式有2部分分别为CBW和RES,CBW是卷积(Conv),批标准化(BN)和Swish激活函数构成的基本单元;RES本质是一个残差结构其中一个分支由2个CBW模块串联,然后另一个恒等变换的分支与之进行逐元素相加(add)作为该结构的output。有了上述两个基本结构,我们定义CSP-block_x,CSP-block_x表示该CSP-block结构中的某些基本结构有x个重复的串联结构实现,如图6所示,CSP-block_x其中一个主要分支是由x个CBW结构和x个RES结构构成。
这里需要说明的是,x可以很好的控制网络结构的复杂度和深度,更好的兼容不同硬件的部署,本发明实施例建议x=2或3。
如图7所示,所述Backbone部分的基本结构是由CSP-block_x构成的。
图8(a)-图8(f)为FPN系列结构示意图。其中,图8(a)为FPN结构,图8(b)为PANet结构,图8(c)为NAS-FPN结构,图8(d)为Fully-connected FPN结构,图8(e)为Simplified FPN结构,图8(f)为BiFPN结构。为了兼顾大小目标的检测精度,所述Neck部分采用BiFPN结构,如图8(f)所示。其中,不同特征提取阶段分别有P1-P5的结点输出,随着网络深度的变化,浅层网络的特征图小,对于小目标的检测效果相对较好比如这里的P1输出结点,深层网络的特征图大,对于大目标的检测效果较好比如这里的P5输出结点。
Neck部分的作用就是更好地融合/提取backbone所给出的feature,从而提高网络的性能,兼顾小目标,中等目标,大目标和超大目标的检测和识别。这部分除了使用本发明实施例介绍的FPN类型的结构外还有诸如ASFF,RFB,SPP等模块。
在具体实施过程中,在所述诊断模型训练之前,还包括构建训练样本集,所述训练样本集由若干标注的胃肠道粘膜下超声图像构成。
消化道粘膜下肿瘤(SMT)的超声内镜表现不论食管,胃,结直肠都是类似的,但是疾病谱有所不同,总体可以分成两大类:
a:偏良性的SMT比如平滑肌瘤,脂肪瘤,颗粒细胞瘤,施万细胞瘤/神经鞘瘤,异位胰腺,布氏腺腺瘤,囊肿;
b:偏恶性的SMT比如间质瘤:低危,高危神经内分泌肿瘤低危,高危血管球瘤,平滑肌肉瘤,消化道转移癌或呈SMT表现的原发癌。
其一般的规律性为:
1)布氏腺腺瘤只存在于十二指肠;
2)食管的SMT平滑肌瘤最常见;
3)神经内分泌肿瘤多见于直肠,其次是胃,白光下呈黄色,表面可见微血管;
4)间质瘤最好发于胃,结直肠少见,食管最少见;
5)异位胰腺多数见于胃窦,白光下可见病变中央有脐样凹陷;
6)颗粒细胞瘤常见于食管,白光下呈淡黄色;
7)脂肪瘤常见于结肠,其次是胃窦,白光内镜呈黄色;
8)神经鞘瘤多见于胃,其次为结直肠。
基于开源的标注工具LabelImg,标注平滑肌瘤(Liomyoma),脂肪瘤(Lipoma),异位胰腺(Pancreatic Rest),间质瘤(GIST),囊肿(Cyst),神经内分泌肿瘤(NET),消化道转移癌或呈SMT表现的原发癌(Cancer),其标注效果如图3所示,最终标注的数据分布如图4所示。
在一个或多个实施例中,构建训练样本集之后,还包括:对训练样本集中的样本数据进行增强操作。
其中,数据增强的目的是:提升特征的鲁棒性与模型的泛化性。一般来讲,数据增强是可以提升模型性能,但是并不是所有方法都成立,要考虑性价比。数据增强与数据集和任务存在一定关联性。色彩增强对分类问题有效、翻转等对目标检测有效。
具体地,数据增强可采用如下操作方式:
A.数据增强-基于pixel:
亮度:像均值反应。也就是改变了图像的均值。
对比度:均值不变的情况下,缩放差别。也就是图像均值不变,各色彩的方差增大。
颜色饱和度:RGB转向HSV,再增加饱和度。
B.数据增强-基于位置变换:如:水平或垂直翻转,平移,旋转,缩放,剪裁。
C.数据增强-其他:如Mixup方法,两个目标融合成一个目标,Cutout随机丢弃图像中的一部分,就相当于针对遮挡问题的增强。在图像中随机找到一个部分,像素全部置0,CutMix,Mosaic。
上述的数据增强方法在训练过程中分别以分层随机的概率进行增强,并且在每个训练批次中仅对图像中的30%进行数据增强操作。其随机增强的效果如图5所示。
本实施例采用深度学习的训练方式比如后向传播,采用SGD作为优化器,为了避免过拟合问题,我们采用label smoothing,L2正则化和Early Stopping的方式,损失函数方面分类损失采用Focal Loss,回归损失采用CIoU Loss,在V100显卡上训练Epoch=300,初始学习率设为0.001,wormup设为1,采用余弦学习率衰减方式训练模型。
(3)肿瘤诊断及位置确定模块,其用于筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。最终的预测和推断结果展示如图10所示。
本实施例通过人工智能辅助诊断的方式,对EUS下多种SMT进行多目标检测,其检测精度如表1所示:
表1检测精度
通过表1可看出:本实施例的该诊断模型识别精度高,并且对硬件依赖度低,无论从识别精度还是识别速度及硬件成本考虑,该发明实施例均可实时完成EUS检查过程中的SMT辅助多目标检测诊断的需求。
为了消除目前目标检测类问题带来的通用的问题:部分假阳性目标误识别的问题,在后处理部分本发明实施例增加了基于视频帧的时序判断,该方式仅存在于EUS(超声内镜)检查过程中的SMT(消化道黏膜下肿瘤)诊断过程,而无需在训练阶段标注大量的基于视频帧的标注数据实现。其主要的实现逻辑是基于视频片段中每一帧的检测结果,统计该视频片段中检测到的各类别SMT的病灶个数,最终的诊断模型在该视频片段的预测结果是预测病灶个数最高的SMT类别和对应的该类别所在的位置。这种基于视频帧的后处理方式的优点是简单,并且可以有效的减少目标检测中因特征表达原因导致的假阳性误识别。
实施例二
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
其中,所述诊断模型由有Backbone、Neck和Head三部分构成,所述Backbone部分用于从各帧胃肠道粘膜下超声图像中提取特征,所述Neck部分用于融合所述Backbone部分提取的特征,所述Head部分用于基于所述Neck部分融合的特征耦合预测得到肿瘤类型标签概率及其对应的边界框位置。
此处需要说明的是,本实施例中的各个步骤与实施例一中的各个模块,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
其中,所述诊断模型由有Backbone、Neck和Head三部分构成,所述Backbone部分用于从各帧胃肠道粘膜下超声图像中提取特征,所述Neck部分用于融合所述Backbone部分提取的特征,所述Head部分用于基于所述Neck部分融合的特征耦合预测得到肿瘤类型标签概率及其对应的边界框位置。
此处需要说明的是,本实施例中的各个步骤与实施例一中的各个模块,其具体实施过程相同,此处不再累述。
本发明是参照本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其特征在于,包括:
超声视频片段获取模块,其用于获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
肿瘤类型预测模块,其用于基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
肿瘤诊断及位置确定模块,其用于筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
2.如权利要求1所述的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其特征在于,所述诊断模型由有Backbone、Neck和Head三部分构成,所述Backbone部分用于从各帧胃肠道粘膜下超声图像中提取特征,所述Neck部分用于融合所述Backbone部分提取的特征,所述Head部分用于基于所述Neck部分融合的特征耦合预测得到肿瘤类型标签概率及其对应的边界框位置。
3.如权利要求2所述的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其特征在于,所述Backbone部分由若干个重复的CSP-block结构串联构成,每个CSP-block结构由CBW结构和RES结构构成。
4.如权利要求2所述的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其特征在于,所述Neck部分采用BiFPN结构。
5.如权利要求1所述的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其特征在于,在所述诊断模型训练之前,还包括构建训练样本集,所述训练样本集由若干标注的胃肠道粘膜下超声图像构成。
6.如权利要求5所述的基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断***,其特征在于,构建训练样本集之后,还包括:对训练样本集中的样本数据进行增强操作。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
8.如权利要求7所述的计算机可读存储介质,其特征在于,所述诊断模型由有Backbone、Neck和Head三部分构成,所述Backbone部分用于从各帧胃肠道粘膜下超声图像中提取特征,所述Neck部分用于融合所述Backbone部分提取的特征,所述Head部分用于基于所述Neck部分融合的特征耦合预测得到肿瘤类型标签概率及其对应的边界框位置。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
获取胃肠道粘膜下超声视频片段;其中,所述胃肠道粘膜下超声视频片段由若干帧具有时间序列的胃肠道粘膜下超声图像构成;
基于训练好的诊断模型按照时间序列逐帧对胃肠道粘膜下超声图像的肿瘤类型进行预测;
筛选出胃肠道粘膜下超声视频片段中预测的病灶个数最高的肿瘤类型,作为胃肠道粘膜下肿瘤诊断类型,并标注出该肿瘤诊断类型的所在位置。
10.如权利要求9所述的电子设备,其特征在于,所述诊断模型由有Backbone、Neck和Head三部分构成,所述Backbone部分用于从各帧胃肠道粘膜下超声图像中提取特征,所述Neck部分用于融合所述Backbone部分提取的特征,所述Head部分用于基于所述Neck部分融合的特征耦合预测得到肿瘤类型标签概率及其对应的边界框位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238095.5A CN114587416A (zh) | 2022-03-10 | 2022-03-10 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238095.5A CN114587416A (zh) | 2022-03-10 | 2022-03-10 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114587416A true CN114587416A (zh) | 2022-06-07 |
Family
ID=81817363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238095.5A Pending CN114587416A (zh) | 2022-03-10 | 2022-03-10 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114587416A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730489A (zh) * | 2017-10-09 | 2018-02-23 | 杭州电子科技大学 | 无线胶囊内窥镜小肠病变计算机辅助检测***及检测方法 |
CN109446627A (zh) * | 2018-10-22 | 2019-03-08 | 青岛美迪康数字工程有限公司 | 内窥镜图像识别方法及装置 |
CN110974306A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学齐鲁医院 | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的*** |
CN111931792A (zh) * | 2020-08-12 | 2020-11-13 | 桂林电子科技大学 | 一种基于目标检测的瑶族纹样符号识别方法 |
CN112434672A (zh) * | 2020-12-18 | 2021-03-02 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
CN112699900A (zh) * | 2021-01-05 | 2021-04-23 | 东北林业大学 | 一种改进YOLOv4的交通标志识别方法 |
CN112699948A (zh) * | 2020-12-31 | 2021-04-23 | 无锡祥生医疗科技股份有限公司 | 超声乳腺病灶的分类方法、装置及存储介质 |
CN112734641A (zh) * | 2020-12-31 | 2021-04-30 | 百果园技术(新加坡)有限公司 | 目标检测模型的训练方法、装置、计算机设备及介质 |
CN112801958A (zh) * | 2021-01-18 | 2021-05-14 | 青岛大学附属医院 | 超声内镜、人工智能辅助鉴别方法、***、终端、介质 |
US20210259660A1 (en) * | 2018-06-29 | 2021-08-26 | Koninklijke Philips N.V. | Biopsy prediction and guidance with ultrasound imaging and associated devices, systems, and methods |
CN113449654A (zh) * | 2021-07-01 | 2021-09-28 | 南京航空航天大学 | 一种基于深度模型和量化技术的智慧食堂食物检测方法 |
US20210370993A1 (en) * | 2020-05-27 | 2021-12-02 | University Of South Carolina | Computer vision based real-time pixel-level railroad track components detection system |
CN114067159A (zh) * | 2021-11-19 | 2022-02-18 | 东华大学 | 一种基于eus的粘膜下肿瘤细粒度分类方法 |
-
2022
- 2022-03-10 CN CN202210238095.5A patent/CN114587416A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730489A (zh) * | 2017-10-09 | 2018-02-23 | 杭州电子科技大学 | 无线胶囊内窥镜小肠病变计算机辅助检测***及检测方法 |
US20210259660A1 (en) * | 2018-06-29 | 2021-08-26 | Koninklijke Philips N.V. | Biopsy prediction and guidance with ultrasound imaging and associated devices, systems, and methods |
CN109446627A (zh) * | 2018-10-22 | 2019-03-08 | 青岛美迪康数字工程有限公司 | 内窥镜图像识别方法及装置 |
CN110974306A (zh) * | 2019-12-17 | 2020-04-10 | 山东大学齐鲁医院 | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的*** |
US20210370993A1 (en) * | 2020-05-27 | 2021-12-02 | University Of South Carolina | Computer vision based real-time pixel-level railroad track components detection system |
CN111931792A (zh) * | 2020-08-12 | 2020-11-13 | 桂林电子科技大学 | 一种基于目标检测的瑶族纹样符号识别方法 |
CN112434672A (zh) * | 2020-12-18 | 2021-03-02 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
CN112699948A (zh) * | 2020-12-31 | 2021-04-23 | 无锡祥生医疗科技股份有限公司 | 超声乳腺病灶的分类方法、装置及存储介质 |
CN112734641A (zh) * | 2020-12-31 | 2021-04-30 | 百果园技术(新加坡)有限公司 | 目标检测模型的训练方法、装置、计算机设备及介质 |
CN112699900A (zh) * | 2021-01-05 | 2021-04-23 | 东北林业大学 | 一种改进YOLOv4的交通标志识别方法 |
CN112801958A (zh) * | 2021-01-18 | 2021-05-14 | 青岛大学附属医院 | 超声内镜、人工智能辅助鉴别方法、***、终端、介质 |
CN113449654A (zh) * | 2021-07-01 | 2021-09-28 | 南京航空航天大学 | 一种基于深度模型和量化技术的智慧食堂食物检测方法 |
CN114067159A (zh) * | 2021-11-19 | 2022-02-18 | 东华大学 | 一种基于eus的粘膜下肿瘤细粒度分类方法 |
Non-Patent Citations (1)
Title |
---|
WENZE FAN,ET AL: "Research on Abnormal Target Detection Method in Chest Radiograph Based on YOLO v5 Algorithm", 2021 IEEE INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE,ELECTRONIC INFORMATION ENGINEERING AND INTELLIGENT CONTROL TECHNOLOGY(CEI), pages 125 - 128 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11633169B2 (en) | Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same | |
CN110325119B (zh) | 卵巢卵泡计数和大小确定 | |
US9060737B2 (en) | Ultrasonic diagnostic apparatus and ultrasonic image display method | |
US20090268952A1 (en) | Method and apparatus for automatically developing a high performance classifier for producing medically meaningful descriptors in medical diagnosis imaging | |
WO2019232346A1 (en) | Systems and media for automatically diagnosing thyroid nodules | |
CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
US9039620B2 (en) | Ultrasound diagnostic apparatus | |
CN111214255A (zh) | 一种医学超声图像计算机辅助诊断方法 | |
JP2005193017A (ja) | ***患部分類の方法及びシステム | |
KR20160118037A (ko) | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 | |
Yang et al. | A learning-based microultrasound system for the detection of inflammation of the gastrointestinal tract | |
CN113689424B (zh) | 可自动识别图像特征的超声检查***及识别方法 | |
CN111528914A (zh) | 一种图像处理方法和装置 | |
Liu et al. | Artificial intelligence: The new wave of innovation in EUS | |
Wijata et al. | Unbiased validation of the algorithms for automatic needle localization in ultrasound-guided breast biopsies | |
Rajinikanth et al. | Semi/fully-automated segmentation of gastric-polyp using aquila-optimization-algorithm enhanced images | |
KR101118211B1 (ko) | 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법 | |
CN108463174B (zh) | 用于表征对象的组织的装置和方法 | |
CN114587416A (zh) | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断*** | |
JP6710853B2 (ja) | プローブ型共焦点レーザー顕微内視鏡画像診断支援装置 | |
Ruano et al. | Robust descriptor of pancreatic tissue for automatic detection of pancreatic cancer in endoscopic ultrasonography | |
JP2023552330A (ja) | 個人が1つ又は複数の病害を有する可能性を予測すること | |
CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
CN113450325A (zh) | 一种甲状腺结节良恶性识别装置 | |
US20190142385A1 (en) | Ultrasonic observation apparatus, method of operating ultrasonic observation apparatus, and program for operating ultrasonic observation apparatus |
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 |