基于深度学习的消化道内壁病变类型智能识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于深度学习的消化道内壁病变类型智能识别方法及装置，该方法包括：将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息，病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。本发明专利技术实施例通过将待识别消化道内壁图像输入至病变类型识别模型，输出病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息，从而相对于人眼识别提高了识别效率，并且，病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响，提高了识别精度。

【技术实现步骤摘要】
基于深度学习的消化道内壁病变类型智能识别方法及装置
本专利技术实施例涉及图像识别领域，更具体地，涉及一种基于深度学习的消化道内壁病变类型智能识别方法及装置。
技术介绍
病变是指机体细胞、组织或者器官在致病因素作用下发生的局部或全身异常变化。机体细胞、组织或者器官在发生病变后，在病变的部位会产生病变组织。为了对病变组织进行研究，目前主要通过对机体的内镜检查来查找机体中的病变组织。在内镜检查中获得机体的内部图像后，相关技术中通过观察者人眼筛查内部图像中的异常区域来判断消化道内是否存在病变组织以及存在的病变组织的类型。但是，由于内部图像包含的信息量大，且受观察者识别能力等情况的影响，导致了对内部图片中病变组织类型的识别效率和识别精度较低。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习的消化道内壁病变类型智能识别方法及装置。根据本专利技术实施例的第一方面，提供一种消化道内壁病变类型识别方法，该方法包括：将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息，病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。本专利技术实施例提供的方法，通过将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息，从而相对于人眼识别提高了识别效率，并且，病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响，提高了识别精度。根据本专利技术实施例第二方面，提供了一种消化道内壁病变类型识别装置，该装置包括：识别模块，用于将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息，病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。根据本专利技术实施例的第三方面，提供了一种消化道内壁病变类型识别设备，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的消化道内壁病变类型识别方法。根据本专利技术实施例的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的消化道内壁病变类型识别方法。应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本专利技术实施例。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。图1为本专利技术实施例的一种消化道内壁病变类型识别方法的流程示意图；图2为本专利技术实施例的一种消化道内壁病变类型识别设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。消化道内壁的病变组织可由不同的原因引起，例如溃疡、炎症、出血、息肉和癌变等，不同原因引起的病变组织具有不同的类型。由于不同类型的病变组织的视觉外观并不相同，因此，可以通过视觉对病变组织的类型进行识别。但是，由于通过观察者人眼识别的方式识别病变组织类型受内镜检查操作、观察时间、摄像头拍摄的图片的质量以及观察者识别能力的影响，导致了识别效率和识别精度较低的问题。因此，本专利技术实施例提供一种消化道内壁病变类型识别方法，包括以下步骤：将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息，病变类型识别模型是基于样本消化道内壁图像及样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，待识别消化道内壁图像的格式与样本消化道内壁图像的格式相匹配。具体地，在将待识别消化道内壁图像输入至病变类型识别模型之前，可预先训练获得病变类型识别模型。应当说明的是，本专利技术实施例对病变类型识别模型的模型结构不作限定，包括但不限于任意基于深度学习中机器学习模型的建立思想所建立的神经网络模型。在模型训练过程中，应当保持每张样本消化道内壁图像的格式一致，从而能够获得识别精度较高的病变类型识别模型。本专利技术实施例对上述格式的参数类型不作限定，包括但不限于形状、尺寸和分辨率等用于定义图片的参数。病变类型识别结果包括无病变组织和/或病变组织的类型，其中，病变组织的类型可包括溃疡、炎症、出血、息肉、癌变等类型中的至少一种。在训练完成得到病变类型识别模型后，可获得待识别消化道内壁图像。待识别消化道内壁图像可以通过消化道内镜检查获得，其中，在该消化道内镜检查中，可以应用化学染色、电子染色等手段提高消化道内壁的色彩和结构对比度，从而能够提高病变类型识别的精度。另外，若待识别消化道内壁图像的格式与训练过程中使用的样本消化道内壁图像的格式不匹配，则需要对待识别消化道内壁图像的格式进行调整，以保持格式上相匹配，格式上相匹配能够使病变类型识别信息较为准确。待识别消化道内壁图像中可以包含病变组织或者不包含病变组织。在将待识别消化道内壁图像输入至病变类型识别模型之后，若待识别消化道内壁图像不包含病变组织，则输出的病变类型识别信息为无病变组织；若待识别消化道内壁图像包含病变组织，则输出的病变类型识别信息为该病变组织的具体类型。本专利技术实施例提供的方法，通过将待识别消化道内壁图像输入至病变类型识别模型，输出待识别消化道内壁图像的病变类型识别信息。由于病变类型识别模型可以直接输出病变类型识别信息，从而相对于人眼识别提高了识别效率，并且，病变类型识别模型能够避免人眼识别中观察者识别能力对识别结果的影响，提高了识别精度。参见图1，基于上述实施例的内容，作为一种可选实施例，在将待识别消化道内壁图像输入至病变类型识别模型之前，提供一种病变类型识别模型的训练方法，包括但不限于：101、采集多种样本消化道内壁图像，并标注每种样本消化道内壁图像对应的病变类型识别结果，样本消化道内壁图像及病变类型识别结果组成训练数据集。具体地，由于病变类型识别模型输出的是对待识别消化道内壁图像的病变类型识别信息，因此，需要将病变类型识别结果作为对应的样本消化道内壁图像的标签。应当说明的是，可采用人眼识别的方式为每个样本消化道内壁图像标注对应的病变类型识别结果。可选地，将标签单独保存在标签文本中，上述样本消化道内壁图像及标签文本共同组成训练数据集。102、利用训练数据集对深度神经网络模型进行训练，并在训练过程中限制深度神经网络模型的模型参数的取值范围和/或采用反向传播算法调整模型参数，训练完成后获得本文档来自技高网...

【技术保护点】
1.一种消化道内壁病变类型识别方法，其特征在于，包括：将待识别消化道内壁图像输入至病变类型识别模型，输出所述待识别消化道内壁图像的病变类型识别信息，所述病变类型识别模型是基于样本消化道内壁图像及所述样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，所述待识别消化道内壁图像的格式与所述样本消化道内壁图像的格式相匹配。

【技术特征摘要】
1.一种消化道内壁病变类型识别方法，其特征在于，包括：将待识别消化道内壁图像输入至病变类型识别模型，输出所述待识别消化道内壁图像的病变类型识别信息，所述病变类型识别模型是基于样本消化道内壁图像及所述样本消化道内壁图像对应的病变类型识别结果进行训练后获得的，所述待识别消化道内壁图像的格式与所述样本消化道内壁图像的格式相匹配。2.根据权利要求1所述的方法，其特征在于，所述将待识别消化道内壁图像输入至病变类型识别模型之前，还包括：采集多种所述样本消化道内壁图像，并标注每种所述样本消化道内壁图像对应的所述病变类型识别结果，所述样本消化道内壁图像及所述病变类型识别结果组成训练数据集；利用所述训练数据集对深度神经网络模型进行训练，并在训练过程中限制所述深度神经网络模型的模型参数的取值范围，和/或，采用反向传播算法调整所述模型参数，训练完成后获得所述病变类型识别模型。3.根据权利要求2所述的方法，其特征在于，所述利用所述训练数据集对深度神经网络模型进行训练之前，还包括：对所述样本消化道内壁图像进行调整以提高所述样本消化道内壁图像的数据量，和/或，对所述样本消化道内壁图像进行图像转换处理以增加所述训练数据集中所述样本消化道内壁图像的数量。4.根据权利要求3所述的方法，其特征在于，所述对所述样本消化道内壁图像进行调整以提高所述样本消化道内壁图像的数据量，包括：按照设定分辨率对所述样本消化道内壁图像进行中心裁剪，获得所述样本消化道内壁图像对应的裁剪图像，以及按照所述设定分辨率对所述样本消化道内壁图像进行缩减，获得所述样本消化道内壁图像对应的缩减图像；将所述裁剪图像及所述缩减图像进行图像混合处理，将图像混合处理后获得的图像添加至所...

【专利技术属性】
技术研发人员：孙明健，张笑，刘海峰，屈亚威，马立勇，邹梦书，曲歌，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37