一种消化道解剖位置识别装置制造方法及图纸

本发明专利技术公开了一种消化道解剖位置识别装置，包括：获取模块，用于：获取训练集和测试集；训练模块，用于：选取基于深度学习框架的深度网络模型作为当前深度网络模型，利用训练集对当前深度网络模型进行训练，利用测试集得到当前深度网络模型的识别精度数据，判断该识别精度数据是否符合预设精度要求，若是，则完成训练，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回执行利用训练集对当前深度网络模型进行训练的步骤；分类模块，用于：将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置。实现了胶囊在体内的精确定位。

An anatomical position recognition device for alimentary canal

The invention discloses a digestive tract anatomical position recognition device, which comprises: acquisition module for acquiring training set and test set; training module for selecting depth network model based on depth learning framework as current depth network model, training current depth network model with training set and measuring current depth network model with training set. The test set obtains the current depth network model recognition accuracy data, determines whether the recognition accuracy data meets the preset accuracy requirements, if, then completes the training, if not, then determines that the current depth network model after the training is adjusted to the current depth network model, returns to the implementation of the use of training. The training steps of the current depth network model are set up, and the classification module is used to input the digestive tract anatomical pictures collected by capsule endoscopy into the depth network model trained to get the digestive tract anatomical position corresponding to the digestive tract anatomical pictures output from the depth network model. The precise positioning of capsules in vivo was achieved.

【技术实现步骤摘要】
一种消化道解剖位置识别装置
本专利技术涉及医疗器械
，更具体地说，涉及一种消化道解剖位置识别装置。
技术介绍
胶囊内镜用于在人体消化道内移动的同时拍摄人体消化道内壁的图像或视频，并通过无线方式传至外部的信号接收装置，与传统医用内窥镜相比，胶囊内镜具有操作简单、无创伤、无痛苦、无交叉感染、不影响患者正常工作等优点，尤其对小肠疾病检查具有很高的医用诊断价值。胶囊内镜采集到的大量消化道图片，数据量巨大，消化道解剖位置的自动识别，可以为医生阅片及对胶囊(胶囊为胶囊内镜的简称)的定位起到积极作用。目前消化道解剖位置的识别方案大都是通过医护人员依赖胶囊传回的图像数据对胶囊所处的位置进行大致识别，容易受医护人员的主观因素影响，无法实现胶囊在体内的精确定位。综上所述，如何提供一种能够实现胶囊在体内的精确定位的技术方案，是目前本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种消化道解剖位置识别装置，能够实现胶囊在体内的精确定位。为了实现上述目的，本专利技术提供如下技术方案：一种消化道解剖位置识别装置，包括：获取模块，用于：获取训练集和测试集，所述训练集及所述测试集中包含消化道解剖图片及表示每个所述消化道解剖图片对应消化道解剖位置的标记；训练模块，用于：选取基于深度学习框架的深度网络模型作为当前深度网络模型，利用所述训练集对当前深度网络模型进行训练，利用所述测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度数据，判断该识别精度数据是否符合预设精度要求，若是，则确定训练后的当前深度网络模型为完成训练的深度网络模型，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回执行所述利用所述训练集对当前深度网络模型进行训练的步骤；分类模块，用于：将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置。优选的，还包括：去重模块，用于：获取所述训练集及所述测试集之后，确定所述训练集及所述测试集中对应消化道解剖位置为未知的消化道解剖图片为未知类图片，并利用感知哈希算法排除所述未知类图片中相似度大于预设阈值的图片。优选的，还包括：预处理模块，用于：利用感知哈希算法排除所述未知类图片中相似度大于预设阈值的图片之后，对所述训练集及所述测试集中包含的消化道解剖图片进行预设角度旋转处理和图像增强处理。优选的，所述训练模块包括：训练单元，用于：在GPU上利用所述训练集对当前深度网络模型进行训练。优选的，所述训练模块包括：选取单元，用于：选取基于深度学习框架的Alexnet网络模型作为当前深度网络模型。优选的，所述训练模块包括：确定单元，用于：确定对训练后的当前深度网络模型做调整后得到的深度网络模型为当前深度网络模型，所述调整包含对当前深度网络模型的网络超参数和层数的调整。优选的，所述训练模块包括：优选单元，用于：将所述训练集中包含的消化道解剖图片组合成多个子训练集，其中每个子训练集包含的消化道解剖图片不完全相同；利用所述多个子训练集分别训练当前深度网络模型得到对应的多个深度网络模型，并利用所述测试集分别对该多个深度网络模型进行测试得到对应深度网络模型的识别精度数据，选取对应识别精度数据表明识别精度最高的深度网络模型为利用所述训练集对当前深度网络模型进行训练后的当前深度网络模型。优选的，所述训练模块包括：计算单元，用于：利用所述测试集测试当前深度网络模型，并基于测试所得结果按照下列公式计算该深度网络模型的识别精度数据中包括的识别正确率及阳性预测率：识别正确率＝测试集中自动识别出的正确的某消化道解剖位置的消化道解剖图片的数量/测试集中对应消化道解剖位置的消化道解剖图片的总数量*100％；阳性预测率＝测试集中自动识别出的正确的某消化道解剖位置的消化道解剖图片的数量/测试集中自动识别出的对应消化道解剖位置的消化道解剖图片的总数量*100％。优选的，所述分类模块包括：分类单元，用于：将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到该深度网络模型包含的带有概率输出的softmax层输出的所述当前采集的消化道解剖图片对应不同消化道解剖位置的概率，并确定该概率最大的消化道解剖位置为所述当前采集的消化道解剖图片对应的消化道解剖位置。优选的，还包括：显示模块，用于：得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置之后，在预先获取的消化道图片上标记出得到的消化道解剖位置并显示。本专利技术提供了一种消化道解剖位置识别装置，该装置包括：获取模块，用于：获取训练集和测试集，所述训练集及所述测试集中包含消化道解剖图片及表示每个所述消化道解剖图片对应消化道解剖位置的标记；训练模块，用于：选取基于深度学习框架的深度网络模型作为当前深度网络模型，利用所述训练集对当前深度网络模型进行训练，利用所述测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度数据，判断该识别精度数据是否符合预设精度要求，若是，则确定训练后的当前深度网络模型为完成训练的深度网络模型，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回执行所述利用所述训练集对当前深度网络模型进行训练的步骤；分类模块，用于：将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置。本专利技术实施例公开的上述技术方案中，获取模块获取包含消化道解剖图片及对应消化道解剖位置标记的训练集及测试集，训练模块利用训练集训练深度网络模型，利用测试集测试该深度网络模型得到表示该深度网络模型的识别精度的识别精度数据，并在该识别精度数据对应的识别精度不符合要求时调整深度网络模型后返回执行利用训练集训练深度网络模型的步骤，直至深度网络模型对应识别精度数据符合要求为止，从而保证了深度网络模型的识别精度较高，进而分类模块基于该深度网络模型识别胶囊内镜采集的消化道解剖图片对应消化道解剖位置，实现了胶囊在体内的精确定位。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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种消化道解剖位置识别方法的流程图；图2为本专利技术实施例提供的一种消化道解剖位置识别装置的结构示意图。具体实施方式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、完整地描述，显然，所描述的实施例仅仅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。请参阅图1，其示出了本专利技术实施例提供的一种消化道解剖位置识别方法的流程图，可以包括：S11：获取训练集和测试集，训练集及测试集中包含消化道解剖图片及表示每个消化道解剖图片对应消化道解剖位置的标记。需要说明的是，本专利技术实施例提供的一种消化道解剖位置识别方法的执行主语可以为对应的消化道解剖位置识别装置。步骤S11中的数据集准备包括对训练集及测本文档来自技高网...

【技术保护点】
1.一种消化道解剖位置识别装置，其特征在于，包括：获取模块，用于：获取训练集和测试集，所述训练集及所述测试集中包含消化道解剖图片及表示每个所述消化道解剖图片对应消化道解剖位置的标记；训练模块，用于：选取基于深度学习框架的深度网络模型作为当前深度网络模型，利用所述训练集对当前深度网络模型进行训练，利用所述测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度数据，判断该识别精度数据是否符合预设精度要求，若是，则确定训练后的当前深度网络模型为完成训练的深度网络模型，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回执行所述利用所述训练集对当前深度网络模型进行训练的步骤；分类模块，用于：将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置。

【技术特征摘要】
1.一种消化道解剖位置识别装置，其特征在于，包括：获取模块，用于：获取训练集和测试集，所述训练集及所述测试集中包含消化道解剖图片及表示每个所述消化道解剖图片对应消化道解剖位置的标记；训练模块，用于：选取基于深度学习框架的深度网络模型作为当前深度网络模型，利用所述训练集对当前深度网络模型进行训练，利用所述测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度数据，判断该识别精度数据是否符合预设精度要求，若是，则确定训练后的当前深度网络模型为完成训练的深度网络模型，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回执行所述利用所述训练集对当前深度网络模型进行训练的步骤；分类模块，用于：将胶囊内镜采集的消化道解剖图片输入至训练完成的深度网络模型，得到深度网络模型输出的该消化道解剖图片对应的消化道解剖位置。2.根据权利要求1所述的装置，其特征在于，还包括：去重模块，用于：获取所述训练集及所述测试集之后，确定所述训练集及所述测试集中对应消化道解剖位置为未知的消化道解剖图片为未知类图片，并利用感知哈希算法排除所述未知类图片中相似度大于预设阈值的图片。3.根据权利要求2所述的装置，其特征在于，还包括：预处理模块，用于：利用感知哈希算法排除所述未知类图片中相似度大于预设阈值的图片之后，对所述训练集及所述测试集中包含的消化道解剖图片进行预设角度旋转处理和图像增强处理。4.根据权利要求1所述的装置，其特征在于，所述训练模块包括：训练单元，用于：在GPU上利用所述训练集对当前深度网络模型进行训练。5.根据权利要求4所述的装置，其特征在于，所述训练模块包括：选取单元，用于：选取基于深度学习框架的Alexnet网络模型作为当前深度网络模型。6.根据权利要求5所述的装置，其特征在于，所述训练模块包括：确定单元，用于：确定对训练后的当前深度网络...

【专利技术属性】
技术研发人员：白家莲，袁建，陈洪瀚，
申请(专利权)人：重庆金山医疗器械有限公司，
类型：发明
国别省市：重庆,50