基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法技术方案

本发明专利技术公开了一种基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法，系统包括图像获取模块、通信模块、病灶识别模块；图像获取模块，用于获取使用超声内镜设备进行纵隔检查得到的图片和视频，将视频解码为图片；病灶识别模块，用于接收图像获取模块的图片，及时判断图像对应的特征，得到疾病识别分类结果；图像获取模块和病灶识别模块通过通信模块连接通信。本发明专利技术首选使用图像获取模块获取纵隔超声内镜图片和视频；然后将纵隔超声内镜图片作为参数，调用卷积神经网络模型进行疾病的识别分类；最后接收卷积神经网络模型分类结果，辅助医生进行疾病诊断。本发明专利技术提高了检测的准确度和有效性，降低了误诊漏诊发生概率，节约了人力成本。

【技术实现步骤摘要】
基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法
本专利技术属于图像识别
，涉及一种实时辅助诊断系统及方法，具体涉及一种基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法。
技术介绍
超声内镜(EUS)是将内镜和超声相结合的消化道检查技术，既可以观察消化道表面的病变和位置关系，也可以观察消化壁各层次关系，还可以对临近消化道的各脏器和组织结构进行观察，提高了内镜和超声的诊断水平。相较CT,MRI，PET-CT影像学诊断方法，超声内镜对于纵隔疾病诊断具有一定优势，医生通过判断超声内镜成像特点，如病变长径、回声特点、边界、血管浸润、与周围组织关系、囊实性、单发多发、弹性成像特点等方面可以诊断纵隔良恶性占位、纵隔结核、纵隔结节病、纵膈与肺门淋巴结肿大等疾病。超声内镜进行纵隔疾病诊断中，操作者识图经验和主观因素对结果有较大影响。资历较浅的医生可能由于经验水平有限，难以识别出超声内镜图像的纵隔病变，出现漏诊误诊。随着计算机和图像处理技术的发展，我们可以充分利用海量的超声内镜影像数据，利用机器学习专家标记分类的超声内镜纵隔病变图像，构建卷积神经网络模型，辅助医生诊断，节约人力成本，提高本文档来自技高网...

【技术保护点】
1.一种基于深度学习的纵隔超声内镜图像实时辅助诊断系统，其特征在于：包括图像获取模块、通信模块、病灶识别模块；所述图像获取模块，用于获取使用超声内镜设备进行纵隔检查得到的图片和视频，将视频解码为图片；所述病灶识别模块，用于接收图像获取模块的图片，及时判断图像对应的特征，得到疾病识别分类结果；所述图像获取模块和病灶识别模块通过所述通信模块连接通信。

【技术特征摘要】
1.一种基于深度学习的纵隔超声内镜图像实时辅助诊断系统，其特征在于：包括图像获取模块、通信模块、病灶识别模块；所述图像获取模块，用于获取使用超声内镜设备进行纵隔检查得到的图片和视频，将视频解码为图片；所述病灶识别模块，用于接收图像获取模块的图片，及时判断图像对应的特征，得到疾病识别分类结果；所述图像获取模块和病灶识别模块通过所述通信模块连接通信。2.根据权利要求1所述的基于深度学习的纵隔超声内镜图像实时辅助诊断系统，其特征在于：所述病灶识别模块包括样本数据库、卷积神经网络、web服务单元和更新单元；所述样本数据库，用于存储超声内镜图像的样本，包括纵隔超声内镜正常图像数据库和纵隔超声内镜病变图像数据库；所述卷积神经网络模型，包括通过纵隔超声内镜正常图像数据库和纵隔超声内镜病变图像数据库训练得到的两个模型，分别用于判断采集到的纵隔超声内镜图像是否存在病变以及对纵隔存在病变特征进行识别分类；所述Web服务单元，用于将图像获取模块的获取的图像作为输入参数，调用卷积神经网络模型进行纵隔超声内镜图像是否存在病变以及对纵隔存在病变特征进行识别分类；所述更新单元，用于将纵隔超声内镜图像作为输入数据，进行卷积神经网络模型的参数更新，并进行数据增强，不断调整优化卷积神经网络模型。3.根据权利要求2所述的基于深度学习的纵隔超声内镜图像实时辅助诊断系统，其特征在于：所述纵隔超声内镜正常图像数据库存储的是拍摄清楚的无病变的纵隔超声内镜图像，所述纵隔超声内镜病变图像数据库中存储的是对病变特征进行标注的纵隔超声内镜图像。4.根据权利要求2所述的基于深度学习的纵隔超声内镜图像实时辅助诊断系统，其特征在于：对纵隔存在...

【专利技术属性】
技术研发人员：于红刚，张军，吴练练，胡珊，宫德馨，
申请(专利权)人：武汉大学人民医院湖北省人民医院，
类型：发明
国别省市：湖北,42