The invention relates to a method for constructing an image recognition model of atrophic gastritis based on artificial intelligence, which can accurately identify the pathological parts in the image of atrophic gastritis.
【技术实现步骤摘要】
一种萎缩性胃炎图像识别模型的构建方法及其应用
本专利技术属于医学领域,更具体的涉及利用图像识别模型实现病变图像自动识别的
技术介绍
虽然胃癌的发病率从1975年起逐渐下降,但2012年仍有将近100万的新发病例(共951000例,占所有癌症发病率的6.8%),使之成为世界第五大最常见的恶性肿瘤。其中,有超过70%的病例出现在发展中国家,且有一半发生在东亚(主要在中国)。在死亡率方面,胃癌是世界第三大癌症死因(共723000例死亡,占总死亡率的8.8%)。胃癌的预后极大程度上取决于它的分歧。有研究表明胃早癌的5年生存率几乎超过90%,而进展期胃癌的生存率却低于20%。所以,在高风险患癌人群中早期发现和规律随诊是降低胃癌发病率、提高患者生存率的最有效的手段,尤其是那些被诊断癌前病变的患者。由幽门螺旋杆菌诱发,后经历慢性胃炎、萎缩性胃炎、肠上皮化生最终发展为胃癌的多阶段发展过程已经被广泛认可。尤其是萎缩性胃炎和肠上皮化生,被认为是演变为胃腺癌的毕竟阶段。萎缩和肠化程度越严重、累及范围越大,意味着胃癌的患病风险越大。所以准确诊断萎缩和肠化,以及后续定期复查、及时治疗被认为是将胃癌控制在早期阶段的重中之重。由于普通白光内镜诊断胃癌(尤其是浅表平坦型病变)的误诊、漏诊率相当高,各种内镜诊断技术应运而生。但是应用这些内镜设备不仅需要的高超的操作技巧,还需要可观的经济支持。因此,急需研发一种发现、诊断胃早癌及癌前病变的简单易得、经济实用并且安全可靠的诊断技术。
技术实现思路
专利技术人在长期的医学实践中,为了减少人为内镜诊断所带来的各种问题,利用机器学习技术,经过多 ...
【技术保护点】
1.一种能够识别图像中病变和/或其位置的图像识别模型的构建方法,所述病变为萎缩性胃炎,其包括下列步骤:S1.获取病变数据获得M张被确诊患有萎缩性胃炎患者的包含病变部位的图像,所述图像优选为内镜图像,从而构建训练集,其中M为1至100000之间的自然数,例如50‑50000、100‑10000、500‑7000、1000‑5000或3000‑4000之间的自然数;S2.图像预处理针对步骤S1得到的训练集,精确框选训练集中每张图像中萎缩性胃炎病变的部位,其中框选内的部分定义为阳性样本,而框选外的部分定义为阴性样本,同时记录和/或输出病变的位置坐标信息和/或病变类型信息;S3.训练图像识别模型利用经过S2步骤所述图像预处理的训练集对基于神经网络(优选为卷积神经网络,更优选为基于faster‑rcnn构架的神经网络)的图像识别模型进行训练(优选为有监督训练),通过预设的算法调整可训练参数,从而获得能够识别萎缩性胃炎的图像识别模型。
【技术特征摘要】
1.一种能够识别图像中病变和/或其位置的图像识别模型的构建方法,所述病变为萎缩性胃炎,其包括下列步骤:S1.获取病变数据获得M张被确诊患有萎缩性胃炎患者的包含病变部位的图像,所述图像优选为内镜图像,从而构建训练集,其中M为1至100000之间的自然数,例如50-50000、100-10000、500-7000、1000-5000或3000-4000之间的自然数;S2.图像预处理针对步骤S1得到的训练集,精确框选训练集中每张图像中萎缩性胃炎病变的部位,其中框选内的部分定义为阳性样本,而框选外的部分定义为阴性样本,同时记录和/或输出病变的位置坐标信息和/或病变类型信息;S3.训练图像识别模型利用经过S2步骤所述图像预处理的训练集对基于神经网络(优选为卷积神经网络,更优选为基于faster-rcnn构架的神经网络)的图像识别模型进行训练(优选为有监督训练),通过预设的算法调整可训练参数,从而获得能够识别萎缩性胃炎的图像识别模型。2.根据权利要求1所述的方法,其中所述框选能够生成一个包含病灶部位的矩形框或正方形框;所述坐标信息优选为所述矩形框或正方形框的左上角和右下角的点的坐标信息;优选的,所述框选利用计算机软件进行。3.根据权利要求1或2所述的方法,其中框选部位通过下述步骤确定:2n位内镜医师以“背对背”方式进行框选,即将2n人随机分成n组,2人/组,同时将所有图像随机分成n份,并随机分配给各组医师进行框选;当框选完成后,对比每组两位医师的框选结果,并对两位医师之间框选结果的一致性进行评估,最终确定框选部位,其中n为1-100之间的自然数,例如1、2、3、4、5、6、7、8、9、10、20、30、40、50、60、70、80、90或100;优选的,所述对两位医师之间框选结果的一致性进行评估的标准如下:针对每一张病变图像,对比每组2位医师的框选结果的重叠面积,如果每组两位医师分别框选的部位重叠部分的面积(即交集)大于该两者的并集所覆盖的面积的50%,则认为2位医师的框选判断结果一致性好,并且将上述交集对应的对角线坐标保存为目标病变最终的定位;若重叠部分的面积(即交集)小于该两者的并集所覆盖的面积的50%,则认为2位医师的框选判断结果相差较大,此类病变图像被单独挑选出来,由所有参与框选工作的2n位医师共同讨论确定目标病变的最终位置。4.根据权利要求1至3中任一项所述的方法,其中步骤S2中还预先对图像进行脱敏处理。5.根据权利要求1至4中任一项所述的方法,其中所述图像识别模型包括:a)特征提取器所述特征提取器由X个卷积层和Y个采样层组成,其中第i个(i在1-X之间)卷积层包含个Qi个尺寸为m*m*pi的卷积核,其中m*m表示卷积核的长和宽的像素值,pi等于上一个卷积层的卷积核数量Qi-1,在第i个卷积层中,卷积核以步长L对来自上一级的数据(包括原图、第i-1个卷积层、或者采样层)进行卷积操作;每个采样层包含1个以步长2L移动的,大小为2L*2L的卷积核,对卷积层输入的图像进行卷积操作;其中,...
【专利技术属性】
技术研发人员:陈蕾,曹立宏,陈雯婕,张澍田,朱圣韬,闵力,杜凤桐,
申请(专利权)人:首都医科大学附属北京友谊医院,中国传媒大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。