【技术实现步骤摘要】
一种基于深度学习的消化道疾病辅助诊断系统
本专利技术属于人工智能
，尤其涉及一种基于深度学习的消化道疾病辅助诊断系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。2018年全球癌症统计数据显示，发病率排名前10的肿瘤中有4个来自消化道。包括消化道良性、癌前性和恶性疾病在内的消化道疾病正在、严重威胁着患者的生活质量和生命安全，造成了巨大的卫生负担，早诊断、早治疗，改善患者预后、节约医疗资源的问题亟待解决。随着医学成像设备的发展和普及，消化道疾病通常经内镜筛查即可发现，经过进一步的活组织病理实现确诊，从而实现早期治疗。然而，专利技术人发现，目前对于医学成像设备所成的医学图像的处理仍存在以下问题：(1)面对呈指数增长的医学图片，人工检查速度慢、效率低，漏诊的情况时有发生。(2)虽然目前活组织病理检查是消化道疾病诊断的金标准，但是靶向活检，提高活检的效率、尽量减少活检的数目逐渐成为医学发展的趋势；而且人眼诊断病变准确性低，活检数目多且误诊时有发生。专利...
【技术保护点】
1.一种基于深度学习的消化道疾病辅助诊断系统，其特征在于，包括：/n内镜所在部位判断模块，其用于将内镜操作过程中实时获取的消化道部位图像传送至消化道部位识别模型，实时输出内镜在消化道的部位；/n病灶区域定位模块，其用于将内镜操作过程中实时获取的消化道部位图像输入至消化道病灶区域识别模型，识别病灶区域并进行标注；/n消化道疾病类型判断模块，其用于接收与内镜相关联的共聚焦激光显微内镜实时获取的共聚焦激光显微内镜图像输入至消化道疾病类型识别模型中，将得到的概率最大共聚焦疾病类型所对应的部位与内镜当前所在部位比较，当两者一致时，输出当前消化道疾病类型及其对概率；否则，重新获取若干连...
【技术特征摘要】
1.一种基于深度学习的消化道疾病辅助诊断系统，其特征在于，包括：
内镜所在部位判断模块，其用于将内镜操作过程中实时获取的消化道部位图像传送至消化道部位识别模型，实时输出内镜在消化道的部位；
病灶区域定位模块，其用于将内镜操作过程中实时获取的消化道部位图像输入至消化道病灶区域识别模型，识别病灶区域并进行标注；
消化道疾病类型判断模块，其用于接收与内镜相关联的共聚焦激光显微内镜实时获取的共聚焦激光显微内镜图像输入至消化道疾病类型识别模型中，将得到的概率最大共聚焦疾病类型所对应的部位与内镜当前所在部位比较，当两者一致时，输出当前消化道疾病类型及其对概率；否则，重新获取若干连续帧共聚焦激光显微内镜图像并重新识别其共聚焦疾病类型。
2.如权利要求1所述的基于深度学习的消化道疾病辅助诊断系统，其特征在于，所述内镜所在部位判断模块，包括：
训练集构建模块，其用于获取消化道部位图像并标注出待识别类别和识别干扰图像的辅助类别构建出训练集，其中，待识别类别包括一级类别及二级类别，二级类别属于一级类别的子类别；
消化道部位识别模型训练模块，其用于利用训练集训练消化道部位识别模型；消化道部位识别模型包括消化道部位识别模型A和消化道部位识别模型B；其中，消化道部位识别模型A用于识别一级类别和辅助类别，消化道部位识别模型B用于识别二级类别；
内镜所在部位实时输出模块，其用于基于消化道部位识别模型A和消化道部位识别模型B对消化道内镜图像进行实时检测，排除属于辅助类别的图像，若存在连续N张非相似图像均为同一类别的概率超过预设阈值，则输出图像所属的一级类别和二级类别，进而确定出内镜所在准确部位，其中，N为大于或等于3的正整数。
3.如权利要求2所述的基于深度学习的消化道疾病辅助诊断系统，其特征在于，在所述内镜所在部位实时输出模块中，判断图像为非相似图像的过程为：
通过均值哈希算法生成哈希序列并计算汉明距离，当汉明距离大于所设汉明距离阈值时，则判断图像为非相似图像。
4.如权利要求2所述的基于深度学习的消化...
【专利技术属性】
技术研发人员：李延青，杨笑笑，李真，冯建，左秀丽，杨晓云，邵学军，赖永航，辛伟，
申请(专利权)人：山东大学齐鲁医院，青岛美迪康数字工程有限公司，
类型：发明
国别省市：山东;37
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。