一种基于深度学习的肠道病变诊疗标定辅助系统技术方案

本发明专利技术公开了一种基于深度学习的肠道病变诊疗标定辅助系统，所述系统，包括如下单元：图像采集单元、病变诊疗标定单元以及智能辅助处理单元，所述图像采集单元用于采集肠道病变患者的肠道图像，肠道原始图像直接输入智能辅助处理单元，智能辅助单元将图像实时呈现；病变诊疗标注时将呈现标注画面，所述病变诊疗标定单元包括训练集和YOLO模型，在肠镜设备下获取大量病变图片，生成病变训练集；将生成的病变训练集输入YOLO模型，YOLO模型通过训练，最后训练生成具有病变识别功能的病变诊疗标定单元。本申请能对内窥镜医生在诊断期间提供实时病变诊疗标定，提高诊断的准确性。

【技术实现步骤摘要】
一种基于深度学习的肠道病变诊疗标定辅助系统
本专利技术涉及深度学习和智能医疗领域，特别是一种基于深度学习的肠道病变诊疗标定辅助系统。
技术介绍
肠道病变形态多种多样，外观极其相似，使得肠道病变的诊疗常常出现漏识。这种情况下，年轻的内窥镜医生需要学习多年才能成熟掌握技巧，这给内窥镜医生的临床诊断带来巨大的挑战。对于患者而言，肠道病变无法自检。引入深度学习算法，结合医学肠镜病变数据和医学知识，创造出高效的肠镜病变标定辅助技术，为医生提供有效的辅助，降低医生的病变漏识，这就是基于深度学习的肠道病变诊疗标定辅助技术。肠道病变种类繁多，形态各异，通常的做法是人为对病变特征进行归纳并制定规则，在通过传统的图像处理技术按规则进行识别标定，但肠道病变的特征极其复杂，人为总结的特征无法涵盖全部病变。目前市面上大部分采用传统的图像处理技术进行病变识别标注，识别精度较低，延时高。鉴于此，本申请提出一种基于深度学习的肠道病变诊疗标定辅助系统。
技术实现思路
本专利技术目的在于提供一种基于深度学习的肠道病变诊疗标定辅助系统。为实现本专利技术的目的，本专利技术提供了一种基于深度学习的肠道病变诊疗标定辅助系统，所述系统，包括如下单元：图像采集单元、病变诊疗标定单元以及智能辅助处理单元，所述图像采集单元用于采集肠道病变患者的肠道图像，肠道原始图像直接输入智能辅助处理单元，智能辅助单元将图像实时呈现；病变诊疗标注时将呈现标注画面，所述病变诊疗标定单元包括训练集和YOLO模型，在肠镜设备下获取大量病变图片，生成病变训练集；将生成的病变训练集输入YOLO模型，YOLO模型通过训练，最后训练生成具有病变识别功能的病变诊疗标定单元。其中，所述智能辅助处理单元包括截图、视频录制、病变诊疗标定和诊疗报告功能，医生可以对肠镜图像进行截图和视频录制，并在诊疗结束后生成相应的诊疗报告。与现有技术相比，本专利技术的有益效果为，1.本专利技术的病变诊疗标定辅助技术应用深度学习对肠道病变进行识别分类，标定出相应的病变，并将标定的结果供医生参考，减少医生病变漏识，从而大幅度提高肠道病变诊疗的准确率。2.本专利技术的病变诊疗标定辅助技术引入了深度学习算法，以数据为驱动，自主学习病变特征，从而该技术能够更加准确的识别病变，大大提高识别精度，降低了延时。同时深度学习算法在高频病变目标下，也能够快速定位并识别标定，大大减少了漏识，医生在进行肠道病变检查时，提供了有效的病变辅助提示，有效减少了医生的漏识，也保护了病人的健康。附图说明图1是本专利技术一种基于深度学习的肠道病变诊疗标定辅助系统原理示意图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。应当说明的是，本申请中所述的“连接”和用于表达“连接”的词语，如“相连接”、“相连”等，既包括某一部件与另一部件直接连接，也包括某一部件通过其他部件与另一部件相连接。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个部件或者模块或特征与其他部件或者模块或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了部件或者模块在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的部件或者模块被倒置，则描述为“在其他部件或者模块或构造上方”或“在其他部件或者模块或构造之上”的部件或者模块之后将被定位为“在其他部件或者模块或构造下方”或“在其他部件或者模块或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该部件或者模块也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。如图1所示为本专利技术一种基于深度学习的肠道病变诊疗标定辅助系统原理示意图。本申请系统包括图像采集单元、病变诊疗标定单元以及智能辅助处理单元。图像采集单元用于采集肠道病变患者的肠道图像，在未开启诊疗标定功能时，肠道原始图像直接输入智能辅助处理单元，智能辅助单元将图像实时呈现；开启诊疗标定功能后，肠道图像经过预处理，并进入病变诊疗标定单元，病变诊疗标定后的图像再输入智能辅助处理单元，进行实时呈现。病变诊疗标定单元包括训练集和YOLO模型。在肠镜设备下获取大量病变图片，并进行旋转、画面增强等预处理，提高数据集的多样性，再由权威的医生进行诊断标注，生成病变训练集；将生成的病变训练集输入YOLO模型，YOLO模型通过对病变和标签的学习，对病变特征进行提取，通过迭代不断更新权重参数，最后训练生成具有病变识别功能的病变诊疗标定单元。智能辅助处理单元包括截图、视频录制、病变诊疗标定和诊疗报告功能，在未开启病变诊疗标定时，医生可以对肠镜原始图像进行截图和视频录制；当开启病变诊疗标定时，医生可以对病变诊疗标定图像进行截图和视频录制，并在诊疗结束后生成相应的诊疗报告。病变识别主要是通过深度学习YOLO算法进行识别，该算法主要通过对病变特征的学习，在识别时，主要对病变目标进行概率估计，概率较大的一类即为模型标定所属类，并将标定结果供医生参考。在实际使用过程中，通过主流医院的一线专家对获取的肠道病变数据进行分类标注，所获数据会严格审查，去除患者隐私，再将新增训练集重新训练YOLO算法，从而提高YOLO模型的识别准确率。随着数据集不断扩大，深度学习参数不断更新，相当于各大医院共同完善肠道病变诊疗标定辅助技术，最终使辅助技术达到专家水准。以上所述仅是本专利技术的优选实施方式，应当指出的是，对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肠道病变诊疗标定辅助系统，其特征在于，所述系统，包括如下单元：/n图像采集单元、病变诊疗标定单元以及智能辅助处理单元，/n所述图像采集单元用于采集肠道病变患者的肠道图像，肠道原始图像直接输入智能辅助处理单元，智能辅助单元将图像实时呈现；病变诊疗标注时将呈现标注画面，/n所述病变诊疗标定单元包括训练集和训练模型，在肠镜设备下获取大量病变图片，生成病变训练集；将生成的病变训练集输入训练模型，训练模型通过训练，最后训练生成具有病变识别功能的病变诊疗标定单元。/n

【技术特征摘要】
1.一种基于深度学习的肠道病变诊疗标定辅助系统，其特征在于，所述系统，包括如下单元：
图像采集单元、病变诊疗标定单元以及智能辅助处理单元，
所述图像采集单元用于采集肠道病变患者的肠道图像，肠道原始图像直接输入智能辅助处理单元，智能辅助单元将图像实时呈现；病变诊疗标注时将呈现标注画面，
所述病变诊疗标定单元包括训练集和训练模型，在肠镜设备下获取大量病变图片，生成病变训练集；将生成的病变训练集输入训练模型，训练模型...

【专利技术属性】
技术研发人员：王玉峰，
申请(专利权)人：天津御锦人工智能医疗科技有限公司，
类型：发明
国别省市：天津;12