一种基于深度学习的消化道钩虫发现方法及系统技术方案

本发明专利技术公开了一种基于深度学习的消化道钩虫发现方法及系统，方法包括以下步骤：S1、得到标注图像；S2、得到训练集；S3、对yolov3模型进行训练；S4、获取目标图像输入训练后的yolov3模型的输出结果；S5、判断输出结果是否为无消化道钩虫，若是则结束当前识别；否则进入步骤S6；S6、获取目标图像前后各N张相邻图像并输入训练后的yolov3模型，得到输出结果集；S7、判断输出结果集中存在消化道钩虫的结果数量是否达到阈值，若是则存在消化道钩虫，并将目标图像中的消化道钩虫圈出；否则不存在消化道钩虫，结束当前识别。本发明专利技术解决了现有人工从胶囊内窥镜所拍摄图像中进行消化道钩虫识别费时费力的问题。

【技术实现步骤摘要】
一种基于深度学习的消化道钩虫发现方法及系统
本专利技术涉及医学领域，具体涉及一种基于深度学习的消化道钩虫发现方法及系统。
技术介绍
胶囊内窥镜是一种胶囊形状内窥镜，具有无痛性和无创性的特点，因而被广泛应用于检查人体消化道的各种疾病。胶囊内窥镜在进入人体后，会以2帧/秒的速度拍摄图像，胶囊内窥镜在进入人体消化道以后，会停留2.5到8小时不等，这期间拍摄的图像多达几万张。医生需要从上万张图像中识别出人体消化道的健康状况，阅片工作的难度非常大，而且非常枯燥，对于阅片医生来说，这是一项挑战巨大的工作。大量的图像对于阅片医生来说存在非常大的工作负担，医生长时间阅片导致疲劳，也会影响最终结果的可靠性。由于医生的个体差异，不同医生对同一个患者也可能会有不同的诊断结果，因此就需要重新去查阅图像，不仅耗时耗力，效率还低。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于深度学习的消化道钩虫发现方法及系统解决了现有人工从胶囊内窥镜所拍摄图像中进行消化道钩虫识别费时费力的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种基于深度学习的消化道钩虫发现方法，其包括以下步骤：S1、获取胶囊内窥镜所拍摄的带有消化道钩虫的图像，将消化道钩虫进行标注得到标注图像；S2、对标注图像进行尺寸统一与归一化，得到训练集；S3、采用训练集对yolov3模型进行消化道钩虫识别训练，得到训练后的yolov3模型；S4、将目标图像输入训练后的yolov3模型，得到对应的输出结果；其中输出结果包括有消化道钩虫和无消化道钩虫；S5、判断目标图像对应的输出结果是否为无消化道钩虫，若是则结束当前识别；否则进入步骤S6；S6、获取目标图像前后各N张相邻图像，并将所有相邻图像输入训练后的yolov3模型，得到输出结果集；S7、判断输出结果集中存在消化道钩虫的结果数量是否达到阈值，若是则判定目标图像存在消化道钩虫，并进入S8；否则判定目标图像不存在消化道钩虫，结束当前识别；S8、采用矩形框将目标图像中的消化道钩虫圈出并输出圈出消化道钩虫的目标图像。进一步地，步骤S1的具体方法为：获取胶囊内窥镜所拍摄的消化道所有图像，从消化道所有图像中筛选出带有消化道钩虫的图像，使用labelImg工具标注出带有消化道钩虫的图像中的钩虫目标，将标注好的钩虫数据按照PASCALVOC数据集格式进行制作，得到标注图像。进一步地，步骤S2的具体方法为：将标注图像的尺寸统一为416×416后进行归一化，得到训练集。进一步地，步骤S6中参数N的值为5。进一步地，步骤S7中的阈值为5。提供一种基于深度学习的消化道钩虫发现系统，其包括图像标注模块、训练集获取模块、深度学习训练模块、目标图像初步识别模块、初步识别结果确认模块和输出模块；图像标注模块，用于获取胶囊内窥镜所拍摄的带有消化道钩虫的图像，并将消化道钩虫进行标注得到标注图像；训练集获取模块，用于对标注图像进行尺寸统一与归一化，得到训练集；深度学习训练模块，用于采用训练集对yolov3模型进行消化道钩虫识别训练，得到训练后的yolov3模型；目标图像初步识别模块，用于将目标图像输入训练后的yolov3模型，得到对应的输出结果；其中输出结果包括有消化道钩虫和无消化道钩虫；初步识别结果确认模块，用于判断目标图像对应的输出结果是否为无消化道钩虫，若是则结束当前识别；否则进入获取目标图像前后各N张相邻图像，并将所有相邻图像输入训练后的yolov3模型，得到输出结果集；判断输出结果集中存在消化道钩虫的结果数量是否达到阈值，若是则判定目标图像存在消化道钩虫；否则判定目标图像不存在消化道钩虫，结束当前识别；输出模块，用于采用矩形框将目标图像中的消化道钩虫圈出，并将圈出消化道钩虫的目标图像进行输出。进一步地，参数N的值为5。进一步地，阈值为5。本专利技术的有益效果为：1、本专利技术能根据胶囊内窥镜传回的图像自动高效的识别出是否存在消化道钩虫并且标记出消化道钩虫所处的位置，省去了医生重复且繁杂的阅片工作，医生只需要对本专利技术识别出的结果进行一次核对即可，从而大幅度的降低了医生的工作量，提高消化道钩虫的识别效率。2、本专利技术采用矩形框将目标图像中的消化道钩虫圈出，便于医生的核对，结合医生对本专利技术的诊断结果再次核查，可以进一步提升诊断的准确率，减少误诊的情况发生。3、本专利技术判断每张图片是否存在消化道钩虫的结果非常快，得出每张图片的检测结果只需要0.018s，能达到55帧/秒的速度。附图说明图1为本方法的流程示意图；图2为本专利技术采用的yolov3模型的基本结构示意图；图3为本专利技术的输入输出样例示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1和图2所示，该基于深度学习的消化道钩虫发现方法包括以下步骤：S1、获取胶囊内窥镜所拍摄的带有消化道钩虫的图像，将消化道钩虫进行标注得到标注图像；S2、对标注图像进行尺寸统一与归一化，得到训练集；S3、采用训练集对yolov3模型进行消化道钩虫识别训练，得到训练后的yolov3模型；S4、将目标图像输入训练后的yolov3模型，得到对应的输出结果；其中输出结果包括有消化道钩虫和无消化道钩虫；S5、判断目标图像对应的输出结果是否为无消化道钩虫，若是则结束当前识别；否则进入步骤S6；S6、获取目标图像前后各N张相邻图像，并将所有相邻图像输入训练后的yolov3模型，得到输出结果集；S7、判断输出结果集中存在消化道钩虫的结果数量是否达到阈值，若是则判定目标图像存在消化道钩虫，并进入S8；否则判定目标图像不存在消化道钩虫，结束当前识别；S8、采用矩形框将目标图像中的消化道钩虫圈出并输出圈出消化道钩虫的目标图像。步骤S1的具体方法为：获取胶囊内窥镜所拍摄的消化道所有图像，从消化道所有图像中筛选出带有消化道钩虫的图像，使用labelImg工具标注出带有消化道钩虫的图像中的钩虫目标，将标注好的钩虫数据按照PASCALVOC数据集格式进行制作，得到标注图像。步骤S2的具体方法为：将标注图像的尺寸统一为416×416后进行归一化，得到训练集。该基于深度学习的消化道钩虫发现系统包括图像标注模块、训练集获取模块、深度学习训练模块、目标图像初步识别模块、初步识别结果确认模块和输出模块；图像标注模块，用于获取胶囊内窥镜所拍摄的带有消化道钩虫的图像，并将消化道钩虫进行标注得到标注图像；训练集获取模块，用于对标注图像进行尺寸统一与归一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的消化道钩虫发现方法，其特征在于，包括以下步骤：/nS1、获取胶囊内窥镜所拍摄的带有消化道钩虫的图像，将消化道钩虫进行标注得到标注图像；/nS2、对标注图像进行尺寸统一与归一化，得到训练集；/nS3、采用训练集对yolov3模型进行消化道钩虫识别训练，得到训练后的yolov3模型；/nS4、将目标图像输入训练后的yolov3模型，得到对应的输出结果；其中输出结果包括有消化道钩虫和无消化道钩虫；/nS5、判断目标图像对应的输出结果是否为无消化道钩虫，若是则结束当前识别；否则进入步骤S6；/nS6、获取目标图像前后各N张相邻图像，并将所有相邻图像输入训练后的yolov3模型，得到输出结果集；/nS7、判断输出结果集中存在消化道钩虫的结果数量是否达到阈值，若是则判定目标图像存在消化道钩虫，并进入S8；否则判定目标图像不存在消化道钩虫，结束当前识别；/nS8、采用矩形框将目标图像中的消化道钩虫圈出并输出圈出消化道钩虫的目标图像。/n

【技术特征摘要】
1.一种基于深度学习的消化道钩虫发现方法，其特征在于，包括以下步骤：
S1、获取胶囊内窥镜所拍摄的带有消化道钩虫的图像，将消化道钩虫进行标注得到标注图像；
S2、对标注图像进行尺寸统一与归一化，得到训练集；
S3、采用训练集对yolov3模型进行消化道钩虫识别训练，得到训练后的yolov3模型；
S4、将目标图像输入训练后的yolov3模型，得到对应的输出结果；其中输出结果包括有消化道钩虫和无消化道钩虫；
S5、判断目标图像对应的输出结果是否为无消化道钩虫，若是则结束当前识别；否则进入步骤S6；
S6、获取目标图像前后各N张相邻图像，并将所有相邻图像输入训练后的yolov3模型，得到输出结果集；
S7、判断输出结果集中存在消化道钩虫的结果数量是否达到阈值，若是则判定目标图像存在消化道钩虫，并进入S8；否则判定目标图像不存在消化道钩虫，结束当前识别；
S8、采用矩形框将目标图像中的消化道钩虫圈出并输出圈出消化道钩虫的目标图像。


2.根据权利要求1所述的基于深度学习的消化道钩虫发现方法，其特征在于，所述步骤S1的具体方法为：
获取胶囊内窥镜所拍摄的消化道所有图像，从消化道所有图像中筛选出带有消化道钩虫的图像，使用labelImg工具标注出带有消化道钩虫的图像中的钩虫目标，将标注好的钩虫数据按照PASCALVOC数据集格式进行制作，得到标注图像。


3.根据权利要求1所述的基于深度学习的消化道钩虫发现方法，其特征在于，所述步骤S2的具体方法为：
将标注图像的尺寸统一为416×416后进行归一化，得到训练集。


4.根据权利要求1所述的基于深...

【专利技术属性】
技术研发人员：杨国强，万思琦，喻雷，刘帅成，甘涛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51