扁平、微小息肉图像识别方法技术

本发明专利技术涉及医学领域图像识别方法技术领域，尤其涉及扁平、微小息肉图像识别方法，光斑修复算法EA_A检测反射光区域，然后对反射光区域进行填充达到光斑修复算法的目的。息肉检测算法EA_B采用yolov3_4layers目标检测网络结构，以获得息肉目标检测结果。本发明专利技术通过增加注意力转移标签来提高息肉检测特异度；针对扁平、微小息肉训练样本搜集困难的问题，对训练样本采用增广策略；针对yolov3目标检测算法对扁平、微小息肉检测能力不足的问题，采取转置卷积和加权特征融合的方法，增加第4个特征检测层。针对扁平、微小息肉具有高敏感度和高特异度，可准确识别内窥镜静态图像中的扁平、微小息肉的位置，显著降低扁平、微小息肉检测的漏识别和误识别率。漏识别和误识别率。漏识别和误识别率。

【技术实现步骤摘要】
扁平、微小息肉图像识别方法


[0001]本专利技术涉及医学领域图像识别方法
，尤其涉及扁平、微小息肉图像识别方法。

技术介绍

[0002]据调查显示，近95％的结直肠癌都是由息肉演变而来，而扁平、微小息肉属于具有较高的概率转化为早癌，但因其无明显的空间几何特征，现有技术对扁平、微小息肉的识别效果较差、特异度较低，存在大量的漏识别。
[0003]目前关于深度学习在结肠镜息肉检测的应用，李素琴等人提出《基于YOLO算法和ResNet深度卷积神经网络的结直肠息肉检测》，该方法针对较大或常规息肉而言有较为理想的检测效果。但对于扁平息肉、微小息肉，因为其特征不明显，在进行内窥镜检查时，很容易出现漏诊。桑海楠等人提出《一种基于完整结肠壁和纹理特征的小/平坦型息肉检测方法》，该方法是一种基于虚拟结肠镜的计算机辅助检测方法。首先通过分割CT静态影像提取完整的结肠内、外壁；然后用滑动窗在结肠内壁上逐点计算纹理特征并用AdaBoost分类器得到初始疑似息肉；最后通过随机森林获得最终的疑似息肉。在进行扁平、微小息肉检测过程中，视频画面中常存在较多亮度、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.扁平、微小息肉图像识别方法，其特征在于：包括如下步骤：S1、将结肠内窥镜静态图像代入光斑修复算法EA_A，获得光斑修复后的结肠内窥镜静态图像；光斑修复算法EA_A包含两个子类算法：光斑区域检测算法EA_A_01和光斑区域修复算法EA_A_02；结肠内窥镜静态图像进入光斑区域检测算法EA_A_01后，按照式可获得图像高光区域，式中c
G
，c
B
，c
R
分别为图像三个通道的像素值，P
95
(c
i
)表示i通道像素值95％分位值，T1通过大津阈值法获得，x表示i通道x位置处；而后使用高光区域周围一圈的像素值的平均值对高光区域进行填充；然后对填充后的图像做中值滤波处理获得反光区域；将结肠内窥镜静态图像及其通过光斑区域检测算法EA_A_01获得的反光区域一同代入光斑区域修复算法EA_A_02，对原图中的反光区域进行填充，填充方式与光斑区域检测算法EA_A_01中所使用的填充方式保持一致；而后对填充后的图像进行高斯模糊处理，并进行权重加权相加，完成对填充后图像中的光斑区域进行修复；S2、对于有息肉的结肠内窥镜静态图像，通过人工标注识别目标，制作具有准确标注息肉的结肠内窥静态图像；对于无息肉的结肠内窥镜静态图像，通过人工标注无息肉注意力转移标签，制作具有准确标注无息肉的结肠内窥镜静态图像，将这两者作为训练样本；S3、对训练样本进行离线增强训练和在线增强训练；S4、将增广后的训练样本代入yolov3_4layers目标检测网络进行网络模型训练，以得到具备识别息肉目标特征能力的yolov3_4layers网络模型，yolov3_4layers网络模型包含一个负责检测扁平、微小息肉的第4个特征检测层，利用yolov3_4layers模型对修复后的结肠内窥镜静态图像进行息肉检测，进而标示出息肉的位置及息肉判定概率。2.根据权利要求1所述的扁平、微小息肉图像识别方法，其特征在于：所述步骤S1中值滤波按照如下方式进行：1)在图像中任取某一像素点，其坐标位置(x，y)，若此像素点为边缘点，需对边缘进行填充；2)以此像素为坐标中心，取3*3的窗口，共9个像素，对这9个像素点进行排序，按下式求其中间值g0：g0＝median(f(x
‑
1，y
‑
1)+f(x，y
‑
1)+f(x+1，y
‑
1)+f(x
‑
1，y)+f(x，y)+f(x+1，y)+f...

【专利技术属性】
技术研发人员：李昊，胡珊，刘奇为，于天成，
申请(专利权)人：武汉楚精灵医疗科技有限公司，
类型：发明
国别省市：