超声内镜、人工智能辅助鉴别方法、系统、终端、介质技术方案

本发明专利技术属于医疗人工智能技术领域，公开了一种超声内镜、人工智能辅助鉴别方法、系统、终端、介质，通过图像采集模块实时获取超声内镜监视器中超声内镜视频或静态图像的图像数据，并截取图像帧；通过图像分割模块采用人工图像分割或利用深度学习分割模型基于采集的图像进行肿瘤部位图像的分割提取；通过图像转换模块将分割的图像大小统一，并进行归一化处理，获得的模块化图片即标准化的病灶部位图像；通过图像分类模块利用深度学习分类模型将模块化图片划分间质瘤图像或平滑肌瘤图像；通过输出模块输出图像分类结果。本发明专利技术提供的方法，能够有效提高图像鉴别准确率，减少误诊。减少误诊。

【技术实现步骤摘要】
超声内镜、人工智能辅助鉴别方法、系统、终端、介质


[0001]本专利技术属于医疗人工智能
，尤其涉及一种超声内镜、人工智能辅助鉴别方法、系统、终端、介质，具体涉及一种间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法。

技术介绍

[0002]目前，超声内镜可以清晰地显示胃肠道壁的层次和粘膜下病变的起源层次，是目前诊断胃肠道粘膜下肿瘤的准确率最高的影像学技术，被广泛应用于胃肠道粘膜下肿瘤的筛查和诊断。
[0003]间质瘤和平滑肌瘤是胃肠道粘膜下肿瘤中最常见的肿瘤。间质瘤是恶性或潜在恶性的肿瘤，需要密切的随访和手术治疗；平滑肌瘤被认为是良性的肿瘤，一般不需要进行手术切除。但间质瘤和平滑肌瘤的影像学表现十分相似，当前的影像学技术即使是超声内镜也无法有效鉴别间质瘤和平滑肌瘤，因此导致了大量患者被误诊。内镜下人体组织活检方法，对于较小的病变(直径<20mm) 存在取材困难，诊断率低的问题，同时还有引起出血和消化道穿孔的风险。一些被误诊的、缺乏明确诊断的、需要密切随访、及时手术的间质瘤患者因此耽误了诊疗时机；还有一些被误诊的不需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法包括：通过图像采集模块实时获取超声内镜监视器中超声内镜视频或静态图像的图像数据，并截取图像帧；通过图像分割模块采用人工图像分割或利用深度学习分割模型基于采集的图像进行肿瘤部位图像的分割提取；通过图像转换模块将分割的图像大小统一，并进行归一化处理，获得的模块化图片即标准化的病灶部位图像；通过图像分类模块利用深度学习分类模型将模块化图片划分间质瘤图像或平滑肌瘤图像；通过输出模块输出图像分类结果。2.如权利要求1所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法还包括：构建深度学习分类模型与深度分割模型；所述构建深度学习分类模型与深度分割模型包括：(1)获取历史超声内镜数据库中筛选并获取经病理诊断为间质瘤或平滑肌瘤的合格的超声内镜静态图像和影像数据；(2)将获取的影像数据的每一帧进行提取，获得静态图像，与直接从数据库中获取的静态图像共同构建得到数据集；基于数据集中图像是否显示清晰、胃肠道层次是否清晰和病变起源层次是否清晰，将数据集中的图像分为合格图像和不合格图像；(3)选取合格图像中的肿瘤区域进行图像分割，将分割后的图像进行大小统一化处理和根据图像像素平均值和标准差的归一化处理得到模块化图像，依据病理诊断结论病理类型对模块化图片进行疾病种类的标注，作为模块化图片集；(4)采用随机数法，将间质瘤和平滑肌瘤的静态图片集以及模块化图片集分别随机分为训练集、验证集和测试集；(5)利用Faster
‑
RNN、YOLO网络以及其他网络基于训练集数据中超声内镜图片进行特征学习构建深度学习分割模型，使用验证集对深度学习分割模型进行筛选，通过测试集数据对深度学习分割模型的诊断性能进行验证；(6)利用ResNet、Inception网络以及其他网络对训练集模块化图片数据进行特征学习构建深度学习模型，通过验证集数据对深度学习分类模型进行筛选，最后通过测试集数据对深度学习分类模型的诊断性能进行验证。3.如权利要求2所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述训练集、验证集和测...

【专利技术属性】
技术研发人员：李晓宇，杨新天，王晗，董蒨，
申请(专利权)人：青岛大学附属医院，
类型：发明
国别省市：