一种基于深度学习的阴道镜图像分类计算机辅助诊断系统和方法技术方案

本发明专利技术提供一种基于深度学习的阴道镜图像分类计算机辅助诊断系统和方法，属于医学图像处理和疾病诊断技术领域。本发明专利技术开发并验证了基于深度学习的计算机辅助诊断模型，以对阴道镜图像的宫颈病变进行分类。基于ResNet50模型和临床因素构建上述阴道镜图像分类计算机辅助诊断系统，经实验证明，其与专业阴道镜医生相比显示出更好的诊断性能，可以为阴道镜医师提供客观的诊断依据，具有潜在的临床应用价值。

【技术实现步骤摘要】
一种基于深度学习的阴道镜图像分类计算机辅助诊断系统和方法
本专利技术属于医学图像处理和疾病诊断
，具体涉及一种基于深度学习的阴道镜图像分类计算机辅助诊断系统和方法。
技术介绍
公开该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。宫颈癌是女性恶性肿瘤中第四大发病率和死亡率。2018年，全世界估计有570,000例新病例，有311,000例死亡。人乳头瘤病毒(HPV)感染是宫颈癌的主要原因。全球子宫颈癌的发病率和死亡率存在很大差异。低收入和中等收入国家的发病率是发达国家的7-10倍，部分原因是各个地区存在着筛查和预防的差异。迄今为止，解决HPV疫苗接种和子宫颈筛查的障碍仍然是大多数国家(尤其是中低收入国家(LMIC))面临的主要挑战。针对人乳头瘤病毒(HPV)的疫苗接种和使用筛查进行二级预防是早期发现和治疗宫颈癌的有效策略。宫颈上皮内瘤变分为低级别上皮内肿瘤(LSIL)和高级别上皮内肿瘤(HSIL)。细胞学和HPV检测相结合已成为筛选程序的一种选择。但是，子宫颈癌筛查仍然存在诊断灵敏度和特异性低的问题，尤其是在中低收入国家。阴道镜检查有助于鉴别可治疗的癌前病变和宫颈癌。尽管阴道镜在预防宫颈癌中起着重要的作用，但其准确性和可重复性受到限制。此外，阴道镜的诊断性能在很大程度上取决于操作者的主观经验，这要求操作者能够根据标准识别并处理乙酸白上皮的变化。在低中等收入国家，经验丰富的阴道镜检查专家的缺乏以及繁重的阴道镜检查工作加剧了阴道镜诊断的不准确性。
技术实现思路
针对上述现有技术的不足，本专利技术提供一种基于深度学习的阴道镜图像分类计算机辅助诊断系统和方法。本专利技术开发并验证了基于深度学习的计算机辅助诊断(Computeraideddiagnosis，CAD)模型，以对宫颈病变的阴道镜图像进行分类，经实验验证，该模型的诊断性能可以与高级阴道镜专家相媲美，因此具有良好的实际应用之价值。本专利技术是通过如下技术方案实现的：本专利技术的第一个方面，提供一种基于深度学习的阴道镜图像分类计算机辅助诊断系统，包括：图像捕获设备，其中所述图像捕获设备捕获阴道的一个或多个图像；存储器，其中存储捕获的一个或多个图像；和，处理器，所述处理器与所述存储器通信，其中所述处理器执行存储在所述存储器中的计算机能够读的指令，所述指令使所述处理器使用所捕获的一个或多个图像对所述阴道的病理情况进行分类。本专利技术的第二个方面，提供一种基于深度学习的阴道镜图像分类计算机辅助诊断方法，包括：捕获阴道的一个或多个图像；以及，使用所捕获的一个或多个图像对所述阴道的病理情况进行分类。本专利技术的第三个方面，提供一种非暂态计算机程序产品，所述非暂态计算机程序产品包括存储在计算机能够读的介质上的计算机能够执行的代码段，所述计算机能够执行的代码段用于执行上述基于深度学习的阴道镜图像分类计算机辅助诊断方法所进行的步骤。本专利技术的第四个方面，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于深度学习的阴道镜图像分类计算机辅助诊断方法所进行的步骤。上述一个或多个技术方案的有益技术效果：上述技术方案提供一种基于深度学习的阴道镜图像分类计算机辅助诊断系统和方法。基于ResNet50模型和临床因素构建上述阴道镜图像分类计算机辅助诊断系统，经实验证明，其与专业阴道镜医生相比显示出更好的诊断性能，可以为阴道镜医师提供客观的诊断依据，具有潜在的临床应用价值。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术实施例1中研究流程图。a)数据集；b)模型开发和验证；c)CAD系统的架构。图2为本专利技术实施例1中由阴道镜专家在不同等级病变的阴道镜图像上圈出ROI轮廓。轮廓表示ROI。从左至右依次：癌症，HSIL，LSIL和正常。图3为本专利技术实施例1中NC与LSIL+的分类结果。a)ROC曲线；b)基于临床特征的模型混淆矩阵；c)基于ResNet50的模型的混淆矩阵；d)基于ResNet50和临床特征的模型混淆矩阵。图4为本专利技术实施例1中HSIL-与HSIL+的分类结果。a)ROC曲线；b)基于临床特征的模型混淆矩阵；c)基于ResNet50的模型的混淆矩阵；d)基于ResNet50和临床特征的组合的模型混淆矩阵。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。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专利技术的示例性实施方式。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术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。应理解，本专利技术的保护范围不局限于下述特定的具体实施方案；还应当理解，本专利技术实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本专利技术的保护范围。本专利技术公开了可用于执行所公开的方法和系统的部件。本文公开了这些以及其他部件，并且应当理解，当公开这些部件的组合、子组、交互、组等时，尽管可能没有明确公开对这些部件的各种单独和集合组合和排列中每一者的特定引用，但对于所有的方法和系统，本文对每一者都进行了具体地设想和描述。这适用于本申请的所有方面，包括但不限于所公开的方法中的步骤。因此，如果存在可进行的各种另外的步骤，则应当理解，这些另外的步骤中的每一个步骤可利用所公开的方法的任何特定实施方案或实施方案的组合来进行。随着人工智能技术的发展，CAD已成为近几十年来医学成像的主要研究主题之一。它在诊断恶性肿瘤如乳腺癌，结肠直肠癌和胃肠道肿瘤中显示出巨大潜力。基于此，本专利技术提出了一种基于深度学习的CAD系统对阴道镜图像进行分类。本专利技术的一个典型具体实施方式中，提供一种基于深度学习的阴道镜图像分类计算机辅助诊断系统，包括：图像捕获设备，其中所述图像捕获设备捕获阴道的一个或多个图像；存储器，其中存储捕获的一个或多个图像；和，处理器，所述处理器与所述存储器通信，其中所述处理器执行存储在所述存储器中的计算机能够读的指令，所述指令使所述处理器使用所捕获的一个或多个图像对所述阴道的病理情况进行分类。本专利技术的又一具体实施方式中，所述图像捕获设备可以是相机，更具体的，图像捕获设备可以是阴道镜相机(如Leisegang3MLLED阴道镜照相机，德国Leisegang)，其可以拍摄静止和/或视频图像。一般来讲，图像捕获设备可以是数字相机，但是可以配备有适当的模拟/数字转换器或与之通信的模拟设备。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的阴道镜图像分类计算机辅助诊断系统，其特征在于，包括：/n图像捕获设备，其中所述图像捕获设备捕获阴道的一个或多个图像；/n存储器，其中存储捕获的一个或多个图像；和，/n处理器，所述处理器与所述存储器通信，其中所述处理器执行存储在所述存储器中的计算机能够读的指令，所述指令使所述处理器使用所捕获的一个或多个图像对所述阴道的病理情况进行分类。/n

【技术特征摘要】
1.一种基于深度学习的阴道镜图像分类计算机辅助诊断系统，其特征在于，包括：
图像捕获设备，其中所述图像捕获设备捕获阴道的一个或多个图像；
存储器，其中存储捕获的一个或多个图像；和，
处理器，所述处理器与所述存储器通信，其中所述处理器执行存储在所述存储器中的计算机能够读的指令，所述指令使所述处理器使用所捕获的一个或多个图像对所述阴道的病理情况进行分类。


2.如权利要求1所述的系统，其特征在于，所述图像捕获设备包括相机，优选的，所述图像捕获设备为阴道镜相机。


3.如权利要求1所述的系统，其特征在于，对所述阴道的病理情况进行分类采用自动识别异常的深度学习模型；
优选的，所述深度学习模型包括神经网络，所述神经网络包括AlexNet、VGGNet、InceptionNet、ResNet中的任意一个或多个，进一步优选为ResNet。


4.如权利要求3所述的系统，其特征在于，所述深度学习模型是基于神经网络中的一个或多个，对捕获的宫颈图像进行训练得到的；
优选的，在训练时，对宫颈图像进行预处理，进一步优选的，所述预处理包括选择一个或多个图像中的感兴趣区域；其中，所述感兴趣区域为可疑病变区域的感兴趣区域，所述可疑病变包括宫颈癌、低度鳞状上皮内病变、高度鳞状上皮内病变。


5.如权利要求3所述的系统，其特征在于，所述异常包括宫颈癌、低度鳞状上皮内病变、高度鳞状上皮内病变。


6.如权利要求1所述的系统，其特征在于，所述系统还包括：
元数据采集单元，用于收集元数据，所述元数据包括受试者的年龄、细胞学、HPV、妊娠、胎次、避孕，优选为细胞学和HPV；
所述元数据采集单元将所述元数据采集并传输至所述存储器中，并由所述处理器运行多变量逻辑回归分类器模型，使用多变量分析方法将深度学习输出结果与元数据结...

【专利技术属性】
技术研发人员：张友忠，刘露，陈威，贾琳，孟丽华，杨子焱，钱秋红，刘洪丽，韩赛，李艺，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：山东;37