区分萎缩性胃炎和胃癌的图像识别系统、设备及介质技术方案

本发明专利技术提供了一种区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。系统包括，数据获取单元：用于获取患者的胃镜图像，胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；模型处理单元：用于通过预设的识别网络对胃镜图像进行特征提取，获取病理信息，病理信息包括黏膜的病变区域、病变形态；诊断输出单元：用于根据病理信息判断患者患有胃癌或萎缩性胃炎。本发明专利技术基于卷积神经网络对萎缩性胃炎和胃癌的胃镜图像进行分类、数据学习以及预测，能够对萎缩性胃炎和胃癌进行精准诊断，提高消化科医师的工作效率、简化诊断程序、降低误诊漏诊率、减少患者费用。者费用。者费用。

【技术实现步骤摘要】
区分萎缩性胃炎和胃癌的图像识别系统、设备及介质


[0001]本专利技术涉及医学图像处理领域，具体而言，涉及一种区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。

技术介绍

[0002]胃癌是消化系统常见恶性肿瘤。2018年，全球胃癌病例年新增103万、死亡78万，发病人数居全球第五位，病死率居第三位，约二分之一的患者分布在东亚地区，亦是我国第二大恶性肿瘤，消化道第一大恶性肿瘤(31/10万)，五年生存率一度仅为27.4％，是长期困扰广大人民群众的重大疑难疾病。慢性萎缩性胃炎是胃癌的独立危险因素和发生基础条件，胃癌预防
‑
干预的重要节点和关键阶段，胃镜和病理检查是判断疾病转归的主要诊断手段，作为中医药治疗的优势与特色病种，有学者针对中医诊断提出“舌镜互参”，将胃镜作为“中医望诊的延伸”应用于临床，成为“传承精华，守正创新”的重要学术创新来源。
[0003]胃镜诊断的准确性取决于经验丰富的消化科医师标准化操作与病理医师的精准研判。萎缩性胃炎患者的胃镜像难以与部分早期胃癌的背景黏膜区分；另有研究显示，操作经验超过10年的胃镜医师漏诊率仍高达10％
‑
20％。单次电子胃镜检查，患者的采图数量通常超过40张，且胃腔内褶皱多，分布有粘液湖产生遮挡，疾病的胃镜下表现极易与其他一些组织或部位产生混淆，病变又可能分布在腔内的所有位置或炎癌共存，从而导致医生的漏诊、误诊。因此当存在大量病例数目时，人工阅片耗时耗力，质控困难，对于医生和患者都极为不利。
[0004]萎缩性胃炎判定的金标准是病理检查，至少要求5块活检，多块活检增加了黏膜外伤与出血的风险，如果患者正在服用阿司匹林或氯吡格雷等抗血小板聚集药物，则出血风险更大，且增加了一部分经济负担。
[0005]因此，需要一种区分萎缩性胃炎和胃癌的方案，能够解决上述问题。

技术实现思路

[0006]基于现有技术存在的问题，本专利技术提供了区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。具体方案如下：
[0007]一种区分萎缩性胃炎和胃癌的图像识别系统，包括，
[0008]数据获取单元：用于获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0009]模型处理单元：用于通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；
[0010]诊断输出单元：用于根据所述病理信息判断患者患有胃癌或萎缩性胃炎。
[0011]在一个具体实施例中，所述模型处理单元包括，
[0012]图像获取模块：用于获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0013]预处理模块：用于对所述原始胃镜图像进行预处理，获取训练数据；
[0014]模型构建模块：用于构建卷积神经网络，去除所述卷积神经网络中的全连接层；
[0015]模型训练模块：用于将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。
[0016]在一个具体实施例中，所述预处理具体包括：
[0017]将所述原始胃镜图像裁剪为128
×
128分辨率的尺寸，并转换为未压缩的BMP格式，得到数据样本；
[0018]对所述数据样本进行数据增强，通过旋转和镜像操作扩充所述数据样本的样本数量，得到训练数据。
[0019]在一个具体实施例中，所述卷积神经网络包含1个输入层、4个卷积层、4个池化层以及1个输出层；
[0020]所述卷积层的步幅为1，卷积核大小设置为3
×
3，激活函数为ReLU函数，每个所述卷积层后均加入批量标准化。
[0021]在一个具体实施例中，所述池化层的池化核大小设置为2
×
2，步幅为2，池化方式为最大池化；
[0022]和/或所述输出层通过SoftMax获得概率显示。
[0023]在一个具体实施例中，所述模型训练模块的训练过程包括：
[0024]通过所述卷积神经网络进行前馈运算，获取损失函数；
[0025]基于所述损失函数进行所述卷积神经网络的反馈运算，迭代更新所述卷积神经网络的网络参数，直至满足迭代停止条件，获取识别网络。
[0026]在一个具体实施例中，所述损失函数为交叉熵损失函数，表达式为：
[0027][0028]其中，n代表样本总数，H(p，q)代表交叉熵损失函数，p(x
i
)表示时间p，q(x
i
)表示时间q。
[0029]在一个具体实施例中，所述诊断输出单元具体包括：
[0030]根据所述病变区域的大小、胃镜图像呈现的腺体结构和血管纹理变化进行判断。
[0031]一种计算机设备，所述计算机设备包括：
[0032]一个或多个处理器；
[0033]存储器，用于存储一个或多个程序；
[0034]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如下处理：
[0035]获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0036]通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；
[0037]根据所述病理信息判断患者患有胃癌或萎缩性胃炎；
[0038]其中，所述识别网络的获取过程包括：
[0039]获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0040]对所述原始胃镜图像进行预处理，获取训练数据；
[0041]构建卷积神经网络，去除所述卷积神经网络中的全连接层；
[0042]将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。
[0043]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下处理：
[0044]获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0045]通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；
[0046]根据所述病理信息判断患者患有胃癌或萎缩性胃炎；
[0047]其中，所述识别网络的获取过程包括：
[0048]获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0049]对所述原始胃镜图像进行预处理，获取训练数据；
[0050]构建卷积神经网络，去除所述卷积神经网络中的全连接层；
[0051]将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。
[0052]有益效果：
[0053]本专利技术针对现有技术，提供了区分萎缩性胃炎和胃癌的图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区分萎缩性胃炎和胃癌的图像识别系统，其特征在于，包括，数据获取单元：用于获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；模型处理单元：用于通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；诊断输出单元：用于根据所述病理信息判断患者患有胃癌或萎缩性胃炎。2.根据权利要求1所述的图像识别系统，其特征在于，所述模型处理单元包括，图像获取模块：用于获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；预处理模块：用于对所述原始胃镜图像进行预处理，获取训练数据；模型构建模块：用于构建卷积神经网络，去除所述卷积神经网络中的全连接层；模型训练模块：用于将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。3.根据权利要求2所述的图像识别系统，其特征在于，所述预处理具体包括：将所述原始胃镜图像裁剪为128
×
128分辨率的尺寸，并转换为未压缩的BMP格式，得到数据样本；对所述数据样本进行数据增强，通过旋转和镜像操作扩充所述数据样本的样本数量，得到训练数据。4.根据权利要求2所述的图像识别系统，其特征在于，所述卷积神经网络包含1个输入层、4个卷积层、4个池化层以及1个输出层；所述卷积层的步幅为1，卷积核大小设置为3
×
3，激活函数为ReLU函数，每个所述卷积层后均加入批量标准化。5.根据权利要求4所述的图像识别系统，其特征在于，所述池化层的池化核大小设置为2
×
2，步幅为2，池化方式为最大池化；和/或所述输出层通过SoftMax获得概率显示。6.根据权利要求2所述的图像识别系统，其特征在于，所述模型训练模块的训练过程包括：通过所述卷积神经网络进行前馈运算，获取损失函数；基于所述损失函数进行所述卷积神经网络的反馈运算，迭代更新所述卷积神经网络的网络参数，直至满足迭代停止条件，获取识别网络。7.根据权利要求...

【专利技术属性】
技术研发人员：徐伟超，
申请(专利权)人：河北省中医院，
类型：发明
国别省市：