一种白光模式下胃部标志物评估方法及系统技术方案

本申请提供一种白光模式下胃部标志物评估方法及系统，解决了目前无法辅助白光内镜下对存在慢性萎缩性胃炎的风险进行评估的问题，包括：获取白光模式下连续的序列化胃镜图像集；对序列化胃镜图像集进行胃镜图像部位识别、病灶图像分割、萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；并进行胃部标志物风险评估，得到胃部标志物风险评估结果。本申请可实施对白光模式下的内镜影像进行分析，提供了对胃镜图像部位识别准确，病灶图像分割准确、萎缩病症识别准确的技术方案，可以作为医疗辅助技术，辅助结合观察胃镜部位和症状快速对萎缩性胃炎风险进行评估。对萎缩性胃炎风险进行评估。对萎缩性胃炎风险进行评估。

【技术实现步骤摘要】
一种白光模式下胃部标志物评估方法及系统


[0001]本申请涉及医疗影像辅助
，具体涉及一种白光模式下胃部标志物评估方法及系统。

技术介绍

[0002]胃癌 (Gastric cancer, GC) 是导致癌症相关死亡的第三大原因，在最常见的恶性肿瘤中排名第五。胃萎缩 (Gastric atrophy, GA) 和肠化 (Intestinal metaplasia, IM) 与胃癌的发生发展密切相关，长期的慢性炎症 (Chronic inflammation) 可以进展为不典型增生 (dysplasia) 甚至是胃癌。研究表明，对癌前病变 (Precancerous conditions and lesions) 的识别和监测有助于发现早期胃癌 (Early gastric cancer, EGC)。及时发现和治疗慢性萎缩性胃炎 (Chronic atrophic gastritis, CAG) 包括GA和IM，可防止病情进一步恶化。
[0003]上消化道内镜是诊断萎缩性胃炎的常规方法，但不同内镜医师之间的诊断水平存在差异，与病理结果相比，白光内镜(White light endoscopy, WLE)下对CAG诊断的准确性波动极大，居于0.42 ~ 0.80之间。为了提高CAG的诊断质量，各国专家们提出了许多指南和共识。但有报道称经过指南培训后，内镜医师在WLE下对CAG的诊断精度仅达到46.8%。由此可见，WLE下CAG诊断的准确性亟待提高。
[0004]近年来，随着人工智能 (Artificial intelligence, AI) 技术的发展与成熟，其在医疗领域的应用也愈发广泛，尤其在医学影像领域发展迅猛。AI在内镜领域的应用同样进展神速，深度学习 (Deep learning, DL) 在CAG病理及X线检测系统中的应用取得了可喜的成果，也有研究将AI应用于幽门螺杆菌相关性胃炎和CAG的诊断。然而，关于AI实时辅助内镜下CAG诊断的研究极少，也没有团队开发出风险评估系统用以指导监测。

技术实现思路

[0005]本申请提供一种能够基于深度学习，辅助白光内镜下对存在慢性萎缩性胃炎的风险进行评估的一种白光模式下胃部标志物评估方法及系统。
[0006]一方面，本申请提供一种白光模式下胃部标志物评估方法，包括：获取白光模式下连续的序列化胃镜图像集；对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
[0007]在本申请一种可能的实现方式中，所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量；根据多个所述列向量，确定多个所述不同类型的部位识别图像集；所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。
[0008]在本申请一种可能的实现方式中，所述根据多个所述列向量，确定多个所述不同类型的部位识别图像集，包括所述列向量包括多个部位标签和分别与所述多个部位标签对应的多个概率值；确定所述列向量中与所述多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签；根据所述目标部位标签，确定所述列向量对应的所述部位识别图像；将多个所述部位识别图像按照预设的分类预置信息进行分组，得到多个所述不同类型的部位识别图像集。
[0009]在本申请一种可能的实现方式中，所述根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果，包括：所述萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果；若所述部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为胃部标志物风险评估结果为存在低风险萎缩性胃炎；若所述部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；若所述部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
[0010]在本申请一种可能的实现方式中，在所述将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括：获取样本胃镜图像集以及根据所述样本胃镜图像集确定的多个不同类型的样本胃镜标记图像；根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。
[0011]在本申请一种可能的实现方式中，所述根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：通过预设的第一损失函数进行损失计算，得到多个第一损失值；其中，所述第一损失函数为：
其中m1为所述样本胃镜图像集中的样本胃镜图像数量，n1为多个不同类型的所述样本胃镜标记图像的类型数量，是所述样本胃镜图像集中第i个所述样本胃镜图像属于第j种类型的预测概率，为符号函数0或1，如果所述样本胃镜图像集中的第i个所述样本胃镜图像的真实类型为第j种类型时，则取值为1，否则取值为0，所述胃镜图像部位识别模型训练过程中输出的预测值为A，真实值为；根据多个所述第一损失值对预设的胃镜图像部位识别模型进行模型训练，得到已训练的胃镜图像部位识别模型。
[0012]在本申请一种可能的实现方式中，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：获取不同类型的样本部位识别图像集以及根据所述样本部位识别图像集确定的多个样本有病灶标记图像；根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型。
[0013]在本申请一种可能的实现方式中，所述根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型，包括：通过预设的第二损失函数进行损失计算，得到多个第二损失值；其中，所述第二损失函数为：其中m2所述样本部位识别图像集中的样本部位识别图像数量，为第m2个所述样本部位识别图像的样本预测值，为第m2个所述样本部位识别图像的样本真实值，所述胃镜图像部位识别模型训练过程中输出的预测值为B，真实值为；根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种白光模式下胃部标志物评估方法，其特征在于，包括：获取白光模式下连续的序列化胃镜图像集；对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。2.如权利要求1所述的白光模式下胃部标志物评估方法，其特征在于，所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量；根据多个所述列向量，确定多个所述不同类型的部位识别图像集；所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。3.如权利要求2所述的白光模式下胃部标志物评估方法，其特征在于，所述根据多个所述列向量，确定多个所述不同类型的部位识别图像集，包括所述列向量包括多个部位标签和分别与所述多个部位标签对应的多个概率值；确定所述列向量中与所述多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签；根据所述目标部位标签，确定所述列向量对应的所述部位识别图像；将多个所述部位识别图像按照预设的分类预置信息进行分组，得到多个所述不同类型的部位识别图像集。4.如权利要求2所述的白光模式下胃部标志物评估方法，其特征在于，所述根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果，包括：所述萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果；若所述部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为胃部标志物险评估结果为存在低风险萎缩性胃炎；若所述部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；若所述部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。5.如权利要求2所述的白光模式下胃部标志物评估方法，其特征在于，在所述将所述序
列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括：获取样本胃镜图像集以及根据所述样本胃镜图像集确定的多个不同类型的样本胃镜标记图像；根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。6.如权利要求5所述的白光模式下胃部标志物评估方法，其特征在于，所述根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：通过预设的第一...

【专利技术属性】
技术研发人员：李昊，胡珊，胡孝，郑碧清，
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：