基于深度学习的内镜影像识别系统及设备技术方案

本发明专利技术公开了一种基于深度学习的内镜影像识别系统及设备，所述系统通过初步筛选单元，用于将原始胃镜图像代入至预设卷积神经网络模型，获得合格胃部图像；二次筛选单元，用于将所述合格胃部图像代入至预设深度学习分类模型，获得异常图像；识别单元，用于将所述异常图像代入至感染特征识别模型，获得幽门螺杆菌的感染特征，根据所述感染特征确定当前感染状态；能够提高幽门螺杆菌感染判断的准确性和有效性，为内镜医师诊断HP感染提供强有力的诊断依据，同时可协助内镜医师更有效，更准确地分析病症风险。析病症风险。析病症风险。

【技术实现步骤摘要】
基于深度学习的内镜影像识别系统及设备


[0001]本专利技术涉及医疗辅助检测
，尤其涉及一种基于深度学习的内镜影像识别系统及设备。

技术介绍

[0002]幽门螺杆菌(H.pylori，HP)感染是全球最普遍的传染病之一，据估计HP感染人数占全球人口的40％至50％；研究表明，HP感染相关的任何类型胃炎都有发展成胃癌的风险，根除HP是预防胃癌的有效策略；随着内窥镜技术的进展，内窥镜检查已被用于诊断胃炎，以确定是否存在HP感染并评估胃癌的风险。
[0003]HP感染在内镜下的特征通常无特异性，而且分布在多个病灶中，不易于识别；根据2014年在日本发布了《京都胃炎议定书》，分析总结了HP感染在内镜下的特征，从而使得HP感染在内镜下更易于识别，并有利于评估胃癌的风险，以及Zhao等在《Accuracy of Endoscopic Diagnosis of Helicobacter pylori Based on the Kyoto Classification of Gastritis:AMulticenter Study》中表明在中国人群中京都胃炎分型可用于辅助诊断HP感染，可知现有方式是分析总结了HP感染在内镜下的特征，从而使得HP感染在内镜下更易于识别，并有利于评估胃癌的风险；但是不同特征提示HP感染的灵敏度，特异度和准确度的效应不同，且缺乏统一的标准去判断是否有HP感染。

技术实现思路

[0004]本专利技术的主要目的在于提供一种基于深度学习的内镜影像识别系统及设备，旨在解决现有技术中由于HP感染在内镜下的不同特征的灵敏度、特异度和准确度的效应不同，HP感染判断的准确性和有效性较低的技术问题。
[0005]第一方面，本专利技术提供一种基于深度学习的内镜影像识别系统，所述基于深度学习的内镜影像识别系统包括以下步骤：
[0006]初步筛选单元，用于将原始胃镜图像代入至预设卷积神经网络模型，获得合格胃部图像；
[0007]二次筛选单元，用于将所述合格胃部图像代入至预设深度学习分类模型，获得异常图像；
[0008]识别单元，用于将所述异常图像代入至感染特征识别模型，获得幽门螺杆菌的感染特征，根据所述感染特征确定当前感染状态。
[0009]可选地，所述基于深度学习的内镜影像识别系统还包括：模型构件单元，
[0010]所述模型构建单元，用于获取幽门螺杆菌感染特征的输入项数据集，根据所述输入项数据集基于残差网络构建预设卷积神经网络模型、所述预设深度学习分类模型和所述感染特征识别模型。
[0011]可选地，所述初步筛选单元，还用于基于残差网络，构建预设卷积神经网络模型，将原始胃镜图像代入至所述预设卷积神经网络模型，获得合格胃部图像。
[0012]可选地，所述二次筛选单元，还用于将所述合格胃部图像代入至预设深度学习分类模型，过滤掉正常胃部图像，获得胃部的异常图像。
[0013]可选地，所述识别单元，还用于将所述异常图像代入至感染特征识别模型，获取与预设幽门螺杆菌症状集中匹配的特征作为幽门螺杆菌的感染特征，并根据所述感染特征确定当前感染状态。
[0014]可选地，所述识别单元，还用于根据预设智能诊断公式和所述感染特征确定当前感染状态。
[0015]可选地，所述识别单元，还用于根据所述感染特征确定感染特征的数量，通过下述所述预设智能诊断公式获得感染指数；
[0016][0017]其中，f为感染指数，exp为指数函数，b为回归系数，x
i
代表幽门螺杆菌感染的第i个相关特征的数量，lambda为调整参数；
[0018]将所述感染指数与预设感染阈值比较，在所述感染指数大于所述预设感染阈值时，确定当前感染状态为感染状态；
[0019]在所述感染指数不大于所述预设感染阈值时，确定当前感染状态为非感染状态。
[0020]可选地，所述识别单元，还用于获取所述感染特征中各单一特征与幽门螺杆菌感染的相关性；
[0021]所述识别单元，还用于对各单一特征的相关性进行回归处理，获得各单一特征的回归系数；
[0022]所述识别单元，还用于通过逻辑回归对各单一特征进行拟合和交叉验证，选取交叉验证误差最小的调整参数，将所述调整参数与所述回归系数相加，获得对数几率；
[0023]并根据所述对数几率和下式公式获得预设感染阈值：
[0024][0025]其中，Probablity为预设感染阈值，exp为指数函数，Log Odds为所述对数几率。
[0026]第二方面，为实现上述目的，本专利技术还提出一种基于深度学习的内镜影像识别设备，其特征在于，所述基于深度学习的内镜影像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的内镜影像识别程序，所述基于深度学习的内镜影像识别程序配置为实现如上文所述的基于深度学习的内镜影像识别系统的功能。
[0027]可选地，所述基于深度学习的内镜影像识别设备还包括：内镜探测仪；
[0028]所述内镜探测仪用于获取目标用户的原始胃镜图，并将所述原始胃镜图反馈至所述处理器。
[0029]本专利技术提出的基于深度学习的内镜影像识别系统，通过初步筛选单元，用于将原始胃镜图像代入至预设卷积神经网络模型，获得合格胃部图像；二次筛选单元，用于将所述合格胃部图像代入至预设深度学习分类模型，获得异常图像；识别单元，用于将所述异常图像代入至感染特征识别模型，获得幽门螺杆菌的感染特征，根据所述感染特征确定当前感
染状态；能够提高幽门螺杆菌感染判断的准确性和有效性，为内镜医师诊断HP感染提供强有力的诊断依据，同时可协助内镜医师更有效，更准确地分析病症风险。
附图说明
[0030]图1为本专利技术实施例方案涉及的硬件运行环境的设备结构示意图；
[0031]图2为本专利技术基于深度学习的内镜影像识别系统第一实施例的流程示意图；
[0032]图3为本专利技术基于深度学习的内镜影像识别系统第二实施例的流程示意图；
[0033]图4为基于深度学习的内镜影像识别系统中卷积神经网络模型训练图。
[0034]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0035]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0036]本专利技术实施例的解决方案主要是：通过初步筛选单元，用于将原始胃镜图像代入至预设卷积神经网络模型，获得合格胃部图像；二次筛选单元，用于将所述合格胃部图像代入至预设深度学习分类模型，获得异常图像；识别单元，用于将所述异常图像代入至感染特征识别模型，获得幽门螺杆菌的感染特征，根据所述感染特征确定当前感染状态；能够提高幽门螺杆菌感染判断的准确性和有效性，为内镜医师诊断HP感染提供强有力的诊断依据，同时可协助内镜医师更有效，更准确地分析病症风险，解决了现有技术中由于HP感染在内镜下的不同特征的灵敏度、特异度和准确度的效应不同，HP感染本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的内镜影像识别系统，其特征在于，所述基于深度学习的内镜影像识别系统包括：初步筛选单元，用于将原始胃镜图像代入至预设卷积神经网络模型，获得合格胃部图像；二次筛选单元，用于将所述合格胃部图像代入至预设深度学习分类模型，获得异常图像；识别单元，用于将所述异常图像代入至感染特征识别模型，获得幽门螺杆菌的感染特征，根据所述感染特征确定当前感染状态。2.如权利要求1所述的基于深度学习的内镜影像识别系统，其特征在于，所述基于深度学习的内镜影像识别系统还包括：模型构件单元，所述模型构建单元，用于获取幽门螺杆菌感染特征的输入项数据集，根据所述输入项数据集基于残差网络构建预设卷积神经网络模型、所述预设深度学习分类模型和所述感染特征识别模型。3.如权利要求1所述的基于深度学习的内镜影像识别系统，其特征在于，所述初步筛选单元，还用于基于残差网络，构建预设卷积神经网络模型，将原始胃镜图像代入至所述预设卷积神经网络模型，获得合格胃部图像。4.如权利要求3所述的基于深度学习的内镜影像识别系统，其特征在于，所述二次筛选单元，还用于将所述合格胃部图像代入至预设深度学习分类模型，过滤掉正常胃部图像，获得胃部的异常图像。5.如权利要求1所述的基于深度学习的内镜影像识别系统，其特征在于，所述识别单元，还用于将所述异常图像代入至感染特征识别模型，获取与预设幽门螺杆菌症状集中匹配的特征作为幽门螺杆菌的感染特征，并根据所述感染特征确定当前感染状态。6.如权利要求5所述的基于深度学习的内镜影像识别系统，其特征在于，所述识别单元，还用于根据预设智能诊断公式和所述感染特征确定当前感染状态。7.如权利要求6所述的基于深度学习的内镜影像识别系统，其特征在于...

【专利技术属性】
技术研发人员：于红刚，张梦娇，吴练练，邢达奇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：