一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质技术方案

本发明专利技术公开了一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质。包括图像采样模块：用于采集病灶区域完整的胃肠道内窥镜图片，将采集的图片分为训练集和测试集；图像预处理模块：对图像采样模块输出的训练集中的图片进行预处理；胃肠道内窥镜图像息肉检测神经网络模块：对输入网络模型的图像经编码网络抽取高维特征，再经息肉病灶特征增强模块完成特征优化和去噪，最后通过解码网络还原语义信息，输出息肉的位置和边缘；息肉检测模块：将待检测的胃肠道内窥镜图片输入训练好的模型，输出检测结果。本发明专利技术通过搭建息肉检测模型对内窥镜图像中的息肉等病灶进行智能识别和检测，同时通过不断训练神经网络模型来达到更高的准确率。达到更高的准确率。达到更高的准确率。

【技术实现步骤摘要】
一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质


[0001]本专利技术属于胃肠道内镜图像息肉检测
，具体涉及一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质。

技术介绍

[0002]深度卷积神经网络成功地应用于视觉领域。深度卷积神经网络模型由于其强大的表示能力、快速推理和过滤器共享特性，为图像分类、图像分割、图像检测等许多计算机视觉任务提供了最先进的性能。最近的研究表明，深度卷积神经网络可以直接从数据中自动学习层次结构，从而获得越来越复杂的特征。随着该技术的发展，基于深度学习的目标检测方法在医学图像分析中取得了巨大成功。通过对输入图像样本的学习，网络模型不断调整各层的参数矩阵，从而对真实数据进行识别检测。
[0003]息肉是结肠表面的突起。息肉以不同的形状出现，从扁平状到带蒂状。如果大肠息肉(可能是癌症的前兆)在发展为恶性肿瘤之前被检测到并切除，则可以实现大肠癌的早期诊断。息肉检测和切除的金标准筛查方法是光学结肠镜检查。结肠镜检查是一种成功的预防性手术。但是结肠镜检查是一种依赖于操作者的手术，其中疲劳和注意力不集中等人为因素会导致在长时间和背靠背手术中漏检息肉。计算机辅助息肉检测可以帮助结肠镜检查者完成息肉检测任务，并可以在手术过程中提高注意力。可靠的息肉检测系统必须处理息肉在形状、大小、颜色和质地方面的可变性。这样的系统有可能挽救生命。

技术实现思路

[0004]为了解决
技术介绍
中的问题，本专利技术提供了一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质，通过多尺度上下文信息整合的编码网络从胃肠道内窥镜图像中抽取图像的特征，为息肉的识别与定位提供有效的信息；通过息肉病灶特征增强模块从编码网络中精细化抽取的高纬度特征，经过特征变换进一步强调与病变区域相关联的特征，从而增加识别检测的准确率；通过多级特征融合的解码网络汇总不同层级提取的有效特征，完成特征融合，并从特征中恢复出原始图片中息肉等病灶的区域，从而完成息肉的识别与定位。
[0005]所述的技术方案如下：
[0006]一、提供了一种基于人工智能的胃肠道内窥镜图像息肉检测系统，包括：
[0007]图像采样模块：用于采集息肉病灶区域完整，图片亮度、强度较好，干扰因素少或无干扰因素的胃肠道内窥镜图片，并将采集的图片分为训练集和测试集；
[0008]图像预处理模块：对图像采样模块输出的训练集中的图片进行预处理；
[0009]胃肠道内窥镜图像息肉检测神经网络模块：包括编码网络、息肉病灶特征增强模块和解码网络；编码网络主要由四个依次连接的上下文信息聚合模块组成；解码网络主要由四个依次连接的卷积层组成，每个卷积层之后进行上采样操作，上采样后的输出特征通
过残差连接与编码网络中上下文信息聚合模块的输出特征融合后再输入下一个卷积层；
[0010]输入胃肠道内窥镜图像息肉检测神经网络模块的图像经编码网络抽取高维特征，再经息肉病灶特征增强模块完成特征优化和去噪，最后通过解码网络还原语义信息，输出息肉的位置和边缘；
[0011]神经网络训练模块：图像预处理模块输出的图片输入胃肠道内窥镜图像息肉检测神经网络模块进行自主训练，保存准确率最优的网络模型参数，完成训练；将图像采样模块输出的测试集中的图片输入训练后的神经网络模型，测试网络的泛化效果，验证神经网络模型的识别检测准确率；
[0012]息肉检测模块：加载神经网络训练模块输出的模型文件，得到训练好的胃肠道内窥镜图像息肉检测神经网络模型，将待检测的胃肠道内窥镜图片输入胃肠道内窥镜图像息肉检测神经网络模型，输出胃肠道内窥镜图片中息肉的位置和边缘，完成检测。
[0013]胃肠道内窥镜图像息肉检测神经网络模块包括多尺度上下文信息整合的编码网络，息肉病灶特征增强模块，多级特征融合的解码网络。所述多尺度上下文信息整合的编码网络又连续的卷积层、池化层、激活函数组成，通过不断扩大的感受野提取并累积特征信息，用于息肉的检测和定位。所述息肉病灶特征增强模块运用注意力算法，有两个注意力模块组成，一个从空间的维度提取出空间注意力算子，另一个从通道的维度提取通道注意力算子；两个算子指导网络模型专注于息肉病灶的区域，从而过滤掉多余的信息，是检测识别更加准确。所述多级特征融合的解码网络由多个连续的卷积层和上采样层组成，通过学习调整参数，不断从高纬度的复杂特征信息中恢复出原始图像中息肉的位置，并通过跳跃连接，不断补充特征图的语义信息，从而提升定位检测的精度。
[0014]编码网络由四个上下文信息聚合模块组成，每个上下文信息聚合模块包含多个并联的卷积层，每个卷积层的卷积核大小不相同，从而带来不同大小的感受野，这使得上下文信息聚合模块可以捕捉不同尺寸大小的目标物体的特征。图片的特征经过四个上下文信息聚合模块后被压缩整合到高纬，这就是模型用来识别检测息肉病灶的依据。
[0015]息肉病灶特征增强模块使用连续的全连接层、卷积层、Softmax层以及转置、点乘等操作对编码网络的输出进行进一步特征变换，通过自动学习的参数，使网络模型将注意力集中在与病灶相关的区域，从而进一步增强有利的特征信息，增加识别检测的准确率。
[0016]多级特征融合的解码网络使用跨越连接，将来自于不同尺度的特征信息进行融合，浅层特征包含更多的细节信息，深层特征包含更多的语义信息，将多尺度的特征进行融合，从而完成息肉的识别与定位。
[0017]所述的图像预处理模块中，预处理的过程具体为：先对所有图片中包含的息肉病灶区域进行标记，然后将所有图片的分辨率归一化，并进行格式转换，之后进行数据增广，最后对数据进行旋转、镜像变换。
[0018]二、提供了一种包括存储器和处理器的终端
[0019]所述存储器，用于存储计算机程序；
[0020]所述处理器，用于执行所述计算机程序时，实现上述基于人工智能的胃肠道内窥镜图像息肉检测系统的功能。
[0021]三、提供了一种计算机可读存储介质
[0022]所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现上
述基于人工智能的胃肠道内窥镜图像息肉检测系统的功能。
[0023]本专利技术的有益效果是：
[0024]1、与现有技术相比，本专利技术通过搭建胃肠道内窥镜图像息肉检测神经网络对内窥镜图像中的息肉进行检测，同时通过不断训练构建的卷积神经网络模型来达到更高的准确率，使得网络模型的判断确率不低于有经验的医生的判断水平。
[0025]2、本专利技术采用注意力机制，专注于息肉病灶的区域，从而过滤掉多余的信息，进一步提升了识别检测准确率。
[0026]3、本专利技术的胃肠道内窥镜图像息肉检测神经网络总参数量在合理范围内，计算时间迅速，可以快速识别图像中的息肉等目标。
附图说明
[0027]图1为本专利技术的胃肠道内窥镜图像息肉检测神经网络模块的结构示意图；
[0028]图2为本专利技术的上下文信息聚合模块示意图；
[0029]图3为本专利技术的息肉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的胃肠道内窥镜图像息肉检测系统，其特征在于，包括：图像采样模块：用于采集息肉病灶区域完整的胃肠道内窥镜图片，并将采集的图片分为训练集和测试集；图像预处理模块：对图像采样模块输出的训练集中的图片进行预处理；胃肠道内窥镜图像息肉检测神经网络模块：包括编码网络、息肉病灶特征增强模块和解码网络；编码网络主要由四个依次连接的上下文信息聚合模块组成；解码网络主要由四个依次连接的卷积层组成，每个卷积层之后进行上采样操作，上采样后的输出特征通过残差连接与编码网络中上下文信息聚合模块的输出特征融合后再输入下一个卷积层；输入胃肠道内窥镜图像息肉检测神经网络模块的图像经编码网络抽取高维特征，再经息肉病灶特征增强模块完成特征优化和去噪，最后通过解码网络还原语义信息，输出息肉的位置和边缘；神经网络训练模块：图像预处理模块输出的图片输入胃肠道内窥镜图像息肉检测神经网络模块进行自主训练，保存准确率最优的网络模型参数，完成训练；息肉检测模块：加载神经网络训练模块输出的模型文件，得到训练好的胃肠道内窥镜图像息肉检测神经网络模型，将待检测的胃肠道内窥镜图片输入训练好的胃肠道内窥镜图像息肉检测神经网络模型，输出胃肠道内窥镜图片中息肉的位置和边缘，完成检测。2.根据权利要求1所述的一种基于人工智能的胃肠道内窥镜图像息肉检测系统，其特征在于，所述的胃肠道内窥镜图像息肉检测神经网络模块中，每个上下文信息聚合模块主要由五个卷积层、一个激活层和一个最大池化层组成，并联第二卷积层、第三卷积层和第四卷积层；上下文信息聚合模块的输入经第一卷积层后分别输入第二卷积层、第三卷积层和第四卷积层，第二卷积层、第三卷积层和第四卷积层的输出相加后依次经第五卷积层、ReLU激活层输入最大池化层。3.根据权利要求2所述的一种基于人工智能的胃肠道内窥镜图像息肉检测系统，其特征在于，所述的第二卷积层、第三卷积层和第四卷积层的卷积核分别为3
×
3、5
×
5、7
×
7，第一卷积层和第五卷积层的卷积核分均为1
×
1。4.根据权利...

【专利技术属性】
技术研发人员：林海，江彦开，
申请(专利权)人：浙江大学，
类型：发明
国别省市：