一种宫腔镜下子宫内膜图像处理系统及图像处理方法技术方案

本公开涉及智能医疗及人工智能技术领域，提出了一种宫腔镜下子宫内膜图像处理系统及图像处理方法，系统包括：图像获取模块：被配置为用于获取待识别的宫腔镜图片；特征提取模块：被配置为用于对获取的图像进行特征提取；识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。针对宫腔镜图像进行人工智能图像识别，得到异常区域的区域和评分，对内膜炎的诊断进行智能辅助。内膜炎的诊断进行智能辅助。内膜炎的诊断进行智能辅助。

【技术实现步骤摘要】
一种宫腔镜下子宫内膜图像处理系统及图像处理方法


[0001]本公开涉及智能医疗及人工智能相关
，具体的说，是涉及一种宫腔镜下子宫内膜图像处理系统及图像处理方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。
[0003]慢性子宫内膜炎的诊断需要获取子宫内膜标本，传统的子宫内膜刮除法或者活检法由于是盲刮，可能会有取材误差，如果取材较少，可能无法充分评估内膜炎的严重程度。宫腔镜检查具有可视化特点，宫腔镜检查作为一种微创性检查手段，可以直视宫腔，研究全景宫腔，在宫腔病理诊断上可能优于刮宫术，能更好的取材，提高慢性子宫内膜炎的诊断准确性。
[0004]关于宫腔镜诊断标准的研究缺乏。通过宫腔镜对病患位置的图像进行识别，主要依赖于医生的经验，判断的主观性较大，对于年轻的医生出现误判的概率较大，给患者造成损失和延误病情。

技术实现思路

[0005]本公开为了解决上述问题，提出了一种宫腔镜下子宫内膜图像处理系统及图像处理方法，针对宫腔镜图像进行人工智能图像识别，得到异常区域的区域和评分，对内膜炎的诊断进行智能辅助。
[0006]为了实现上述目的，本公开采用如下技术方案：
[0007]一个或多个实施例提供了一种宫腔镜下子宫内膜图像处理系统，包括：
[0008]图像获取模块：被配置为用于获取待识别的宫腔镜图片；
[0009]特征提取模块：被配置为用于对获取的图像进行特征提取；
[0010]识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；
[0011]所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。
[0012]一个或多个实施例提供了一种宫腔镜下子宫内膜图像处理系统，包括：
[0013]图像采集装置以及处理器；
[0014]其中，所述图像采集装置为宫腔镜设备；
[0015]所述处理器包括：
[0016]图像获取模块：被配置为用于获取待识别的宫腔镜图片；
[0017]特征提取模块：被配置为用于对获取的图像进行特征提取；
[0018]识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到
异常区域和评分；
[0019]所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。
[0020]一个或多个实施例提供了一种宫腔镜下子宫内膜图像处理方法，包括如下步骤：
[0021]获取待识别的宫腔镜图片；
[0022]对获取的图像进行特征提取；
[0023]将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；
[0024]所述双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。
[0025]与现有技术相比，本公开的有益效果为：
[0026]通过基于双分枝编解码网络的智能分析方法，进行一次识别操作，就能够针对同一图像特征分别进行异常区域的识别和对应异常区域的评分，能够提高识别的效率，保证数据能够一对一的对应输出，提高了识别的准确性。进行深度学习后，建立智能化内膜炎宫腔镜诊断体系，最大程度减少判断的主观性，该评分系统可应用于慢性子宫内膜炎的临床辅助诊断，为年轻医生提供一个系统的评分标准。
[0027]本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
[0028]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
[0029]图1是本公开实施例1的系统的框图；
[0030]图2是本公开实施例1的双分枝编解码网络的结构示意图；
[0031]图3是本公开实施例1的各种异常区域的图例。
具体实施方式：
[0032]下面结合附图与实施例对本公开作进一步说明。
[0033]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0034]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公开的示例性实施方式。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。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
[0035]实施例1
[0036]在一个或多个实施方式公开的技术方案中，如图1所示，一种宫腔镜下子宫内膜图
像处理系统，包括：
[0037]图像获取模块：被配置为用于获取待识别的宫腔镜图片；
[0038]特征提取模块：被配置为用于对获取的图像进行特征提取；
[0039]识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；
[0040]所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。
[0041]本实施例中，通过基于双分枝编解码网络的智能分析方法，进行一次识别操作，就能够针对同一图像特征分别进行异常区域的识别和对应异常区域的评分，能够提高识别的效率，保证数据能够一对一的对应输出，提高了识别的准确性。进行深度学习后，建立智能化内膜炎宫腔镜诊断体系，最大程度减少判断的主观性，该评分系统可应用于慢性子宫内膜炎的临床辅助诊断，为年轻医生提供一个系统的评分标准。
[0042]可选的，特征提取模块，具体的对获取的图像的异常区域进行特征提取；所述异常区域即为存在异常变化的区域，包括但是不限于弥漫性充血区域、局灶性充血区域、散在点状充血区域、子宫内膜血管增粗区域、子宫内膜微小息肉区域以及子宫内膜息肉区域。
[0043]具体的，各种异常区域的图像如图3所示，弥漫性子宫内膜充血A，可以为：大面积充血，有时发红，类似草莓斑，所占面积子宫腔的1/2以上。
[0044]局灶性子宫内膜充血B，可以为：有设定面积范围的充血子宫内膜。充血的区域直径≥2cm。
[0045]扩张的子宫内膜血管C，可以表现为浅表和上皮下血管扩张明显显露。...

【技术保护点】

【技术特征摘要】
1.一种宫腔镜下子宫内膜图像处理系统，其特征在于，包括：图像获取模块：被配置为用于获取待识别的宫腔镜图片；特征提取模块：被配置为用于对获取的图像进行特征提取；识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。2.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：图像特征提取的方法通过卷积神经网络进行提取。3.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：双分枝编解码网络结构，包括骨干网络，连接在骨干网络输出端的类型预测分支网路以及区域预测分支网络；其中，类型预测网络包括依次连接的编码器、解码器和分类器，分类器输出预测类型后得到相应的分数；区域预测网络包括依次连接的编码器、解码器以及回归器。4.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：还包括双分枝编解码网络的训练模块，被配置为执行以下过程：构建图片数据集，针对每张图像中的异常区域，标注出异常区域、异常区域类型和评分；对数据集进行数据扩充增强操作，提高数据集的数据量；将扩充后的数据分为训练集和测试集；将训练集的数据进行特征提取后，输入至双分枝编解码网络进行训练，计算损失函数，直到达到损失函数小于设定值以及达到设定的训练次数，得到双分枝编解码网络的参数；将测试集的数据进行特征提取后，输入至双分枝编解码网络进行测试，评估双分枝编解码网络的准确率，当满足测试要求，得到训练后的双分枝编解码网络；否则，继续训练直到满足测试要求。5.如权利要求4所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：训练过程中损失函数包括区域损失与评分损失。6.如权利要求4所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：训练模块还被配置为执行双分枝编解码网络优化的过程，包括如下：获取未标注的宫腔镜图片，作为新数据集；将新数据集的图像提取特征后，输入至训练好的双分枝编解码网络，进行识别，对识别结果进行人工筛选，得到识别错误的图像样本；对错误的图像样本进行重新标记，标注的信息包括标注出异常区域、异常区域类型，得到修正标记后的优化数据集；将优化数据集的图像进行特征提取后，输入至训练好的双分枝编解码网络，基于优化后的新数据集模型进行重新训练，计算损失函数，直到达到损失函数小于设定值以及达到设定的训练次数，得到优化训练后的双分枝编解码网络的参数，即为得到优化训练的双分枝编解码网络。7.如权利要求1...

【专利技术属性】
技术研发人员：颜磊，陈子江，
申请(专利权)人：山东大学，
类型：发明
国别省市：