【技术实现步骤摘要】
一种基于二阶段深度学习网络的阴道镜影像区域识别方法和装置以及设备
[0001]本专利技术涉及图像识别
,尤其涉及一种基于二阶段深度学习网络的阴道镜影像区域识别方法和装置以及设备。
技术介绍
[0002]阴道显微镜是用于临床查看宫颈、阴道、外阴组织的器械。主要由显微镜、套管、显微镜台及置物架组成。通常由观察系统、照明系统组成,观察系统是具有目镜、物镜的短工作距的体视光学显微系统,可外接图像采集显示系统。利用显微放大原理,观察物体细节。现有技术阴道镜与图像分析算法的结合在临床查看宫颈、阴道、外阴组织中起着重要的作用,但其存在两个主要问题:
[0003](1)阴道镜图像包含众多复杂元素,图像中有些区域并不典型且区域较小,现有的技术手段对于非典型小区域的细节信息不够敏感,且对特征的选择具有较高的不可解释性,使得目前的技术方案只能输出大致的区域,不能获得监测点。
[0004](2)阴道镜图片光线受限,其图片往往受环境光源影响较大,且在阴道镜检查的过程中,阴道镜镜头一直在移动,容易使非典型小区域的细节信息丢失,致使其不容易识别出来。
技术实现思路
[0005]有鉴于此,本专利技术的目的在于提出一种基于二阶段深度学习网络的阴道镜影像区域识别方法和装置以及设备,能够实现通过阴道镜的图像来识别非典型小区域的位置及监测点。
[0006]根据本专利技术的一个方面,提供一种基于二阶段深度学习网络的阴道镜影像区域识别方法,包括:利用阴道镜采集不同影像数据;构建基于影像数据的U型变换卷积神经网络模型 ...
【技术保护点】
【技术特征摘要】
1.一种基于二阶段深度学习网络的阴道镜影像区域识别方法,其特征在于,包括:利用阴道镜采集不同影像数据;构建基于影像数据的U型变换卷积神经网络模型;采用U型变换卷积神经网络对所述构建的U型变换卷积神经网络模型进行训练;根据所述训练后的U型变换卷积神经网络模型,输出预测影像数据中的非典型小区域的训练结果;构建基于所述U型变换卷积神经网络训练结果的YOLO神经网络模型;采用YOLO神经网络训练所述YOLO神经网络模型;根据所述训练后的U型变换卷积神经网络模型
‑
YOLO神经网络模型的二阶段深度学习模型,来对阴道镜影像数据进行对应该影像数据的非典型小区域以及监测点的预测。2.如权利要求1所述的基于二阶段深度学习网络的阴道镜影像区域识别方法,其特征在于,所述采用U型变换卷积神经网络对所述构建的U型变换卷积神经网络模型进行训练,包括:构建U型变换卷积神经网络,并采用U型变换卷积神经网络对所述影像数据中的每个影像进行相应非典型小区域的边缘进行打标,和U型变换卷积神经网络对所述经非典型小区域的边缘进行打标后的影像数据中提取出每个非典型小区域的图像特征,并从所述图像特征中提取出颜色特征、纹理特征、形状特征和空间关系特征作为U型变换卷积神经网络的训练输入的方式,以及采用所述将颜色特征、纹理特征、形状特征和空间关系特征作为训练输入的U型变换卷积神经网络对所述构建的U型变换卷积神经网络模型进行训练。3.如权利要求1所述的基于二阶段深度学习网络的阴道镜影像区域识别方法,其特征在于,所述采用YOLO神经网络训练所述YOLO神经网络模型,包括:利用U型变换卷积神经网络训练结果构建YOLO神经网络,并采用YOLO神经网络对所述U型变换卷积神经网络训练结果中的每个影像进行相应监测点的边缘进行打标,和YOLO神经网络对所述经监测点的边缘进行打标后的影像数据中提取出每个监测点的图像特征,并从所述图像特征中提取出颜色特征、纹理特征、形状特征和空间关系特征作为YOLO神经网络的训练输入的方式,以及采用所述将颜色特征、纹理特征、形状特征和空间关系特征作为训练输入的YOLO神经网络对所述构建的YOLO神经网络模型进行训练。4.如权利要求1所述的基于二阶段深度学习网络的阴道镜影像区域识别方法,其特征在于,所述根据所述训练后的U型变换卷积神经网络模型
‑
YOLO神经网络模型的二阶段深度学习模型,来对阴道镜影像数据进行对应该影像数据的非典型小区域以及监测点的预测,包括:对阴道镜采集的影像数据进行预处理,和根据所述经训练后的U型变换卷积神经网络模型,从所述预处理后的影像数据中提取出对关联所述非典型小区域的颜色特征、纹理特征、形状特征和空间关系特征,将所述提取出的关联所述非典型小区域的颜色特征、纹理特征、形状特征和空间关系特征输入所述经训练后的U型变换卷积神经网络模型,来对影像中的非典型小区域进行识别,通过所述经训练后的U型变换卷积神经网络模型得到预测的非典型小区域的边框,基于输出的非典型小区域结果中提取出对关联所述监测点的颜色特征、纹理特征、形状特征和空间关系特征,将所述提取出的关联所述监测点的颜色特征、纹理特征、形状特征和空间关系特征输入所述经训练后的YOLO神经网络模型,来对影像中的
非典型小区域进行识别,通过所述经训练后的YOLO神经网络模型得到预测的监测点位置。5.一种基于二阶段深度学习网络的阴道镜影像区域识别装置,其特征在于,包括:获取模块、构建模块、训练模块和预测模块;所述获取...
【专利技术属性】
技术研发人员:严龙生,帅建伟,李家和,陈钒萱,史依,罗欢,
申请(专利权)人:厦门颐安智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。