基于深度学习的食管鳞癌早癌辅助诊断系统技术方案

本发明专利技术公开了一种基于深度学习的食管鳞癌早癌辅助诊断系统，包括：食管内镜图像采集子系统、云平台服务端和客户端；食管内镜图像采集子系统用以采集食管内镜图像并传输至云平台服务端；云平台服务端包括数据存储模块、数据服务处理模块以及计算服务模块，计算服务模块包括基于深度学习网络的图像质量判定模型、食管病变状态检测模型和早癌分级检测模型。本发明专利技术能够解决传统食管鳞癌检查因医生水平不均出现的漏检问题，通过双线性池化和注意力融合机制的食管病变状态检测模型能够识别病灶部位，通过融合注意力机制的轻量化残差网络构建的早癌分级检测模型能够实现食管鳞癌早癌的分级，从而形成简单易用的基于深度学习的食管鳞癌早癌辅助诊断平台。的食管鳞癌早癌辅助诊断平台。的食管鳞癌早癌辅助诊断平台。

【技术实现步骤摘要】
基于深度学习的食管鳞癌早癌辅助诊断系统


[0001]本专利技术涉及计算机辅助诊断
，特别涉及一种基于深度学习的食管鳞癌早癌辅助诊断系统。

技术介绍

[0002]在计算机辅助诊断领域中，以卷积神经网络为代表的深度学习技术已经被应用于上消化道内镜、结肠镜、胶囊内镜等内镜影像分析领域，这种应用方式对于提高内镜影像诊断精度和诊断效率具有重要的意义。
[0003]内镜检查是检查早期食管鳞癌的有效手段，可以大幅降低其发病率和死亡率。但完整的上消化道内镜检查标准流程耗时较长，包含检查术前准备、循腔进镜、分段观察、切换模态等复杂操作，因此，内镜检查过程会受到多方面因素的影响，如：操作规范性、临床经验、视觉疲劳度以及个体间病灶的异质性等。部分食管癌的早期病变在内镜下表现为黏膜的细微变化，视觉特征不显著，难以被发现。因此相当一部分的早期食管癌病灶被遗漏，导致在临床实践的过程中，出现早期食管鳞癌敏感度较低、漏诊率较高、内镜筛查效果不佳等问题。
[0004]此外，在全国实现区域内医疗资源共享，基层首诊、双向转诊、急慢分治、上下联动的分级诊疗模式下，中心医院收集数据的过程中出现结构化数据多样、文件数据质量不均一等问题，增加了食管癌筛查与诊断工作的难度，为提供连续性、高质量的医疗卫生服务带来了极大的困难。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度学习的食管鳞癌早癌辅助诊断系统。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种基于深度学习的食管鳞癌早癌辅助诊断系统，包括：食管内镜图像采集子系统、云平台服务端和客户端；
[0007]所述食管内镜图像采集子系统用以采集食管内镜图像并传输至所述云平台服务端；
[0008]所述云平台服务端包括数据存储模块、数据服务处理模块以及计算服务模块，所述计算服务模块包括基于深度学习网络的图像质量判定模型、食管病变状态检测模型和早癌分级检测模型；
[0009]所述数据服务处理模块包括质量控制单元、食管鳞癌早癌辅助诊断单元和报告生成单元，所述质量控制单元调用所述图像质量判定模型用以对输入的食管内镜图像的图像质量进行判断，质量合格的食管内镜图像再被输入到所述食管鳞癌早癌辅助诊断单元中；所述食管鳞癌早癌辅助诊断单元调用所述食管病变状态检测模型以对食管内镜图像进行正常食管、良性病变和食管鳞癌的分类，当所述食管病变状态检测模型的分类结果为食管鳞癌时，所述食管鳞癌早癌辅助诊断单元调用所述早癌分级检测模型进一步对食管内镜图
像进行早癌级别的分类；
[0010]所述报告生成单元根据所述食管鳞癌早癌辅助诊断单元的结果自动生成食管鳞癌早癌的辅助诊断报告，并输出。
[0011]优选的是，所述食管内镜图像采集子系统与电子消化内镜设备连接，实时采集并显示电子消化内镜设备获取的食管内镜图像，去除非内镜图像信息后上传至所述云平台服务端；
[0012]所述食管内镜图像采集子系统采集的同一个区域的食管内镜图像包括白光非放大食管内镜图像和蓝光放大食管内镜图像，以供所述食管病变状态检测模型和早癌分级检测模型进行选择。
[0013]优选的是，所述图像质量判定模型为Faster RCNN网络模型，其根据能表征图像质量的若干特征，给出输入的食管内镜图像的质量等级得分，然后由医生根据该得分结果判断图像是否合格，只有判断合格的食管内镜图像输送至所述数据存储模块中进行保存；
[0014]其中，所述特征至少包括图像的清晰度、对比度、饱和度、反光区域占比、气泡遮挡区域占比和仪器遮挡区域占比。
[0015]优选的是，所述食管病变状态检测模型以ResNet50为基础框架，包括输入层、残差模块、双线性池化模块以及输出层，每个残差模块中均加入有全局通道注意力模块，所述食管病变状态检测模型以白光非放大食管内镜图像为输入，根据食管病变图像的特征对输入图像进行正常食管、良性病变和食管鳞癌的分类，分类结果输出至所述食管鳞癌早癌辅助诊断单元。
[0016]优选的是，所述早癌分级检测模型以ResNet50为基础框架，包括卷积层、池化层、GSCBottleneck轻量化残差模块、全连接层和平均池化层；
[0017]所述GSCBottleneck轻量化残差模块包括GhostModule和SCConv卷积模块，并引入了CA注意力机制模块；
[0018]所述早癌分级检测模型以被分类为食管鳞癌的白光非放大食管内镜图像所对应位置的蓝光放大食管内镜图像为输入，进一步对食管内镜图像进行早癌级别的分类。
[0019]优选的是，所述早癌分级检测模型对早癌级别的分类结果包括B1型IPCL血管襻与B2型IPCL血管襻。
[0020]优选的是，所述数据服务处理模块还包括图像处理单元、数据传输单元和信息管理单元；
[0021]优选的是，所述图像处理单元用以对食管内镜图像的尺寸、形状、明暗度进行调整，以及对图像中的感兴趣区域进行标注与备注；
[0022]所述数据传输单元用以实现所述食管内镜图像采集子系统和云平台服务端之间的数据传输，以及云平台服务端和客户端之间的数据传输。
[0023]优选的是，所述食管内镜图像采集子系统的工作步骤包括：
[0024]1‑
1)接收电子消化内镜设备输出的食管图像信号，进行转码并同步显示电子消化内镜获取的实时图像；
[0025]1‑
2)录入当前患者的病历信息并进行存储；
[0026]1‑
3)采集感兴趣的食管图像，并进行保存，同时将感兴趣的食管图像与患者病历信息进行结构化处理，完成数据打包与数据压缩后上传至所述云平台服务端。
[0027]优选的是，所述云平台服务端的工作步骤包括：
[0028]2‑
1)数据传输单元接收所述食管内镜图像采集子系统发送的数据并解析；
[0029]2‑
2)所述质量控制单元调用所述图像质量判定模型对输入的食管内镜图像的图像质量进行判断，并给出质量得分，医生根据该得分判断图像是否合格；判断合格的食管内镜图像输送至所述数据存储模块中进行保存，然后进行后续步骤；图像判断不合格时，向所述食管内镜图像采集子系统发送图像退回信息；
[0030]2‑
3)所述图像处理单元接收质量判断合格的食管内镜图像，并进行尺寸、形状、明暗度的调整，以及对图像中的感兴趣区域进行标注与备注；
[0031]2‑
4)所述食管鳞癌早癌辅助诊断模块接收经所述图像处理单元处理后的食管内镜图像，筛选出白光非放大食管内镜图像，然后调用所述食管病变状态检测模型以对白光非放大食管内镜图像进行变状态检测，实现正常食管、良性病变和食管鳞癌的分类；
[0032]当所述食管病变状态检测模型的分类结果为食管鳞癌时，所述食管鳞癌早癌辅助诊断单元再筛选出与当前白光非放大食管内镜图像对应的相同感兴趣区域的蓝光放大食管内镜图像，然后调用所述早癌分级检测模型，对蓝光放大食管内镜图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的食管鳞癌早癌辅助诊断系统，其特征在于，包括：食管内镜图像采集子系统、云平台服务端和客户端；所述食管内镜图像采集子系统用以采集食管内镜图像并传输至所述云平台服务端；所述云平台服务端包括数据存储模块、数据服务处理模块以及计算服务模块，所述计算服务模块包括基于深度学习网络的图像质量判定模型、食管病变状态检测模型和早癌分级检测模型；所述数据服务处理模块包括质量控制单元、食管鳞癌早癌辅助诊断单元和报告生成单元，所述质量控制单元调用所述图像质量判定模型用以对输入的食管内镜图像的图像质量进行判断，质量合格的食管内镜图像再被输入到所述食管鳞癌早癌辅助诊断单元中；所述食管鳞癌早癌辅助诊断单元调用所述食管病变状态检测模型以对食管内镜图像进行正常食管、良性病变和食管鳞癌的分类，当所述食管病变状态检测模型的分类结果为食管鳞癌时，所述食管鳞癌早癌辅助诊断单元调用所述早癌分级检测模型进一步对食管内镜图像进行早癌级别的分类；所述报告生成单元根据所述食管鳞癌早癌辅助诊断单元的结果自动生成食管鳞癌早癌的辅助诊断报告，并输出。2.根据权利要求1所述的基于深度学习的食管鳞癌早癌辅助诊断系统，其特征在于，所述食管内镜图像采集子系统与电子消化内镜设备连接，实时采集并显示电子消化内镜设备获取的食管内镜图像，去除非内镜图像信息后上传至所述云平台服务端；所述食管内镜图像采集子系统采集的同一个区域的食管内镜图像包括白光非放大食管内镜图像和蓝光放大食管内镜图像，以供所述食管病变状态检测模型和早癌分级检测模型进行选择。3.根据权利要求2所述的基于深度学习的食管鳞癌早癌辅助诊断系统，其特征在于，所述图像质量判定模型为Faster RCNN网络模型，其根据能表征图像质量的若干特征，给出输入的食管内镜图像的质量等级得分，然后由医生根据该得分结果判断图像是否合格，只有判断合格的食管内镜图像输送至所述数据存储模块中进行保存；其中，所述特征至少包括图像的清晰度、对比度、饱和度、反光区域占比、气泡遮挡区域占比和仪器遮挡区域占比。4.根据权利要求3所述的基于深度学习的食管鳞癌早癌辅助诊断系统，其特征在于，所述食管病变状态检测模型以ResNet50为基础框架，包括输入层、残差模块、双线性池化模块以及输出层，每个残差模块中均加入有全局通道注意力模块，所述食管病变状态检测模型以白光非放大食管内镜图像为输入，根据食管病变图像的特征对输入图像进行正常食管、良性病变和食管鳞癌的分类，分类结果输出至所述食管鳞癌早癌辅助诊断单元。5.根据权利要求4所述的基于深度学习的食管鳞癌早癌辅助诊断系统，其特征在于，所述早癌分级检测模型以ResNet50为基础框架，包括卷积层、池化层、GSCBottleneck轻量化残差模块、全连接层和平均池化层；所述GSCBottleneck轻量化残差模块包括GhostModule和SCConv卷积模块，并引入了CA注意力机制模块；所述早癌分级检测模型以被分类为食管鳞癌的白光非放大食管内镜图像所对应位置的蓝光放大食管内镜图像为输入，进一步对食管内镜图像进行早癌级别的分类。
6.根据权利要求5所述的基于深...

【专利技术属性】
技术研发人员：孙玮，陈振鑫，梁燕，庄媛，周哲典，李鹏，冯亚东，赵凌霄，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：