一种基于卷积神经网络的息肉检测方法技术

本发明专利技术涉及一种息肉检测技术领域，本发明专利技术公开了一种基于卷积神经网络的息肉检测方法，包括采集患者肠道检测原始图像，构建息肉检测模型，构建息肉检测数据集，生成合成图像，验证分类损失，提取过渡区域图像特征，计算模型的预测概率分布与图像真实分布之间的交叉熵损失，以合成图像与目标图像的对比损失和过渡区域的特征分类损失以及交叉熵损失的加权和作为息肉训练模型的总损失函数，根据模型总损失函数选择预测结果，以多视角多距离方式采集息肉图像，在息肉分类过程中引入息肉与肠道背景的过渡区域来进一步对息肉图像检测识别，通过多层次多区域多特征对息肉数据集进行融合分类能够提高息肉检测的准确率，减少了息肉检测的假阳性。的假阳性。的假阳性。

【技术实现步骤摘要】
一种基于卷积神经网络的息肉检测方法


[0001]本专利技术涉及一种息肉检测
，具体是一种基于卷积神经网络的息肉检测方法。

技术介绍

[0002]息肉检测常用于诊断结直肠癌，结直肠癌是世界目前最常见的消化系统恶性肿瘤之一，大部分的结直肠癌起源于肿瘤息肉，基于结肠镜的息肉检测是医学图像计算中的关键任务，然而，受肠道复杂环境的影响，气泡、晶状体反射、残留物和阴影等都可能会显示出息肉特征，息肉的分化程度更是难以仅凭借白光下的结肠镜图像加以辨别，所以一个精准客观的计算机辅助分类系统是十分必要的，息肉分类是一项常规的计算机视觉任务，可以将图像或视频中的息肉病理类型自动判别出来，帮助医生在诊疗过程中做出正确的判断，从而节省了医生的精力，同时也降低了误诊漏诊的可能。息肉分类是一项常规的计算机视觉任务，可以将图像或视频中的息肉病理类型自动判别出来，帮助医生在诊疗过程中做出正确的判断，从而节省了医生的精力，同时也降低了误诊漏诊的可能。目前，深度学习检测模型被广泛应用于息肉检测中，但是在临床实际操作中，往往受困于肠道环境复杂，镜头视野内存在大量异物、液体与模糊等噪音，仅根据单一的结肠镜影像很难做出准确的结果评估，这也是现有方法的准确度与敏感度差强人意的原因。研究发现，一种高效的息肉检测框架提出多分支空间注意机制能够使模型更加关注息肉病变区域，同时利用多尺度采样策略结合最大似然损失，通过从背景中的可疑区域学习来减少假阳性，进一步的，提出余弦相似性损失来提高正负图像的区分能力，但是在息肉分类过程中仅针对真实图像做特征处理，而图像采集易受肠道环境影响经常导致采集的图像与真实情况有所偏差，因此亟需发展新的息肉识别分类方法，以此来减少息肉检测的假阳性，借此降低误诊漏诊的概率。

技术实现思路

[0003]本专利技术的目的在于提供一种基于卷积神经网络的息肉检测方法，通过利用模拟器合成息肉图像并且将合成息肉图像与真实息肉图像共同纳入息肉训练中，得到更泛化的息肉分类模型，同时在息肉分类过程中引入息肉与肠道背景的过渡区域来进一步对息肉图像检测识别可以有效解决
技术介绍
中的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种基于卷积神经网络的息肉检测方法，包括以下步骤：
[0006]第一步：采集患者肠道检测原始图像；
[0007]第二步：对图像数据中的疑似息肉目标进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似息肉图像作为目标图像；
[0008]第三步：建立息肉检测数据集，包括正常图像数据集和息肉数据集，正常图像数据集包括以往病例检查中具有可疑目标的正常检查图集，息肉数据集包括待检测目标的检查图集；
[0009]第四步：息肉检测数据集处理，随机从正常图像数据集选取与目标图像同一类别的一对随机图像，利用卷积神经网络模型和多分支空间注意机制将随机图像映射为目标图像的合成图像，计算合成图像与目标图像的对比损失；
[0010]第五步：根据合成图像与目标图像的验证结果，将相关性与相似度均满足要求的图集输入至分类网络中，对合成图像与目标图像做分类评估，验证合成图像与目标图像的分类损失；
[0011]第六步：分类评估过程中加入目标区域与背景之间的过渡区域(Ω)为评价因素，从过渡区域(Ω)中选取特征值，对比特征值的差异性，选取过渡区域(Ω)的色彩等级(c)和血管分布密度(m)以及平滑度(s)为特征值，将提取出的特征图定义为域R，域R分为包含过渡区域特征的域Ω1和过渡区域外的域R1，将Ω1与R1分别展开为维度为c
×
m
×
s的特征向量与并加入一个嵌入层将其投影为i维度的特征向量，i代表数据集中的样本类别数量，最终得到的特征向量视作息肉训练模型对过渡区域的预测向量；分类损失评估利用最大似然损失和余弦相似损失来减少预测错误率，总体分类损失
[0012][0012]代表余弦相似性损失，k代表K邻近分类系数，i、j代表特征向量上的某点坐标；
[0013]第七步：计算息肉训练模型的预测概率分布与图像真实分布之间的交叉熵损失；
[0014]第八步：以合成图像与目标图像的对比损失Ls和过渡区域的特征分类损失L
cs
以及交叉熵损失的加权和作为息肉训练模型的总损失函数，总损失函数值越小，则表明模型训练精度越高
[0015]第九步：设定息肉训练模型总损失函数阈值，对于总损失函数小于总损失函数阈值的分类结果可直接输出息肉预测结果，对于超出总损失函数阈值的分类模型则返回生成合成图像路径重新对疑似息肉图像进行检测。
[0016]作为本专利技术再进一步的方案：所述第一步中采集患者肠道检测原始图像是利用结肠镜检查技术手段采集待检测原始图像，所采集的待检测患者肠道检测原始图像为高分辨率图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响。
[0017]作为本专利技术再进一步的方案：所述第三步中建立数据集是基于结肠镜检查的自动息肉检测识别功能对检测区域进行多角度多方位图像数据采集，以疑似目标所在区域为基准，调整采样角度α，一个采样角度下调整采样距离对疑似目标区域图像进行采样，采样端口为域A，待检测区域为域B，域A范围内有特征向量a(a1，a2，a3，...，an)，域B存在特征向量b(b1，b2，b3，...，bn)，点对点之间的距离为域A与域B之间的距离域A与域B之间的距离为域A的边界曲线函数，记录采样角度α以及采样距离D。
[0018]作为本专利技术再进一步的方案：所述第四步中生成合成图像是通过设置背景图像，在背景图像下渲染息肉来得到合成图像，设置背景图像通过利用环境模拟器设置息肉环境来实现，其中包括设置息肉环境湿度、温度与血管密度。
[0019]作为本专利技术再进一步的方案：所述第四步中计算合成图像与目标图像的对比损失中所需的对比损失函数为N代表样本数量，用于验证合成图像与目标图像的相关性损失，用于验证合成图像与目标图像的匹配程度，Dw为合成图像的特征X1与目标图像的特征X2的欧式距离，即代表优化过程中的影响因子，d为合成图像的特征X1与目标图像的特征X2的维度，C
S
，C
T
代表合成图像的特征X1与目标图像的特征X2在d维度的协方差矩阵，F是输入初始常量，验证合成图像与目标图像的对比损失，能够减少样本分类时息肉假阳性概率。
[0020]作为本专利技术再进一步的方案：所述第六步中分类评估标准为评估标准为T
r
代表正确率，F
L
代表错误率，M
i
代表漏报率，N
T
是检测图像中被正确分类的样本数量，N是检测图像样本总数，N
fp
是检测样本中正常图像被识别分类为息肉图像的样本数量，N
p
‑
po
是检测图像中被模型分类识别为息肉图像的样本数量，N
fn
是检测图像中息肉图像被识别为正常图像的样本数量，N<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的息肉检测方法，其特征在于，包括以下步骤：第一步：采集患者肠道检测原始图像；第二步：对图像数据中的疑似息肉目标进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似息肉图像作为目标图像；第三步：建立息肉检测数据集，包括正常图像数据集和息肉数据集，正常图像数据集包括以往病例检查中具有可疑目标的正常检查图集，息肉数据集包括待检测目标的检查图集；第四步：息肉检测数据集处理，随机从正常图像数据集选取与目标图像同一类别的一对随机图像，利用卷积神经网络模型和多分支空间注意机制将随机图像映射为目标图像的合成图像，计算合成图像与目标图像的对比损失；第五步：根据合成图像与目标图像的验证结果，将相关性与相似度均满足要求的图集输入至分类网络中，对合成图像与目标图像做分类评估，验证合成图像与目标图像的分类损失；第六步：分类评估过程中加入目标区域与背景之间的过渡区域(Ω)为评价因素，从过渡区域(Ω)中选取特征值，对比特征值的差异性，选取过渡区域(Ω)的色彩等级(c)和血管分布密度(m)以及平滑度(s)为特征值，将提取出的特征图定义为域R，域R分为包含过渡区域特征的域Ω1和过渡区域外的域R1，将Ω1与R1分别展开为维度为c
×
m
×
s的特征向量与并加入一个嵌入层将其投影为i维度的特征向量，i代表数据集中的样本类别数量，最终得到的特征向量视作息肉训练模型对过渡区域的预测向量；分类损失评估利用最大似然损失和余弦相似损失来减少预测错误率，总体分类损失代表余弦相似性损失，k代表K邻近分类系数，i、j代表特征向量上的某点坐标；第七步：计算息肉训练模型的预测概率分布与图像真实分布之间的交叉熵损失；第八步：以合成图像与目标图像的对比损失Ls和过渡区域的特征分类损失L
cs
以及交叉熵损失的加权和作为息肉训练模型的总损失函数，总损失函数值越小，则表明模型训练精度越高第九步：设定息肉训练模型总损失函数阈值，对于总损失函数小于总损失函数阈值的分类结果可直接输出息肉预测结果，对于超出总损失函数阈值的分类模型则返回生成合成图像路径重新对疑似息肉图像进行检测。2.根据权利要求1所述的一种基于卷积神经网络的息肉检测方法，其特征在于，所述第一步中采集患者肠道检测原始图像是利用结肠镜检查技术手段采集待检测原始图像，所采集的待检测患者肠道检测原始图像为高分辨率图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响。3.根据权利要求1所述的一种基于卷积神经网络的息肉检测方法，其特征在于，所述第三步中建立数据集是基于结肠镜检查的自动...

【专利技术属性】
技术研发人员：谭美云，俞梅梅，徐勇军，
申请(专利权)人：中科厦门数据智能研究院，
类型：发明
国别省市：