基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法技术

本发明专利技术公开了基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，包括以下步骤：数据集的建立，包括数据收集和图像标注；数据集的处理，划分数据集，将数据集分为训练集、测试集和验证集；搭建深度学习框架，采用YOLOv5目标检测算法构建模型；结肠息肉分型检测模型的构建，根据训练集数据配置YOLOv5相关模型参数，完成模型参数配置；模型中输入验证集数据，当计算验证集的输出与其对应标签的总体误差小于上一次迭代训练时的误差时，构建得到结肠息肉分型检测模型。人工智能技术与结肠息肉分型检测模型的建立相结合，能在结肠镜检查过程中实时发现结肠息肉，识别结肠息肉分型，预测结肠息肉的病理分型，为临床医师提供可靠的帮助。助。助。

【技术实现步骤摘要】
基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法


[0001]本专利技术是关于智能医疗的
，特别是关于一种基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法。

技术介绍

[0002]结肠息肉JNET分型作为结肠息肉内镜分型的一种，主要分为3型，其中2型包括2A型和2B型；JNET 1型：内镜下无血管或病灶表面仅有孤立的丝状血管，表面有黑色或白色圆点，与周围正常黏膜相似，病理提示增生性息肉或无蒂锯齿状腺瘤；JNET 2A型：微血管粗细、分布均规则，可呈网格或螺旋状，表面有规则的管状、分支状或乳头状结构，一般可提示低级别上皮内瘤变；JNET 2B型：血管的粗细和分布均不规则，表面结构模糊不清，一般提示为黏膜下浅层浸润癌或高级别上皮内瘤变；JNET 3型：血管区域较为稀疏，可有中断的较粗血管，表面为无定型区域，常提示为黏膜下深层浸润癌。
[0003]近年随着内镜应用的普及、内镜操作技术的不断改进和新技术的不断开发，单纯的内镜下治疗成为结肠息肉分型的首选检查方法，它具有安全、有效、方便且创伤小的优点，但同时也存在出血和穿孔等并发症。
[0004]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0005]本专利技术的目的在于提供基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，其能够避免内镜检测结肠息肉分型时出现的出血和穿孔的现象。
[0006]为实现上述目的，本专利技术提供了基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，包括以下步骤：
[0007]S1、数据集的建立，包括数据收集和图像标注，收集结肠息肉内镜下的图片，并且根据图片中息肉表面腺管及毛细血管的特征按JNET分型标准及病理结果对获得结肠息肉图片进行分类；将收集的各类结肠息肉图片统一存储格式，使用图像标注工具对分类整理好的结肠息肉图像进行标注处理，使用Python编写脚本，制作VOC数据集；
[0008]S2、数据集的处理，划分数据集，将VOC数据集按照JNET分型将结肠息肉进行分类，以6:2:2的比例将数据集分为训练集、测试集和验证集；
[0009]S3、搭建深度学习框架，在Ubuntu系统下安装Python3.7，安装配置结肠息肉分型检测模型运行的深度学习所需要的环境，采用YOLOv5目标检测算法构建模型，能够对结肠息肉定位并对结肠息肉表面特征提取并增强、融合，准确提取和输出结肠息肉表面特征并进行分类；
[0010]S4、结肠息肉分型检测模型的构建，根据所述VOC数据集的训练集数据配置YOLOv5相关模型参数，配置相关模型参数进行模型训练，根据结肠息肉分型种类修改classes相关参数，完成模型参数配置，进行模型迭代训练，计算所有迭代训练输出与对应标签的总体误
差；模型中输入验证集数据，当计算验证集的输出与其对应标签的总体误差小于上一次迭代训练时的误差时，构建得到结肠息肉分型检测模型。
[0011]进一步地，步骤S1中，将收集的各类结肠息肉图片统一存储格式后，需要进行图像缩放，对图片进行像素均值归一化。
[0012]优选地，步骤S1中，使用图像标注工具对分类整理好的结肠息肉图像进行标注处理，使用矩形框标注出图片中的结肠息肉，根据图片尺寸、矩形框坐标、结肠息肉JNET分型信息生成XML格式文档，使用Python编写脚本将XML格式文档转换为TXT格式文件，制作VOC数据集，转换完的TXT格式文件记录着每张图片中的JNET分型信息、病变类别信息以及坐标信息。
[0013]优选地，步骤S2中，所述训练集用于结肠息肉分型检测模型的训练和保存结肠息肉分型检测模型的参数，所述验证集用于评估结肠息肉分型检测模型的效果和调整结肠息肉分型检测模型的参数，所述测试集用于验证结肠息肉分型检测模型的最终效果。
[0014]进一步地，步骤S3中，YOLOv5包含
[0015]输入端，用于对所述训练集进行数据增强操作，先使用改变图片的亮度、对比度和饱和度方法来增加训练集中的图片数量，再使用mosaic算法将训练集中的图片进行拼接，丰富训练集中的数据，达到数据增强的目的；
[0016]Backbone模块，用于使结肠息肉分型检测模型轻量化和增强准确性，由Focus结构和CSP结构组成；
[0017]Neck模块，用于通过向上采样的方法将上层的特征进行传输融合，从而得到预测特征图，由FPN和PAN组成；
[0018]Prediction模块，用于生成带有类的概率、目标得分和坐标的输出向量，输出预测结果。
[0019]进一步地，步骤S4中，计算所有迭代训练输出与对应标签的总体误差之后，采用BP算法将所有迭代训练输出与对应标签的总体误差反馈至深度学习框架各层，结合loss曲线和该总体误差采用梯度下降法调整深度学习框架的参数。
[0020]进一步地，还包括步骤：
[0021]S5，结肠息肉分型检测模型的效能评估，使用测试集数据对结肠息肉分型检测模型的检测效能进行评估，输出预测结果。
[0022]与现有技术相比，根据本专利技术的基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，具有如下有益效果：
[0023]能够提取并增强息肉表面毛细血管和腺管特征，将人工智能技术与结肠息肉分型检测模型的建立相结合，能在结肠镜检查过程中实时发现结肠息肉，识别结肠息肉分型，借助YOLOV5目标检测算法，通过使用损失函数计算模型输出的模型训练预算结果，判断到训练预算结果与真实标注结果之间的误差，更新模型的神经网络中的参数，准确率达到93％，提高结肠息肉JNET分型检测的准确率。
附图说明
[0024]图1是根据本专利技术一实施方式的基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法的流程图；
[0025]图2是根据本专利技术一实施方式的未调整模型参数前的结肠息肉分型检测模型的P
‑
R曲线图；
[0026]图3是根据本专利技术一实施方式的数据增强及调整模型参数后的结肠息肉分型检测模型的P
‑
R曲线图；
[0027]图4是根据本专利技术一实施方式的结肠息肉分型检测模型的检测结果示意图。
具体实施方式
[0028]下面结合附图，对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0029]除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
[0030]根据本专利技术优选实施方式的一种基于图像卷积特征捕捉的结肠息肉分型模型的建立方法，能够提取并增强息肉表面毛细血管和腺管特征，将人工智能技术与结肠息肉分型模型的建立相结合，识别结肠息肉分型，提高结肠息肉JNET分型识别的准确率。
[0031]如图1所示，基于图像卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，其特征在于，包括以下步骤：S1、数据集的建立，包括数据收集和图像标注，收集结肠息肉内镜下的图片，并且根据图片中息肉表面腺管及毛细血管的特征按JNET分型标准及病理结果对获得结肠息肉图片进行分类；将收集的各类结肠息肉图片统一存储格式，使用图像标注工具对分类整理好的结肠息肉图像进行标注处理，使用Python编写脚本，制作VOC数据集；S2、数据集的处理，划分VOC数据集，将VOC数据集按照JNET分型将结肠息肉进行分类，以6:2:2的比例将VOC数据集分为训练集、测试集和验证集；S3、搭建深度学习框架，在Ubuntu系统下安装Python3.7，安装配置结肠息肉分型检测模型运行的深度学习所需要的环境，采用YOLOv5目标检测算法构建模型，能够对结肠息肉定位并对结肠息肉表面特征提取并增强、融合，准确提取和输出结肠息肉表面特征并进行分类；S4、结肠息肉分型检测模型的构建，根据所述VOC数据集的训练集数据配置YOLOv5相关模型参数，配置相关模型参数进行模型训练，根据结肠息肉分型种类修改classes相关参数，完成模型参数配置，进行模型迭代训练，计算所有迭代训练输出与对应标签的总体误差；模型中输入验证集数据，当计算验证集的输出与其对应标签的总体误差小于上一次迭代训练时的误差时，构建得到结肠息肉分型检测模型。2.如权利要求1所述的基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，其特征在于，步骤S1中，将收集的各类结肠息肉图片统一存储格式后，需要进行图像缩放，对图片进行像素均值归一化。3.如权利要求1所述的基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法，其特征在于，步骤S1中，使用图像标注工具对分类整理好的结肠息肉图像进行标注处理，使用矩形框标注出图片中的结肠息肉，根据图片尺寸、矩形框坐标、结肠息肉JNET分型信息生成X...

【专利技术属性】
技术研发人员：李汛，朱兴旺，严俊，苗龙，何英丽，
申请(专利权)人：兰州大学第一医院，
类型：发明
国别省市：