System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及超声图像分析,具体为一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置。
技术介绍
1、现有技术中对于胃间质瘤在胃超声内镜下的病灶标注大致分为两类,第一类是器官层级的,也就是对胃肿物超声学的分析;另一种是细胞层级的,也就是对胃肿物进行采样而后进一步染色从而进行组织学的分析。其中涉及到的计算机视觉或者机器学习模型大致都是卷积神经网络类的模型,即通过较成熟的卷积类算法进行肿物良性或者恶性的分类,从大方向归类属于监督学习,即以肿物的诊断结果为标签,通过卷积类算法特征提取的特点完成胃超声影像或者胃细胞学影像的分类研究。
2、基于胃超声影像的现有技术有两个缺点,精度低是一方面,更主要的是没有对于胃超声影像的疑似病灶区(region of interests, roi)的自动标记方法。基于胃肿物的组织学方法配合人工智能算法,虽然能够达到较高的准确度,但流程复杂,且进行的是细胞级别的分析,缺乏对病灶整体的认识。
技术实现思路
1、本专利技术的目的就在于为了解决上述至少一个技术问题而提供一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置。
2、第一方面,本专利技术实施例提供了一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,包括:第一训练模块,处理模块,第二训练模块和识别模块;其中,所述第一训练模块,用于基于预设超声胃镜图像集对第一预设卷积神经网络进行训练,得到训练好的二分类器;所述预设超声胃镜图像集为包括胃间质瘤特征的超声胃镜图像的集合;所述处理模块,用于对所述
3、进一步地,所述第一预设卷积神经网络包括输入层、多个组合层和多个全连接层;所述组合层为卷积层、激活层、删除层和平均池化层的组合层。
4、进一步地,所述处理模块,还用于:基于预设滑块和预设滑动间隔,对目标超声胃镜图像从左上向右下滑动;所述目标超声胃镜图像为所述预设超声胃镜图像集中的一个超声胃镜图像;基于所述训练好的二分类器,对于所述预设滑块在每个滑动位置所遮挡的图块进行二分类识别,得到每个滑动位置对应的胃间质瘤概率值;对所述目标超声胃镜图像对应的所有胃间质瘤概率值进行归一化处理,得到归一化概率值;基于所述归一化概率值,生成所述目标超声胃镜图像对应的感兴趣区域图。
5、进一步地,所述第二预设卷积神经网络包括基于自动编码器架构的卷积神经网络。
6、进一步地,所述基于自动编码器架构的卷积神经网络包括编码器和解码器;所述编码器包括多个序列化组合层,所述序列化组合层为卷积层、批标准化层、激活层和最大池化层组成的组合层;所述解码器包括多个由转置卷积层、批标准化层和激活层组成的组合层。
7、本专利技术提供了一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,通过深度学习方法,搭建基于自动编码器的卷积神经网络,能够精确标注和识别胃超声图像中的胃间质瘤关键区域,实现了高度自动化的图像分析,减少了对人工干预的依赖,提供了更细致和准确的感兴趣区域的识别。
本文档来自技高网...【技术保护点】
1.一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,其特征在于,包括:第一训练模块,处理模块,第二训练模块和识别模块;其中,
2.根据权利要求1所述的装置,其特征在于:所述第一预设卷积神经网络包括输入层、多个组合层和多个全连接层;所述组合层为卷积层、激活层、删除层和平均池化层的组合层。
3.根据权利要求1所述的装置,其特征在于:所述处理模块,还用于:
4.根据权利要求1所述的装置,其特征在于:所述第二预设卷积神经网络包括基于自动编码器架构的卷积神经网络。
5.根据权利要求4所述的装置,其特征在于:所述基于自动编码器架构的卷积神经网络包括编码器和解码器;
【技术特征摘要】
1.一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,其特征在于,包括:第一训练模块,处理模块,第二训练模块和识别模块;其中,
2.根据权利要求1所述的装置,其特征在于:所述第一预设卷积神经网络包括输入层、多个组合层和多个全连接层;所述组合层为卷积层、激活层、删除层和平均池化层的组合层。
【专利技术属性】
技术研发人员:李熳,莫玺文,齐向娟,李永徽,刘彦迪,
申请(专利权)人:天津医科大学第二医院,
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。