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】
本专利技术涉及医疗信息,尤其涉及一种基于ai的新型胃黏膜可视度评分量化方法、装置和设备。
技术介绍
1、上消化道内窥镜检查(uge)是胃肠道疾病评估和随访的主要诊断手段之一。其中一个关键要素是胃粘膜的完全可视化,其对癌症的早期识别尤其重要。上消化道聚集的粘液、泡沫和气泡会干扰充分的内窥镜可视化。为此作为标准,在日本等国许多消泡剂和粘液溶解剂被广泛用于内镜中心,于此同时还要求胃肠道内窥镜检查者要禁食等。但依然无法消除上消化道内镜检查中粘膜中聚集的粘液,泡沫和气泡等带来的对内镜检查医师的干扰。内镜医师为了更好的评价内镜检查过程中胃粘膜的准备质量状态,往往将胃粘膜的可视度划分为4个评价等级:score 1:胃粘膜上没有气泡和粘液附着;score 2:粘膜上有少量气泡和粘液不影响观察;score 3:粘膜上有大量气泡和粘液,用少于60ml的水可以清除;score 4:粘膜上有非常多的气泡和粘液,需要用大于60ml 的水清除干净。这种评价方法看似可以很好的描述当前内镜检查中胃粘膜的准备状态,但是其存在主观性,临床中发现,不同年资不同经验的内镜医师,对于该评分系统存在严重的评分差异。即相同的内镜图像在不同内镜医师评价中会表现不同的评分结果。
2、目前,现有技术主要通过一下两种方法实现内镜检查过程中胃粘膜的准备质量状态评价:一类是内镜医师在内镜检查过程中通过主观观察,在内镜检查报告中给出主观的胃粘膜评分分值;另一类是通过机器学习,深度学习等有监督学习技术根据当前内镜图像识别该图像的最终准备质量分值。第一种方式增加了内镜医师检查过程
技术实现思路
1、鉴于上述问题,提出了本专利技术以便提供一种克服上述问题的一种基于ai的新型胃黏膜可视度评分量化方法、装置和设备。
2、本专利技术的一个方面,提供了一种基于ai的新型胃黏膜可视度评分量化方法,所述方法包括:
3、对待测内镜图像中的各个异物区域进行识别,并采用边界框方式进行标注框标注;
4、识别待测内镜图像中各个异物区域的标注框在待测内镜图像中的分布位置和所占面积;
5、统计各个异物区域的标注框的并集的总面积,计算所述总面积与待测内镜图像的有效图像面积的比值,将所述比值作为待测内镜图像中胃黏膜的可视度评分。
6、进一步地,所述对待测内镜图像中的各个异物区域进行识别,并采用边界框方式进行标注框标注,包括:
7、识别待测内镜图像中的各个异物区域以及各个异物区域对应的异物类别,采用边界框方式对待测内镜图像中的各个异物区域分别进行初始矩形标注框标注;
8、将待测内镜图像和待测内镜图像的初始标注数据作为输入数据输入到预设的标注框预测模型,以通过所述标注框预测模型预测每一初始矩形标注框对应的异物类别以及初始矩形标注框各个边对应的初始极值点和初始边长度;
9、在所述初始矩形标注框各个边上重新构建以对应边的初始极值点为中点,长度为初始边长度的目标线段,将位于初始矩形标注框的四个边上的目标线段依次连接以形成与初始矩形标注框对应的多边形标注框,将得到的多边形标注框作为待测内镜图像中相应异物区域的标注框。
10、进一步地,所述标注框预测模型的训练步骤包括:
11、s01、识别每一内镜图像样本中的各个异物区域以及各个异物区域对应的异物类别,采用边界框方式对每一内镜图像样本中的各个异物区域进行初始矩形标注框标注;
12、s02、获取每一内镜图像样本中的各个异物区域的类别标签以及对应的初始矩形标注框的左上角点坐标(x1,y1)和右下角点坐标(x2,y2),得到各个内镜图像样本的初始标注数据;
13、s03、根据每一初始矩形标注框的左上角点坐标和右下角点坐标计算对应的初始矩形标注框各个边对应的初始极值点和初始边长度;
14、s04、将每一内镜图像样本和相应内镜图像样本的初始标注数据作为样本输入数据,将相应内镜图像样本中各个初始矩形标注框对应的异物类别以及初始矩形标注框各个边对应的初始极值点和初始边长度作为样本输出数据,以构建训练数据集;
15、s05、利用预设的深度卷积神经网络模型对训练数据集进行学习训练,以得到标注框预测模型。
16、进一步地,所述方法还包括:
17、将每一内镜图像样本和相应内镜图像样本的初始标注数据作为输入数据输入到预设的标注框预测模型,以通过所述标注框预测模型预测内镜图像样本中各个初始矩形标注框对应的异物类别以及每一初始矩形标注框各个边对应的第二初始极值点和第二初始边长度;
18、将每一内镜图像样本和相应内镜图像样本的初始标注数据作为样本输入数据,将相应内镜图像样本中各个初始矩形标注框对应的异物类别以及每一初始矩形标注框各个边对应的第二初始极值点和第二初始边长度作为样本输出数据,以构建补充训练数据集;
19、利用所述深度卷积神经网络模型对补充训练数据集进行学习训练,以得到优化后的标注框预测模型。
20、进一步地,所述根据每一初始矩形标注框的左上角点坐标和右下角点坐标计算对应的初始矩形标注框各个边对应的初始极值点和初始边长度,包括:
21、根据初始矩形标注框的左上角点坐标和右下角点坐标计算初始矩形标注框各个边的中点坐标和二分之一的边长,将各个边的中点坐标作为当前边的初始极值点,将各个边的二分之一的边长作为初始边长度。
22、进一步地,所述标注框预测模型的损失函数为:
23、loss=α·heatmap loss+β·focal loss+γ·iou loss;α、β、γ为极值点预测损失、分类损失和回归损失的预设权重;
24、其中,heatmap loss为极值点预测损失,表示为:
25、,
26、h和分别表示为极值点的目标热图和极值点的预测热图, k=4表示4个极值点,m和n分别表示目标热图的宽和高,
27、目标热图是以极值点的真实坐标(xi,yi)为中心的高斯分布的采样,σ是预设的固定值;
28、focal loss为分类损失,表示为:
29、,其中,表示预测的类别概率,γ表示预设的超参数,被称为可调节因子,y表示训练数据的真实标注;
30、iou loss为回归损失,表示为:
31、。
32、进一步地,所述异物区域包括气泡区域、粘液区域、粪水粪渣区域和/或图像采集过程中由强光形成的光斑区域。
33、进一步地,所述方法还包括:
34、将检查过程中的各个待测内镜图像对应的胃黏膜的可视度评分按照检查时间构建内镜检查过程的胃粘膜可视度评分曲线。
35、本专利技术的另一个方面,提供了一种基本文档来自技高网...
【技术保护点】
1.一种基于AI的新型胃黏膜可视度评分量化方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对待测内镜图像中的各个异物区域进行识别,并采用边界框方式进行标注框标注,包括:
3.根据权利要求2所述的方法,其特征在于,所述标注框预测模型的训练步骤包括:
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
5.根据权利要求3所述的方法,其特征在于,所述根据每一初始矩形标注框的左上角点坐标和右下角点坐标计算对应的初始矩形标注框各个边对应的初始极值点和初始边长度,包括:
6.根据权利要求3所述的方法,其特征在于,所述标注框预测模型的损失函数为:
7.根据权利要求1-6任一项所述的方法,其特征在于,所述异物区域包括气泡区域、粘液区域、粪水粪渣区域和/或图像采集过程中由强光形成的光斑区域。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
9.一种基于AI的新型胃黏膜可视度评分量化装置,其特征在于,所述装置包括:
10.一种计算机
...【技术特征摘要】
1.一种基于ai的新型胃黏膜可视度评分量化方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述对待测内镜图像中的各个异物区域进行识别,并采用边界框方式进行标注框标注,包括:
3.根据权利要求2所述的方法,其特征在于,所述标注框预测模型的训练步骤包括:
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
5.根据权利要求3所述的方法,其特征在于,所述根据每一初始矩形标注框的左上角点坐标和右下角点坐标计算对应的初始矩形标注框各个边对应的初始极值点和初始边长度,...
【专利技术属性】
技术研发人员:冯健,徐静,
申请(专利权)人:青岛美迪康数字工程有限公司,
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。