【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及基于孪生网络的肠造口图像识别与分类系统。
技术介绍
1、随着医疗技术的不断发展，肠造口图像识别与分类系统等医疗辅助工具逐渐成为医学领域中重要的研究方向之一。这些系统通过对肠造口图像进行分析和识别，可以帮助医生快速准确地诊断和治疗肠道疾病，提高了医疗诊断的效率和准确性。
2、传统的肠造口图像识别与分类技术主要依赖于人工特征提取和模式识别方法。医生需要通过肉眼观察肠造口图像，根据经验判断肠造口的状态，并进行分类识别。然而，这种方法存在一些缺点。首先，人工识别容易受主观因素的影响，不同医生对同一张图像可能会有不同的诊断结果。其次，由于肠造口图像的复杂性和多样性，人工特征提取和模式识别的效率较低，无法满足大规模数据处理和实时诊断的需求。
3、为了解决传统方法存在的问题，近年来，研究人员开始将深度学习技术应用于肠造口图像识别与分类领域。深度学习技术以其强大的特征学习和模式识别能力，成为了肠造口图像处理的有效工具。其中，孪生网络作为一种重要的深度学习模型，引起了广泛关注。
4、孪生网络是一种特殊的神经网络结构，其主要特点是两个独立但共享参数的子网络。这两个子网络接受两个输入样本，并分别提取特征，然后通过特征的比较来判断它们是否属于同一类别。相比传统的单一输入模型，孪生网络可以更好地捕获输入样本之间的相似性和差异性，提高了模型的分类性能。然而，目前的肠造口图像识别与分类系统仍然存在一些问题。首先，由于肠造口图像的复杂性和多样性，传统的孪生网络模型在特征提取和分类过程中可能会受
5、因此，为了进一步提高肠造口图像识别与分类系统的性能和稳定性，有必要针对现有技术中存在的问题进行改进和优化。其中，对孪生网络模型的改进和优化是一个重要的研究方向。通过引入更加有效的特征提取方法、增加数据增强技术以及优化网络结构等手段，可以进一步提高系统的分类准确性和鲁棒性，满足临床医学诊断的需求。
技术实现思路
1、本专利技术的主要目的在于提供基于孪生网络的肠造口图像识别与分类系统，有效提高了诊断准确性和效率，降低了诊断成本，具有广泛的临床应用前景。
2、为解决上述技术问题，本专利技术提供基于孪生网络的肠造口图像识别与分类系统，所述系统包括：图像获取装置和孪生识别分类网络；所述图像获取装置，用于获取造口图像和对应的标签，将造口图像进行标准化，然后筛除掉重复或模糊度超过设定模糊度阈值的造口图像和对应的标签，构建训练集，然后，通过图像转换的方法生成训练集的镜像训练集；所述镜像训练集和训练集的整体差异度在设定的差异度阈值范围内；在同一个时间步，从训练集和镜像训练集中分别筛选出对应的两个样本，输入到孪生识别分类网络中，对孪生识别分类网络进行训练；所述孪生识别分类网络，包括两个子网络，在训练阶段，接受两个样本作为输入，然后通过两个子网络分别处理这两个输入，提取特征，最后将它们的特征进行比较，以确定它们是否属于同一类别，通过最小化孪生识别分类网络的损失函数，调整孪生识别分类网络的内参，完成孪生识别分类网络的训练；当孪生识别分类网络完成训练后，接受未知标签的造口图像作为一个输入，然后从遍历整个训练集，每次选取一个样本作为另一个输入，最后将它们的特征进行比较，找到与未知标签的造口图像属于同一类别的训练集中的样本，以此完成未知标签的造口图像的分类与识别。
3、进一步的，所述造口图像的标签种类包括：正常造口、回缩、缺血、水肿、溢出、液化坏死、颜色变化和感染；两个子网络在提取输入的特征时，提取的特征包括：边缘特征、颜色特征和纹理特征。
4、进一步的，图像获取装置，将造口图像的尺度统一标准化为512像素*512像素；然后将造口图像转换为灰度造口图像；对于每个灰度造口图像，首先通过高斯模糊得到平滑图像；然后，通过计算海森矩阵的行列式来检测关键点；对于检测到的关键点，计算其周围区域的haar小波响应，并形成描述符；描述符中包括关键点的位置、尺度信息以及局部图像梯度信息；对描述符进行归一化处理，以确保特征的尺度和方向不变性；将描述符转换为二进制码，计算二进制码的simhash值；对不同的造口图像对应的simhash值进行差异度比较，若差异度在设定的差异阈值范围内，则判断两个造口图像为重复的造口图像，从训练集中筛除掉其中一个造口图像和其对应的标签。
5、进一步的，通过如下方法，计算模糊度：计算造口图像的像素均值，再根据像素均值，计算像素方差；利用边缘检测算法对造口图像进行处理，以获取边缘信息；根据边缘信息计算边缘像素在整个造口图像中的比例；计算造口图像的各个颜色通道的像素均值；再通过如下公式，计算得到模糊度：
6、；
7、其中，为模糊度；为像素方差；为边缘像素在整个造口图像中的比例；红色通道、绿色通道和蓝色通道的像素均值分别为、和。
8、进一步的，通过图像转换的方法生成训练集的镜像训练集的方法包括：将训练集表示为，其中表示第张造口图像；为训练集的造口图像的总数量；构建两个生成器网络和，分别将造口图像对应的域映射到镜像图像对应的域和将域映射到域；同时，构建两个判别器网络和，分别对域和域中的图像进行判别；生成器网络的目标是使生成的镜像图像在判别器网络中被误判为造口图像；为了确保生成的镜像图像与造口图像保持一致，引入循环一致性损失；循环一致性损失的目标是使造口图像经过两个生成器后回到域时与造口图像的相似度超过设定的阈值；定义生成器的对抗损失和分别表示生成器和欺骗判别器和的损失；判别器的对抗损失表示判别器和正确识别图像的损失；生成器的总体损失函数为：
9、；其中，是循环一致性损失的权重；使用总体损失函数来交替训练生成器和判别器，直到收敛；对于每张造口图像，使用生成器生成对应的镜像；对于每对造口图像和镜像图像，计算它们之间的差异度，使用结构相似性指数作为差异度度量；仅保留差异度在设定阈值范围内的镜像图像；将通过生成器得到的镜像图像保存为镜像训练集。
10、进一步的，循环一致性损失使用如下公式进行表示：
11、其中，表示期望值，表示训练集中的造口图像分布，表示域中的造口图像，表示域中的镜像图像；表示一阶l范数；表示镜像训练集中的镜像图像分布。
12、进一步的，孪生识别分类网络的训练过程包括：初始化孪生识别分类网络的参数，这包括权重和偏置；设孪生识别分类网络有l层，第层的权重表示为，偏置表示为；使用随机初始化的方法来初始化这些参数；对于给定的两个样本组成的样本对，两个样本分别取自于训练集和镜像训练集，通过孪生识别分类网络进行前向传播；设孪生识别分类网络有l层，将样本和分别传递给第一子网络和第二子网络作为输入，输出对应的标签；设网络有l层，前向传播的过程表示为:
13、；
14、其中，和分别是两个样本和的像素值；和本文档来自技高网...
【技术保护点】
1.基于孪生网络的肠造口图像识别与分类系统，其特征在于，所述系统包括：图像获取装置和孪生识别分类网络；所述图像获取装置，用于获取造口图像和对应的标签，将造口图像进行标准化，然后筛除掉重复或模糊度超过设定模糊度阈值的造口图像和对应的标签，构建训练集，然后，通过图像转换的方法生成训练集的镜像训练集；所述镜像训练集和训练集的整体差异度在设定的差异度阈值范围内；在同一个时间步，从训练集和镜像训练集中分别筛选出对应的两个样本，输入到孪生识别分类网络中，对孪生识别分类网络进行训练；所述孪生识别分类网络，包括两个子网络，在训练阶段，接受两个样本作为输入，然后通过两个子网络分别处理这两个输入，提取特征，最后将它们的特征进行比较，以确定它们是否属于同一类别，通过最小化孪生识别分类网络的损失函数，调整孪生识别分类网络的内参，完成孪生识别分类网络的训练；当孪生识别分类网络完成训练后，接受未知标签的造口图像作为一个输入，然后从遍历整个训练集，每次选取一个样本作为另一个输入，最后将它们的特征进行比较，找到与未知标签的造口图像属于同一类别的训练集中的样本，以此完成未知标签的造口图像的分类与识别。
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。