CN107730489A - 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 - Google Patents
无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 Download PDFInfo
- Publication number
- CN107730489A CN107730489A CN201710930994.0A CN201710930994A CN107730489A CN 107730489 A CN107730489 A CN 107730489A CN 201710930994 A CN201710930994 A CN 201710930994A CN 107730489 A CN107730489 A CN 107730489A
- Authority
- CN
- China
- Prior art keywords
- small intestine
- image
- module
- lesion
- capsule endoscope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002775 capsule Substances 0.000 title claims abstract description 71
- 208000021795 small intestine disease Diseases 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000003902 lesion Effects 0.000 claims abstract description 97
- 210000000813 small intestine Anatomy 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000002452 interceptive effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000001575 pathological effect Effects 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 201000010099 disease Diseases 0.000 claims description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 210000000056 organ Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 208000008918 voyeurism Diseases 0.000 claims 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241001465677 Ancylostomatoidea Species 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000017897 Carcinoma of esophagus Diseases 0.000 description 1
- 208000011231 Crohn disease Diseases 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 description 1
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002052 colonoscopy Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 201000002313 intestinal cancer Diseases 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
- A61B1/041—Capsule endoscopes for imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Endoscopes (AREA)
- Image Processing (AREA)
Abstract
本发明公开了无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法。目前胶囊内窥镜在病变智能识别和精准定位方面的技术很有限。本发明的数据输入模块用于获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像；图像预处理模块对无线胶囊内窥镜图像预处理，小肠图像识别模块识别和提取预处理后的胶囊内窥镜图像中的小肠图像及图像序列；小肠病变分析及定位模块用于对小肠病变的识别和分类以及对病灶具体位置的提取；用户交互模块根据小肠病变信息及定位模块的分析结果形成辅助诊断结果，并让医生确认、修改或输入医嘱，从而形成诊断报告。本发明促进胶囊内窥镜在临床上的实用价值，从而形成更高效、更标准的诊断模式。
Description
技术领域
本发明属于图像处理技术领域，特别是涉及一种无线胶囊内窥镜小肠病灶图像计算机辅助检测系统及检测方法。
背景技术
随着当今社会城市的工业化进程不断加快，人们的生活节奏也在不断加快，工作压力持续增加，承受的心理压力也日趋增大，由此导致消化道疾病的发病率逐年上升。消化道疾病以及进一步恶化引发的癌变(如肠癌、胃癌、食道癌等)是国民健康的最大杀手之一(约占我国全部恶性肿瘤发病率的50～60％)，严重影响了人们的正常生活。有研究表明，消化道疾病的早期检测和治疗是阻止其进一步恶化的关键。因此，实现消化道组织病变的早期、精准检测，对降低病发率和死亡率具有十分重要的现实意义。
临床常用的消化道疾病检测手段主要为机械推入式内窥镜检查，如胃镜、肠镜等，但此方法会对患者身体造成不适和痛苦，甚至使病人产生恐惧心理而放弃检查，延误病情。为此，一些非侵入成像手段，如超声成像和计算机断层扫描成像等，也会被用于消化道疾病检查，但这些方法的成像分辨率较低，容易影响甚至误导医生的诊断结果。因此，具有安全、无痛、无创等优点的无线胶囊内窥镜(Wireless Capsule Endoscopy，WCE)技术不仅弥补了现有检查手段存在的缺陷，同时还能深入到传统推入式内窥镜难以达到的小肠部分区域进行检测。该技术的问世，对临床消化道疾病检查具有里程碑的意义，已被越来越多的医院采用，并取得了良好的效果。
然而，无线胶囊内窥镜检查会产生大量图像数据，每个患者检查完毕后至少会产5万张以上的照片，因此，审查海量图片是一项艰巨而耗时的任务。通过统计分析得知，专业的医生平均要花费2小时左右才能看一遍患者的图像，而其中病变图像的数量很少，所占比例为图像总数的5％～10％，甚至有时候，胃肠道的异常情况仅存在一帧或两帧图像里，极有可能因为医生视力疲劳而错失，所以为了减少漏诊，医生往往要重复检查。每天检查海量图像是一项乏味的任务，不仅极大增加了医生的劳动强度，也是对医疗资源的巨大浪费。
目前，关于胶囊内窥镜海量读片的问题，尽管已有部分厂家(如GivenImaging公司)在读片系统中安装了具有一定检测功能的计算机辅助诊断软件，但由于病灶的多样性及拍摄环境的影响，该辅助系统还存在很多缺陷，比如对部分病变图像的漏检和误判以及检测病变的单一性等，因此不能完全代替人工检测。所以，研发一套无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法对临床消化道疾病的早期诊疗和预后意义重大，具有重要的现实意义和临床价值。
经过对现有技术的检索发现，目前技术多针对于某一种病变的自动识别。安翰光电技术(武汉)有限公司的专利CN106373137A和西南交通大学CN105118070A均是利用图像的颜色特征实现胶囊内窥镜的消化道出血图像的检测。西南交通大学的专利CN105701833A提供了一种消化道胶囊内窥镜视频钩虫图像计算机自动检测方法。这几个方案存在几个共同的缺点：(1)仅针对单一病变图像，出血或钩虫病；(2)采用传统的特征提取和分类方法，实现对某种病变图像的自动识别，不能实现病变特征的自动学习，因此无法得到图像隐形特征，从而影响分类结果的准确性，同时也会影响算法的普适性。另外，中国科学院深圳先进技术研究院的专利CN103984957A，公开了一种胶囊内窥镜图像可疑病变区域自动预警系统，该系统利用图像增强技术提高图像质量，并通过提起平坦性疾病图像的纹理特征实现对平坦性病变的检测和预警。该方法只能实现对可疑区域的预警，并不能判定疾病的类型，效果单一，同时不能给出疾病具体的位置信息。安翰光电技术(武汉)有限公司的专利CN106097335A，公开了一种消化道病灶图像识别系统及识别方法。该方法利用深度学习模型实现对消化道位置的分类，然后通过提取图像的颜色特征、纹理特征和熵特征并结合支持向量机实现对病灶的识别。该方法采用的人工特征提取方法，存在耗时长、稳定性和普适性较差等问题，极大地影响分类结果的准确性。另外，以上几种公开技术都没有涉及对病灶位置的分割和标记，而实现对病灶位置的标记将进一步促进医生对病情的诊断。
发明内容
本发明的目的是针对上述问题，提供一种高效准确的无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法，以深度学习思想为技术核心，利用深度学习模型中的卷积神经网络(Convolutional Neural Network，CNN)算法构建不同的分类器，实现胶囊内窥镜小肠病变的分类及定位，并利用图像分割算法实现对病灶的提取，从而获取图片中病变位置的具体信息，生成相关诊断报告供医生进一步诊断。本发明能够弥补目前胶囊内窥镜系统在病变智能识别和精准定位这一领域的空白，有效降低医生工作强度，进一步促进胶囊内窥镜系统在消化道疾病诊断上的临床应用和技术发展。
为实现此目的，本发明采用如下技术方案：
本发明无线胶囊内窥镜小肠病变计算机辅助检测系统，包括数据输入模块，图像预处理模块，小肠图像识别模块，小肠病变分析及定位模块和用户交互模块；所述的数据输入模块用于获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像；所述的图像预处理模块对无线胶囊内窥镜图像进行预处理；所述的小肠图像识别模块用于识别和提取预处理后的胶囊内窥镜图像中的小肠图像及图像序列；所述的小肠病变分析及定位模块用于对小肠病变的的识别和分类以及对病灶具体位置的提取；所述的用户交互模块根据小肠病变信息及定位模块的分析结果形成辅助诊断结果，并让医生确认、修改或输入医嘱，从而形成诊断报告。
所述图像预处理模块的预处理包含边缘移除及图像去噪和增强；边缘移除是利用掩模技术去除内窥镜图像边缘无效区域。
所述的小肠图像识别模块使用CNN结构将预处理后的胶囊内窥镜图像中的小肠图像与其它器官的图像进行特征提取，然后利用支持向量机分类器对小肠图像与其它器官的图像进行分类，得到小肠图像序列；所述的CNN结构为七层卷积神经网络结构。
所述的小肠病变分析及定位模块包含小肠病变分类模块和病灶分割模块；所述的小肠病变分类模块利用CNN结构中的AlexNet结构实现对小肠病变的识别和分类，并通过提取病变图像的图像序列实现对病变图像的定位，所述的病灶分割模块利用图像分割算法对病变图像的病变区域进行边界提取，标记病变的具体位置。
所述的用户交互模块包括病变信息输出模块和医生手动输入模块；所述的病变信息输出模块将小肠病变信息及定位模块得到的分析结果转换成文字模式进行输出，形成辅助诊断结果；所述的医生手动输入模块用于医生对辅助诊断结果的确认或修改以及医嘱的输入。
利用上述系统的无线胶囊内窥镜小肠病变计算机辅助检测方法，包括如下步骤：
步骤1：数据输入模块获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像；
步骤2：图像预处理模块对数据输入模块处理得到的胶囊内窥镜图像进行预处理，利用掩模技术去除边缘黑色无效区域，并利用图像去噪和增强技术提高图像质量；
步骤3：图像预处理模块将预处理后的胶囊内窥镜图像输入到小肠图像识别模块的CNN结构中，实现对小肠图像的识别，得到小肠图像序列；
步骤4：小肠图像识别模块将小肠图像序列发送到小肠病变分析及定位模块的AlexNet结构中得到不同病变和正常图像的特征值，从而进行病变识别和分类，并利用识别得到病变图像的图像序列及序号，实现对病变位置的定位，正常和每种病变各自对应一个特征值；所述的AlexNet结构包含于小肠病变分类模块中。
步骤5：小肠病变分析及定位模块的病灶分割模块对小肠病变分类模块得到的病变图像进行分割，提取病变区域信息；
步骤6：用户交互模块将小肠病变分析及定位模块得到的病变图像序列和病变信息转换成文字信息，形成计算机辅助诊断报告，供医生进一步分析病情；用户交互模块还能实现医生对辅助诊断结果的确认或修改以及医嘱的输入。
进一步，步骤2中，图像去噪和增强技术是采用小波阈值去噪方法实现图像去噪，通过将图像从RGB颜色空间与HIV颜色空间的转换实现图像亮度的调节。
进一步，步骤3中，小肠图像识别模块包含模型训练模块和模型测试模块；所述的模型训练模块通过构建七层卷积神经网络结构提取图像特征并结合支持向量机分类器实现小肠识别，模型训练是在有监督情况下完成的，在全连接层使用带动量的小批量随机梯度下降来最小化实际输出与期望输出之间的差异，并采用反向传播法计算梯度系数，在模型训练过程中，所有滤波器的迭代系数、权重、动量、学习速率都被更新，并通过不断调整各层卷积神经网络结构间参数，进一步减小训练误差；所述的模型测试模块利用模型训练模块训练得到的模型进行测试。
进一步，步骤3中，每张胶囊内窥镜图像按拍照时间对应一个序号，小肠图像和非小肠图像各对应一个序列，每个序列中的图像均对应一个序号。
进一步，步骤4中，小肠病变分析及定位模块包含小肠病变分类模块和病灶分割模块；小肠病变分类模块包含模型训练模块和模型测试模块；模型训练模块采用CNN结构的AlexNet结构实现小肠病变的识别和分类，模型训练是在有监督情况下完成的，利用随机梯度下降法来最小化实际输出与期望输出之间的差异，并利用反向传播法计算梯度系数，通过不断调整神经网络模型间参数，减小训练误差；模型测试模块是利用模型训练模块训练得到的模型进行测试；病灶标记模块针对被标记为病变图像的数据进行病灶提取，利用模糊区域生长的方法实现对病变区域边界的提取。
本发明采用深度学习模型的CNN结构，通过模型的训练自动学习得到无限胶囊内窥镜图像的特征，从而实现对小肠的定位和小肠病变的分类和位置定位，从而大幅度降低医生的工作强度和提高确诊率，进一步促进胶囊内窥镜在临床上的实用价值，从而形成更高效、更标准的诊断模式。
附图说明
图1为本发明的结构框图；
图2为本发明中小肠图像识别模块的训练和分类流程图；
图3为本发明中小肠病变分析及定位模块的病变识别和病灶分割流程图；
图4为本发明中小肠图像识别模块所使用的卷积神经网络结构图；
图5为本发明中小肠图病变分析及定位模块所使用的AlexNet结构图；
其中，1-数据输入模块、2-图像预处理模块、3-小肠图像识别模块、4-小肠病变分析及定位模块、5-用户交互模块。
具体实施方式
以下结合附图和具体实施案例对本发明进一步的详细说明：
如图1所示，无线胶囊内窥镜小肠病变计算机辅助检测系统，包含数据输入模块1、图像预处理模块2、小肠图像识别模块3、小肠病变分析及定位模块4和用户交互模块5；数据输入模块1的输出端连接图像预处理模块2的输入端，图像预处理模块2的输出端连接小肠图像识别模块3的输入端，小肠图像识别模块3的输出端连接小肠病变分析及定位模块4的输入端，小肠病变分析及定位模块4的输出端连接用户交互模块5的输入端。
数据输入模块1用于获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像数据；图像预处理模块2对胶囊内窥镜图像进行预处理，用于提高无线胶囊内窥镜图像质量及去除无效信息；小肠图像识别模块3是用于识别和提取预处理后的胶囊内窥镜图像中小肠的全部图像及图像序列；小肠病变分析及定位模块4是根据小肠的全部图像及图像序列，对小肠病变进行识别和分类以及对病灶具体位置的提取；用户交互模块5根据小肠病变信息及定位模块4的分析结果形成辅助诊断结果，并让医生确认或修改及输入医嘱，从而形成诊断报告。
图像预处理模块2的预处理包含边缘移除及图像去噪和增强，其中，边缘移除是利用掩模技术去除内窥镜图像边缘无效区域；图像去噪和增强是对图像进行去噪和增强，以提高图像质量和识别度；
小肠图像识别模块3是使用CNN结构(自行构建的7层卷积神经网络结构)将预处理后的胶囊内窥镜图像中的小肠图像与其它器官的图像进行特征提取，然后再利用支持向量机(Support Vector Machine，SVM)分类器对小肠图像与其它器官的图像进行分类，得到小肠部位的图像序列；
小肠病变分析及定位模块4包含小肠病变分类模块和病灶分割模块，其中，小肠病变分类模块是利用CNN结构中的AlexNet结构实现对小肠病变的识别和分类，并通过提取病变图像的图像序列实现对病变图像的定位，病灶分割模块是利用图像分割算法对病变图像的病变区域进行边界提取，标记病变的具体位置；
用户交互模块5是用于生成诊断报告，包括病变信息输出模块和医生手动输入模块，其中病变信息输出模块是将小肠病变信息及定位模块4得到的分析结果转换成文字模式进行输出，形成辅助诊断结果，医生手动输入模块是医生对辅助诊断结果的确认或修改以及医嘱的输入。
利用上述无线胶囊内窥镜小肠病变计算机辅助检测系统的检测方法，包括如下步骤：
步骤1：数据输入模块1获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像数据；
步骤2：数据输入模块1将得到的胶囊内窥镜图像输入到图像预处理模块2进行预处理，去除边缘黑色无效区域和实现图像去噪及增强；
步骤3：图像预处理模块2将预处理后的胶囊内窥镜图像输入到小肠图像识别模块3中的CNN结构中，实现对小肠图像的识别，得到小肠图像序列，每张胶囊内窥镜图像按拍照时间对应一个序号，小肠图像和非小肠图像各对应一个序列，每个序列中的图像均对应一个序号；
步骤4：小肠图像识别模块3将小肠图像序列发送到小肠病变分析及定位模块4的AlexNet结构中得到不同病变和正常图像的特征值，从而进行病变的识别和分类，并利用识别得到病变图像的图像序列及序号，实现对病变位置的定位，正常和每种病变各自对应一个特征值；
步骤5：小肠病变分析及定位模块4的病灶分割模块对小肠病变分类模块得到的病变图像进行分割，提取病变区域信息；
步骤6：用户交互模块5将小肠病变分析及定位模块4得到的病变图像序列和病变区域信息转换成文字信息，形成计算机辅助诊断报告，供医生进一步分析病情；用户交互模块5还能实现医生对辅助诊断结果的确认或修改以及医嘱的输入。
本发明采用深度学习模型的CNN结构，通过模型的训练自动学习得到无线胶囊内窥镜图像的特征，从而实现小肠病变的识别和定位，从而大幅度降低医生的工作强度，提高确诊率，进一步促进胶囊内窥镜在临床上的实用价值，从而形成更高效、更标准的诊断模式。
步骤2中，去除边缘黑色无效区域是利用掩模技术，对无效区域预处理，提取出有效区域图像，提高内镜图像特征的有效价值，并对处理后的图像进行去噪和增强，采用小波阈值去噪方法实现图像去噪，通过将图像从RGB颜色空间与HIV颜色空间的转换实现图像亮度的调节，解决过度曝光和曝光不足所导致的图像过亮或过暗问题；采用快速二维的小波变换，替换同态滤波中的傅立叶变换，在变换域上对不同分辨率下的小波系数进行非线性增强，实现图像的对比度增强，然后再利用去冗余算法，如此在不影响原图像病灶特征提取的情况下，降低之后进行卷积操作的计算量，提高运算效率。
如图2所示，步骤3中，小肠图像识别模块3包含模型训练模块(CNN结构)和模型测试模块，如图2所示，该模型训练模块是通过构建7层神经网络模型提取图像特征并结合支持向量机分类器实现小肠识别，该模型训练是在有监督情况下完成的，在全连接层使用带动量的小批量随机梯度下降(mini-batch Stochastic Gradient Descent Method)来最小化实际输出与期望输出之间的差异，并采用反向传播法计算梯度系数，在训练过程中，所有滤波器的迭代系数、权重、动量、学习速率都会被更新，训练时通过不断调整各层神经网络模型间参数，进一步减小训练误差；该模型测试模块是利用模型训练模块训练得到的模型进行测试；
如图3所示，步骤4中，小肠病变分析及定位模块4包含小肠病变分类模块和病灶分割模块，其中，小肠病变分类模块又包含模型训练模块和模型测试模块，该模型训练模块是采用CNN结构的AlexNet结构实现小肠病变(出血、溃疡、息肉、糜烂、克罗恩病等)的识别和分类，相较于其他模型在计算复杂度和识别准确率上有更好的优势，该网络训练是在有监督情况下完成的，利用随机梯度下降法来最小化实际输出与期望输出之间的差异，并利用反向传播法计算梯度系数，通过不断调整神经网络模型间参数，减小训练误差，模型测试模块是利用模型训练模块训练得到的模型进行测试，病灶标记模块是针对被标记为病变图像的数据进行病灶提取，利用模糊区域生长(Fuzzy region growing)的方法实现对病变区域边界的提取。
步骤5中，用户交互模块包含信息输出模块和医生手动输入模块，信息输出模块是利用病变图像的图像序列进行定位并将得到的病变信息转换成文字信息(病灶类型、病灶大小等)，形成诊断报告分析病情；医生手动输入模块是让医生确认或修改病变信息并输入医嘱等，进而形成一份完整的诊断报告，供医生进一步分析。
图4是小肠图像识别模块所用的模型结构，该模型包含SVM分类器和7层CNN结构，其中CNN结构用于提取图像特征，SVM分类器实现对小肠图像的识别。CNN结构内包含卷积层、采样层和分类层的构建方式及参数选择。本实施例采用的卷积核(Convolutionalkernel)大小为5×5，步长(Stride)为1；最大池采样窗口大小为3×3，使用最大值作为采样特征，对图像进行降采样；使用Sigmoid函数做激活函数。
图5是小肠病变分析及定位模块所用的AlexNet模型结构，与其他模型相比，AlexNet利用ReLU作为激活函数，并利用dropout防止过拟合，AlexNet模型结构包含8个学习网络，其中前五个为卷积层，后三个为全连接层，最后一层全连接层后跟随一个Softmax分类，用于实现对病变的分类，有部分卷积层后面跟随一个池化层。
上述具体实例方式用来解释本发明，而不是对本发明进行限制。在本发明的精神和权力要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (10)
1.无线胶囊内窥镜小肠病变计算机辅助检测系统，其特征在于：包括数据输入模块，图像预处理模块，小肠图像识别模块，小肠病变分析及定位模块和用户交互模块；所述的数据输入模块用于获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像；所述的图像预处理模块对无线胶囊内窥镜图像进行预处理；所述的小肠图像识别模块用于识别和提取预处理后的胶囊内窥镜图像中的小肠图像及图像序列；所述的小肠病变分析及定位模块用于对小肠病变的的识别和分类以及对病灶具体位置的提取；所述的用户交互模块根据小肠病变信息及定位模块的分析结果形成辅助诊断结果，并让医生确认、修改或输入医嘱，从而形成诊断报告。
2.根据权利要求1所述的无线胶囊内窥镜小肠病变计算机辅助检测系统，其特征在于：所述图像预处理模块的预处理包含边缘移除及图像去噪和增强；边缘移除是利用掩模技术去除内窥镜图像边缘无效区域。
3.根据权利要求1所述的无线胶囊内窥镜小肠病变计算机辅助检测系统，其特征在于：所述的小肠图像识别模块使用CNN结构将预处理后的胶囊内窥镜图像中的小肠图像与其它器官的图像进行特征提取，然后利用支持向量机分类器对小肠图像与其它器官的图像进行分类，得到小肠图像序列；所述的CNN结构为七层卷积神经网络结构。
4.根据权利要求1所述的无线胶囊内窥镜小肠病变计算机辅助检测系统，其特征在于：所述的小肠病变分析及定位模块包含小肠病变分类模块和病灶分割模块；所述的小肠病变分类模块利用CNN结构中的AlexNet结构实现对小肠病变的识别和分类，并通过提取病变图像的图像序列实现对病变图像的定位，所述的病灶分割模块利用图像分割算法对病变图像的病变区域进行边界提取，标记病变的具体位置。
5.根据权利要求1所述的无线胶囊内窥镜小肠病变计算机辅助检测系统，其特征在于：所述的用户交互模块包括病变信息输出模块和医生手动输入模块；所述的病变信息输出模块将小肠病变信息及定位模块得到的分析结果转换成文字模式进行输出，形成辅助诊断结果；所述的医生手动输入模块用于医生对辅助诊断结果的确认或修改以及医嘱的输入。
6.根据权利要求1所述的无线胶囊内窥镜小肠病变计算机辅助检测系统进行检测的方法，其特征在于：包括如下步骤：
步骤1：数据输入模块获取患者的无线胶囊内窥镜视频数据，并通过提取视频帧技术得到胶囊内窥镜图像；
步骤2：图像预处理模块对数据输入模块处理得到的胶囊内窥镜图像进行预处理，利用掩模技术去除边缘黑色无效区域，并利用图像去噪和增强技术提高图像质量；
步骤3：图像预处理模块将预处理后的胶囊内窥镜图像输入到小肠图像识别模块的CNN结构中，实现对小肠图像的识别，得到小肠图像序列；
步骤4：小肠图像识别模块将小肠图像序列发送到小肠病变分析及定位模块的AlexNet结构中得到不同病变和正常图像的特征值，从而进行病变识别和分类，并利用识别得到病变图像的图像序列及序号，实现对病变位置的定位，正常和每种病变各自对应一个特征值；所述的AlexNet结构包含于小肠病变分类模块中；
步骤5：小肠病变分析及定位模块的病灶分割模块对小肠病变分类模块得到的病变图像进行分割，提取病变区域信息；
步骤6：用户交互模块将小肠病变分析及定位模块得到的病变图像序列和病变信息转换成文字信息，形成计算机辅助诊断报告，供医生进一步分析病情；用户交互模块还能实现医生对辅助诊断结果的确认或修改以及医嘱的输入。
7.根据权利要求6所述的无线胶囊内窥镜小肠病变计算机辅助检测系统进行检测的方法，其特征在于：图像去噪和增强技术是采用小波阈值去噪方法实现图像去噪，通过将图像从RGB颜色空间与HIV颜色空间的转换实现图像亮度的调节。
8.根据权利要求6所述的无线胶囊内窥镜小肠病变计算机辅助检测系统进行检测的方法，其特征在于：小肠图像识别模块包含模型训练模块和模型测试模块；所述的模型训练模块通过构建七层卷积神经网络结构提取图像特征并结合支持向量机分类器实现小肠识别，模型训练是在有监督情况下完成的，在全连接层使用带动量的小批量随机梯度下降来最小化实际输出与期望输出之间的差异，并采用反向传播法计算梯度系数，在模型训练过程中，所有滤波器的迭代系数、权重、动量、学习速率都被更新，并通过不断调整各层卷积神经网络结构间参数，进一步减小训练误差；所述的模型测试模块利用模型训练模块训练得到的模型进行测试。
9.根据权利要求6所述的无线胶囊内窥镜小肠病变计算机辅助检测系统进行检测的方法，其特征在于：每张胶囊内窥镜图像按拍照时间对应一个序号，小肠图像和非小肠图像各对应一个序列，每个序列中的图像均对应一个序号。
10.根据权利要求6所述的无线胶囊内窥镜小肠病变计算机辅助检测系统进行检测的方法，其特征在于：小肠病变分析及定位模块包含小肠病变分类模块和病灶分割模块；小肠病变分类模块包含模型训练模块和模型测试模块；模型训练模块采用CNN结构的AlexNet结构实现小肠病变的识别和分类，模型训练是在有监督情况下完成的，利用随机梯度下降法来最小化实际输出与期望输出之间的差异，并利用反向传播法计算梯度系数，通过不断调整神经网络模型间参数，减小训练误差；模型测试模块是利用模型训练模块训练得到的模型进行测试；病灶标记模块针对被标记为病变图像的数据进行病灶提取，利用模糊区域生长的方法实现对病变区域边界的提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710930994.0A CN107730489A (zh) | 2017-10-09 | 2017-10-09 | 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710930994.0A CN107730489A (zh) | 2017-10-09 | 2017-10-09 | 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107730489A true CN107730489A (zh) | 2018-02-23 |
Family
ID=61210026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710930994.0A Pending CN107730489A (zh) | 2017-10-09 | 2017-10-09 | 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730489A (zh) |
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734705A (zh) * | 2018-05-17 | 2018-11-02 | 杭州电子科技大学 | 基于深度学习的数字乳腺断层影像钙化簇自动检测方法 |
| CN108831533A (zh) * | 2018-06-20 | 2018-11-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、系统、终端和存储介质 |
| CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记系统及方法 |
| CN108877915A (zh) * | 2018-06-07 | 2018-11-23 | 合肥工业大学 | 微创视像处理的智能边缘计算系统 |
| CN109085436A (zh) * | 2018-08-17 | 2018-12-25 | 南京航空航天大学 | 非侵入式三相全桥逆变器复合故障诊断方法 |
| CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
| CN109151275A (zh) * | 2018-08-29 | 2019-01-04 | 合肥工业大学 | 具有实时腔镜视像增强处理功能的智能边缘计算系统 |
| CN109165662A (zh) * | 2018-07-03 | 2019-01-08 | 哈尔滨工业大学（威海） | 基于深度学习的消化道内壁病变类型智能识别方法及装置 |
| CN109241898A (zh) * | 2018-08-29 | 2019-01-18 | 合肥工业大学 | 腔镜视像的目标定位方法和系统、存储介质 |
| CN109300134A (zh) * | 2018-11-30 | 2019-02-01 | 中国科学院电工研究所 | 一种胶囊内窥镜图像缩减控制系统 |
| CN109447987A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 |
| CN109447973A (zh) * | 2018-10-31 | 2019-03-08 | 腾讯科技（深圳）有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
| CN109460796A (zh) * | 2018-12-26 | 2019-03-12 | 河南通域医疗科技有限公司 | 一种批量截取并分析内窥镜视频中病变特征的方法 |
| CN109480746A (zh) * | 2019-01-14 | 2019-03-19 | 深圳市资福医疗技术有限公司 | 智能控制胶囊式内窥镜在消化道不同部位工作方法及装置 |
| CN109635871A (zh) * | 2018-12-12 | 2019-04-16 | 浙江工业大学 | 一种基于多特征融合的胶囊内窥镜图像分类方法 |
| CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
| CN110176295A (zh) * | 2019-06-13 | 2019-08-27 | 上海孚慈医疗科技有限公司 | 一种胃肠镜下部位和病灶的实时探测方法及其探测装置 |
| CN110288597A (zh) * | 2019-07-01 | 2019-09-27 | 哈尔滨工业大学 | 基于注意力机制的无线胶囊内窥镜视频显著性检测方法 |
| CN110335669A (zh) * | 2019-06-03 | 2019-10-15 | 武汉大学 | 一种人工智能扫描内窥影像样本库管理系统 |
| CN110367913A (zh) * | 2019-07-29 | 2019-10-25 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
| CN110414607A (zh) * | 2019-07-31 | 2019-11-05 | 中山大学 | 胶囊内窥镜图像的分类方法、装置、设备及介质 |
| CN110738655A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 影像报告生成方法、装置、终端及存储介质 |
| CN110772210A (zh) * | 2019-11-08 | 2020-02-11 | 重庆金山医疗技术研究院有限公司 | 一种诊断交互系统及方法 |
| CN110969603A (zh) * | 2019-11-26 | 2020-04-07 | 联博智能科技有限公司 | 病变位置的相对定位方法、装置及终端设备 |
| WO2020078252A1 (en) * | 2018-10-16 | 2020-04-23 | The Chinese University Of Hong Kong | Method, apparatus and system for automatic diagnosis |
| WO2020088288A1 (zh) * | 2018-10-30 | 2020-05-07 | 腾讯科技（深圳）有限公司 | 内窥镜图像的处理方法、系统及计算机设备 |
| CN111311561A (zh) * | 2020-02-10 | 2020-06-19 | 浙江未来技术研究院(嘉兴) | 一种基于显微手术成像系统的术区自动测光方法及装置 |
| CN111340094A (zh) * | 2020-02-21 | 2020-06-26 | 湘潭大学 | 基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法 |
| CN111524124A (zh) * | 2020-04-27 | 2020-08-11 | 中国人民解放军陆军特色医学中心 | 炎症性肠病消化内镜影像人工智能辅助系统 |
| CN111739007A (zh) * | 2020-06-22 | 2020-10-02 | 中南民族大学 | 内窥镜图像识别方法、设备、存储介质及装置 |
| CN112189236A (zh) * | 2018-05-28 | 2021-01-05 | 富士胶片株式会社 | 学习数据收集装置、学习数据收集方法和程序、学习系统、学习完毕模型、以及内窥镜图像处理装置 |
| CN112567378A (zh) * | 2018-05-27 | 2021-03-26 | 易鲁希德生物成像公司 | 利用定量成像的方法和系统 |
| CN112584749A (zh) * | 2018-06-22 | 2021-03-30 | 株式会社Ai医疗服务 | 基于消化器官的内窥镜图像的疾病的诊断支援方法、诊断支援系统、诊断支援程序和存储有该诊断支援程序的计算机可读取的记录介质 |
| CN112789686A (zh) * | 2018-10-02 | 2021-05-11 | 翰林大学产学合作团 | 利用胃内窥镜图像的深度学习诊断胃病变的装置及方法 |
| CN112823396A (zh) * | 2018-10-02 | 2021-05-18 | 翰林大学产学合作团 | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 |
| CN113139937A (zh) * | 2021-04-13 | 2021-07-20 | 上海市第一人民医院 | 一种基于深度学习的消化道内窥镜视频图像识别方法 |
| CN113573654A (zh) * | 2019-02-28 | 2021-10-29 | 美国尤太克产品公司 | 用于检测并测定病灶尺寸的ai系统 |
| CN113570585A (zh) * | 2021-07-30 | 2021-10-29 | 北京积水潭医院 | 小肠状态异常检测方法、装置及电子设备 |
| CN113613543A (zh) * | 2019-03-18 | 2021-11-05 | 奥林巴斯株式会社 | 诊断辅助装置、诊断辅助方法以及程序 |
| CN113706518A (zh) * | 2021-09-01 | 2021-11-26 | 吉林大学 | 一种基于人工智能的股骨头坏死分期分析方法及系统 |
| US11276164B2 (en) | 2018-08-21 | 2022-03-15 | International Business Machines Corporation | Classifier trained with data of different granularity |
| WO2022108465A1 (en) | 2020-11-19 | 2022-05-27 | Digestaid - Artificial Intelligence Development, Lda. | Automatic detection of colon lesions and blood in colon capsule endoscopy |
| WO2022108466A1 (en) | 2020-11-19 | 2022-05-27 | Digestaid - Artificial Intelligence Development, Lda. | Automatic detection of erosions and ulcers in crohn's capsule endoscopy |
| WO2022108464A1 (en) | 2020-11-19 | 2022-05-27 | Digestaid - Artificial Intelligence Development, Lda. | Automatic detection and differentiation of small bowel lesions in capsule endoscopy |
| CN114587416A (zh) * | 2022-03-10 | 2022-06-07 | 山东大学齐鲁医院 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断系统 |
| CN115274099A (zh) * | 2022-09-26 | 2022-11-01 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
| CN116364229A (zh) * | 2023-04-20 | 2023-06-30 | 北京透彻未来科技有限公司 | 宫颈癌前病变锥切标本的智能可视化病理报告系统 |
| WO2023138544A1 (zh) * | 2022-01-18 | 2023-07-27 | 江苏势通生物科技有限公司 | 胶囊内窥镜肠道图像的识别定位方法、存储介质和设备 |
| CN117204790A (zh) * | 2023-09-12 | 2023-12-12 | 南京诺源医疗器械有限公司 | 一种内窥镜的图像处理方法及系统 |
| CN117524402A (zh) * | 2023-11-30 | 2024-02-06 | 山东派瑞医疗科技有限公司 | 关于内镜影像分析并自动生成诊断报告的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101584571A (zh) * | 2009-06-15 | 2009-11-25 | 无锡骏聿科技有限公司 | 一种胶囊内镜辅助读片方法 |
| US20110135170A1 (en) * | 2009-12-09 | 2011-06-09 | Capso Vision, Inc. | System and method for display speed control of capsule images |
| CN105512612A (zh) * | 2015-11-24 | 2016-04-20 | 中科院合肥技术创新工程院 | 一种基于svm的胶囊内窥镜图像分类方法 |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| CN106373137A (zh) * | 2016-08-24 | 2017-02-01 | 安翰光电技术（武汉）有限公司 | 用于胶囊内窥镜的消化道出血图像检测方法 |
| CN106934799A (zh) * | 2017-02-24 | 2017-07-07 | 安翰光电技术（武汉）有限公司 | 胶囊内窥镜图像辅助阅片系统及方法 |
| CN107230198A (zh) * | 2017-06-09 | 2017-10-03 | 合肥工业大学 | 胃镜图像智能处理方法及装置 |
-
2017
- 2017-10-09 CN CN201710930994.0A patent/CN107730489A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101584571A (zh) * | 2009-06-15 | 2009-11-25 | 无锡骏聿科技有限公司 | 一种胶囊内镜辅助读片方法 |
| US20110135170A1 (en) * | 2009-12-09 | 2011-06-09 | Capso Vision, Inc. | System and method for display speed control of capsule images |
| CN105512612A (zh) * | 2015-11-24 | 2016-04-20 | 中科院合肥技术创新工程院 | 一种基于svm的胶囊内窥镜图像分类方法 |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| CN106373137A (zh) * | 2016-08-24 | 2017-02-01 | 安翰光电技术（武汉）有限公司 | 用于胶囊内窥镜的消化道出血图像检测方法 |
| CN106934799A (zh) * | 2017-02-24 | 2017-07-07 | 安翰光电技术（武汉）有限公司 | 胶囊内窥镜图像辅助阅片系统及方法 |
| CN107230198A (zh) * | 2017-06-09 | 2017-10-03 | 合肥工业大学 | 胃镜图像智能处理方法及装置 |
Cited By (68)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记系统及方法 |
| CN108734705A (zh) * | 2018-05-17 | 2018-11-02 | 杭州电子科技大学 | 基于深度学习的数字乳腺断层影像钙化簇自动检测方法 |
| CN112567378A (zh) * | 2018-05-27 | 2021-03-26 | 易鲁希德生物成像公司 | 利用定量成像的方法和系统 |
| CN112189236A (zh) * | 2018-05-28 | 2021-01-05 | 富士胶片株式会社 | 学习数据收集装置、学习数据收集方法和程序、学习系统、学习完毕模型、以及内窥镜图像处理装置 |
| CN108877915A (zh) * | 2018-06-07 | 2018-11-23 | 合肥工业大学 | 微创视像处理的智能边缘计算系统 |
| CN108831533A (zh) * | 2018-06-20 | 2018-11-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、系统、终端和存储介质 |
| CN112584749A (zh) * | 2018-06-22 | 2021-03-30 | 株式会社Ai医疗服务 | 基于消化器官的内窥镜图像的疾病的诊断支援方法、诊断支援系统、诊断支援程序和存储有该诊断支援程序的计算机可读取的记录介质 |
| CN109165662A (zh) * | 2018-07-03 | 2019-01-08 | 哈尔滨工业大学（威海） | 基于深度学习的消化道内壁病变类型智能识别方法及装置 |
| CN109085436A (zh) * | 2018-08-17 | 2018-12-25 | 南京航空航天大学 | 非侵入式三相全桥逆变器复合故障诊断方法 |
| US11276164B2 (en) | 2018-08-21 | 2022-03-15 | International Business Machines Corporation | Classifier trained with data of different granularity |
| CN109241898A (zh) * | 2018-08-29 | 2019-01-18 | 合肥工业大学 | 腔镜视像的目标定位方法和系统、存储介质 |
| CN109241898B (zh) * | 2018-08-29 | 2020-09-22 | 合肥工业大学 | 腔镜视像的目标定位方法和系统、存储介质 |
| CN109151275A (zh) * | 2018-08-29 | 2019-01-04 | 合肥工业大学 | 具有实时腔镜视像增强处理功能的智能边缘计算系统 |
| CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
| CN112823396A (zh) * | 2018-10-02 | 2021-05-18 | 翰林大学产学合作团 | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 |
| CN112789686A (zh) * | 2018-10-02 | 2021-05-11 | 翰林大学产学合作团 | 利用胃内窥镜图像的深度学习诊断胃病变的装置及方法 |
| CN113302649A (zh) * | 2018-10-16 | 2021-08-24 | 香港中文大学 | 用于自动诊断的方法、装置和系统 |
| WO2020078252A1 (en) * | 2018-10-16 | 2020-04-23 | The Chinese University Of Hong Kong | Method, apparatus and system for automatic diagnosis |
| WO2020088288A1 (zh) * | 2018-10-30 | 2020-05-07 | 腾讯科技（深圳）有限公司 | 内窥镜图像的处理方法、系统及计算机设备 |
| US11849914B2 (en) | 2018-10-30 | 2023-12-26 | Tencent Technology (Shenzhen) Company Limited | Endoscopic image processing method and system, and computer device |
| US11468563B2 (en) | 2018-10-31 | 2022-10-11 | Tencent Technology (Shenzhen) Company Limited | Colon polyp image processing method and apparatus, and system |
| CN109447973B (zh) * | 2018-10-31 | 2021-11-26 | 腾讯医疗健康(深圳)有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
| WO2020088328A1 (zh) * | 2018-10-31 | 2020-05-07 | 腾讯科技（深圳）有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
| CN109447973A (zh) * | 2018-10-31 | 2019-03-08 | 腾讯科技（深圳）有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
| US11748883B2 (en) | 2018-10-31 | 2023-09-05 | Tencent Technology (Shenzhen) Company Limited | Colon polyp image processing method and apparatus, and system |
| CN109447987A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 |
| CN109300134A (zh) * | 2018-11-30 | 2019-02-01 | 中国科学院电工研究所 | 一种胶囊内窥镜图像缩减控制系统 |
| CN109635871B (zh) * | 2018-12-12 | 2021-06-18 | 浙江工业大学 | 一种基于多特征融合的胶囊内窥镜图像分类方法 |
| CN109635871A (zh) * | 2018-12-12 | 2019-04-16 | 浙江工业大学 | 一种基于多特征融合的胶囊内窥镜图像分类方法 |
| CN109460796A (zh) * | 2018-12-26 | 2019-03-12 | 河南通域医疗科技有限公司 | 一种批量截取并分析内窥镜视频中病变特征的方法 |
| CN109480746A (zh) * | 2019-01-14 | 2019-03-19 | 深圳市资福医疗技术有限公司 | 智能控制胶囊式内窥镜在消化道不同部位工作方法及装置 |
| CN113573654A (zh) * | 2019-02-28 | 2021-10-29 | 美国尤太克产品公司 | 用于检测并测定病灶尺寸的ai系统 |
| CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
| CN110010219B (zh) * | 2019-03-13 | 2021-12-10 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
| CN113613543A (zh) * | 2019-03-18 | 2021-11-05 | 奥林巴斯株式会社 | 诊断辅助装置、诊断辅助方法以及程序 |
| CN110335669A (zh) * | 2019-06-03 | 2019-10-15 | 武汉大学 | 一种人工智能扫描内窥影像样本库管理系统 |
| CN110176295A (zh) * | 2019-06-13 | 2019-08-27 | 上海孚慈医疗科技有限公司 | 一种胃肠镜下部位和病灶的实时探测方法及其探测装置 |
| CN110288597A (zh) * | 2019-07-01 | 2019-09-27 | 哈尔滨工业大学 | 基于注意力机制的无线胶囊内窥镜视频显著性检测方法 |
| CN110288597B (zh) * | 2019-07-01 | 2021-04-02 | 哈尔滨工业大学 | 基于注意力机制的无线胶囊内窥镜视频显著性检测方法 |
| CN110367913B (zh) * | 2019-07-29 | 2021-09-28 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
| CN110367913A (zh) * | 2019-07-29 | 2019-10-25 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
| CN110414607A (zh) * | 2019-07-31 | 2019-11-05 | 中山大学 | 胶囊内窥镜图像的分类方法、装置、设备及介质 |
| CN110738655A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 影像报告生成方法、装置、终端及存储介质 |
| CN110738655B (zh) * | 2019-10-23 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 影像报告生成方法、装置、终端及存储介质 |
| CN110772210A (zh) * | 2019-11-08 | 2020-02-11 | 重庆金山医疗技术研究院有限公司 | 一种诊断交互系统及方法 |
| CN110772210B (zh) * | 2019-11-08 | 2022-09-20 | 重庆金山医疗技术研究院有限公司 | 一种诊断交互系统及方法 |
| CN110969603A (zh) * | 2019-11-26 | 2020-04-07 | 联博智能科技有限公司 | 病变位置的相对定位方法、装置及终端设备 |
| CN111311561B (zh) * | 2020-02-10 | 2023-10-10 | 浙江未来技术研究院(嘉兴) | 一种基于显微手术成像系统的术区自动测光方法及装置 |
| CN111311561A (zh) * | 2020-02-10 | 2020-06-19 | 浙江未来技术研究院(嘉兴) | 一种基于显微手术成像系统的术区自动测光方法及装置 |
| CN111340094A (zh) * | 2020-02-21 | 2020-06-26 | 湘潭大学 | 基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法 |
| CN111524124A (zh) * | 2020-04-27 | 2020-08-11 | 中国人民解放军陆军特色医学中心 | 炎症性肠病消化内镜影像人工智能辅助系统 |
| CN111739007B (zh) * | 2020-06-22 | 2024-01-26 | 中南民族大学 | 内窥镜图像识别方法、设备、存储介质及装置 |
| CN111739007A (zh) * | 2020-06-22 | 2020-10-02 | 中南民族大学 | 内窥镜图像识别方法、设备、存储介质及装置 |
| WO2022108464A1 (en) | 2020-11-19 | 2022-05-27 | Digestaid - Artificial Intelligence Development, Lda. | Automatic detection and differentiation of small bowel lesions in capsule endoscopy |
| WO2022108466A1 (en) | 2020-11-19 | 2022-05-27 | Digestaid - Artificial Intelligence Development, Lda. | Automatic detection of erosions and ulcers in crohn's capsule endoscopy |
| WO2022108465A1 (en) | 2020-11-19 | 2022-05-27 | Digestaid - Artificial Intelligence Development, Lda. | Automatic detection of colon lesions and blood in colon capsule endoscopy |
| CN113139937A (zh) * | 2021-04-13 | 2021-07-20 | 上海市第一人民医院 | 一种基于深度学习的消化道内窥镜视频图像识别方法 |
| CN113570585A (zh) * | 2021-07-30 | 2021-10-29 | 北京积水潭医院 | 小肠状态异常检测方法、装置及电子设备 |
| CN113706518A (zh) * | 2021-09-01 | 2021-11-26 | 吉林大学 | 一种基于人工智能的股骨头坏死分期分析方法及系统 |
| WO2023138544A1 (zh) * | 2022-01-18 | 2023-07-27 | 江苏势通生物科技有限公司 | 胶囊内窥镜肠道图像的识别定位方法、存储介质和设备 |
| CN114587416A (zh) * | 2022-03-10 | 2022-06-07 | 山东大学齐鲁医院 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断系统 |
| CN115274099B (zh) * | 2022-09-26 | 2022-12-30 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
| CN115274099A (zh) * | 2022-09-26 | 2022-11-01 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
| CN116364229A (zh) * | 2023-04-20 | 2023-06-30 | 北京透彻未来科技有限公司 | 宫颈癌前病变锥切标本的智能可视化病理报告系统 |
| CN116364229B (zh) * | 2023-04-20 | 2023-11-10 | 北京透彻未来科技有限公司 | 宫颈癌前病变锥切标本的智能可视化病理报告系统 |
| CN117204790A (zh) * | 2023-09-12 | 2023-12-12 | 南京诺源医疗器械有限公司 | 一种内窥镜的图像处理方法及系统 |
| CN117204790B (zh) * | 2023-09-12 | 2024-01-30 | 南京诺源医疗器械有限公司 | 一种内窥镜的图像处理方法及系统 |
| CN117524402A (zh) * | 2023-11-30 | 2024-02-06 | 山东派瑞医疗科技有限公司 | 关于内镜影像分析并自动生成诊断报告的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730489A (zh) | 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 | |
| CN106934799B (zh) | 胶囊内窥镜图像辅助阅片系统及方法 | |
| JP6657480B2 (ja) | 画像診断支援装置、画像診断支援装置の作動方法および画像診断支援プログラム | |
| CN108596884B (zh) | 一种胸部ct图像中的食管癌分割方法 | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| CN110009623A (zh) | 一种图像识别模型训练及图像识别方法、装置及系统 | |
| CN106372390A (zh) | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 | |
| CN108416360B (zh) | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 | |
| Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
| CN107909566A (zh) | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 | |
| CN111899229A (zh) | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 | |
| CN108765408A (zh) | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 | |
| CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
| CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN111653356A (zh) | 一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查系统 | |
| CN109635871A (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
| Bourbakis | Detecting abnormal patterns in WCE images | |
| CN110189324A (zh) | 一种医学图像处理方法及处理装置 | |
| CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
| CN112529892A (zh) | 消化道内镜病变图像检测方法、系统和计算机存储介质 | |
| CN110246143A (zh) | 肺部ct图像辅助检测处理装置 | |
| CN110782441A (zh) | 一种基于深度学习的dr影像肺结核智能分割与检测方法 | |
| CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
| RJ01 | Rejection of invention patent application after publication |