CN109886916B - 一种胶囊镜图像筛选方法及装置 - Google Patents

Abstract

本发明涉及一种胶囊镜图像筛选方法、装置、计算机设备及计算机存储介质。方法包括：获取胶囊镜采集到的原始胶囊镜图像；对胶囊镜图像进行冗余处理，得到初级胶囊镜图像；将初级胶囊镜图像输入至目标深度学习模型，通过目标深度学习模型对初级胶囊镜图像进行过滤，输出目标胶囊镜图像。这种对图像进行筛选的方法，可以快速准确的将胶囊内镜检查时采集到的大量胶囊镜图像进行筛选，筛选出少数有效的图像发送至医生，从而使得医生无需人为地去对胶囊镜图像进行筛选排查，也进一步的提高了医生的阅片效率。

Description

一种胶囊镜图像筛选方法及装置

技术领域

本发明涉及计算机技术领域，特别是涉及一种胶囊镜图像筛选方法、装置、计算机设备及计算机存储介质。

背景技术

胶囊镜图像是进行胶囊内镜检查时产生的图像，胶囊内镜检查是一种新型无创的消化道无线监测系统，属于非侵入性检查，可作为消化道疾病尤其是小肠疾病诊断的首选方法。通过口服内置摄像与信号传输装置的智能胶囊，借助消化道蠕动功能，使之在消化道内运动、拍摄图像，并以数字信号传输图像给患者体外携带的图像记录仪，进行存储记录。医生通过影像工作站分析所记录的图像，了解患者的整个消化道情况，从而对病情作出诊断。

在进行胶囊内镜检查时，胶囊内镜将会以每秒3张的速度拍照，在消化道的蠕动下经过整个消化道，期间不断拍照，图像实时传送至患者口袋里的记录仪，一般一次可拍下图片达几万张。例如一粒胶囊拍摄10个小时，假设拍摄帧率为1秒2帧，在不丢帧的情况下，将会产生10*2*3600＝72000张图像，大量的图像会对医生的阅片效率以及准确度有极大的影响。为了解决这一问题，在传统技术中，会对产生的胶囊镜图像进行去重处理，去除相似度较高的图片，将剩余的图像发送至医生进行诊断。但这种处理方法保留下来的图像数量仍然较多，仍然会影响医生有效快速的进行诊断。

发明内容

本发明实施例提供一种能够有效筛选胶囊镜图像的胶囊镜图像筛选方法，旨在解决传统的胶囊镜图像图像处理技术保留下来的图像数量仍然较多，仍然会影响医生有效快速的进行诊断的问题。

本发明实施例是这样实现的，一种胶囊镜图像筛选方法，所述方法包括：

获取胶囊镜采集到的原始胶囊镜图像；

对所述胶囊镜图像进行冗余处理，得到初级胶囊镜图像；

将所述初级胶囊镜图像输入至目标深度学习模型，通过所述目标深度学习模型对所述初级胶囊镜图像进行过滤，输出目标胶囊镜图像。

本发明实施例还提供一种胶囊镜图像筛选装置，所述装置包括：

图像获取模块，用于获取胶囊镜采集到的原始胶囊镜图像；

图像第一筛选模块，用于对所述原始胶囊镜图像进行冗余处理，得到初级胶囊镜图像；

图像第二筛选模块，用于将所述初级胶囊镜图像输入至目标深度学习模型，通过所述目标深度学习模型对所述初级胶囊镜图像进行过滤，输出目标胶囊镜图像。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：获取胶囊镜采集到的原始胶囊镜图像；对所述胶囊镜图像进行冗余处理，得到初级胶囊镜图像；将所述初级胶囊镜图像输入至目标深度学习模型，通过所述目标深度学习模型对所述初级胶囊镜图像进行过滤，输出目标胶囊镜图像。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：获取胶囊镜采集到的原始胶囊镜图像；对所述胶囊镜图像进行冗余处理，得到初级胶囊镜图像；将所述初级胶囊镜图像输入至目标深度学习模型，通过所述目标深度学习模型对所述初级胶囊镜图像进行过滤，输出目标胶囊镜图像。

上述胶囊镜图像筛选方法，通过获取到胶囊镜采集到的胶囊镜图像，对胶囊镜图像进行冗余处理，可得到初级胶囊镜图像，将初级胶囊镜图像输入至目标深度学习模型中，通过预先已经目标深度学习模型对初级胶囊镜图像进行过滤，则可以将目标深度学习模型过滤输出的胶囊镜图像作为目标胶囊镜图像，可以将目标胶囊镜图像发送至对应的医生以进行查看诊断，这种运用深度学习模型的算法对图像进行筛选的方法，可以快速准确的将胶囊内镜检查时采集到的大量胶囊镜图像进行筛选，筛选出少数有效的图像发送至医生，从而使得医生无需人为地去对胶囊镜图像进行筛选排查，也进一步的提高了医生的阅片效率。

附图说明

图1为一个实施例中胶囊镜图像筛选方法的流程示意图；

图2为一个实施例中深度学习模型的训练步骤的流程示意图；

图3为一个实施例中当根据样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型的步骤的流程示意图；

图4为一个实施例中胶囊镜图像筛选装置的结构框图；

图5为一个实施例中训练模块的结构框图；

图6为一个实施例中计算机设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，在一个实施例中，提供了一种胶囊镜图像筛选方法，包括：

步骤S102，获取胶囊镜采集到的原始胶囊镜图像。

胶囊镜图像是患者在进行胶囊内镜检查时产生的图像，一般情况下，每个患者在进行胶囊内镜检查时产生的胶囊镜图像数量都是巨大的，比如产生几千张胶囊镜图像，或几万张胶囊镜图像。在进行胶囊内镜检查时，患者需要吞服胶囊内镜，胶囊内镜会随胃肠肌肉运动沿消化方向运行，不断拍摄图像，并将拍摄到的图像传输至患者系于腰间的数据传输装置，服务器可以通过网络连接获取到数据传输装置中保存的胶囊镜图像。

步骤S104，对胶囊镜图像进行冗余处理，得到初级胶囊镜图像。

服务器获取到数据传输装置中保存的胶囊镜图像后，可以对胶囊镜图像进行冗余处理。

在一个实施例中，对胶囊镜图像进行冗余处理，得到初级胶囊镜图像，包括：分别对多个胶囊镜图像进行比对，确定胶囊镜图像之间的相似度；将相似度高于预设相似度阈值的胶囊镜图像进行去重处理，得到初级胶囊镜图像。

服务器在对原始胶囊镜图像进行冗余处理时，可以分别对每个原始胶囊镜图像进行比对，确定原始胶囊镜图像之间的相似度。具体地，在对原始胶囊镜图像进行比对时，可以先对每个原始胶囊镜图像进行特征提取，得到与每个原始胶囊镜图像对应的多个图像特征，从而可以对图像特征进行比对以确定每个原始胶囊镜图像之间的相似度。在确定了每个原始胶囊镜图像之间的相似度后，可以将相似度高于预设相似度阈值的原始胶囊镜图像进行去重处理。

预设相似度阈值是预先设置的用于衡量两个胶囊镜图像之间是否为相似度高的图像的衡量值，这个值可以根据实际应用进行设定。假设预设相似度阈值为95％，当胶囊镜图像A和胶囊镜图像B之间的相似度值为96％时，则A与B之间的相似度值高于预设相似度阈值，则可以对胶囊镜图像A和胶囊镜图像B进行去重处理。也就是说，当两个图像之间的相似度较高时，可认为这两个胶囊镜图像可以等同于一个图像，则可以只保留其中一个图像即可，也不会影响医生的诊断结果。即胶囊镜图像A和胶囊镜图像B之间任选其一，另外一个胶囊镜图像将会被去除，不再作为可被医生进行查看诊断的图像。也就是说，可以对原始胶囊镜图像进行冗余处理，即可得到初级胶囊镜图像。

步骤S106，将初级胶囊镜图像输入至目标深度学习模型，通过目标深度学习模型对初级胶囊镜图像进行过滤，输出目标胶囊镜图像。

经过进行冗余处理得到初级胶囊镜图像后，可以将初级胶囊镜图像输入至目标深度学习模型中，通过目标深度学习模型对初级胶囊镜图像进行过滤。目标深度学习模型是指预先训练好的深度学习模型。深度学习是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

通过目标深度学习模型对初级胶囊镜图像进行再一次的过滤后，可以获取到目标深度学习模型过滤输出的胶囊镜图像，并将目标深度学习模型过滤输出的胶囊镜图像作为目标胶囊镜图像，得到的目标胶囊镜图像可以用于医生对相关的病情进行查看诊断。

上述胶囊镜图像筛选方法，通过获取到胶囊镜采集到的胶囊镜图像，对胶囊镜图像进行冗余处理，可得到初级胶囊镜图像，将初级胶囊镜图像输入至目标深度学习模型中，通过预先已经目标深度学习模型对初级胶囊镜图像进行过滤，则可以将目标深度学习模型过滤输出的胶囊镜图像作为目标胶囊镜图像，可以将目标胶囊镜图像发送至对应的医生以进行查看诊断，这种运用深度学习模型的算法对图像进行筛选的方法，可以快速准确的将胶囊内镜检查时采集到的大量胶囊镜图像进行筛选，筛选出少数有效的图像发送至医生，从而使得医生无需人为地去对胶囊镜图像进行筛选排查，也进一步的提高了医生的阅片效率。

在一个实施例中，如图2所示，在获取胶囊镜采集到的原始胶囊镜图像之前，还包括对深度学习模型进行训练得到目标深度学习模型的步骤，具体包括：

步骤S202，获取多个样本胶囊镜图像。

步骤S204，分别为每个样本胶囊镜图像添加对应的样本标签。

步骤S206，将添加了样本标签的样本胶囊镜图像依次输入至深度学习模型对深度学习模型进行训练。

步骤S208，获取深度学习模型根据输入的样本胶囊镜图像输出的样本分类标签。

步骤S210，当根据样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型。

在将深度学习模型投入实际运用之前，需要对深度学习模型预先进行训练，以保证深度学习模型的预测准确率。首先，可以从数据库中获取多个样本胶囊镜图像，数据库可以是公共的医疗数据库，或者某个医院的服务器中存储的多个病人进行胶囊镜检测时所采集到的胶囊镜图像。获取到多个胶囊镜图像后，可将这些图像作为样本胶囊镜图像，用于对深度学习模型进行训练。在样本胶囊镜图像包含有正样本胶囊镜图像和负样本胶囊镜图像，其中，正样本胶囊镜图像可以是挑选出的高于预设图像质量阈值的胶囊镜图像，负样本胶囊镜图像则可以是挑选出的不高于预设图像质量阈值的胶囊镜图像。预设图像质量阈值是预先设定的衡量值，可以根据实际情况进行调整。

进一步地，可以分别为每个样本胶囊镜图像添加对应的样本标签，即可以分别为正样本胶囊镜图像和负样本胶囊镜图像添加对应的正样本标签和负样本标签，以使得服务器可以通过样本标签区分样本胶囊镜图像是属于正样本还是负样本。之后可以将添加了样本标签的样本胶囊镜图像依次输入至深度学习模型对深度学习模型进行训练，从而可以得到目标深度学习模型。

在判断深度学习模型是否训练完毕时，可以通过判断深度学习模型的预测准确率是否达到预设准确率阈值来确定，当深度学习模型的预测准确率达到预设准确率阈值时，可确定得到目标深度学习模型；当深度学习模型的预测准确率未达到预设准确率阈值时，可确定该深度学习模型还需要继续训练。

具体地，可通过获取深度学习模型根据输入的样本胶囊镜图像对应输出的样本分类标签，根据样本分类标签确定深度学习模型的预测准确率。比如，一共输入100个样本胶囊镜图像，其中，深度学习模型输出的样本分类标签中有80个与输入的样本胶囊镜图像对应的分类标签一致，有20个与输入的样本胶囊镜图像对应的分类标签不一致，则可确定深度学习模型的预测准确率为80/100＝0.8，当预设准确率阈值为0.95时，则深度学习模型的预测准确率低于预设准确率阈值，需要继续训练。若是输入的100个样本胶囊镜图像中，深度学习模型输出的样本分类标签中有99个与输入的样本胶囊镜图像对应的分类标签一致，则可确定深度学习模型的预测准确率为99/100＝0.99，深度学习模型的预测准确率达到了预设准确率阈值，则可得到目标深度学习模型。

在一个实施例中，预测准确率包含第一预测准确率和第二预测准确率，预设准确率阈值包含第一预设准确率阈值和第二预设准确率阈值。

如图3所示，当根据样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型的步骤，包括：

步骤S302，当根据样本分类标签确定的第一预测准确率达到第一预设准确率阈值时，获取多个预测胶囊镜图像。

步骤S304，将多个预测胶囊镜图像输入至深度学习模型，获取深度学习模型输出的预测分类标签。

步骤S306，根据预测分类标签确定深度学习模型的第二预测准确率。

步骤S308，当第二预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

在本实施例中，预测准确率包含第一预测准确率和第二预测准确率，预设准确率阈值包含第一预设准确率阈值和第二预设准确率阈值。第一预测准确率和第二预测准确率、第一预设准确率阈值和第二预设准确率阈值均为预先设定的衡量值，可根据实际情况进行自定义设置。其中，第一预测准确率是根据样本分类标签确定的，第一预设准确率阈值则用于衡量根据样本分类标签确定的第一预测准确率，第二预测准确率是根据预测分类标签确定的，用于衡量预测分类标签确定的第二预设准确率阈值。

当根据样本分类标签确定的第一预测准确率达到第一预设准确率阈值时，代表深度学习模型对于输入的样本胶囊镜图像的预测准确率已经达到预设的标准，可以进行下一步的验证操作。因此可以获取多个预测胶囊镜图像，预测胶囊镜图像与样本胶囊镜图像均属于胶囊镜图像，预测胶囊镜图像可以与样本胶囊镜图像取自同一个数据库，只是为了区分胶囊镜图像的用途，所以命名不同。预测胶囊镜图像实际上是用于进一步验证深度学习模型的预测准确率是否达到预设的标准。

可以将预测胶囊镜图像输入至深度学习模型，获取深度学习模型输出的预测分类标签，预测分类标签与样本分类标签实质上是相同的，此处的命名是为了与输入的胶囊镜图像名称对应。可以预测分类标签确定深度学习模型的第二预测准确率，当第二预测准确率达到第二预设准确率阈值时，说明深度学习模型通过了再一次的验证操作，深度学习模型的预测准确率已经达到了预先设定的标准，因此可认为得到了目标深度学习模型，可以将目标深度学习模型投入实际使用中。

在一个实施例中，上述胶囊镜图像筛选方法还包括：当第二预测准确率未达到第二预设准确率阈值时，获取与预测分类标签不一致的预测胶囊镜图像作为矫正胶囊镜图像；将矫正胶囊镜图像输入至当前的深度学习模型，对当前的深度学习模型进行训练，获取深度学习模型输出的预测分类标签；根据预测分类标签确定深度学习模型的第三预测准确率；当第三预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

当第二预测准确率未达到第二预设准确率阈值时，说明深度学习模型未通过进一步的验证操作，需要继续对深度学习模型进行训练。因此，可以获取到深度学习模型输出的与预测分类标签不一致的预测胶囊镜图像，将这些预测胶囊镜图像进行汇总，作为矫正胶囊镜图像再一次对深度学习模型进行训练。矫正胶囊镜图像与预测胶囊镜图像实际上是同样的胶囊镜图像，但矫正胶囊镜图像是从预测胶囊镜图像中选取出来的，是将预测胶囊镜图像输入至深度学习模型后，深度学习模型输出的与预测分类标签不一致的胶囊镜图像。因此可以将这部分深度学习模型预测错误的胶囊镜图像挑选出来作为矫正胶囊镜图像，再一次对深度学习模型进行训练。在训练过程中，仍然可以获取到深度学习模型输出的预测分类标签，根据预测分类标签确定深度学习模型的第三预测准确率。可理解的是，第三预测准确率与第二预测准确率的计算方式相同，此处只是为了区分不同流程下对深度学习模型的预测准确率的描述。当第三预测准确率达到第二预设准确率阈值时，说明深度学习模型的训练达到预期，可认为训练完毕，因此可将当前的深度学习模型作为目标深度学习模型。若是第三预测准确率未达到第二预设准确率阈值时，可需要继续对当前的深度学习模型进行训练，直到每一次深度学习模型的预测准确率都能达到第二预设准确率阈值时，方可认为深度学习模型训练完毕，即可得到目标深度学习模型。

如图4所示，在一个实施例中提供了一种胶囊镜图像筛选装置，包括：

图像获取模块402，用于获取胶囊镜采集到的原始胶囊镜图像。

图像第一筛选模块404，用于对胶囊镜图像进行冗余处理，得到初级胶囊镜图像。

图像第二筛选模块406，用于将初级胶囊镜图像输入至目标深度学习模型，通过目标深度学习模型对初级胶囊镜图像进行过滤，输出目标胶囊镜图像。

在一个实施例中，上述图像第一筛选模块404还用于分别对多个原始胶囊镜图像进行比对，确定原始胶囊镜图像之间的相似度；将相似度高于预设相似度阈值的原始胶囊镜图像进行去重处理，得到初级胶囊镜图像。

在一个实施例中，上述装置还包括训练模块408，如图5所示，训练模块408包括：

样本图像单元4081，用于获取多个样本胶囊镜图像。

标签添加单元4082，用于分别为每个样本胶囊镜图像添加对应的样本标签。

数据输入单元4083，用于将添加了样本标签的样本胶囊镜图像依次输入至深度学习模型对深度学习模型进行训练。

模型确定单元4084，用于获取深度学习模型根据输入的样本胶囊镜图像输出的样本分类标签；当根据样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型。

在一个实施例中，预测准确率包含第一预测准确率和第二预测准确率，预设准确率阈值包含第一预设准确率阈值和第二预设准确率阈值。上述模型确定单元4084还用于当根据样本分类标签确定的第一预测准确率达到第一预设准确率阈值时，获取多个预测胶囊镜图像；将多个预测胶囊镜图像输入至深度学习模型，获取深度学习模型输出的预测分类标签；根据预测分类标签确定深度学习模型的第二预测准确率；当第二预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

在一个实施例中，上述模型确定单元4084还用于当第二预测准确率未达到第二预设准确率阈值时，获取与预测分类标签不一致的预测胶囊镜图像作为矫正胶囊镜图像；将矫正胶囊镜图像输入至当前的深度学习模型，对当前的深度学习模型进行训练，获取深度学习模型输出的预测分类标签；根据预测分类标签确定深度学习模型的第三预测准确率；当第三预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取胶囊镜采集到的原始胶囊镜图像；对胶囊镜图像进行冗余处理，得到初级胶囊镜图像；将初级胶囊镜图像输入至目标深度学习模型，通过目标深度学习模型对初级胶囊镜图像进行过滤；，输出目标胶囊镜图像。

在一个实施例中，计算机程序被处理器执行对胶囊镜图像进行冗余处理，得到初级胶囊镜图像步骤时，包括：分别对多个胶囊镜图像进行比对，确定胶囊镜图像之间的相似度；将相似度高于预设相似度阈值的胶囊镜图像进行去重处理，得到初级胶囊镜图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取多个样本胶囊镜图像；分别为每个样本胶囊镜图像添加对应的样本标签；将添加了样本标签的样本胶囊镜图像依次输入至深度学习模型对深度学习模型进行训练；获取深度学习模型根据输入的样本胶囊镜图像输出的样本分类标签；当根据样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型。

在一个实施例中，预测准确率包含第一预测准确率和第二预测准确率，预设准确率阈值包含第一预设准确率阈值和第二预设准确率阈值。计算机程序被处理器执行当根据样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型的步骤时，包括：当根据样本分类标签确定的第一预测准确率达到第一预设准确率阈值时，获取多个预测胶囊镜图像；将多个预测胶囊镜图像输入至深度学习模型，获取深度学习模型输出的预测分类标签；根据预测分类标签确定深度学习模型的第二预测准确率；当第二预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当第二预测准确率未达到第二预设准确率阈值时，获取与预测分类标签不一致的预测胶囊镜图像作为矫正胶囊镜图像；将矫正胶囊镜图像输入至当前的深度学习模型，对当前的深度学习模型进行训练，获取深度学习模型输出的预测分类标签；根据预测分类标签确定深度学习模型的第三预测准确率；当第三预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

图6为一个实施例中计算机设备的内部结构示意图。该计算机设备具体可以是服务器，服务器可以包含有目标深度学习模型。如图6所示，计算机设备包括通过系统总线连接的处理器、存储介质、内存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个终端的运行。计算机设备的存储介质存储有操作系统以及计算机程序，该计算机程序被处理器执行时，使得处理器实现一种胶囊镜图像筛选方法。计算机设备中的内存储器也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种胶囊镜图像筛选方法。计算机设备的网络接口用于与服务器120通信。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的非易失性存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种胶囊镜图像筛选方法，所述方法包括：

获取胶囊镜采集到的原始胶囊镜图像；

对所述原始胶囊镜图像进行冗余处理，得到初级胶囊镜图像；

将所述初级胶囊镜图像输入至目标深度学习模型，通过所述目标深度学习模型对所述初级胶囊镜图像进行过滤，输出目标胶囊镜图像；

其中，所述目标深度学习模型是深度学习模型经过预先进行训练得到的，训练所述目标深度学习模型的样本胶囊镜图像包含有正样本胶囊镜图像和负样本胶囊镜图像，正样本胶囊镜图像是高于预设图像质量阈值的胶囊镜图像，负样本胶囊镜图像是不高于预设图像质量阈值的胶囊镜图像；

所述对所述原始胶囊镜图像进行冗余处理，得到初级胶囊镜图像，包括：分别对多个胶囊镜图像进行比对，确定胶囊镜图像之间的相似度；将相似度高于预设相似度阈值的胶囊镜图像进行去重处理，得到所述初级胶囊镜图像。

2.根据权利要求1所述的方法，其特征在于，在所述获取胶囊镜采集到的原始胶囊镜图像之前，还包括：

获取多个样本胶囊镜图像；

分别为每个所述样本胶囊镜图像添加对应的样本标签；

将添加了所述样本标签的所述样本胶囊镜图像依次输入至深度学习模型对所述深度学习模型进行训练；

获取所述深度学习模型根据输入的所述样本胶囊镜图像输出的样本分类标签；

当根据所述样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型。

3.根据权利要求2所述的方法，其特征在于，所述预测准确率包含第一预测准确率和第二预测准确率，所述预设准确率阈值包含第一预设准确率阈值和第二预设准确率阈值；

所述当根据所述样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型，包括：

当根据所述样本分类标签确定的第一预测准确率达到第一预设准确率阈值时，获取多个预测胶囊镜图像；

将所述多个预测胶囊镜图像输入至所述深度学习模型，获取所述深度学习模型输出的预测分类标签；

根据所述预测分类标签确定所述深度学习模型的第二预测准确率；

当所述第二预测准确率达到第二预设准确率阈值时，将当前的所述深度学习模型作为所述目标深度学习模型。

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：

当所述第二预测准确率未达到第二预设准确率阈值时，获取与所述预测分类标签不一致的所述预测胶囊镜图像作为矫正胶囊镜图像；

将所述矫正胶囊镜图像输入至当前的所述深度学习模型，对所述当前的深度学习模型进行训练，获取所述深度学习模型输出的预测分类标签；

根据所述预测分类标签确定所述深度学习模型的第三预测准确率；

当所述第三预测准确率达到所述第二预设准确率阈值时，将当前的所述深度学习模型作为所述目标深度学习模型。

5.一种胶囊镜图像筛选装置，其特征在于，所述装置包括：

图像获取模块，用于获取胶囊镜采集到的原始胶囊镜图像；

图像第一筛选模块，用于对所述原始胶囊镜图像进行冗余处理，得到初级胶囊镜图像；

图像第二筛选模块，用于将所述初级胶囊镜图像输入至目标深度学习模型，通过所述目标深度学习模型对所述初级胶囊镜图像进行过滤，输出目标胶囊镜图像；

其中，所述目标深度学习模型是深度学习模型经过预先进行训练得到的，训练所述目标深度学习模型的样本胶囊镜图像包含有正样本胶囊镜图像和负样本胶囊镜图像，正样本胶囊镜图像是高于预设图像质量阈值的胶囊镜图像，负样本胶囊镜图像是不高于预设图像质量阈值的胶囊镜图像；

所述对所述原始胶囊镜图像进行冗余处理，得到初级胶囊镜图像，包括：分别对多个胶囊镜图像进行比对，确定胶囊镜图像之间的相似度；将相似度高于预设相似度阈值的胶囊镜图像进行去重处理，得到所述初级胶囊镜图像。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块包括：

样本图像单元，用于获取多个样本胶囊镜图像，其中，所述样本胶囊镜图像包含有正样本胶囊镜图像和负样本胶囊镜图像；

标签添加单元，用于分别为每个所述样本胶囊镜图像添加对应的样本标签；

数据输入单元，用于将添加了所述样本标签的所述样本胶囊镜图像依次输入至深度学习模型对所述深度学习模型进行训练，获取所述深度学习模型根据输入的所述样本胶囊镜图像输出的样本分类标签，当根据所述样本分类标签确定的预测准确率达到预设准确率阈值时，得到目标深度学习模型。

7.根据权利要求6所述的装置，其特征在于，预测准确率包含第一预测准确率和第二预测准确率，预设准确率阈值包含第一预设准确率阈值和第二预设准确率阈值；所述模型确定单元还用于当根据样本分类标签确定的第一预测准确率达到第一预设准确率阈值时，获取多个预测胶囊镜图像；将多个预测胶囊镜图像输入至深度学习模型，获取深度学习模型输出的预测分类标签；根据预测分类标签确定深度学习模型的第二预测准确率；当第二预测准确率达到第二预设准确率阈值时，将当前的深度学习模型作为目标深度学习模型。

8.根据权利要求7所述的装置，其特征在于，所述数据输入单元还用于当所述第二预测准确率未达到第二预设准确率阈值时，获取与所述预测分类标签不一致的所述预测胶囊镜图像作为矫正胶囊镜图像，将所述矫正胶囊镜图像输入至当前的所述深度学习模型，对所述当前的深度学习模型进行训练，获取所述深度学习模型输出的预测分类标签，根据所述预测分类标签确定所述深度学习模型的第三预测准确率，当所述第三预测准确率达到所述第二预设准确率阈值时，将当前的所述深度学习模型作为所述目标深度学习模型。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。

Images