CN109949281A - 一种胃镜图像质量检测方法及装置 - Google Patents
一种胃镜图像质量检测方法及装置 Download PDFInfo
- Publication number
- CN109949281A CN109949281A CN201910179458.0A CN201910179458A CN109949281A CN 109949281 A CN109949281 A CN 109949281A CN 201910179458 A CN201910179458 A CN 201910179458A CN 109949281 A CN109949281 A CN 109949281A
- Authority
- CN
- China
- Prior art keywords
- gastroscope
- picture quality
- image
- sample
- quality detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 210000002784 stomach Anatomy 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003097 mucus Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例提供一种胃镜图像质量检测方法及装置,包括:获取待检测的目标胃镜图像;基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。本发明实施例提供的一种胃镜图像质量检测方法及装置,通过对胃镜图像的质量类别进行标准化检测,能够提高胃镜图像质量,从而提高了胃镜图像的准确性,获取更有效的胃镜检测信息,提高了胃镜图像的获取效率。
Description
技术领域
本发明实施例涉及胃镜图像处理技术领域,尤其涉及一种胃镜图像质量检测方法及装置。
背景技术
由于胃镜图像中经常出现不符合要求的非标准胃镜图像,例如,模糊胃镜图像、失焦胃镜图像、反射伪影胃镜图像等,降低了胃镜图像的准确性,导致不能有效地获取胃镜检测信息,以致于需要重新获取胃镜图像。
因此,现在亟需一种胃镜图像质量检测方法及装置来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种胃镜图像质量检测方法及装置。
第一方面,本发明实施例提供了一种胃镜图像质量检测方法,包括:
获取待检测的目标胃镜图像;
基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
第二方面,本发明实施例提供了一种胃镜图像质量检测装置,包括:
获取模块,用于获取待检测的目标胃镜图像;
图像质量检测模块,用于基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
第三方面,本发明实施例提供一种电子设备,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如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种胃镜图像质量检测方法及装置,通过对胃镜图像的质量类别进行标准化检测,能够提高胃镜图像质量,从而提高了胃镜图像的准确性,获取更有效的胃镜检测信息,提高了胃镜图像的获取效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的胃镜图像质量检测方法的流程示意图;
图2为本发明实施例提供的胃镜图像质量检测模型的训练流程示意图;
图3为本发明实施例提供的胃镜图像质量检测装置的结构示意图;
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的胃镜图像质量检测方法的流程示意图,如图1所示,本发明实施例提供了一种胃镜图像质量检测方法,包括:
步骤101,获取待检测的目标胃镜图像。
在本发明实施例中,采用电子胃镜将患者的检查情况反映到显示屏上,并将相关胃镜图像作为资料进行存储,从而获得待检测的目标胃镜图像。在获取到目标胃镜图像之后,通过实时判断该目标胃镜图像的质量是否符合标准,并为操作者提供相应的提示,在不取出胃镜的情况下,以供操作者选择重新进行胃镜图像采集或者停止采集,提高胃镜图像的准确性,同时也减少了患者遭受二次插入胃镜检查的风险。
步骤102,基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
在本发明实施例中,将待检测的目标胃镜图像输入到训练好的胃镜图像质量检测模型中,得到该目标胃镜图像的质量检测结果,例如,若目标胃镜图像显示效果清晰、无粘液附着或反射伪影等情况,则判断获知该目标胃镜图像的图像质量符合标准,并通过显示屏进行提示,从而告知操作者;若目标胃镜图像出现失焦、模糊或者粘液附着等情况,则判断获知该目标胃镜图像的图像质量未达到标准,同时通过显示屏提示操作者重新进行获取胃镜图像。
具体地,在本发明实施例中,在目标胃镜图像输入到胃镜图像质量检测模型之后,首先将目标胃镜图像上的有效信息裁剪成正方形图像;然后,按照预设分辨率将正方形图像进行缩减,从而得到目标胃镜图像的缩减图像;最后,将目标胃镜图像的缩减图像扩充为多张相同的图像,分别对每一张目标胃镜图像的缩减图像进行至少一种的随机图像处理,例如,旋转、水平变换、翻转或平移等,以供训练好的胃镜图像质量检测模型对每一张随机图像处理后的缩减图像进行质量检测,提高了胃镜图像质量检测的准确度,并根据该目标胃镜图像的质量检测结果,提供相应的操作指示。例如,当获取到的胃镜图像符合质量标准时,则提示进行下一步操作或停止胃镜检查,若获取到的胃镜图像不符合质量标准时,则提示需要重新进行获取胃镜图像。
本发明实施例提供的一种胃镜图像质量检测方法,通过对胃镜图像的质量类别进行标准化检测,能够提高胃镜图像质量,从而提高了胃镜图像的准确性,获取更有效的胃镜检测信息,提高了胃镜图像的获取效率。
图2为本发明实施例提供的胃镜图像质量检测模型的训练流程示意图,如图2所示,所述训练好的胃镜图像质量检测模型通过以下步骤训练得到:
步骤201,根据图像质量类型,对样本胃镜图像进行标注,得到第一样本胃镜图像。
在本发明实施例中,首先获取样本胃镜图像,并按照图像质量类型,将样本胃镜图像进行标注,例如,将符合质量标准的胃镜图像标注为标准胃镜图像,将失焦胃镜图像、模糊胃镜图像、粘液附着胃镜图像或反射伪影胃镜图像等胃镜图像标注为非标准胃镜图像,将完成图像质量类型标注的样本胃镜图像作为第一样本胃镜图像。需要说明的是,在本发明实施例中,将各类型胃镜图像以及图像质量类型标签分别进行编号,使得胃镜图像编号和胃镜质量类型标签编号一一对应,并且控制各类型胃镜图像的数据量大致相同,从而保证数据的均衡性。
步骤202对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集。
在本发明实施例中,对第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集,以供胃镜图像质量检测模型进行训练,从而提高训练效率。首先,将第一样本胃镜图像中的有效信息部分裁剪为正方形图像,然后将该正方形图像进行缩减处理,得到对应的缩减图像。需要说明的是,为了增加样本胃镜图像的样本数据数量,可将缩减图像复制成多张,并对每一张相同的缩减图像分别进行随机图像处理,从而增加了样本胃镜图像的随机性,增强了胃镜图像质量检测模型分类的泛化性。最后,将这些经过随机图像处理后的缩减图像作为样本胃镜图像数据集。
步骤203,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
在本发明实施例中,将样本胃镜图像数据集按照3:1:1的比例划分为样本胃镜图像训练集、样本胃镜图像测试集和样本胃镜图像验证集,输入到待训练的胃镜图像质量检测模型中。在本发明实施例,胃镜图像质量检测模型基于卷积神经网络训练得到,该卷积神经网络包含多个卷积层,每个卷积层中叠加若干个可选地卷积核,以提高卷积神经网络的性能。在样本胃镜图像数据集经过卷积神经网络的一系列卷积和池化运算之后,提取出样本胃镜图像的图像特征,根据图像特征判断该样本胃镜图像的图像质量是否属于标准图像,并通过样本胃镜图像测试集和样本胃镜图像验证集对卷积神经网络进行测试和验证,若满足预设条件,则得到训练好的胃镜图像质量检测模型。需要说明的是,在本发明实施例中,可根据多种经典神经网络模型对胃镜图像质量检测模型进行构建以及参数初始化,例如,VGG16模型、GoogLeNet模型或ResNet模型等,同时,胃镜图像质量检测模型中的部分参数也可以选择已训练过的卷积神经网络模型的参数进行优化,从而加快训练过程。
本发明实施例通过将深度学习应用于胃镜图像质量检测,利用卷积神经网络实现对胃镜图像的质量进行检测,在保证检测速度的同时,达到较高的检测精度,从而获取更有效的胃镜检测信息。
在上述实施例的基础上,所述对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集,包括:
对所述第一样本胃镜图像进行裁剪处理,得到第二样本胃镜图像;
对所述第二样本胃镜图像进行缩减处理,得到第三样本胃镜图像;
对所述第三样本胃镜图像进行随机图像处理,获得样本胃镜图像数据集。
在本发明实施例中,将已完成图像质量类型标注的第一样本胃镜图像进行裁剪处理,将第一样本胃镜图像上包含的有效信息裁剪为正方形区域的图像,得到第二样本胃镜图像,例如,有效信息包括食道、胃和十二指肠等胃镜探测区域的相应图像信息。然后,根据预设的N×N分辨率,将正方形区域的图像进行缩减处理,例如,N=224时,图像缩减后的分辨率为224×224,得到第三样本胃镜图像。需要说明的是,在本发明实施例中,若设置了缩减分辨率,在胃镜图像质量检测模型训练好之后,待检测的目标胃镜图像的缩减分辨率与该预设的分辨率保持一致,即待检测的目标胃镜图像的格式与第三样本胃镜图像的格式相同。
进一步地,在本发明实施例中,将第三样本胃镜图像复制为多张,分别进行随机图像处理,包括图像旋转、水平变换、图像翻转、图像平移和图像随机裁剪等处理,将第三样本胃镜图像扩充成多张经过不同图像处理后的样本胃镜图像,得到样本胃镜图像数据集,从而增加了样本胃镜图像数据集的样本数据数量,同时增加了样本胃镜图像的随机性,增强卷积神经网络分类的泛化性。
在上述实施例的基础上,在所述对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集之后,所述方法还包括:
对所述样本胃镜图像数据集进行正则化处理,公式为:
其中,x表示胃镜图像的像素值,mean表示胃镜图像的均值,stddev表示胃镜图像的标准差,y表示正则化处理后的胃镜图像数据。
在本发明实施例中,在获取到样本胃镜图像数据集之后,为了避免训练数据数量不足或者过度训练而导致的过拟合,对样本胃镜图像数据集进行正则化处理,以便防止过拟合和提高模型泛化性能,从而解决了逆问题的不适定性。
在上述实施例的基础上,所述根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型,包括:
基于反向传播算法,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
在本发明实施例中,反向传播(Back Propagation,简称BP)算法的训练过程由正向传播过程和反向传播过程组成。在正向传播过程中,输入信息通过输入层经隐含层,逐层处理并传向输出层。如果在输出层得不到期望的输出值,则取输出与期望的误差的平方和作为目标函数,转入反向传播,逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯量,作为修改权值的依据,由于卷积神经网络的训练在权值修改过程中完成,当误差达到所期望值时,则训练结束。在本发明实施例中,为了防止训练过程出现过拟合,采用L2正则化和丢弃(Dropout)算法,限制卷积神经网络的模型参数,增加了卷积神经网络的泛化能力,提高了胃镜图像质量检测的准确率,防止训练胃镜图像质量检测模型出现过拟合。其中,卷积神经网络的损失函数附加L2正则化项。可选地,在本发明实施例中,为了提高卷积神经网络的训练效率,基于迁移学习的方法,利用ImageNet中的图像和视觉训练的图片库,对卷积神经网络进行预训练,初始化卷积神经网络的参数,从而更加有效地得到训练好的胃镜图像质量检测模型。
在上述实施例的基础上,所述根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型,还包括:
基于批标准化算法,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
在本发明实施例中,为了避免由于卷积神经网络的层数加深,收敛速度变慢,而导致的梯度消失或梯度爆炸,采用批标准化(Batch Normalization,简称BN)算法,来规范某些层或者所有层的输入,从而固定每层输入信号的均值与方差,使得卷积神经网络在训练过程中,每一层神经网络的输入保持相同分布,简化了深层神经网络的构建,加快学习收敛速度,从而得到训练好的胃镜图像质量检测模型。
在上述实施例的基础上,所述根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型,还包括:
基于早停止算法,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
在本发明实施例中,通过早停止(early stopping)算法对卷积神经网络进行训练,计算卷积神经网络模型在验证集上的表现,当模型在验证集上的表现开始下降的时候,停止训练,这样就能避免继续训练导致过拟合的问题。具体地,在每一个迭代周期中,对样本胃镜图像数据集中的样本胃镜图像验证集进行误差验证,例如,可选择每个迭代周期为50轮,当样本胃镜图像验证集的泛化误差达到最小值时,停止训练,即得到训练好的胃镜图像质量检测模型。
图3为本发明实施例提供的胃镜图像质量检测装置的结构示意图,如图3所示,本发明实施例提供了一种胃镜图像质量检测装置,包括:获取模块301和图像质量检测模块302,其中,获取模块301用于获取待检测的目标胃镜图像;图像质量检测模块302用于基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
本发明实施例提供的一种胃镜图像质量检测装置,通过对胃镜图像的质量类别进行标准化检测,能够提高胃镜图像质量,从而提高了胃镜图像的准确性,获取更有效的胃镜检测信息,提高了胃镜图像的获取效率。
在上述实施例的基础上,所述装置还包括:样本类型标注模块、图像处理模块和训练模块,其中,样本类型标注模块用于根据图像质量类型,对样本胃镜图像进行标注,得到第一样本胃镜图像;图像处理模块用于对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集;训练模块用于根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
在上述实施例的基础上,所述图像处理模块包括:第一图像处理单元、第二图像处理单元和第三图像处理单元,其中,第一图像处理单元用于对所述第一样本胃镜图像进行裁剪处理,得到第二样本胃镜图像;第二图像处理单元用于对所述第二样本胃镜图像进行缩减处理,得到第三样本胃镜图像;第三图像处理单元用于对所述第三样本胃镜图像进行随机图像处理,获得样本胃镜图像数据集。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图4为本发明实施例提供的电子设备结构示意图,如图4所示,该电子设备可以包括:处理器(Processor)401、通信接口(Communications Interface)402、存储器(Memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法:获取待检测的目标胃镜图像;基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待检测的目标胃镜图像;基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述实施例所提供的胃镜图像质量检测方法,例如包括:获取待检测的目标胃镜图像;基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种胃镜图像质量检测方法,其特征在于,包括:
获取待检测的目标胃镜图像;
基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述训练好的胃镜图像质量检测模型通过以下步骤训练得到:
根据图像质量类型,对样本胃镜图像进行标注,得到第一样本胃镜图像;
对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集;
根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集,包括:
对所述第一样本胃镜图像进行裁剪处理,得到第二样本胃镜图像;
对所述第二样本胃镜图像进行缩减处理,得到第三样本胃镜图像;
对所述第三样本胃镜图像进行随机图像处理,获得样本胃镜图像数据集。
4.根据权利要求2所述的方法,其特征在于,在所述对所述第一样本胃镜图像进行图像处理,得到样本胃镜图像数据集之后,所述方法还包括:
对所述样本胃镜图像数据集进行正则化处理,公式为:
其中,x表示胃镜图像的像素值,mean表示胃镜图像的均值,stddev表示胃镜图像的标准差,y表示正则化处理后的胃镜图像数据。
5.根据权利要求2所述的方法,其特征在于,所述根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型,包括:
基于反向传播算法,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
6.根据权利要求2所述的方法,其特征在于,所述根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型,还包括:
基于批标准化算法,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量模型。
7.根据权利要求2所述的方法,其特征在于,所述根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型,还包括:
基于早停止算法,根据所述样本胃镜图像数据集,对胃镜图像质量检测模型进行训练,得到训练好的胃镜图像质量检测模型。
8.一种胃镜图像质量检测装置,其特征在于,包括:
获取模块,用于获取待检测的目标胃镜图像;
图像质量检测模块,用于基于训练好的胃镜图像质量检测模型,对所述目标胃镜图像进行检测,获取到所述目标胃镜图像的质量检测结果;所述训练好的胃镜图像质量检测模型是由标注有图像质量类型的样本胃镜图像训练得到的。
9.一种电子设备,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如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179458.0A CN109949281A (zh) | 2019-03-11 | 2019-03-11 | 一种胃镜图像质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179458.0A CN109949281A (zh) | 2019-03-11 | 2019-03-11 | 一种胃镜图像质量检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949281A true CN109949281A (zh) | 2019-06-28 |
Family
ID=67008679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910179458.0A Pending CN109949281A (zh) | 2019-03-11 | 2019-03-11 | 一种胃镜图像质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021037257A1 (zh) * | 2019-08-30 | 2021-03-04 | 中兴通讯股份有限公司 | 场景重建系统及方法 |
CN116681681A (zh) * | 2023-06-13 | 2023-09-01 | 富士胶片(中国)投资有限公司 | 内窥镜图像的处理方法、装置、用户设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354307A (zh) * | 2015-11-06 | 2016-02-24 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN105916430A (zh) * | 2014-11-25 | 2016-08-31 | 索尼公司 | 内窥镜系统、内窥镜系统的操作方法及程序 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108364025A (zh) * | 2018-02-11 | 2018-08-03 | 广州市碳码科技有限责任公司 | 基于深度学习的胃镜图像识别方法、装置、设备及介质 |
CN108389172A (zh) * | 2018-03-21 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108710885A (zh) * | 2018-03-29 | 2018-10-26 | 百度在线网络技术(北京)有限公司 | 目标对象的检测方法和装置 |
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 |
-
2019
- 2019-03-11 CN CN201910179458.0A patent/CN109949281A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105916430A (zh) * | 2014-11-25 | 2016-08-31 | 索尼公司 | 内窥镜系统、内窥镜系统的操作方法及程序 |
CN105354307A (zh) * | 2015-11-06 | 2016-02-24 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN107679490A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于检测图像质量的方法和装置 |
CN108364025A (zh) * | 2018-02-11 | 2018-08-03 | 广州市碳码科技有限责任公司 | 基于深度学习的胃镜图像识别方法、装置、设备及介质 |
CN108389172A (zh) * | 2018-03-21 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108710885A (zh) * | 2018-03-29 | 2018-10-26 | 百度在线网络技术(北京)有限公司 | 目标对象的检测方法和装置 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021037257A1 (zh) * | 2019-08-30 | 2021-03-04 | 中兴通讯股份有限公司 | 场景重建系统及方法 |
CN116681681A (zh) * | 2023-06-13 | 2023-09-01 | 富士胶片(中国)投资有限公司 | 内窥镜图像的处理方法、装置、用户设备及介质 |
CN116681681B (zh) * | 2023-06-13 | 2024-04-02 | 富士胶片(中国)投资有限公司 | 内窥镜图像的处理方法、装置、用户设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elangovan et al. | Glaucoma assessment from color fundus images using convolutional neural network | |
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
WO2023015743A1 (zh) | 病灶检测模型的训练方法及识别图像中的病灶的方法 | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN108256404A (zh) | 行人检测方法和装置 | |
CN109902584A (zh) | 一种口罩缺陷的识别方法、装置、设备及存储介质 | |
CN109948733A (zh) | 消化道内窥镜图像的多分类方法、分类装置及存储介质 | |
CN110163844A (zh) | 眼底病灶检测方法、装置、计算机设备及存储介质 | |
Öztürk et al. | Transfer learning and fine‐tuned transfer learning methods' effectiveness analyse in the CNN‐based deep learning models | |
CN109949281A (zh) | 一种胃镜图像质量检测方法及装置 | |
US20240104900A1 (en) | Fish school detection method and system thereof, electronic device and storage medium | |
CN115880558A (zh) | 农事行为检测方法、装置、电子设备及存储介质 | |
JP2019152964A (ja) | 学習方法および学習装置 | |
CN110288574A (zh) | 一种超声辅助诊断肝肿块系统及方法 | |
CN109583367A (zh) | 图像文本行检测方法及装置、存储介质和电子设备 | |
CN114118303B (zh) | 基于先验约束的人脸关键点检测方法及装置 | |
CN116994044A (zh) | 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法 | |
CN113256572B (zh) | 基于修复和选择性增强的胃镜图像分析系统、方法及设备 | |
Miao et al. | Classification of diabetic retinopathy based on multiscale hybrid attention mechanism and residual algorithm | |
Rahman et al. | Deep learning-based left ventricular ejection fraction estimation from echocardiographic videos | |
CN116994056A (zh) | 一种基于改进YOLOv5s的番茄叶片病虫害检测方法 | |
CN114864093B (zh) | 基于眼底图像进行疾病预测的装置、方法及存储介质 | |
Dimas et al. | MedGaze: Gaze estimation on WCE images based on a CNN autoencoder |
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: 20190628 |