CN110020610B - 基于深度学习的肠镜质量检查控制系统 - Google Patents
基于深度学习的肠镜质量检查控制系统 Download PDFInfo
- Publication number
- CN110020610B CN110020610B CN201910200569.5A CN201910200569A CN110020610B CN 110020610 B CN110020610 B CN 110020610B CN 201910200569 A CN201910200569 A CN 201910200569A CN 110020610 B CN110020610 B CN 110020610B
- Authority
- CN
- China
- Prior art keywords
- model
- quality
- ileocecal valve
- intestinal
- score
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000002052 colonoscopy Methods 0.000 title description 23
- 210000003767 ileocecal valve Anatomy 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000000968 intestinal effect Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 5
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 7
- 238000003908 quality control method Methods 0.000 description 5
- 208000003200 Adenoma Diseases 0.000 description 4
- 206010001233 Adenoma benign Diseases 0.000 description 4
- 206010009944 Colon cancer Diseases 0.000 description 4
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 3
- 208000037062 Polyps Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010061309 Neoplasm progression Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000022131 polyp of large intestine Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005751 tumor progression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于医学图像处理技术领域，具体为一种基于深度学习的肠镜质量检查控制系统。本发明系统包括：回盲瓣识别模型，用于把图像按照回盲瓣和非回盲瓣进行分类；肠道质量评分模型，用于把图像按照波士顿肠道准备质量的评分（0‑3）进行分类；两个模型由图像分类卷积神经网络将肠镜图像以及标签即回盲瓣标签或评分作为输入，经过端到端训练得到。通过识别回盲瓣以及按波士顿评分量表对肠道准备质量进行评分，对肠镜检查质量进行评估。实验结果表明，本发明系统用于肠镜检查质量的控制具有良好的特异度、敏感度，可在临床检查中辅助内镜医师，提高肠镜检查的质量。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种肠镜质量检查控制系统。
背景技术
结肠镜检查是结直肠癌筛查的金标准[1]，通过早期发现肿瘤、切除癌前病变可降低结直肠癌死亡的风险[2]。而腺瘤的漏诊可能导致肿瘤的进展，延误治疗时机。腺瘤检出率的高低很大程度上取决于肠道准备的质量，高质量肠道准备相较于低质量，其腺瘤检出率高出41%[3]。因此，肠道准备情况成为了评判结肠镜检查质量控制的关键指标[4]。同时有证据表明，低盲肠插管率与间隔性近端结肠癌的高发生率有关[5]。所以，作为肠镜检查质量控制的两项重要指标，增加肠道准备充分性、提高盲肠插镜率，能提高腺瘤检出率，对结直肠癌的早诊早治，降低死亡率具有重要意义。
目前临床上主要依靠医生的经验判断回盲部，故存在较强主观性。再者，虽然波士顿评分通过实例视频演示的方法进行推广学习[6]，但是，由于不同学习者的接受度及英语水平参差不齐，也存在一定的主观性。这些主观性给肠镜检查的质量控制带来一些阻碍，需要进行统一化和规范化来解决这一问题。
近年来，随着人工智能产业的迅速发展，其在消化内镜领域的应用也越来也受到重视[7-9]。Karkanis等人首次报道了利用计算机辅助检测(CADe)系统对结肠直肠息肉内镜静态图像进行检测，检测率＞90%[7]。随后，Misawa等开发了一种基于深度学习的实时息肉检测系统，能够检测94%的息肉[8]。近期，由四川省人民医院、哈佛医学院及BIDMC医院和科技公司Wision A.I.联合发表的计算机检测系统对肠镜图片中息肉检测的敏感度达到了94.38%[9]，此研究使用前瞻性的数据验证，更能够代表真实临床环境中的未来事件。但是，上述研究对进行训练和验证的图片质量要求均较高，依赖于高质量肠镜检查获取的数据。
基于深度学习的肠镜检查质量控制系统的使用，通过实时对肠镜检查质量进行评分，评估个人及单位总的肠镜检查质量情况，能以此提高肠镜检查的质量，提高结肠镜的有效性及准确性。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于深度学习的肠镜质量检查控制系统，排除人为因素影响，构建人工智能辅助的回盲部识别及肠道准备评分系统，为提高肠镜检查质量提供依据。
本发明提供基于深度学习的肠镜质量检查控制系统，具体包括两个模型：
（1）回盲瓣识别模型，为二分类模型，用于把图像按照回盲瓣和非回盲瓣进行分类；
（2）肠道质量评分模型，为四分类模型，用于把图像按照波士顿肠道准备质量的评分（0-3）进行分类。
上述两个模型由图像分类卷积神经网络，将肠镜图像和标签（回盲瓣标签或评分）作为输入，经过端到端训练得到，具体来说，回盲瓣识别模型（二分类模型）通过修改图像分类卷积神经网络的最后一层节点数量为2构建得到；肠道质量评分模型（四分类模型）通过修改最后一层节点为4构建得到。
进一步的，所述图像分类卷积神经网络可以为AlexNet[10], VGGNet[11],ResNet[12]等。
进一步的，所述图像分类卷积神经网络模型在ImageNet数据集上预训练进行参数初始化。
进一步的，模型训练所使用的损失函数为Focal Loss[14]，以应对训练过程中样本不均衡的问题；计算分类网络把标签为y的图像预测为第y类的概率为p y ，因此，损失函数的形式如下：
其中，当训练回盲瓣识别模型时
，1表示回盲瓣，0表示非回盲瓣；当训练
肠道质量评分模型时，
表示波士顿肠道准备评分。
进一步的，回盲瓣识别模型和肠道质量评分模型参数不共享，分别单独训练。
进一步的，回盲瓣分类模型的训练样本至少包括回盲瓣图像300张，非回盲瓣图像300张；肠道质量评分模型的训练样本至少包括0分、1分、2分、3分图像各700张。
进一步的，测试时，将待测试图像I输入到回盲瓣识别模型，计算I被分类为回盲瓣的概率p。设定阈值T，当p>T时，则认为I为回盲瓣图像；否则认为I为非回盲瓣图像。根据实验结果，为了保持较高的分类准确率，建议阈值T的取值范围在0.4到0.6之间。
另外，根据回盲瓣识别结果，可在实时肠镜检查中计算回盲部到达率、退镜时间等。
进一步的，测试时，将待测试图像I输入到肠道准备评分模型，计算I被分类为0分、1分、2分、3分的概率，I被分类为概率最大的类，进而可获得肠道准备评分。
进一步的，样本均需进行边界裁剪处理，以避免肠镜图像中不相关信息引发的噪声影响深度神经网络的判别精度。
本发明的有益效果在于：本发明设计了一个基于深度学习的肠镜质量检查控制系统，能够对回盲瓣进行识别、为肠道准备质量评分，具有良好的准确度、特异度、敏感度，可以结合实时肠镜操作获得退镜时间、肠道准备充分率等质量控制指标，为单位及个人的结肠镜检查质量的评估提供依据，提高结肠镜检查的有效性、安全性和准确性。
附图说明
图1为本发明的系统框架图。
图2为实施例中图像分类卷积神经网络的详细结构图。
图3为实施例中回盲瓣识别的受试者工作特征曲线（ROC）。
图4为实施例中肠镜质量检查控制系统的软件界面。
具体实施方式
下面对本发明实施方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
采用图2中的网络结构。其中，包括5个卷积层，三个池化层，3个全连接层；依次为：卷积层1，卷积核：11×11×64，步长：4，激活函数：RELU；
池化层1，窗口大小：3×3，步长：2；
卷积层2，卷积核：5×5×256，步长：1，激活函数：RELU；
池化层2，窗口大小：3×3，步长：2；
卷积层3，卷积核：3×3×256，步长：1，激活函数：RELU；
卷积层4，卷积核：3×3×256，步长：1，激活函数：RELU；
卷积层5，卷积核：3×3×256，步长：1，激活函数：RELU；
池化层3，窗口大小：3×3，步长：2；
全连接层6，节点数量：4096，激活函数：RELU；
全连接层7，节点数量：4096，激活函数：RELU；
全连接层8，节点数量：2或4。
收集394张回盲瓣图像，594张非回盲瓣图像，以及按波士顿评分标准分类的图像，其中包括0分1025张，1分1716张，2分1435张，3分1976张。将70%的图片分为训练集，30%的图片分为测试集。
具体做法是：
（1）训练前，用在ImageNet中预训练的模型初始化网络参数，将训练集的图像调整到统一大小300×300；
（2）分别单独训练回盲瓣分类模型和肠道质量评分模型。训练时，随机裁剪图像到224×224。使用批量随机梯度下降的方法优化模型，批大小设为32。初始学习率为0.001，每240个周期衰减一次，衰减率为0.9。为了防止过拟合，每次迭代时在全连接层随机杀死50%的节点。迭代至损失函数收敛；
（3）测试时，将图像I调整大小到224×224，输入到回盲瓣识别模型，模型输出当前图像被分类为回盲瓣图像的概率p。设定分类阈值T为0.5，当
时，则认为I为回盲瓣图像；否则认为I为非回盲瓣图像。再将图像I输入到肠道质量评分模型，输出当前图像被分类为0、1、2、3分的概率。I属于概率值最大的类别。
本发明在阈值为0.5时对回盲瓣识别的准确率为95.27%。图3为本发明回盲瓣识别模型的ROC曲线，可以看到ROC曲线下的面积（AUC，最大值为1）达到了0.9769，说明本发明对于回盲瓣识别的效果卓越。
本发明的肠道质量评价模型对肠镜图像的识别总精度为76.96%;对于评分为0分、1分、2分、3分的识别精度分别为74.67%、61.29%、79.38%、93.56%。
图4为在本发明的肠镜质量检查控制系统基础上设计的软件界面。在实时的肠镜检查中，可以根据回盲瓣分类结果获得回盲瓣到达、退镜时间等信息；根据肠道质量评价结果获得肠道准备分数信息。
参考文献
[1] Lieberman D A, Rex D K, Winawer S J, et al. Guidelines forColonoscopy Surveillance After Screening and Polypectomy: A Consensus Updateby the US Multi-Society Task Force on Colorectal Cancer. GASTROENTEROLOGY,2012,143(3):844-857.
[2] Brenner H, Chang-Claude J, Seiler C M, et al. Protection FromColorectal Cancer After Colonoscopy A Population-Based, Case-Control Study.ANNALS OF INTERNAL MEDICINE, 2011,154(1):22-156.
[3] Brian T C, Tarun R, Loren L. What level of bowel prep qualityrequires early repeat colonoscopy: systematic review and meta-analysis of theimpact of preparation quality on adenoma detection rate. The American journalof gastroenterology, 2014,109(11).
[4] Meester R G S, Doubeni C A, Lansdorp-Vogelaar I, et al. Variationin Adenoma Detection Rate and the Lifetime Benefits and Cost of ColorectalCancer Screening A Microsimulation Model. JAMA-JOURNAL OF THE AMERICANMEDICAL ASSOCIATION, 2015,313(23):2349-2358.
[5] Baxter N N, Sutradhar R, Forbes S S, et al. Analysis ofAdministrative Data Finds Endoscopist Quality Measures Associated WithPostcolonoscopy Colorectal Cancer[J]. Gastroenterology, 2011,140(1):65-72.
[6] Lai E J, Calderwood A H, Doros G, et al. The Boston bowelpreparation scale: a valid and reliable instrument for colonoscopy-orientedresearch. Gastrointestinal Endoscopy, 2009,69(3):620-625.
[7] Karkanis S A, Iakovidis D K, Maroulis D E, et al. Computer-aidedtumor detection in endoscopic video using color wavelet features. IEEETRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, 2003,7(3):141-152.
[8] Misawa M, Kudo S, Mori Y, et al. Artificial Intelligence-AssistedPolyp Detection for Colonoscopy: Initial Experience. Gastroenterology, 2018,154(8):2027-2029.
[9] Wang P, Xiao X, Glissen Brown J R, et al. Development andvalidation of a deep-learning algorithm for the detection of polyps duringcolonoscopy. Nature Biomedical Engineering, 2018,2(10):741-748.
[10] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classificationwith deep convolutional neural networks. Advances in Neural InformationProcessing Systems, 2012,1097-1105.
[11] Simonyan K, Zisserman A. Very deep convolutional networks forlarge-scale image recognition. International Conference on RepresentationLearning, 2014.
[12] He K, Zhang X, Ren S, Sun, J. Deep residual learning for imagerecognition. IEEE Conference on Computer Vision and Pattern Recognition,2016,770-778.
[13] Russakovsky O, Deng J, Su H et al. ImageNet Large Scale VisualRecognition Challenge. International Journal of Computer Vision, 2015,115:211-252.
[14] Lin T, Goyal P, Girshick R, He K, Dollar P. Focal loss for denseobject detection. IEEE International Conference on Computer Vision, 2017,2999-3007.。
Claims (4)
1.一种基于深度学习的肠镜质量检查控制系统，其特征在于，包括两个模型：
（1）回盲瓣识别模型，为二分类模型，用于把图像按照回盲瓣和非回盲瓣进行分类；
（2）肠道质量评分模型，为四分类模型，用于把图像按照波士顿肠道准备质量的评分（0-3）进行分类；
上述两个模型由图像分类卷积神经网络将肠镜图像以及标签即回盲瓣标签或评分作为输入，经过端到端训练得到；其中：回盲瓣识别模型通过修改图像分类卷积神经网络的最后一层节点数量为2构建得到；肠道质量评分模型通过修改最后一层节点为4构建得到；具体为：
所述图像分类卷积神经网络包括5个卷积层，三个池化层，3个全连接层；依次为：
第一卷积层，第一池化层，第二卷积层，第二池化层，第三、第四、第五卷积层，池化层，第一、第二、第三全连接层，第三全连接层中节点数量：2或4，即回盲瓣识别模型时，节点数量为2，肠道质量评分模型时，节点数量为4；
回盲瓣分类模型的训练样本至少包括回盲瓣图像300张，非回盲瓣图像300张；肠道质量评分模型的训练样本至少包括0分、1分、2分、3分图像各700张；将70%的图片分为训练集，30%的图片分为测试集；
训练前，用在ImageNet中预训练的模型初始化网络参数；
回盲瓣分类模型和肠道质量评分模型参数不共享，分别单独训练；
训练时，使用批量随机梯度下降的方法优化模型，批大小设为32；初始学习率为0.001，每240个周期衰减一次，衰减率为0.9；为了防止过拟合，每次迭代时在全连接层随机杀死50%的节点；迭代至损失函数收敛；
模型训练所使用的损失函数为Focal Loss，以应对训练过程中样本不均衡的问题；损失函数的形式如下：
其中，p y 为计算分类网络把标签为y的图像预测为第y类的概率；当训练回盲瓣识别模型时
，1表示回盲瓣，0表示非回盲瓣；当训练肠道质量评分模型时，
表示波士顿肠道准备评分。
2.根据权利要求1所述的基于深度学习的肠镜质量检查控制系统，其特征在于，测试时，将待测试图像I输入到回盲瓣识别模型，计算I被分类为回盲瓣的概率p；设定阈值T，当p >T时，则认为I为回盲瓣图像；否则认为I为非回盲瓣图像；阈值T的取值为0.4~0.6。
3.根据权利要求1所述的基于深度学习的肠镜质量检查控制系统，其特征在于，测试时，将待测试图像I输入到肠道准备评分模型，计算I被分类为0分、1分、2分、3分的概率，I被分类为概率最大的类，进而可获得肠道准备评分。
4.根据权利要求2或3所述的基于深度学习的肠镜质量检查控制系统，其特征在于，测试时，对样本进行边界裁剪处理，以避免肠镜图像中不相关信息引发的噪声影响深度神经网络的判别精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910200569.5A CN110020610B (zh) | 2019-03-16 | 2019-03-16 | 基于深度学习的肠镜质量检查控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910200569.5A CN110020610B (zh) | 2019-03-16 | 2019-03-16 | 基于深度学习的肠镜质量检查控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020610A CN110020610A (zh) | 2019-07-16 |
| CN110020610B true CN110020610B (zh) | 2023-02-10 |
Family
ID=67189684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910200569.5A Active CN110020610B (zh) | 2019-03-16 | 2019-03-16 | 基于深度学习的肠镜质量检查控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020610B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI696145B (zh) * | 2018-06-01 | 2020-06-11 | 國立臺灣大學 | 大腸鏡影像電腦輔助辨識系統及方法 |
| 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 |
| CN110916606A (zh) * | 2019-11-15 | 2020-03-27 | 武汉楚精灵医疗科技有限公司 | 一种基于人工智能的实时肠道清洁度评分系统和方法 |
| CN110910992A (zh) * | 2019-12-25 | 2020-03-24 | 吉林大学 | 一种基于人工智能的消化内镜检查质量自动评估系统 |
| CN110974299A (zh) * | 2019-12-31 | 2020-04-10 | 上海杏脉信息科技有限公司 | 超声扫查机器人系统、超声扫查方法及介质 |
| CN111709446B (zh) * | 2020-05-14 | 2022-07-26 | 天津大学 | 基于改进的密集连接网络的x线胸片分类装置 |
| CN111754503B (zh) * | 2020-07-01 | 2023-12-08 | 武汉楚精灵医疗科技有限公司 | 基于两通道卷积神经网络的肠镜退镜超速占比监测方法 |
| CN112686856B (zh) * | 2020-12-29 | 2024-07-09 | 杭州优视泰信息技术有限公司 | 一种基于深度学习的实时肠镜息肉检测装置 |
| CN112785549B (zh) * | 2020-12-29 | 2024-03-01 | 成都微识医疗设备有限公司 | 基于图像识别的肠镜检查质量评估方法、装置及存储介质 |
| CN112597981B (zh) * | 2021-03-04 | 2021-06-01 | 四川大学 | 基于深度神经网络的肠镜退镜质量智能监控系统及方法 |
| CN113240662B (zh) * | 2021-05-31 | 2022-05-31 | 萱闱(北京)生物科技有限公司 | 基于人工智能的内镜检查辅助系统 |
| CN113706536B (zh) * | 2021-10-28 | 2022-01-18 | 武汉大学 | 滑镜风险预警方法、装置及计算机可读存储介质 |
| CN115082448B (zh) * | 2022-07-26 | 2023-05-23 | 青岛美迪康数字工程有限公司 | 肠道清洁度评分方法、装置和计算机设备 |
| CN115511885B (zh) * | 2022-11-16 | 2023-03-14 | 武汉楚精灵医疗科技有限公司 | 盲肠插管成功率的检测方法及装置 |
| 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 |
| CN117058467B (zh) * | 2023-10-10 | 2023-12-22 | 湖北大学 | 一种胃肠道病变类型识别方法及系统 |
| CN118351122B (zh) * | 2024-06-20 | 2024-08-13 | 四川省肿瘤医院 | 上消化道癌筛查内镜图像的质量评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104116506A (zh) * | 2014-07-09 | 2014-10-29 | 周国华 | 一种回盲瓣功能检测及内镜下测压系统 |
| CN107292347A (zh) * | 2017-07-06 | 2017-10-24 | 中冶华天南京电气工程技术有限公司 | 一种胶囊内窥镜图像识别方法 |
| CN108135982A (zh) * | 2015-06-16 | 2018-06-08 | 默多克儿童研究所 | 治疗克罗恩病的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN108962356A (zh) * | 2018-05-31 | 2018-12-07 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的肠镜操作实时辅助系统及其操作方法 |
| 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 |
| CN109411084A (zh) * | 2018-11-28 | 2019-03-01 | 武汉大学人民医院（湖北省人民医院） | 一种基于深度学习的肠结核辅助诊断系统及方法 |
-
2019
- 2019-03-16 CN CN201910200569.5A patent/CN110020610B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104116506A (zh) * | 2014-07-09 | 2014-10-29 | 周国华 | 一种回盲瓣功能检测及内镜下测压系统 |
| CN108135982A (zh) * | 2015-06-16 | 2018-06-08 | 默多克儿童研究所 | 治疗克罗恩病的方法 |
| CN107292347A (zh) * | 2017-07-06 | 2017-10-24 | 中冶华天南京电气工程技术有限公司 | 一种胶囊内窥镜图像识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 人工智能在消化系统疾病诊治中的应用和展望;宋欣等;《胃肠病学》;20180925;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020610A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020610B (zh) | 基于深度学习的肠镜质量检查控制系统 | |
| Karthik et al. | Learning distinctive filters for COVID-19 detection from chest X-ray using shuffled residual CNN | |
| Pan et al. | Bleeding detection in wireless capsule endoscopy based on probabilistic neural network | |
| Wu et al. | Automatic hookworm detection in wireless capsule endoscopy images | |
| 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 | |
| TWI696145B (zh) | 大腸鏡影像電腦輔助辨識系統及方法 | |
| CN117274270B (zh) | 基于人工智能的消化内镜实时辅助系统及方法 | |
| CN111968091A (zh) | 一种临床图像中病变区域的检测和分类方法 | |
| US20230255467A1 (en) | Diagnostic imaging device, diagnostic imaging method, diagnostic imaging program, and learned model | |
| CN113112449A (zh) | 一种肠癌辅助诊断模型构建和辅助诊断方法及系统 | |
| CN113269230A (zh) | 一种基于时序高维特征提取的多肺炎ct分类方法及装置 | |
| Nurmaini et al. | Automated Detection of COVID-19 Infected Lesion on Computed Tomography Images Using Faster-RCNNs. | |
| Krak et al. | Detection of early pneumonia on individual CT scans with dilated convolutions | |
| Chen et al. | Auxiliary diagnosis for COVID-19 with deep transfer learning | |
| Haque et al. | Ensemble of fine-tuned deep learning models for monkeypox detection: A comparative study | |
| Akter et al. | Glaucoma detection and feature visualization from OCT images using deep learning | |
| Pandey et al. | An analysis of pneumonia prediction approach using deep learning | |
| CN118397280B (zh) | 基于人工智能的内镜下胃肠道图像分割识别系统及方法 | |
| Haithami et al. | An Embedded Recurrent Neural Network-based Model for Endoscopic Semantic Segmentation. | |
| CN112419246A (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
| Zhou et al. | Capsule endoscopy images classification by random forests and ferns | |
| Malviya et al. | Deep Learning Based Gastro Intestinal Disease Analysis Using Wireless Capsule Endoscopy Images | |
| Ramya et al. | Detection of Pneumonia by Binary Image Classification Using Hybrid Neural Networks | |
| Pulido et al. | Screening for Barrett's esophagus with probe-based confocal laser endomicroscopy videos | |
| Ahmed et al. | Retinopathy screening from OCT imagery via deep learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |