CN110974179A - 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 - Google Patents
一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 Download PDFInfo
- Publication number
- CN110974179A CN110974179A CN201911346257.1A CN201911346257A CN110974179A CN 110974179 A CN110974179 A CN 110974179A CN 201911346257 A CN201911346257 A CN 201911346257A CN 110974179 A CN110974179 A CN 110974179A
- Authority
- CN
- China
- Prior art keywords
- stomach
- precancer
- model
- module
- deep learning
- 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
- 210000002784 stomach Anatomy 0.000 title claims abstract description 39
- 238000010186 staining Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000002496 gastric effect Effects 0.000 claims abstract description 15
- 201000011591 microinvasive gastric cancer Diseases 0.000 claims abstract description 12
- 238000001839 endoscopy Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 201000011510 cancer Diseases 0.000 claims description 31
- 206010028980 Neoplasm Diseases 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 230000003902 lesion Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000007447 staining method Methods 0.000 abstract 1
- 241000227425 Pieris rapae crucivora Species 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 208000005718 Stomach Neoplasms Diseases 0.000 description 5
- 206010017758 gastric cancer Diseases 0.000 description 5
- 238000002575 gastroscopy Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 201000011549 stomach cancer Diseases 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 210000004400 mucous membrane Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 210000004876 tela submucosa Anatomy 0.000 description 2
- 208000007882 Gastritis Diseases 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0084—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，包括：图像获取模块，获取电子染色内镜检查过程中实时采集的胃部图像；胃早癌识别模块，基于预先构建的胃早癌识别模型，识别病灶区域并进行标注；逻辑判断模块，当识别出的病灶区域存在交叠时，判断是否属于同一病灶区域。本发明借助常用的电子染色手段，提供了一种基于电子染色内镜图像进行胃早癌识别的方法，检测的实时性、准确性和实用性都有很大的提高。
Description
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
胃癌是常见的恶性肿瘤，目前已经存在了将人工智能方法引入胃早癌的筛查，但是，胃早癌的早期筛查由于胃部炎症背景的存在镜下黏膜表现多种多样，在准确识别方面仍存在不少困难。例如，胃早癌通常表现出轻微的隆起或凹陷，并伴有轻微的红肿；又如，胃癌的浸润深度难以预测，分化型、粘膜内胃癌或侵入浅粘膜下层的胃癌，以及侵入粘膜下层的胃癌难以区分，而这两类情形应对方式上存在很大差异。
传统的白光内镜检查得到的胃镜图像，尽管目前已有相关研究证实计算机辅助诊断可以提高普通白光内镜的诊断率，但仍有不少的误诊率，因为普通白光内镜仅能从整体评估病变，无法观察病变局部。也有研究借助早期胃癌的特殊成像检测，例如放大内镜结合窄谱成像，在临床上可用于鉴别癌性区域与非癌性区域，然而，这种光学诊断需要大量的专业知识和经验，这阻碍了它在胃镜检查中的普遍使用，且难以满足检查的实时性要求。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统。借助常用的电子染色手段，提供了一种基于电子染色内镜图像进行胃早癌识别的方法，检测的实时性、准确性和实用性都有很大的提高。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，包括：
图像获取模块，获取电子染色内镜检查过程中实时采集的胃部图像；
胃早癌识别模块，基于预先构建的胃早癌识别模型，识别病灶区域并进行标注；
逻辑判断模块，当识别出的病灶区域存在交叠时，判断是否属于同一病灶区域。
进一步地，还包括胃早癌识别模型构建模块，该模块具体包括：
训练图像获取子模块，获取多幅包含早癌病灶的胃镜图像；
图像标注子模块，将包含早癌病灶的胃镜图像进行显示，并接受用户针对胃早癌病灶区域的标注；
模型架构确定子模块，指定已有的网络模型架构，或搭建自定义网络模块架构；
模型训练子模块，接收模型训练参数，根据标注后的训练图像训练胃早癌识别模型。
进一步地，所述已有的网络模型架构采用YOLO v3神经网络。
进一步地，所述自定义网络模块架构为：在YOLO v3神经网络基础上，将darknet中的残差块替换为Fire模块。
进一步地，采用目标定位损失函数作为病灶检测的损失函数。
进一步地，还包括图像预处理子模块，采用双三次插值缩放方法对训练图像进行缩放处理。
进一步地，还包括模型优化子模块，在模型中增加负样本类别，并接收负样本数据，重新训练模型。
一个或多个实施例提供了一种电子染色内镜，应用所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统。
以上一个或多个技术方案存在以下有益效果：
本发明通过电子染色内镜图像进行胃早癌的识别，电子染色内镜通过改变光谱突显了黏膜微结构，结合放大内镜可以凸显病变微结构及微血管，弥补了普通白光内镜观察局部特征的不足，提高了胃早癌筛查的准确性，研究表明，普通白光内镜诊断胃早癌的敏感度仅为40％，如果结合电子染色放大，敏感度可提高至95％；并且，电子染色为胃镜检查中常用的手段，更具实用性。
本发明基于YOLO v3神经网络，引入SqueezeNet的思想对网络架构进行了改进，创建了darknet-squeeze网络模型，通过引入SqueezeNet中的Fire模型，简化了网络结构，减小了运算量，提高了模型的实时性；通过在目标检测中引入GIoU，保证了目标的检测精度，可以显著提高消化道早癌的检出率。
并且，由于胃部电子染色较其它部位更难被初学者掌握，本发明的胃早癌识别系统，对于胃镜检查医师的专业知识和经验要求较低，有助于提高基层内镜医师诊断水平，且易于实现，能有效缓解区域内优质医疗资源总量不足、结构不合理、分布不均衡的问题，以提升各医院胃早癌筛查水平。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统的架构图；
图2为本发明实施例中包含早癌病灶的胃镜图像示例图；
图3为本发明实施例中早癌病灶标注示意图；
图4为本发明实施例中损失函数变化趋势示意图；
图5为本发明实施例中胃早癌病灶识别定位示意图；
图6为本发明实施例中逻辑判断示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例公开了一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，包括：胃早癌识别模型构建模块、图像获取模块、胃早癌识别模块和逻辑判断模块。其中，
胃早癌识别模型构建模块，具体包括：
训练图像获取子模块，获取多幅包含早癌病灶的胃镜图像。
采用电子胃镜将患者的检查情况反映到显示屏上，并采集单帧带有胃早癌的胃镜图像作为资料进行存储，采集样本如图2所示。
图像标注子模块，针对上述多幅胃早癌病灶图像进行标注，得到训练样本数据。
该系统采用基于回归的卷积神经网络识别目标，在用神经网络训练图像之前，需要对图像里待识别的目标进行标注，标注框能正好框住物体，尽可能减少噪声的渗入，不存在胃早癌目标物体的图像无需标注，如图3所示。
图像预处理子模块，为提高模型的识别精度，更改图像大小，这里采用4x4像素邻域的双三次插值缩放算法将图像分辨率调整为544x544。通过双三次插值缩放算法能更平滑的缩小图像，相对少的损失图像的细节，保证图像特征的丰富性。由于原始图像一般在1000～800像素左右，目前还没有计算卡的内存可以做这么大分辨率的AI计算，因此需要缩小，而染色图片的纹理特征是早癌判断的主要依据，该方法能够在缩小图像的同时尽可能多的保留图像纹理特征。
模型架构确定子模块，指定已有的网络模型架构，或搭建自定义网络模块架构；
模型训练子模块，根据训练样本数据，训练消化道内胃早癌检测模型，得到训练好的神经网络模型。
作为一种实施方式，训练模型采用YOLO v3神经网络模型，利用其具有较高的检测准确度且检测速度快的特点，可以满足电子胃镜实时检查的需求。
在这里设置学习率为0.9，权值衰减系数为0.0005，训练最大批次为50000步，避免训练出现过拟合现象。训练过程中的损失变化曲线如图4所示，在训练开始阶段损失值下降幅度很大，说明学习率合适且进行梯度下降过程，在学习到一定阶段后，损失曲线趋于平稳，损失变化没有一开始那么明显。
作为另一种实施方式，训练模型提出一种自定义的darknet-squeeze神经网络模型，构建了one-stage的目标检测框架YOLO-Squeeze。该模型在YOLO v3神经网络模型的darknet-53的backbone基础上，引入SqueezeNet的想法，构建了权衡推断速度和推断精度的backbone，称为darknet-squeeze。
在YOLO v3中，大部分计算资源都花在了darknet-53上，darknet-53由残差块构成，其由1个1x1和1个3×3卷积层和跳连接(skip connection)组成同时使用类似于SSD的算法在不同的卷积层做推断。尽管darknet-53实现了很强的性能，但在参数数量和推理时间方面却很耗时,在大图上依然满足不了实时推断的要求。而YOLO-Squeeze探索了一种减少每像素处理量的替代方法。具体地，YOLO-Squeeze将残差块替换为SqueezeNet中的Firemodule，Fire module由两层构成，分别是squeeze层和expand层，squeeze层是一个1X1卷积核的卷积层，expand层是1X1和3X3卷积核的卷积层，expand层中，把1X1和3X3得到的feature map进行concat。
除此之外还借鉴了目标定位损失函数GIoU作为胃早癌病灶检测的检测框的损失函数，GIoU(generalized IoU)与传统的IoU不同，其定义如下：
其中C是包含A和B的最小凸形状。
目标检测中目前大部分的算法仍然采用L1或L2范数作为检测边界框的损失，但这种损失不能很好的度量真实边界框与预测边界框的重叠程度，而IoU作为损失函数在目标检测中也时常出现，但是IoU有个致命的缺点，当真实标注框与预测标注框不重叠时其损失函数为0，此时模型在训练过程中不能更新参数，而GIoU很好的解决了这些问题，本实施例在训练过程中采用了GIoU作为标注框预测的损失函数。
上述darknet-squeeze网络模型，通过引入SqueezeNet中的Fire模型，简化了网络结构，减小了运算量，提高了模型的实时性；通过在目标检测中引入GIoU，保证了目标的检测精度。
训练过程同YOLO v3的训练过程相同。
模型优化子模块，制作负样本数据以降低胃早癌的错误识别率。
负样本数据是指识别错误的图像，即不是胃早癌的图像却错误认成胃早癌。训练负样本的目的是为了降低误识别率，提高神经网络模型的泛化能力。负样本的采集是使用正样本训练好的胃早癌识别模型进行测试，得到被错误识别的图像，把这些图像收集起来作为负样本，增加一个特殊类别加入到训练集中进行训练，组成新的训练集，重新训练出新的模型。
步骤4：实时获取胃镜操作过程中采集的图像，调用训练好的胃早癌目标检测模型，识别疑似早癌的目标。
采集卡实时采集单帧图像，每秒钟采集10帧图像调用模型识别疑似早癌的目标，勾画出病灶区域，识别效果如图5所示。
步骤5：对识别结果进行判别，去除重叠的识别区域矩形框。
如图6所示，调用胃早癌目标检测模型会出现识别区域重叠的问题，实际上识别出的是同一个病灶区域，这里加入逻辑判断，如果两个矩形框的面积重叠率超过40％，去除重叠的那个矩形框。
实施例二
本实施例的目的是提供一种电子染色内镜。
一种电子染色内镜，应用实施例一所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统。
以上一个或多个实施例具有以下技术效果：
本实施例通过电子染色内镜图像进行胃早癌的识别，电子染色内镜通过改变光谱突显了黏膜微结构，结合放大内镜可以凸显病变微结构及微血管，弥补了普通白光内镜观察局部特征的不足，提高了胃早癌筛查的准确性，研究表明，普通白光内镜诊断胃早癌的敏感度仅为40％，如果结合电子染色放大，敏感度可提高至95％；并且，电子染色为胃镜检查中常用的手段，更具实用性。
本实施例基于YOLO v3神经网络，引入SqueezeNet的思想对网络架构进行了改进，创建了darknet-squeeze网络模型，通过引入SqueezeNet中的Fire模型，简化了网络结构，减小了运算量，提高了模型的实时性；通过在目标检测中引入GIoU，保证了目标的检测精度，可以显著提高消化道早癌的检出率。
并且，由于胃部电子染色较其它部位更难被初学者掌握，本发明的胃早癌识别系统，对于胃镜检查医师的专业知识和经验要求较低，有助于提高基层内镜医师诊断水平，且易于实现，能有效缓解区域内优质医疗资源总量不足、结构不合理、分布不均衡的问题，以提升各医院胃早癌筛查水平。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，包括：
图像获取模块，获取电子染色内镜检查过程中实时采集的胃部图像；
胃早癌识别模块，基于预先构建的胃早癌识别模型，识别病灶区域并进行标注；
逻辑判断模块，当识别出的病灶区域存在交叠时，判断是否属于同一病灶区域。
2.如权利要求1所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，还包括胃早癌识别模型构建模块，该模块具体包括：
训练图像获取子模块，获取多幅包含早癌病灶的胃镜图像；
图像标注子模块，将包含早癌病灶的胃镜图像进行显示，并接受用户针对胃早癌病灶区域的标注；
模型架构确定子模块，指定已有的网络模型架构，或搭建自定义网络模块架构；
模型训练子模块，接收模型训练参数，根据标注后的训练图像训练胃早癌识别模型。
3.如权利要求2所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，所述已有的网络模型架构采用YOLO v3神经网络。
4.如权利要求2所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，所述自定义网络模块架构为：在YOLO v3神经网络基础上，将darknet中的残差块替换为Fire模块。
5.如权利要求4所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，采用目标定位损失函数作为病灶检测的损失函数。
6.如权利要求2所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，还包括图像预处理子模块，采用双三次插值缩放方法对训练图像进行缩放处理。
7.如权利要求2所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统，其特征在于，还包括模型优化子模块，在模型中增加负样本类别，并接收负样本数据，重新训练模型。
8.一种电子染色内镜，应用如权利要求1-7任一项所述的基于深度学习的电子染色内镜下胃早癌的辅助诊断系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911346257.1A CN110974179A (zh) | 2019-12-20 | 2019-12-20 | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911346257.1A CN110974179A (zh) | 2019-12-20 | 2019-12-20 | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110974179A true CN110974179A (zh) | 2020-04-10 |
Family
ID=70074852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911346257.1A Pending CN110974179A (zh) | 2019-12-20 | 2019-12-20 | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110974179A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111603136A (zh) * | 2020-05-11 | 2020-09-01 | 马文足医疗科技(北京)有限公司 | 一种用于足部诊疗的远程会诊系统 |
| CN111899229A (zh) * | 2020-07-14 | 2020-11-06 | 武汉楚精灵医疗科技有限公司 | 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 |
| CN112614128A (zh) * | 2020-12-31 | 2021-04-06 | 山东大学齐鲁医院 | 一种基于机器学习的内镜下辅助活检的系统及方法 |
| CN114464316A (zh) * | 2022-04-11 | 2022-05-10 | 武汉大学 | 胃部异常风险等级预测方法、装置、终端及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583355A (zh) * | 2018-11-23 | 2019-04-05 | 江南大学 | 一种基于边界选择的人流统计的装置和方法 |
| CN110110627A (zh) * | 2019-04-24 | 2019-08-09 | 江南大学 | 一种面向计算资源局限平台部署的实时目标检测的方法 |
| CN110458127A (zh) * | 2019-03-01 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、设备以及系统 |
| CN110495847A (zh) * | 2019-08-23 | 2019-11-26 | 重庆天如生物科技有限公司 | 基于深度学习的消化道早癌辅助诊断系统和检查装置 |
-
2019
- 2019-12-20 CN CN201911346257.1A patent/CN110974179A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583355A (zh) * | 2018-11-23 | 2019-04-05 | 江南大学 | 一种基于边界选择的人流统计的装置和方法 |
| CN110458127A (zh) * | 2019-03-01 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、设备以及系统 |
| CN110110627A (zh) * | 2019-04-24 | 2019-08-09 | 江南大学 | 一种面向计算资源局限平台部署的实时目标检测的方法 |
| CN110495847A (zh) * | 2019-08-23 | 2019-11-26 | 重庆天如生物科技有限公司 | 基于深度学习的消化道早癌辅助诊断系统和检查装置 |
Non-Patent Citations (4)
| Title |
|---|
| HAMID REZATOFIGHI: "Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| SHUAI DING, LING LI, ZHENMIN LI, HAO WANG, YANCHUN ZHANG: "Smart electronic gastroscope system using a cloud–edge collaborative framework", 《FUTURE GENERATION COMPUTER SYSTEMS》 * |
| 张裕,杨海涛: "基于深度学习的轻量化遥感图像目标检测方法", 《信息技术》 * |
| 桑海峰,吕应宇: "全卷积连接神经网络的目标跟踪", 《电脑与信息技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111603136A (zh) * | 2020-05-11 | 2020-09-01 | 马文足医疗科技(北京)有限公司 | 一种用于足部诊疗的远程会诊系统 |
| CN111603136B (zh) * | 2020-05-11 | 2023-03-31 | 马文足医疗科技(北京)有限公司 | 一种用于足部诊疗的远程会诊系统 |
| CN111899229A (zh) * | 2020-07-14 | 2020-11-06 | 武汉楚精灵医疗科技有限公司 | 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 |
| CN112614128A (zh) * | 2020-12-31 | 2021-04-06 | 山东大学齐鲁医院 | 一种基于机器学习的内镜下辅助活检的系统及方法 |
| CN112614128B (zh) * | 2020-12-31 | 2021-09-07 | 山东大学齐鲁医院 | 一种基于机器学习的内镜下辅助活检的系统及方法 |
| CN114464316A (zh) * | 2022-04-11 | 2022-05-10 | 武汉大学 | 胃部异常风险等级预测方法、装置、终端及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220309653A1 (en) | System and method for attention-based classification of high-resolution microscopy images | |
| CN110974179A (zh) | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 | |
| CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
| CN110600122B (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
| Shen et al. | Domain-invariant interpretable fundus image quality assessment | |
| CN109544526B (zh) | 一种慢性萎缩性胃炎图像识别系统、装置和方法 | |
| 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 | |
| US11645753B2 (en) | Deep learning-based multi-site, multi-primitive segmentation for nephropathology using renal biopsy whole slide images | |
| JP2013526930A (ja) | 子宮頸部新生物検出および診断のための画像分析 | |
| Tang et al. | Segnet-based gland segmentation from colon cancer histology images | |
| CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
| Bai et al. | Automatic segmentation of cervical region in colposcopic images using K-means | |
| CN115063592B (zh) | 一种基于多尺度的全扫描病理特征融合提取方法及系统 | |
| CN113781489B (zh) | 一种息肉影像语义分割方法及装置 | |
| CN111080639A (zh) | 基于人工智能的多场景消化道内镜图像识别方法及系统 | |
| CN114372951A (zh) | 基于图像分割卷积神经网络的鼻咽癌定位分割方法和系统 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| Majtner et al. | A deep learning framework for autonomous detection and classification of Crohnʼs disease lesions in the small bowel and colon with capsule endoscopy | |
| KR20200139606A (ko) | 자궁경부암 자동 진단 시스템 | |
| CN116188340A (zh) | 一种基于图像融合的肠道内窥镜图像增强方法 | |
| Isaksson et al. | Semantic segmentation of microscopic images of H&E stained prostatic tissue using CNN | |
| CN114399465A (zh) | 良恶性溃疡识别方法及系统 | |
| CN103218802B (zh) | 图像处理装置以及图像处理方法 | |
| Taunk et al. | Computer-assisted assessment of colonic polyp histopathology using probe-based confocal laser endomicroscopy | |
| Hemelings et al. | A generalizable deep learning regression model for automated glaucoma screening from fundus images |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Xiaoyun Inventor after: Feng Jian Inventor after: Ma Mingjun Inventor after: Li Yanqing Inventor after: Zuo Xiuli Inventor after: Li Zhen Inventor after: Shao Xuejun Inventor after: Lai Yonghang Inventor after: Ji Rui Inventor before: Yang Xiaoyun Inventor before: Feng Jian Inventor before: Ma Mingjun Inventor before: Li Yanqing Inventor before: Zuo Xiuli Inventor before: Li Zhen Inventor before: Shao Xuejun Inventor before: Lai Yonghang Inventor before: Ji Rui |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |