CN111767958A - 基于随机森林算法的肠镜退镜时间的实时监测方法 - Google Patents
基于随机森林算法的肠镜退镜时间的实时监测方法 Download PDFInfo
- Publication number
- CN111767958A CN111767958A CN202010622637.XA CN202010622637A CN111767958A CN 111767958 A CN111767958 A CN 111767958A CN 202010622637 A CN202010622637 A CN 202010622637A CN 111767958 A CN111767958 A CN 111767958A
- Authority
- CN
- China
- Prior art keywords
- enteroscopy
- ileocecal
- random forest
- forest algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000001839 endoscopy Methods 0.000 claims abstract description 24
- 230000001079 digestive effect Effects 0.000 claims abstract description 21
- 210000000936 intestine Anatomy 0.000 claims abstract description 13
- 210000004534 cecum Anatomy 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000001727 in vivo Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000338 in vitro Methods 0.000 claims description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 208000003200 Adenoma Diseases 0.000 description 1
- 206010001233 Adenoma benign Diseases 0.000 description 1
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000002255 anal canal Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 201000002313 intestinal cancer Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000022131 polyp of large intestine Diseases 0.000 description 1
- 238000013138 pruning 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- A61B1/31—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 for the rectum, e.g. proctoscopes, sigmoidoscopes, colonoscopes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Abstract
本发明涉及医疗辅助技术领域,具体为基于随机森林算法的肠镜退镜时间的实时监测方法,包括如下步骤:S1、收集肠内非盲肠、回盲部和阑尾开口的内镜图像数据;S2、根据肠镜检查的进镜顺序对非盲肠、回盲部和阑尾开口的图像数据进行划分和标记,得到肠镜数据集;S3、基于随机森林算法,构建并训练肠镜回盲部识别模型;S4、判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,倒镜计时开始,直至肠镜移出体外。本发明采用随机森林算法对肠镜回盲部模型进行训练,通过该模型对肠末端的回盲部或阑尾开口的识别。实现对肠镜回镜操作时间的自动记录并显示,以达到提醒内镜医师的目的,保证肠镜检查质量。
Description
技术领域
本发明涉及医疗辅助技术技术领域,尤其涉及基于随机森林算法的肠镜退镜时间的实时监测方法。
背景技术
肠镜检查是诊断和治疗如结直肠息肉、肿瘤等下消化道疾病的重要技术之一。其中,内镜检查的质量控制,是肠镜检查的重要过程。欧洲胃肠内镜学会(ESGE)、中华医学会消化内镜学会分会和美国消化内镜学会(ASGE)分别于2012年、2014年和2015年发表了关于肠镜筛查质量控制的声明,将肠镜进镜时间、退镜时间、腺瘤检出率等指标作为肠镜检查质量的控制项目。3个指南均将退镜时间作为肠镜检查质量的重要控制指标,并将6分钟作为肠镜退镜时间的最低标准。肠镜的退镜时间通常是指从进镜到达回盲部开始到退镜至肛管之间的实际时间。研究表明,退镜时间大于6分钟,且退镜时间较长的人群其间期肠癌的发生率明显下降。尽管指南对退镜时间进行了明确的规范,但在实际临床实践中,一方面缺乏有效实用的监控方法,另一方面我国年肠镜检查数目庞大,内镜检查质量往往达不到指南规定的标准。一项研究指出我国约80%的肠镜检查退镜时间小于6分钟,这跟指南规定的退镜时间有较大差异。
在专利号为CN110974122A的发明专利“一种判断内窥镜进入人体消化道的监测方法及系统”中提出了一种神经网络模型进行压缩,对采集的视频进行降频,提高视频实时性,来准确记录时间。但其算法存在设置参数过多,学习过程漫长,易出现过拟合,陷入僵局的问题。为此,我们提出基于随机森林算法的肠镜退镜时间的实时监测方法。
发明内容
本发明的目的在于提供基于随机森林算法的肠镜退镜时间的实时监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于随机森林算法的肠镜退镜时间的实时监测方法,包括如下步骤:
S1、收集肠内非盲肠、回盲部和阑尾开口的内镜图像数据;
S2、根据肠镜检查的进镜顺序对非盲肠、回盲部和阑尾开口的图像数据进行划分和标记,得到肠镜数据集;
S3、基于随机森林算法,构建并训练肠镜回盲部识别模型;
S4、判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,倒镜计时开始,直至肠镜移出体外。
优选的,所述步骤S3中随机森林算法,训练肠镜回盲部识别模型具体包括如下步骤:
S3.1肠镜图像数据集通过基于颜色和纹理特征的图像增强技术,对训练集中的图像特征进行增强;
S3.2随机森林算法的构建,其算法的核心为采用Bootstrap对原始图片集中的k个样本进行抽样,保证抽取的样本与训练集中的原样本容量一致;然后,对k个样本分别建立k个决策树模型,得到k种分类结果;最后,根据多种不同的分类结果对每个记录进行投票表决,对其最终结果进行判断。
优选的,所述步骤S4中需要判断的肠镜视频对象,采取相等时间间隔抽帧,组成顺序图片组传递给肠镜回盲部识别模型进行判断。
优选的,所述步骤S4中具体包括如下步骤:
S4.1由于肠镜视频影像帧数过高,需要采取相等时间间隔抽帧的方式获取肠镜图片,将获取到的图片按照时间顺序排列,输入到肠镜回盲部识别模型进行判断;
S4.2每棵决策树根据其抽取的样本集进行训练,通过产生一系列规则,然后基于这些规则进行图片进行分类;
S4.3综合每棵决策树的分类结果,对每个记录进行投票表决,并最终对所处部位进行判断。
优选的,所述步骤S4中是否到达回盲部或阑尾开口处的最终判断结果是根据回盲部识别模型返回的多次连续的子结果判断,进行9选5分析后给出,使结果兼具快速性和准确性,实现实时判断消化内镜检查类型,而不需要等待检查结束才给出结果。
优选的,所述步骤S4之前还包括进镜计时步骤,具体为:获取连续肠镜视频影像,抽取连续视频的图片帧,传递给预先训练好的体内外识别模型进行判断,判断当肠镜视频影像是否为体内,若是体内则开始进镜计时,判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,则进镜计时停止。
与现有技术相比,本发明的有益效果是:本发明采用随机森林算法对肠镜回盲部模型进行训练,通过该模型对肠末端的回盲部或阑尾开口的识别,表明到达直肠末端,此时开始退镜计时,当肠镜移出体外,结束退镜计时。从而实现自动监控肠镜退镜时间,无需人工计时,保证了肠镜退镜计时的客观性,有助于医生提高肠镜检查质量。
附图说明
图1为本发明的流程图;
图2为本发明的另一种流程图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1-2,本发明提供一种技术方案:基于随机森林算法的肠镜退镜时间的实时监测方法,包括如下步骤:
S1、收集肠内非盲肠、回盲部和阑尾开口的内镜图像数据;
S2、根据肠镜检查的进镜顺序对非盲肠、回盲部和阑尾开口的图像数据进行划分和标记,得到肠镜数据集;
S3、基于随机森林算法,构建并训练肠镜回盲部识别模型;
S4、判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,倒镜计时开始,直至肠镜移出体外。
实施例一:
S1、收集肠内非盲肠、回盲部和阑尾开口的内镜图像数据;
S2、根据肠镜检查的进镜顺序对非盲肠、回盲部和阑尾开口的图像数据进行划分和标记,得到肠镜数据集;
S3、基于随机森林算法,构建并训练肠镜回盲部识别模型;
S3.1肠镜图像数据集通过基于颜色和纹理特征的图像增强技术,对训练集中的图像特征进行增强;
具体增强方式包括:
1、颜色增强:利用图像亮度,饱和度,对比度变化来增加数据量;
2、主成分分析:按照RGB三个颜色通道计算均值和标准差,然后在整个训练集上计算协方差矩阵,进行特征分解,得到特征向量和特征值;
3、高斯噪声,模糊处理:对图像随机加入噪声数据消除高频特征。
S3.2随机森林算法的构建,其算法的核心为采用Bootstrap对原始图片集中的k个样本进行抽样,保证抽取的样本与训练集中的原样本容量一致;然后,对k个样本分别建立k个决策树模型,得到k种分类结果;最后,根据多种不同的分类结果对每个记录进行投票表决,对其最终结果进行判断。算法的具体流程如下:
从根据学习集数据中选取样本集,假设选取的样本集中包含有X个样例,通过有放回抽样的方式抽取k个样例,得到k个决策树,每个决策树都拥有与其想对应的训练集,且各训练集不存在交叉;
每棵决策树根据其抽取的样本集进行训练,决策树的思想实际上是一个数据挖掘过程,它通过产生一系列规则,然后基于这些规则对图片进行分类。
随机森林算法核心优势在于,利用多个决策树对样本进行训练、分类并预测,降低了决策树之间的相关性。也是因为这个原因使得随机森林算法摒弃了训练后对模型进行剪枝处理的传统步骤。
S4、判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,倒镜计时开始,直至肠镜移出体外。
实施例二:
与实施例一的区别技术为:
S4.1由于肠镜视频影像帧数过高,需要采取相等时间间隔抽帧的方式获取肠镜图片,将获取到的图片按照时间顺序排列,输入到肠镜回盲部识别模型进行判断;
S4.2每棵决策树根据其抽取的样本集进行训练,通过产生一系列规则,然后基于这些规则进行图片进行分类;
S4.3综合每棵决策树的分类结果,对每个记录进行投票表决,并最终对所处部位进行判断。
实施例三:
与实施例二的区别技术为:
步骤S4中是否到达回盲部或阑尾开口处的最终判断结果是根据回盲部识别模型返回的多次连续的子结果判断,进行9选5分析后给出,使结果兼具快速性和准确性,实现实时判断消化内镜检查类型,而不需要等待检查结束才给出结果。
最终判断结果是根据肠镜回盲部识别模型返回的多次连续的子判断结果,进行9选5分析后给出的(9选5还是7选4可以根据需要调整),此举是为了降低识别错误的概率,同时保证本方法能实现肠镜回盲部或阑尾开口的实时判断,而不需要等待检查结束才给出判断。
实施例四:
与实施例三的区别技术为:
步骤S4之前还包括进镜计时步骤,具体为:获取连续肠镜视频影像,抽取连续视频的图片帧,传递给预先训练好的体内外识别模型进行判断,判断当肠镜视频影像是否为体内,若是体内则开始进镜计时,判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,则进镜计时停止。从而同时实现进镜计时和退镜计时。
本发明采用随机森林算法对肠镜回盲部模型进行训练,通过该模型对肠末端的回盲部或阑尾开口的识别,表明到达直肠末端,此时开始退镜计时,当肠镜移出体外,结束退镜计时。该发明实现对肠镜回镜操作时间的自动记录并显示,以达到提醒内镜医师的目的,保证肠镜检查质量。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于随机森林算法的肠镜退镜时间的实时监测方法,其特征在于:包括如下步骤:
S1、收集肠内非盲肠、回盲部和阑尾开口的内镜图像数据;
S2、根据肠镜检查的进镜顺序对非盲肠、回盲部和阑尾开口的图像数据进行划分和标记,得到肠镜数据集;
S3、基于随机森林算法,构建并训练肠镜回盲部识别模型;
S4、判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,倒镜计时开始,直至肠镜移出体外。
2.根据权利要求1所述的基于随机森林算法的肠镜退镜时间的实时监测方法,其特征在于:所述步骤S3中随机森林算法,训练肠镜回盲部识别模型具体包括如下步骤:
S3.1肠镜图像数据集通过基于颜色和纹理特征的图像增强技术,对训练集中的图像特征进行增强;
S3.2随机森林算法的构建,其算法的核心为采用Bootstrap对原始图片集中的k个样本进行抽样,保证抽取的样本与训练集中的原样本容量一致;然后,对k个样本分别建立k个决策树模型,得到k种分类结果;最后,根据多种不同的分类结果对每个记录进行投票表决,对其最终结果进行判断。
3.根据权利要求1所述的基于随机森林算法的肠镜退镜时间的实时监测方法,其特征在于:所述步骤S4中需要判断的肠镜视频对象,采取相等时间间隔抽帧,组成顺序图片组传递给肠镜回盲部识别模型进行判断。
4.根据权利要求3所述的基于随机森林算法的肠镜退镜时间的实时监测方法,其特征在于:所述步骤S4中具体包括如下步骤:
S4.1由于肠镜视频影像帧数过高,需要采取相等时间间隔抽帧的方式获取肠镜图片,将获取到的图片按照时间顺序排列,输入到肠镜回盲部识别模型进行判断;
S4.2每棵决策树根据其抽取的样本集进行训练,通过产生一系列规则,然后基于这些规则进行图片进行分类;
S4.3综合每棵决策树的分类结果,对每个记录进行投票表决,并最终对所处部位进行判断。
5.根据权利要求1所述的基于随机森林算法的肠镜退镜时间的实时监测方法,其特征在于:所述步骤S4中是否到达回盲部或阑尾开口处的最终判断结果是根据回盲部识别模型返回的多次连续的子结果判断,进行9选5分析后给出,使结果兼具快速性和准确性,实现实时判断消化内镜检查类型,而不需要等待检查结束才给出结果。
6.根据权利要求1所述的基于随机森林算法的肠镜退镜时间的实时监测方法,其特征在于:所述步骤S4之前还包括进镜计时步骤,具体为:获取连续肠镜视频影像,抽取连续视频的图片帧,传递给预先训练好的体内外识别模型进行判断,判断当肠镜视频影像是否为体内,若是体内则开始进镜计时,判断当前消化内镜视频影像是否为回盲部或阑尾开口,判断为回盲部或阑尾开口,则进镜计时停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622637.XA CN111767958A (zh) | 2020-07-01 | 2020-07-01 | 基于随机森林算法的肠镜退镜时间的实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622637.XA CN111767958A (zh) | 2020-07-01 | 2020-07-01 | 基于随机森林算法的肠镜退镜时间的实时监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111767958A true CN111767958A (zh) | 2020-10-13 |
Family
ID=72723329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622637.XA Pending CN111767958A (zh) | 2020-07-01 | 2020-07-01 | 基于随机森林算法的肠镜退镜时间的实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767958A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597981A (zh) * | 2021-03-04 | 2021-04-02 | 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 |
CN112652393A (zh) * | 2020-12-31 | 2021-04-13 | 山东大学齐鲁医院 | 基于深度学习的ercp质控方法、系统、存储介质及设备 |
CN114511045A (zh) * | 2022-04-19 | 2022-05-17 | 武汉大学 | 图像处理方法、装置、终端及计算机可读存储介质 |
CN115511885A (zh) * | 2022-11-16 | 2022-12-23 | 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 |
CN117392449A (zh) * | 2023-10-24 | 2024-01-12 | 青岛美迪康数字工程有限公司 | 基于进镜图像特征的肠镜部位识别方法、装置和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194512A (zh) * | 2017-05-24 | 2017-09-22 | 上海应用技术大学 | 鸡精的货架期预测方法 |
CN107832718A (zh) * | 2017-11-13 | 2018-03-23 | 重庆工商大学 | 基于自编码器的手指静脉防伪鉴别方法及系统 |
CN108350510A (zh) * | 2015-09-09 | 2018-07-31 | 优比欧迈公司 | 用于胃肠健康相关病症的源自微生物群系的诊断及治疗方法和系统 |
WO2018166113A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 随机森林模型训练的方法、电子装置及存储介质 |
CN109598716A (zh) * | 2018-12-05 | 2019-04-09 | 上海珍灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和系统 |
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 |
CN111012285A (zh) * | 2019-12-06 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 内窥镜移动时间确定方法、装置和计算机设备 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
-
2020
- 2020-07-01 CN CN202010622637.XA patent/CN111767958A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108350510A (zh) * | 2015-09-09 | 2018-07-31 | 优比欧迈公司 | 用于胃肠健康相关病症的源自微生物群系的诊断及治疗方法和系统 |
WO2018166113A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 随机森林模型训练的方法、电子装置及存储介质 |
CN107194512A (zh) * | 2017-05-24 | 2017-09-22 | 上海应用技术大学 | 鸡精的货架期预测方法 |
CN107832718A (zh) * | 2017-11-13 | 2018-03-23 | 重庆工商大学 | 基于自编码器的手指静脉防伪鉴别方法及系统 |
CN109598716A (zh) * | 2018-12-05 | 2019-04-09 | 上海珍灵医疗科技有限公司 | 基于计算机视觉的肠镜退镜速度实时监测方法和系统 |
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 |
CN111012285A (zh) * | 2019-12-06 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 内窥镜移动时间确定方法、装置和计算机设备 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
Non-Patent Citations (2)
Title |
---|
李勇,等: "《复杂情感分析方法及其应用》", vol. 978, 30 April 2020, 冶金工业出版社, pages: 169 * |
郑树泉,等: "《工业智能技术与应用》", vol. 978, 31 January 2019, 上海科学技术出版社, pages: 133 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652393A (zh) * | 2020-12-31 | 2021-04-13 | 山东大学齐鲁医院 | 基于深度学习的ercp质控方法、系统、存储介质及设备 |
CN112597981A (zh) * | 2021-03-04 | 2021-04-02 | 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 |
CN114511045A (zh) * | 2022-04-19 | 2022-05-17 | 武汉大学 | 图像处理方法、装置、终端及计算机可读存储介质 |
CN115511885A (zh) * | 2022-11-16 | 2022-12-23 | 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 |
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 |
CN117392449A (zh) * | 2023-10-24 | 2024-01-12 | 青岛美迪康数字工程有限公司 | 基于进镜图像特征的肠镜部位识别方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767958A (zh) | 基于随机森林算法的肠镜退镜时间的实时监测方法 | |
US20200337537A1 (en) | Image diagnosis assistance apparatus, data collection method, image diagnosis assistance method, and image diagnosis assistance program | |
Pogorelov et al. | Deep learning and hand-crafted feature based approaches for polyp detection in medical videos | |
US11308614B2 (en) | Deep learning for real-time colon polyp detection | |
CN111225611B (zh) | 用于帮助分析目标对象中的伤口的系统和方法 | |
CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
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 | |
EP3267394A1 (en) | Method and apparatus for real-time detection of polyps in optical colonoscopy | |
CN110335241B (zh) | 肠镜检查后对肠道准备自动进行评分的方法 | |
WO2019098415A1 (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치 | |
CN114399465B (zh) | 良恶性溃疡识别方法及系统 | |
CN111860203B (zh) | 基于图像和音频混合的异常猪只识别装置、系统和方法 | |
CN115082448B (zh) | 肠道清洁度评分方法、装置和计算机设备 | |
CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
Hu et al. | A novel spatial-temporal convolutional neural network for remote photoplethysmography | |
CN113995419A (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
CN113989284A (zh) | 一种幽门螺杆菌辅助检测系统及检测装置 | |
CN113946217B (zh) | 一种肠镜操作技能智能辅助评估系统 | |
CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
CN113768452A (zh) | 一种电子内窥镜智能计时方法及装置 | |
CN112263220A (zh) | 一种内分泌疾病智能诊断系统 | |
CN105874508A (zh) | 用于具有经改进的可靠性的宫颈图像分析的方法和装置 | |
CN110974121B (zh) | 一种判断消化内窥镜检查是否染色的方法及系统 | |
CN114842957B (zh) | 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 |
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 |