CN111986196A - 一种消化道胶囊内镜滞留自动监测方法及系统 - Google Patents
一种消化道胶囊内镜滞留自动监测方法及系统 Download PDFInfo
- Publication number
- CN111986196A CN111986196A CN202010935282.XA CN202010935282A CN111986196A CN 111986196 A CN111986196 A CN 111986196A CN 202010935282 A CN202010935282 A CN 202010935282A CN 111986196 A CN111986196 A CN 111986196A
- Authority
- CN
- China
- Prior art keywords
- organ
- network model
- image data
- interference image
- detection network
- 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.)
- Granted
Links
- 239000002775 capsule Substances 0.000 title claims abstract description 64
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002496 gastric effect Effects 0.000 title description 2
- 210000000056 organ Anatomy 0.000 claims abstract description 121
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 85
- 210000001035 gastrointestinal tract Anatomy 0.000 claims abstract description 26
- 230000009747 swallowing Effects 0.000 claims abstract description 15
- 238000013524 data verification Methods 0.000 claims description 27
- 238000010200 validation analysis Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 210000002784 stomach Anatomy 0.000 description 10
- 238000012795 verification Methods 0.000 description 8
- 210000000813 small intestine Anatomy 0.000 description 7
- 210000003238 esophagus Anatomy 0.000 description 5
- 210000002429 large intestine Anatomy 0.000 description 5
- 210000004877 mucosa Anatomy 0.000 description 5
- 238000001839 endoscopy Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000004400 mucous membrane Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 210000001198 duodenum Anatomy 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 230000000968 intestinal effect Effects 0.000 description 2
- 241000167880 Hirundinidae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
-
- 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
- A61B1/00002—Operational features of endoscopes
- A61B1/00057—Operational features of endoscopes provided with means for testing or calibration
-
- 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
- A61B1/041—Capsule endoscopes for imaging
-
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Endoscopes (AREA)
Abstract
本发明公开了一种消化道胶囊内镜滞留自动监测方法及系统，所述方法包括：构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像；构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息；结合所述器官类别判断信息和吞服胶囊内窥镜的时间信息来判断胶囊内窥镜所处的位置和状态。所述系统对基本卷积神经网络的结构进行调整，在去除干扰图像后进行器官检测网络模型检测，得到更精确的器官分类，报警判断模块通过状态机并结合吞服胶囊内镜的时间信息来判断胶囊内镜所处的位置和状态，方便医护人员对胶囊内镜滞留情况监测。
Description
技术领域
本发明涉及图像处理领域，特别是涉及一种消化道胶囊内镜滞留自动监测方法及系统。
背景技术
胶囊内窥镜是一种检查人体消化道的摄像及疾病检测装置。当患者吞服该装置后，胶囊内窥镜将从经过人体整个消化道并拍摄大量的图像，医生通过观察拍摄的图像判断人体消化道的疾病状况。胶囊内窥镜将通过食道、胃、小肠(包含十二指肠)、大肠，直到排出体外，患者随身携带的数据记录仪将将一直检测胶囊内窥镜发出的信号并记录图像数据。在实际临床检查中，由于部分患者消化道结构的差异，胶囊内窥镜容易滞留在胃和十二指肠无法继续通过，造成检查失败。通过图像识别的方式判别自动判别滞留的情况，并产生报警消息通知医生能够及时的防止该问题发生。综上所述，如何提供一种消化道胶囊内镜滞留自动监测方案，是目前本领域技术人员亟待解决的问题。
现有技术CN106934799A中公开了一种胶囊内窥镜图像辅助阅片系统，它的利用一个卷积神经网络CNN模型将胶囊内窥镜图像按拍摄部位的不同进行分类，并得到不同部位的图像序列；利用第二卷积神经网络CNN模型对不同拍摄部位的图像序列进行图像特征提取得到不同消化道部位图像序列的特征矢量序列；最后采用图像序列描述技术和递归神经网络RNN模型将图像特征转化为描述性文字，从而形成辅助诊断报告。该发明可以减少医生观看消化道图像的工作量，提高医生的诊断效率。上述专利中能够判断消化道的器官，但没有考虑到临床实际过程中的消化道干扰内容，也没有研究胶囊内窥镜的滞留问题，影响对疾病的诊断。
发明内容
本发明主要针对现有技术提供一种消化道胶囊内镜滞留自动监测方法及系统，能够解决现有技术未考虑到临床实际过程中的消化道干扰内容检测以及存在未对胶囊内镜的滞留监测的问题。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种消化道胶囊内镜滞留自动监测方法及系统。
其中，所述方法包括以下内容：
构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像；
构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息；
结合所述器官类别判断信息和吞服胶囊内窥镜的时间信息来判断胶囊内窥镜所处的位置和状态。
优选地，所述干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集。
优选地，所述器官图像数据包括器官图像数据训练集和器官图像数据验证集。
优选地，所述干扰图像检测网络模型/器官检测网络模型为AlexNe t/MobileNet的网络结构调整之后的网络模型。
优选地，所述干扰图像检测网络模型进行网络训练包括：通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型。
优选地，所述对器官检测网络模型进行网络训练包括：通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
此外，所述系统包括：
图像数据获取模块：获取干扰图像数据和去除干扰图像后的器官图像数据；
模型训练模块：包括干扰图像检测网络模型训练模块和器官检测网络模型训练模块；所述干扰图像检测网络模型训练模块用于构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像；所述器官检测网络模型训练模块用于构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息；
报警判断模块：接收模型训练模块输出的所述器官类别判断信息并结合吞服胶囊内窥镜的时间信息来判断胶囊内镜所处的位置和状态。
优选地，所述干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集，所述干扰图像检测网络模型训练模块通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型。
优选地，所述器官图像数据包括器官图像数据训练集和器官图像数据验证集，所述器官检测网络模型训练模块通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
优选地，所述报警判断模块包括一个状态机，所述状态机接收所述模型训练模块的输出信息。
本发明的有益效果是：(1)区别于现有技术的情况，本发明结合干扰图像检测网络模型和器官检测网络模型，先通过干扰图像检测网络模型判别正常消化道黏膜图像和干扰图像，在去除干扰图像后进行器官检测网络模型检测，得到更精确的器官分类；(2)干扰图像检测网络模型/器官检测网络模型为AlexNet/MobileNet的网络结构调整之后的网络模型，通过类别输出参数和全连接参数的调整设置，实现压缩后的参数数量与数据集的规模、类别有效匹配，能有效提高精度；(3)报警判断模块充分考虑临床实际情况，器官类别判断信息并结合吞服胶囊内窥镜的时间信息精确判断胶囊内镜所处的位置和状态，方便医护人员对胶囊滞留情况监视；(4)通过干扰图像数据验证集/器官图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型/预设器官检测网络模型，提高后续检测的精度。
附图说明
图1是本发明一种消化道胶囊内镜滞留自动监测方法的流程图；
图2是发明一种消化道胶囊内镜滞留自动监测系统的分级网络结构示意图；
图3是发明中的训练集或者验证集中的气泡干扰图像样本；
图4是本发明中的训练集或者验证集中的肠液干扰图像样本；
图5是本发明中的训练集或者验证集中的食物残渣干扰图像样本；
图6是本发明中的训练集或者验证集中的消化道黏膜清晰的图像样本；
图7是本发明中的训练集或者验证集中的食道的图像样本；
图8是本发明中的训练集或者验证集中的胃的图像样本；
图9是本发明中的训练集或者验证集中的小肠的图像样本；
图10是本发明中的报警判断模块状态机转移示意图。
具体实施方式
为了使本发明的目的、技术方案和有益效果更加清楚和完整，以下实施例结合附图对本发明作进一步地阐述。
实施例1
如图1所示，提供提供一种消化道胶囊内镜滞留自动监测方法，包括以下内容：
构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像；
构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息；
结合所述器官类别判断信息和吞服胶囊内窥镜的时间信息来判断胶囊内窥镜所处的位置和状态。
该方法的原理是：首先构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练，通过此次训练选出精度最高的预设干扰图像检测网络模型，然后对干扰图像进行处理并滤除不同干扰类别图像和消化道黏膜清晰的图像，处理得到的图形通过器官检测网络模型进行网络训练，识别判断出器官信息，最后结合吞服胶囊内窥镜的时间信息来判断胶囊内窥镜所处的位置和状态，达到胶囊内窥镜滞留监测的目的。
进一步地，所述干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集。
所述器官图像数据包括器官图像数据训练集和器官图像数据验证集。
进一步地，所述干扰图像检测网络模型/器官检测网络模型为Alex Net/MobileNet的网络结构调整之后的网络模型。
进一步地，所述干扰图像检测网络模型进行网络训练包括：通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型。
进一步地，所述对器官检测网络模型进行网络训练包括：通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
实施例2
如图2所示，提供一种消化道胶囊内镜滞留自动监测系统，所述系统包括：
图像数据获取模块：获取干扰图像数据和去除干扰图像后的器官图像数据；
模型训练模块：包括干扰图像检测网络模型训练模块和器官检测网络模型训练模块；所述干扰图像检测网络模型训练模块用于构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像，通过干扰内容检测模块输出去除干扰后的器官图像。
所述器官检测网络模型训练模块用于构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并通过器官内容检测模块输出器官类别判断信息。
报警判断模块：接收模型训练模块输出的所述器官类别判断信息并结合吞服胶囊内窥镜的时间信息来判断胶囊内镜所处的位置和状态。
进一步地，所述干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集，所述干扰图像检测网络模型训练模块通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型。
进一步地，所述器官图像数据包括器官图像数据训练集和器官图像数据验证集，所述器官检测网络模型训练模块通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
进一步地，所述报警判断模块包括一个状态机，所述状态机接收所述模型训练模块的输出信息。
实施例3
在实施例1、2的基础上提供一个优选实施例，如图3-5所示，获取数据时，通过图像数据获取模块获取干扰图像数据，干扰图像数据的种类包括消化道中的气泡、肠液和食物残渣等，干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集。
进一步地，干扰图像数据训练集包括消化道黏膜清晰的训练图片、消化道黏膜清晰的训练图片标记、干扰训练图片、干扰训练图片标记，所述干扰图像数据验证集包括消化道黏膜清晰的验证图片、消化道黏膜清晰的验证图片标记、干扰验证图片、干扰验证图片标记。
进一步地，构建干扰图像检测网络模型，将获取干扰图像数据用于对干扰图像检测网络模型进行网络训练，并去除干扰图像，如图5所示。获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息，其中，所述器官图像数据包括器官图像数据训练集和器官图像数据验证集，器官图像数据训练集包括不同器官训练图片、不同器官训练图片标记，所述器官图像数据验证集包括不同器官验证图片、不同器官验证图片标记。
进一步地，训练模块选取验证集测试实时训练网络模型的识别精度，其中，通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型；通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
进一步地，所述干扰图像检测网络模型/器官检测网络模型为AlexNet/MobileNet的网络结构调整之后的网络模型。
对基本网络模型AlexNet的网络结构调整通过改变最后三层全链接层(FC)的参数大小而得到，其中最后一层的输出类别数根据网络模型用途进行不同的是设置，当网络用于干扰内容检测则输出类别设置为干扰类别个数，当网络用于器官类别检测则设置为器官类别数，基本网络模型AlexNet的倒数第二层全链接层的数量可设置为512、256、128任意一个值，基本网络模型AlexNet的倒数第三层全链接层的数量可设置为1024、512、256任意一个值，同时保证倒数第二层全链接层的数量小于倒数第三层全链接层的数量。
所述对基本网络模型MobileNet的网络结构调整通过改变最后一层softmax层和倒数第二层全链接层(FC)的参数大小而得到，其中最后一层softmax层输出类别数根据网络模型用途进行不同的是设置，当网络用于干扰内容检测则输出类别设置为干扰类别个数，当网络用于器官类别检测则设置为器官类别数，所述倒数第二层全链接层(FC)的参数大小设置为1024、512、256任意一个值。
进一步地，通过器官检测网络模型输出器官类别判断信息，如图6-8所示，得到各个器官类别的信息。最终输出不同的器官类别，根据各个器官类别的信息判断胶囊内镜所处的位置和状态。
预设网络模型对消化道图片进行处理滤除干扰图像并输出消化道黏膜清晰的图像，进行报警，方便医护人员对胶囊滞留情况监视。
实施例4
基于上述实施例，对于所述报警判断模块，优选地采用一个状态机，所述状态机接收所述模型训练模块的输出信息，如图10所示，所述状态机接受模型训练模块判断的类别输出，并根据类别信息和吞服胶囊内镜的时间信息来判断胶囊内镜所处的位置和状态：
如图7-10所示，初始状态下，当检测到的图像为食道则判定胶囊内镜在食道状态中；当胶囊内镜在食道的状态下，如果检测到的图像为胃且吞服时间小于30分钟，证明胶囊内镜一直处于胃部：
如果检测到图像为胃且吞服时间大于30分钟，证明胶囊内镜发生胃部滞留进入报警状态，当检测到的图像为其他类别，则胶囊内镜进入了小肠状态；当胶囊内镜在小肠的状态下；
如果检测到的图像为胃且吞服时间小于30分钟，证明胶囊内镜返回胃部，如果检测到的图像为胃且吞服时间大于30分钟，证明胶囊内镜发生往返性滞留并进入报警状态，如果检测到图像类别为大肠，则胶囊内镜进入大肠状态；
当胶囊内镜在大肠的状态下，如果检测到的图像为小肠，则返回到小肠状态，如果检测到的图像为非小肠，则维持大肠状态。
输入状态机判别胶囊内镜在消化道中的位置，并最终结合时间信息判断胶囊内镜滞留与否，当达到滞留条件就产生报警。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图图像所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种消化道胶囊内镜滞留自动监测方法，其特征在于，包括以下内容：
构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像；
构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息；
结合所述器官类别判断信息和吞服胶囊内窥镜的时间信息来判断胶囊内窥镜所处的位置和状态。
2.根据权利要求1所述的一种消化道胶囊内镜滞留自动监测方法，其特征在于，所述干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集。
3.根据权利要求1所述的一种消化道胶囊内镜滞留自动监测方法，其特征在于，所述器官图像数据包括器官图像数据训练集和器官图像数据验证集。
4.根据权利要求1所述的一种消化道胶囊内镜滞留自动监测方法，其特征在于，所述干扰图像检测网络模型/器官检测网络模型为AlexNe t/MobileNet的网络结构调整之后的网络模型。
5.根据权利要求2所述的一种消化道胶囊内镜滞留自动监测方法，其特征在于，所述干扰图像检测网络模型进行网络训练包括：通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型。
6.根据权利要求3所述的一种消化道胶囊内镜滞留自动监测方法，其特征在于，所述对器官检测网络模型进行网络训练包括：通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
7.一种消化道胶囊内镜滞留自动监测系统，其特征在于，包括：
图像数据获取模块：获取干扰图像数据和去除干扰图像后的器官图像数据；
模型训练模块：包括干扰图像检测网络模型训练模块和器官检测网络模型训练模块；所述干扰图像检测网络模型训练模块用于构建干扰图像检测网络模型，获取干扰图像数据对干扰图像检测网络模型进行网络训练并去除干扰图像；所述器官检测网络模型训练模块用于构建器官检测网络模型，获取去除干扰图像后的器官图像数据，对器官检测网络模型进行网络训练并输出器官类别判断信息；
报警判断模块：接收模型训练模块输出的所述器官类别判断信息并结合吞服胶囊内窥镜的时间信息来判断胶囊内镜所处的位置和状态。
8.根据权利要求7所述的一种消化道胶囊内镜滞留自动监测系统，其特征在于，所述干扰图像数据包括干扰图像数据训练集和干扰图像数据验证集，所述干扰图像检测网络模型训练模块通过干扰图像数据验证集选取精度最高的网络模型作为预设干扰图像检测网络模型。
9.根据权利要求7所述的一种消化道胶囊内镜滞留自动监测系统，其特征在于，所述器官图像数据包括器官图像数据训练集和器官图像数据验证集，所述器官检测网络模型训练模块通过器官图像数据验证集选取精度最高的网络模型作为预设器官检测网络模型。
10.根据权利要求7所述的一种消化道胶囊内镜滞留自动监测系统，其特征在于，所述报警判断模块包括一个状态机，所述状态机接收所述模型训练模块的输出信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010935282.XA CN111986196B (zh) | 2020-09-08 | 2020-09-08 | 一种消化道胶囊内镜滞留自动监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010935282.XA CN111986196B (zh) | 2020-09-08 | 2020-09-08 | 一种消化道胶囊内镜滞留自动监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986196A true CN111986196A (zh) | 2020-11-24 |
| CN111986196B CN111986196B (zh) | 2022-07-12 |
Family
ID=73448617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010935282.XA Active CN111986196B (zh) | 2020-09-08 | 2020-09-08 | 一种消化道胶囊内镜滞留自动监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986196B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837275A (zh) * | 2021-01-14 | 2021-05-25 | 长春大学 | 胶囊内窥镜图像器官分类方法、装置、设备及存储介质 |
| CN113040694A (zh) * | 2020-12-04 | 2021-06-29 | 泰州国安医疗用品有限公司 | 胃部食物残留状态检测系统 |
| CN113487609A (zh) * | 2021-09-06 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 组织腔体的定位方法、装置、可读介质和电子设备 |
| CN116269168A (zh) * | 2023-05-18 | 2023-06-23 | 广州思德医疗科技有限公司 | 胶囊内镜与幽门的相对位置检测方法、控制器及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007007842A1 (ja) * | 2005-07-14 | 2007-01-18 | Olympus Corporation | 生体内撮像装置、表示装置、およびこれらを用いた撮像表示システム並びに被検体内留置システム |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| US20180168489A1 (en) * | 2016-12-15 | 2018-06-21 | Progenity Inc. | Ingestible Device and Associated Methods |
| CN109035339A (zh) * | 2017-10-27 | 2018-12-18 | 重庆金山医疗器械有限公司 | 胶囊内镜系统及其运行区域检测图片的位置识别方法 |
| CN109146884A (zh) * | 2018-11-16 | 2019-01-04 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
| CN109241963A (zh) * | 2018-08-06 | 2019-01-18 | 浙江大学 | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 |
| CN109741305A (zh) * | 2018-12-26 | 2019-05-10 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种胶囊内窥镜成像损坏图像的检测方法 |
| CN109924937A (zh) * | 2018-08-03 | 2019-06-25 | 上海安翰医疗技术有限公司 | 内窥镜装置及内窥检测方法 |
| CN111242920A (zh) * | 2020-01-10 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 一种生物组织图像检测方法、装置、设备及介质 |
| CN111493805A (zh) * | 2020-04-23 | 2020-08-07 | 重庆金山医疗技术研究院有限公司 | 一种状态检测装置、方法、系统及可读存储介质 |
-
2020
- 2020-09-08 CN CN202010935282.XA patent/CN111986196B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007007842A1 (ja) * | 2005-07-14 | 2007-01-18 | Olympus Corporation | 生体内撮像装置、表示装置、およびこれらを用いた撮像表示システム並びに被検体内留置システム |
| CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术（武汉）有限公司 | 消化道病灶图像识别系统及识别方法 |
| US20180168489A1 (en) * | 2016-12-15 | 2018-06-21 | Progenity Inc. | Ingestible Device and Associated Methods |
| CN109035339A (zh) * | 2017-10-27 | 2018-12-18 | 重庆金山医疗器械有限公司 | 胶囊内镜系统及其运行区域检测图片的位置识别方法 |
| CN109924937A (zh) * | 2018-08-03 | 2019-06-25 | 上海安翰医疗技术有限公司 | 内窥镜装置及内窥检测方法 |
| CN109241963A (zh) * | 2018-08-06 | 2019-01-18 | 浙江大学 | 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 |
| CN109146884A (zh) * | 2018-11-16 | 2019-01-04 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
| CN109741305A (zh) * | 2018-12-26 | 2019-05-10 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种胶囊内窥镜成像损坏图像的检测方法 |
| CN111242920A (zh) * | 2020-01-10 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 一种生物组织图像检测方法、装置、设备及介质 |
| CN111493805A (zh) * | 2020-04-23 | 2020-08-07 | 重庆金山医疗技术研究院有限公司 | 一种状态检测装置、方法、系统及可读存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| HAYA ALASKAR等: "《Application of Convolutional Neural Networks for Automated Ulcer Detection in Wireless Capsule Endoscopy Images》", 《SENSORS》 * |
| 刘曌宇 等: "《胶囊内镜检查失败原因分析及对策》", 《华中科技大学学报(医学版)》 * |
| 夏天 等: "《磁控胶囊胃镜的未来展望》", 《中国实用内科杂志》 * |
| 陈俊周 等: "《基于级联卷积神经网络的视频动态烟雾检测》", 《电子科技大学学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113040694A (zh) * | 2020-12-04 | 2021-06-29 | 泰州国安医疗用品有限公司 | 胃部食物残留状态检测系统 |
| CN112837275A (zh) * | 2021-01-14 | 2021-05-25 | 长春大学 | 胶囊内窥镜图像器官分类方法、装置、设备及存储介质 |
| CN112837275B (zh) * | 2021-01-14 | 2023-10-24 | 长春大学 | 胶囊内窥镜图像器官分类方法、装置、设备及存储介质 |
| CN113487609A (zh) * | 2021-09-06 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 组织腔体的定位方法、装置、可读介质和电子设备 |
| CN116269168A (zh) * | 2023-05-18 | 2023-06-23 | 广州思德医疗科技有限公司 | 胶囊内镜与幽门的相对位置检测方法、控制器及系统 |
| CN116269168B (zh) * | 2023-05-18 | 2023-09-08 | 广州思德医疗科技有限公司 | 胶囊内镜与幽门的相对位置检测方法、控制器及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986196B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986196B (zh) | 一种消化道胶囊内镜滞留自动监测方法及系统 | |
| US8335362B2 (en) | Device, system and method for measurement and analysis of contractile activity | |
| KR102185886B1 (ko) | 인공지능을 이용한 대장 내시경 영상 분석 방법 및 장치 | |
| CN107920722A (zh) | 针对自胶囊相机所撷取的图像通过对象检测进行重建 | |
| CN107767365A (zh) | 一种内窥镜图像处理方法及系统 | |
| JP2004321796A (ja) | カプセル形内視鏡装置のためのコンピュータ支援３次元画像形成方法、無線内視鏡装置および医療技術装置 | |
| KR102287364B1 (ko) | 인공신경망을 이용하여 캡슐형 내시경 영상에서 병변을 감지하는 시스템 및 방법 | |
| WO2020071678A2 (ko) | 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법 | |
| EP1997074A2 (en) | Device, system and method for automatic detection of contractile activity in an image frame | |
| WO2020215810A1 (zh) | 一种基于图像识别的结肠镜手术中窄带成像检测方法 | |
| JP4749732B2 (ja) | 医用画像処理装置 | |
| US20230301503A1 (en) | Artificial intelligence-based gastroscopic image analysis method | |
| WO2022037534A1 (zh) | 基于图像的位置探测方法、电子设备及可读存储介质 | |
| JP2016539767A (ja) | 内視鏡検査用装置 | |
| CN108937871A (zh) | 一种消化道微光学相干断层成像图像分析系统及方法 | |
| CN110772210B (zh) | 一种诊断交互系统及方法 | |
| KR101716405B1 (ko) | 수면내시경 진행 중인 환자의 체강내 부위와 그 부위에 대응되는 환자체위 동시 촬영이 가능한 진단 및 모니터링시스템 | |
| CN114451848B (zh) | 内窥镜胶囊轨迹引导方法、装置及系统 | |
| KR100942997B1 (ko) | 캡슐 내시경 영상의 디스플레이 시스템 및 그 방법 | |
| US20240016366A1 (en) | Image diagnosis system for lesion | |
| KR101770614B1 (ko) | 수면내시경을 이용한 수면호흡장애 모니터링 및 진단 시스템 및 수면호흡장애 모니터링방법 | |
| WO2023089716A1 (ja) | 情報表示装置、情報表示方法、及び、記録媒体 | |
| WO2023089717A1 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
| US20230162356A1 (en) | Diagnostic imaging device, diagnostic imaging method, diagnostic imaging program, and learned model | |
| WO2021241735A1 (ja) | 内視鏡プロセッサ装置 |
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 |