CN112529892A - 消化道内镜病变图像检测方法、系统和计算机存储介质 - Google Patents

消化道内镜病变图像检测方法、系统和计算机存储介质 Download PDF

Info

Publication number
CN112529892A
CN112529892A CN202011520422.3A CN202011520422A CN112529892A CN 112529892 A CN112529892 A CN 112529892A CN 202011520422 A CN202011520422 A CN 202011520422A CN 112529892 A CN112529892 A CN 112529892A
Authority
CN
China
Prior art keywords
neural network
video
lesion
digestive tract
network model
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
Application number
CN202011520422.3A
Other languages
English (en)
Inventor
陈宇桥
李凌
辜嘉
徐强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhongkehuaying Health Technology Co ltd
Original Assignee
Suzhou Zhongkehuaying Health Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Zhongkehuaying Health Technology Co ltd filed Critical Suzhou Zhongkehuaying Health Technology Co ltd
Priority to CN202011520422.3A priority Critical patent/CN112529892A/zh
Publication of CN112529892A publication Critical patent/CN112529892A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Endoscopes (AREA)

Abstract

本发明属于医用设备技术领域，具体涉及本发明一种消化道内镜病变图像检测方法、系统和计算机存储介质，通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；将全部关键帧输入循环神经网络模型，根据时域信息提取内镜视频的表述特征；根据内镜视频表述特征进行病变分类检测。本发明通过在目标检测或图像分割模型上，加入特定的循环神经网络RNN模块，利用卷积神经网络和循环神经网络进行识别和提取并加以整合，实现了在时间域和空间域共同提取特征，能够大幅提高各类医学图像处理的准确率。

Description

消化道内镜病变图像检测方法、系统和计算机存储介质
技术领域
本发明属于医用设备技术领域，具体涉及一种消化道内镜病变图像检测方法、系统和计算机存储介质。
背景技术
随着社会的发展，生活方式的变化，消化道疾病的发病率正逐年增加，成为威胁人类健康的常见病之一。有研究表明，部分消化道疾病，如腺瘤性息肉是发生癌变的重要因素。而根据国家肿瘤质控中心发布的2019年全国癌症报告显示，多种消化道癌症如胃癌、结直肠癌等均位于恶性肿瘤发病前十位。
早期消化道癌患者如果能做到早发现，早救治，其5年生存率高达90％，如已发展至中晚期，则综合治疗5年生存率低于10％。内窥镜检查是临床上检查消化道病变最基础直观的手段，并且其价格较低，对受检者的伤害也较小。现如今，对于某些特定年龄段或有特定家族病史的人群，也建议定期实行消化道内镜检查，以确定是否存在潜在的疾病，以及降低癌变的可能性。
现如今的内镜普遍带有摄像头，医生将摄像头送入病人的消化道内拍摄，同时回传大量图片以供医生诊断。然而施行一次消化道内镜检查的时间较长，拍摄的视频图片数量可能是海量的，同时由于消化道内病灶外观复杂多变，导致漏诊状况时有发生，如传统结肠镜下结直肠息肉的漏诊率总体达22％。
为了减轻医生的负担，降低漏诊率，以及使得病灶区域更清晰直观，最近数十年，逐渐有人开始研究通过计算机辅助诊断消化道病变的工具。其中一大类为传统的机器学习方法，即提取图像中的颜色纹理等特征，使用这些特征来训练分类模型如随机森林、决策树、支持向量机等，将病变区域进行分类，最终输出该幅图片可能属于的类型，如：正常、息肉、溃疡等。
近年来，随着深度学习技术的成熟，其在各领域都有所应用，包括结肠镜息肉检测等方面。深度学习主要是使用卷积神经网络提取不同类型的特征，并通过池化、上采样、反卷积等操作得到相应的输出信息。而在卷积神经网络中，低层的卷积主要用于提取边缘纹理等细节信息，中层主要用于提取目标的大致形态信息，高层主要用于提取更抽象的语义信息。搭建好特定的模型，并使用预先标注好的数据，利用特定参数加以训练，就可以得到相应的模型文件，进而实现相应的功能。
在消化道内镜图像领域，目前使用较多的是目标检测算法。目标检测即是找出一幅图像中所包含的感兴趣的物体，其可细分为两个任务：确定物体的类别及位置。对于内镜图像，即给出异常部分的外接矩形框坐标位置及该异常部分所属类型。
另外也有一部分技术使用了语义分割技术，其实际上是对输入图像进行逐像素的分类，即分别判断图像中每个像素点属于哪一个类别。对于内镜图像，即给出异常部分的掩膜，同时给出该异常部分所属种类。
现有的技术多是利用了较为成熟的深度学习模型，利用准备好的内镜图片加以训练，最后得到可用的模型。这样的方法将每张图片都作为独立的个体，并且由于训练时均会随机打乱顺序抽取，使得每张图片之间处于完全独立的状态。
而在实际操作中，消化道内镜返回的数据是连续的视频信息，视频可以拆成连续的若干帧，每帧之间存在较高的相关性，从而不能作为独立的个体看待，这与目前现有的技术存在一定矛盾。举例来说，内镜在受检者消化道内的运动是连续的，若镜头移动到某个部位时，视野中出现了一个病灶区域，那么在镜头继续移动的若干秒内，由于镜头移动速度不会太快，该病灶区域仍然会存在于接下来的连续的若干帧内。
现有的技术没有太好地考虑到这样的时间域的信息，而是单单从空间域的角度来分析图片从而做出判断，这有可能会导致检测的结果不准确，反应在画面上即为标示出的病灶信息不稳定，与实际情况有一定的出入。
发明内容
针对以上问题，本发明旨在提供一种能够在时间域和空间域共同提取特征的基于深度学习的消化道内镜病变图像检测方法、系统和计算机存储介质。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于深度学习的消化道内镜病变图像检测方法，通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；将全部关键帧输入循环神经网络模型，根据时域信息提取内镜视频的表述特征；根据内镜视频表述特征进行病变分类检测。
可选的，所述卷积神经网络模型包括YOLO、MaskR-CNN、SegNet、Deeplab、U-Net。
可选的，所述循环神经网络模型包括长短期记忆网络LSTM，门控循环单元GRU，双向长短期记忆网络BiLSTM。
可选的，所述病变检测方法的深度学习框架包括TensorFlow，Caffe，PyTorch，Keras。
可选的，通过卷积神经网络模型对消化道内镜视频进行逐帧识别处理，提取每个视频结构单元的关键帧特征，将识别的全部关键帧根据时序信息输入循环神经网络。
可选的，所述卷积神经网络模型包含图片特征提取层、隐状态层和判定输出模块；在单个视频结构单元中，所述输入图像经过所述图片特征提取层提取深度表述特征，进行时序信息关联和处理，经过隐状态层运算，输出中间隐特征；再输入到关键帧检测网络层，得到关键帧检测结果，再将全部关键帧输入循环神经网络模型。
可选的，提取的所述关键帧输入到所述循环卷积神经网络中，进行时间域卷积运算提取整段视频的表述特征。
可选的，根据所述整段视频的所述表述特征送入到病变分类层进行运算，最后输出病变分类检测结果。
一种消化道内镜病变图像检测系统，关键帧提取模块、视频表述模块和病变分类检测模块，其中，关键帧提取模块通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；视频表述模块利用循环神经网络模型将全部关键帧，根据时域信息提取内镜视频的表述特征；病变分类检测模块根据内镜视频表述特征进行分类检测。
一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如上述任一项所述的消化道内镜病变图像检测方法。
本发明一种消化道内镜病变图像检测方法、系统和计算机存储介质，本发明通过在目标检测或图像分割模型上，加入特定的循环神经网络RNN模块，利用卷积神经网络和循环神经网络进行识别和提取并加以整合，实现了在时间域和空间域共同提取特征，能够大幅提高各类医学图像处理的准确率。
附图说明
图1是U-Net网络结构示意图；
图2是LSTM网络结构示意图；
图3是消化道内镜图像息肉分割的效果图。
具体实施方式
以下结合图1-3具体说明本发明提供的一种消化道内镜病变图像检测方法、系统和计算机存储介质。
本发明的基于关键帧提取和层次性表述的消化道内镜病变图像检测方法，采用深度学习模型构建两级特征提取模块来对整段视频进行表征；即，视频关键帧图像的特征提取模块和视频时域特征表述模块，分别负责视频片段关键帧特征分析和整段视频特征表述。其中，视频关键帧图像的特征提取模块由卷积神经网络构成，用来提取不同视频关键帧图像的特征；视频时域特征表述模块由循环神经网络构成，用来对整段视频进行特征表述。在此特征表述基础上完成消化道内镜病变视频识别任务。这种能够在时间域和空间域两个层次共同提取特征进行表述的方法在能够对整段视频进行完整的表征，能够大幅提高各类医学图像处理的准确率。
本发明提供一种基于深度学习的消化道内镜病变图像检测方法，通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；将全部关键帧输入循环神经网络模型，根据时域信息提取内镜视频的表述特征；根据内镜视频表述特征进行病变分类检测。
作为本发明一种可选的实施例，所述卷积神经网络模型包括YOLO、MaskR-CNN、SegNet、Deeplab、U-Net。具体的，以U-Net卷积神经网络模型为例，U-Net是基于全卷积神经网络FCN的变形和改进，利用数据增强，可对一些较少样本的数据进行训练，适用于处理各类医学图像。其网络结构如图1所示。
如图1，U-Net主要分为收缩路径(左侧部分)和扩展路径(右侧部分)。收缩路径主要是用来捕捉图片中的上下文信息，扩展路径是为了对图片中所需要分割出来的部分进行精准定位。同时，收缩路径上提取出来的局部像素特征会在升采样过程中与新的特征图进行结合(中间部分)，这样可以尽可能保留前面降采样过程一些重要的特征信息。
构造两个3×3的卷积层，并且每个卷积层后面采用ReLU激活函数来进行降采样操作。在每两个卷积层后，加一个2×2的最大池化层。如此重复4次，构造出4层的收缩路径。
构造一个3×3的上采样层，数据通过该上采样层后，再将左侧对应层的收缩路径的数据复制并剪切为同样尺寸的数据，并将其与上采样层后输出的数据合并。在合并的数据后接两个3×3的卷积层。如此共重复4次，构造出4层的扩展路径。
在最后接入一个1×1的卷积层，通过该层后，输出的就是分割后的结果。可以很清晰地看到，上述的U-Net网络，是对输入的单张图片进行特征提取，最后得到分割后的结果。
作为本发明另一种可选的实施例，所述循环神经网络模型包括长短期记忆网络LSTM，门控循环单元GRU，双向长短期记忆网络BiLSTM。具体的，以LSTM循环神经网络为例，LSTM是一种门控循环神经网络，门控机制可以用来控制记忆单元中的信息有多少需要保留，有多少需要丢弃；新的状态信息又有多少需要保存到记忆单元中等。LSTM的网络结构如图2所示。
在LSTM中有三个门控单元，分别是输入门、输出门和遗忘门。输入门决定了当前时刻网络的状态有多少信息需要保存到内部状态中，遗忘门决定了过去的状态信息有多少需要丢弃。最后由输出门决定当前时刻的内部状态有多少信息需要输出给外部状态。
从图2可见，一个LSTM单元在每个时间步都会接收三个输入：当前时刻的输入xt,来自上一时刻的内部状态，以及上一时刻的外部状态ct-1。其中xt和ht-1同时作为三个门的输入，σ是Logistic函数。tanh可以当成隐藏层的激活函数，从tanh节点输出的值为
Figure BDA0002848736710000071
指定好序列值，即一次需要处理的视频的帧数。输入序列值张数的视频帧，LSTM网络会提取每帧的时序特征，将其同时应用到模型中。
作为一种可选的实施例，所述病变检测方法的深度学习框架包括TensorFlow，Caffe，PyTorch，Keras。具体的，上述实施例中，都可以通过Keras框架提供的TimeDistributed等函数完成。
作为一种可选的实施例，通过卷积神经网络模型对消化道内镜视频进行逐帧识别处理，提取每个视频结构单元的关键帧特征，将识别的全部关键帧根据时序信息输入循环神经网络。
作为一种可选的实施例，所述卷积神经网络模型包含图片特征提取层、隐状态层和判定输出模块；在单个视频结构单元中，所述输入图像经过所述图片特征提取层提取深度表述特征，进行时序信息关联和处理，经过隐状态层运算，输出中间隐特征；再输入到关键帧检测网络层，得到关键帧检测结果，再将全部关键帧输入循环神经网络模型。
作为一种可选的实施例，提取的所述关键帧输入到所述循环卷积神经网络中，进行时间域卷积运算提取整段视频的表述特征。
作为一种可选的实施例，根据所述整段视频的所述表述特征送入到病变分类层进行运算，最后输出病变分类检测结果。
在搭建好网络后，需要准备数据集。数据集可以选用互联网上公开的数据集，也可以自行制作。自行制作数据集时，需要由专业医师操作，使用消化道内镜设备录制视频。录制后先对视频进行预处理，如裁剪成统一大小，修剪去除前后无关空白图像，按帧截取保存为图片序列等。最后由医师根据专业判断，使用标注软件如Labelme，LabelImg等进行逐帧标注。
使用标注好的数据集和搭建好的模型进行训练。训练时可以调整一系列超参数，如学习率、损失函数、初始权重和批大小等。训练后从保存的模型中挑选效果出最优的一个。
对生成好的模型也可以进行剪裁。如某些分割模型最终输出的分割结果是类别标签，也可以将最后的层剪去，使得模型输出的结果为每个像素点属于某类别的概率值。根据经验可以设定合适的阈值，超过阈值的概率才为有效的概率值。这样的操作能过滤掉较低置信度的结果，进一步提高深度学习模型的应用效果。
在模型确定后，可以将其部署在终端上使用，如服务器、移动设备和边缘设备等。
本发明还提供一种消化道内镜病变图像检测系统，关键帧提取模块、视频表述模块和病变分类检测模块，其中，关键帧提取模块通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；视频表述模块利用循环神经网络模型将全部关键帧，根据时域信息提取内镜视频的表述特征；病变分类检测模块根据内镜视频表述特征进行分类检测。
本发明还一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如上述任一项所述的消化道内镜病变图像检测方法。
本发明一种消化道内镜病变图像检测方法、系统和计算机存储介质，本发明通过在目标检测或图像分割模型上，加入特定的循环神经网络RNN模块，利用卷积神经网络和循环神经网络进行识别和提取并加以整合，实现了在时间域和空间域共同提取特征，能够大幅提高各类医学图像处理的准确率。
值得说明的是，本发明卷积神经网络模型、深度学习框架包括但不限于上述实施方式列出的，能够适用本发明基于深度学习的消化道内镜病变图像检测方法的其他同类型或类似功能的网络模型、学习框架均属于本发明的保护范围。
以上所述仅为本发明的实施方式，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内容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)

1.一种基于深度学习的消化道内镜病变图像检测方法，其特征在于：
通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；
将全部关键帧输入循环神经网络模型，根据时域信息提取内镜视频的表述特征；
根据内镜视频表述特征进行病变分类检测。
2.如权利要求1所述的消化道内镜病变图像检测方法，其特征在于，所述卷积神经网络模型包括YOLO、MaskR-CNN、SegNet、Deeplab、U-Net。
3.如权利要求1所述的消化道内镜病变图像检测方法，其特征在于，所述循环神经网络模型包括长短期记忆网络LSTM，门控循环单元GRU，双向长短期记忆网络BiLSTM。
4.如权利要求1所述的消化道内镜病变图像检测方法，其特征在于，所述病变检测方法的深度学习框架包括TensorFlow，Caffe，PyTorch，Keras。
5.如权利要求1所述的消化道内镜病变图像检测方法，其特征在于，通过卷积神经网络模型对消化道内镜视频进行逐帧识别处理，提取每个视频结构单元的关键帧特征，将识别的全部关键帧根据时序信息输入循环神经网络。
6.根据权利要求5所述的视频行为识别方法，其特征在于，具体的，所述卷积神经网络模型包含图片特征提取层、隐状态层和判定输出模块；在单个视频结构单元中，所述输入图像经过所述图片特征提取层提取深度表述特征，进行时序信息关联和处理，经过隐状态层运算，输出中间隐特征；再输入到关键帧检测网络层，得到关键帧检测结果，再将全部关键帧输入循环神经网络模型。
7.根据权利要求5或6所述的视频行为识别方法，其特征在于，提取的所述关键帧输入到所述循环卷积神经网络中，进行时间域卷积运算提取整段视频的表述特征。
8.根据权利要求7所述的视频行为识别方法，其特征在于，根据所述整段视频的所述表述特征送入到病变分类层进行运算，最后输出病变分类检测结果。
9.一种消化道内镜病变图像检测系统，其特征在于，关键帧提取模块、视频表述模块和病变分类检测模块，其中，关键帧提取模块通过卷积神经网络模型对消化道内镜视频进行处理，提取全部关键帧；视频表述模块利用循环神经网络模型将全部关键帧，根据时域信息提取内镜视频的表述特征；病变分类检测模块根据内镜视频表述特征进行分类检测。
10.一种计算机存储介质，其特征在于，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如权利要求1-8中任一项权利要求所述的消化道内镜病变图像检测方法。
CN202011520422.3A 2020-12-21 2020-12-21 消化道内镜病变图像检测方法、系统和计算机存储介质 Pending CN112529892A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011520422.3A CN112529892A (zh) 2020-12-21 2020-12-21 消化道内镜病变图像检测方法、系统和计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011520422.3A CN112529892A (zh) 2020-12-21 2020-12-21 消化道内镜病变图像检测方法、系统和计算机存储介质

Publications (1)

Publication Number Publication Date
CN112529892A true CN112529892A (zh) 2021-03-19

Family

ID=75002112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011520422.3A Pending CN112529892A (zh) 2020-12-21 2020-12-21 消化道内镜病变图像检测方法、系统和计算机存储介质

Country Status (1)

Country Link
CN (1) CN112529892A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139937A (zh) * 2021-04-13 2021-07-20 上海市第一人民医院 一种基于深度学习的消化道内窥镜视频图像识别方法
CN113177940A (zh) * 2021-05-26 2021-07-27 复旦大学附属中山医院 基于Transformer的胃镜视频部位识别网络结构
CN113344849A (zh) * 2021-04-25 2021-09-03 山东师范大学 一种基于YOLOv5的微乳头检测系统
CN113506610A (zh) * 2021-07-08 2021-10-15 联仁健康医疗大数据科技股份有限公司 标注规范生成方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108784636A (zh) * 2018-06-01 2018-11-13 武汉大学人民医院（湖北省人民医院） 一种基于深度强化学习的人工智能胶囊内镜检查方法及系统
CN110796058A (zh) * 2019-10-23 2020-02-14 深圳龙岗智能视听研究院 一种基于关键帧提取和层次性表述的视频行为识别方法
CN111915573A (zh) * 2020-07-14 2020-11-10 武汉楚精灵医疗科技有限公司 一种基于时序特征学习的消化内镜下病灶跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108784636A (zh) * 2018-06-01 2018-11-13 武汉大学人民医院（湖北省人民医院） 一种基于深度强化学习的人工智能胶囊内镜检查方法及系统
CN110796058A (zh) * 2019-10-23 2020-02-14 深圳龙岗智能视听研究院 一种基于关键帧提取和层次性表述的视频行为识别方法
CN111915573A (zh) * 2020-07-14 2020-11-10 武汉楚精灵医疗科技有限公司 一种基于时序特征学习的消化内镜下病灶跟踪方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139937A (zh) * 2021-04-13 2021-07-20 上海市第一人民医院 一种基于深度学习的消化道内窥镜视频图像识别方法
CN113344849A (zh) * 2021-04-25 2021-09-03 山东师范大学 一种基于YOLOv5的微乳头检测系统
CN113177940A (zh) * 2021-05-26 2021-07-27 复旦大学附属中山医院 基于Transformer的胃镜视频部位识别网络结构
CN113506610A (zh) * 2021-07-08 2021-10-15 联仁健康医疗大数据科技股份有限公司 标注规范生成方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110599448B (zh) 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
Xiao et al. Weighted res-unet for high-quality retina vessel segmentation
Murugesan et al. A hybrid deep learning model for effective segmentation and classification of lung nodules from CT images
Nasr-Esfahani et al. Melanoma detection by analysis of clinical images using convolutional neural network
CN112529892A (zh) 消化道内镜病变图像检测方法、系统和计算机存储介质
Sharif et al. A comprehensive review on multi-organs tumor detection based on machine learning
CN113379693B (zh) 基于视频摘要技术的胶囊内镜关键病灶图像检测方法
Pogorelov et al. Deep learning and hand-crafted feature based approaches for polyp detection in medical videos
CN111915573A (zh) 一种基于时序特征学习的消化内镜下病灶跟踪方法
Luca et al. Impact of quality, type and volume of data used by deep learning models in the analysis of medical images
CN110490860A (zh) 糖尿病视网膜病变识别方法、装置及电子设备
KR20200101540A (ko) 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템
CN108765392B (zh) 一种基于滑动窗口的消化道内镜病变检测和识别方法
CN110246109B (zh) 融合ct影像和个性化信息的分析系统、方法、装置及介质
Mohamed et al. The impact of data processing and ensemble on breast cancer detection using deep learning
JP7499364B2 (ja) マルチスケールに基づく全スライド病理特徴融合抽出方法、システム、電子機器及び記憶媒体
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
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
Singh et al. Designing a retrieval-based diagnostic aid using effective features to classify skin lesion in dermoscopic images
Sornapudi et al. Automated cervical digitized histology whole-slide image analysis toolbox
Liu et al. Weakly-supervised localization and classification of biomarkers in OCT images with integrated reconstruction and attention
Xu et al. Application of artificial intelligence technology in medical imaging
Tashk et al. Automatic segmentation of colorectal polyps based on a novel and innovative convolutional neural network approach
Pavithra et al. An Overview of Convolutional Neural Network Architecture and Its Variants in Medical Diagnostics of Cancer and Covid-19
CN116484916A (zh) 一种鸡只健康状态检测方法及其检测模型的搭建方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210319

RJ01 Rejection of invention patent application after publication