CN112598086A - 基于深度神经网络的常见结肠部疾病分类方法及辅助系统 - Google Patents

基于深度神经网络的常见结肠部疾病分类方法及辅助系统 Download PDF

Info

Publication number
CN112598086A
CN112598086A CN202110237440.9A CN202110237440A CN112598086A CN 112598086 A CN112598086 A CN 112598086A CN 202110237440 A CN202110237440 A CN 202110237440A CN 112598086 A CN112598086 A CN 112598086A
Authority
CN
China
Prior art keywords
neural network
classification
deep neural
model
image
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
CN202110237440.9A
Other languages
English (en)
Inventor
章毅
胡兵
吴雨
刘伟
周尧
庞博
袁湘蕾
甘雨
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202110237440.9A priority Critical patent/CN112598086A/zh
Publication of CN112598086A publication Critical patent/CN112598086A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/25—Fusion 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉的图像识别领域以及人工智能领域，提出一种基于深度神经网络的常见结肠部疾病分类方法及辅助系统，辅助系统包括模型训练模块和辅助诊断模块；方法包括：获得多分类数据集及二分类数据集；基于二分类数据集训练得到正常‑异常深度神经网络分类模型；基于多分类数据集训练得到病变类型深度神经网络分类模型；将两个模型进行融合，得到结肠镜图像的深度神经网络疾病分类模型，在该模型中，测试集中的图像将首先被输入正常‑异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。

Description

基于深度神经网络的常见结肠部疾病分类方法及辅助系统
技术领域
本发明涉及计算机视觉的图像识别领域以及人工智能领域，具体涉及一种基于深度神经网络的常见结肠部疾病分类方法及辅助系统。
背景技术
结肠癌是常见的消化道恶性肿瘤，其发病率高居胃肠肿瘤的第三位。在临床表现上，结肠癌早期通常没有任何症状，直到中晚期才会出现病症。结肠镜检查是发现结肠癌最直观、有效的方式。结肠部位的病变除了恶性肿瘤病变外，还存在炎症、息肉等多种类型，大多数结肠癌正是由息肉演变而成。因此在肠镜检查过程中，及时、准确地发现肠道病变并对其进行正确分类，将对病人的病情评估及后续治疗方案的及时制定产生重要影响。
目前医院中对结肠镜的人工检查方法仍存在很多缺陷，如：病变部位及类型的判断完全取决于医生的操作水平、知识水平和临床经验，主观影响因素较大；同时结肠镜的检查耗时耗力，通常一个病患需要半个小时，复杂的案例需要长达一个小时，长时间的重复工作对医生的操作的耐心、仔细程度都有很高的要求。这些因素都导致了检查过程中漏检率和误检率较高。
近年来随着人工智能技术的飞速发展，其在图像识别领域的技术改进和实际应用上取得了突破性的成功，因此通过深度学习方法来辅助医生对结肠镜中的图像数据进行分析和判断，能有效提高结肠道病变检出率。
发明内容
本发明的目的是提供一种基于深度神经网络的常见结肠部疾病分类方法及辅助系统，该方法能自动对结肠镜图像先进行正常-异常分类，并进一步对异常的图像进行其他病种分类；该方法并集成进智能辅诊系统，旨能帮助医生快速完成结肠图像的诊断并自动生成诊断报告。
本发明解决其技术问题，采用的技术方案是：
本发明首先提出一种基于深度神经网络的常见结肠部疾病分类方法，包括如下步骤：
步骤1.获取结肠镜图像数据，并针对数据样本标注图像中所含病变的名称，若图像中没有病变，则标注为正常；
步骤2.将相同标签的数据样本划分为一个数据集，并将每个数据集划分为训练集、验证集和测试集，其中训练集和验证集分别用于模型训练和保存模型参数，测试集用于验证最终的模型效果；
步骤3.将各类病变的训练集、验证集和测试集分别合并，获得一个多分类数据集；
步骤4.将所述多分类数据集的标签设为异常，将异常和正常的训练集、验证集和测试集分别合并，得到一个二分类数据集；
步骤5.基于所述二分类数据集训练得到一个针对结肠镜图像的正常-异常深度神经网络分类模型；
步骤6.基于所述多分类数据集训练得到一个针对结肠镜图像的病变类型深度神经网络分类模型；
步骤7.将正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型进行融合，得到一个结肠镜图像的深度神经网络疾病分类模型，在所述结肠镜图像的深度神经网络疾病分类模型中，测试集中的图像将首先被输入正常-异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。
进一步的是，所述病变的类型包括癌、息肉和炎症。
进一步的是，步骤2中，按照4:1:1的比例将标签为正常的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为癌的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为息肉的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为炎症的数据进行划分，获得训练集、测试集和验证集。
进一步的是，步骤3具体为：将标签为癌、息肉和炎症的训练集、测试集和测试集分别合并，即不同病变类型的训练集与训练集合并，验证集与验证集合并，测试集与训练集合并，得到一个病变的三分类数据集。
进一步的是，步骤5-步骤6中，所述正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型均为深度卷积神经网络模型。
进一步的是，所述深度卷积神经网络模型包括起始模块、残差块和密集连接块；
所述起始模块，用于使用不同大小的卷积核提取出不同视野下的特征；
所述残差块，使用残差连接，用于将残差块的输入特征直接加到输出特征中；
所述密集连接块，其中各层间采取密集连接机制，即每一层的输入都包含了前面所有层的输出。
进一步的是，训练深度卷积神经网络模型时，设置学习率为0.01，学习迭代次数为150，一个训练批次数量设置为60，每一次迭代训练完成后，深度卷积神经网络模型计算所有输出与其对应标签的总体误差，并采用BP算法将误差反馈至深度卷积神经网络模型各层，各层再根据误差采用梯度下降法调整深度卷积神经网络模型参数。
进一步的是，当深度卷积神经网络模型输入验证集数据时，计算基于验证集的输出与其对应标签的总体误差，如果当前误差小于上一次迭代时的误差，则保存当前的深度卷积神经网络模型。
进一步的是，步骤3-步骤4中，所述数据集中，对正常类别的误差赋予权重0.3，异常类别的各类均赋予权重0.2，最后将所有类别的误差相加得到最终的总体误差，其定义如下：
Figure 98416DEST_PATH_IMAGE001
；
其中，LOSS表示总体误差，
Figure 48179DEST_PATH_IMAGE002
表示正常时的误差，
Figure 359075DEST_PATH_IMAGE003
表示癌症 时的误差，
Figure 285443DEST_PATH_IMAGE004
表示息肉时的误差，
Figure 630973DEST_PATH_IMAGE005
表示炎症时的误差。
另外，本发明还提出一种基于深度神经网络的常见结肠部疾病辅助系统，包括：模型训练模块和辅助诊断模块；
其中，模型训练模块包括：
数据获取模块，用于获取结肠镜图像数据，针对数据样本图像中所含病变的名称进行标注，其中，没有病变的图像被标注为正常，存在病变的图像包含癌、息肉、炎症三种类别；
模型训练模块，用于基于不同分类任务的数据集，训练对应的结肠镜图像分类模型，其中，针对标签为正常、异常的数据集训练正常-异常深度神经网络分类模型，针对标签为癌、息肉和炎症的数据集训练病变类型深度神经网络分类模型；
模型识别模块，用于对需分类的结肠镜图像输入对应的分类模型中获得最终类型判定结果，其中，待分类的结肠镜图像先输入正常-异常深度神经网络分类模型，根据分类结果判断是否需要进行病变分类，若需要，则将图像输入病变类型深度神经网络分类模型，获得最终类型判定结果；
其中，辅诊模块包括：
数据上传模块，用于用户上传待分类诊断的结肠镜图像，被上传的图像将传至系统后台存储并等待分类模型识别分类；
图像分类模块，用于针对从用户处获取到的结肠镜图像进行分类识别，待所有图像均完成分类后，将分类结果输出至下一模块，其中，系统对用户上传至后台的所有图像使用病变类型深度神经网络分类模型进行分类，输出结果包括每张图像对应的类别和置信度，所述置信度为图像属于对应类的概率；
诊断生成模块，用于为用户快速生成结肠诊断报告，其中，系统将根据图像分类结果，自动生成诊断报告模板，模板中包含病人信息、诊断结果和结肠镜图像中各类病变的详细描述以及辅助审核图像；
数据操作模块，用于操作用户已上传至系统的所有图像及后续系统生成的所有数据，包括存储及查询图像、模型诊断结果和生成的诊断报告。
本发明的有益效果是，通过上述基于深度神经网络的常见结肠部疾病分类方法及辅助系统，能够对结肠镜图像中是否出现病变并对病变种类进行细分类（正常，息肉，炎症，癌），并采用了基于深度神经网络训练了多阶段的分类模型，提高了对结肠镜图像所含病症分类的准确率，同时并对分类模型进行封装完成了一套智能辅助针对系统，旨在提升系统用户尤其是医院医生的诊断效率，降低漏检率和误检率。
附图说明
图1为本发明实施例1中基于深度神经网络的常见结肠部疾病分类方法的流程图。
具体实施方式
下面结合附图及实施例，详细描述本发明的技术方案。
实施例1
本实施例为一种基于深度神经网络的常见结肠部疾病分类方法，其流程图见图1，其中，该方法包括如下步骤：
S1.获取结肠镜图像数据，并针对数据样本标注图像中所含病变的名称，若图像中没有病变，则标注为正常；本实例包含的病变类型包括癌、息肉和炎症，若图像中没有病变，则标注为正常。
S2.将相同标签的数据样本划分为一个数据集，并将每个数据集划分为训练集、验证集和测试集，其中训练集和验证集分别用于模型训练和保存模型参数，测试集用于验证最终的模型效果；训练神经网络时，训练集样本量太小会使网络出现过拟合现象而影响模型的训练效果，如果验证集和测试集的样本量太小则难以评估模型的识别效果，因此划分数据集时要尽量使训练集拥有足够多的样本而又不与验证集和测试集失衡。本实例中将标签为正常、癌、息肉和炎症的数据各自按其总量的4:1:1进行划分，获得各自的训练集、测试集和验证集。即按照4:1:1的比例将标签为正常的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为癌的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为息肉的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为炎症的数据进行划分，获得训练集、测试集和验证集。
S3.将各类病变的训练集、验证集和测试集分别合并，获得一个多分类数据集；本实例中将标签为癌、息肉和炎症的训练集、测试集和测试集分别合并，即不同病变类型的训练集与训练集合并，验证集与验证集合并，测试集同理，得到一个病变三分类数据集。
S4.将所述多分类数据集的标签设为异常，将异常和正常的训练集、验证集和测试集分别合并，得到一个二分类数据集；即将所得的三分类数据集内所有数据的标签设为异常，并与标签为正常的训练集、验证集、测试集分别合并，得到一个正常-异常二分类数据集。
S5.基于所述二分类数据集训练得到一个针对结肠镜图像的正常-异常深度神经网络分类模型；
S6.基于所述多分类数据集训练得到一个针对结肠镜图像的病变类型深度神经网络分类模型；
S7.将正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型进行融合，得到一个结肠镜图像的深度神经网络疾病分类模型，在所述结肠镜图像的深度神经网络疾病分类模型中，测试集中的图像将首先被输入正常-异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。
本实施例的各分类模型是基于深度神经网络中的深度卷积神经网络（DeepConvolutional Neural Network, DCNN）设计和训练的。DCNNs是层级网络结构，其使用一系列卷积层、池化层和激活层操作提取结肠道图像中有用的特征信息，将低维的图像特征转换为高维特征后，使用高维特征判断图像中是否含有病变和判断病变类型。本实例使用了三大主流卷积神经网络模块——起始模块（Inception Module），残差块（ResidualBlock）和密集连接块（Dense Block）进行网络构建。起始模块使用不同大小的卷积核提取出不同视野下的特征，这种方式能提到多种尺度下的特征，增强了网络对尺度的适应性，同时拓宽了网络宽度，增加了网络内部的资源利用率。残差块使用残差连接，将残差块的输入特征直接加到输出特征中，解决了传统卷积神经网络中存在的梯度消失现象，同时使得网络的优化更为简便。密集连接块中各层间采取密集连接机制，即每一层的输入都包含了前面所有层的输出，实现了特征重用，一定程度避免前层提取到的特征经过后层操作后丢失以至于无法后传，从而提升网络学习效率。本发明采用集成学习机制将这三种网络结构融合。
在本实例中，使用三个起始模块、残差块和密集连接块结构，将位于同一层的各结构提取到的特征进行融合后输入到下一层中，这种结构加强了网络的特征提取和学习能力，能在结肠镜图像上获得较好的分类效果。
需要指出的是，本实施例中，训练深度神经网络时，设置学习率为0.01，学习迭代次数为150，一个训练批次数量设置为60。每一次迭代训练完成后，网络计算所有输出与其对应标签的总体误差，并采用BP算法将误差反馈至网络各层，各层再根据误差采用梯度下降法调整网络参数；模型还将输入验证集数据，并计算基于验证集的输出与其对应标签的总体误差，如果当前误差小于上一次迭代时的误差，则保存当前的网络模型。
本实例使用的数据集中，正常图像与癌、息肉、炎症图像的数量有一定差距，存在数据不平衡的问题。为此本实例采用损失加重（loss weigted）方法，为不同类型的数据分配不同权重的方法来解决该问题。数据集中正常的图像较多，各病变类型的数量较少，因此对正常类别的误差赋予权重0.3，其余各类赋予权重0.2，最后将所有类别的误差相加得到最终的总体误差，其定义如下：
Figure 984594DEST_PATH_IMAGE001
其中，LOSS表示总体误差，
Figure 48365DEST_PATH_IMAGE002
表示正常时的误差，
Figure 778424DEST_PATH_IMAGE003
表示癌症 时的误差，
Figure 479926DEST_PATH_IMAGE006
表示息肉时的误差，
Figure 4448DEST_PATH_IMAGE005
表示炎症时的误差。
最终，本实施例将两个分类模型融合，得到一个结肠镜图像疾病分类模型。在该模型中，测试集中的图像将首先被输入正常-异常分类模型中，被判定为正常的图像将直接输出判定结果；被判定为异常的图像将被输入到病变类型分类模型中，进一步确定病变类型后将判定结果输出，即被正常-异常分类模型判定为异常的图像数据，将被输至病变类型分类模型中进一步判断其属于癌、息肉、炎症中的哪一类别。
实施例2
本实施例在实施例1的基础上，提出一种基于深度神经网络的常见结肠部疾病辅助系统，本系统分为两个主模块：模型训练模块和辅助诊断模块。其中模型训练模块包括：
(1)数据获取模块，用于获取结肠镜图像数据，针对数据样本图像中所含病变的名称进行标注；在本实例中，没有病变的图像被标注为正常，存在病变的图像包含癌、息肉、炎症三种类别。
(2)模型训练模块， 用于基于不同分类任务的数据集，训练对应的结肠镜图像分类模型；在本实例中针对标签为正常、异常的数据集训练正常-异常分类模型，针对标签为癌、息肉和炎症的数据集训练病变类型分类模型。
(3)模型识别模块，用于对需分类的结肠镜图像输入对应的分类模型中获得最终类型判定结果；在本实例中，待分类的结肠镜图像先输入正常-异常分类模型，根据分类结果判断是否需要进行病变分类，若需要，则将图像输入病变类型分类模型，获得最终类型判定结果。
辅诊模块包括：
(1)数据上传模块，用于用户上传待分类诊断的结肠镜图像。被上传的图像将传至系统后台存储并等待分类模型识别分类。
(2)图像分类模块，用于针对从用户处获取到的结肠镜图像进行分类识别，待所有图像均完成分类后，将分类结果输出至下一模块；在本实例中，系统对用户上传至后台的所有图像使用结肠镜图像疾病分类模型进行分类，输出结果包括每张图像对应的类别（正常、癌、息肉和炎症中的一种）和置信度（模型判断该图像属于该类的概率）。
(3)诊断生成模块，用于为用户快速生成结肠诊断报告。本实例中系统将根据图像分类结果，自动生成诊断报告模板，模板中包含病人信息、诊断结果、结肠镜图像中各类病变的详细描述以及辅助审核图像；用户可自行挑选图像放入诊断报告中作为辅助审核图像以作为报告的诊断依据；用户可通过自动筛选和手动筛选两种模式挑选图像；在自动模式下，系统将分类展示被模型判断为该类型且置信度最高的10张图像供用户挑选；在手动模式下，系统将展示所有被诊断的图像供用户挑选。
(4)数据操作模块，用于操作用户已上传至系统的所有图像及后续系统生成的所有数据，包括存储及查询图像、模型诊断结果和生成的诊断报告。即系统将存储用户上传的所有结肠镜图像、经由模型分类的结果和置信度、由此进一步生成的诊断报告模板，用户可根据自身需要在系统里对这些数据进行查询或修改。

Claims (10)

1.基于深度神经网络的常见结肠部疾病分类方法，其特征在于，包括如下步骤：
步骤1.获取结肠镜图像数据，并针对数据样本标注图像中所含病变的名称，若图像中没有病变，则标注为正常；
步骤2.将相同标签的数据样本划分为一个数据集，并将每个数据集划分为训练集、验证集和测试集，其中训练集和验证集分别用于模型训练和保存模型参数，测试集用于验证最终的模型效果；
步骤3.将各类病变的训练集、验证集和测试集分别合并，获得一个多分类数据集；
步骤4.将所述多分类数据集的标签设为异常，将异常和正常的训练集、验证集和测试集分别合并，得到一个二分类数据集；
步骤5.基于所述二分类数据集训练得到一个针对结肠镜图像的正常-异常深度神经网络分类模型；
步骤6.基于所述多分类数据集训练得到一个针对结肠镜图像的病变类型深度神经网络分类模型；
步骤7.将正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型进行融合，得到一个结肠镜图像的深度神经网络疾病分类模型，在所述结肠镜图像的深度神经网络疾病分类模型中，测试集中的图像将首先被输入正常-异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。
2.根据权利要求1所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，所述病变的类型包括癌、息肉和炎症。
3.根据权利要求2所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤2中，按照4:1:1的比例将标签为正常的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为癌的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为息肉的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为炎症的数据进行划分，获得训练集、测试集和验证集。
4.根据权利要求3所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤3具体为：将标签为癌、息肉和炎症的训练集、测试集和测试集分别合并，即不同病变类型的训练集与训练集合并，验证集与验证集合并，测试集与训练集合并，得到一个病变的三分类数据集。
5.根据权利要求1所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤5-步骤6中，所述正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型均为深度卷积神经网络模型。
6.根据权利要求5所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，所述深度卷积神经网络模型包括起始模块、残差块和密集连接块；
所述起始模块，用于使用不同大小的卷积核提取出不同视野下的特征；
所述残差块，使用残差连接，用于将残差块的输入特征直接加到输出特征中；
所述密集连接块，其中各层间采取密集连接机制，即每一层的输入都包含了前面所有层的输出。
7.根据权利要求5所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，训练深度卷积神经网络模型时，设置学习率为0.01，学习迭代次数为150，一个训练批次数量设置为60，每一次迭代训练完成后，深度卷积神经网络模型计算所有输出与其对应标签的总体误差，并采用BP算法将误差反馈至深度卷积神经网络模型各层，各层再根据误差采用梯度下降法调整深度卷积神经网络模型参数。
8.根据权利要求7所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，当深度卷积神经网络模型输入验证集数据时，计算基于验证集的输出与其对应标签的总体误差，如果当前误差小于上一次迭代时的误差，则保存当前的深度卷积神经网络模型。
9.根据权利要求1所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤3-步骤4中，所述数据集中，对正常类别的误差赋予权重0.3，异常类别的各类均赋予权重0.2，最后将所有类别的误差相加得到最终的总体误差，其定义如下：
Figure 983341DEST_PATH_IMAGE001
；
其中，LOSS表示总体误差，
Figure 251511DEST_PATH_IMAGE002
表示正常时的误差，
Figure 837213DEST_PATH_IMAGE003
表示癌症时的 误差，
Figure 798216DEST_PATH_IMAGE004
表示息肉时的误差，
Figure 571000DEST_PATH_IMAGE005
表示炎症时的误差。
10.基于深度神经网络的常见结肠部疾病辅助系统，其特征在于，包括：
模型训练模块和辅助诊断模块；
其中，模型训练模块包括：
数据获取模块，用于获取结肠镜图像数据，针对数据样本图像中所含病变的名称进行标注，其中，没有病变的图像被标注为正常，存在病变的图像包含癌、息肉、炎症三种类别；
模型训练模块，用于基于不同分类任务的数据集，训练对应的结肠镜图像分类模型，其中，针对标签为正常、异常的数据集训练正常-异常深度神经网络分类模型，针对标签为癌、息肉和炎症的数据集训练病变类型深度神经网络分类模型；
模型识别模块，用于对需分类的结肠镜图像输入对应的分类模型中获得最终类型判定结果，其中，待分类的结肠镜图像先输入正常-异常深度神经网络分类模型，根据分类结果判断是否需要进行病变分类，若需要，则将图像输入病变类型深度神经网络分类模型，获得最终类型判定结果；
其中，辅诊模块包括：
数据上传模块，用于用户上传待分类诊断的结肠镜图像，被上传的图像将传至系统后台存储并等待分类模型识别分类；
图像分类模块，用于针对从用户处获取到的结肠镜图像进行分类识别，待所有图像均完成分类后，将分类结果输出至下一模块，其中，系统对用户上传至后台的所有图像使用病变类型深度神经网络分类模型进行分类，输出结果包括每张图像对应的类别和置信度，所述置信度为图像属于对应类的概率；
诊断生成模块，用于为用户快速生成结肠诊断报告，其中，系统将根据图像分类结果，自动生成诊断报告模板，模板中包含病人信息、诊断结果和结肠镜图像中各类病变的详细描述以及辅助审核图像；
数据操作模块，用于操作用户已上传至系统的所有图像及后续系统生成的所有数据，包括存储及查询图像、模型诊断结果和生成的诊断报告。
CN202110237440.9A 2021-03-04 2021-03-04 基于深度神经网络的常见结肠部疾病分类方法及辅助系统 Pending CN112598086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110237440.9A CN112598086A (zh) 2021-03-04 2021-03-04 基于深度神经网络的常见结肠部疾病分类方法及辅助系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110237440.9A CN112598086A (zh) 2021-03-04 2021-03-04 基于深度神经网络的常见结肠部疾病分类方法及辅助系统

Publications (1)

Publication Number Publication Date
CN112598086A true CN112598086A (zh) 2021-04-02

Family

ID=75210314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110237440.9A Pending CN112598086A (zh) 2021-03-04 2021-03-04 基于深度神经网络的常见结肠部疾病分类方法及辅助系统

Country Status (1)

Country Link
CN (1) CN112598086A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222932A (zh) * 2021-05-12 2021-08-06 上海理工大学 基于多卷积神经网络集成学习的小肠内镜图片特征提取方法
CN115620899A (zh) * 2022-12-01 2023-01-17 首都医科大学附属北京朝阳医院 基于多视野的3d卷积神经网络集成模型肺结节诊断系统
CN115731189A (zh) * 2022-11-22 2023-03-03 河北师范大学 肠镜图像病变识别方法、装置、电子设备及存储介质
CN117058467A (zh) * 2023-10-10 2023-11-14 湖北大学 一种胃肠道病变类型识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060062451A1 (en) * 2001-12-08 2006-03-23 Microsoft Corporation Method for boosting the performance of machine-learning classifiers
CN108154505A (zh) * 2017-12-26 2018-06-12 四川大学 基于深度神经网络的糖尿病视网膜病变检测方法及装置
CN108323158A (zh) * 2018-01-18 2018-07-24 深圳前海达闼云端智能科技有限公司 心音的识别方法及云系统
CN109859836A (zh) * 2019-01-15 2019-06-07 上海鹰瞳医疗科技有限公司 医疗图像识别方法和设备
CN110188613A (zh) * 2019-04-28 2019-08-30 上海鹰瞳医疗科技有限公司 图像分类方法及设备
CN110689958A (zh) * 2019-09-09 2020-01-14 杭州憶盛医疗科技有限公司 一种基于人工智能技术的癌症病理辅助诊断方法
CN111368909A (zh) * 2020-03-03 2020-07-03 温州大学 一种基于卷积神经网络深度特征的车标识别方法
CN111839428A (zh) * 2019-04-25 2020-10-30 天津御锦人工智能医疗科技有限公司 一种基于深度学习提高结肠镜腺瘤性息肉检出率的方法
CN111916186A (zh) * 2020-08-17 2020-11-10 北京赛迈特锐医疗科技有限公司 序贯型ai诊断模型对胸部x线智能诊断系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060062451A1 (en) * 2001-12-08 2006-03-23 Microsoft Corporation Method for boosting the performance of machine-learning classifiers
CN108154505A (zh) * 2017-12-26 2018-06-12 四川大学 基于深度神经网络的糖尿病视网膜病变检测方法及装置
CN108323158A (zh) * 2018-01-18 2018-07-24 深圳前海达闼云端智能科技有限公司 心音的识别方法及云系统
CN109859836A (zh) * 2019-01-15 2019-06-07 上海鹰瞳医疗科技有限公司 医疗图像识别方法和设备
CN111839428A (zh) * 2019-04-25 2020-10-30 天津御锦人工智能医疗科技有限公司 一种基于深度学习提高结肠镜腺瘤性息肉检出率的方法
CN110188613A (zh) * 2019-04-28 2019-08-30 上海鹰瞳医疗科技有限公司 图像分类方法及设备
CN110689958A (zh) * 2019-09-09 2020-01-14 杭州憶盛医疗科技有限公司 一种基于人工智能技术的癌症病理辅助诊断方法
CN111368909A (zh) * 2020-03-03 2020-07-03 温州大学 一种基于卷积神经网络深度特征的车标识别方法
CN111916186A (zh) * 2020-08-17 2020-11-10 北京赛迈特锐医疗科技有限公司 序贯型ai诊断模型对胸部x线智能诊断系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Q AL-SHAYEA ET AL: "Artificial Neural Networks in Medical Diagnosis", 《FEBRUARY 2011INTERNATIONAL JOURNAL OF COMPUTER SCIENCE ISSUES》 *
胡兵等: "猕猴全结肠内镜检查方法与观察", 《中国比较医学杂志》 *
韩伟: "深度学习技术在消化系统疾病诊疗中的应用", 《胃肠病学和肝病学杂志》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222932A (zh) * 2021-05-12 2021-08-06 上海理工大学 基于多卷积神经网络集成学习的小肠内镜图片特征提取方法
CN115731189A (zh) * 2022-11-22 2023-03-03 河北师范大学 肠镜图像病变识别方法、装置、电子设备及存储介质
CN115731189B (zh) * 2022-11-22 2023-06-23 河北师范大学 肠镜图像病变识别方法、装置、电子设备及存储介质
CN115620899A (zh) * 2022-12-01 2023-01-17 首都医科大学附属北京朝阳医院 基于多视野的3d卷积神经网络集成模型肺结节诊断系统
CN115620899B (zh) * 2022-12-01 2023-04-07 首都医科大学附属北京朝阳医院 基于多视野的3d卷积神经网络集成模型肺结节诊断系统
CN117058467A (zh) * 2023-10-10 2023-11-14 湖北大学 一种胃肠道病变类型识别方法及系统
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

Similar Documents

Publication Publication Date Title
Ozdemir et al. A 3D probabilistic deep learning system for detection and diagnosis of lung cancer using low-dose CT scans
Aggarwal et al. COVID-19 image classification using deep learning: Advances, challenges and opportunities
Senousy et al. MCUa: Multi-level context and uncertainty aware dynamic deep ensemble for breast cancer histology image classification
CN112598086A (zh) 基于深度神经网络的常见结肠部疾病分类方法及辅助系统
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
Luo et al. Retinal image classification by self-supervised fuzzy clustering network
Song et al. Using HOG-LBP features and MMP learning to recognize imaging signs of lung lesions
Mahapatra et al. Active learning based segmentation of Crohns disease from abdominal MRI
CN111553892A (zh) 基于深度学习的肺结节分割计算方法、装置及系统
Chen et al. Alzheimer's disease diagnosis with brain structural mri using multiview-slice attention and 3D convolution neural network
Xu et al. Pulmonary textures classification via a multi-scale attention network
CN115715416A (zh) 基于机器学习的医学数据检查器
Tian et al. Radiomics and its clinical application: artificial intelligence and medical big data
Sari et al. Best performance comparative analysis of architecture deep learning on ct images for lung nodules classification
CN112861881A (zh) 一种基于改进MobileNet模型的蜂窝肺识别方法
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
CN114649092A (zh) 基于半监督学习和多尺度特征融合的辅助诊断方法及装置
Elbouknify et al. CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis
Nalla et al. Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems
CN112086174A (zh) 一种三维知识诊断模型构建方法和系统
Sangeetha et al. A Novel Method to Detect Lung Cancer using Deep Learning
Vinta et al. Segmentation and Classification of Interstitial Lung Diseases Based on Hybrid Deep Learning Network Model
CN116912212B (zh) 基于yolo-csc模型的肺结节ct图像分析方法
He et al. Intestinal polyp recognition based on salient codebook locality-constrained linear coding with annular spatial pyramid matching
Batra et al. A brief overview on deep learning methods for lung cancer detection using medical imaging

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402