CN112884702A - 一种基于内窥镜图像的息肉识别系统和方法 - Google Patents

Abstract

本申请适用于图像处理技术领域，提供了一种基于内窥镜图像的息肉识别系统和方法，该息肉识别系统中，内窥镜图像输入模块获取待识别的内窥镜图像，并将内窥镜图像输入至残差网络模块；残差网络模块从内窥镜图像中提取残差网络特征图像；特征金字塔模块根据残差网络特征图像，形成金字塔特征图像；特征迁移模块将金字塔特征图像分别连接至区域检测模块和息肉分割模块；区域检测模块根据金字塔特征图像确定息肉区域边框；息肉分割模块根据金字塔特征图像确定息肉分割掩膜；识别结果输出模块根据息肉分割掩膜和息肉区域边框获取内窥镜图像对应的息肉识别结果。通过该息肉识别系统，可以提高息肉识别的准确性。

Description

一种基于内窥镜图像的息肉识别系统和方法

技术领域

本申请属于图像处理技术领域，尤其涉及一种基于内窥镜图像的息肉识别系统和方法。

背景技术

在结肠镜/无线胶囊内窥镜检查过程中，精准识别内窥镜图像中的息肉类病变对于早期大肠癌的筛查和治疗至关重要。目前主要采用的人工识别方法对医生的专业知识和经验有较高要求，加之长时间读图会引起医生的视觉疲劳，因此对病变的漏检或误检难以避免。研究人员通过开发自动识别算法模型，有望获得更高的诊断准确率，从而使计算机辅助诊断成为可能和趋势。

不过，现有自动识别算法多基于浅层卷积神经网络学习或者人工特征图像提取，其在表征图像特征图像的能力方面受到限制。由于肠道粘膜表面形态复杂多变，且息肉与粘膜的特征图像差异较小，这使得现有算法模型难以实现较为精准的息肉筛查。

发明内容

本申请实施例提供了一种基于内窥镜图像的息肉识别系统和方法，可以解决解决现有的检测模型中神经网络学习能力较弱，识别准确性较低的问题。

第一方面，本申请实施例提供了一种基于内窥镜图像的息肉识别系统，所述息肉识别系统包括：

内窥镜图像输入模块、残差网络模块、特征金字塔模块、特征迁移模块、区域检测模块、息肉分割模块和识别结果输出模块，其中：

所述内窥镜图像输入模块，用于获取待识别的内窥镜图像，并将所述内窥镜图像输入至所述残差网络模块；

所述残差网络模块，用于从所述内窥镜图像中提取残差网络特征图像；

所述特征金字塔模块，用于根据所述残差网络特征图像，形成金字塔特征图像；

所述特征迁移模块，用于将所述金字塔特征图像分别连接至所述区域检测模块和所述息肉分割模块；

所述区域检测模块，用于根据所述金字塔特征图像确定所述内窥镜图像中的息肉区域边框；

所述息肉分割模块，用于根据所述金字塔特征图像和所述息肉区域边框确定所述内窥镜图像中的息肉分割掩膜；

所述识别结果输出模块，用于根据所述息肉分割掩膜和所述息肉区域边框获取所述内窥镜图像对应的息肉识别结果。

第二方面，本申请实施例提供了一种基于内窥镜图像的息肉识别方法，包括：

输入待识别的内窥镜图像；

从所述内窥镜图像中提取残差网络特征图像；

根据所述残差网络特征图像，生成金字塔特征图像；

根据所述金字塔特征图像，生成特征网络；

根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜；

根据所述息肉边框区域和所述息肉分割掩膜，从所述内窥镜图像中识别息肉。

第三方面，本申请实施例提供了一种基于内窥镜图像的息肉识别装置，包括：

图像输入模块，用于输入待识别的内窥镜图像；

残差网络特征图像提取模块，用于从所述内窥镜图像中提取残差网络特征图像；

金字塔特征图像生成模块，用于根据所述残差网络特征图像，生成金字塔特征图像；

特征网络生成模块，用于根据所述金字塔特征图像，生成特征网络；

确定模块，用于根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜；

识别模块，用于根据所述息肉边框区域和所述息肉分割掩膜，从所述内窥镜图像中识别息肉。

第四方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第二方面所述的方法。

第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第二方面所述的方法。

第六方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第二方面中所述的方法。

本申请实施例与现有技术相比存在的有益效果是：在本申请中，采用内窥镜图像输入模块获取待识别的内窥镜图像；然后利用残差网络模块将提取内窥镜图像对应的各级残差网络特征；各级残差网络特征通过特征金字塔模块，组合并形成多尺度、多空间分辨率的各级金字塔特征；特征迁移模块使各级金字塔特征在多任务学习过程中共享和传递；区域检测模块根据各级金字塔特征预测输入图像中的息肉边框区域；息肉分割模块根据各级金字塔特征预测输入图像中的息肉分割掩膜；根据分割掩膜获取内窥镜图像对应的息肉识别结果。在本申请实施例中，基于残差网络，解决了现有的检测模型中神经网络学习能力较弱，识别准确性较低的问题；特征迁移模块能够实现图像特征在不同阶段任务中的传递和共享，从而提升算法模型的学习效率和识别能力。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例一提供的一种基于内窥镜图像的息肉识别系统的示意图；

图2是本申请实施例一提供的一种基于内窥镜图像的息肉识别系统中各模块内部的预设结构示意图；

图3是本申请实施例一提供的一种基于内窥镜图像的息肉识别系统中息肉分割模块连接特征迁移模块所包括的预设神经网路连接方式示意图；

图4是本申请实施例二提供的一种基于内窥镜图像的息肉识别方法的流程示意图；

图5是本申请实施例三提供的一种基于内窥镜图像的息肉识别装置的结构示意图；

图6是本申请实施例四提供的这一种终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征图像、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征图像、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征图像、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

图1是本申请实施例一提供的一种基于内窥镜图像的息肉识别系统的示意图，如图1所示，所述息肉识别系统包括像输入模块、残差网络模块、特征金字塔模块、特征迁移模块、区域检测模块、息肉分割模块和识别结果输出模块。

上述内窥镜图像输入模块，用于获取待识别的内窥镜图像，并将内窥镜图像依次输入至残差网络模块。

上述残差网络模块，用于采用残差网络从内窥镜图像中提取出残差网络特征。残差网络模块可以在内窥镜图像中获取多层，特别是高层的，具有高区分度的有效图像特征，同时残差网络结构的引入解决了由较深网络结构引起的学习退化问题。

上述特征金字塔模块，用于在残差网络特征图像中提取不同空间分辨率的金字塔特征，从而在多种特征尺度下识别不同大小和形态的息肉。

上述特征迁移模块，用于将金字塔特征分别连接至区域检测模块和息肉分割模块，实现图像特征在不同阶段任务中的传递和共享，从而提升算法模型的学习效率和识别能力。

上述区域检测模块，用于区域级的息肉检测，即在内窥镜图像中寻找具有高置信度的息肉位置框，另一方面，在区域级检测中获得的有效特征信息用于指导像素级分割任务的学习。

上述息肉分割模块，用于准确地划分息肉在图像中占据的区域边界，并生成像素级的息肉分割掩膜。

上述识别结果输出模块，用于根据息肉分割掩膜和位置框获取内窥镜图像对应的息肉识别结果。

在一种可能的实现方式中，上述区域检测模块可以包括区域提议单元(RegionProposalNetwork，RPN)，兴趣区域单元(RegionofInterest，RoI)和全连接单元(fc)；上述区域提议单元，用于将任意大小的特征图像作为输入，并输出一组矩形提议区域；上述兴趣区域单元，用于将提议区域内任意大小的特征下采样为具有固定大小的兴趣区域；上述全连接单元内设置有全连接层(fullyconnectedlayer，fclayer)，用于将的兴趣区域转换为特征向量，然后将其输入网络进行分类回归；

在一种可能的实现方式中，上述息肉分割模块内设置有全卷积网络(FullyConvolutionalNeuralNetwork，FCN)，用于将所有全连接层转换为卷积层来保留像素到像素的空间对应关系，从而实现像素级的推理预测。

图2是本申请实施例一提供的一种基于内窥镜图像的息肉识别系统中各模块内部的预设结构示意图；其中，图2中的(a)为如残差网络模块、图2中的 (b)为特征金字塔模块、图2中的(c)为区域检测模块、图2中的(d)为息肉分割模块。

如图2中的(a)所示，残差网络模块中设置有残差单元，残差单元可以包括多个残差块，残差块用于提取输入的内窥镜图像中各个卷积单元对应的各级残差网络特征。图2中的(a)中，残差网络模块设置有四个残差单元，即{Res2， Res3，Res4，Res5}，每个残差单元由多个残差块构成，即{Res2_(a-c)，Res3_ (a-d)，Res4_(a-f)，Res5_(a-c)}。此外，在残差网络模块前端设置一个卷积单元，卷积单元可以包括依次连接的卷积核大小为7×7卷积层(conv1) 和步长为3的最大池化层(pool)。各单元{conv1，Res2，Res3，Res4，Res5} 输出的特征图像尺度比例分别为输入的内窥镜图像的{1/2、1/4、1/8、1/16、 1/32}。

各残差单元内部最后一个残差块，即{Res2_(c)，Res3_(d)，Res4_(f)， Res5_(c)}的输出特征可以连接到特征金字塔模块进行多尺度特征学习和预测。

如图2中的(b)所示，特征金字塔模块中包括依次连接的特征金字塔单元，特征金字塔单元用于连接各级残差网络特征，形成多尺度、多空间分辨率的各级金字塔特征。如图，根据残差单元的数量，特征金字塔模块可以包括四个特征金字塔单元，采用由高层到低层和横向连接的方式依次连接至各残差单元内部最后一个残差块，横向连接用于结合由低层到高层的残差单元和由高层到低层的具有相同空间大小的特征图像。具体地，特征金字塔单元使用2倍上采样来增加由高层到低层路径中的特征图像空间分辨率；并使用卷积核大小为1×1 卷积层来减小对应残差单元的通道数量d，例如固定通道数量d＝256；最后应用逐元素加法合并来自两个路径的特征图像。各特征金字塔单元的特征输出集称为{P2，P3，P4，P5}，其通过特征迁移模块可以分别连接至区域检测模块和息肉分割模块，用于识别不同大小尺度的息肉对象。

应理解，各特征金字塔单元的输出{P2，P3，P4，P5}，其特征图像的尺度比例分别为输入图像尺寸的{1/4，1/8，1/16，1/32}，对应于残差单元{Res2， Res3，Res4，Res5}的输出尺度。

特征迁移模块，用于将金字塔特征分别连接至区域检测模块和息肉分割模块，使特征金字塔单元的特征输出{P2，P3，P4，P5}在模块任务间传递和共享，形成迁移特征，从而提升算法模型的学习效率和识别能力。

如图2中的(c)所示，区域检测模块中设置有区域提议单元(RegionProposalNetwork，RPN)，兴趣区域单元(RegionofInterest，RoI)和全连接单元(fc)，用于预测输入图像中的息肉区域边框。区域提议单元，用于将任意大小的特征图像作为输入，并输出一组矩形提议区域；兴趣区域单元，用于将提议区域内任意大小的特征下采样为具有固定大小的兴趣区域；全连接单元内设置有全连接层(fullyconnectedlayer，fclayer)，用于将的兴趣区域转换为特征向量，实现分类与回归。示例的，区域检测模块中设置有四个区域提议单元，区域提议单元的输入经由特征迁移模块分别连接至特征金字塔单元的特征输出{P2，P3，P4，P5}。区域提议单元的输出经由兴趣区域单元，下采样为固定尺度为7×7的特征图像。兴趣区域单元生成的特征图像输入至全连接单元，全连接单元可以包括两层全连接层，全连接层的通道数量均固定为d＝1024。最后对全连接单元的输出执行分类和边界框回归，获得息肉区域边框检测结果。

如图2中的(d)所示，息肉分割模块中设置有全卷积单元(FullyConvolutionalNeuralNetwork，FCN)和得分图单元(ScoreMap)，用于预测输入图像中的息肉分割掩膜。全卷积单元，用于将任意大小的特征图像作为输入，并执行像素级的推理预测。得分图单元，用于融合全卷积单元的多尺度预测得分，从而细化分割掩膜的空间精度。示例的，区域检测模块中设置有四个全卷积单元，全卷积单元的输入经由特征迁移模块分别连接至特征金字塔单元的特征输出{P2，P3，P4，P5}。全卷积单元的输出为通道数量d＝2的得分图，经由得分图单元获得息肉分割掩膜。

在本实施例中，区域检测模块和息肉分割模块的构建均基于相同的网络主干结构，因此在区域级检测中获得的有效特征信息可以通过特征迁移模块指导像素级分割任务的学习和预测。

图3是本申请实施例一提供的一种基于内窥镜图像的息肉识别系统中息肉分割模块连接特征迁移模块所包括的预设神经网路连接方式示意图。图中构建了四个全卷积单元路径，经由特征迁移模块分别连接至特征金字塔单元的特征输出{P2，P3，P4，P5}。各全卷积路径可以包括依次连接的三个卷积层，其参数分别为，卷积核大小为7×7，通道数量d＝4096的卷积层；卷积核大小为1 ×1，通道数量d＝4096的卷积层；卷积核大小为1×1，通道数量d＝2的卷积层。连接至P5路径的得分图经过三个2×上采样和一个4×上采样到达分割概率得分图；连接至P4路径的得分图经过两个2×上采样和一个4×上采样到达分割概率得分图；以此类推，从而保证分割概率得分图与输入内窥镜图像具有相同的空间尺度。对各路径的得分图执行逐元素相加，可以获得融合的分割概率得分图，进而生成的息肉分割掩膜。

识别结果输出模块，用于根据息肉分割掩膜和区域边框获取输入内窥镜图像对应的息肉识别结果。

示例地，可以选择概率得分大于0.98的预测息肉区域边框，将区域边框内部的像素值设置为1，将区域边框外部的像素值设置为0，形成区域遮罩。对区域遮罩与息肉分割掩膜执行逐元素相乘，最终获得息肉识别系统的息肉识别结果。

在本实施例中，通过构建残差网络模块和特征金字塔模块，使模型具有更深的卷积网络结构和更广的特征尺度，从而增强模型的学习能力，提高识别准确性；通过设计两阶段学习策略，即先添加一区域检测模块进行区域级的息肉检测，进而建立息肉分割模块生成图像掩膜，最终实现像素级的精确分割；通过特征迁移模块，定义一种特征共享策略以在学习过程中传递语义信息，同时丰富特征尺度，实现有效的多尺度综合预测。

图4是本申请实施例二提供的一种基于内窥镜图像的息肉识别方法的流程示意图，如图4所示，所述方法包括：

S401，输入待识别的内窥镜图像；

本实施例的执行主体为终端设备。上述内窥镜图像可以为由内窥镜拍摄的肠道图像。

在进行息肉识别时，首先输入待识别的内窥镜图像。

S402，从所述内窥镜图像中提取残差网络特征图像；

具体地，采用残差网络从内窥镜图像中提取残差网络特征图像。残差网络中可以包括多个残差单元，每个残差单元可以包括多个残差块，使用残差块能够很好地解决深度神经网络的退化问题，即随着网络越来越深，所产生的梯度弥散问题使得训练越来越难，效果反而不如相对较浅的网络。残差结构解决了这一问题，配备有残差块的网络结构越深，训练效果越好。残差网络可以避免当神经网络的深度越大时产生学习退化。

在提取残差网络特征之前，可以对内窥镜图像进行一次卷积处理，生成低层特征图像；然后采用预设的不同层级的多个残差单元对低层特征图像进行处理，以生成多个高层特征图像，每个残差单元中均包含多次卷积运算，低层特征图像依次经过预设的多个残差单元，各个残差单元依次输出一个更高层的特征图像。每个残差单元输出的特征图像的层级与该残差单元对应的层级一致。不同层级的残差网络特征图像对应的图像比例不同。特征图像的尺寸随着对应层级的提高而依次减小。

S403，根据所述残差网络特征图像，生成金字塔特征图像；

具体地，可以将具有相同尺度的残差单元与金字塔单元相连接。将残差网络特征图像按照从高层到低层、尺度从小到大的顺序，连接至具有相同尺度的多个预设的特征金字塔单元。采用金字塔特征单元对残差网络特征图像进行卷积处理和上采样处理，得到与对应残差单元输出尺度一致且融合了多层残差网络信息的金字塔特征图像。

S404，根据所述金字塔特征图像，生成特征网络；

具体地，基于金字塔特征图像，建立特征网络，该特征网络的数据可以进行迁移和共享。

S405，根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜；

具体地，可以从特征网络中的金字塔特征图像中确定提议区域；然后将提议区域内的特征映射(池化)为具有固定尺度的兴趣区域。再将兴趣区域转换为特征向量；采用特征向量确定息肉边框区域；之后将特征图像向量以参数的形式保存在特征网络中，以更新特征网络；根据更新后的特征网络，确定内窥镜图像中的息肉分割掩膜。

在确定提议区域时，可以引入一种锚点(anchors)的概念，锚点被定义为一组具有多种尺度(示例的，{32^2,64^2,128^2,256^2})和长宽比(示例的，{1： 1，1：2，2：1})的矩形参考框，以覆盖各种形状和尺寸的物体。遍历卷积层的特征图像，区域提议单元为每一个点都配置12种(4×3)锚点作为初始的检测框。之后通过softmax判断锚点属于前景(包含目标)或者背景(无目标)，再利用边界框回归(bounding box regression)修正锚点获得精确的提议区域。 Softmax为深度学习输出层的激励函数，能输出每个分类对应的概率。

将更新后的特征网络中的金字塔特征图像变换为与金字塔层级尺度相同的分割概率得分图；对各个层级的分割概率得分图依次执行上采样和逐元素相加，得到融合的分割概率得分图；将融合的分割概率得分图变换为与内窥镜图像尺度相同的分割概率得分图，确定息肉分割掩膜。上述金字塔层级可以为金字塔单元对应的层级。在本实施例中，内窥镜图像输入到卷积神经网络后，经过多次卷积及池化过程得到一系列的特征图，然后对最后一个卷积层得到的特征得分图进行上采样，使得上采样后特征得分图与原图像的大小相同，从而实现对特征得分图上的每个像素值进行预测的同时保留其在原图像中的空间位置信息，最后对上采样特征图进行逐像素分类，逐个像素计算softmax分类概率。

S406，根据所述息肉边框区域和所述息肉分割掩膜，从所述内窥镜图像中识别息肉。

具体地，选择分类概率大于0.98的预测息肉区域边框，将所述区域边框内部的像素值设置为1，将所述区域边框外部的像素值设置为0，形成区域遮罩。对区域遮罩与息肉分割掩膜执行逐元素相乘，最终获得所述息肉识别系统的息肉识别结果。

在本实施例中，采用残差网络解决现有的检测模型中神经网络学习能力较弱，识别准确性较低的问题；采用息肉边框区域和息肉分割掩膜的多任务检测，解决复杂肠道图像场景下精确分割息肉病变区域的问题；采用特征网络解决模型学习阶段图像特征迁移和共享的问题。

图5是本申请实施例三提供的一种基于内窥镜图像的息肉识别装置的结构示意图，参照图5，该装置包括：

图像输入模块51，用于输入待识别的内窥镜图像；

残差网络特征图像提取模块52，用于从所述内窥镜图像中提取残差网络特征图像；

金字塔特征图像生成模块53，用于根据所述残差网络特征图像，生成金字塔特征图像；

特征网络生成模块54，用于根据所述金字塔特征图像，生成特征网络；

确定模块55，用于根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜；

识别模块56，用于根据所述息肉边框区域和所述息肉分割掩膜，从所述内窥镜图像中识别息肉。

上述残差网络特征图像提取模块52包括：

卷积处理子模块，用于对所述内窥镜图像进行一次卷积处理，生成低层特征图像；

残差网络特征提取子模块，用于采用预设的不同层级的多个残差单元依次对所述低层特征图像进行处理，以生成与所述各个残差单元分别对应的多个高层特征图像，所述不同层级的多个残差单元中均包含多次卷积运算，所述特征图像的层级与对应的所述残差单元的层级相同，所述特征图像的比例尺随着对应的残差单元的层级的升高而依次减小。上述金字塔特征图像生成模块53包括：

连接子模块，用于将将所述残差网络特征图像按照从高层到低层、尺度从小到大的顺序，连接至具有相同尺度的多个预设的特征金字塔单元；

金字塔特征图像确定子模块，用于采用所述金字塔特征单元对残差网络特征图像进行卷积处理和上采样处理，得到与对应残差单元输出尺度一致且融合了多层残差网络信息的金字塔特征图像。

上述确定模块55包括：

提议区域确定子模块，用于从所述特征网络中的金字塔特征图像中确定提议区域；

兴趣区域确定子模块，用于将所述提议区域池化为尺度固定的兴趣区域；

特征向量转换子模块，用于将所述兴趣区域转换为特征向量；

息肉边框区域确定子模块，用于采用所述特征图像向量确定所述息肉边框区域；

特征网络更新子模块，用于将所述特征图像向量以参数的形式保存在所述特征网络中，以更新所述特征网络；

息肉分割掩膜确定子模块，用于根据更新后的所述特征网络，确定所述内窥镜图像中的息肉分割掩膜。

上述息肉分割掩膜确定子模块包括：

分割概率得分图确定单元，用于将更新后的所述特征网络中的金字塔特征图像变换为与所述金字塔层级尺度相同的分割概率得分图；

分割概率得分图融合单元，用于对所述各层级分割概率得分图执行元素相加，得到融合的分割概率得分图；

息肉分割掩膜确定单元，用于将所述融合的分割概率得分图变换为与所述内窥镜图像尺度相同的分割概率得分图，根据与所述内窥镜图像尺度相同的分割概率得分图，确定所述息肉分割掩膜。

图6为本申请实施例四提供的一种终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个方法实施例中的步骤。

所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器60可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor， DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡 (FlashCard)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/系统和方法，可以通过其它的方式实现。例如，以上所描述的装置/系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征图像可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征图像进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (14)

1.一种基于内窥镜图像的息肉识别系统，其特征在于，所述息肉识别系统包括内窥镜图像输入模块、残差网络模块、特征金字塔模块、特征迁移模块、区域检测模块、息肉分割模块和识别结果输出模块，其中：

所述内窥镜图像输入模块，用于获取待识别的内窥镜图像，并将所述内窥镜图像输入至所述残差网络模块；

所述残差网络模块，用于从所述内窥镜图像中提取残差网络特征图像；

所述特征金字塔模块，用于根据所述残差网络特征图像，形成金字塔特征图像；

所述特征迁移模块，用于将所述金字塔特征图像分别连接至所述区域检测模块和所述息肉分割模块；

所述区域检测模块，用于根据所述金字塔特征图像确定所述内窥镜图像中的息肉区域边框；

所述息肉分割模块，用于根据所述金字塔特征图像和所述息肉区域边框确定所述内窥镜图像中的息肉分割掩膜；

所述识别结果输出模块，用于根据所述息肉分割掩膜和所述息肉区域边框获取所述内窥镜图像对应的息肉识别结果。

2.如权利要求1所述的系统，其特征在于，所述残差网络模块包括多个残差单元，每个所述残差单元包括多个残差块；

所述残差块，用于从所述内窥镜图像的图像层中提取出残差网络特征图像；

所述多个残差单元，用于输出所述内窥镜图像的多个层级的残差网络特征图像。

3.如权利要求2所述的系统，其特征在于，所述特征金字塔模块包括依次连接的多个特征金字塔单元；

所述特征金字塔单元，用于连接各个所述残差单元输出的各个层级的残差网络特征图像；根据所述各个层级的残差网络特征图像输出各个层级的金字塔特征图像；并将所述各个层级的金字塔特征图像连接至所述特征迁移模块。

4.如权利要求1-3任一项所述的系统，其特征在于，所述特征迁移模块用于接收所述金字塔特征模块的金字塔特征图像，并根据所述金字塔特征图像生成特征网络，所述特征网络分别与所述区域检测模块和所述息肉分割模块相连。

5.如权利要求4所述的系统，其特征在于，所述区域检测模块包括区域提议单元、兴趣区域单元和全连接单元；

所述区域提议单元，用于根据所述特征网络，确定多个提议区域；

所述兴趣区域单元，用于将所述提议区域内的特征映射为具有固定尺度的兴趣区域；

所述全连接单元，用于将所述兴趣区域转化为特征图像向量，所述特征图像向量用于确定所述息肉区域边框。

6.如权利要求4所述的系统，其特征在于，所述息肉分割模块包括全卷积单元和得分图单元；

所述全卷积单元，用于根据所述特征网络，形成与所述内窥镜图像相同大小的特征图像；

所述得分图单元，用于根据所述与所述内窥镜图像相同大小的特征图像，确定息肉分割掩膜。

7.一种基于内窥镜图像的息肉识别方法，其特征在于，包括：

输入待识别的内窥镜图像；

从所述内窥镜图像中提取残差网络特征图像；

根据所述残差网络特征图像，生成金字塔特征图像；

根据所述金字塔特征图像，生成特征网络；

根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜；

根据所述息肉边框区域和所述息肉分割掩膜，从所述内窥镜图像中识别息肉。

8.如权利要求7所述的方法，其特征在于，所述从所述内窥镜图像中提取残差网络特征图像，包括：

对所述内窥镜图像进行一次卷积处理，生成低层特征图像；

采用预设的不同层级的多个残差单元依次对所述低层特征图像进行处理，以生成与所述各个残差单元分别对应的多个高层特征图像，所述不同层级的多个残差单元中均包含多次卷积运算，所述特征图像的层级与对应的所述残差单元的层级相同，所述特征图像的比例尺随着对应的残差单元的层级的升高而依次减小。

9.如权利要求8所述的方法，其特征在于，所述根据所述残差网络特征图像，生成金字塔特征图像，包括：

将所述残差网络特征图像按照从高层到低层、尺度从小到大的顺序，连接至具有相同尺度的多个预设的特征金字塔单元；

采用所述金字塔特征单元对残差网络特征图像进行卷积处理和上采样处理，得到与对应残差单元输出尺度一致且融合了多层残差网络信息的金字塔特征图像。

10.如权利要求9所述的方法，其特征在于，所述根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜，包括：

从所述特征网络中的金字塔特征图像中确定提议区域；

将所述提议区域池化为尺度固定的兴趣区域；

将所述兴趣区域转换为特征向量；

采用所述特征向量确定所述息肉边框区域；

将所述特征图像向量以参数的形式保存在所述特征网络中，以更新所述特征网络；

根据更新后的所述特征网络，确定所述内窥镜图像中的息肉分割掩膜。

11.如权利要求10所述的方法，其特征在于，所述根据更新后的所述特征网络，确定所述内窥镜图像中的息肉分割掩膜，包括：

将更新后的所述特征网络中的金字塔特征图像变换为与所述金字塔层级尺度相同的分割概率得分图；

对所述各层级分割概率得分图执行元素相加，得到融合的分割概率得分图；

将所述融合的分割概率得分图变换为与所述内窥镜图像尺度相同的分割概率得分图，根据与所述内窥镜图像尺度相同的分割概率得分图，确定所述息肉分割掩膜。

12.一种基于内窥镜图像的息肉识别装置，其特征在于，包括：

图像输入模块，用于输入待识别的内窥镜图像；

残差网络特征图像提取模块，用于从所述内窥镜图像中提取残差网络特征图像；

金字塔特征图像生成模块，用于根据所述残差网络特征图像，生成金字塔特征图像；

特征网络生成模块，用于根据所述金字塔特征图像，生成特征网络；

确定模块，用于根据所述特征网络，确定所述内窥镜图像中的息肉边框区域和息肉分割掩膜；

识别模块，用于根据所述息肉边框区域和所述息肉分割掩膜，从所述内窥镜图像中识别息肉。

13.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求7至11任一项所述的方法。

14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求7至11任一项所述的方法。

Images