CN113610847B - 一种白光模式下胃部标志物评估方法及系统 - Google Patents

一种白光模式下胃部标志物评估方法及系统 Download PDF

Info

Publication number
CN113610847B
CN113610847B CN202111173700.7A CN202111173700A CN113610847B CN 113610847 B CN113610847 B CN 113610847B CN 202111173700 A CN202111173700 A CN 202111173700A CN 113610847 B CN113610847 B CN 113610847B
Authority
CN
China
Prior art keywords
image
identification
images
sample
gastroscope
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.)
Active
Application number
CN202111173700.7A
Other languages
English (en)
Other versions
CN113610847A (zh
Inventor
李�昊
胡珊
胡孝
郑碧清
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.)
Wuhan Endoangel Medical Technology Co Ltd
Original Assignee
Wuhan Endoangel Medical 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 Wuhan Endoangel Medical Technology Co Ltd filed Critical Wuhan Endoangel Medical Technology Co Ltd
Priority to CN202111173700.7A priority Critical patent/CN113610847B/zh
Publication of CN113610847A publication Critical patent/CN113610847A/zh
Application granted granted Critical
Publication of CN113610847B publication Critical patent/CN113610847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B1/00163—Optical arrangements
    • 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
    • A61B1/273—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 upper alimentary canal, e.g. oesophagoscopes, gastroscopes
    • A61B1/2736—Gastroscopes
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/30092—Stomach; Gastric
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Endoscopes (AREA)

Abstract

本申请提供一种白光模式下胃部标志物评估方法及系统，解决了目前无法辅助白光内镜下对存在慢性萎缩性胃炎的风险进行评估的问题，包括：获取白光模式下连续的序列化胃镜图像集；对序列化胃镜图像集进行胃镜图像部位识别、病灶图像分割、萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；并进行胃部标志物风险评估，得到胃部标志物风险评估结果。本申请可实施对白光模式下的内镜影像进行分析，提供了对胃镜图像部位识别准确，病灶图像分割准确、萎缩病症识别准确的技术方案，可以作为医疗辅助技术，辅助结合观察胃镜部位和症状快速对萎缩性胃炎风险进行评估。

Description

一种白光模式下胃部标志物评估方法及系统
技术领域
本申请涉及医疗影像辅助技术领域，具体涉及一种白光模式下胃部标志物评估方法及系统。
背景技术
胃癌 (Gastric cancer, GC) 是导致癌症相关死亡的第三大原因，在最常见的恶性肿瘤中排名第五。胃萎缩 (Gastric atrophy, GA) 和肠化 (Intestinal metaplasia,IM) 与胃癌的发生发展密切相关，长期的慢性炎症 (Chronic inflammation) 可以进展为不典型增生 (dysplasia) 甚至是胃癌。研究表明，对癌前病变 (Precancerousconditions and lesions) 的识别和监测有助于发现早期胃癌 (Early gastric cancer,EGC)。及时发现和治疗慢性萎缩性胃炎 (Chronic atrophic gastritis, CAG) 包括GA和IM，可防止病情进一步恶化。
上消化道内镜是诊断萎缩性胃炎的常规方法，但不同内镜医师之间的诊断水平存在差异，与病理结果相比，白光内镜(White light endoscopy, WLE)下对CAG诊断的准确性波动极大，居于0.42 ~ 0.80之间。为了提高CAG的诊断质量，各国专家们提出了许多指南和共识。但有报道称经过指南培训后，内镜医师在WLE下对CAG的诊断精度仅达到46.8%。由此可见，WLE下CAG诊断的准确性亟待提高。
近年来，随着人工智能 (Artificial intelligence, AI) 技术的发展与成熟，其在医疗领域的应用也愈发广泛，尤其在医学影像领域发展迅猛。AI在内镜领域的应用同样进展神速，深度学习 (Deep learning, DL) 在CAG病理及X线检测系统中的应用取得了可喜的成果，也有研究将AI应用于幽门螺杆菌相关性胃炎和CAG的诊断。然而，关于AI实时辅助内镜下CAG诊断的研究极少，也没有团队开发出风险评估系统用以指导监测。
发明内容
本申请提供一种能够基于深度学习，辅助白光内镜下对存在慢性萎缩性胃炎的风险进行评估的一种白光模式下胃部标志物评估方法及系统。
一方面，本申请提供一种白光模式下胃部标志物评估方法，包括：
获取白光模式下连续的序列化胃镜图像集；
对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；
分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；
将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；
根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
在本申请一种可能的实现方式中，所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：
将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量；
根据多个所述列向量，确定多个所述不同类型的部位识别图像集；
所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。
在本申请一种可能的实现方式中，所述根据多个所述列向量，确定多个所述不同类型的部位识别图像集，包括
所述列向量包括多个部位标签和分别与所述多个部位标签对应的多个概率值；
确定所述列向量中与所述多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签；
根据所述目标部位标签，确定所述列向量对应的所述部位识别图像；
将多个所述部位识别图像按照预设的分类预置信息进行分组，得到多个所述不同类型的部位识别图像集。
在本申请一种可能的实现方式中，所述根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果，包括：
所述萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果；
若所述部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为胃部标志物风险评估结果为存在低风险萎缩性胃炎；
若所述部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；
若所述部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
在本申请一种可能的实现方式中，在所述将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括：
获取样本胃镜图像集以及根据所述样本胃镜图像集确定的多个不同类型的样本胃镜标记图像；
根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。
在本申请一种可能的实现方式中，所述根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：
通过预设的第一损失函数进行损失计算，得到多个第一损失值；
其中，所述第一损失函数为：
Figure 516735DEST_PATH_IMAGE001
其中m1为所述样本胃镜图像集中的样本胃镜图像数量，n1为多个不同类型的所述样本胃镜标记图像的类型数量，
Figure 230613DEST_PATH_IMAGE002
是所述样本胃镜图像集中第i个所述样本胃镜图像属于第j种类型的预测概率，
Figure 541509DEST_PATH_IMAGE003
为符号函数0或1，如果所述样本胃镜图像集中的第i个所述样本胃镜图像的真实类型为第j种类型时，则
Figure 988583DEST_PATH_IMAGE003
取值为1，否则
Figure 334114DEST_PATH_IMAGE003
取值为0，所述胃镜图像部位识别模型训练过程中输出的预测值为
Figure 687734DEST_PATH_IMAGE004
，真实值为
Figure 502238DEST_PATH_IMAGE005
；
根据多个所述第一损失值对预设的胃镜图像部位识别模型进行模型训练，得到已训练的胃镜图像部位识别模型。
在本申请一种可能的实现方式中，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：
获取不同类型的样本部位识别图像集以及根据所述样本部位识别图像集确定的多个样本有病灶标记图像；
根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型。
在本申请一种可能的实现方式中，所述根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型，包括：
通过预设的第二损失函数进行损失计算，得到多个第二损失值；
其中，所述第二损失函数为：
Figure 232296DEST_PATH_IMAGE006
其中m2所述样本部位识别图像集中的样本部位识别图像数量，
Figure 432334DEST_PATH_IMAGE007
为第m2个所述样本部位识别图像的样本预测值，
Figure 471703DEST_PATH_IMAGE008
为第m2个所述样本部位识别图像的样本真实值，所述胃镜图像部位识别模型训练过程中输出的预测值为
Figure DEST_PATH_IMAGE010AAA
，真实值为
Figure 85087DEST_PATH_IMAGE011
；
根据多个所述第二损失值对预设的病灶分割模型进行模型训练，得到已训练的病灶分割模型。
在本申请一种可能的实现方式中，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：
获取多个样本有病灶图像以及根据所述样本有病灶图像确定的多个萎缩病症标记图像；
根据多个所述样本有病灶图像和多个所述萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型。
在本申请一种可能的实现方式中，所述根据多个所述样本有病灶图像和多个所述萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型，包括：
通过预设的第三损失函数进行损失计算，得到多个第三损失值；
其中，所述第三损失函数为：
Figure 103989DEST_PATH_IMAGE012
其中m3为多个所述样本有病灶图像的图像总数量，
Figure 158533DEST_PATH_IMAGE013
为第i个所述样本有病灶图像有萎缩病症标志的预测概率，
Figure 119536DEST_PATH_IMAGE014
为符号函数0或1，如果第i个所述样本有病灶图像有萎缩病症标志，
Figure 892320DEST_PATH_IMAGE014
取值为1，否则
Figure 213449DEST_PATH_IMAGE014
取值为0，所述萎缩病症识别模型训练过程中输出的预测值为
Figure 388078DEST_PATH_IMAGE015
，真实值为
Figure 254403DEST_PATH_IMAGE016
；
根据多个所述第三损失值对预设的萎缩病症识别模型进行模型训练，得到已训练的萎缩病症识别模型。
另一方面，本申请提供一种白光模式下萎缩性胃炎风险评估系统，其特征在于，所述系统包括：
获取模块，用于获取白光模式下连续的序列化胃镜图像集；
部位识别模块，用于对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；
病灶分割模块，用于分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；
萎缩病症识别模块，用于将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；
评估模块，用于根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
本申请可实施对白光模式下的内镜影像进行分析，提供了对胃镜图像部位识别准确，病灶图像分割准确、萎缩病症识别准确的技术方案，可以作为医疗辅助技术，辅助结合观察胃镜部位和症状快速对萎缩性胃炎风险进行评估，具有指导意义，同时有效提高了内镜下诊断的准确率及效率。
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发明的一些实施例，对于本领域技术人员来讲，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是本申请实施例中提供的评估方法的一个实施例流程示意图；
图2是本申请实施例中提供的胃部图像尺寸归一化的示意图；
图3是本申请实施例中提供的病灶分割效果图；
图4是本申请实施例中提供的评估方法的一个实施例流程示意图；
图5是本申请实施例中提供的ResNet50网络的结构示意图；
图6是本申请实施例中提供的评估方法的一个实施例流程示意图；
图7是本申请实施例中提供的Unet网络的结构示意图；
图8是本申请实施例中提供的评估方法的一个实施例流程示意图；
图9是本申请实施例中提供的VGG16网络的结构示意图；
图10是本申请实施例中提供的评估系统的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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，本领域技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种白光模式下胃部标志物评估方法及系统，以下分别进行详细说明。
如图1所示，为本申请实施例中白光模式下胃部标志物评估方法的一个实施例流程示意图，该白光模式下胃部标志物评估方法包括以下步骤101~105：
101、获取白光模式下连续的序列化胃镜图像集。
通过内镜检查设备采集同一个病人的实时普通白光模式的胃镜视频，并将视频序列按一秒7帧解码为图像集，并进行尺寸归一化等预处理，得到连续的序列化胃镜图像集。
对解码后的图像集进行归一化预处理具体为：
设定白光模式下采集的图像集中的胃部图像尺寸为
Figure 530794DEST_PATH_IMAGE017
为胃部图像的横边长度值，
Figure 140767DEST_PATH_IMAGE018
为胃部图像的纵边长度值，目标设定目标尺寸为
Figure 435482DEST_PATH_IMAGE019
，在本实施例中，目标设定目标尺寸可以设定为
Figure 987555DEST_PATH_IMAGE020
这里不做具体限定；
将调整尺寸后的胃部图像按照设定的缩放系数进行缩放，缩放系数设定为
Figure 469352DEST_PATH_IMAGE021
缩放后胃部图像的尺寸为
Figure 148595DEST_PATH_IMAGE022
；
胃部图像缩放后，将胃部图像的边界进行填充，使胃部图像居于显示画面的中间，在本实施例中，如图2所示，可以对胃部图像的边缘填充黑边，填充的宽边宽度和长边宽度具体为：宽边填充宽度：
Figure 32238DEST_PATH_IMAGE023
长边填充宽度：
Figure 522256DEST_PATH_IMAGE025
。
即通过对采集的图像集中每个胃部图像进行尺寸调整、大小缩放以及边界填充后，得到归一化后的连续的序列化胃镜图像集。
102、对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集。
部位识别图像的类型包括以下六种类型：胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。在获取序列化胃镜图像集后，需要按照部位将序列化胃镜图像集划分为多个不同类型的部位识别图像集，每个部位识别图像集中的所有部位识别图像的类型相同。
因此，对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：
将序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量。
根据多个列向量，确定多个不同类型的部位识别图像集。
其中，列向量为多维向量，在本实施中，列向量包括至少两种元素，其中一个元素为多个部位标签，这里设定部位标签为6个，6个部位标签包括：胃窦小弯部位、胃窦大弯部位、胃角部位、胃体小弯部位以及胃体大弯部位，部位标签的数量可以根据实际情况设定，列向量的另一元素为分别与多个部位标签对应的多个概率值。
根据多个列向量，确定多个不同类型的部位识别图像集，具体包括：
确定列向量中与多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签。
根据目标部位标签，确定列向量对应的部位识别图像。
示例性的，将序列化胃镜图像集中的其中一个胃镜图像输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，胃镜图像部位识别模型输出的结果为由“[胃窦小弯，30%]、[胃窦大弯部位，10%]、[胃角部位，90%]”构成的列向量，输出的结果中部位标签所对应的概率值越大表示该胃镜图像越有可能属于该部位标签，则确定所识别的胃镜图像为胃角部位图像。
将多个部位识别图像按照预设的分类预置信息进行分组，得到多个不同类型的部位识别图像集。
在对序列化胃镜图像集中的所有胃镜图像进行胃镜图像部位识别后，则会得到多个类型不同的部位识别图像，按照胃镜图像的标签将所得到的多个类型不同的部位识别图像进行再分类，最后得到多个不同类型的部位识别图像集。
103、分别将多个不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像。
获得多个不同部位对应的多个不同类型的部位识别图像集后，需要通过预设的病灶分割模型识别出部位识别图像集内的每个部位识别图像存在病灶的情况，若识别的部位识别图像不存在病灶，则病灶分割模型输出的结果为该部位识别图像为无病灶图像，若识别的部位识别图像存在病灶，则病灶分割模型输出的结果为该部位识别图像有病灶图像，并将存在病灶的部位识别图像进行病灶图像分隔，最后得到多个有病灶图像。
在本实施例中，如图3所示，部位识别图像经病灶分割模型识别后若识别有病灶存在，则对病灶进行分割，分割时剔除病灶之外的背景区域，将病灶区域还原至与原图尺寸相同的纯黑背景画布中，且病灶区域所在位置与部位识别图像保持一致。
104、将多个有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果。
得到多个有病灶图像后，需要通过预设的萎缩病症识别模型对有病灶图像中的萎缩病症进行识别，并输出多个萎缩病症标志物识别结果，萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果。
105、根据多个部位识别图像集和多个萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
胃部标志物风险评估包括胃部异物风险评估、胃部吞咽物风险评估或者萎缩性胃炎风险评估，得到的胃部标志物风险评估结果包括胃部异物风险评估结果、胃部吞咽物风险评估结果或者萎缩性胃炎风险评估结果。
根据多个部位识别图像集和多个萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果，具体包括：
在实际应用过程中，在对人体进行胃镜检查时，是按照胃窦小弯—胃窦大弯—胃角—胃体小弯—胃体大弯的顺序进行检查。在本实施例中，是对基于胃部图像进行萎缩性胃炎风险评估，具体的，按照上述顺序对不同部位的有病灶图像进行萎缩病症标志物识别，根据萎缩病症标志物识别结果进行萎缩性胃炎风险评估。
若部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为萎缩性胃炎风险评估结果为存在低风险萎缩性胃炎；
若部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；
若部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
本申请可实施对白光模式下的内镜影像进行分析，提供了对胃镜图像部位识别准确，病灶图像分割准确、萎缩病症识别准确的技术方案，可以作为医疗辅助技术，辅助结合观察胃镜部位和症状快速对萎缩性胃炎风险进行评估，具有指导意义，同时有效提高了内镜下诊断的准确率及效率。
在通过内镜检查设备采集普通白光模式的胃镜视频，并将其转换为序列化胃镜图像集之前，首先需要对胃镜图像部位识别模型、病灶分割模型以及萎缩病症识别模型进行模型训练。
在本申请的另一个实施例中，如图4所示，在将序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括以下步骤201~202：
201、获取样本胃镜图像集以及根据样本胃镜图像集确定的多个不同类型的样本胃镜标记图像。
样本胃镜图像集是用于输入训练模型进行模型训练的多个样本胃镜图像原图，可以是通过采集胃镜视频并将胃镜视频按照特定帧解码得到，在模型训练之前，采集大量的样本胃镜图像原图，样本胃镜图像原图也可以是日常胃部检测所获得的所有胃镜图像。
获取样本胃镜图像原图后，通过人工对采集到的样本胃镜图像原图进行分类标记，分类标记的标签包括胃窦小弯、胃窦大弯、胃角、胃体小弯、胃体大弯、无效图像，其中，无效图像指食管图像、十二指肠图像及其它胃部图像或太模糊导致无法辨识的胃部图像，将标记后的样本胃镜图像原图作为训练模型输出结果的基本数据参考。
202、根据样本胃镜图像集和多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。
如图5所示，在本实施例中采用的基于ResNet50神经网络的模型作为训练模型，进行胃镜图像部位识别模型的训练。训练过程中，将样本胃镜图像集输入至训练模型中，训练模型中的卷积核对样本胃镜图像集中的样本胃镜图像进行卷积计算，通过池化层对卷积核得到的特征矩阵值进行池化，经过多次卷积、激活、池化、拉平以及全连接，最后得到训练后的训练胃镜图像集。其中基于ResNet50神经网络的训练模型的卷积核大小以及卷积核的权重值可以是人为设定，也可以是由训练模型自动随机设定。
在得到训练后的训练胃镜图像集后，需要将样本胃镜图像集和得到的训练胃镜图像集之间的损失值进行计算评估，并调整训练模型的超参数，直到训练模型的损失值趋近于零，同时通过训练模型的自动反向传播，不断更新权重值，寻找最佳的权重值，最终得到已训练的胃镜图像部位识别模型。
在本申请的另一个实施例中，根据样本胃镜图像集和多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：
通过预设的第一损失函数进行损失计算，得到多个第一损失值；
其中，第一损失函数为：
Figure 491349DEST_PATH_IMAGE027
其中m1为样本胃镜图像集中的样本胃镜图像数量，n1为多个不同类型的样本胃镜标记图像的类型数量，
Figure 443125DEST_PATH_IMAGE028
是样本胃镜图像集中第i个样本胃镜图像属于第j种类型的预测概率，
Figure 690261DEST_PATH_IMAGE029
为符号函数0或1，如果样本胃镜图像集中的第i个样本胃镜图像的真实类型为第j种类型时，则
Figure 600448DEST_PATH_IMAGE030
取值为1，否则
Figure 56837DEST_PATH_IMAGE031
取值为0，胃镜图像部位识别模型训练过程中输出的预测值为
Figure DEST_PATH_IMAGE033AA
，真实值为
Figure 625353DEST_PATH_IMAGE034
，计算得到的
Figure 483587DEST_PATH_IMAGE035
即为样本胃镜图像集和得到的训练胃镜图像集之间的第一损失值。
根据多个第一损失值对预设的胃镜图像部位识别模型进行模型训练，得到已训练的胃镜图像部位识别模型。
在本申请的另一个实施例中，如图6所示，在对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括以下步骤301~302：
301、获取不同类型的样本部位识别图像集以及根据样本部位识别图像集确定的多个样本有病灶标记图像。
在将采集胃镜视频按照特定帧解码得到多个胃镜图像集，并通过训练好的基于ResNet50神经网络的胃镜图像部位识别模型对胃部图像集进行部位识别，得到多个样本部位识别图像，通过人工对多个样本部位识别图像进行清洗，将清洗后的多个样本部位识别图像作为模型训练的输入。
通过人工对多个样本部位识别图像分别进行标注，将样本部位识别图像中有病灶的图像勾勒出病灶区域轮廓，得到多个样本有病灶标记图像，并将无病灶的图像不做标记作为阴性样本，将标记后的多个样本有病灶标记图像作为训练模型输出结果的基本数据参考。
302、根据样本部位识别图像集和多个样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型。
如图7所示，在本实施例中采用的基于Unet神经网络的模型作为训练模型，进行病灶分割模型的训练。训练过程中，将样本部位识别图像集输入至训练模型中，模型训练完成后输出训练结果为训练部位识别图像集，将样本部位识别图像集和得到的训练部位识别图像集之间的损失值进行计算评估，并调整训练模型的超参数，直到训练模型的损失值趋近于零，同时通过训练模型的自动反向传播，不断更新权重值，寻找最佳的权重值，最终得到已训练的病灶分割模型。
在本申请的另一个实施例中，根据样本部位识别图像集和多个样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型，包括：
通过预设的第二损失函数进行损失计算，得到多个第二损失值；
其中，第二损失函数为：
Figure 548364DEST_PATH_IMAGE037
其中m2样本部位识别图像集中的样本部位识别图像数量，
Figure 492050DEST_PATH_IMAGE038
为第m2个样本部位识别图像的样本预测值，
Figure 51207DEST_PATH_IMAGE039
为第m2个样本部位识别图像的样本真实值，胃镜图像部位识别模型训练过程中输出的预测值为
Figure DEST_PATH_IMAGE040AA
，真实值为
Figure 576997DEST_PATH_IMAGE041
，计算得到的即
Figure 563408DEST_PATH_IMAGE042
为样本胃镜图像集和得到的训练胃镜图像集之间的第二损失值。
根据多个第二损失值对预设的病灶分割模型进行模型训练，得到已训练的病灶分割模型。
在本申请的另一个实施例中，如图8所示，在对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括以下步骤401~402：
401、获取多个样本有病灶图像以及根据样本有病灶图像确定的多个萎缩病症标记图像。
在将采集胃镜视频按照特定帧解码得到多个胃镜图像集，通过训练好的基于ResNet50神经网络的胃镜图像部位识别模型对胃部图像集进行部位识别，得到多个样本部位识别图像，并通过训练好的基于Unet神经网络的病灶分割模型对多个样本部位识别图像进行病灶识别，得到多个样本有病灶图像，经人工对多个有病灶图像进行清洗，将清洗后的多个样本有病灶图像作为模型训练的输入。
在训练前，通过人工对多个样本有病灶图像分别进行分类标记，分类标记的标签包括萎缩病症、非萎缩病症。非萎缩病症指存在糜烂病症，出血病症，黄斑瘤病症等。将标记后的多个萎缩病症标记图像作为训练模型输出结果的基本数据参考。
402、根据多个样本有病灶图像和多个萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型。
如图9所示，在本实施例中采用的基于VGG16神经网络的模型作为训练模型，进行萎缩病症识别模型的训练。训练过程中，将多个样本有病灶图像输入至训练模型中，模型训练完成后输出训练结果为训练有病灶图像，将样本有病灶图像和得到的训练有病灶图像之间的损失值进行计算评估，并调整训练模型的超参数，直到训练模型的损失值趋近于零，同时通过训练模型的自动反向传播，不断更新权重值，寻找最佳的权重值，最终得到已训练的萎缩病症识别模型。
在本申请的另一个实施例中，根据多个样本有病灶图像和多个萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型，包括：
通过预设的第三损失函数进行损失计算，得到多个第三损失值；
其中，第三损失函数为：
Figure 994389DEST_PATH_IMAGE043
其中m3为多个样本有病灶图像的图像总数量，
Figure 606505DEST_PATH_IMAGE044
为第i个样本有病灶图像有萎缩病症标志的预测概率，
Figure 439332DEST_PATH_IMAGE045
为符号函数0或1，如果第i个样本有病灶图像有萎缩病症标志，
Figure 331064DEST_PATH_IMAGE046
取值为1，否则
Figure 74DEST_PATH_IMAGE047
取值为0，萎缩病症识别模型训练过程中输出的预测值为
Figure 166613DEST_PATH_IMAGE048
，真实值为
Figure 588367DEST_PATH_IMAGE049
，计算得到的
Figure 916581DEST_PATH_IMAGE050
即为多个样本有病灶图像和得到的训练有病灶图像之间的第三损失值。
根据多个第三损失值对预设的萎缩病症识别模型进行模型训练，得到已训练的萎缩病症识别模型。
萎缩病症识别模型的输出结果为0和1,输出结果为0指的是非萎缩病症，输出结果为1是萎缩病症。
为了更好实施本申请实施例中白光模式下胃部标志物评估方法，在白光模式下胃部标志物评估方法基础之上，本申请实施例中还提供一种白光模式下胃部标志物评估系统，如图10所示，所述白光模式下胃部标志物评估系统500包括：
获取模块501，用于获取白光模式下连续的序列化胃镜图像集；
部位识别模块502，用于对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；
病灶分割模块503，用于分别将多个不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；
萎缩病症识别模块504，用于将多个有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；
评估模块505，用于根据多个部位识别图像集和多个萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
以上对本申请实施例所提供的一种白光模式下胃部标志物评估方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种白光模式下胃部标志物评估方法，其特征在于，包括：
获取白光模式下连续的序列化胃镜图像集，所述序列化胃镜图像集为内镜检查设备采集同一个病人的实时普通白光模式的胃镜视频后进行预处理后得到的；
对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像；
分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；
将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果，所述萎缩病症标志物识别顺序是按照胃窦小弯—胃窦大弯—胃角—胃体小弯—胃体大弯的顺序；
根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估胃部萎缩性胃炎风险评估，得到胃部萎缩性胃炎风险评估结果；
所述根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估胃部萎缩性胃炎风险评估，得到胃部萎缩性胃炎风险评估结果，包括：
所述萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果；
若所述部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为胃部萎缩性胃炎风险评估结果为存在低风险萎缩性胃炎；
若所述部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则胃部萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；
若所述部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则胃部萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
2.如权利要求1所述的白光模式下胃部标志物评估方法，其特征在于，所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：
将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量；
根据多个所述列向量，确定多个所述不同类型的部位识别图像集；
所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。
3.如权利要求2所述的白光模式下胃部标志物评估方法，其特征在于，所述根据多个所述列向量，确定多个所述不同类型的部位识别图像集，包括
所述列向量包括多个部位标签和分别与所述多个部位标签对应的多个概率值；
确定所述列向量中与所述多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签；
根据所述目标部位标签，确定所述列向量对应的所述部位识别图像；
将多个所述部位识别图像按照预设的分类预置信息进行分组，得到多个所述不同类型的部位识别图像集。
4.如权利要求2所述的白光模式下胃部标志物评估方法，其特征在于，在所述将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括：
获取样本胃镜图像集以及根据所述样本胃镜图像集确定的多个不同类型的样本胃镜标记图像；
根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。
5.如权利要求4所述的白光模式下胃部标志物评估方法，其特征在于，所述根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：
通过预设的第一损失函数进行损失计算，得到多个第一损失值；
其中，所述第一损失函数为：
Figure 712688DEST_PATH_IMAGE001
其中m1为所述样本胃镜图像集中的样本胃镜图像数量，n1为多个不同类型的所述样本胃镜标记图像的类型数量，
Figure 682918DEST_PATH_IMAGE002
是所述样本胃镜图像集中第i个所述样本胃镜图像属于第j种类型的预测概率，
Figure 241069DEST_PATH_IMAGE003
为符号函数0或1，如果所述样本胃镜图像集中的第i个所述样本胃镜图像的真实类型为第j种类型时，则
Figure 740183DEST_PATH_IMAGE003
取值为1，否则
Figure 633053DEST_PATH_IMAGE004
取值为0，所述胃镜图像部位识别模型训练过程中输出的预测值为
Figure 125083DEST_PATH_IMAGE005
，真实值为
Figure 787009DEST_PATH_IMAGE006
；
根据多个所述第一损失值对预设的胃镜图像部位识别模型进行模型训练，得到已训练的胃镜图像部位识别模型。
6.如权利要求1所述的白光模式下胃部标志物评估方法，其特征在于，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：
获取不同类型的样本部位识别图像集以及根据所述样本部位识别图像集确定的多个样本有病灶标记图像；
根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型。
7.如权利要求6所述的白光模式下胃部标志物评估方法，其特征在于，所述根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型，包括：
通过预设的第二损失函数进行损失计算，得到多个第二损失值；
其中，所述第二损失函数为：
Figure 457024DEST_PATH_IMAGE007
其中m2所述样本部位识别图像集中的样本部位识别图像数量，
Figure 322343DEST_PATH_IMAGE008
为第m2个所述样本部位识别图像的样本预测值，
Figure 368797DEST_PATH_IMAGE009
为第m2个所述样本部位识别图像的样本真实值，所述胃镜图像部位识别模型训练过程中输出的预测值为
Figure DEST_PATH_IMAGE011A
，真实值为
Figure 733831DEST_PATH_IMAGE012
；
根据多个所述第二损失值对预设的病灶分割模型进行模型训练，得到已训练的病灶分割模型。
8.如权利要求1所述的白光模式下胃部标志物评估方法，其特征在于，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：
获取多个样本有病灶图像以及根据所述样本有病灶图像确定的多个萎缩病症标记图像；
根据多个所述样本有病灶图像和多个所述萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型。
9.如权利要求8所述的白光模式下胃部标志物评估方法，其特征在于，所述根据多个所述样本有病灶图像和多个所述萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型，包括：
通过预设的第三损失函数进行损失计算，得到多个第三损失值；
其中，所述第三损失函数为：
Figure 574748DEST_PATH_IMAGE013
其中m3为多个所述样本有病灶图像的图像总数量，
Figure 176631DEST_PATH_IMAGE014
为第i个所述样本有病灶图像有萎缩病症标志的预测概率，
Figure 777508DEST_PATH_IMAGE015
为符号函数0或1，如果第i个所述样本有病灶图像有萎缩病症标志，
Figure 148446DEST_PATH_IMAGE016
取值为1，否则
Figure 425844DEST_PATH_IMAGE015
取值为0，所述萎缩病症识别模型训练过程中输出的预测值为
Figure 498711DEST_PATH_IMAGE017
，真实值为
Figure 152546DEST_PATH_IMAGE018
；
根据多个所述第三损失值对预设的萎缩病症识别模型进行模型训练，得到已训练的萎缩病症识别模型。
10.一种白光模式下萎缩性胃炎风险评估系统，其特征在于，所述系统包括：
获取模块，用于获取白光模式下连续的序列化胃镜图像集，所述序列化胃镜图像集为内镜检查设备采集同一个病人的实时普通白光模式的胃镜视频后进行预处理后得到的；
部位识别模块，用于对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像；
病灶分割模块，用于分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；
萎缩病症识别模块，用于将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果，所述萎缩病症标志物识别顺序是按照胃窦小弯—胃窦大弯—胃角—胃体小弯—胃体大弯的顺序；
评估模块，用于根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估胃部萎缩性胃炎风险评估，得到胃部萎缩性胃炎风险评估结果；
若所述部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为胃部萎缩性胃炎风险评估结果为存在低风险萎缩性胃炎；
若所述部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则胃部萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；
若所述部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则胃部萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
CN202111173700.7A 2021-10-08 2021-10-08 一种白光模式下胃部标志物评估方法及系统 Active CN113610847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111173700.7A CN113610847B (zh) 2021-10-08 2021-10-08 一种白光模式下胃部标志物评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111173700.7A CN113610847B (zh) 2021-10-08 2021-10-08 一种白光模式下胃部标志物评估方法及系统

Publications (2)

Publication Number Publication Date
CN113610847A CN113610847A (zh) 2021-11-05
CN113610847B true CN113610847B (zh) 2022-01-04

Family

ID=78310896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111173700.7A Active CN113610847B (zh) 2021-10-08 2021-10-08 一种白光模式下胃部标志物评估方法及系统

Country Status (1)

Country Link
CN (1) CN113610847B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114464316B (zh) * 2022-04-11 2022-07-19 武汉大学 胃部异常风险等级预测方法、装置、终端及可读存储介质
CN116109559A (zh) * 2022-11-22 2023-05-12 武汉楚精灵医疗科技有限公司 胃部标志物的浸润深度检测方法、装置及存储介质
CN117456282B (zh) * 2023-12-18 2024-03-19 苏州凌影云诺医疗科技有限公司 一种针对消化内镜的胃部萎缩分型检测方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615037A (zh) * 2018-05-31 2018-10-02 武汉大学人民医院（湖北省人民医院） 基于深度学习的可控胶囊内镜操作实时辅助系统及操作方法
CN108695001A (zh) * 2018-07-16 2018-10-23 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的癌症病灶范围预测辅助系统及方法
CN109102491A (zh) * 2018-06-28 2018-12-28 武汉大学人民医院（湖北省人民医院） 一种胃镜图像自动采集系统及方法
CN110867233A (zh) * 2019-11-19 2020-03-06 西安邮电大学 用于生成电子喉镜医学检测报告的系统和方法
CN111127444A (zh) * 2019-12-26 2020-05-08 广州柏视医疗科技有限公司 基于深度语义网络的ct影像中自动识别放疗危及器官的方法
CN111899229A (zh) * 2020-07-14 2020-11-06 武汉楚精灵医疗科技有限公司 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
CN112075914A (zh) * 2020-10-14 2020-12-15 深圳市资福医疗技术有限公司 胶囊内窥镜检查系统
CN112132917A (zh) * 2020-08-27 2020-12-25 盐城工学院 一种直肠癌淋巴结转移的智能诊断方法
CN112651375A (zh) * 2021-01-05 2021-04-13 中国人民解放军陆军特色医学中心 基于深度学习模型的幽门螺杆菌胃部图像识别分类系统
CN112750531A (zh) * 2021-01-21 2021-05-04 广东工业大学 一种中医自动化望诊系统、方法、设备和介质
CN113395929A (zh) * 2019-02-08 2021-09-14 富士胶片株式会社 医疗图像处理装置、内窥镜系统、以及医疗图像处理方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111278348A (zh) * 2017-06-09 2020-06-12 株式会社Ai医疗服务 基于消化器官的内视镜影像的疾病的诊断支援方法、诊断支援系统、诊断支援程序及存储着此诊断支援程序的计算机能够读取的记录介质
CN107967946B (zh) * 2017-12-21 2021-05-11 武汉楚精灵医疗科技有限公司 基于深度学习的胃镜操作实时辅助系统及方法
WO2020066670A1 (ja) * 2018-09-27 2020-04-02 Hoya株式会社 電子内視鏡システム及びデータ処理装置
JP7068487B2 (ja) * 2018-09-27 2022-05-16 Hoya株式会社 電子内視鏡システム
WO2020203705A1 (ja) * 2019-04-02 2020-10-08 Hoya株式会社 電子内視鏡システム及びデータ処理装置
JP6877672B2 (ja) * 2019-04-26 2021-05-26 Hoya株式会社 電子内視鏡システム及びデータ処理装置
CN111986211A (zh) * 2020-08-14 2020-11-24 武汉大学 一种基于深度学习的眼科超声自动筛查方法及系统
CN112801958A (zh) * 2021-01-18 2021-05-14 青岛大学附属医院 超声内镜、人工智能辅助鉴别方法、系统、终端、介质
CN112908472B (zh) * 2021-03-16 2021-10-08 南通市第一人民医院 一种慢性溃疡感染风险评估方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615037A (zh) * 2018-05-31 2018-10-02 武汉大学人民医院（湖北省人民医院） 基于深度学习的可控胶囊内镜操作实时辅助系统及操作方法
CN109102491A (zh) * 2018-06-28 2018-12-28 武汉大学人民医院（湖北省人民医院） 一种胃镜图像自动采集系统及方法
CN108695001A (zh) * 2018-07-16 2018-10-23 武汉大学人民医院（湖北省人民医院） 一种基于深度学习的癌症病灶范围预测辅助系统及方法
CN113395929A (zh) * 2019-02-08 2021-09-14 富士胶片株式会社 医疗图像处理装置、内窥镜系统、以及医疗图像处理方法
CN110867233A (zh) * 2019-11-19 2020-03-06 西安邮电大学 用于生成电子喉镜医学检测报告的系统和方法
CN111127444A (zh) * 2019-12-26 2020-05-08 广州柏视医疗科技有限公司 基于深度语义网络的ct影像中自动识别放疗危及器官的方法
CN111899229A (zh) * 2020-07-14 2020-11-06 武汉楚精灵医疗科技有限公司 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
CN112132917A (zh) * 2020-08-27 2020-12-25 盐城工学院 一种直肠癌淋巴结转移的智能诊断方法
CN112075914A (zh) * 2020-10-14 2020-12-15 深圳市资福医疗技术有限公司 胶囊内窥镜检查系统
CN112651375A (zh) * 2021-01-05 2021-04-13 中国人民解放军陆军特色医学中心 基于深度学习模型的幽门螺杆菌胃部图像识别分类系统
CN112750531A (zh) * 2021-01-21 2021-05-04 广东工业大学 一种中医自动化望诊系统、方法、设备和介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A deep neural network improves endoscopic detection of early gastric cancer without blind spots;Lianlian Wu等;《Endoscopy 2019》;20191203;第522-531页 *
Expert-level classification of gastritis by endoscopy using deep learning: a multicenter diagnostic trial;Ganggang Mu 等;《Endoscopy International Open》;20210527;第9卷(第6期);第1-34页 *
Ganggang Mu 等.Expert-level classification of gastritis by endoscopy using deep learning: a multicenter diagnostic trial.《Endoscopy International Open》.2021,第9卷(第6期),第1-34页. *

Also Published As

Publication number Publication date
CN113610847A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN113610847B (zh) 一种白光模式下胃部标志物评估方法及系统
JP7404509B2 (ja) 深層学習に基づく消化管早期癌診断補助システム及び検査装置
JP7216376B2 (ja) 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体
JP6657480B2 (ja) 画像診断支援装置、画像診断支援装置の作動方法および画像診断支援プログラム
Igarashi et al. Anatomical classification of upper gastrointestinal organs under various image capture conditions using AlexNet
US9672620B2 (en) Reconstruction with object detection for images captured from a capsule camera
WO2020105699A9 (ja) 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体
JP2020078539A (ja) 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体
CN112614128A (zh) 一种基于机器学习的内镜下辅助活检的系统及方法
CN114266786A (zh) 基于生成对抗网络的胃病变分割方法及系统
CN111667453A (zh) 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法
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
CN113450305B (zh) 医疗图像的处理方法、系统、设备及可读存储介质
CN112651375A (zh) 基于深度学习模型的幽门螺杆菌胃部图像识别分类系统
CN114399465A (zh) 良恶性溃疡识别方法及系统
Bejakovic et al. Analysis of Crohn's disease lesions in capsule endoscopy images
Wang et al. Localizing and identifying intestinal metaplasia based on deep learning in oesophagoscope
Hossain et al. Deeppoly: deep learning based polyps segmentation and classification for autonomous colonoscopy examination
Ham et al. Improvement of gastroscopy classification performance through image augmentation using a gradient-weighted class activation map
CN116030303B (zh) 一种基于半监督孪生网络的视频结直肠病变分型方法
Vemuri Survey of computer vision and machine learning in gastrointestinal endoscopy
Liedlgruber et al. A summary of research targeted at computer-aided decision support in endoscopy of the gastrointestinal tract
JP2019013461A (ja) プローブ型共焦点レーザー顕微内視鏡画像診断支援装置
CN114332858A (zh) 病灶检测方法及装置、病灶检测模型获取方法
CN113920355A (zh) 部位类别识别方法及检查质量监控系统

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