CN114511556B - 胃黏膜出血风险预警方法、装置和医学图像处理设备 - Google Patents

胃黏膜出血风险预警方法、装置和医学图像处理设备 Download PDF

Info

Publication number
CN114511556B
CN114511556B CN202210340220.3A CN202210340220A CN114511556B CN 114511556 B CN114511556 B CN 114511556B CN 202210340220 A CN202210340220 A CN 202210340220A CN 114511556 B CN114511556 B CN 114511556B
Authority
CN
China
Prior art keywords
bleeding
stomach
type information
weight
medical 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.)
Active
Application number
CN202210340220.3A
Other languages
English (en)
Other versions
CN114511556A (zh
Inventor
于红刚
董泽华
杜泓柳
陶逍
吴练练
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 University WHU
Original Assignee
Wuhan University WHU
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 University WHU filed Critical Wuhan University WHU
Priority to CN202210340220.3A priority Critical patent/CN114511556B/zh
Publication of CN114511556A publication Critical patent/CN114511556A/zh
Application granted granted Critical
Publication of CN114511556B publication Critical patent/CN114511556B/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
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Endoscopes (AREA)

Abstract

本申请提供一种胃黏膜出血风险预警方法、装置和医学图像处理设备，方法包括：获取胃镜医学图像；通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度；根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重；根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，以根据胃黏膜出血风险等级进行风险预警。采用本方法，能够有效提升胃黏膜出血风险预警的准确率。

Description

胃黏膜出血风险预警方法、装置和医学图像处理设备
技术领域
本申请涉及计算机视觉技术领域，具体涉及一种胃黏膜出血风险预警方法、装置和医学图像处理设备。
背景技术
计算机视觉(Computer Vision，CV)是指通过图像传感器和计算机来代替人类对目标进行识别、跟踪和测量等处理，使得目标成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像语义分割、图像检索、人脸识别、指纹识别等技术。
近年来，以深度学习为中心的计算机视觉技术引起了人们的关注，并逐渐应用于医学领域。其中，胃黏膜出血是镜下较常见的表现，根据出血原因的不同可分为原发性病灶所致出血，以及继发性干预因素所致出血；根据出血性质的不同可分为喷射性出血、渗出性出血、陈旧性出血等，不同出血原因往往导致不同性质的出血，通过区分出血灶的性质，一定程度上可以对出血原因提供辅助诊断意见，进而实现精准快速的胃黏膜出血风险预警。
然而，目前主要利用人工分析胃镜图像中实际存在的出血性质，并未产生对出血性质进行鉴别且结合人工智能的新技术。因此，现有的胃镜图像识别精度较低，进而导致胃黏膜出血风险预警准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种胃黏膜出血风险预警方法、装置和医学图像处理设备，用以提高胃镜图像的识别精度，进而提升胃黏膜出血风险预警的准确率。
第一方面，本申请提供一种胃黏膜出血风险预警方法，包括：
获取胃镜医学图像；
通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度；
根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重；
根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，以根据胃黏膜出血风险等级进行风险预警。
在本申请一些实施例中，对象包括镜头距离，在通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度之后，还包括：通过已训练的图像分类模型，对胃镜医学图像进行镜头距离分类，得到镜头距离信息；镜头距离信息为第一距离、第二距离、第三距离之一，第一距离大于第二距离，第二距离大于第三距离；通过已训练的血迹分割模型，分析出血类型信息和镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例；分析时序情况下的胃黏膜出血比例，以对出血类型信息进行矫正。
在本申请一些实施例中，出血类型信息包括实质性出血和正常未出血，通过已训练的血迹分割模型，分析出血类型信息和镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例，包括：若出血类型信息为实质性出血，且镜头距离信息为第二距离，则判定胃镜医学图像为满足于预设筛选条件的目标医学图像；通过已训练的血迹分割模型，分析目标医学图像中的血迹范围尺寸，以根据血迹范围尺寸计算得到血迹面积；分析目标医学图像的图像尺寸，得到胃黏膜表面积；计算血迹面积与胃黏膜表面积之商，得到胃黏膜出血比例。
在本申请一些实施例中，分析时序情况下的胃黏膜出血比例，以对出血类型信息进行矫正，包括：基于预设的周期时间，重复执行目标医学图像的分析步骤，以按时序获取各目标医学图像的胃黏膜出血比例，得到第一比例和第二比例；计算第二比例与第一比例之商，得到流血相对速度；根据流血相对速度，对出血类型信息进行矫正；其中，与第一比例关联的目标医学图像的第一图像获取时刻早于与第二比例关联的目标医学图像的第二图像获取时刻。
在本申请一些实施例中，出血类型信息包括实质性出血和正常未出血，实质性出血包括活动性出血和陈旧性出血，出血置信度包括至少两个出血置信度，根据流血相对速度，对出血类型信息进行矫正，包括：基于预设的矫正权重，确定与各出血置信度关联的第一矫正权重，以及与流血相对速度关联的第二矫正权重；根据第一矫正权重、第二矫正权重、出血置信度以及流血相对速度，计算目标出血置信度；若目标出血置信度大于预设的出血置信度阈值，则将出血类型信息矫正为活动性出血；若目标出血置信度小于或等于出血置信度阈值，则将出血类型信息矫正为陈旧性出血；其中，目标出血置信度用于取代出血置信度，以计算胃黏膜出血风险等级。
在本申请一些实施例中，获取胃镜医学图像，包括：获取电子内窥镜在白光模式下的内镜视频；对内镜视频进行抽帧，得到内镜图像；对内镜图像进行预处理，得到胃镜医学图像；其中，预处理包括黑边裁剪、尺寸统一以及边界填充中的至少一种。
在本申请一些实施例中，对内镜图像进行预处理，得到胃镜医学图像，包括：对内镜图像进行黑边裁剪，得到包含胃镜结构的裁剪后的内镜图像；基于预设的目标尺寸和缩放系数，对裁剪后的内镜图像进行尺寸统一和边界填充，得到胃镜医学图像。
第二方面，本申请提供一种胃黏膜出血风险预警装置，包括：
图像获取模块，用于获取胃镜医学图像；
对象分类模块，用于通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度；
权重筛选模块，用于根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重；
风险计算模块，用于根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，以根据胃黏膜出血风险等级进行风险预警。
第三方面，本申请还提供一种医学图像处理设备，包括：
一个或多个处理器；
存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现胃黏膜出血风险预警方法。
第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行胃黏膜出血风险预警方法中的步骤。
第五方面，本申请实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。医学图像处理设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该医学图像处理设备执行上述第一方面提供的方法。
上述胃黏膜出血风险预警方法、装置和医学图像处理设备，服务器通过获取胃镜医学图像，然后通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度，再根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重，最后根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，即可根据胃黏膜出血风险等级进行风险预警。由于本申请提出结合深度学习技术实现对胃镜图像的精准分析，因而可有效提升胃黏膜出血风险预警的准确率。
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申请的一些实施例，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是本申请实施例中胃黏膜出血风险预警方法的场景示意图；
图2是本申请实施例中胃黏膜出血风险预警方法的流程示意图；
图3是本申请实施例中胃部分类步骤的流程示意图；
图4是本申请实施例中出血分类步骤的流程示意图；
图5是本申请实施例中镜头距离分类步骤的流程示意图；
图6是本申请实施例中血迹分割步骤的流程示意图；
图7是本申请实施例中流血相对速度计算步骤的对比示意图；
图8是本申请实施例中胃黏膜出血风险预警装置的结构示意图；
图9是本申请实施例中医学图像处理设备的结构示意图。
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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，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。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”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。
本申请提供的方案涉及计算机视觉技术，具体通过如下实施例进行说明：
计算机视觉技术(Computer Vision，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例提供一种胃黏膜出血风险预警方法、装置和医学图像处理设备，以下分别进行详细说明。
参阅图1，图1为本申请提供的胃黏膜出血风险预警方法的场景示意图，该胃黏膜出血风险预警方法可应用于胃黏膜出血风险预警系统中。其中，胃黏膜出血风险预警系统包括终端102和服务器104。终端102可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端102具体可以是台式终端或移动终端，终端102具体还可以是手机、平板电脑、笔记本电脑中的一种。服务器104可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。此外，终端102与服务器104之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的医学图像处理设备，例如图1中仅示出1个服务器104。可以理解的是，该胃黏膜出血风险预警系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该胃黏膜出血风险预警系统还可以包括存储器，用于存储数据，如存储医学图像。
需要说明的是，图1所示的胃黏膜出血风险预警系统的场景示意图仅仅是一个示例，本发明实施例描述的胃黏膜出血风险预警系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着胃黏膜出血风险预警系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
参阅图2，本申请实施例提供了一种胃黏膜出血风险预警方法，本实施例主要以该方法应用于上述图1中的服务器104来举例说明，该方法包括步骤S201至S204，具体如下：
S201，获取胃镜医学图像。
其中，本申请实施例涉及的医学图像分析(Medical Image Analysis)，是综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等学科的交叉领域。医学图像包括但不局限于：CT影像、PET（Positron Emission Computed Tomography，正电子发射型计算机断层显像）影像，或者MRI（Magnetic Resonance Imaging，核磁共振成像）影像等。
具体实现中，服务器104可采用如下几种方式之一，获取胃镜医学图像，例如：（1）从终端102或其他设备处获取胃镜医学图像；（2）从其他区块链节点服务器处同步获取得到胃镜医学图像；（3）从上级服务器请求得到，或是从下级服务器轮询得到胃镜医学图像。当然，服务器104还可从其他设备处首先获取用于获取胃镜医学图像的初始图像，进而分析该初始图像即可得到胃镜医学图像，具体将在下文详细说明。
在一个实施例中，本步骤包括：获取电子内窥镜在白光模式下的内镜视频；对内镜视频进行抽帧，得到内镜图像；对内镜图像进行预处理，得到胃镜医学图像；其中，预处理包括黑边裁剪、尺寸统一以及边界填充中的至少一种。
其中，内镜视频可以是电子内窥镜采集的视频，也可以是电子内窥镜采集后通过其他设备（如终端102）发送至服务器104的视频。
具体实现中，本申请提出在服务器104获取胃镜医学图像之前，若是获取到待检测的内镜视频，则可利用OpenCV、ffmpeg、via等工具对视频进行抽帧，得到连续帧的内镜图像。由此，作为后续分析依据的内镜图像可以不单是一帧，也可以是连续帧；若是连续帧，则将逐帧进行分析。
进一步地，服务器104获取到内镜图像之后，为了提升后续的图像分类准确率，进而提升胃黏膜出血风险预警的准确率，本申请提出可通过服务器104对内镜图像进行预处理，包括黑边裁剪（截取内镜图像中感兴趣的区域，即剔除掉无关的背景画面），尺寸统一（使图像尺寸满足模型输入条件）、边界填充（将图像处理为正方形，以使符合深度学习模型训练的规则）。
更进一步地，服务器104针对胃镜医学图像的获取方式可以是被动接收方式，也可以是主动获取方式，例如，接收到终端102发送的胃黏膜出血风险预警请求，即得到了请求中携带的初始图像或胃镜医学图像；又例如，基于用户预设的胃黏膜出血风险预警启动时间，向终端102发起图像获取请求，以获取终端102反馈的初始图像或胃镜医学图像。可以理解的是，终端102可以是医学摄像机，例如电子内窥镜，也可以是与医学摄像机建立有通信连接且用于传输图像的设备。
需要说明的是，本申请实施例提及的光源模式，是指电子内窥镜启动的光源模式，包括普通白光模式，该光源模式可基于预设程序启动，启动程序可设置于终端102中，也可设置于服务器104中，具体本申请不做限定。
在一个实施例中，对内镜图像进行预处理，得到胃镜医学图像，包括：对内镜图像进行黑边裁剪，得到包含胃镜结构的裁剪后的内镜图像；基于预设的目标尺寸和缩放系数，对裁剪后的内镜图像进行尺寸统一和边界填充，得到胃镜医学图像。
具体实现中，服务器104可先裁去内镜图像的黑边，仅保留胃镜结构，得到裁剪后 的内镜图像。然后假设裁剪后的内镜图像尺寸为
Figure 883831DEST_PATH_IMAGE001
，目标尺寸为
Figure 738655DEST_PATH_IMAGE002
，确定缩放 系数为
Figure 970922DEST_PATH_IMAGE003
，则缩放后的图像尺寸为
Figure 303814DEST_PATH_IMAGE004
。 如此，边界填充时使原图居中，在边缘填充黑边，即宽边填充宽度：
Figure 72181DEST_PATH_IMAGE005
，长边填充宽度：
Figure 832327DEST_PATH_IMAGE006
，即可 得到胃镜医学图像。
S202，通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度。
其中，已训练的图像分类模型可以是由至少一个VGG-16模型、ResNet-50模型串联或并联构成，因其预先采用了胃镜样本图像进行迭代训练，具备有针对于胃部、血样甚至于镜头距离等对象的分类功能，故而称之为“已训练的图像分类模型”。可以理解的是，能够对胃镜医学图像进行胃部分类的图像分类模型，可称之为“胃部分类模型”，能够对胃镜医学图像进行血样（出血类型）分类的图像分类模型，可称之为“出血分类模型”，此处的“胃部分类模型”和“出血分类模型”统称为“图像分类模型”，即这两个模型可以是串联的，又或是并联的。
具体实现中，服务器104获取胃镜医学图像的胃部类型信息和出血类型信息之前，可首先获取已训练的图像分类模型，模型获取步骤包括：构建初始的图像分类模型；获取胃镜样本图像集，并将胃镜样本图像集划分为训练集和测试集，胃镜样本图像集中包括多个已标注胃部信息和/或出血类型的胃镜样本图像；使用训练集对初始的图像分类模型进行初步训练，得到初步训练后的图像分类模型；使用测试集对初步训练后的图像分类模型进行调试，得到已训练的图像分类模型。
进一步地，服务器104获取到已训练的图像分类模型之后，即可调用已训练的图像分类模型，并将胃镜医学图像输入至该模型，即可得到胃镜医学图像的胃部类型信息和出血类型信息，同时模型将输出与胃部类型信息关联的胃部置信度，以及与出血类型信息关联的出血置信度。
例如，如图3所示，已训练的胃部分类模型可以由VGG-16模型构成，若将胃镜医学 图像输入至已训练的胃部分类模型，则模型将分析输出该胃镜医学图像的胃部类型信息和 胃部置信度，此时的胃部类型信息为“①胃窦、②正镜胃体下部、③正镜胃体中上部、④倒镜 胃角、⑤倒镜胃体中上部、⑥倒镜胃底、⑦无效图像”之一。其中，“无效图像”指食管图像、十 二指肠图像及其它胃部图像，因太模糊而导致无法辨识的胃镜医学图像。胃部置信度可表 示为“
Figure 568202DEST_PATH_IMAGE007
”。
又例如，如图4所示，已训练的出血分类模型可以由ResNet-50模型构成，若将胃镜 医学图像输入至已训练的出血分类模型，则模型将分析输出该胃镜医学图像的出血类型信 息和出血置信度，此时的出血类型信息为“①活动性出血、②陈旧性出血、③正常未出血”之 一。其中，“活动性出血和陈旧性出血”统称为“实质性出血”。出血置信度可表示为“
Figure 219632DEST_PATH_IMAGE008
”。
在一个实施例中，对象包括镜头距离，在本步骤之后，还包括：通过已训练的图像分类模型，对胃镜医学图像进行镜头距离分类，得到镜头距离信息；镜头距离信息为第一距离、第二距离、第三距离之一，第一距离大于第二距离，第二距离大于第三距离；通过已训练的血迹分割模型，分析出血类型信息和镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例；分析时序情况下的胃黏膜出血比例，以对出血类型信息进行矫正。
其中，镜头距离是指内镜设备（如电子内窥镜）与胃黏膜之间的距离。
其中，第一距离、第二距离以及第三距离可以是根据实际业务需求设定的距离范围，例如，第一距离为“10毫米至14毫米”，第二距离为“5毫米至9毫米”，第三距离为“1毫米至4毫米”，则第一距离大于第二距离，第二距离大于第三距离，第一距离和称为“远距离”，第二距离可称为“中等距离”，第三距离可称为“近距离”，但具体的距离数值本申请实施例不做限定。
具体实现中，为了提升胃粘膜出血风险预警准确率，当前已确定用于分析胃黏膜出血风险等级的出血类型信息，其精准度并不一定高，为了进一步提升出血类型信息的精度，本申请实施例提出对出血类型信息进行分析矫正，具体详见本实施例中提及的方式，以及后续实施例中提及的方式。
具体而言，能够对胃镜医学图像进行镜头距离分类的图像分类模型，可称之为“距离分类模型”，服务器104获取胃镜医学图像的镜头距离信息之前，可首先获取已训练的距离分类模型，距离分类模型的获取步骤同上述胃部分类模型和出血分类模型的获取步骤大致相同，区别仅在于用于训练距离分类模型的胃镜样本图像集，其包括多个已标注镜头距离的胃镜样本图像。
进一步地，服务器104获取到已训练的距离分类模型之后，即可调用已训练的距离分类模型，并将胃镜医学图像输入至该模型，即可得到胃镜医学图像的镜头距离信息。
例如，如图5所示，已训练的距离分类模型可以由VGG-16模型构成，若将胃镜医学图像输入至已训练的距离分类模型，则模型将分析输出该胃镜医学图像的镜头距离信息，此时的镜头距离信息为“①近距离、②中等距离、③远距离”之一。如此即可确定当前所分析的胃镜医学图像的镜头距离信息。
在一个实施例中，出血类型信息包括实质性出血和正常未出血，通过已训练的血迹分割模型，分析出血类型信息和镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例，包括：若出血类型信息为实质性出血，且镜头距离信息为第二距离，则判定胃镜医学图像为满足于预设筛选条件的目标医学图像；通过已训练的血迹分割模型，分析目标医学图像中的血迹范围尺寸，以根据血迹范围尺寸计算得到血迹面积；分析目标医学图像的图像尺寸，得到胃黏膜表面积；计算血迹面积与胃黏膜表面积之商，得到胃黏膜出血比例。
其中，实质性出血包括活动性出血和陈旧性出血，活动性出血可以细分为渗血、流血。
具体实现中，已训练的血迹分割模型可以由Unet++模型构成，已训练的血迹分割模型的获取步骤可参阅上述实施例，包括构建初始模型、获取样本图像集，利用样本图像集对初始模型进行训练测试，差异仅在于本实施例中所需的样本图像集包括多个已标注血迹范围的图像。
进一步地，服务器104分析得到胃镜医学图像的镜头距离信息之后，即可调用已训练的血迹分割模型，用以分析满足于预设筛选条件的目标医学图像。对于目标医学图像的筛选，可根据实际业务需求设置筛选条件。例如，本实施例中将筛选条件设置为：出血类型信息为实质性出血，且镜头距离信息为第二距离，其原理在于：实现对胃黏膜出血的风险预警，而当出血类型信息为正常未出血时即不存在风险，也即无需进一步分析；而第二距离是指中等距离，即电子内窥镜距离胃黏膜表面的距离，无论该距离过近还是过远，均易导致胃镜医学图像的信息采集精度不够，进而导致胃黏膜出血风险预警的准确率低。
更进一步地，基于上述准备即可调用已训练的血迹分割模型，实现对目标医学图像中所含实质性出血的出血位置进行血迹标注分割，得到血迹范围尺寸，进而测量该血迹范围尺寸得到血迹面积。然后，服务器104再进一步分析目标医学图像的图像尺寸，即可得到胃黏膜表面积，最终分析得到胃黏膜出血比例。
例如，如图6所示，服务器104可将目标医学图像输入至已训练的血迹分割模型中，即可使其输出目标医学图像中的血迹范围，并分割提取得到血迹范围图像，进而分析得到血迹范围尺寸。
在一个实施例中，分析时序情况下的胃黏膜出血比例，以对出血类型信息进行矫正，包括：基于预设的周期时间，重复执行目标医学图像的分析步骤，以按时序获取各目标医学图像的胃黏膜出血比例，得到第一比例和第二比例；计算第二比例与第一比例之商，得到流血相对速度；根据流血相对速度，对出血类型信息进行矫正；其中，与第一比例关联的目标医学图像的第一图像获取时刻早于与第二比例关联的目标医学图像的第二图像获取时刻。
其中，周期时间可以是具有一定时间间隔的时间序列，例如，时间间隔为“2分钟”，若是在“零点零分整”获取到一帧胃镜医学图像，则可在“零点两分整”获取下一帧胃镜医学图像。
其中，第一比例可以为第一时刻提取到的胃镜医学图像（此时也是目标医学图像）的胃黏膜出血比例，第二比例则是晚于第一时刻的第二时刻提取到的胃镜医学图像（此时也是目标医学图像）的胃黏膜出血比例。例如，第一时刻为“2022年1月1日零点零分整”，若预设的时间间隔为“2分钟”，则第二时刻为“2022年1月1日零点两分整”，此时的“2022年1月1日零点零分整”和“2022年1月1日零点两分整”即为预设的周期时间，存在一定周期性。
具体实现中，为了提升胃粘膜出血风险预警准确率，上述实施例已详述镜头距离信息的获取步骤，胃黏膜出血比例的计算步骤，而基于上述两种步骤的解析，本实施例将要提出的是流血相对速度的分析计算，以进一步确定出血类型信息的精准度，判断其是否需要矫正。
具体而言，服务器104在分析某一帧胃镜医学图像的镜头距离信息，并基于该镜头距离信息筛选确定了目标医学图像，进而分析得到目标医学图像的胃黏膜出血比例之后，即可基于周期时间，等时间间隔地提取胃镜医学图像进行目标医学图像分析，甚至于进一步的胃黏膜出血比例获取，以此获取前后两个时刻下的胃黏膜出血比例，进而计算得到流血相对速度。
例如，如图7所示，流血相对速度（
Figure 91773DEST_PATH_IMAGE009
）的计算公式如下：
Figure 42061DEST_PATH_IMAGE010
，其 中的“
Figure 999653DEST_PATH_IMAGE011
”为“
Figure 939927DEST_PATH_IMAGE012
”时刻的胃黏膜出血比例，“
Figure 650263DEST_PATH_IMAGE013
”为“
Figure 283369DEST_PATH_IMAGE014
”时刻的胃黏膜出血比例，
Figure 478990DEST_PATH_IMAGE014
早于
Figure 691796DEST_PATH_IMAGE012
。
在一个实施例中，出血类型信息包括实质性出血和正常未出血，实质性出血包括活动性出血和陈旧性出血，出血置信度包括至少两个出血置信度，根据流血相对速度，对出血类型信息进行矫正，包括：基于预设的矫正权重，确定与各出血置信度关联的第一矫正权重，以及与流血相对速度关联的第二矫正权重；根据第一矫正权重、第二矫正权重、出血置信度以及流血相对速度，计算目标出血置信度；若目标出血置信度大于预设的出血置信度阈值，则将出血类型信息矫正为活动性出血；若目标出血置信度小于或等于出血置信度阈值，则将出血类型信息矫正为陈旧性出血；其中，目标出血置信度用于取代出血置信度，以计算胃黏膜出血风险等级。
具体实现中，可结合出血置信度（
Figure 522218DEST_PATH_IMAGE015
）和流血相对速度（
Figure 60647DEST_PATH_IMAGE016
），对出 血类型信息进行矫正，公式如下：
Figure 992831DEST_PATH_IMAGE017
其中，“
Figure 22710DEST_PATH_IMAGE018
”至“
Figure 723950DEST_PATH_IMAGE019
”是预设的矫正权重，其数值可根据实际业务需求设置，例如，陈 旧性出血的
Figure 698859DEST_PATH_IMAGE020
，活动性出血的
Figure 102027DEST_PATH_IMAGE021
；流血相对速度的
Figure 187795DEST_PATH_IMAGE022
。那么，第一矫 正权重包括
Figure 494274DEST_PATH_IMAGE023
和
Figure 640084DEST_PATH_IMAGE024
，第二矫正权重包括
Figure 281281DEST_PATH_IMAGE025
。
具体而言，基于上述公式计算出目标出血置信度（
Figure 154428DEST_PATH_IMAGE026
）之后，可对其进行 判断，若“
Figure 830260DEST_PATH_IMAGE027
”，则判定为矫正后的出血类型信息为活动性出血；若“
Figure 412551DEST_PATH_IMAGE028
”，则判定为矫正后的出血类型信息为陈旧性出血。此时可以理解的 是，示例出的出血置信度阈值为“0.75”，但本申请实施例对此不做限定。
进一步地，针对出血类型信息的矫正，其主要作用在于调整用于分析胃黏膜出血 风险等级的出血置信度，若无此矫正环节，则服务器104在分析出胃部置信度（
Figure 17408DEST_PATH_IMAGE029
） 和出血置信度（
Figure 444979DEST_PATH_IMAGE030
）之后，仅需再结合已确定的胃部类型信息和出血类型信息计 算胃黏膜出血风险等级（
Figure 975317DEST_PATH_IMAGE031
），具体将在下文详细说明。而本实施例中需要补充说明的 是，若延续本实施例示出的矫正步骤，则胃黏膜出血风险等级（
Figure 712198DEST_PATH_IMAGE031
）的计算公式如下：
Figure 62408DEST_PATH_IMAGE032
其中，“
Figure 44401DEST_PATH_IMAGE033
”指代胃部类型权重，由于胃部类型信息存在七种类型，且已训练的图 像分类模型在前序步骤中将输出各个胃部类型信息对应的各个胃部置信度，因此胃部类型 权重（
Figure 429246DEST_PATH_IMAGE034
）也存在七种，分别设置为：
Figure 87761DEST_PATH_IMAGE035
，各个胃部置信度也分别表 示为：
Figure 440114DEST_PATH_IMAGE036
,
Figure 943907DEST_PATH_IMAGE037
。
其中，“
Figure 196641DEST_PATH_IMAGE038
”指代出血类型权重，由于上文已详细说明了目标出血置信度（
Figure 760477DEST_PATH_IMAGE039
）的来源，因此结合前序步骤可计算得到胃黏膜出血风险等级（
Figure 616438DEST_PATH_IMAGE031
），进而可 根据胃黏膜出血风险等级进行风险预警，风险预警的判断步骤将在下文详细说明，且不考 虑矫正方案的风险预警方案也可参阅下文。
S203，根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重。
其中，胃部类型权重的设置取决于各个胃解剖学部位的重要程度，实际也可根据 业务需求进行设置。例如，上述实施例中已说明胃部类型包括“①胃窦、②正镜胃体下部、③ 正镜胃体中上部、④倒镜胃角、⑤倒镜胃体中上部、⑥倒镜胃底、⑦无效图像”，则胃部类型 权重可设置如下：①胃窦
Figure 438769DEST_PATH_IMAGE034
=0.1、②正镜胃体下部
Figure 532627DEST_PATH_IMAGE040
=0.1、③正镜胃体中上部
Figure 532944DEST_PATH_IMAGE041
= 0.2、④倒镜胃角
Figure 95775DEST_PATH_IMAGE041
=0.2、⑤倒镜胃体中上部
Figure 472529DEST_PATH_IMAGE040
=0.2、⑥倒镜胃底
Figure 686473DEST_PATH_IMAGE040
=0.2。可以理解 的是，因“无效图像”在后续步骤中无需分析其胃黏膜出血风险，故而无需设置胃部类型权 重。
其中，出血类型权重可表示为“
Figure 106959DEST_PATH_IMAGE042
”，出血类型权重的设置取决于各个出血类 型的危险性程度，实际也可根据业务需求进行设置。例如，上述实施例中已说明出血类型包 括“①活动性出血、②陈旧性出血、③正常未出血”，则出血类型权重可设置如下：①活动性 出血
Figure 406353DEST_PATH_IMAGE042
=0.8，②陈旧性出血
Figure 74882DEST_PATH_IMAGE042
=0.2。可以理解的是，因“正常未出血”在后续步骤中 无需分析其胃黏膜出血风险，故而无需设置出血类型权重。
具体实现中，如上所述，胃部类型权重和出血类型权重均对应不同的胃部类型和出血类型存在多个参数，胃部类型反映的是出血部位，出血类型反映的是出血性质。为了提升胃黏膜出血风险预警的准确率，本申请实施例提出通过对出血部位和出血性质进行加权，来判断胃黏膜出血程度的危险性，则需根据胃部类型信息和出血类型信息，筛选出目标胃部权重和目标出血权重，作为后续分析依据。
例如，服务器104的数据库中当前存有胃部类型权重：①胃窦
Figure 143332DEST_PATH_IMAGE033
=0.1、②正镜胃 体下部
Figure 485452DEST_PATH_IMAGE033
=0.1、③正镜胃体中上部
Figure 521410DEST_PATH_IMAGE043
=0.2、④倒镜胃角
Figure 974388DEST_PATH_IMAGE033
=0.2、⑤倒镜胃体中上部
Figure 162924DEST_PATH_IMAGE033
=0.2、⑥倒镜胃底
Figure 692256DEST_PATH_IMAGE033
=0.2；出血类型权重：①活动性出血
Figure 966243DEST_PATH_IMAGE042
=0.8，②陈旧性出血
Figure 222912DEST_PATH_IMAGE042
=0.2；而此时分析得到的胃部类型信息为“倒镜胃角”，出血类型信息为“渗血”，则目 标胃部权重为“0.2”、目标出血权重为“0.8”。
S204，根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，以根据胃黏膜出血风险等级进行风险预警。
其中，胃黏膜出血风险等级可以根据实际业务需求预设，即胃黏膜出血风险等级的等级数量和等级差距本申请不做限定。
具体实现中，本申请实施例提出一种测量胃黏膜出血风险等级的公式：
Figure 515222DEST_PATH_IMAGE044
其中，“
Figure 199144DEST_PATH_IMAGE033
”为胃部类型权重中用于计算胃黏膜出血风险等级的目标胃部权重，“
Figure 177071DEST_PATH_IMAGE045
”为出血类型权重中用于计算胃黏膜出血风险等级的目标出血权重，“
Figure 237431DEST_PATH_IMAGE046
” 为胃部置信度，“
Figure 134979DEST_PATH_IMAGE047
”为出血置信度，“
Figure 973491DEST_PATH_IMAGE031
”为胃黏膜出血风险等级。
例如，当“Risk>0.8”时，判定为高危；当“
Figure 222070DEST_PATH_IMAGE048
”时，判定为中危；当“
Figure 571274DEST_PATH_IMAGE049
”时，判定为低危。
上述实施例中的胃黏膜出血风险预警方法，服务器通过获取胃镜医学图像，然后通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度，再根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重，最后根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，即可根据胃黏膜出血风险等级进行风险预警。由于本申请提出结合深度学习技术实现对胃镜图像的精准分析，即通过结合出血部位、血迹面积、胃黏膜出血比例、流血相对速度等指标的判断，综合预测出血类型与出血性质，因而可有效提升胃黏膜出血风险预警的准确率。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了更好实施本申请实施例提供的胃黏膜出血风险预警方法，在本申请实施例所提胃黏膜出血风险预警方法的基础之上，本申请实施例中还提供一种胃黏膜出血风险预警装置，如图8所示，胃黏膜出血风险预警装置800包括：
图像获取模块810，用于获取胃镜医学图像；
对象分类模块820，用于通过已训练的图像分类模型，对胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度；
权重筛选模块830，用于根据胃部类型信息和出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重；
风险计算模块840，用于根据目标胃部权重、目标出血权重、胃部置信度以及出血置信度，计算胃镜医学图像的胃黏膜出血风险等级，以根据胃黏膜出血风险等级进行风险预警。
在本申请一些实施例中，对象包括镜头距离，胃黏膜出血风险预警装置800还包括镜头距离分类模块，用于通过已训练的图像分类模型，对胃镜医学图像进行镜头距离分类，得到镜头距离信息；镜头距离信息为第一距离、第二距离、第三距离之一，第一距离大于第二距离，第二距离大于第三距离；通过已训练的血迹分割模型，分析出血类型信息和镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例；分析时序情况下的胃黏膜出血比例，以对出血类型信息进行矫正。
在本申请一些实施例中，出血类型信息包括实质性出血和正常未出血，镜头距离分类模块还用于若出血类型信息为实质性出血，且镜头距离信息为第二距离，则判定胃镜医学图像为满足于预设筛选条件的目标医学图像；通过已训练的血迹分割模型，分析目标医学图像中的血迹范围尺寸，以根据血迹范围尺寸计算得到血迹面积；分析目标医学图像的图像尺寸，得到胃黏膜表面积；计算血迹面积与胃黏膜表面积之商，得到胃黏膜出血比例。
在本申请一些实施例中，镜头距离分类模块还用于基于预设的周期时间，重复执行目标医学图像的分析步骤，以按时序获取各目标医学图像的胃黏膜出血比例，得到第一比例和第二比例；计算第二比例与第一比例之商，得到流血相对速度；根据流血相对速度，对出血类型信息进行矫正；其中，与第一比例关联的目标医学图像的第一图像获取时刻早于与第二比例关联的目标医学图像的第二图像获取时刻。
在本申请一些实施例中，出血类型信息包括实质性出血和正常未出血，实质性出血包括活动性出血和陈旧性出血，出血置信度包括至少两个出血置信度，根据流血相对速度，对出血类型信息进行矫正，包括：基于预设的矫正权重，确定与各出血置信度关联的第一矫正权重，以及与流血相对速度关联的第二矫正权重；根据第一矫正权重、第二矫正权重、出血置信度以及流血相对速度，计算目标出血置信度；若目标出血置信度大于预设的出血置信度阈值，则将出血类型信息矫正为活动性出血；若目标出血置信度小于或等于出血置信度阈值，则将出血类型信息矫正为陈旧性出血；其中，目标出血置信度用于取代出血置信度，以计算胃黏膜出血风险等级。
在本申请一些实施例中，图像获取模块810还用于获取电子内窥镜在白光模式下的内镜视频；对内镜视频进行抽帧，得到内镜图像；对内镜图像进行预处理，得到胃镜医学图像；其中，预处理包括黑边裁剪、尺寸统一以及边界填充中的至少一种。
在本申请一些实施例中，图像获取模块810还用于对内镜图像进行黑边裁剪，得到包含胃镜结构的裁剪后的内镜图像；基于预设的目标尺寸和缩放系数，对裁剪后的内镜图像进行尺寸统一和边界填充，得到胃镜医学图像。
上述实施例，由于本申请提出结合深度学习技术实现对胃镜图像的精准分析，即通过结合出血部位、血迹面积、胃黏膜出血比例、流血相对速度等指标的判断，综合预测出血类型与出血性质，因而可有效提升胃黏膜出血风险预警的准确率。
在本申请一些实施例中，胃黏膜出血风险预警装置800可以实现为一种计算机程序的形式，计算机程序可在如图9所示的医学图像处理设备上运行。医学图像处理设备的存储器中可存储组成该胃黏膜出血风险预警装置800的各个程序模块，比如图8所示的图像获取模块810、对象分类模块820、权重筛选模块830以及风险计算模块840。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的胃黏膜出血风险预警方法中的步骤。
例如，图9所示的医学图像处理设备可以通过如图8所示的胃黏膜出血风险预警装置800中的图像获取模块810执行步骤S201。医学图像处理设备可通过对象分类模块820执行步骤S202。医学图像处理设备可通过权重筛选模块830执行步骤S203。医学图像处理设备可通过风险计算模块840执行步骤S204。该医学图像处理设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该医学图像处理设备的处理器用于提供计算和控制能力。该医学图像处理设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该医学图像处理设备的网络接口用于与外部的医学图像处理设备通过网络连接通信。该计算机程序被处理器执行时以实现一种胃黏膜出血风险预警方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的医学图像处理设备的限定，具体的医学图像处理设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请一些实施例中，提供了一种医学图像处理设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述胃黏膜出血风险预警方法的步骤。此处胃黏膜出血风险预警方法的步骤可以是上述各个实施例的胃黏膜出血风险预警方法中的步骤。
在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述胃黏膜出血风险预警方法的步骤。此处胃黏膜出血风险预警方法的步骤可以是上述各个实施例的胃黏膜出血风险预警方法中的步骤。
本邻域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种胃黏膜出血风险预警方法、装置和医学图像处理设备进行了详细介绍，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)

1.一种胃黏膜出血风险预警方法，其特征在于，包括：
获取胃镜医学图像；
通过已训练的图像分类模型，对所述胃镜医学图像进行对象分类，得到胃部类型信息和与所述胃部类型信息关联的胃部置信度，以及出血类型信息和与所述出血类型信息关联的出血置信度；其中，所述胃部类型信息至少包括如下之一：胃窦、正镜胃体下部、正镜胃体中上部、倒镜胃角、倒镜胃体中上部、倒镜胃底、无效图像；所述出血类型信息至少包括如下之一：活动性出血、陈旧性出血、正常未出血；
根据所述胃部类型信息和所述出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重；其中，各所述胃部类型权重之和为“1”，分别包括：胃窦权重、正镜胃体下部权重、正镜胃体中上部权重、倒镜胃角权重、倒镜胃体中上部权重、倒镜胃底权重；各所述出血类型权重之和为“1”，分别包括：活动性出血权重、陈旧性出血权重；
根据所述目标胃部权重、所述目标出血权重、所述胃部置信度以及所述出血置信度，计算所述胃镜医学图像的胃黏膜出血风险等级，以根据所述胃黏膜出血风险等级进行风险预警；其中，所述胃黏膜出血风险等级为第一积值与第二积值之和，所述第一积值为所述目标胃部权重与所述胃部置信度之积，所述第二积值为所述目标出血权重与所述出血置信度之积。
2.如权利要求1所述的方法，其特征在于，所述对象包括镜头距离，在所述通过已训练的图像分类模型，对所述胃镜医学图像进行对象分类，得到胃部类型信息和胃部置信度，以及出血类型信息和出血置信度之后，还包括：
通过已训练的图像分类模型，对所述胃镜医学图像进行镜头距离分类，得到镜头距离信息；所述镜头距离信息为第一距离、第二距离、第三距离之一，所述第一距离大于所述第二距离，所述第二距离大于所述第三距离；
通过已训练的血迹分割模型，分析所述出血类型信息和所述镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例；其中，所述预设筛选条件包括：所述出血类型信息为实质性出血，且所述镜头距离信息为所述第二距离，所述实质性出血包括所述活动性出血和所述陈旧性出血；
分析时序情况下的胃黏膜出血比例，以对所述出血类型信息进行矫正；其中，所述时序情况下的胃黏膜出血比例包括前后两个时刻下的胃黏膜出血比例，所述前后两个时刻为周期时间。
3.如权利要求2所述的方法，其特征在于，所述出血类型信息包括实质性出血和正常未出血，所述通过已训练的血迹分割模型，分析所述出血类型信息和所述镜头距离信息满足于预设筛选条件的目标医学图像，得到胃黏膜出血比例，包括：
若所述出血类型信息为所述实质性出血，且所述镜头距离信息为所述第二距离，则判定所述胃镜医学图像为满足于预设筛选条件的目标医学图像；
通过所述已训练的血迹分割模型，分析所述目标医学图像中的血迹范围尺寸，以根据所述血迹范围尺寸计算得到血迹面积；
分析所述目标医学图像的图像尺寸，得到胃黏膜表面积；
计算所述血迹面积与所述胃黏膜表面积之商，得到所述胃黏膜出血比例。
4.如权利要求2所述的方法，其特征在于，所述分析时序情况下的胃黏膜出血比例，以对所述出血类型信息进行矫正，包括：
基于预设的周期时间，重复执行所述目标医学图像的分析步骤，以按时序获取各所述目标医学图像的胃黏膜出血比例，得到第一比例和第二比例；
计算所述第二比例与所述第一比例之商，得到流血相对速度；
根据所述流血相对速度，对所述出血类型信息进行矫正；其中，与所述第一比例关联的目标医学图像的第一图像获取时刻早于与所述第二比例关联的目标医学图像的第二图像获取时刻。
5.如权利要求4所述的方法，其特征在于，所述出血类型信息包括实质性出血和正常未出血，所述实质性出血包括活动性出血和陈旧性出血，所述出血置信度包括至少两个出血置信度，所述根据所述流血相对速度，对所述出血类型信息进行矫正，包括：
基于预设的矫正权重，确定与各所述出血置信度关联的第一矫正权重，以及与所述流血相对速度关联的第二矫正权重；
根据所述第一矫正权重、所述第二矫正权重、所述出血置信度以及所述流血相对速度，计算目标出血置信度；
若所述目标出血置信度大于预设的出血置信度阈值，则将所述出血类型信息矫正为所述活动性出血；
若所述目标出血置信度小于或等于所述出血置信度阈值，则将所述出血类型信息矫正为所述陈旧性出血；
其中，所述目标出血置信度用于取代所述出血置信度，以计算所述胃黏膜出血风险等级。
6.如权利要求1所述的方法，其特征在于，所述获取胃镜医学图像，包括：
获取电子内窥镜在白光模式下的内镜视频；
对所述内镜视频进行抽帧，得到内镜图像；
对所述内镜图像进行预处理，得到所述胃镜医学图像；其中，所述预处理包括黑边裁剪、尺寸统一以及边界填充中的至少一种。
7.如权利要求6所述的方法，其特征在于，所述对所述内镜图像进行预处理，得到所述胃镜医学图像，包括：
对所述内镜图像进行黑边裁剪，得到包含胃镜结构的裁剪后的内镜图像；
基于预设的目标尺寸和缩放系数，对所述裁剪后的内镜图像进行尺寸统一和边界填充，得到所述胃镜医学图像。
8.一种胃黏膜出血风险预警装置，其特征在于，包括：
图像获取模块，用于获取胃镜医学图像；
对象分类模块，用于通过已训练的图像分类模型，对所述胃镜医学图像进行对象分类，得到胃部类型信息和与所述胃部类型信息关联的胃部置信度，以及出血类型信息和与所述出血类型信息关联的出血置信度；其中，所述胃部类型信息至少包括如下之一：胃窦、正镜胃体下部、正镜胃体中上部、倒镜胃角、倒镜胃体中上部、倒镜胃底、无效图像；所述出血类型信息至少包括如下之一：活动性出血、陈旧性出血、正常未出血；
权重筛选模块，用于根据所述胃部类型信息和所述出血类型信息，分别从预存的多个胃部类型权重和出血类型权重中筛选出目标胃部权重和目标出血权重；其中，各所述胃部类型权重之和为“1”，分别包括：胃窦权重、正镜胃体下部权重、正镜胃体中上部权重、倒镜胃角权重、倒镜胃体中上部权重、倒镜胃底权重；各所述出血类型权重之和为“1”，分别包括：活动性出血权重、陈旧性出血权重；
风险计算模块，用于根据所述目标胃部权重、所述目标出血权重、所述胃部置信度以及所述出血置信度，计算所述胃镜医学图像的胃黏膜出血风险等级，以根据所述胃黏膜出血风险等级进行风险预警；其中，所述胃黏膜出血风险等级为第一积值与第二积值之和，所述第一积值为所述目标胃部权重与所述胃部置信度之积，所述第二积值为所述目标出血权重与所述出血置信度之积。
9.一种医学图像处理设备，其特征在于，包括：
一个或多个处理器；
存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的胃黏膜出血风险预警方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的胃黏膜出血风险预警方法中的步骤。
CN202210340220.3A 2022-04-02 2022-04-02 胃黏膜出血风险预警方法、装置和医学图像处理设备 Active CN114511556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210340220.3A CN114511556B (zh) 2022-04-02 2022-04-02 胃黏膜出血风险预警方法、装置和医学图像处理设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210340220.3A CN114511556B (zh) 2022-04-02 2022-04-02 胃黏膜出血风险预警方法、装置和医学图像处理设备

Publications (2)

Publication Number Publication Date
CN114511556A CN114511556A (zh) 2022-05-17
CN114511556B true CN114511556B (zh) 2022-07-19

Family

ID=81555539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210340220.3A Active CN114511556B (zh) 2022-04-02 2022-04-02 胃黏膜出血风险预警方法、装置和医学图像处理设备

Country Status (1)

Country Link
CN (1) CN114511556B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761365B (zh) * 2022-11-28 2023-12-01 首都医科大学附属北京友谊医院 术中出血状况的确定方法、装置和电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11185236B2 (en) * 2015-12-28 2021-11-30 Cerner Innovation, Inc. Methods and system for hemorrhage-specific determinations
WO2019025656A1 (es) * 2017-07-31 2019-02-07 Servicio Andaluz De Salud Método para predecir o pronosticar el riesgo de muerte o vasoespasmo de un paciente con hemorragia subaracnoidea
US11210779B2 (en) * 2018-09-07 2021-12-28 Siemens Healthcare Gmbh Detection and quantification for traumatic bleeding using dual energy computed tomography
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
CN113096796B (zh) * 2021-04-01 2022-09-02 四川大学华西医院 脑出血血肿扩大风险智能化预测系统及方法
CN113744223A (zh) * 2021-08-26 2021-12-03 联影智能医疗科技(北京)有限公司 血管的风险评估方法、计算机设备和存储介质

Also Published As

Publication number Publication date
CN114511556A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
US11842487B2 (en) Detection model training method and apparatus, computer device and storage medium
US11887311B2 (en) Method and apparatus for segmenting a medical image, and storage medium
CN112017189B (zh) 图像分割方法、装置、计算机设备和存储介质
CN110276411B (zh) 图像分类方法、装置、设备、存储介质和医疗电子设备
US20220051405A1 (en) Image processing method and apparatus, server, medical image processing device and storage medium
CN113920309B (zh) 图像检测方法、装置、医学图像处理设备及存储介质
CN109948684A (zh) 点云数据标注质量的质检方法、装置及其相关设备
CN112668573B (zh) 目标检测定位置信度确定方法、装置、电子设备及存储介质
CN112818821B (zh) 基于可见光和红外光的人脸采集源检测方法和装置
CN112419295A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN110570435A (zh) 用于对车辆损伤图像进行损伤分割的方法及装置
CN114511556B (zh) 胃黏膜出血风险预警方法、装置和医学图像处理设备
US20240005494A1 (en) Methods and systems for image quality assessment
CN112101195A (zh) 人群密度预估方法、装置、计算机设备和存储介质
CN110532746A (zh) 人脸校验方法、装置、服务器及可读存储介质
CN113706481A (zh) 精子质量检测方法、装置、计算机设备和存储介质
CN112257538A (zh) 基于双目深度信息的活体检测方法、设备及存储介质
Chen et al. Learning to rank retargeted images
CN114445406A (zh) 肠镜图像分析方法、装置和医学图像处理设备
CN110717593A (zh) 神经网络训练、移动信息测量、关键帧检测的方法及装置
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
WO2023142753A1 (zh) 图像相似性度量方法及其装置
CN113808130B (zh) 肿瘤图像智能分类方法、装置、设备和存储介质
CN113593707B (zh) 胃早癌模型训练方法、装置、计算机设备及存储介质
CN113129307A (zh) 图像分割方法以及图像分割装置

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