CN115965617A - 一种基于集成学习的消化道内镜检查辅助系统 - Google Patents

一种基于集成学习的消化道内镜检查辅助系统 Download PDF

Info

Publication number
CN115965617A
CN115965617A CN202310041105.0A CN202310041105A CN115965617A CN 115965617 A CN115965617 A CN 115965617A CN 202310041105 A CN202310041105 A CN 202310041105A CN 115965617 A CN115965617 A CN 115965617A
Authority
CN
China
Prior art keywords
module
anomaly analysis
digestive tract
image
analysis model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310041105.0A
Other languages
English (en)
Inventor
范姗慧
赖劲涛
魏凯华
厉力华
韦尚光
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202310041105.0A priority Critical patent/CN115965617A/zh
Publication of CN115965617A publication Critical patent/CN115965617A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于集成学习的消化道内镜检查辅助系统;该系统包括数据获取模块、识别模块、预警模块和图像采集控制模块。数据获取模块连接至内镜检查设备,实时接收内镜检查设备采集的消化道图像,并将消化道图像输送至识别模块。识别模块通过异常分析模型实时判断消化道图像中是否存在疑似目标。预警模块用于在识别模块检测到疑似目标时发出预警信号,使得内镜检查设备增加发现疑似目标的区域的图像采集数量。本发明在内镜检查设备采集消化道图像的同时,对所得消化道图像进行实时分析,从而增加消化道中存在异常风险较高的区域的图像采集数量,提高了内镜检查设备采集图像的针对性,有助于提高医生对消化道图像的分析效率。

Description

一种基于集成学习的消化道内镜检查辅助系统
技术领域
本发明涉及检查辅助设备技术领域,具体涉及一种基于集成学习的消化道内镜检查辅助系统,该辅助系统调控消化道中不同区域的图像采集数量,其工作过程不属于诊断方法。
背景技术
随着社会发展,人们饮食习惯变化,我国消化道疾病的发病率逐年增加。有研究表明,结肠镜检查中腺瘤检出率与结直肠癌的发生率及死亡率呈负相关。而借助消化道内窥镜技术(Endoscopy),如胃镜(Gastroscopy)、结肠镜(Colonoscopy)、无线胶囊内镜(Wireless Capsule Endoscopy,WCE)等,可直观地检查消化道肠腔黏膜病变,是检测消化道疾病的重要手段。
目前临床的内镜检查术中诊断主要依赖于医生人工诊断。而医生人工诊断往往容易因为采集的病灶区域图像数量不足而产生漏诊和误诊,导致检查准确率和效率较低。虽然有部分研究也针对术中的实时病灶检测,以此来对医生术中检查提供帮助,如:公开号为“CN113990456A”的专利申请提供了“一种基于深度学习的消化道早期癌症图形分析筛查系统”,其需要医生手动的对可疑区域进行截取分析后获得病灶检测数据;公开号为“CN114569043A”的专利申请提供了“一种基于人工智能的内窥镜辅助检查方法及装置”,其需要医生针对可疑区域手动选择不同模型来检测不同的病灶。
上述现有技术依赖于医生的主观意识、效率较低,无法自动在增加高风险区域的图像采集数量,或向医生提示高风险区域的出现,难以在术中为医生提供实时的预警以及高效的帮助。
发明内容
本发明的目的在于提供一种基于集成学习的消化道内镜检查辅助系统;该辅助系统调控消化道中不同区域的图像采集数量,其工作过程不属于诊断方法。
第一方面,本发明提供一种基于集成学习的消化道内镜检查辅助系统,其包括数据获取模块、识别模块、预警模块和图像采集控制模块。数据获取模块连接至内镜检查设备,实时接收内镜检查设备采集的消化道图像,并将消化道图像输送至识别模块。识别模块通过异常分析模型实时判断消化道图像中是否存在疑似目标。预警模块用于在识别模块检测到疑似目标时发出预警信号,使得内镜检查设备增加发现疑似目标的区域的图像采集数量。所述的异常分析模型包括依次相连的主干特征提取模块、网络层模块和预测模块。图像采集控制模块用于控制内镜检查设备的采样频率。
作为优选,所述的主干特征提取模块采用ResNet50vd_dcn网络。
作为优选,所述的网络层模块包括路径聚合网络(即PANet网络,PathAggregation Network)、Position Embedding模块和Transformer Encoder模块。PositionEmbedding模块将输入异常分析模型的图像分为多个块(patch)及对应的位置信息;Position Embedding模块和主干特征提取模块输出的特征信息结合后输入TransformerEncoder模块;Transformer Encoder模块对输入的特征信息进行重新编码,合成带有位置信息的特征图;Transformer Encoder模块输出的特征图与主干特征提取模块低层、中层输出的特征信息均输入路径聚合网络;路径聚合网络对输入的特征进行融合。
作为优选,所述的预测模块采用YOLOV5的分类回归层对经过网络层模块处理的图像特征进行预测。
第二方面,本发明提供一种消化道内镜检查辅助方法,其使用前述的消化道内镜检查辅助系统。
该消化道内镜检查辅助方法,包括以下步骤:
S1、获取多张带标签的消化道内窥镜图像,划分为数据集D和数据集T。其中,数据集D用于对初级异常模型的训练,数据集T用于对最终的强化异常分析模型的测试。利用自助采样法从数据集D中进行随机采样,从而得到构建初级异常分析模型的训练集,每个训练集均对应有一个来自于数据集D的测试集。利用自助采样法获得N个训练集
S2、使用步骤S1中所获得的N个不同的训练集,分别对异常分析模型进行训练;得到N种不同的初级异常分析模型,即基模型。
S3、使用加权平均法将步骤S2中所获得的N个基模型集成为一个强化异常分析模型并进行优化。
S4、使用内镜检查设备对被检测者的消化道进行图像采集;采集过程中获得的消化道图像实时输入强化异常分析模型H(x);强化异常分析模型H(x)判断消化道图像中是否存在疑似目标;当强化异常分析模型H(x)在实时回传的消化道图像中检测到疑似目标时,内镜检查设备增加存在疑似目标的区域的图像采集数量。
作为优选,步骤S1的具体过程如下:
S11、将带标签的消化道内窥镜图像集合,划分为数据集D和数据集T。其中,数据集D用于初级异常分析模型的训练,数据集T用于对最终的强化异常分析模型的测试和优化。
S12、通过自助采样法对数据集D进行采样,每次随机从数据集D中挑选一个样本,并将其拷贝后放入初始为空集的采样数据集D',所选样本在数据集D依然保留;假设数据集共有m个样本,则采样过程重复执行m次,得到一个同样包含m个样本的采样数据集D'。由于有放回采样的缘故,数据集D中一部分样本将不会被采样到采样数据集D'中,其未被采样的概率为(1-1/m)m。将数据集D中未被采样到采样数据集D'中的样本数据作为初级异分析模型的测试集。初级异常分析模型测试集和训练集的比例由m决定。
S13、重复步骤S12中的步骤N次,获得N个不同的训练集及其对应的测试集。
作为优选,步骤S2的具体过程如下:
S21、使用步骤S1得到的N个训练集分别进行模型训练,获得N个不同的初级异常分析模型;分别利用各训练集对应的测试集,对这N个模型进行测试,分别得到N个模型的置信得分,以及各模型在不同目标大小下的准确率和召回率。
S22、根据对应的准确率和召回率分别对N个不同初级异常分析模型进行参数调整后继续训练模型,直到对于每一个训练集都训练得到一个最优的模型,作为初级异常分析模型hi(x)。
作为优选,步骤S3的具体过程如下:
S31、提取N个初级异常分析模型的总体精确率AP、小目标下的精确率APs、中等目标下的精确率APm、大目标下的精确率APl、总体查全率AR;将第i个初级异常分析模型hi(x)的上述五个指标分别记为
Figure BDA0004050720250000031
i=1,2,...,N;分别设定指标
Figure BDA0004050720250000032
的权重
Figure BDA0004050720250000033
的初始值。构建N个初级异常分析模型hi(x)的权重wi的表达式如下:
Figure BDA0004050720250000034
S32、根据N个初级异常分析模型hi(x)及其对应的权重wi,构建强化异常分析模型H(x)如下:
Figure BDA0004050720250000035
S33、使用数据集T对强化异常分析模型H(x)的性能进行评估,根据评估结果调整各基模型的指标
Figure BDA0004050720250000036
并重新构建强化异常分析模型H(x)。
S34、重复步骤S33,直到获得最优的异常分析模型H(x)。
作为优选,指标
Figure BDA0004050720250000037
的权重
Figure BDA0004050720250000038
的初始值分别设定为0.4,0.2,0.15,0.15,0.1;j=1,2,3,4,5。
作为优选,所述的强化异常分析模型H(x)检测到疑似目标时,预警模块发出提示音和/或点亮警示灯。
本发明具有的有益效果是:
1、本发明在内镜检查设备采集消化道图像的同时,对所得消化道图像进行实时分析,从而增加消化道中存在异常风险较高的区域的图像采集数量,提高了内镜检查设备采集图像的针对性,有助于提高医生对消化道图像的分析效率。
2、本发明采用集成学习和深度学习结合的方法来生成强化异常分析模型,能够提高模型识别的准确率,从而更有针对性地提高局部图像采样数量。
附图说明
图1为本发明进行消化道内镜检查辅助的流程图;
图2为本发明中构建异常分析模型的流程示意图;
图3为本发明中异常分析模型的结构框图;
图4为本发明中步骤S2的流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
一种基于集成学习的消化道内镜检查辅助系统,包括数据获取模块、识别模块、预警模块和图像采集控制模块。数据获取模块连接至内镜检查设备,用于实时接收内镜检查设备采集的消化道图像,并将消化道图像输送至识别模块。识别模块通过异常分析模型实时判断消化道图像中是否存在疑似目标。图像采集控制模块用于控制内镜检查设备的采样频率。
预警模块用于在识别模块检测到疑似目标时发出预警信号,以便于人工或自动增加内镜检查设备增加发现疑似目标的区域的图像采集数量。针对不同的区域采集不同数量的消化道图像,有助于医生在后续分析中更加准确地判断被检测者的消化道情况。
异常分析模型采用如图3的结构,其包含的模块如下:
主干特征提取模块(即backbone):选择ResNet50vd_dcn网络作为主干特征提取模块,来提取图像特征。该网络由5层卷积块(即Conv)组成。第一层卷积块包括一个7×7的卷积、一次归一化处理和一次ReLu函数的激活处理;第二层卷积块由一个3×3的最大池化层和3个残差块(Res Block)组成;第三层卷积块由4个残差块组成;第四层卷积块由6个残差块组成;第五层卷积块由4个残差块组成。每个残差块均为在ResNet-D的残差块结构的基础上将最后一层卷积替换成可变形卷积的残差块。
网络层模块(即Neck):选择路径聚合网络(PANet网络)作为模型特征融合颈部。路径聚合网络先进行自顶向下的特征融合,再进行自下向上的特征融合,能够更好地提取到的高层特征与图像的位置结合。创新性地,本发明结合了Transformer全局注意力机制,在网络层模块中添加了Position Embedding模块和Transformer Encoder模块进行改进。通过Position Embedding模块中将输入异常分析模型的图像分为多个Patch和对应的位置信息,与主干特征提取模块所获得的最后一层特征信息,一起输入到Transformer Encoder模块,经该模块编码后形成一个新的包含位置信息的特征图输入至PANet。在高层(高层特征信息通过结合Position Embedding模块和Transformer Encoder模块处理后输入PANet)、中层、低层特征图都送入PANet中后,通过上采样将高层特征信息与低级特征信息进行结合,再通过自底向上的卷积和连接(Concat)操作将低层特征图中的位置信息结合到较高的特征图中,由此能够更好的将提取到的高层特征图与图像的位置结合起来,从而达到优化模型检测效果的目的。
预测模块(即Head):采用YOLOV5的分类回归层对经过网络层模块处理的图像特征进行预测,生成边界框和预测类别。预测模块通过将网络层模块中输出的三个分支经过一层包含归一化处理和激活函数的卷积操作后,再进行一次卷积,获得一个包含预测类别、特征图长、特征图宽的向量。然后遍历全部批(batch)中的输出向量,利用sigmoid操作将位置信息预测[x,y]映射到[0,1]的范围内,同时获得预测的置信度以及其类别得分,使用decoder解码获取预测的box。最后保留置信度大于一定值的box,通过NMS极大值抑制对剩下保留的box进行筛选,获得最终的预测box。
本实施例仅用于在消化道图像采集时,根据不同区域的具体情况,调整消化道中不同区域的图像采集数量,使得获取的消化道图像集更加具有代表性,并不能判断被检查者是否患有消化道疾病,故本实施例的工作过程不属于诊断方法,而只是一种消化道内镜检查的辅助方法。
如图1和2所示,使用该基于集成学习的消化道内镜检查辅助系统的构建和使用的过程如下:
S1、获取批量的带标签的消化道内窥镜病灶图像数据,划分为训练集与测试集后;通过自助采样法对训练集进行采样,获得N个不同的样本数据集。N为预设的训练集数量。标签为图像中的病变区域。
本步骤主要获得用于不同初级异常分析模型训练的数据集以及用于测试和调整强化异常分析模型的数据集。步骤S1的具体过程如下:
S11、获得包含标注好的消化道内窥镜病灶图像数据集,假设数据集包含n个样本数据;将其中m个数据集划分为数据集D,用于对初级异常分析模型的训练和测试,剩下的n-m个样本数据划分为数据集T,用于对强化异常分析模型性能的测试与改良。
S12、通过自助采样法对数据集D进行采样,每次随机从数据集D中挑选一个样本,并将其拷贝放入初始为空集的采样数据集D',然后将该样本放回数据集D中,使得该样本在下次采样中仍有概率被采样;将这个采样过程重复执行m次,得到一个包含m个样本的采样数据集D'。因此,数据集D中有一部分样本在采样数据集D'中多次出现,而有部分样本则未被采样。样本在m次采样中始终不被采到的概率是(1-1/m)m,由于医学图像数据集采集困难可能存在规模小的问题,通过自助采样法可以更有效划分模型的训练集和测试集;将采样数据集D'作为初级异常分析模型的训练集;将数据集D中未被采样到采样数据集D'中的样本数据(即D-D')作为初级异常分析模型测试集,共同用于初级异常分析模型的训练;通过控制采样数量m,即可确定该模型训练集和测试集的比例。
S13、重复步骤S12中的步骤N次,获得N个不同的训练集及其对应的测试集。
S2、使用步骤S1中所获得的N个不同的训练集,构建N种不同的初级异常分析模型,具体过程如下:
S21、使用步骤S1得到的N个训练集分别对初级异常分析模型进行模型训练,获得N个不同的模型;分别利用各训练集对应的测试集,对N个模型进行测试,分别得到N个模型置信得分,以及各模型在不同目标大小下的准确率和召回率。
S22、根据对应的准确率和召回率分别对N个初级异常分析模型进行参数调整后继续训练模型,直到对于每一个训练集都训练得到一个最优的模型以及相应的性能指标,作为初级异常分析模型hi(x)。
步骤S2的作用是使用步骤S1中自助采样法获得的多个独立数据集训练多个在不同数据集上的最优初级异常分析模型,并获得这些初级异常分析模型对于不同大小、不同种类和不同特征的病灶识别能力。训练采用的初级异常分析模型往往采用单阶段目标检测模型框架,可以获得更好的平衡精度与准确性。
执行步骤S1与步骤S2的目的是训练多个初级异常分析模型,如图4所示。
S3、使用加权平均法将步骤S2中所获得的N个初级异常分析模型(具体为N个不同深度学习实时异常分析模型)集成为一个对于多样特征的检测能力极强的强化版异常分析模型,并不断进行优化,进而得到最优化的异常分析模型,具体过程如下:
S31、根据S2中所获得的不同模型的准确性和召回率(包括在不同目标类型和不同目标大小下的准确率和查全率)调整每一个初级异常分析模型hi(x)的权重wi(其中
Figure BDA0004050720250000071
)。N个初级异常分析模型hi(x)的权重wi的获取过程如下:
S311、对步骤S2中所获得指标进行统计,得到总体精确率AP、小目标下的精确率APs、中等目标下的精确率APm、大目标下的精确率APl、总体查全率AR;将第i个初级异常分析模型hi(x)的上述五个指标分别记为
Figure BDA0004050720250000072
i=1,2,...,n;
Figure BDA0004050720250000073
的权重
Figure BDA0004050720250000074
的初始值分别设定为0.4,0.2,0.15,0.15,0.1;j=1,2,3,4,5。
S312、构建N个初级异常分析模型hi(x)的权重wi的表达式如下:
Figure BDA0004050720250000075
S32、根据N个初级异常分析模型hi(x)及其对应的权重wi,构建强化异常分析模型H(x)如下:
Figure BDA0004050720250000076
S33、使用数据集T对强化异常分析模型H(x)的性能进行评估,根据所得的准确率和查全率对N个初级异常分析模型hi(x)的权重wi分别进行再调整,具体通过手动调整每个初级异常分析模型hi(x)的指标
Figure BDA0004050720250000077
对应的权重
Figure BDA0004050720250000078
实现对权重wi的调整。
S34、重复步骤S33,直到获得一个最优的强学习模型,作为最终的强化异常分析模型H(x)。
步骤S3的目的在于运用集成学习方法不断迭代优化模型的精确率与查全率,降低误检率与漏检率,进而提高模型性能。
S4、在使用内镜检查设备持续采集被检测者的消化道图像的过程中;实时将采集的消化道图像输入强化异常分析模型H(x)中,由强化异常分析模型H(x)判断是否存在疑似目标的区域;当强化异常分析模型H(x)在实时回传的消化道图像中检测到疑似目标时,预警模块向医生发出提示音和提示光,同时,内镜检查设备增加图像采集的频率;医生在听到提示音后对内腔镜在当前检测区域的进行停留,进一步使得强化异常分析模型H(x)检测到疑似目标的区域采集到的消化道图像数量多于其他区域采集到的消化道图像数量,以便于提高医生病情判断的准确性。
步骤S4的具体过程如下:
S41、在内镜检查的过程中,强化异常分析模型H(x)实时对采集的内镜图像进行检测,当检测到疑似目标时,实时显示疑似目标的种类、位置,确定为异常目标的概率,并触发预警模块。
S42、预警模块发出提示音,并控制内镜检查的仪器屏幕进行闪烁,控制警示灯亮起红灯。
S43、医生进一步对当前检查区域进行观察,增加当前检查区域的图像采集数量后(医生可以自主选择是否在该区域进行更仔细地检查,拍照取证),关闭预警模块的本次提示,直到预警模块再次被触发。
总的来说,步骤S4为本预警模块的具体使用方法,从而更好的对于医生在消化道检查时或手术中提供帮助。
应该理解到,本实施例所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,既可以位于一个地方,也可以分布到多个单元上。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。
另外,在本发明各个实施例中的各功能单元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。
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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于集成学习的消化道内镜检查辅助系统,其特征在于:包括数据获取模块、识别模块、预警模块和图像采集控制模块;数据获取模块连接至内镜检查设备,实时接收内镜检查设备采集的消化道图像,并将消化道图像输送至识别模块;识别模块通过异常分析模型实时判断消化道图像中是否存在疑似目标;预警模块用于在识别模块检测到疑似目标时发出预警信号,使得内镜检查设备增加发现疑似目标的区域的图像采集数量;所述的异常分析模型包括依次相连的主干特征提取模块、网络层模块和预测模块;图像采集控制模块用于控制内镜检查设备的采样频率。
2.根据权利要求1所述的一种基于集成学习的消化道内镜检查辅助系统,其特征在于:所述的主干特征提取模块由5层卷积块组成。第一层卷积块包括7×7的卷积处理、归一化处理和ReLu函数的激活处理;第二层卷积块由一个3×3的最大池化层和3个残差块组成;第三层卷积块由4个残差块组成;第四层卷积块由6个残差块组成;第五层卷积块由4个残差块组成。每个残差块均为在ResNet-D的残差块结构的基础上将最后一层卷积替换成可变形卷积的残差块。
3.根据权利要求1所述的一种基于集成学习的消化道内镜检查辅助系统,其特征在于:所述的网络层模块包括路径聚合网络、Position Embedding模块和Transformer Encoder模块。Position Embedding模块将输入异常分析模型的图像分为多个块及对应的位置信息;Position Embedding模块输出的信息和主干特征提取模块输出的特征信息结合后输入Transformer Encoder模块;Transformer Encoder模块对输入的特征信息进行重新编码,合成带有位置信息的特征图;Transformer Encoder模块输出的特征图与主干特征提取模块低层、中层输出的特征信息均输入路径聚合网络;路径聚合网络对输入的特征进行融合。
4.根据权利要求3所述的一种基于集成学习的消化道内镜检查辅助系统,其特征在于:所述的预测模块采用YOLOV5的分类回归层对经过网络层模块处理的图像特征进行预测。
5.一种消化道内镜检查辅助方法,其特征在于:使用如权利要求1-4中任意一项所述的消化道内镜检查辅助系统;该消化道内镜检查辅助方法,包括以下步骤:
S1、获取多张带标签的消化道内窥镜图像,划分为数据集D和数据集T;基于数据集D构建N个训练集,每个训练集均对应有一个来自于数据集D的测试集;N为预设的样训练集数量;
S2、使用步骤S1中所获得的N个不同的训练集,分别对异常分析模型进行训练;得到N种不同的初级异常分析模型;
S3、使用加权平均法将步骤S2中所获得的N个初级异常分析模型集成为一个强化异常分析模型并进行优化;
S4、使用内镜检查设备对被检测者的消化道进行图像采集;采集过程中获得的消化道图像实时输入强化异常分析模型H(x);强化异常分析模型H(x)判断消化道图像中是否存在疑似目标;当强化异常分析模型H(x)在实时回传的消化道图像中检测到疑似目标时,内镜检查设备增加在存在疑似目标的区域的图像采集数量。
6.根据权利要求5所述的一种消化道内镜检查辅助方法,其特征在于:
步骤S1的具体过程如下:
S11、将带标签的消化道内窥镜图像集合,划分为数据集D和数据集T;
S12、通过自助采样法对数据集D进行采样,每次随机从数据集D中挑选一个样本,并将其拷贝放入初始为空集的采样数据集D',该样本在数据集D依然保留;采样过程重复执行m次,得到一个包含m个样本的采样数据集D';m为数据集D中的样本数量;将数据集D中未被采样到采样数据集D'中的样本数据作为测试集;
S13、重复步骤S12中的步骤N次,获得N个不同的训练集及其对应的测试集。
7.根据权利要求5所述的一种消化道内镜检查辅助方法,其特征在于:步骤S2的具体过程如下:
S21、使用步骤S1得到的N个训练集分别对异常分析模型对进行模型训练,获得N个不同的初级异常分析模型;分别利用各训练集对应的测试集,对N个初级异常分析模型进行测试,分别得到N个初级异常分析模型的置信得分,以及各初级异常分析模型在不同目标大小下的准确率和召回率;
S22、根据对应的准确率和召回率分别对N个初级异常分析模型进行参数调整后继续训练模型,直到对于每一个训练集都训练得到一个最优的模型,作为初级异常分析模型hi(x)。
8.根据权利要求5所述的一种消化道内镜检查辅助方法,其特征在于:步骤S3的具体过程如下:
S31、提取N个初级异常分析模型的总体精确率AP、小目标下的精确率APs、中等目标下的精确率APm、大目标下的精确率APl、总体查全率AR;将第i个初级异常分析模型hi(x)的上述五个指标分别记为
Figure FDA0004050720240000021
分别设定指标
Figure FDA0004050720240000022
的权重
Figure FDA0004050720240000023
的初始值;构建N个初级异常分析模型hi(x)的权重wi的表达式如下:
Figure FDA0004050720240000031
S32、根据N个初级异常分析模型hi(x)及其对应的权重wi,构建强化异常分析模型H(x)如下:
Figure FDA0004050720240000032
S33、使用数据集T对异常分析模型H(x)的性能进行评估,根据评估结果调整各初级异常分析模型的指标
Figure FDA0004050720240000033
并重新构建强化异常分析模型H(x);
S34、重复步骤S33,直到获得最优的强化异常分析模型H(x)。
9.根据权利要求8所述的一种消化道内镜检查辅助方法,其特征在于:指标
Figure FDA0004050720240000034
的权重
Figure FDA0004050720240000035
的初始值分别设定为0.4,0.2,0.15,0.15,0.1;j=1,2,3,4,5。
10.根据权利要求5所述的一种消化道内镜检查辅助方法,其特征在于:所述的强化异常分析模型H(x)检测到疑似目标时,预警模块发出提示音和/或点亮警示灯。
CN202310041105.0A 2023-01-12 2023-01-12 一种基于集成学习的消化道内镜检查辅助系统 Pending CN115965617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310041105.0A CN115965617A (zh) 2023-01-12 2023-01-12 一种基于集成学习的消化道内镜检查辅助系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310041105.0A CN115965617A (zh) 2023-01-12 2023-01-12 一种基于集成学习的消化道内镜检查辅助系统

Publications (1)

Publication Number Publication Date
CN115965617A true CN115965617A (zh) 2023-04-14

Family

ID=87361770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310041105.0A Pending CN115965617A (zh) 2023-01-12 2023-01-12 一种基于集成学习的消化道内镜检查辅助系统

Country Status (1)

Country Link
CN (1) CN115965617A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118314146A (zh) * 2024-06-11 2024-07-09 四川农业大学 基于协同学习的动物x光影像数据的处理方法及计算机装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118314146A (zh) * 2024-06-11 2024-07-09 四川农业大学 基于协同学习的动物x光影像数据的处理方法及计算机装置
CN118314146B (zh) * 2024-06-11 2024-08-06 四川农业大学 基于协同学习的动物x光影像数据的处理方法及计算机装置

Similar Documents

Publication Publication Date Title
JP7335552B2 (ja) 画像診断支援装置、学習済みモデル、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
KR102210806B1 (ko) 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법
RU2765619C1 (ru) Компьютерная классификация биологической ткани
CN110600122B (zh) 一种消化道影像的处理方法、装置、以及医疗系统
JP6850225B2 (ja) 医療画像処理装置、内視鏡装置、診断支援装置、及び、医療業務支援装置
CN108695001A (zh) 一种基于深度学习的癌症病灶范围预测辅助系统及方法
JPWO2018225448A1 (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
KR102168485B1 (ko) 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법
US20210090248A1 (en) Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor
KR20200070062A (ko) 인공신경망을 이용하여 캡슐형 내시경 영상에서 병변을 감지하는 시스템 및 방법
CN109117890A (zh) 一种图像分类方法、装置和存储介质
US20230206435A1 (en) Artificial intelligence-based gastroscopy diagnosis supporting system and method for improving gastrointestinal disease detection rate
CN111524093A (zh) 一种异常舌象的智能筛查方法及其系统
KR20190087681A (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법
CN115965617A (zh) 一种基于集成学习的消化道内镜检查辅助系统
US11935239B2 (en) Control method, apparatus and program for system for determining lesion obtained via real-time image
WO2022176396A1 (ja) 情報処理装置及び情報処理方法、コンピュータプログラム、並びに医療診断システム
US20240062904A1 (en) Tumor diagnosis system and construction method thereof, terminal device and storage medium
CN109493340A (zh) 一种胃镜下食管胃底静脉曲张辅助诊断系统及方法
KR20210033902A (ko) 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램
KR102275760B1 (ko) 조기 위암의 예측 방법 및 이를 이용한 디바이스
KR102595429B1 (ko) 장 정결도의 자동화 계산 장치 및 방법
WO2021206170A1 (ja) 画像診断装置、画像診断方法、画像診断プログラムおよび学習済みモデル
KR102270669B1 (ko) 인공지능을 이용하여 복수의 병변 영역을 포함하는 영상에 대한 연산을 수행하는 영상 수신 장치
CN116324885A (zh) 用于检测胃肠道疾病的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination