CN116109559A - 胃部标志物的浸润深度检测方法、装置及存储介质 - Google Patents

胃部标志物的浸润深度检测方法、装置及存储介质 Download PDF

Info

Publication number
CN116109559A
CN116109559A CN202211470623.6A CN202211470623A CN116109559A CN 116109559 A CN116109559 A CN 116109559A CN 202211470623 A CN202211470623 A CN 202211470623A CN 116109559 A CN116109559 A CN 116109559A
Authority
CN
China
Prior art keywords
stomach
infiltration depth
marker
detection state
endoscope 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.)
Withdrawn
Application number
CN202211470623.6A
Other languages
English (en)
Inventor
郑碧清
胡珊
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 CN202211470623.6A priority Critical patent/CN116109559A/zh
Priority to CN202310503578.8A priority patent/CN116596869B/zh
Publication of CN116109559A publication Critical patent/CN116109559A/zh
Withdrawn legal-status Critical Current

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
    • A61B1/273—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
    • 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
    • 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
    • G06T2207/30—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
    • 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
    • G06T2207/30204—Marker
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了一种胃部标志物的浸润深度检测方法、装置及存储介质，该方法包括获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征，分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息，获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积，根据总面积、病变区域面积，以及多个浸润深度信息，确定目标用户的胃部标志物的浸润深度。采用本发明实施例，能够全面地、精准地确定目标用户的胃部标志物的浸润深度，解决胃癌浸润深度难以准确地检测的技术问题。

Description

胃部标志物的浸润深度检测方法、装置及存储介质
技术领域
本发明涉及医疗辅助技术领域，尤其涉及一种胃部标志物的浸润深度检测方法、装置及存储介质。
背景技术
胃癌是全球第三大致命恶性肿瘤，2018年新增病例超过100万，死亡人数超过78万，从全球角度来看，占癌症相关死亡人数的8.2%。延迟诊断和治疗是胃癌高死亡率的重要原因，早期检测和治疗性治疗是降低死亡率和改善患者病情的关键。
胃癌的治疗手段和措施取决于胃癌病变的严重程度判断，其中癌变出现于粘膜层或者粘膜层以下，因此胃癌浸润深度的判断，是进行外科手术治疗或者内镜下治疗的重要判断依据。不同的治疗方法所带来的预后、经济成本等都有很大的不同。因此准确判断患者的胃癌浸润深度是消化临床内镜医师面临的一个难题。
发明内容
本发明实施例的目的是提供一种胃部标志物的浸润深度检测方法、装置及存储介质，以解决胃癌浸润深度难以准确地检测的技术问题。
在第一方面，为实现上述目的，本发明实施例提供了一种胃部标志物的浸润深度检测方法，包括：
获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
进一步的，所述在多种不同检测状态下的胃部内镜图像包括在第一检测状态下的第一胃部内镜图像、在第二检测状态下的第二胃部内镜图像以及在第三检测状态下的第三胃部内镜图像，所述胃部特征包括形态特征、颜色特征以及结构特征，所述浸润深度信息包括胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度和第二浸润深度的置信度信息；
所述分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息，包括：
根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息；
根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息；
根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
进一步的，所述根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息，包括：
对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域；
对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层；
根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
进一步的，所述第一浸润深度包括黏膜内癌的浸润深度，第二浸润深度包括黏膜下癌的浸润深度，所述多层膜层包括粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层；
所述对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域，包括：
将所述第三胃部内镜图像输入至训练好的目标检测模型，以使所述训练好的目标检测模型对所述第三胃部内镜图像中的病变区域进行检测，确定所述第三胃部内镜图像中的病变区域；
其中，所述训练好的目标检测模型根据胃部的胃部内镜图像及对应的标注有病变区域的标注图像构成的训练集训练得到的；
所述对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层，包括：
将所述第三胃部内镜图像输入至训练好的图像分割模型，以使所述训练好的图像分割模型根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行分割，得到所述第三胃部内镜图像中构成胃部结构的粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层；
其中，所述训练好的图像分割模型根据在所述第三检测状态下的胃部内镜图像及对应的标注有胃部结构膜层的标注图像构成的训练集训练得到的；
所述根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息，包括：
将所述第三胃部内镜图像输入至训练好的第三胃部标志物的浸润深度识别模型，以使所述训练好的第三胃癌浸润深度识别模型根据所述第三胃部内镜图像的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第五置信度信息和黏膜下癌的第六置信度信息；
其中，所述训练好的第三胃部标志物的浸润深度识别模型根据在所述第三检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
进一步的，所述根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息，包括：
将所述第一胃部内镜图像输入至训练好的第一胃部标志物的浸润深度识别模型，以使所述训练好的第一胃部标志物的浸润深度识别模型根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第一置信度信息和黏膜下癌的第二置信度信息；
其中，所述训练好的第一胃部标志物的浸润深度识别模型根据在所述第一检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的；
所述根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息，包括：
将所述第二胃部内镜图像输入至训练好的第二胃部标志物的浸润深度识别模型，以使所述训练好的第二胃部标志物的浸润深度识别模型根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第三置信度信息和黏膜下癌的第四置信度信息；
其中，所述训练好的第二胃部标志物的浸润深度识别模型根据在所述第二检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
进一步的，所述第一检测状态为白光检测状态、所述第二检测状态为光变检测状态、所述第三检测状态为超声检测状态，所述预设检测状态为所述白光检测状态、所述光变检测状态以及所述超声检测状态中的任一检测状态；
所述获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积，包括：
根据在预设检测状态下的胃部内镜图像的长和宽，确定在预设检测状态下的胃部内镜图像的总面积；
调用所述训练好的目标检测模型，对预设检测状态下的胃部内镜图像进行检测，以确定在预设检测状态下的胃部内镜图像的病变区域；
根据所述病变区域，计算所述病变区域的病变区域面积。
进一步的，所述根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度，包括：
确定所述总面积与所述病变区域面积之比的比值；
将所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息，输入至训练好的胃部标志物的浸润深度拟合模型，以使所述训练好的胃部标志物的浸润深度拟合模型对所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息进行拟合处理，得到所述目标用户的胃部标志物的浸润深度；
其中，所述训练好的胃部标志物的浸润深度拟合模型包括随机森林和决策树。
在第二方面，为了解决相同的技术问题，本发明实施例提供了一种胃部标志物的浸润深度检测装置，包括：
第一获取模块，用于获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
识别模块，用于分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
第二获取模块，用于获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
确定模块，用于根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
在第三方面，为了解决相同的技术问题，本发明实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现上述任一项所述的胃部标志物的浸润深度检测方法中的步骤。
在第四方面，为了解决相同的技术问题，本发明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，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的胃部标志物的浸润深度检测方法中的步骤。
本发明实施例提供了一种胃部标志物的浸润深度检测方法、装置及存储介质，该方法通过获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，能够确定在每种检测状态下目标用户的胃部标志物的多个浸润深度信息，并根据在预设检测状态下的胃部内镜图像的总面积和胃部内镜图像中病变区域面积，以及在多种检测状态下的多个浸润深度信息，能够全面地、精准地确定目标用户的胃部标志物的浸润深度，解决胃癌浸润深度难以准确地检测的技术问题。
附图说明
图1是本发明实施例提供的胃部标志物的浸润深度检测方法的一种流程示意图；
图2a-2b是本发明实施例提供的在第一检测状态下的第一胃部内镜图像的一种示意图；
图3a-3b是本发明实施例提供的在第二检测状态下的第二胃部内镜图像的一种示意图；
图4a-4e是本发明实施例提供的在第三检测状态下的第三胃部内镜图像的一种示意图；
图5是本发明实施例提供的在第三检测状态下的第三胃部内镜图像的另一种示意图；
图6是本发明实施例提供的胃部标志物的浸润深度检测装置的一种结构示意图；
图7是本发明实施例提供的电子设备的一种结构示意图；
图8是本发明实施例提供的电子设备的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，本领域普通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。
应当理解的是，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
在相关实施例中，胃癌的治疗手段和措施取决于胃癌病变的严重程度判断，其中癌变仅限于粘膜层或者粘膜层以下也出现癌变，即胃癌浸润深度的判断，是进行外科手术治疗或者内镜下治疗的重要判断依据。不同的治疗方法所带来的预后、经济成本等都有很大的不同。然而，胃癌浸润深度的确定对临床医师是很有难度的工作内容，即使对高年资的医师也是如此。因此，如何提高胃癌浸润深度判断的准确性是消化临床内镜医师面临的一个难题。
为了解决相关技术中存在的技术问题，请参见图1，图1是本发明实施例提供的胃部标志物的浸润深度检测方法的一种流程示意图，如图1所示，本发明实施例提供的胃部标志物的浸润深度检测方法包括步骤101至步骤104；
步骤101，获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征。
在本实施例中，胃部标志物可以为胃癌，还可以为胃部吞入的异物，本实施例通过对存在胃部标志物的目标用户的胃部内镜图像进行检测，能够确定目标用户的胃部标志物的浸润深度。
其中，不同的检测状态对应有不同的检测环境，因此，在不同的检测环境下，目标用户的胃部结构也会具有不同的胃部特征。本实施例通过结合不同的胃部特征，能够全面地对目标用户的胃部标志物的浸润深度进行检测分析。
需要说明的是，本发明实施例主要是为了提高胃癌浸润深度判断的准确性，以辅助内镜医师在临床中进行准确的浸润深度检测，因此，本发明实施例提供的胃部标志物主要以胃癌进行展开说明。
步骤102，分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息。
在本实施例中，所述在多种不同检测状态下的胃部内镜图像包括在第一检测状态下的第一胃部内镜图像、在第二检测状态下的第二胃部内镜图像以及在第三检测状态下的第三胃部内镜图像，所述胃部特征包括形态特征、颜色特征以及结构特征，所述浸润深度信息包括胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度和第二浸润深度的置信度信息。
其中，所述分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息的步骤，具体为：根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息；根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息；根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
在本实施例中，在第一检测状态下，能够获取到目标用户胃部的形态特征；在第二检测状态下，能够获取到目标用户胃部的颜色特征；在第三检测状态下，能够获取到目标用户胃部的结构特征。
需要说明的是，在不同的检测状态下的胃部是具有多种胃部特征，本实施例提供的在某一种检测状态下的胃部特征，例如第一检测状态下胃部的形态特征，是在第一检测状态下的多种胃部特征中最显著的一种的胃部特征，根据该最显著的胃部特征，能够有效的确定胃部标志物的浸润深度分别为第一浸润深度的和第二浸润深度的置信度信息。
具体的，所述根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息的步骤，具体为：将所述第一胃部内镜图像输入至训练好的第一胃部标志物的浸润深度识别模型，以使所述训练好的第一胃部标志物的浸润深度识别模型根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第一置信度信息和黏膜下癌的第二置信度信息。
其中，所述训练好的第一胃部标志物的浸润深度识别模型根据在所述第一检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。所述训练好的第一胃部标志物的浸润深度识别模型可以为在第一检测状态下的黏膜內癌和黏膜下癌分类模型，用于根据第一胃部内镜图像中胃部的形态特征对第一胃部内镜图像进行识别，从而输出第一胃部内镜图像属于黏膜內癌的第一概率值和属于黏膜下癌的第二概率值，其中第一概率值（即第一置信度信息）与第二概率值（即第二置信度信息）之和为1，所述概率值用于表征第一胃部内镜图像属于黏膜內癌和黏膜下癌的概率。
如此，通过所述训练好的第一胃部标志物的浸润深度识别模型，能够在第一检测状态下确定第一胃部内镜图像属于黏膜內癌和黏膜下癌的置信度信息。
具体的，请参见图2a-2b，图2a-2b是发明本实施例提供的在第一检测状态下的第一胃部内镜图像的一种示意图，其中，图2a为在第一检测状态下的第一胃部内镜图像为黏膜下癌的一种示意图，图2b为在第一检测状态下的第一胃部内镜图像为黏膜内癌的一种示意图。通过本实施例提供的训练好的第一胃部标志物的浸润深度识别模型，能够根据第一检测状态下的第一胃部内镜图像的形态特征如图2a和2b所示的形态特征，确定第一胃部内镜图像为黏膜內癌和黏膜下癌的置信度信息。
在一些实施例中，所述根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息的步骤，具体为：将所述第二胃部内镜图像输入至训练好的第二胃部标志物的浸润深度识别模型，以使所述训练好的第二胃部标志物的浸润深度识别模型根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第三置信度信息和黏膜下癌的第四置信度信息。
其中，所述训练好的第二胃部标志物的浸润深度识别模型根据在所述第二检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。所述训练好的第二胃部标志物的浸润深度识别模型可以为在第二检测状态下的黏膜內癌和黏膜下癌分类模型，用于根据第二胃部内镜图像中胃部的颜色特征对第二胃部内镜图像进行识别，从而输出第二胃部内镜图像属于黏膜內癌的第一概率值和属于黏膜下癌的第二概率值，其中第一概率值（即第三置信度信息）与第二概率值（即第四置信度信息）之和为1，所述概率值用于表征第二胃部内镜图像属于黏膜內癌和黏膜下癌的概率。
如此，通过所述训练好的第二胃部标志物的浸润深度识别模型，能够在第二检测状态下确定第二胃部内镜图像属于黏膜內癌和黏膜下癌的置信度信息。
具体的，请参见图3a-3b，图3a-3b是本发明实施例提供的在第二检测状态下的第二胃部内镜图像的一种示意图，其中，图3a为在第二检测状态下的第二胃部内镜图像为黏膜下癌的一种示意图，图3b为在第二检测状态下的第二胃部内镜图像为黏膜内癌的一种示意图。通过本实施例提供的训练好的第二胃部标志物的浸润深度识别模型，能够根据第二检测状态下的第二胃部内镜图像的颜色特征如图3a和3b所示的颜色特征（对染色放大后获取的颜色特征），确定第二胃部内镜图像为黏膜內癌和黏膜下癌的置信度信息。
作为可选的实施例，所述根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息的步骤，具体为：对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域；对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层；根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
其中，所述第一浸润深度包括黏膜内癌的浸润深度，第二浸润深度包括黏膜下癌的浸润深度，所述多层膜层包括粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层。
在一种实施例中，所述对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域的步骤，具体为：将所述第三胃部内镜图像输入至训练好的目标检测模型，以使所述训练好的目标检测模型对所述第三胃部内镜图像中的病变区域进行检测，确定所述第三胃部内镜图像中的病变区域。
其中，所述训练好的目标检测模型根据胃部的胃部内镜图像及对应的标注有病变区域的标注图像构成的训练集训练得到的。
在另一种实施例中，所述对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层的步骤，具体为：将所述第三胃部内镜图像输入至训练好的图像分割模型，以使所述训练好的图像分割模型根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行分割，得到所述第三胃部内镜图像中构成胃部结构的粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层。
其中，所述训练好的图像分割模型根据在所述第三检测状态下的胃部内镜图像及对应的标注有胃部结构膜层的标注图像构成的训练集训练得到的。所述训练好的图像分割模型可以包括5个图像分割模型，如黏膜层图像分割模型、粘膜肌层图像分割模型、粘膜下层图像分割模型、固有肌层图像分割模型以及浆膜层图像分割模型。如此，可以通过这5个图像分割模型，分别对第三胃部内镜图像进行识别，以确定所述第三胃部内镜图像中构成胃部结构的粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层。
具体的，请参见图4a-4e，图4a-4e是本发明实施例提供的在第三检测状态下的第三胃部内镜图像的一种示意图，其中，图4a中的a区域为在第三检测状态下的第三胃部内镜图像中黏膜层的一种示意图，图4b中的b区域为在第三检测状态下的第三胃部内镜图像中粘膜肌层的一种示意图，图4c中的c区域为在第三检测状态下的第三胃部内镜图像中粘膜下层的一种示意图，图4d中的d区域为在第三检测状态下的第三胃部内镜图像中固有肌层的一种示意图，图4e中的e区域为在第三检测状态下的第三胃部内镜图像中浆膜层的一种示意图。通过训练好的图像分割模型，如上述实施例提供的5个图像分割模型，即可识别出在第三检测状态下的第三胃部内镜图像中构成胃部结构的各个膜层，从而能够确定在第三检测状态下的第三胃部内镜图像中胃部的结构特征，根据该结构特征能够确定在第三检测状态下的第三胃部内镜图像中各胃部膜层之间的位置关系。
具体的，请参见图5，图5是本发明实施例提供的在第三检测状态下的第三胃部内镜图像的另一种示意图，如图5所示，图5示出了在第三检测状态下的第三胃部内镜图像中各胃部膜层之间的位置关系，其中，a区域为胃部结构的粘膜层、b区域为胃部结构的粘膜肌层、c区域为胃部结构的粘膜下层、d区域为胃部结构的固有肌层、e区域为胃部结构的浆膜层，以及f区域为在第三检测状态下第三胃部内镜图像中的病变区域。
在一些实施例中，所述根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息的步骤，具体为：将所述第三胃部内镜图像输入至训练好的第三胃部标志物的浸润深度识别模型，以使所述训练好的第三胃癌浸润深度识别模型根据所述第三胃部内镜图像的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第五置信度信息和黏膜下癌的第六置信度信息。
其中，所述训练好的第三胃部标志物的浸润深度识别模型根据在所述第三检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
具体的，训练好的第三胃部标志物的浸润深度识别模型能够根据所述病变区域与所述多层膜层之间的位置关系，精准地确定目标用户的胃部标志物的浸润深度。
步骤103，获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积。
在本实施例中，所述第一检测状态为白光检测状态、所述第二检测状态为光变检测状态、所述第三检测状态为超声检测状态，所述预设检测状态为所述白光检测状态、所述光变检测状态以及所述超声检测状态中的任一检测状态。
具体的，白光检测状态为进行白光内镜检测时的检测状态，在该检测状态下，能够根据获取的白光内镜图像（white light imaging，WLI）中病灶的形态进行浸润深度分析；光变检测状态为进行放大内镜检测时的检测状态，在该检测状态下，能够根据放大内镜结合窄带成像（magnifying endoscopy with narrow-band imaging，ME-NBI）的内镜下不同的光源，使内镜下的内镜图像发生光变反应，从而依据光变反应后内镜图像的颜色变化进行浸润深度分析；超声检测状态为进行超声内镜检测时的检测状态，在该检测状态下，能够根据超声内镜检查术（endoscopic ultrasonography，EUS）确定胃部的层次结构，从而通过胃部的层次结构与病变区域的位置关系进行浸润深度分析。
其中，所述获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积的步骤，具体为：根据在预设检测状态下的胃部内镜图像的长和宽，确定在预设检测状态下的胃部内镜图像的总面积；调用所述训练好的目标检测模型，对预设检测状态下的胃部内镜图像进行检测，以确定在预设检测状态下的胃部内镜图像中的病变区域；根据所述病变区域，计算所述病变区域的病变区域面积。
具体的，胃部内镜图像的总面积可以直接根据所述胃部内镜图像的长和宽计算得到，也可以根据所述胃部内镜图像的像素面积计算得到；同理，所述胃部内镜图像的中病变区域的面积也可以通过区域的尺寸信息进行计算得到，也可以通过区域的像素面积计算得到。
步骤104，根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
在本实施例中，所述根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度的步骤，具体为：确定所述总面积与所述病变区域面积之比的比值；将所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息，输入至训练好的胃部标志物的浸润深度拟合模型，以使所述训练好的胃部标志物的浸润深度拟合模型对所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息进行拟合处理，得到所述目标用户的胃部标志物的浸润深度。
其中，所述训练好的胃部标志物的浸润深度拟合模型包括随机森林和决策树。本实施例是将同一用户在预设检测状态下胃部内镜图像的总面积、病变区域面积与总面积之间的比值、在三种不同检测状态下进行胃癌浸润深度分析后生成的黏膜内癌和黏膜下癌的置信度信息，作为训练样本数据，将对应的用户的实际胃癌浸润深度信息作为标注数据，对待训练的胃部标志物的浸润深度拟合模型进行训练直至收敛，以此得到所述训练好的胃部标志物的浸润深度拟合模型。
为了消除异常数据导致的不良影响，本实施例在计算所述总面积与所述病变区域面积之比的比值之前，还需要对各面积进行归一化处理。如此，能够提高浸润深度分析的精准度。
具体的，训练好的胃部标志物的浸润深度拟合模型的训练数据中的所述总面积和所述病变区域面积的面积信息，是在预设检测状态下的胃部内镜图像中获取的，因此，当训练好的胃部标志物的浸润深度拟合模型是根据第一检测状态下的胃部内镜图像中的面积信息训练得到的时，预设检测状态也必须为第一检测状态；同理，当训练好的胃部标志物的浸润深度拟合模型是根据第二检测状态/第三检测状态下的胃部内镜图像中的面积信息训练得到的时，预设检测状态也必须为第二检测状态/第三检测状态。
综上所述，本发明实施例提供的胃部标志物的浸润深度检测方法，包括获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征，分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息，获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积，根据总面积、病变区域面积，以及多个浸润深度信息，确定目标用户的胃部标志物的浸润深度。采用本发明实施例，能够全面地、精准地确定目标用户的胃部标志物的浸润深度，解决胃癌浸润深度难以准确地检测的技术问题。
根据上述实施例所描述的方法，本实施例将从胃部标志物的浸润深度检测装置的角度进一步进行描述，该胃部标志物的浸润深度检测装置具体可以作为独立的实体来实现，也可以集成在电子设备，比如终端中来实现，该终端可以包括手机、平板电脑等。
请参见图6，图6是本发明实施例提供的胃部标志物的浸润深度检测装置的一种结构示意图，如图6所示，本发明实施例提供的胃部标志物的浸润深度检测装置600，包括：
第一获取模块601，用于获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征。
识别模块602，用于分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息。
在本实施例中，所述在多种不同检测状态下的胃部内镜图像包括在第一检测状态下的第一胃部内镜图像、在第二检测状态下的第二胃部内镜图像以及在第三检测状态下的第三胃部内镜图像，所述胃部特征包括形态特征、颜色特征以及结构特征，所述浸润深度信息包括胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度和第二浸润深度的置信度信息。
具体的，所述识别模块602具体用于：根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息；根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息；根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
在本实施例中，所述识别模块602具体还用于：对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域；对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层；根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
其中，所述第一浸润深度包括黏膜内癌的浸润深度，第二浸润深度包括黏膜下癌的浸润深度，所述多层膜层包括粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层。
在一种实施例中，所述识别模块602具体还用于：将所述第三胃部内镜图像输入至训练好的目标检测模型，以使所述训练好的目标检测模型对所述第三胃部内镜图像中的病变区域进行检测，确定所述第三胃部内镜图像中的病变区域。
其中，所述训练好的目标检测模型根据胃部的胃部内镜图像及对应的标注有病变区域的标注图像构成的训练集训练得到的。
在另一种实施例中，所述识别模块602具体还用于：将所述第三胃部内镜图像输入至训练好的图像分割模型，以使所述训练好的图像分割模型根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行分割，得到所述第三胃部内镜图像中构成胃部结构的粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层。
其中，所述训练好的图像分割模型根据在所述第三检测状态下的胃部内镜图像及对应的标注有胃部结构膜层的标注图像构成的训练集训练得到的。
在第三种实施例中，所述识别模块602具体还用于：将所述第三胃部内镜图像输入至训练好的第三胃部标志物的浸润深度识别模型，以使所述训练好的第三胃癌浸润深度识别模型根据所述第三胃部内镜图像的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第五置信度信息和黏膜下癌的第六置信度信息。
其中，所述训练好的第三胃部标志物的浸润深度识别模型根据在所述第三检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
作为可选的实施例，所述识别模块602具体还用于：将所述第一胃部内镜图像输入至训练好的第一胃部标志物的浸润深度识别模型，以使所述训练好的第一胃部标志物的浸润深度识别模型根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第一置信度信息和黏膜下癌的第二置信度信息。
其中，所述训练好的第一胃部标志物的浸润深度识别模型根据在所述第一检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
作为另一可选的实施例，所述识别模块602具体还用于：将所述第二胃部内镜图像输入至训练好的第二胃部标志物的浸润深度识别模型，以使所述训练好的第二胃部标志物的浸润深度识别模型根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第三置信度信息和黏膜下癌的第四置信度信息。
其中，所述训练好的第二胃部标志物的浸润深度识别模型根据在所述第二检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
第二获取模块603，用于获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积。
在本实施例中，所述第一检测状态为白光检测状态、所述第二检测状态为光变检测状态、所述第三检测状态为超声检测状态，所述预设检测状态为所述白光检测状态、所述光变检测状态以及所述超声检测状态中的任一检测状态。
具体的，所述第二获取模块603具体用于：根据在预设检测状态下的胃部内镜图像的长和宽，确定在预设检测状态下的胃部内镜图像的总面积；调用所述训练好的目标检测模型，对预设检测状态下的胃部内镜图像进行检测，以确定在预设检测状态下的胃部内镜图像中的病变区域；根据所述病变区域，计算所述病变区域的病变区域面积。
确定模块604，用于根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
在本实施例中，所述确定模块604具体用于：确定所述总面积与所述病变区域面积之比的比值；
将所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息，输入至训练好的胃部标志物的浸润深度拟合模型，以使所述训练好的胃部标志物的浸润深度拟合模型对所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息进行拟合处理，得到所述目标用户的胃部标志物的浸润深度。
其中，所述训练好的胃部标志物的浸润深度拟合模型包括随机森林和决策树。
具体实施时，以上各个模块和/或单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块和/或单元的具体实施可参见前面的方法实施例，具体可以达到的有益效果也请参看前面的方法实施例中的有益效果，在此不再赘述。
另外，请参见图7，图7是本发明实施例提供的电子设备的一种结构示意图，该电子设备可以是移动终端如智能手机、平板电脑等设备。如图7所示，电子设备700包括处理器701、存储器702。其中，处理器701与存储器702电性连接。
处理器701是电子设备700的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器702内的应用程序，以及调用存储在存储器702内的数据，执行电子设备700的各种功能和处理数据，从而对电子设备700进行整体监控。
在本实施例中，电子设备700中的处理器701会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能：
获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
该电子设备700可以实现本发明实施例所提供的胃部标志物的浸润深度检测方法任一实施例中的步骤，因此，可以实现本发明实施例所提供的任一胃部标志物的浸润深度检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
请参见图8，图8是本发明实施例提供的电子设备的另一种结构示意图，如图8所示，图8示出了本发明实施例提供的电子设备的具体结构框图，该电子设备可以用于实施上述实施例中提供的胃部标志物的浸润深度检测方法。该电子设备800可以为移动终端如智能手机或笔记本电脑等设备。
RF电路810用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。RF电路810可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块（SIM）卡、存储器等等。RF电路810可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统（Global System for Mobile Communication, GSM）、增强型移动通信技术（EnhancedData GSM Environment, EDGE)，宽带码分多址技术（Wideband Code Division MultipleAccess, WCDMA），码分多址技术（Code Division Access, CDMA）、时分多址技术（TimeDivision Multiple Access, TDMA），无线保真技术（Wireless Fidelity， Wi-Fi）（如美国电气和电子工程师协会标准 IEEE 802.11a， IEEE 802.11b, IEEE802.11g 和/或 IEEE802.11n）、网络电话（Voice over Internet Protocol, VoIP）、全球微波互联接入（Worldwide Interoperability for Microwave Access， Wi-Max）、其他用于邮件、即时通讯及短消息的协议，以及任何其他合适的通讯协议，甚至可包括那些当前仍未被开发出来的协议。
存储器820可用于存储软件程序以及模块，如上述实施例中胃部标志物的浸润深度检测方法对应的程序指令/模块，处理器880通过运行存储在存储器820内的软件程序以及模块，从而执行各种功能应用以及胃部标志物的浸润深度检测，即实现如下功能：
获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
存储器820可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器820可进一步包括相对于处理器880远程设置的存储器，这些远程存储器可以通过网络连接至电子设备800。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入单元830可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元830可包括触敏表面831以及其他输入设备832。触敏表面831，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面831上或在触敏表面831附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面831可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器880，并能接收处理器880发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面831。除了触敏表面831，输入单元830还可以包括其他输入设备832。具体地，其他输入设备832可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元840可用于显示由用户输入的信息或提供给用户的信息以及电子设备800的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元840可包括显示面板841，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板841。进一步的，触敏表面831可覆盖显示面板841，当触敏表面831检测到在其上或附近的触摸操作后，传送给处理器880以确定触摸事件的类型，随后处理器880根据触摸事件的类型在显示面板841上提供相应的视觉输出。虽然在图中，触敏表面831与显示面板841是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面831与显示面板841集成而实现输入和输出功能。
电子设备800还可包括至少一种传感器850，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板841的亮度，接近传感器可在翻盖合上或者关闭时产生中断。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等;至于电子设备800还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路860、扬声器861，传声器862可提供用户与电子设备800之间的音频接口。音频电路860可将接收到的音频数据转换后的电信号，传输到扬声器861，由扬声器861转换为声音信号输出；另一方面，传声器862将收集的声音信号转换为电信号，由音频电路860接收后转换为音频数据，再将音频数据输出处理器880处理后，经RF电路810以发送给比如另一终端，或者将音频数据输出至存储器820以便进一步处理。音频电路860还可能包括耳塞插孔，以提供外设耳机与电子设备800的通信。
电子设备800通过传输模块870（例如Wi-Fi模块）可以帮助用户接收请求、发送信息等，它为用户提供了无线的宽带互联网访问。虽然图中示出了传输模块870，但是可以理解的是，其并不属于电子设备800的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器880是电子设备800的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器820内的软件程序和/或模块，以及调用存储在存储器820内的数据，执行电子设备800的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器880可包括一个或多个处理核心；在一些实施例中，处理器880可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解地，上述调制解调处理器也可以不集成到处理器880中。
电子设备800还包括给各个部件供电的电源890（比如电池），在一些实施例中，电源可以通过电源管理系统与处理器880逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源890还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，电子设备800还包括摄像头（如前置摄像头、后置摄像头）、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备的显示单元是触摸屏显示器，移动终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行一个或者一个以上程序包含用于进行以下操作的指令：
获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的胃部标志物的浸润深度检测方法中任一实施例的步骤。
其中，该存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的胃部标志物的浸润深度检测方法任一实施例中的步骤，因此，可以实现本发明实施例所提供的任一胃部标志物的浸润深度检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种胃部标志物的浸润深度检测方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。并且，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种胃部标志物的浸润深度检测方法，其特征在于，包括：
获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
2.如权利要求1所述的胃部标志物的浸润深度检测方法，其特征在于，所述在多种不同检测状态下的胃部内镜图像包括在第一检测状态下的第一胃部内镜图像、在第二检测状态下的第二胃部内镜图像以及在第三检测状态下的第三胃部内镜图像，所述胃部特征包括形态特征、颜色特征以及结构特征，所述浸润深度信息包括胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度和第二浸润深度的置信度信息；
所述分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息，包括：
根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息；
根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息；
根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
3.如权利要求2所述的胃部标志物的浸润深度检测方法，其特征在于，所述根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息，包括：
对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域；
对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层；
根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息。
4.如权利要求3所述的胃部标志物的浸润深度检测方法，其特征在于，所述第一浸润深度包括黏膜内癌的浸润深度，第二浸润深度包括黏膜下癌的浸润深度，所述多层膜层包括粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层；
所述对所述第三胃部内镜图像进行检测，确定所述第三胃部内镜图像中的病变区域，包括：
将所述第三胃部内镜图像输入至训练好的目标检测模型，以使所述训练好的目标检测模型对所述第三胃部内镜图像中的病变区域进行检测，确定所述第三胃部内镜图像中的病变区域；
其中，所述训练好的目标检测模型根据胃部的胃部内镜图像及对应的标注有病变区域的标注图像构成的训练集训练得到的；
所述对所述第三胃部内镜图像中的胃部结构进行分层处理，得到构成所述胃部结构的多层膜层，包括：
将所述第三胃部内镜图像输入至训练好的图像分割模型，以使所述训练好的图像分割模型根据所述第三胃部内镜图像的结构特征对所述第三胃部内镜图像进行分割，得到所述第三胃部内镜图像中构成胃部结构的粘膜层、粘膜肌层、粘膜下层、固有肌层以及浆膜层；
其中，所述训练好的图像分割模型根据在所述第三检测状态下的胃部内镜图像及对应的标注有胃部结构膜层的标注图像构成的训练集训练得到的；
所述根据所述病变区域、所述多层膜层之间的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第五置信度信息和第二浸润深度的第六置信度信息，包括：
将所述第三胃部内镜图像输入至训练好的第三胃部标志物的浸润深度识别模型，以使所述训练好的第三胃癌浸润深度识别模型根据所述第三胃部内镜图像的位置关系对所述第三胃部内镜图像进行识别，得到所述第三胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第五置信度信息和黏膜下癌的第六置信度信息；
其中，所述训练好的第三胃部标志物的浸润深度识别模型根据在所述第三检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
5.如权利要求4所述的胃部标志物的浸润深度检测方法，其特征在于，所述根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第一置信度信息和第二浸润深度的第二置信度信息，包括：
将所述第一胃部内镜图像输入至训练好的第一胃部标志物的浸润深度识别模型，以使所述训练好的第一胃部标志物的浸润深度识别模型根据所述第一胃部内镜图像的形态特征对所述第一胃部内镜图像进行识别，得到所述第一胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第一置信度信息和黏膜下癌的第二置信度信息；
其中，所述训练好的第一胃部标志物的浸润深度识别模型根据在所述第一检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的；
所述根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为第一浸润深度的第三置信度信息和第二浸润深度的第四置信度信息，包括：
将所述第二胃部内镜图像输入至训练好的第二胃部标志物的浸润深度识别模型，以使所述训练好的第二胃部标志物的浸润深度识别模型根据所述第二胃部内镜图像的颜色特征对所述第二胃部内镜图像进行识别，得到所述第二胃部内镜图像对应的胃部标志物的浸润深度分别为黏膜内癌的第三置信度信息和黏膜下癌的第四置信度信息；
其中，所述训练好的第二胃部标志物的浸润深度识别模型根据在所述第二检测状态下的胃部内镜图像及对应的标注浸润深度构成的训练集训练得到的。
6.如权利要求4所述的胃部标志物的浸润深度检测方法，其特征在于，所述第一检测状态为白光检测状态、所述第二检测状态为光变检测状态、所述第三检测状态为超声检测状态，所述预设检测状态为所述白光检测状态、所述光变检测状态以及所述超声检测状态中的任一检测状态；
所述获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积，包括：
根据在预设检测状态下的胃部内镜图像的长和宽，确定在预设检测状态下的胃部内镜图像的总面积；
调用所述训练好的目标检测模型，对预设检测状态下的胃部内镜图像进行检测，以确定在预设检测状态下的胃部内镜图像中的病变区域；
根据所述病变区域，计算所述病变区域的病变区域面积。
7.如权利要求6所述的胃部标志物的浸润深度检测方法，其特征在于，所述根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度，包括：
确定所述总面积与所述病变区域面积之比的比值；
将所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息，输入至训练好的胃部标志物的浸润深度拟合模型，以使所述训练好的胃部标志物的浸润深度拟合模型对所述总面积、所述比值、所述黏膜内癌的第一置信度信息、第三置信度信息、第五置信度信息，以及所述黏膜下癌的第二置信度信息、第四置信度信息、第六置信度信息进行拟合处理，得到所述目标用户的胃部标志物的浸润深度；
其中，所述训练好的胃部标志物的浸润深度拟合模型包括随机森林和决策树。
8.一种胃部标志物的浸润深度检测装置，其特征在于，包括：
第一获取模块，用于获取存在胃部标志物的目标用户在多种不同检测状态下的胃部内镜图像，每种检测状态下的胃部内镜图像对应有不同的胃部特征；
识别模块，用于分别对每种检测状态下的胃部内镜图像进行识别，以确定在每种检测状态下所述目标用户的胃部标志物的浸润深度信息，得到多个浸润深度信息；
第二获取模块，用于获取在预设检测状态下的胃部内镜图像的总面积和病变区域面积；
确定模块，用于根据所述总面积、所述病变区域面积，以及多个所述浸润深度信息，确定所述目标用户的胃部标志物的浸润深度。
9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的胃部标志物的浸润深度检测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7任一项所述的胃部标志物的浸润深度检测方法中的步骤。
CN202211470623.6A 2022-11-22 2022-11-22 胃部标志物的浸润深度检测方法、装置及存储介质 Withdrawn CN116109559A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211470623.6A CN116109559A (zh) 2022-11-22 2022-11-22 胃部标志物的浸润深度检测方法、装置及存储介质
CN202310503578.8A CN116596869B (zh) 2022-11-22 2023-04-28 胃部标志物的浸润深度检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211470623.6A CN116109559A (zh) 2022-11-22 2022-11-22 胃部标志物的浸润深度检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116109559A true CN116109559A (zh) 2023-05-12

Family

ID=86255085

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211470623.6A Withdrawn CN116109559A (zh) 2022-11-22 2022-11-22 胃部标志物的浸润深度检测方法、装置及存储介质
CN202310503578.8A Active CN116596869B (zh) 2022-11-22 2023-04-28 胃部标志物的浸润深度检测方法、装置及存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310503578.8A Active CN116596869B (zh) 2022-11-22 2023-04-28 胃部标志物的浸润深度检测方法、装置及存储介质

Country Status (1)

Country Link
CN (2) CN116109559A (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3811845A4 (en) * 2018-06-22 2022-03-16 AI Medical Service Inc. METHOD OF ASSISTING A DISEASE DIAGNOSIS BASED ON AN ENDOSCOPE IMAGE OF THE DIGESTIVE ORGAN, DIAGNOSIS SUPPORT SYSTEM, DIAGNOSIS SUPPORT PROGRAM AND COMPUTER READABLE RECORDING MEDIUM WITH THE DIAGNOSIS SUPPORT PROGRAM STORED THEREON
US11666570B2 (en) * 2019-07-11 2023-06-06 The Board Of Trustees Of The Leland Stanford Junior University Diagnosis and regulation of epidermal differentiation and cancer cell activity
CN112270676B (zh) * 2020-11-13 2022-07-15 上海理工大学 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法
CN112614128B (zh) * 2020-12-31 2021-09-07 山东大学齐鲁医院 一种基于机器学习的内镜下辅助活检的系统及方法
CN113421272B (zh) * 2021-06-22 2023-05-23 厦门理工学院 一种肿瘤浸润深度的监测方法、装置、设备和存储介质
CN113610847B (zh) * 2021-10-08 2022-01-04 武汉楚精灵医疗科技有限公司 一种白光模式下胃部标志物评估方法及系统
CN113643291B (zh) * 2021-10-14 2021-12-24 武汉大学 食管标志物浸润深度等级确定方法、装置及可读存储介质
CN113706533B (zh) * 2021-10-28 2022-02-08 武汉大学 图像处理方法、装置、计算机设备及存储介质
CN114078128B (zh) * 2022-01-20 2022-04-12 武汉大学 医学图像处理方法、装置、终端及存储介质
CN114998348B (zh) * 2022-08-03 2022-11-01 南方医科大学南方医院 一种计算机可读存储介质及直肠癌预后预测模型构建系统

Also Published As

Publication number Publication date
CN116596869A (zh) 2023-08-15
CN116596869B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN110458127B (zh) 图像处理方法、装置、设备以及系统
US10031218B2 (en) Method and apparatus for sensing fingerprints
TWI679552B (zh) 解鎖控制方法及移動終端
CN107194324A (zh) 指纹识别区域显示方法及相关产品
WO2018113512A1 (zh) 图像处理方法以及相关装置
JP2022546453A (ja) フィットネス支援方法および電子装置
CN113919390A (zh) 一种识别触摸操作的方法及电子设备
WO2019052551A1 (zh) 终端设备的交互方法、存储介质以及终端设备
CN112288843A (zh) 一种病灶的三维构建方法、装置、终端设备及存储介质
CN107193474A (zh) 解锁控制方法及相关产品
CN107194223A (zh) 指纹识别区域显示方法及相关产品
CN110517771B (zh) 一种医学图像处理方法、医学图像识别方法及装置
CN105513098B (zh) 一种图像处理的方法和装置
CN116596869B (zh) 胃部标志物的浸润深度检测方法、装置及存储介质
WO2019015432A1 (zh) 识别虹膜活体的方法及相关产品
WO2019001253A1 (zh) 虹膜活体检测方法及相关产品
CN115984228A (zh) 胃镜图像处理方法、装置、电子设备及存储介质
CN113343195A (zh) 电子设备及其指纹解锁方法、指纹解锁装置
CN115393323B (zh) 一种目标区域获得方法、装置、设备和存储介质
CN114267453A (zh) Ercp术后胰腺炎的风险评估方法、装置及存储介质
CN113283552A (zh) 图像的分类方法、装置、存储介质及电子设备
CN113902682A (zh) 基于医疗图像的诊断方法、装置、存储介质及电子设备
CN115375603A (zh) 一种图像识别方法、装置、电子设备及存储介质
CN118736199A (zh) 内镜图像的穿刺区域检测方法、装置、设备及存储介质
CN110287668A (zh) 解锁方法及相关产品

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230512