CN117392449A - 基于进镜图像特征的肠镜部位识别方法、装置和设备 - Google Patents
基于进镜图像特征的肠镜部位识别方法、装置和设备 Download PDFInfo
- Publication number
- CN117392449A CN117392449A CN202311380267.3A CN202311380267A CN117392449A CN 117392449 A CN117392449 A CN 117392449A CN 202311380267 A CN202311380267 A CN 202311380267A CN 117392449 A CN117392449 A CN 117392449A
- Authority
- CN
- China
- Prior art keywords
- enteroscopy
- image
- feature vector
- category
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 239000013598 vector Substances 0.000 claims abstract description 241
- 230000008569 process Effects 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000009467 reduction Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims 2
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000012937 correction Methods 0.000 description 6
- 210000001035 gastrointestinal tract Anatomy 0.000 description 6
- 210000001815 ascending colon Anatomy 0.000 description 5
- 210000001731 descending colon Anatomy 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000003384 transverse colon Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 210000001599 sigmoid colon Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据识别技术领域,提供一种基于进镜图像特征的肠镜部位识别方法、装置和设备,该方法包括:根据进镜过程中采集的各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别;对肠镜退镜过程中采集的目标肠镜图像进行目标特征向量提取;计算目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集;将样本子集中各个样本对应的肠镜部位类别中统计数量超过二分之一的样本数量的类别作为目标肠镜图像的肠镜部位类别。本发明能够有效地提高退镜检查过程中肠镜部位类别的识别准确率。
Description
技术领域
本发明涉及图像数据识别技术领域,尤其涉及基于进镜图像特征的肠镜部位识别方法、装置和设备。
背景技术
肠镜检查是一种通过将内窥镜插入患者的下消化道,以观察、诊断和治疗消化道疾病的医学检查方法。不同肠镜部位的病变可能与不同的疾病有关,准确定位肠镜检查部位,可以更好地观察和评估病变的性质、范围和严重程度,从而指导后续的治疗方案制定和疾病管理。同时,部位识别还可以提供更精准的病情描述和记录,有助于医疗团队的沟通和协作,提高患者的治疗效果和生活质量。
但肠镜部位解剖结构相似,没有明显界限。结肠部位的位置和形态在不同人群或不同情况下可能存在一定的变异,例如弯曲度、长度、位置等因人而异。鉴于以上原因,准确区分肠镜部位中升结肠、横结肠、降结肠、乙状结肠、直肠需要依靠专业的肠镜医生凭借丰富的经验和技术,结合肠道解剖知识和肠道镜检查结果综合判断。在实际操作中存在一定难度,增加了医生的工作量、影响工作效率。
虽然深度学习的推理识别在医疗领域已经得到了较为广泛的应用,但由于肠镜结构的特殊性、个体差异变化大等原因,基于深度学习的肠镜部位识别难度较大。因此,如何准确地实现肠镜部位识别对辅助实现消化道疾病的诊断和治疗具有重要意义。
发明内容
鉴于上述问题,提出了本发明以便提供一种解决上述技术问题或者至少部分地解决上述技术问题的基于进镜图像特征的肠镜部位识别方法、装置和设备。
本发明的一个方面,提供了一种基于进镜图像特征的肠镜部位识别方法,所述方法包括:
对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取;
根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别;
对肠镜退镜过程中采集的目标肠镜图像进行特征向量提取,得到目标肠镜图像的目标特征向量;
计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集;
对所述样本子集中各个样本对应的肠镜部位类别进行统计,将统计数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别。
可选地,所述方法还包括:
对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别。
可选地,所述对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别包括:
获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,所述图像集中的进镜肠镜图像按照采图时间进行排序;
将各个类别区间内的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别,或将各个类别区间内存在的部位类别为非未知的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别。
可选地,获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,包括:
以进镜肠镜图像的采图序列号x和初始肠镜部位类别y的组合为样本,形成第一样本集D={(x1,y1),(x2,y2),(x3,y3)…(xn-1,yn-1),(xn,yn)},其中,n为进镜过程中采集的进镜肠镜图像的数量;
获取包含不同初始肠镜部位类别的样本在第一样本集D中的分布密度,并将各个初始肠镜部位类别的样本对应的分布密度最高的样本分布区域作为对应肠镜部位类别的类别区间。
可选地,所述计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集,包括:
以进镜肠镜图像的特征向量f和对应的更新后的肠镜部位类别的组合为样本,形成第二样本集/>,其中,/>为基于各类别区间对应的肠镜部位类别对区间内进镜肠镜图像的肠镜部位类别进行更新后的肠镜部位类别,n为进镜过程中采集的进镜肠镜图像的数量;
以特征向量f为样本数据,以更新后的肠镜部位类别为标签,基于线性判别分析算法按照预设的目标维度计算第一降维投影矩阵;
根据第一降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,/>为对特征向量f进行降维计算后的低维特征向量;
根据第一降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维目
标特征向量;
遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
可选地,所述计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集,包括:
以进镜肠镜图像的特征向量f和对应的肠镜部位类别y的组合为样本,形成第二样本集F={(f1,y1),(f2,y2),(f3,y3)…(fn-1,yn-1),(fn,yn)},n为进镜过程中采集的进镜肠镜图像的数量;
以特征向量f为样本数据,以肠镜部位类别y为标签,基于线性判别分析算法按照预设的目标维度计算第二降维投影矩阵;
根据第二降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,/>为对特征向量f进行降维计算后的低维特征向量;
根据第二降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维目
标特征向量;
遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
可选地,所述方法还包括:
在根据肠镜进镜过程中采集的进镜肠镜图像的特征向量对相应进镜肠镜图像进行肠镜部位类别识别时,当连续存在多张进镜肠镜图像的识别结果为回盲部,且进镜肠镜图像的连续数量大于预设的数量阈值时,判定进镜过程结束,进入退镜过程。
可选地,对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取,包括:
采用预先训练的Encoder-Decoder模型对各个进镜肠镜图像进行从图像到特征向量再到图像的编、解码训练,并将Encoder-Decoder模型的特征向量层输出的特征向量作为当前输入的肠镜检查图像的特征向量;
其中,Encoder-Decoder模型包括图像输入层、编码层、特征向量层、解码层以及图像输出层。
可选地,根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别,包括:
采用预先训练的图像分类模型对每一进镜肠镜图像的特征向量进行学习,得到各个进镜肠镜图像对应的初始肠镜部位类别;
所述图像分类模型包括图像输入层、编码层、特征向量层、线性层以及,类别输出层,图像分类模型中的图像输入层、编码层、特征向量层复用Encoder-Decoder模型中的图像输入层、编码层、特征向量层。
本发明的另一个方面,提供了一种基于进镜图像特征的肠镜部位识别装置,所述装置包括用于实现如上任一项所述的基于进镜图像特征的肠镜部位识别方法的功能模块,具体包括:
特征提取模块,用于对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取;
第一类别识别模块,用于根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别;
特征提取模块,还用于对肠镜退镜过程中采集的目标肠镜图像进行特征向量提取,得到目标肠镜图像的目标特征向量;
向量计算模块,用于计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集;
第二类别识别模块,用于对所述样本子集中各个样本对应的肠镜部位类别进行统计,将统计数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别。
本发明的另一个方面,提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时,实现如上任一项所述的基于进镜图像特征的肠镜部位识别方法的步骤。
本发明实施例提供的基于进镜图像特征的肠镜部位识别方法、装置和设备,通过对进镜过程中采集的进镜肠镜图像进行特征向量提取和肠镜部位类别的识别,以在退镜过程中将采集到的目标肠镜图像的特征向量即目标特征向量与进镜采集的所有进镜肠镜图像的特征向量进行向量距离计算,按照向量距离由小到大的顺序选取距离较短的多张进镜肠镜图像,以根据选取的这些进镜肠镜图像的肠镜部位类别选取出统计数量过半的类别,将其作为当前目标退镜图像的肠镜部位类别,从而通过对进镜肠镜图像的特征分析和部位类别识别提高退镜检查过程中肠镜部位类别的识别准确率,可靠地实现对消化道疾病的辅助诊断和治疗。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1为本发明实施例的基于进镜图像特征的肠镜部位识别方法的流程图;
图2为本发明实施例中Encoder-Decoder模型的网络结构图;
图3为本发明实施例中图像分类模型的网络结构图;
图4为本发明实施例的基于进镜图像特征的肠镜部位识别装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
实施例一
本发明实施例提供了一种基于进镜图像特征的肠镜部位识别方法,如图1所示,本发明提出的基于进镜图像特征的肠镜部位识别方法,包括以下步骤:
S1、对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取。
本实施例中,在肠镜进镜过程中进行进镜肠镜图像采集,并采用图像特征提取算法或预先训练的图像特征提取模型提取各个进镜肠镜图像的特征向量。
S2、根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别。本实施例中,肠镜部位类别包括回盲部、升结肠、横结肠、降结肠、乙状结肠、直肠以及未知等类别。
S3、对肠镜退镜过程中采集的目标肠镜图像进行特征向量提取,得到目标肠镜图像的目标特征向量。
S4、计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集。其中,向量距离可以是欧氏距离、余弦距离等,本发明对此不作具体限定。
S5、对所述样本子集中各个样本对应的肠镜部位类别进行统计,将统计数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别。
本实施例中,通过统计投票的方式实现目标肠镜图像的肠镜部位类别的确定。具体的,可以将投票数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别,也可以将投票数量最高的肠镜部位类别作为目标肠镜图像的肠镜部位类别。进一步地,若各个肠镜部位类别的投票数量均小于样本子集中二分之一的样本数量,也即投票数量最高的肠镜部位类别的投票数也小于样本子集中二分之一的样本数量则判定目标肠镜图像为未知类别。
本实施例中,通过计算肠镜退镜过程中采集的目标肠镜图像的目标特征向量与肠镜进镜过程中采集的各个进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取距离较短的多张进镜肠镜图像,以根据选取的这些进镜肠镜图像的肠镜部位类别选取出统计数量最多的类别或统计数量过半的类别,作为当前目标退镜图像的肠镜部位类别。
本发明实施例提供的基于进镜图像特征的肠镜部位识别方法,通过对进镜过程中采集的进镜肠镜图像进行特征向量提取和肠镜部位类别的识别,以在退镜过程中将采集到的目标肠镜图像的特征向量即目标特征向量与进镜采集的所有进镜肠镜图像的特征向量进行向量距离计算,按照向量距离由小到大的顺序选取距离较短的多张进镜肠镜图像,以根据选取的这些进镜肠镜图像的肠镜部位类别选取出统计数量过半的类别,将其作为当前目标退镜图像的肠镜部位类别,从而通过对进镜肠镜图像的特征分析和部位类别识别提高退镜检查过程中肠镜部位类别的识别准确率,可靠地实现对消化道疾病的辅助诊断和治疗。
本发明实施例中,步骤S1中的对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取,具体包括:采用预先训练的Encoder-Decoder模型对各个进镜肠镜图像进行从图像到特征向量再到图像的编、解码训练,并将Encoder-Decoder模型的特征向量层输出的特征向量作为当前输入的肠镜检查图像的特征向量;其中,Encoder-Decoder模型包括图像输入层、编码层、特征向量层、解码层以及图像输出层。
具体的,将预设数据集中个各个无标注的肠镜检查图像裁剪掉黑色边框,得到保留有效视觉区域的图像样本用于模型训练。然后基于Encoder-Decoder模式对图像样本进行从图像到特征向量再到图像的编码、解码模型训练,得到Encoder-Decoder模型。如图2所示,Encoder-Decoder模型包括“编码/特征提取网络”和“解码网络”,其中,“编码/特征提取网络”包括Input图像输入层、Encoder编码层和Feature vector特征向量层,“解码网络”包括Decoder解码层和Output1图像输出层。
进一步地,模型训练的损失函数是由Output1输出的生成图像与Input输入的原始图像做均方误差损失,实现图像到特征向量,再由特征向量到图像的转换。本实施例中,将Encoder-Decoder模型中间的Feature vector特征向量层的输出作为原始图像的特征向量。
本发明实施例中,步骤S2中的根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别,具体包括:采用预先训练的图像分类模型对每一进镜肠镜图像的特征向量进行学习,得到各个进镜肠镜图像对应的初始肠镜部位类别;所述图像分类模型包括图像输入层、编码层、特征向量层、线性层以及类别输出层,图像分类模型中的图像输入层、编码层、特征向量层复用Encoder-Decoder模型中的图像输入层、编码层、特征向量层。
具体的,预先对部分随机采集的肠镜检查图像进行部位类别标注。如图3所示,使用由Linear线性层、Output2类别输出层组成的“分类网络”替换“解码网络”,并复用“编码/特征提取网络”所有层参数,通过使用预先标注好的肠镜检查图像进行训练,得到肠镜图像的图像分类模型。
本发明实施例提出的基于进镜图像特征的肠镜部位识别方法,是通过对进镜肠镜图像的特征分析和部位类别识别提高退镜检查过程中肠镜部位类别的识别准确率,可靠地实现对消化道疾病的辅助诊断和治疗。本实施例中,可以在根据肠镜进镜过程中采集的进镜肠镜图像的特征向量对相应进镜肠镜图像进行肠镜部位类别识别时,当连续存在多张进镜肠镜图像的识别结果为回盲部,且进镜肠镜图像的连续数量大于预设的数量阈值时,判定进镜过程结束,进入退镜过程。在一个具体实施例中,在肠镜检查的进镜过程中,每秒钟等间隔采集10帧图像,并使用预先训练的图像分类模型进行识别,记录下每张进镜肠镜图像提取到的特征向量Feature vectory和所属类别。当连续采集的多帧图像中,如20-30帧,有二分之一以上的图像帧识别为回盲部时,则代表镜头达到回盲部,整个进镜过程结束,启动滞后分析。
需要说明的是,肠镜检查分为进镜和退镜两个过程,对于有病与否的判断是基于退镜过程的观察,进镜只是一个准备工作,进镜达到回盲部才是一个完整检查的开始。因此,在本申请技术方案实现过程中,需要准确地实现进镜过程和退镜过程的区分。
本发明实施例中,可以通过进镜过程中采集数据分析,针对单个检查的进镜过程中各类别特征进行纠正,从而提高退镜检查部位识别率的方法。具体的,所述方法还包括:对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别。所述对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别具体包括:获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,所述图像集中的进镜肠镜图像按照采图时间进行排序;将各个类别区间内的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别,以实现将各个肠镜部位类别对应的可信的分布区间内的进镜肠镜图像的标签重新更正为类别区间对应的肠镜部位类别标签。进一步地,当类别区间内存在部位类别为“未知”的进镜肠镜图像时,可以将各个类别区间内存在的部位类别为“非未知”的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别。例如得到升结肠的区间是第100至1000之间的900张图,但这里面有500张图识别为升结肠、200识别为未知、200识别为横结肠、直肠等其他部位。因为一个区间内大概率就是同一个部位,只不过肠镜解剖结构特征相似造成误识别了,则纠正这200张其他部位图像的类别为升结肠。
其中,获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,具体包括:以进镜肠镜图像的采图序列号x和初始肠镜部位类别y的组合为样本,形成第一样本集D={(x1,y1),(x2,y2),(x3,y3)…(xn-1,yn-1),(xn,yn)},其中,n为进镜过程中采集的进镜肠镜图像的数量;获取包含不同初始肠镜部位类别的样本在第一样本集D中的分布密度,并将各个肠镜部位类别的样本对应的分布密度最高的样本分布区域作为对应肠镜部位类别的类别区间。本实施例中,对于每个类别(“未知”类别除外),可使用核密度估计方法获得该类别的点在整个样本集D中的密度分布。根据密度分布,得到每个类别的点集合的高密度区域,并以此获得各类别所属区间I。根据非“未知类”的各类别所属区间,修正区间内所有非未知的图像标签为所属区间类别。其中“未知”类别图像不需要根据所属区间重新修正标签。此时,进镜过程中图像采集推理和滞后分析结束,修正进镜过程所采集图像标签后,开始退镜检查肠镜部位识别过程。
其中,在将各个类别区间内的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别之后,步骤S4中的计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集,具体包括如下附图中未示出的步骤:
S41、以进镜肠镜图像的特征向量f和对应的更新后的肠镜部位类别的组合为样本,形成第二样本集/>,其中,/>为基于各类别区间对应的肠镜部位类别对区间内进镜肠镜图像的肠镜部位类别进行更新后的肠镜部位类别,n为进镜过程中采集的进镜肠镜图像的数量。
S42、以特征向量f为样本数据,以更新后的肠镜部位类别为标签,基于线性判别分析算法按照预设的目标维度计算第一降维投影矩阵。本实施例中,以进镜过程中采集图像经“编码/特征提取模块”Feature vector层输出特征向量为样本数据,以步骤三中基于各类别所属区间更正后的所属类别为标签,基于线性判别分析(Linear DiscriminantAnalysis,LDA)法,以3为目标维度个数计算降维投影矩阵W。LDA降维过程是一种“类内方差最小,类间方差最大”的有监督学习,降维不仅后续进行距离计算简单。本发明滞后分析的过程纠正了个体误识别图像类别,相当于使用该个体数据进行了二次模型训练,这样在后续的退镜过程,可以保证特征的匹配更准确。
S43、根据第一降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,/>为对特征向量f进行降维计算后的低维特征向量。具体的,将进镜过程中所有推理得到的特征向量f与上述步骤中得到的降维投影矩阵W进行点乘计算,得到其3维特征向量表示/>。
S44、根据第一降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维
目标特征向量。退静过程中对实时采集到的图像进行“编码/特征提取模块”推理,得到
Feature vector层输出特征向量,对特征向量与降维投影矩阵W进行点乘计算,得到
降维后的特征向量。
S45、遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。本实施例中,对降维后的特征向量/>与遍历样本集/>中的3维特征向量进行欧氏距离计算,取距离最小的m个样本标签进行投票,若某个类别投票数超过半数(m/2),即可判定当前图像所属类别,若投票没有类别超过半数,则判定当前图像为未知类别。比如欧氏距离计算后找到了10个样本距离最小,如果其中有6张属于通过滞后分析纠正类别后的降结肠部位,那么当前图像就属于降结肠。
在本发明的另一可选实施例中,步骤S4中的计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集,具体还包括如下附图中未示出的步骤:
S41’、以进镜肠镜图像的特征向量f和对应的肠镜部位类别y的组合为样本,形成第二样本集F={(f1,y1),(f2,y2),(f3,y3)…(fn-1,yn-1),(fn,yn)},n为进镜过程中采集的进镜肠镜图像的数量;
S42’、以特征向量f为样本数据,以肠镜部位类别y为标签,基于线性判别分析算法按照预设的目标维度计算第二降维投影矩阵;
S43’、根据第二降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,/>为对特征向量f进行降维计算后的低维特征向量;
S44’、根据第二降维投影矩阵对目标特征向量进行降维计算,得到降维后的低
维目标特征向量;
S45’、遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例二
本发明另一实施例还提供了一种基于进镜图像特征的肠镜部位识别装置,所述装置包括用于实现如上任一项所述的基于进镜图像特征的肠镜部位识别方法的功能模块。图4示意性的示出了本发明实施例提供基于进镜图像特征的肠镜部位识别装置的结构示意图,参照图4,本发明实施例的基于进镜图像特征的肠镜部位识别装置具体包括特征提取模块401、第一类别识别模块402、向量计算模块403和第二类别识别模块404,其中:
特征提取模块401,用于对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取;
第一类别识别模块402,用于根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别;
所述的特征提取模块401,还用于对肠镜退镜过程中采集的目标肠镜图像进行特征向量提取,得到目标肠镜图像的目标特征向量;
向量计算模块403,用于计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集;
第二类别识别模块404,用于对所述样本子集中各个样本对应的肠镜部位类别进行统计,将统计数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别。
在本发明一个实施例中,所述装置还包括附图中未示出的类别修正模块,所述的类别修正模块,用于对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别。
进一步地,所述类别修正模块,具体用于获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,所述图像集中的进镜肠镜图像按照采图时间进行排序;将各个类别区间内的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别,或将各个类别区间内存在的部位类别为非未知的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别。
其中,获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,包括:
以进镜肠镜图像的采图序列号x和初始肠镜部位类别y的组合为样本,形成第一样本集D={(x1,y1),(x2,y2),(x3,y3)…(xn-1,yn-1),(xn,yn)},其中,n为进镜过程中采集的进镜肠镜图像的数量;
获取包含不同初始肠镜部位类别的样本在第一样本集D中的分布密度,并将各个初始肠镜部位类别的样本对应的分布密度最高的样本分布区域作为对应肠镜部位类别的类别区间。
在一个可选实施例中,向量计算模块403,具体用于执行如下操作:
以进镜肠镜图像的特征向量f和对应的更新后的肠镜部位类别的组合为样本,形成第二样本集/>,其中,/>为基于各类别区间对应的肠镜部位类别对区间内进镜肠镜图像的肠镜部位类别进行更新后的肠镜部位类别,n为进镜过程中采集的进镜肠镜图像的数量;
以特征向量f为样本数据,以更新后的肠镜部位类别为标签,基于线性判别分析算法按照预设的目标维度计算第一降维投影矩阵;
根据第一降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,/>为对特征向量f进行降维计算后的低维特征向量;
根据第一降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维目
标特征向量;
遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
在另一个可选实施例中,向量计算模块403,具体用于执行如下操作:
以进镜肠镜图像的特征向量f和对应的肠镜部位类别y的组合为样本,形成第二样本集F={(f1,y1),(f2,y2),(f3,y3)…(fn-1,yn-1),(fn,yn)},n为进镜过程中采集的进镜肠镜图像的数量;
以特征向量f为样本数据,以肠镜部位类别y为标签,基于线性判别分析算法按照预设的目标维度计算第二降维投影矩阵;
根据第二降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,/>为对特征向量f进行降维计算后的低维特征向量;
根据第二降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维目
标特征向量;
遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
在本发明实施例中,特征提取模块401,具体用于采用预先训练的Encoder-Decoder模型对各个进镜肠镜图像进行从图像到特征向量再到图像的编、解码训练,并将Encoder-Decoder模型的特征向量层输出的特征向量作为当前输入的肠镜检查图像的特征向量;其中,Encoder-Decoder模型包括图像输入层、编码层、特征向量层、解码层以及图像输出层。
进一步地,第一类别识别模块402,具体用于采用预先训练的图像分类模型对每一进镜肠镜图像的特征向量进行学习,得到各个进镜肠镜图像对应的初始肠镜部位类别;所述图像分类模型包括图像输入层、编码层、特征向量层、线性层以及,类别输出层,图像分类模型中的图像输入层、编码层、特征向量层复用Encoder-Decoder模型中的图像输入层、编码层、特征向量层。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可,且具有相应的技术效果。
实施例三
本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个基于进镜图像特征的肠镜部位识别方法实施例中的步骤,例如图1所示的步骤S1-S5。或者,所述处理器执行所述计算机程序时实现上述各基于进镜图像特征的肠镜部位识别装置实施例中各模块的功能,例如图4所示的特征提取模块401、第一类别识别模块402、向量计算模块403和第二类别识别模块404。
对于计算机设备实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可,且具有相应的技术效果。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
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精神和范围。
Claims (10)
1.一种基于进镜图像特征的肠镜部位识别方法,其特征在于,所述方法包括:
对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取;
根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别;
对肠镜退镜过程中采集的目标肠镜图像进行特征向量提取,得到目标肠镜图像的目标特征向量;
计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集;
对所述样本子集中各个样本对应的肠镜部位类别进行统计,将统计数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别。
3.根据权利要求2所述的方法,其特征在于,所述对各个进镜肠镜图像对应的初始肠镜部位类别进行修正得到修正肠镜部位类别包括:
获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,所述图像集中的进镜肠镜图像按照采图时间进行排序;
将各个类别区间内的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别,或将各个类别区间内存在的部位类别为非未知的进镜肠镜图像的初始肠镜部位类别全部修正为所属类别区间对应的肠镜部位类别。
4.根据权利要求3所述的方法,其特征在于,获取不同初始肠镜部位类别的进镜肠镜图像在由所有进镜肠镜图像组成的图像集中的分布密度,并将各个初始肠镜部位类别的进镜肠镜图像对应的分布密度最高的图像分布区域作为相应的肠镜部位类别的类别区间,包括:
以进镜肠镜图像的采图序列号x和初始肠镜部位类别y的组合为样本,形成第一样本集D={(x1,y1),(x2,y2),(x3,y3)…(xn-1,yn-1),(xn,yn)},其中,n为进镜过程中采集的进镜肠镜图像的数量;
获取包含不同初始肠镜部位类别的样本在第一样本集D中的分布密度,并将各个初始肠镜部位类别的样本对应的分布密度最高的样本分布区域作为对应肠镜部位类别的类别区间。
5.根据权利要求3所述的方法,其特征在于,所述计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集,包括:
以进镜肠镜图像的特征向量f和对应的更新后的肠镜部位类别的组合为样本,形成第二样本集/>,其中,/>为基于各类别区间对应的肠镜部位类别对区间内进镜肠镜图像的肠镜部位类别进行更新后的肠镜部位类别,n为进镜过程中采集的进镜肠镜图像的数量;
以特征向量f为样本数据,以更新后的肠镜部位类别为标签,基于线性判别分析算法按照预设的目标维度计算第一降维投影矩阵;
根据第一降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,为对特征向量f进行降维计算后的低维特征向量;
根据第一降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维目标特征向量/>;
遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
6.根据权利要求1所述的方法,其特征在于,所述计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集,包括:
以进镜肠镜图像的特征向量f和对应的肠镜部位类别y的组合为样本,形成第二样本集F={(f1,y1),(f2,y2),(f3,y3)…(fn-1,yn-1),(fn,yn)},n为进镜过程中采集的进镜肠镜图像的数量;
以特征向量f为样本数据,以肠镜部位类别y为标签,基于线性判别分析算法按照预设的目标维度计算第二降维投影矩阵;
根据第二降维投影矩阵对第二样本集中各个样本中进镜肠镜图像的特征向量f进行降维计算,得到第三样本集,其中,为对特征向量f进行降维计算后的低维特征向量;
根据第二降维投影矩阵对目标特征向量进行降维计算,得到降维后的低维目标特征向量/>;
遍历第三样本集,计算低维目标特征向量与第三样本集中各个低维特征向量之间的向量距离,按照向量距离由小到大的顺序从第三样本集中选取预设数量的样本,形成样本子集。
7.根据权利要求1-6任一项所述的方法,其特征在于,对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取,包括:
采用预先训练的Encoder-Decoder模型对各个进镜肠镜图像进行从图像到特征向量再到图像的编、解码训练,并将Encoder-Decoder模型的特征向量层输出的特征向量作为当前输入的肠镜检查图像的特征向量;
其中,Encoder-Decoder模型包括图像输入层、编码层、特征向量层、解码层以及图像输出层。
8.根据权利要求7所述的方法,其特征在于,根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别,包括:
采用预先训练的图像分类模型对每一进镜肠镜图像的特征向量进行学习,得到各个进镜肠镜图像对应的初始肠镜部位类别;
所述图像分类模型包括图像输入层、编码层、特征向量层、线性层以及,类别输出层,图像分类模型中的图像输入层、编码层、特征向量层复用Encoder-Decoder模型中的图像输入层、编码层、特征向量层。
9.一种基于进镜图像特征的肠镜部位识别装置,其特征在于,所述装置包括:
特征提取模块,用于对肠镜进镜过程中采集的各个进镜肠镜图像进行特征向量提取;
第一类别识别模块,用于根据各个进镜肠镜图像的特征向量对每一进镜肠镜图像进行肠镜部位类别识别,得到各个进镜肠镜图像对应的初始肠镜部位类别;
特征提取模块,还用于对肠镜退镜过程中采集的目标肠镜图像进行特征向量提取,得到目标肠镜图像的目标特征向量;
向量计算模块,用于计算所述目标特征向量与每一进镜肠镜图像的特征向量之间的向量距离,按照向量距离由小到大的顺序选取预设数量的进镜肠镜图像,将选取的进镜肠镜图像对应的肠镜部位类别作为样本形成样本子集;
第二类别识别模块,用于对所述样本子集中各个样本对应的肠镜部位类别进行统计,将统计数量大于或等于样本子集中二分之一的样本数量的肠镜部位类别作为目标肠镜图像的肠镜部位类别。
10.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述计算机程序被所述处理器执行时实现如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311380267.3A CN117392449A (zh) | 2023-10-24 | 2023-10-24 | 基于进镜图像特征的肠镜部位识别方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311380267.3A CN117392449A (zh) | 2023-10-24 | 2023-10-24 | 基于进镜图像特征的肠镜部位识别方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117392449A true CN117392449A (zh) | 2024-01-12 |
Family
ID=89435545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311380267.3A Pending CN117392449A (zh) | 2023-10-24 | 2023-10-24 | 基于进镜图像特征的肠镜部位识别方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392449A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292366A (zh) * | 2015-09-10 | 2018-07-17 | 美基蒂克艾尔有限公司 | 在内窥镜手术中检测可疑组织区域的系统和方法 |
CN110472675A (zh) * | 2019-07-31 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110991561A (zh) * | 2019-12-20 | 2020-04-10 | 山东大学齐鲁医院 | 一种下消化道内窥镜图像识别方法及系统 |
CN111767958A (zh) * | 2020-07-01 | 2020-10-13 | 武汉楚精灵医疗科技有限公司 | 基于随机森林算法的肠镜退镜时间的实时监测方法 |
CN111768389A (zh) * | 2020-07-01 | 2020-10-13 | 武汉楚精灵医疗科技有限公司 | 基于卷积神经网络和随机森林的消化道操作自动计时方法 |
CN112634231A (zh) * | 2020-12-23 | 2021-04-09 | 香港中文大学深圳研究院 | 一种图像分类方法、装置、终端设备和存储介质 |
CN113487608A (zh) * | 2021-09-06 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 内窥镜图像检测方法、装置、存储介质及电子设备 |
CN113761261A (zh) * | 2021-05-26 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、计算机可读介质及电子设备 |
CN113761259A (zh) * | 2021-04-29 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及计算机设备 |
CN113962998A (zh) * | 2021-12-23 | 2022-01-21 | 天津御锦人工智能医疗科技有限公司 | 肠镜检查的有效退镜时间评估方法、装置及存储介质 |
CN114332019A (zh) * | 2021-12-29 | 2022-04-12 | 小荷医疗器械(海南)有限公司 | 内窥镜图像检测辅助系统、方法、介质和电子设备 |
CN114446435A (zh) * | 2022-02-11 | 2022-05-06 | 武汉大学 | 一种肠镜报告生成方法和装置 |
CN114569043A (zh) * | 2022-01-29 | 2022-06-03 | 重庆天如生物科技有限公司 | 一种基于人工智能的内窥镜辅助检查方法及装置 |
CN115361898A (zh) * | 2020-04-03 | 2022-11-18 | 富士胶片株式会社 | 医疗图像处理装置、内窥镜系统及医疗图像处理装置的工作方法、以及医疗图像处理装置用程序 |
CN116597384A (zh) * | 2023-06-02 | 2023-08-15 | 中国人民解放军国防科技大学 | 基于小样本训练的空间目标识别方法、装置及计算机设备 |
CN116824275A (zh) * | 2023-08-29 | 2023-09-29 | 青岛美迪康数字工程有限公司 | 一种实现智能模型优化的方法、装置和计算机设备 |
-
2023
- 2023-10-24 CN CN202311380267.3A patent/CN117392449A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292366A (zh) * | 2015-09-10 | 2018-07-17 | 美基蒂克艾尔有限公司 | 在内窥镜手术中检测可疑组织区域的系统和方法 |
CN110472675A (zh) * | 2019-07-31 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像分类方法、图像分类装置、存储介质与电子设备 |
CN110991561A (zh) * | 2019-12-20 | 2020-04-10 | 山东大学齐鲁医院 | 一种下消化道内窥镜图像识别方法及系统 |
CN115361898A (zh) * | 2020-04-03 | 2022-11-18 | 富士胶片株式会社 | 医疗图像处理装置、内窥镜系统及医疗图像处理装置的工作方法、以及医疗图像处理装置用程序 |
CN111767958A (zh) * | 2020-07-01 | 2020-10-13 | 武汉楚精灵医疗科技有限公司 | 基于随机森林算法的肠镜退镜时间的实时监测方法 |
CN111768389A (zh) * | 2020-07-01 | 2020-10-13 | 武汉楚精灵医疗科技有限公司 | 基于卷积神经网络和随机森林的消化道操作自动计时方法 |
CN112634231A (zh) * | 2020-12-23 | 2021-04-09 | 香港中文大学深圳研究院 | 一种图像分类方法、装置、终端设备和存储介质 |
CN113761259A (zh) * | 2021-04-29 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及计算机设备 |
CN113761261A (zh) * | 2021-05-26 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、计算机可读介质及电子设备 |
CN113487608A (zh) * | 2021-09-06 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 内窥镜图像检测方法、装置、存储介质及电子设备 |
WO2023030370A1 (zh) * | 2021-09-06 | 2023-03-09 | 北京字节跳动网络技术有限公司 | 内窥镜图像检测方法、装置、存储介质及电子设备 |
CN113962998A (zh) * | 2021-12-23 | 2022-01-21 | 天津御锦人工智能医疗科技有限公司 | 肠镜检查的有效退镜时间评估方法、装置及存储介质 |
CN114332019A (zh) * | 2021-12-29 | 2022-04-12 | 小荷医疗器械(海南)有限公司 | 内窥镜图像检测辅助系统、方法、介质和电子设备 |
CN114569043A (zh) * | 2022-01-29 | 2022-06-03 | 重庆天如生物科技有限公司 | 一种基于人工智能的内窥镜辅助检查方法及装置 |
CN114446435A (zh) * | 2022-02-11 | 2022-05-06 | 武汉大学 | 一种肠镜报告生成方法和装置 |
CN116597384A (zh) * | 2023-06-02 | 2023-08-15 | 中国人民解放军国防科技大学 | 基于小样本训练的空间目标识别方法、装置及计算机设备 |
CN116824275A (zh) * | 2023-08-29 | 2023-09-29 | 青岛美迪康数字工程有限公司 | 一种实现智能模型优化的方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
高小毛;孙天燕;刘杰;胡兆元;孙乐;张克宁;刘亚文;吴作艳;: "前置短透明帽在无痛单人结肠镜检查中的临床应用价值", 医学研究杂志, no. 08, 15 August 2020 (2020-08-15), pages 129 - 133 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909780B (zh) | 一种图像识别模型训练和图像识别方法、装置及系统 | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN112686856A (zh) | 一种基于深度学习的实时肠镜息肉检测装置 | |
Yang et al. | CT images recognition of pulmonary tuberculosis based on improved faster RCNN and U-Net | |
CN113888518A (zh) | 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 | |
CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
CN113658721B (zh) | 阿尔兹海默疾病进程预测方法 | |
CN117274270B (zh) | 基于人工智能的消化内镜实时辅助系统及方法 | |
CN115082448A (zh) | 肠道清洁度评分方法、装置和计算机设备 | |
CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
CN116824275B (zh) | 一种实现智能模型优化的方法、装置和计算机设备 | |
CN116188466B (zh) | 医疗器械体内停留时长确定方法和装置 | |
Tsevas et al. | Automatic frame reduction of wireless capsule endoscopy video | |
Iakovidis et al. | Unsupervised summarisation of capsule endoscopy video | |
CN113269230A (zh) | 一种基于时序高维特征提取的多肺炎ct分类方法及装置 | |
CN117392449A (zh) | 基于进镜图像特征的肠镜部位识别方法、装置和设备 | |
CN115392296A (zh) | 一种异常脑电波类型识别方法、系统、存储介质及设备 | |
Zhao et al. | A non-parametric approach to detect epileptogenic lesions using restricted boltzmann machines | |
CN114972291A (zh) | 基于混合增强智能的医学影像结构化自动标注方法与系统 | |
CN114332025A (zh) | 消化内镜口咽通过时间自动检测系统及方法 | |
CN112885435B (zh) | 图像目标区域的确定方法、装置和系统 | |
Dey et al. | Image Examination System to Detect Gastric Polyps from Endoscopy Images. | |
CN112614091A (zh) | 一种针对先心病的超声多切面数据检测方法 | |
CN113946217B (zh) | 一种肠镜操作技能智能辅助评估系统 |
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 |