CN117593564A - 一种喉内镜图像的病灶识别方法和系统 - Google Patents
一种喉内镜图像的病灶识别方法和系统 Download PDFInfo
- Publication number
- CN117593564A CN117593564A CN202311369934.8A CN202311369934A CN117593564A CN 117593564 A CN117593564 A CN 117593564A CN 202311369934 A CN202311369934 A CN 202311369934A CN 117593564 A CN117593564 A CN 117593564A
- Authority
- CN
- China
- Prior art keywords
- lesion
- focus
- model
- potential
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 68
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 67
- 230000002496 gastric effect Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 24
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 239000002775 capsule Substances 0.000 description 5
- 208000029951 Laryngeal disease Diseases 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000000585 Mann–Whitney U test Methods 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 206010023841 laryngeal neoplasm Diseases 0.000 description 2
- 210000000867 larynx Anatomy 0.000 description 2
- 206010041823 squamous cell carcinoma Diseases 0.000 description 2
- 206010013952 Dysphonia Diseases 0.000 description 1
- 208000010473 Hoarseness Diseases 0.000 description 1
- 206010023825 Laryngeal cancer Diseases 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 208000008918 voyeurism Diseases 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06N3/096—Transfer 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Endoscopes (AREA)
Abstract
本说明书涉及医疗辅助诊断领域,特别涉及一种喉内镜图像的病灶识别方法和系统,该方法利用病灶识别模型对喉内镜图像进行病灶识别,病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型;病灶识别方法包括:利用特征提取模型提取喉内镜图像的特征图;对特征图进行分割以获得多张子图;确定多张子图中的潜在病灶子图;基于潜在病灶子图,利用隐马尔科夫模型确定连续的潜在病灶区域;基于潜在病灶区域,利用病灶分类模型确定潜在病灶区域的病灶类型。
Description
技术领域
本说明书涉及医疗辅助诊断领域,特别涉及一种喉内镜图像的病灶识别方法和系统。
背景技术
在临床上,罹患喉癌前病变及喉癌的患者常因声嘶或咽喉不适就诊,然而大部分喉部良性病变患者症状相类似而不易鉴别。在实验室检查中,虽然有研究表明越来越多的分子标志物可能用作喉癌治疗的预测或预后工具,仍缺乏可靠的实验数据支持。电子喉镜(Electronic Video Laryngoscope)是近年新发展起来的一种软性内窥镜,其亮度强、可窥视范围广。电子喉镜属于无创检查,其通过人体自然腔道接近检查部位进行观察,可以发现早期细微的病变,是目前在耳鼻喉科应用对喉部疾病进行初步诊断的主要检查手段。
然而,不同阶段的癌前病变在电子喉镜图像的形态表现可能相似,肉眼难以辨别,导致诊断过程耗时耗力,且不同的医生对咽喉部疾病诊断和分化程度评估的能力不同,进而导致诊断结果的准确性容易受到影响。因此,需要一种可以通过计算机辅助医生进行筛查与分类的喉内镜图像的病灶识别方法。
发明内容
本说明书实施例之一提供一种喉内镜图像的病灶识别方法,利用病灶识别模型对喉内镜图像进行病灶识别,所述病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型;所述病灶识别方法包括:利用所述特征提取模型提取所述喉内镜图像的特征图;对所述特征图进行分割以获得多张子图;确定所述多张子图中的潜在病灶子图;基于所述潜在病灶子图,利用所述隐马尔科夫模型确定连续的潜在病灶区域;基于所述潜在病灶区域,利用所述病灶分类模型确定所述潜在病灶区域的病灶类型。
本说明书实施例之一提供一种喉内镜图像的病灶识别系统,所述系统被配置成利用病灶识别模型对喉内镜图像进行病灶识别,所述病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型;所述系统包括:特征提取模块,用于利用所述特征提取模型提取所述喉内镜图像的特征图;图像分割模块,用于对所述特征图进行分割以获得多张子图;潜在病灶检测模块,用于确定所述多张子图中的潜在病灶子图;连续区域确定模块,用于基于所述潜在病灶子图,利用所述隐马尔科夫模型确定连续的潜在病灶区域;病灶类型确定模块,用于基于所述潜在病灶区域,利用所述病灶分类模型确定所述潜在病灶区域的病灶类型。
本说明书实施例之一提供一种喉内镜图像的病灶识别装置,包括处理器,其特征在于,所述处理器用于执行上述喉内镜图像的病灶识别方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述喉内镜图像的病灶识别方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的喉内镜图像的病灶识别系统的应用场景示意图;
图2是根据本说明书一些实施例所示的喉内镜图像的病灶识别方法的示例性流程图;
图3是根据本说明书一些实施例所示的病灶识别模型的结构示意图。
图4是根据本说明书一些实施例所示的病灶识别模型的训练过程的示意图;
图5是示例性的胃肠镜图像的像素分布统计的三色像素分布统计结果与喉内镜图像的像素分布统计的三色像素分布统计结果的示例图;
图6是根据本说明书一些实施例所示的病灶识别模型的训练过程的示例性流程图;
图7是利用支持向量机以及秩和检验对病灶区域特征聚类中心和阴性样本批次特征聚类中心的差异性进行分类和计算的结果示意图;
图8是根据本说明书一些实施例所示的喉内镜图像的病灶识别系统的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
在一些实施例中,可以采用深度学习模型的方式进行喉内镜图像的辅助诊疗(如筛查与分类),但由于喉部解剖生理结构复杂,深度学习模型无法实现准确的病灶识别,进而对医生的观察及诊断提供的信息较少;同时深度学习模型的可解释性较差,容易忽视图像原始信息中有利于观察及诊断的信息,也不利于医生对深度学习模型诊断结果的原理解释和理解。
有鉴于此,本说明书提供了一种喉内镜图像的病灶识别方法,可以利用病灶识别模型对喉内镜图像进行病灶识别,实现了喉内镜的真实复杂环境下的病灶识别与分类。
图1是根据本说明书一些实施例所示的喉内镜图像的病灶识别系统的应用场景示意图。
在一些实施例中,喉内镜图像的病灶识别系统100可以包括喉镜图像采集装置110、处理设备120、存储设备130、终端140、网络150。
喉镜图像采集装置110是指医生获取患者喉内镜图像的装置,如电子喉镜。在一些实施例中,喉镜图像采集装置110可以通过网络150与系统100中的其它组件(例如,处理设备120、存储设备130、终端140)进行数据和/或信息的交换。在一些实施例中,喉镜图像采集装置110可以直接与系统100中的其它组件连接。在一些实施例中,系统100中的一个或多个组件(例如,处理设备120、存储设备130、终端140)可以包括在喉镜图像采集装置110内。
处理设备120可以处理从其它设备或系统组成部分中获得的数据和/或信息,基于这些数据、信息和/或处理结果执行本说明书一些实施例中所示的喉内镜图像的病灶识别方法,以完成一个或多个本说明书一些实施例中描述的功能。例如,处理设备120可以基于喉镜图像采集装置110获取的患者喉内镜图像等信息,在一些实施例中,处理设备120可以从存储设备130中获取预先存储的数据和/或信息,例如,病灶识别模型及其参数等,以用于执行本说明书一些实施例所示的喉内镜图像的病灶识别方法。
在一些实施例中,处理设备120可以包含一个或多个子处理设备(例如,单核处理设备或多核多芯处理设备)。仅作为示例,处理设备120可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
存储设备130可以存储其他设备产生的数据或信息。在一些实施例中,存储设备130可以存储喉镜图像采集装置110采集的数据和/或信息。在一些实施例中,存储设备130可以存储处理设备120处理后的数据和/或信息,例如,特征图、子图等。存储设备130可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其它设备的一部分。存储设备可以是本地的,也可以通过云实现。
终端140用于展示喉内镜图像的病灶识别的结果,医生可以通过终端140获取病灶识别的结果,如病灶类型或病灶区域等。在一些实施例中,终端140可以输出接收到的信息,例如,终端140可以输出(如显示、语音播报等)标记病灶区域的喉内镜图像或病灶类型。在一些实施例中,终端140可以是移动设备140-1、平板计算机140-2、膝上型计算机140-3、台式计算机等其他具有输入和/或输出功能的设备中的一种或其任意组合。
网络150可以连接系统的各组成部分和/或连接系统与外部资源部分。网络150使得各组成部分之间,以及与系统之外其它部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,系统100中的一个或多个组件(例如,喉镜图像采集装置110、处理设备120、存储设备130、终端140)可通过网络150发送数据和/或信息给其它组件。在一些实施例中,网络150可以是有线网络或无线网络中的任意一种或多种。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。对于本领域普通技术人员而言,在本说明书内容的指导下,可做出多种变化和修改。可以以各种方式组合本说明书描述的示例性实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性实施例。例如,处理设备120可以是基于云计算平台的,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的喉内镜图像的病灶识别方法的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由图1中的处理设备120执行。
在一些实施例中,处理设备120可以利用病灶识别模型对喉内镜图像进行病灶识别,病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型。关于病灶识别模型的更多描述可以参见后文相关描述。
步骤210,利用特征提取模型提取喉内镜图像的特征图。在一些实施例中,步骤210可由特征提取模块执行。
喉内镜图像可以是图1中喉镜图像采集装置110获取到的患者的喉部图像,在喉内镜图像中可能包括一处或多处病灶。在一些实施例中,喉内镜图像可以是彩色图像,如至少具备R(红色)、G(绿色)、B(蓝色)三通道的图像。
特征提取模型可以用于提取出含有喉内镜图像特征信息的特征图。当特征提取模型的输入为喉内镜图像时,输出为喉内镜图像对应的特征图。在一些实施例中,特征提取模型可以是机器学习模型(如U-net模型或密集网络),通过训练得到,关于模型训练的更多内容,可以参见后文相关描述。
在一些实施例中,特征图可以包括喉内镜图像的部分或全部图像。在一些实施例中,特征图可以包括统计特征信息。例如,特征图可以包括喉内镜图像中像素分布的直方图,其至少可以反映喉内镜图像中红色、绿色、蓝色像素的数量和分布等信息。在一些实施例中,特征图还可以反映其他信息,如喉内镜图像的形状特征和空间关系特征等。
步骤220,对特征图进行分割以获得多张子图。在一些实施例中,步骤220可由图像分割模块执行。
喉内镜的图像有一个典型特征,即同一标志(即病灶类型,如喉鳞癌、白斑等)的喉内镜图像中的健康区域的图像相似、同一标志附近的病变区与健康区域的图像明显不同。因此,为将区域进行划分(如划分为健康区域和病变区域),可以将特征图分割为尺寸相同的多张子图,并将子图进行分类以实现区域划分。
例如,假设特征图的尺寸与输入特征提取模型的喉内镜图像尺寸一致为1280*1280,则可以将特征图分割为25张尺寸为256*256的子图。在一些实施例中,分割的子图尺寸可以调整。在一些实施例中,可以基于训练好的病灶识别模型的参数中的子图尺寸对特征图进行分割,关于病灶识别模型的参数中的子图尺寸的确定,可以参见后文中图6相关描述。需要说明的是,在一些实施例中,子图之间对应的喉内镜图像可能存在重叠。
步骤230,确定多张子图中的潜在病灶子图。在一些实施例中,步骤230可由潜在病灶检测模块执行。
在一些实施例中,每张子图可以反应喉内镜图像中某一区域的特征。在一些实施例中,任一子图对应的喉内镜图像区域,根据实际情况可以被划分为健康区域、潜在病变区域或无病变区域中的一种;在一些其他实施例中,还可以是其他划分方式,如划分为潜在病变区域或无病变区域两类。
在一些实施例中,可以分别获取完全健康的喉内镜图像对应的特征图以及包含病灶的喉内镜图像的特征图,并将各子图与前述两特征图进行比较(如分别计算相似度),确定子图对应区域是否包括病灶或潜在病灶。在一些实施例中,可以基于聚类结果对各子图添加标签,例如潜在病灶区域对应子图标注为1,反之则标注为0。
在一些实施例中,可以将多张子图中的每张子图与聚类结果进行比对,确定潜在病灶子图;其中,聚类结果经过训练得到。
示例性的,在一些实施例中,聚类结果可以是通过K-means(K均值)聚类方法,对多张样本喉内镜图像的样本子图进行聚类得到。在一些实施例中,根据聚类算法的不同聚类结果可以包括若干类别(或若干簇)等,其中部分类别表示样本潜在病灶子图的聚类结果,其余类别可以表示样本无病变子图的聚类结果。当前子图的聚类结果与表示潜在病灶子图的聚类结果更相近(如相似度更高或距离更近)时,可以将该子图确定为潜在病灶子图。需要说明的是,在一些实施例中,还可以通过其他聚类方法(如FCM聚类等)获取聚类结果。关于聚类结果的更多描述可以参见后文中图6相关描述。
通过将子图与聚类结果比对,可以快速且准确的确定子图中的区域是否潜在包含病灶,并可以通过子图展示出潜在病灶在喉内镜图像中的位置。
步骤240,基于潜在病灶子图,利用隐马尔科夫模型确定连续的潜在病灶区域。在一些实施例中,步骤240可由连续区域确定模块执行。
通常喉部病灶在喉内镜图像中具有局部连续性,因此,确定连续的潜在病灶区域可以更好的确定喉内镜图像中具体的病灶区域以及判断其病灶的类型。
在步骤230基于聚类结果对各子图添加了是否为潜在病灶区域的标签后,在一些实施例中,可以进一步利用隐马尔科夫模型对子图标签进行修证。隐马尔科夫模型的输入可以为含有标签(包括标签0和1)的所有子图,输出为标签修正后的潜在病灶子图所组成的潜在病灶区域。
具体的,隐马尔科夫模型的输入可以包括标注为1的潜在病灶子图和标注为0的非潜在病灶子图。隐马尔科夫模型根据输出结果,可以将输入的子图的标签进行修正(如将某输入子图的标签由0修改为1)或保持不变。
在一些实施例中,考虑到局部连续性,步骤230中未确定为潜在病灶子图的部分子图(即标签为0的部分子图)对应的区域,可能也属于潜在病灶区域,因此,若两个潜在病灶子图(即标签为1的子图)在空间上不连续,则通过隐马尔科夫模型可以将两个潜在病灶子图中间部分(不连续部分)对应的子图均确定为潜在病灶区域,即将中间部分对应标签为0的子图的标签修正为1,进而使得修正后的潜在病灶子图在空间上连续,得到连续的潜在病灶区域。
隐马尔科夫模型可以通过训练得到,关于隐马尔科夫模型的更多内容可以参见后文中相关描述。
在一些实施例中,对于隐马尔科夫模型确定出的连续的潜在病灶区域,可以基于该连续的潜在病灶区域在特征图中的区域位置,与输入病灶识别模型的喉内镜图像相叠加,并在喉内镜图像上标记出潜在病灶区域,如将潜在病灶区域在图像中通过特定形状圈出,以便于医生辅助观察及诊断。在一些实施例中,病灶识别模型的输出可以包括确定的喉内镜图像的病灶类型结果以及标记出潜在病灶区域的喉内镜图像。
步骤250,基于潜在病灶区域,利用病灶分类模型确定潜在病灶区域的病灶类型。在一些实施例中,步骤250可由病灶类型确定模块执行。
在一些实施例中,病灶分类模型的输入为连续的潜在病灶区域,输出为潜在病灶区域的病灶类型(如喉鳞癌、白斑等)。由于喉内镜图像具有较多的非刚性变化和旋转信息,因此,在一些实施例中,病灶分类模型可以包括对非刚性变化和旋转信息处理更有优势的胶囊网络。需要说明的是,在一些其他实施例中,病灶分类模型可以其他深度学习网络,如卷积神经网络(CNN)或深度神经网络(DNN)等。
示例性的,可以将喉内镜图像常见的六类病灶分为三部分,每个部分由单独的胶囊网络进行分类,即总病灶分类模型共包括三个胶囊网络,其中每个胶囊网络对应两类病灶。步骤250中,可以将潜在病灶区域输入至前述三个胶囊网络中的每一个,获得对应每一种病灶的概率,并根据获取到的多个概率确定潜在病灶区域的病灶类型。
病灶分类模型可以通过训练得到。在一些实施例中,关于病灶分类模型的训练可以参见后文相关描述。
通过先确定病灶区域再确定病灶类型,实现了喉内镜的真实复杂环境下病灶的准确识别和分类。同时,较多保留了图像中的原始信息结果,且结果具有可解释性。
图3是根据本说明书一些实施例所示的病灶识别模型的结构示意图。图4是根据本说明书一些实施例所示的病灶识别模型的训练过程的示意图。
在一些实施例中,病灶识别模型中的特征提取模型310、隐马尔科夫模型320和病灶分类模型330可以分别进行训练或通过联合训练得到。在一些实施例中,还可以先将各部分分别进行训练,然后再进行联合训练。
特征提取模型310用于提取喉内镜图像的特征,特征提取模型输入为喉内镜图像,输出为喉内镜图像对应的特征图。在一些实施例中,特征提取模型可以是密集网络(DenseNet)或其他卷积网络。
特征提取模型可以通过初始模型训练得到,通常训练数据与模型输入一致,但由于样本喉内镜图像较难获取,无法保证训练得到的模型的效果。对此,通过研究发现,如图5所示,胃肠镜图像的像素分布统计的三色像素分布统计结果(如图5中表510和表520)与喉内镜图像的像素分布统计的三色像素分布统计结果(如图5中表530和表540)较相似。因此,在一些实施例中,考虑采用迁移学习的方式训练初始特征提取模型,即特征提取模型是利用胃肠镜图像作为迁移学习样本中的源域数据训练得到的。
通过大量更容易获取的胃肠镜图像训练得到特征提取模型,在丰富的训练样本帮助下,能够有效提高特征提取模型的特征提取性能。
在一些实施例中,特征提取模型的训练过程包括:通过源域数据训练初始胃肠镜图像病灶识别模型,调整初始胃肠镜图像病灶识别模型的参数,得到训练好的胃肠镜图像病灶识别模型;将训练好的胃肠镜图像病灶识别模型中的特征提取模型作为训练好的特征提取模型。
如前文记载,迁移学习样本中的源域数据为胃肠镜图像,则源域数据的标签为胃肠镜图像中对应的病灶类型。胃肠镜图像病灶识别模型包括胃肠镜特征提取模型和胃肠镜图像病灶分类模型,胃肠镜特征提取模型的输出为胃肠镜图像病灶分类模型的输入。
胃肠镜图像病灶识别模型中的胃肠镜特征提取模型用于基于胃肠镜图像提取图像的特征信息,得到胃肠镜图像的特征图;胃肠镜图像病灶分类模型用于基于胃肠镜图像的特征图得到胃肠镜图像的病灶类型预测结果。
在一些实施例中,胃肠镜图像病灶识别模型的训练过程包括:将胃肠镜图像输入至初始胃肠镜图像病灶识别模型,得到胃肠镜图像的病灶类型预测结果,通过标签和胃肠镜图像的病灶类型预测结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始胃肠镜图像病灶识别模型的参数。当满足预设条件时模型训练完成,得到训练好的胃肠镜图像病灶识别模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
对于训练好的胃肠镜图像病灶识别模型而言,实现喉内镜图像的特征提取任务时,仅需要胃肠镜特征提取模型部分,因此,将训练好的胃肠镜图像病灶识别模型中的胃肠镜特征提取模型作为训练好的特征提取模型。
为了使得特征提取模型可以更好的适应喉内镜图像特征提取任务,在一些实施例中,可以基于少量样本喉内镜图像及标签构建训练集,首先利用该训练集训练得到骨干网络,然后基于该骨干网络构造得到初始胃肠镜图像病灶识别模型,并基于前文记载的方式通过源域数据训练初始胃肠镜图像病灶识别模型,最终获得训练好的特征提取模型。
通过胃肠镜图像训练胃肠镜图像病灶识别模型,并将胃肠镜图像病灶识别模型中的特征提取部分直接作为喉内镜图像的特征提取模型,在保证较好的特征提取效果同时,使得模型训练难度大大降低。
在一些实施例中,病灶识别模型可以基于多张样本喉内镜图像训练获得;多张样本喉内镜图像中的每张样本喉内镜图像具有对应的病灶类型标签;每张样本喉内镜图像对应的病灶类型标签为图像级标签(而非局部病灶的标签)。在一些实施例中,病灶识别模型中的一部分(如特征提取模型)可以预先训练获得;病灶识别模型中的另一部分(如隐马尔科夫模型、病灶分类模型和/或聚类结果)可以基于多张样本喉内镜图像训练获得。关于隐马尔科夫模型、病灶分类模型和/或聚类结果的训练,可以参见后文中图6相关内容。
在一些实施例中,对于已经通过胃肠镜图像作为迁移学习样本训练好的特征提取模型,在病灶识别模型的训练过程中可以固定特征提取模型的参数,即训练过程中可以仅调整隐马尔科夫模型和病灶分类模型的参数。
在一些实施例中,在病灶识别模型的训练过程中,可以同步调整步骤220中分割时使用的子图尺寸、步骤230中确定潜在病灶子图时使用的聚类结果、步骤240中隐马尔科夫模型的参数和步骤250中病灶分类模型的参数。
图6是根据本说明书一些实施例所示的病灶识别模型的训练过程的示例性流程图。
在一些实施例中,病灶识别模型的训练过程可以包括流程600,流程600中的一个或多个步骤可以由处理设备执行,包括以下步骤:
步骤610,利用所述特征提取模型提取所述样本喉内镜图像的样本特征图。
在一些实施例中,可以将样本喉内镜图像输入迁移学习样本训练得到的特征提取模型,从而得到样本喉内镜图像的样本特征图。关于特征提取模型的训练可以参见前文中相关内容,此处不再赘述。
步骤620,对所述样本特征图进行分割以获得多张样本子图。
在一些实施例中,处理设备可以基于初始子图尺寸,对样本特征图进行分割,得到多张样本子图。子图尺寸为样本特征图进行分割后得到的样本子图的尺寸,尺寸过大或过小可能影响子图的数量以及聚类的质量,初始子图尺寸是模型初始化参数之一,可以在训练过程中进行调整。当病灶识别模型训练结束后,将病灶识别模型参数中的子图尺寸作为步骤220中实际进行分割时的子图尺寸。
关于特征图进行的分割可以参见前文中步骤220相关内容,此处不再赘述。
步骤630,对所述多张样本子图进行聚类,以确定所述多张子图中的潜在病灶样本子图。其中,潜在病灶样本子图是聚类结果中具有代表性的部分子图。
在一些实施例中,病灶识别模型的训练样本中还可以包括阴性训练样本集,阴性训练样本集中的样本喉内镜图像均为无病灶(健康)的喉内镜图像。继续以K-means聚类为例进行说明。在一些实施例中,可以通过训练调整聚类结果,使得聚类结果更加准确。在一些实施例中,聚类中心的个数K可以通过阴性训练样本集训练得到。
具体的,聚类中心的个数K可以通过CH(Calinski-Harabasz)指数确定,CH指数越大则聚类效果越好。在一些实施例中,选择使CH指数最大化的聚类中心的个数K,则CH指数可以表示为:
其中,M为训练样本中训练数据的个数;训练样本中的每个训练数据对应一个点,nk为第k个聚类中的点个数,ck为第k个聚类的质心,c为所有簇的中心,di为一个训练数据点。
基于公式(1)可以得到训练样本集的聚类结果,即K个阴性区域。由于阴性训练样本集中不包含病灶,则聚类结果中的K个阴性区域均表示无病变区域。对于K个阴性区域中的每个区域,可以计算其与其他区域间的余弦相似度,得到该区域的中心特征Sx。在一些实施例中,区域的中心特征Sx的计算过程可以表示为:
其中,N(ki)表示第i个聚类簇k中的所有数据点。
在一些实施例中,可以将每个区域的中心特征Sx相加,得到相似度总和S,可以表示为:
S=∑xSx (3)
相似度总和S可以反映该区域的聚类结果情况。
在一些实施例中,对于步骤220获得的多张子图,在采用上述与阴性训练样本集相同的方式进行聚类后,可以得到包括多个聚类中心的聚类结果,其中每个聚类中心表示一个区域。处理设备可以基于上述公式(2)和(3)类似方式计算对应每个区域的相似度总和S,其中,相似度总和S的值最小的区域即对应潜在病灶区域。
在一些实施例中,聚类参数为聚类时使用的聚类算法中的一个或多个参数,例如可以包括K-means聚类中的聚类中心的个数K、迭代次数I等。
在一些实施例中,处理设备可以基于阴性训练样本集训练得到的聚类参数对多张样本子图进行聚类,确定潜在病灶样本子图。
步骤640,基于所述潜在病灶样本子图,利用初始隐马尔科夫模型确定连续的潜在病灶样本区域。
在一些实施例中,初始隐马尔科夫模型可以基于初始参数确定连续的潜在病灶样本区域,如前文所述,初始隐马尔科夫模型可以将潜在病灶样本区域对应的样本子图标注为1,反之则标注为0。
步骤650,基于所述潜在病灶样本区域,利用初始病灶分类模型确定所述潜在病灶样本区域的样本病灶类型。
在一些实施例中,初始病灶分类模型基于潜在病灶样本区域,得到对应多个病灶类型的概率,可以取概率最大的病灶类型作为潜在病灶样本区域的样本病灶类型。
步骤660,基于所述样本病灶类型与所述病灶类型标签的差异,构造损失函数,并以最小化所述损失函数为目标调整所述病灶识别模型的参数。
由于训练样本依次经过子图分割、聚类算法、隐马尔科夫模型和病灶分类模型得到样本病灶类型,因此,样本病灶类型与所述病灶类型标签的差异可以反应出子图分割、聚类算法、隐马尔科夫模型和病灶分类模型的性能。可见,病灶识别模型的参数至少可以包括子图尺寸、聚类参数、隐马尔科夫模型参数和病灶分类模型参数。
在一些实施例中,处理设备可以通过弱监督学习的方式利用样本喉内镜图像的病灶类型作为标签对初始隐马尔科夫模型进行训练,以调整隐马尔科夫模型参数。通过利用样本喉内镜图像(而非潜在病灶样本区域)的病灶类型作为标签,可以降低标签的标注难度,减少人工对训练样本进行标注的工作量。
在一些实施例中,调整病灶分类模型的参数可以基于损失函数通过梯度下降或其他方法迭代更新。在一些实施例中,处理设备可以根据训练好的病灶分类模型的输出,进一步微调(Fine-tune)隐马尔科夫模型参数和聚类参数。
通过将子图分割、聚类算法、隐马尔科夫模型和病灶分类模型一起训练,保证病灶识别模型的一致性和输出病灶类型识别结果的准确性,解决了模型在喉内镜的真实复杂环境下的病灶识别与分类困难的问题。
为了保证病灶类型识别模型中聚类步骤的准确性,在一些实施例中,可以利用支持向量机(SVM)对聚类结果进行评估,以确定最终的聚类结果。
在一些实施例中,支持向量机用于分别获取阴性训练样本集和多张样本喉内镜图像训练的像素分布统计的直方图,以量化阴性训练样本集的聚类中心与多张样本喉内镜图像训练的聚类中心的差异,进而体现病灶区域与非病灶区域的特征差异。若两者的差异显著时,则可以认为当前聚类参数的聚类效果较好,可以利用该聚类参数确定最终的聚类结果;若两者的差异不明显时,可以进一步对聚类参数进行调整,如再次对病灶识别模型进行训练。在一些实施例中,还可以同时利用秩和检验(Mann-Whitney U Test)对聚类结果进行评估。
通过进一步对聚类结果进行评估,使得病灶区域与非病灶区域的在聚类时的结果分布存在明显差异,保证了聚类效果,聚类确定的潜在病灶区域更准确。
通过上述病灶识别模型的训练,得到训练好的病灶识别模型可以有效的识别喉内镜图像中的潜在病灶。在一些实施例中,训练时所使用的训练数据(即样本喉内镜图像及其对应的病灶类型)可以包括六类喉部疾病(阳性)样本和一类无病灶(阴性)样本,并由专业医师进行合法性甄别及标注,以保证训练准确。
同时,为了进一步验证本文提出的特征提取模型的性能,通过消融实验针对其他常用网络模型在相同的独立数据集上进行训练和测试,以进行模型比对。由实验结果得出,在不同参数下的网络模型在胃肠镜分类任务上具有不同的精度,其中U-net的(Precision和MCC为评价指标)结果最好,因此选择了U-net作为特征提取模型。
对于训练好的病灶识别模型,通过喉内镜的疾病分类任务对模型的泛化能力进行评估;并采用通用的ROC曲线(受试者工作特征曲线)进行结果呈现,由评估结果得出,本说明书中提供的训练好的病灶识别模型在多种喉部疾病的分类结果AUC(ROC曲线下面积)达到了0.76,表示该模型能够准确对多种喉部疾病进行准确分类。
如前文所述,病灶识别模型的输出可以包括确定的喉内镜图像的病灶类型结果以及标记出潜在病灶区域的喉内镜图像,在前文中关于模型效果验证过程中(如U-net模型的评价指标和病灶识别模型的AUC)可以看出,通过胃肠镜数据预训练的特征提取模型能够有效对喉内镜图像进行特征提取,通过特征提取模型和隐马尔科夫模型能够有效识别喉内镜图像中的病灶区域,能够完成喉内镜的病灶识别任务。在利用支持向量机(SVM)以及秩和检验(Mann-Whitney U Test)对病灶区域特征聚类中心和阴性样本批次特征聚类中心的差异性进行分类和计算,可以得到如图7所示的结果。由图7可以看出,病灶区域特征聚类中心和阴性样本批次特征聚类中心的差异性为4×10-13,表示对于病灶区域识别准确性很高。
应当注意的是,上述有关流程200和流程600的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200和流程600进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图8是根据本说明书一些实施例所示的喉内镜图像的病灶识别系统的示例性模块图。
喉内镜图像的病灶识别系统800,被配置成利用病灶识别模型对喉内镜图像进行病灶识别,病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型。如图8所示,喉内镜图像的病灶识别系统800可以包括特征提取模块810、图像分割模块820、潜在病灶检测模块830、连续区域确定模块840和病灶类型确定模块850。
特征提取模块810,用于利用特征提取模型提取喉内镜图像的特征图。
在一些实施例中,关于特征提取模型和喉内镜图像的特征图的更多描述可以参见步骤210。
图像分割模块820,用于对特征图进行分割以获得多张子图。
在一些实施例中,关于子图的更多描述可以参见步骤220。
潜在病灶检测模块830,用于确定多张子图中的潜在病灶子图。
在一些实施例中,关于潜在病灶子图的更多描述可以参见步骤230。
连续区域确定模块840,用于基于潜在病灶子图,利用隐马尔科夫模型确定连续的潜在病灶区域。
在一些实施例中,关于连续的潜在病灶区域的更多描述可以参见步骤240。
病灶类型确定模块850,用于基于潜在病灶区域,利用病灶分类模型确定潜在病灶区域的病灶类型。
在一些实施例中,关于潜在病灶区域的病灶类型的更多描述可以参见步骤250。
需要注意的是,以上对于喉内镜图像的病灶识别系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图8中披露的特征提取模块810、图像分割模块820、潜在病灶检测模块830、连续区域确定模块840和病灶类型确定模块850可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种喉内镜图像的病灶识别方法,其特征在于,利用病灶识别模型对喉内镜图像进行病灶识别,所述病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型;所述病灶识别方法包括:
利用所述特征提取模型提取所述喉内镜图像的特征图;
对所述特征图进行分割以获得多张子图;
确定所述多张子图中的潜在病灶子图;
基于所述潜在病灶子图,利用所述隐马尔科夫模型确定连续的潜在病灶区域;
基于所述潜在病灶区域,利用所述病灶分类模型确定所述潜在病灶区域的病灶类型。
2.如权利要求1所述的方法,其特征在于:所述特征提取模型是以胃肠镜图像作为迁移学习样本中的源域数据训练得到的。
3.如权利要求2所述的方法,其特征在于,所述特征提取模型的训练过程包括:
通过所述源域数据训练初始胃肠镜图像病灶识别模型,调整所述初始胃肠镜图像病灶识别模型的参数,得到训练好的所述胃肠镜图像病灶识别模型;所述源域数据的标签为所述胃肠镜图像中对应的病灶类型;所述胃肠镜图像病灶识别模型包括胃肠镜特征提取模型和胃肠镜图像病灶分类模型;
将训练好的所述胃肠镜图像病灶识别模型中的所述胃肠镜特征提取模型作为训练好的特征提取模型。
4.如权利要求1所述的方法,其特征在于:所述确定所述多张子图中的潜在病灶子图包括:
将所述多张子图中的每张子图与聚类结果进行比对,确定潜在病灶子图;所述聚类结果经过训练得到。
5.如权利要求1所述的方法,其特征在于:所述病灶识别模型基于多张样本喉内镜图像训练获得;所述多张样本喉内镜图像中的每张样本喉内镜图像具有对应的病灶类型标签。
6.如权利要求5所述的方法,其特征在于,所述病灶识别模型的训练过程包括:
利用所述特征提取模型提取所述样本喉内镜图像的样本特征图;
对所述样本特征图进行分割以获得多张样本子图;
对所述多张样本子图进行聚类,以确定所述多张子图中的潜在病灶样本子图;
基于所述潜在病灶样本子图,利用初始隐马尔科夫模型确定连续的潜在病灶样本区域;
基于所述潜在病灶样本区域,利用初始病灶分类模型确定所述潜在病灶样本区域的样本病灶类型;
基于所述样本病灶类型与所述病灶类型标签的差异,构造损失函数,并以最小化所述损失函数为目标调整所述病灶识别模型的参数;其中,所述病灶识别模型的参数包括子图尺寸、聚类参数、隐马尔科夫模型参数和病灶分类模型参数。
7.如权利要求6所述的方法,其特征在于,还包括:
利用支持向量机对调整后的所述聚类参数对应的聚类结果进行评估,以确定最终的聚类结果。
8.一种喉内镜图像的病灶识别系统,其特征在于,所述系统被配置成利用病灶识别模型对喉内镜图像进行病灶识别,所述病灶识别模型包括特征提取模型、隐马尔科夫模型和病灶分类模型;所述系统包括:
特征提取模块,用于利用所述特征提取模型提取所述喉内镜图像的特征图;
图像分割模块,用于对所述特征图进行分割以获得多张子图;
潜在病灶检测模块,用于确定所述多张子图中的潜在病灶子图;
连续区域确定模块,用于基于所述潜在病灶子图,利用所述隐马尔科夫模型确定连续的潜在病灶区域;
病灶类型确定模块,用于基于所述潜在病灶区域,利用所述病灶分类模型确定所述潜在病灶区域的病灶类型。
9.一种喉内镜图像的病灶识别装置,包括处理器,其特征在于,所述处理器用于执行如权利要求1~7任一项所述的喉内镜图像的病灶识别方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~7任一项所述的喉内镜图像的病灶识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311369934.8A CN117593564A (zh) | 2023-10-20 | 2023-10-20 | 一种喉内镜图像的病灶识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311369934.8A CN117593564A (zh) | 2023-10-20 | 2023-10-20 | 一种喉内镜图像的病灶识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593564A true CN117593564A (zh) | 2024-02-23 |
Family
ID=89919097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311369934.8A Pending CN117593564A (zh) | 2023-10-20 | 2023-10-20 | 一种喉内镜图像的病灶识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593564A (zh) |
-
2023
- 2023-10-20 CN CN202311369934.8A patent/CN117593564A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110600122B (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
Du et al. | Review on the applications of deep learning in the analysis of gastrointestinal endoscopy images | |
CN109523522B (zh) | 内窥镜图像的处理方法、装置、系统及存储介质 | |
US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
RU2765619C1 (ru) | Компьютерная классификация биологической ткани | |
Tania et al. | Advances in automated tongue diagnosis techniques | |
Zhou et al. | Polyp detection and radius measurement in small intestine using video capsule endoscopy | |
US10249042B2 (en) | Method and apparatus for providing medical information service on basis of disease model | |
US20220172828A1 (en) | Endoscopic image display method, apparatus, computer device, and storage medium | |
CN113239755B (zh) | 一种基于空谱融合深度学习的医学高光谱图像分类方法 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
CN109460717A (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
CN114372951A (zh) | 基于图像分割卷积神经网络的鼻咽癌定位分割方法和系统 | |
CN113261012B (zh) | 处理图像的方法、装置及系统 | |
CN113538344A (zh) | 区分萎缩性胃炎和胃癌的图像识别系统、设备及介质 | |
Garcia-Peraza-Herrera et al. | Interpretable fully convolutional classification of intrapapillary capillary loops for real-time detection of early squamous neoplasia | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
RU2668699C1 (ru) | Интеллектуальный способ диагностики и обнаружения новообразований в легких | |
Arnold et al. | Indistinct frame detection in colonoscopy videos | |
CN117593564A (zh) | 一种喉内镜图像的病灶识别方法和系统 | |
CN112651400B (zh) | 一种立体内窥镜辅助检测方法、系统、装置及存储介质 | |
CN114271763A (zh) | 一种基于Mask RCNN的胃癌早期识别方法、系统、装置 | |
Jia | Polyps auto-detection in wireless capsule endoscopy images using improved method based on image segmentation | |
JP2019013461A (ja) | プローブ型共焦点レーザー顕微内視鏡画像診断支援装置 | |
CN114764855A (zh) | 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备 |
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 |