[发明专利]息肉图像识别系统及方法

说明书

本发明公开一种息肉图像识别系统，包含图像处理器、视频采集器和多个程序模块；所述的程序模块包含图像获取模块、图像识别模块、算法处理模块和提示处理模块；图像获取模块用于将视频逐帧拆解成多个静态图像；图像识别模块用于将静态图像代入深度卷积神经网络识别引擎，以获得多个识别目标的像素级概率图；算法处理模块用于将输入的概率图进行针对性优化，以去除主要目标特征以外的环境干扰，进而判断息肉的位置；提示处理模块用于标示判断出的息肉位置。本发明亦公开该息肉图像识别系统的息肉图像识别方法。本发明的息肉图像识别系统及方法同时具有高敏感度和高特异度，可准确识别内窥镜图像中的息肉位置，显著降低息肉检测的漏识别和误识别率。

技术领域

本发明涉及一种图像识别系统及方法，还涉及一种对息肉组织具有高敏感度和高特异度的识别系统及方法，属于计算机领域。

背景技术

结直肠癌由死腺瘤性息肉等癌前病变和早癌发展而来，在国内外均为发病率位列前列的恶性肿瘤疾病，预后差。然而，移除腺瘤等癌前病变，可有效避免间期结直肠癌的发生和降低结肠癌的死亡风险；例如对于未发生转移的结肠早癌，内窥镜下的治疗效果良好，5年生存率可达90％以上。因此，如何提高结肠腺瘤及各种病理类型的息肉样病变的临床检出率，是肿瘤医学研究重点关注的研究方向。

Mahmud等人2017年在国际权威医学期刊《Gastroenterology Report》发表的学术论文《Computer Vision and Augmented Reality in Gastrointestinal Endoscopy》中提到，结肠息肉漏检的主要原因包含：息肉没有出现在结肠镜的视野内，以及息肉出现在视野内但被内窥镜操作医师忽视。虽然内窥镜硬件、肠道准备和操作习惯的改进带来结肠息肉检出率的提升，但视觉性漏检却因操作者疲劳、经验、视觉敏感度等多种无法避免的人为缺陷而鲜有解决办法。

Mahmud在论文中指出，在进行内窥镜操作时，若有其他医学专业人员从旁提醒，可使其息肉的检出率提高30％左右。因此，论文总结，通过增强现实(augmented reality；AR)提示息肉和腺瘤的检出率是提高早期癌变内窥镜诊疗效率的重要机会，且提高信噪比和降低误报率需利用深度学习和开发计算机视觉算法来达成。然而，如论文提及，目前没有任何一个可以提供上述功能的软件平台。

关于深度学习在结肠镜息肉检测的应用，Tajbakhsh等人2015年在《IEEE》期刊上发表的《Automatic Polyp Detection in Colonoscopy Videos using an Ensemble ofConvolutional Neural Networks》一文中，使用卷积神经网络(convolutional neuralnetworks；CNN)，示例性地对20例结肠镜视频中的图片帧进行深度卷积神经网络运算。其中，作者同时测量其识别系统的敏感度(即报告为阳性与所有阳性的比率，或称为真阳性)和平均每帧误报数(即假阳总数/(阳性总数+阴性总数))，并利用此两项指标来二维呈现识别系统的性能。其中的平均每帧误报数，间接反应了识别系统的特异度，即报告为阴性与所有阴性的比率。

结果显示，Tajabakhsh的识别系统在平均每帧误报数为0.002时的敏感度为50％；换句话说，当要求误报率很低时，敏感度仅为50％，也就是漏诊率为50％。若希望提高系统的敏感度，比如提升至70％-75％，其平均每帧误报数将会从0.1左右升至0.8，也就是特异度骤降。此外，无论如何改变系统参数，该系统的敏感度都无法超越75％。因此，该系统的最佳应用点应该在平均每帧误报数0.05左右，敏感度仅为65％。

然而，临床医疗需要的是敏感度和特异度能同时超过90％的识别系统；也就是说，单纯基于卷积神经网络(CNN)的识别方法，并无法同时达到高敏感性和高特异性，缺乏临床价值。在现有技术中，识别敏感性高时，CNN的特异性差，导致误识别大量的正常组织，如隆起、明显的血管区域、光线干扰所造成的图像不真实区域等；而在特异性高时，CNN的敏感性又大幅降低，很多息肉不能有效地被辨识出来。