[发明专利]一种基于滑动窗口的消化道内镜病变检测和识别方法

说明书

本发明属于医学图像智能处理技术领域，具体为一种基于滑动窗口的消化道内镜病变检测和识别方法。通过内镜的早期筛查是降低消化道癌症发病率和死亡率的有效手段。在传统诊断方法中，医生的诊断完全是主观判断过程，会受到诊断医生经验及知识水平的限制和影响。因此本发明将深度学习应用于消化道内镜的病变检测，基于医生标注的病变区域的边框制作样本，训练分类器；在待检测的消化道内镜图像中提出候选区域，将候选区域输入分类器，对分类结果做后处理，达到病变检测的目的。实验结果表明，本发明可以较准确地检测到消化道内镜图像的病变位置，为医生提供参考，说明了人工智能辅助的消化道早癌诊疗具有无可替代的优越性。

技术领域

本发明属于医学图像智能处理技术领域，具体涉及一种基于滑动窗口的消化道内镜病变检测和识别方法。

背景技术

规范的消化道癌症筛查、治疗、随访具有重大意义，早期癌症筛查是降低癌症发病率和死亡率的有效手段。消化道早癌的筛查、治疗、随访途径主要有内镜检查及术后CT检查，其中消化道内镜检查最为重要。在传统诊断方法中，医生诊断完全是主观判断的过程，因而会受到诊断医生经验及知识水平的限制和影响；其次，医生诊断时易于遗漏某些细微改变；再次，不同医师间及同一医师不同时间的诊断存在差异。

计算机辅助诊断(computer aided diagnosis，CAD)技术又被称为医生的“第三只眼”，能够排除主观因素影响，提高医生的诊断准确性，快速的提升医学诊治的质量。近年来，计算机领域的飞速发展进步推动了CAD技术更好地发展。人工智能中卷积神经网络(convolutional neural network，CNN)驱动了识别领域的不断进步，不仅在整张图像的分类中效果显著，在物体检测、关键点检测等任务中也有极大的推动作用。如果将基于CNN的识别与检测技术与医学诊疗相结合，相当于数十名甚至百名有经验的临床专家对该病例进行远程“会诊”，能快速的提升医学诊治的质量。Jama和Nature分别刊文介绍了谷歌利用深度学习方法^[1-2]，仅用十万量级的糖尿病视网膜病变图像和皮肤病变图像训练获得了比大多数人类医学专家更为准确的图像判断结果，揭开了深度学习在临床学图像识别领域应用的序幕，在医学辅助诊疗方面展现了广阔的应用前景。

在物体检测中，候选区域的选择对于物体检测非常重要，生成候选区域的方法包括基于超像素分组的方法，如Selective Search^[3]，和基于滑动窗口的方法，如EdgeBoxes^[4]。R-CNN^[5]训练一个端到端的CNN将候选区域分为物体或者背景，它的主要作用是分类器，而不负责预测物体的边框；OverFeat^[6]用全连接层预测边框的坐标，但只可以检测到一个物体；为了提高R-CNN的检测速度，Fast R-CNN^[7]训练了一个端到端的检测器，并将候选区域映射到卷积层的特征图中，减少了重复计算；Faster R-CNN^[8]使用CNN预测候选区域，而不是使用独立的候选区域选择方法，如Selective Search^[3]，进一步提升了速度和精确度。

发明内容

本发明的目的在于提供一种准确度高的基于滑动窗口的消化道内镜图像病变检测和识别方法，以排除主观判断的干扰，准确地检测到消化道内镜图像的病变位置，为医生提供参考。

本发明所提供的消化道内镜图像病变检测和识别方法，具体步骤如下：

(1)训练分类器

在检测之前，需要训练一个病变图像的分类器，具体训练方法如下：

首先，由医生标注病变区域的边框，基于标注的病变区域的边框生成训练样本，并进行数据增强；