[发明专利]基于深度学习的肠镜质量检查控制系统

说明书

本发明属于医学图像处理技术领域，具体为一种基于深度学习的肠镜质量检查控制系统。本发明系统包括：回盲瓣识别模型，用于把图像按照回盲瓣和非回盲瓣进行分类；肠道质量评分模型，用于把图像按照波士顿肠道准备质量的评分（0‑3）进行分类；两个模型由图像分类卷积神经网络将肠镜图像以及标签即回盲瓣标签或评分作为输入，经过端到端训练得到。通过识别回盲瓣以及按波士顿评分量表对肠道准备质量进行评分，对肠镜检查质量进行评估。实验结果表明，本发明系统用于肠镜检查质量的控制具有良好的特异度、敏感度，可在临床检查中辅助内镜医师，提高肠镜检查的质量。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种肠镜质量检查控制系统。

背景技术

结肠镜检查是结直肠癌筛查的金标准[1]，通过早期发现肿瘤、切除癌前病变可降低结直肠癌死亡的风险[2]。而腺瘤的漏诊可能导致肿瘤的进展，延误治疗时机。腺瘤检出率的高低很大程度上取决于肠道准备的质量，高质量肠道准备相较于低质量，其腺瘤检出率高出41%[3]。因此，肠道准备情况成为了评判结肠镜检查质量控制的关键指标[4]。同时有证据表明，低盲肠插管率与间隔性近端结肠癌的高发生率有关[5]。所以，作为肠镜检查质量控制的两项重要指标，增加肠道准备充分性、提高盲肠插镜率，能提高腺瘤检出率，对结直肠癌的早诊早治，降低死亡率具有重要意义。

目前临床上主要依靠医生的经验判断回盲部，故存在较强主观性。再者，虽然波士顿评分通过实例视频演示的方法进行推广学习[6]，但是，由于不同学习者的接受度及英语水平参差不齐，也存在一定的主观性。这些主观性给肠镜检查的质量控制带来一些阻碍，需要进行统一化和规范化来解决这一问题。

近年来，随着人工智能产业的迅速发展，其在消化内镜领域的应用也越来也受到重视[7-9]。Karkanis等人首次报道了利用计算机辅助检测(CADe)系统对结肠直肠息肉内镜静态图像进行检测，检测率＞90%[7]。随后，Misawa等开发了一种基于深度学习的实时息肉检测系统，能够检测94%的息肉[8]。近期，由四川省人民医院、哈佛医学院及BIDMC医院和科技公司Wision A.I.联合发表的计算机检测系统对肠镜图片中息肉检测的敏感度达到了94.38%[9]，此研究使用前瞻性的数据验证，更能够代表真实临床环境中的未来事件。但是，上述研究对进行训练和验证的图片质量要求均较高，依赖于高质量肠镜检查获取的数据。

基于深度学习的肠镜检查质量控制系统的使用，通过实时对肠镜检查质量进行评分，评估个人及单位总的肠镜检查质量情况，能以此提高肠镜检查的质量，提高结肠镜的有效性及准确性。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于深度学习的肠镜质量检查控制系统，排除人为因素影响，构建人工智能辅助的回盲部识别及肠道准备评分系统，为提高肠镜检查质量提供依据。

本发明提供基于深度学习的肠镜质量检查控制系统，具体包括两个模型：

（1）回盲瓣识别模型，为二分类模型，用于把图像按照回盲瓣和非回盲瓣进行分类；

（2）肠道质量评分模型，为四分类模型，用于把图像按照波士顿肠道准备质量的评分（0-3）进行分类。

上述两个模型由图像分类卷积神经网络，将肠镜图像和标签（回盲瓣标签或评分）作为输入，经过端到端训练得到，具体来说，回盲瓣识别模型（二分类模型）通过修改图像分类卷积神经网络的最后一层节点数量为2构建得到；肠道质量评分模型（四分类模型）通过修改最后一层节点为4构建得到。

进一步的，所述图像分类卷积神经网络可以为AlexNet[10], VGGNet[11],ResNet[12]等。

进一步的，所述图像分类卷积神经网络模型在ImageNet数据集上预训练进行参数初始化。