[发明专利]胶囊式内窥镜图像的生成方法、装置及计算机存储介质

说明书

本申请实施例公开了胶囊式内窥镜图像的生成方法、装置及计算机存储介质。其中，该方法可以包括以下步骤：利用所获取的第一胶囊式内窥镜图像样本对所构建的变分自编码器‑生成对抗网络模型进行训练；利用训练后的所述变分自编码器‑生成对抗网络模型对待测胶囊式内窥镜图像数据进行处理以生成胶囊式内窥镜图像。通过利用本申请实施例提供的技术方案，可以辅助医生进行诊断，提高其诊断结果的准确性，并且可以有助于在临床研究中确保正常图像和病变图像的数据样本的平衡。

技术领域

本申请涉及医学数据处理技术领域，特别涉及胶囊式内窥镜图像的生成方法、装置及计算机存储介质。

背景技术

本部分的描述仅提供与本申请公开相关的背景信息，而不构成现有技术。

胶囊式内窥镜检查是诊断肠道病变的一种有效手段，其主要是利用胶囊式内窥镜拍摄肠道图像，使得医生可以根据其所拍摄的肠道图像来确定患者的肠道是否出现病变。

目前，在通过胶囊式内窥镜检查获得大量图像之后，医生需要手动核查这些图像才能作出准确判断，这增大了医生的工作负担，并且可能会造成错诊或漏检。因此，为了更好地辅助医生进行诊断，通常通过构建深度学习模型并利用所构建的深度学习模型进行训练来获得病变区域图像。然而，构建深度学习模型需要大量且平衡的正常图像和病变图像的数据样本，但是目前胶囊式内窥镜通常以固定的帧速率拍摄图像，并且没有任何适应性控制来使其关注特定区域。因此，胶囊式内窥镜可能不会拍摄肠道内出现明显病变的区域的图像，甚至可能在很多情况下完全错过病变区域。因此，利用胶囊式内窥镜采集的图像具有较大的不确定性，有可能会出现很多重复的图像。另外，在特定情况下，采集特定区域的足够图像需要多轮冗长且复杂的程序，因此，很难确保所采集的正常图像和病变图像的数据样本的平衡，这可能会造成临床数据集中的阳性和阴性样本之间的严重不对称，从而使得构建深度学习训练模型变得比较困难。

发明内容

本申请实施例的目的是提供一种胶囊式内窥镜图像的生成方法、装置及计算机存储介质，以解决现有技术中存在的至少一种问题。

为了解决上述技术问题，本申请实施例提供了一种胶囊式内窥镜图像的生成方法，该方法可以包括以下步骤：

S1：利用所获取的第一胶囊式内窥镜图像样本对所构建的变分自编码器-生成对抗网络模型进行训练；

S2：利用训练后的所述变分自编码器-生成对抗网络模型对待测胶囊式内窥镜图像数据进行处理以生成胶囊式内窥镜图像。

可选地，所述变分自编码器-生成对抗网络模型包括编码器、解码/生成器和判别器，相应地，所述步骤S1包括以下子步骤：

S11：调用所述编码器对所述第一胶囊式内窥镜图像样本中的每份原始图像数据进行编码以生成包含原始图像特征的潜在表示；

S12：调用所述解码/生成器根据所生成的所述潜在表示来获得第二胶囊式内窥镜图像样本，所述第二胶囊式内窥镜图像样本包括与多份所述原始图像数据对应的多份生成图像数据；

S13：调用所述判别器对所述第一胶囊式内窥镜图像样本和所述第二胶囊式内窥镜图像样本进行判别处理；

S14：根据所述判别器输出的判别概率来训练所述编码器和所述解码/生成器直至所述判别器输出的判别概率达到预设阈值。

可选地，每份所述生成图像数据均包括变分自编码器中的解码器通过对所述潜在表示进行解码处理而得到的图像数据以及生成对抗网络中的生成器通过对所述潜在表示进行生成处理而得到的图像数据。

可选地，所述子步骤S14包括：

将所述判别概率与所述预设阈值进行对比；