[发明专利]基于深度学习的小肠镜下克罗恩病辅助诊断系统

说明书

本发明公开了基于深度学习的小肠镜下克罗恩病辅助诊断系统，包括：图像采集模块，通过采集卡接入内镜主机，获取内镜主机采集到的每一帧图像信息；图像预处理模块，被配置为对采集到的图像信息进行预处理；辅助诊断模型，被配置为经过训练集进行优化训练后，对于输入的预处理后的图像进行克罗恩病变区域识别；所述辅助诊断模型包括：依次连接的图像输入层、卷积层、空间金字塔池化模块和全连接层。本发明通过在在卷积层和全连接层之间加入空间金字塔池化模块，使得任意大小的特征图都能够转换成固定大小的特征向量，实现对于小目标和大目标的均衡识别，这样做可以提高模型的准确率。

技术领域

本发明属于小肠镜下克罗恩病辅助智能诊断技术领域，尤其涉及一种基于深度学习的小肠镜下克罗恩病辅助诊断系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

克罗恩病是一种原因不明的胃肠道慢性炎性疾病，全消化道均可受累，多数病变可累及小肠。内镜医师通过小肠镜对小肠粘膜的特征进行识别是诊断克罗恩病最有效的方法。现有技术通过内镜医师人工进行识别，然而小肠镜技术难度大，内镜医师在进行技术操作时常常难以同时发现一闪而过的病变图像，造成漏检病变；小肠镜检查时间较长，内镜医师极容易疲惫，同时小肠镜退镜检查过程中要退出冗长(甚至可达5-7米)的肠管，内镜医师需要消耗大量时间在阅览图像工作，因此会因为身体疲惫和视觉疲劳导致漏检或误检病变；此外，克罗恩病的镜下表现多种多样，且需要与小肠结核、肠白塞等疾病进行鉴别，缺乏经验的内镜医师非常容易出现误诊的情况。

发明内容

为了解决上述问题，本发明提出了基于深度学习的小肠镜下克罗恩病辅助诊断系统，引入深度学习网络模型，通过对单帧电子肠镜下采集的图像识别预测，能够精确定位克罗恩疾病，并画出病灶区域。

在一些实施方式中，采用如下技术方案：

基于深度学习的小肠镜下克罗恩病辅助诊断系统，包括：

图像采集模块，通过采集卡接入内镜主机，获取内镜主机采集到的每一帧图像信息；

图像预处理模块，被配置为对采集到的图像信息进行预处理；

辅助诊断模型，被配置为经过训练集进行优化训练后，对于输入的预处理后的图像进行克罗恩病变区域识别；

所述辅助诊断模型包括：依次连接的图像输入层、卷积层、空间金字塔池化模块和全连接层。

进一步地，还包括：训练集制作模块，被配置为使用多目标标注工具对病灶样本图像中的克罗恩病变区域进行标注；同时生成标注位置对应的标注文本信息；所述标注区域以及该区域对应的标注文本信息构成训练集。

进一步地，所述标注文本信息包括：0表示无克罗恩病变区域，1表示有克罗恩病变区域。

进一步地，所述辅助诊断模型接收采集卡采集到的每一帧图像信息，并自动返回识别结果；所述识别结果包括：是否存在克罗恩病变区域，如果存在，返回病变概率以及病灶区域在图像上的相对坐标位置。

进一步地，所述辅助诊断模型将识别出的病变概率大于设定值的病灶区域进行显示，并保存带病灶的图像以及相对应的标签数据，用于再次审核。

进一步地，还包括：识别结果审核模块，被配置为对识别的结果进行审核，对识别错误的图像重新进行克罗恩病变区域标注，并修改标注文本信息。

进一步地，所述识别结果审核模块将识别错误并重新进行标注的图像加入到训练集中，重新对辅助诊断模型进行训练。

进一步地，所述图像预处理模块进行图像预处理的过程包括：

去除图像中包含的涉及到病人隐私的信息；

对图像进行去除黑色边框处理。