[发明专利]一种基于深度学习的胃黏膜清洁度评价方法及系统

说明书

本发明公开了一种基于深度学习的胃黏膜清洁度评价方法及系统，所述方法包括以下步骤：实时获取胃镜视频帧；基于预先构建的胃粘膜清洁度评价模型，逐帧进行清洁度评价；其中，所述胃粘膜清洁度评价模型构建方法包括：获取胃镜训练图像集；根据预设的胃镜清洁度评价体系对各幅训练图像标注评分；采用训练图像集，基于深度学习网络训练胃粘膜清洁度评价模型。本发明能够准确评估胃粘膜清洁度，为胃部疾病的诊断和内镜前的准备及质控有积极的作用。

技术领域

本发明属于人工智能技术领域，尤其涉及一种基于深度学习的胃黏膜清洁度评价方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

由于胃镜检查中经常出现胃粘膜清洁度差的情形，例如，胃镜显示胃内充斥大量气泡，附着有大量粘液，有大量反流的胆汁斑附着以及食物潴留等，导致胃镜准备质量低下，影响胃粘膜病变的检出和诊治，增加误诊、漏诊的可能，从而影响胃镜检查的有效性。

现有的胃镜图像评价主要侧重于图像的质量，如是否有伪影、是否清晰等，而对于胃粘膜是否有黏液、是否有气泡此类清洁问题未有涉及，也没有进行定量评价。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于深度学习的胃黏膜清洁度评价方法及系统，能够准确评估胃粘膜的清洁度，及时提示内镜医师在操作时不断注水冲洗准备质量较差的胃粘膜，为后续的检查质量提高了保障。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于深度学习的胃黏膜清洁度评价方法，包括以下步骤：

实时获取胃镜视频帧；

基于预先构建的胃粘膜清洁度评价模型，逐帧进行清洁度评价；

其中，所述胃粘膜清洁度评价模型构建方法包括：

获取胃镜训练图像集；

根据预设的胃镜清洁度评价体系对各幅训练图像标注评分；

采用训练图像集，基于深度学习网络训练胃粘膜清洁度评价模型。

进一步地，所述胃镜清洁度评价体系包括各级评分标准和分数；其中，等级的数量确定方法为：

提取各幅训练图像的HOG和SIFT特征并进行融合；

将各幅训练图像的融合特征进行聚类，根据组内间距和组间间距寻找最优类别数量，该最优类别数量即等级的数量。

进一步地，所述根据预设的胃镜清洁度评价体系对各幅训练图像标注评分包括：

对各幅训练图像进行黏液、气泡的识别，并依次输出到人工标注界面进行显示，同时显示识别出的黏液、气泡及相应的面积；

人工标注过程中，对自动识别结果进行修正，并根据胃镜清洁度评分标准进行标注。

进一步地，对训练图像集标注评分后，还进行数据扩充：

对每幅训练图像随机选取图像增强方法进行增强，并将增强后的图像写入训练图像集；所述图像增强方法包括：随机裁剪，随机翻转，随机亮度，随机对比度增强。

进一步地，所述深度学习网络采用Xception深度卷积网络。

进一步地，所述基于深度学习网络训练胃粘膜清洁度评价模型包括：

提取每幅训练图像中的气泡数量、位置、气泡大小，以及该训练图像的HOG和SIFT特征，并进行特征融合；