[发明专利]基于深度神经网络的常见结肠部疾病分类方法及辅助系统

说明书

本发明涉及计算机视觉的图像识别领域以及人工智能领域，提出一种基于深度神经网络的常见结肠部疾病分类方法及辅助系统，辅助系统包括模型训练模块和辅助诊断模块；方法包括：获得多分类数据集及二分类数据集；基于二分类数据集训练得到正常‑异常深度神经网络分类模型；基于多分类数据集训练得到病变类型深度神经网络分类模型；将两个模型进行融合，得到结肠镜图像的深度神经网络疾病分类模型，在该模型中，测试集中的图像将首先被输入正常‑异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。

技术领域

本发明涉及计算机视觉的图像识别领域以及人工智能领域，具体涉及一种基于深度神经网络的常见结肠部疾病分类方法及辅助系统。

背景技术

结肠癌是常见的消化道恶性肿瘤，其发病率高居胃肠肿瘤的第三位。在临床表现上，结肠癌早期通常没有任何症状，直到中晚期才会出现病症。结肠镜检查是发现结肠癌最直观、有效的方式。结肠部位的病变除了恶性肿瘤病变外，还存在炎症、息肉等多种类型，大多数结肠癌正是由息肉演变而成。因此在肠镜检查过程中，及时、准确地发现肠道病变并对其进行正确分类，将对病人的病情评估及后续治疗方案的及时制定产生重要影响。

目前医院中对结肠镜的人工检查方法仍存在很多缺陷，如：病变部位及类型的判断完全取决于医生的操作水平、知识水平和临床经验，主观影响因素较大；同时结肠镜的检查耗时耗力，通常一个病患需要半个小时，复杂的案例需要长达一个小时，长时间的重复工作对医生的操作的耐心、仔细程度都有很高的要求。这些因素都导致了检查过程中漏检率和误检率较高。

近年来随着人工智能技术的飞速发展，其在图像识别领域的技术改进和实际应用上取得了突破性的成功，因此通过深度学习方法来辅助医生对结肠镜中的图像数据进行分析和判断，能有效提高结肠道病变检出率。

发明内容

本发明的目的是提供一种基于深度神经网络的常见结肠部疾病分类方法及辅助系统，该方法能自动对结肠镜图像先进行正常-异常分类，并进一步对异常的图像进行其他病种分类；该方法并集成进智能辅诊系统，旨能帮助医生快速完成结肠图像的诊断并自动生成诊断报告。

本发明解决其技术问题，采用的技术方案是：

本发明首先提出一种基于深度神经网络的常见结肠部疾病分类方法，包括如下步骤：

步骤1.获取结肠镜图像数据，并针对数据样本标注图像中所含病变的名称，若图像中没有病变，则标注为正常；

步骤2.将相同标签的数据样本划分为一个数据集，并将每个数据集划分为训练集、验证集和测试集，其中训练集和验证集分别用于模型训练和保存模型参数，测试集用于验证最终的模型效果；

步骤3.将各类病变的训练集、验证集和测试集分别合并，获得一个多分类数据集；

步骤4.将所述多分类数据集的标签设为异常，将异常和正常的训练集、验证集和测试集分别合并，得到一个二分类数据集；

步骤5.基于所述二分类数据集训练得到一个针对结肠镜图像的正常-异常深度神经网络分类模型；

步骤6.基于所述多分类数据集训练得到一个针对结肠镜图像的病变类型深度神经网络分类模型；

步骤7.将正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型进行融合，得到一个结肠镜图像的深度神经网络疾病分类模型，在所述结肠镜图像的深度神经网络疾病分类模型中，测试集中的图像将首先被输入正常-异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。

进一步的是，所述病变的类型包括癌、息肉和炎症。