[发明专利]基于修复和选择性增强的胃镜图像分析系统、方法及设备

说明书

本发明属于图像识别领域，具体涉及了一种基于修复和选择性增强的胃镜图像分析系统、方法及设备，旨在解决现有的胃镜图像识别系统无法精确识别早期胃癌图像的问题。本发明包括：获取窄带成像的胃镜图像，并作为待测图像；进行预处理获得仅包含胃部黏膜的待测图像；并通过反光处理模块得到无反光的待测图像；进而通过训练好的生成式对抗网络生成合成图像，并自动选择其中更为逼真的图像；训练好的胃镜图像识别网络获得待测图像的早期胃癌概率并通过基于梯度加权类激活映射方法获取疑似早期胃癌的区域图像。本发明通过生成式对抗网络进行数据特征的选择性增强，并通过识别模型自动学习到与分类任务最相关的特征信息，提高了胃镜图像分析的准确度。

背景技术

胃癌(GC)是世界上最常见的恶性肿瘤之一，估计每年有100 万新发病例。晚期胃癌预后较差，而早期胃癌(EGC)由于淋巴结转移少，根治性内镜切除率高，5年生存率达90％以上，因此，及时、准确地识别 EGC具有重要意义。然而，EGC的鉴定是相当具有挑战性的。我国EGC 的平均检出率一般在2％-5％左右，胃镜检查时EGC的漏检率约为10％[3]。考虑到胃癌的高发病率，EGC漏诊的数量是压倒性的。

为了克服这一现状，窄带成像放大内窥镜(ME-NBI)能够对 EGC显微结构和微血管进行分析，是目前评价EGC最有力的工具。然而，在实践中，由于EGC在ME-NBI往往缺乏典型特征，易与胃炎相混淆，内镜医生对EGC的肉眼判别需要丰富的经验，只有资质较高的专家才能找到。因此，在日常实践中，结果通常是令人失望的。此外，在内窥镜专家之间，甚至在内窥镜专家之间，分类结果往往差别很大。而目前少有基于ME-NBI的EGC诊断的智能方法，且易受胃镜图像中反光区域的干扰。因此，为了更好地对胃镜图像进行识别，开发一种自动、高效的分类方法是当务之急。

发明内容

为了解决现有技术中的上述问题，即现有的胃镜图像分析技术无法精确快速地对胃镜图像进行识别的问题，本发明提供了一种基于修复和选择性增强的胃镜图像分析系统，包括图像获取模块、预处理模块、反光处理模块、图像对抗合成与选择性增强模块和图像识别模块；

所述图像获取模块，配置为获取窄带成像的胃镜图像，并作为待测图像；

所述预处理模块，配置为基于所述待测图像，通过大津阈值法、轮廓线检测方法获得仅包含胃部黏膜的待测图像；

所述反光处理模块，配置为基于所述仅包含胃部黏膜的待测图像，通过反光检测、图像修复与高斯模糊和加权叠加，获得无反光的待测图像；

所述图像对抗合成与选择性增强模块，配置为基于所述仅包含胃部黏膜的无反光的待测图像，通过训练好的生成式对抗网络生成逼真合成图像；

所述图像识别模块，包括概率预测单元和区域显示单元；

所述概率预测单元，基于所述逼真合成图像，通过训练好的胃镜图像识别网络，获得待测图像的早期胃癌概率；

所述区域显示单元，基于所述逼真合成图像和所述待测图像的胃癌概率，通过基于梯度加权类激活映射方法获取疑似早期胃癌的区域图像。

在一些优选的实施方式中，所述反光处理模块包括反光检测单元、反光修复与高斯模糊单元和加权叠加单元；

所述反光检测单元，配置为通过颜色平衡自适应阈值来检测所述仅包含胃部黏膜的待测图像I_ori中的高光部分；

将待测图像转换为灰度图像：Gray＝0.2989*R+0.5870*G+ 0.1140*B，

其中，R是待测图像I_ori的红色通道，G是待测图像I_ori的绿色通道，B是待测图像I_ori的蓝色通道，Gray是待测图像I_ori对应的灰度图像；