[发明专利]一种内镜图像息肉分割方法、系统、装置及存储介质

权利要求书

1.一种基于元学习的内镜图像息肉分割方法，其特征在于，具体包括以下步骤：

获取历史内镜图像，并将历史内镜图像根据消化道部位、息肉形态分型，以及病理类型划分为不同的任务集；

基于卷积自动编码器、卷积自动解码器和跳跃连接结构构建基础学习模型，并将构建的基础学习模型作为隐结点构建元学习模型；

根据不同的任务集对基础学习模型和元学习模型进行参数优化，得到优化模型；

获取待测样本图像输入优化模型，生成类别对应的基础学习模型后进行内镜图像息肉分割。

2.根据权利要求1所述一种基于元学习的内镜图像息肉分割方法，其特征在于，所述卷积自动编码器用于压缩图像，降低尺寸，提取图像的浅层特征，所述卷积自动解码器用于恢复图像，提取图像的深层特征，所述跳跃链接结构用于结合编码阶段获得的浅层特征和对应解码阶段获得的深层特征，细化图像。

3.根据权利要求1所述一种基于元学习的内镜图像息肉分割方法，其特征在于，所述根据不同的任务集对基础学习模型和元学习模型进行参数优化，得到优化模型的具体步骤包括：

随机抽取不同的任务集中满足批处理任务量的任务形成批任务集；

抽取批任务集中未训练任务的训练集和验证集输入到基础学习模型；

基于基础学习模型和训练集进行特征提取并进行特征融合，输出处理后的信息；

根据交叉熵损失函数计算损失并利用梯度下降的方法对基础学习模型进行权重更新和参数优化；

重复优化步骤，得到基础学习模型的优化模型；

将任务的测试集输入优化模型，得到单任务的损失；

重复抽取批任务集中任务，直到批任务集中任一任务都用于训练基础学习模型并得到相应测试集下的损失；

根据批任务集中任务的损失进行求和，利用Adam优化器对所求的损失总和进行反向梯度下降，优化元学习模型对基础学习模型的超参数设置；

重复优化步骤，得到元学习模型的优化模型。

4.根据权利要求3所述一种基于元学习的内镜图像息肉分割方法，其特征在于，所述基础学习模型采用top-down和bottom-up结构；

其中，top-down结构包含四个级联模块，每个级联模块中包括两次传统3*3卷积操作和一次下采样，即最大池化操作，用于压缩图像以提取浅层特征；

bottom-up结构包含四个级联模块，每个级联模块中包括两次传统3*3卷积操作和一次上采样，用于恢复图像以提取深层特征；

所述跳跃链接结构能够使得模型在每一级的上采样过程中，将编码器对应位置的特征图在通道上进行融合，弥补编码阶段下采样丢失的信息。

5.根据权利要求1所述一种基于元学习的内镜图像息肉分割方法，其特征在于，所述获取待测样本图像输入优化模型，生成类别对应的基础学习模型后进行内镜图像息肉分割的具体步骤包括：

基于元学习模型的优化模型，预设用于待测样本图像息肉分割的基础学习模型的超参数；

将待测样本图像输入到元学习模型的优化模型，同时作为训练集输入基础学习模型；

利用梯度下降的方法对基础学习模型进行权重优化；

最后根据待测样本图像的元学习模型和基础学习模型优化模型，进行内镜图像息肉分割识别。

6.一种基于元学习的内镜图像息肉分割系统，其特征在于，包括：

信息获取模块，用于获取历史内镜图像，并将历史内镜图像根据消化道部位、息肉形态分型，以及病理类型划分为不同的任务集；

模型构建模块，用于基于卷积自动编码器、卷积自动解码器和跳跃连接结构构建基础学习模型，并将构建的基础学习模型作为隐结点构建元学习模型；

元学习模块，用于根据不同的任务集对基础学习模型和元学习模型进行参数优化，得到优化模型；

图像生成模块，用于根据获取的待测样本图像输入优化模型，生成类别对应的基础学习模型后进行内镜图像息肉分割。