[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

说明书

本发明公开了一种内镜图像息肉分割方法、系统、装置及存储介质，具体步骤包括获取历史内镜图像，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。本发明通过构建基于元学习的元学习模型和基础学习模型，以及优化得到优化模型。能够用较小的样本学会从内镜图像中分割出息肉，适用于不同的消化道部位，息肉形态以及病理分型。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种内镜图像息肉分割方法、系统、装置及存储介质。

背景技术

内镜图像为消化道息肉的预后和诊断提供了重要的信息，准确度高的内镜图像息肉分割是对息肉进行形态分型和病理分型的前提，而对息肉进行精确地分类分型也是计算机辅助医疗的基础。因此，如何对内镜图像进行准确分割及息肉进行准确分类分型有着非常重要的临床价值。

传统的内镜图像息肉分割方法是由专业医生进行手动分割，操作繁琐，效率不高，而且手动分割容易受人工主观影响，导致息肉分割的准确度不高；另一方面，内镜图像往往以小样本形式获取以及消化道情况、息肉形态和病理分型各有不同，导致深度学习模型难以训练和泛化能力较差。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种内镜图像息肉分割方法、系统、装置及存储介质，以解决上述背景技术中提出的问题。

本发明第一方面的技术方案：一种基于元学习的内镜图像息肉分割方法，具体包括以下步骤：

S1、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；

S2、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；

S3、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；

S4、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。

采用上述技术方案，能够通过获取历史内镜图像，从而可以快速生成一个良好的通用初始化模型，能够在测试相关且不同的类别时，用较小的样本学会从内镜图像中分割出息肉，适用于不同的消化道部位以及息肉形态和病理分型。

作为本发明的进一步的方案：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。

作为本发明的进一步的方案：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；