[发明专利]用于内窥镜的病灶检测方法、装置、电子设备及存储介质

说明书

本申请提出一种用于内窥镜的病灶检测方法、装置、电子设备及存储介质，属于机器学习领域，该方法获取待检测图像，待检测图像为内窥镜采集得到的图像；通过预先训练的内窥镜图像检测模型对待检测图像进行处理，输出病灶显著性图像。其中，预先训练的内窥镜图像检测模型能够应用在内窥镜中，使得内窥镜能够对采集得到的图像进行实时病灶检测，在能够保证检测精度的同时，提高了检测速率，有利于医生快速获取病灶信息和病灶位置。且在不具备GPU硬件的条件下也能够对内窥镜采集得到的图像进行病灶区域的实时检测。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种用于内窥镜的病灶检测方法、装置、电子设备及存储介质。

背景技术

目前，基于深度学习的图像检测方法，由于模型大，计算复杂度高，只能部署在计算机上，通过计算机的GPU才能实时运行。在医生观察或诊治时，要求画面高清且低延时，且需要检测方法能够达到很高的实时性，但内窥镜主机一般是ARM架构，内存小，算力弱，不具备实时性，即基于内窥镜主机本身无法对内窥镜采集的图像进行实时病灶区域检测。

发明内容

本申请实施例的主要目的在于提出一种用于内窥镜的病灶检测方法、装置、电子设备及存储介质。旨在构建一种内窥镜图像检测模型，应用在内窥镜上，使得内窥镜能够对采集得到的图像进行实时检测，并输出病灶显著性图像，能够在保证检测精度的同时，提高检测速度，且不需要GPU也能够运行。

为实现上述目的，本申请实施例的第一方面提出了一种用于内窥镜的病灶检测方法，所述方法包括：

获取待检测图像，所述待检测图像为内窥镜采集得到的图像；

通过预先训练的内窥镜图像检测模型对所述待检测图像进行处理，输出病灶显著性图像；

其中，所述内窥镜图像检测模型包括第一编码模块、第二编码模块、第三编码模块、第四编码模块、第五编码模块、第一解码模块、第二解码模块、第三解码模块和第四解码模块；

所述第一编码模块的输出输入至所述第二编码模块和所述第四解码模块，所述第二编码模块的输出输入至所述第三编码模块和所述第三解码模块，所述第三编码模块的输出输入至所述第四编码模块和所述第二解码模块，所述第四编码模块的输出输入至所述第五编码模块和所述第一解码模块，所述第五编码模块的输出输入至所述第一解码模块，所述第一解码模块的输出输入至所述第二解码模块，所述第二解码模块的输出输入至所述第三解码模块，所述第三解码模块的输出输入至所述第四解码模块；

所述第一编码模块通过卷积层对所述待检测图像进行卷积操作和池化操作后，通过批量归一化层进行标准化处理，并通过swish激活函数进行非线性变换后，通过下采样单元进行特征降维，得到第一特征图像；

所述第二编码模块通过U型网络结构单元对所述第一特征图像进行多尺度特征提取后，通过下采样单元进行特征降维，得到第二特征图像；

所述第三编码模块通过卷积层对所述第二特征图像进行卷积操作和池化操作后，通过批量归一化层进行标准化处理，并通过swish激活函数进行非线性变换后，通过下采样单元进行特征降维，得到第三特征图像；

所述第四编码模块通过卷积层对所述第三特征图像进行卷积操作和池化操作后，通过批量归一化层进行标准化处理，并通过swish激活函数进行非线性变换后，通过下采样单元进行特征降维，得到第四特征图像；

所述第五编码模块通过卷积层对所述第四特征图像进行卷积操作和池化操作后，通过批量归一化层进行标准化处理，并通过swish激活函数进行非线性变换后，得到第五特征图像；

所述第一解码模块通过卷积层对所述第四特征图像和第五特征图像进行卷积操作和池化操作后，通过批量归一化层进行标准化处理，并通过swish激活函数进行非线性变换后，通过上采样单元进行特征升维，得到第六特征图像；