[发明专利]一种基于集成学习的消化道内镜检查辅助系统

权利要求书

1.一种基于集成学习的消化道内镜检查辅助系统，其特征在于：包括数据获取模块、识别模块、预警模块和图像采集控制模块；数据获取模块连接至内镜检查设备，实时接收内镜检查设备采集的消化道图像，并将消化道图像输送至识别模块；识别模块通过异常分析模型实时判断消化道图像中是否存在疑似目标；预警模块用于在识别模块检测到疑似目标时发出预警信号，使得内镜检查设备增加发现疑似目标的区域的图像采集数量；所述的异常分析模型包括依次相连的主干特征提取模块、网络层模块和预测模块；图像采集控制模块用于控制内镜检查设备的采样频率。

2.根据权利要求1所述的一种基于集成学习的消化道内镜检查辅助系统，其特征在于：所述的主干特征提取模块由5层卷积块组成。第一层卷积块包括7×7的卷积处理、归一化处理和ReLu函数的激活处理；第二层卷积块由一个3×3的最大池化层和3个残差块组成；第三层卷积块由4个残差块组成；第四层卷积块由6个残差块组成；第五层卷积块由4个残差块组成。每个残差块均为在ResNet-D的残差块结构的基础上将最后一层卷积替换成可变形卷积的残差块。

3.根据权利要求1所述的一种基于集成学习的消化道内镜检查辅助系统，其特征在于：所述的网络层模块包括路径聚合网络、Position Embedding模块和Transformer Encoder模块。Position Embedding模块将输入异常分析模型的图像分为多个块及对应的位置信息；Position Embedding模块输出的信息和主干特征提取模块输出的特征信息结合后输入Transformer Encoder模块；Transformer Encoder模块对输入的特征信息进行重新编码，合成带有位置信息的特征图；Transformer Encoder模块输出的特征图与主干特征提取模块低层、中层输出的特征信息均输入路径聚合网络；路径聚合网络对输入的特征进行融合。

4.根据权利要求3所述的一种基于集成学习的消化道内镜检查辅助系统，其特征在于：所述的预测模块采用YOLOV5的分类回归层对经过网络层模块处理的图像特征进行预测。

5.一种消化道内镜检查辅助方法，其特征在于：使用如权利要求1-4中任意一项所述的消化道内镜检查辅助系统；该消化道内镜检查辅助方法，包括以下步骤：

S1、获取多张带标签的消化道内窥镜图像，划分为数据集D和数据集T；基于数据集D构建N个训练集，每个训练集均对应有一个来自于数据集D的测试集；N为预设的样训练集数量；

S2、使用步骤S1中所获得的N个不同的训练集，分别对异常分析模型进行训练；得到N种不同的初级异常分析模型；

S3、使用加权平均法将步骤S2中所获得的N个初级异常分析模型集成为一个强化异常分析模型并进行优化；

S4、使用内镜检查设备对被检测者的消化道进行图像采集；采集过程中获得的消化道图像实时输入强化异常分析模型H(x)；强化异常分析模型H(x)判断消化道图像中是否存在疑似目标；当强化异常分析模型H(x)在实时回传的消化道图像中检测到疑似目标时，内镜检查设备增加在存在疑似目标的区域的图像采集数量。

6.根据权利要求5所述的一种消化道内镜检查辅助方法，其特征在于：

步骤S1的具体过程如下：

S11、将带标签的消化道内窥镜图像集合，划分为数据集D和数据集T；

S12、通过自助采样法对数据集D进行采样，每次随机从数据集D中挑选一个样本，并将其拷贝放入初始为空集的采样数据集D'，该样本在数据集D依然保留；采样过程重复执行m次，得到一个包含m个样本的采样数据集D'；m为数据集D中的样本数量；将数据集D中未被采样到采样数据集D'中的样本数据作为测试集；

S13、重复步骤S12中的步骤N次，获得N个不同的训练集及其对应的测试集。