[发明专利]一种基于集成学习的消化道内镜检查辅助系统

说明书

本发明公开了一种基于集成学习的消化道内镜检查辅助系统；该系统包括数据获取模块、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。本发明在内镜检查设备采集消化道图像的同时，对所得消化道图像进行实时分析，从而增加消化道中存在异常风险较高的区域的图像采集数量，提高了内镜检查设备采集图像的针对性，有助于提高医生对消化道图像的分析效率。

技术领域

本发明涉及检查辅助设备技术领域，具体涉及一种基于集成学习的消化道内镜检查辅助系统，该辅助系统调控消化道中不同区域的图像采集数量，其工作过程不属于诊断方法。

背景技术

随着社会发展，人们饮食习惯变化，我国消化道疾病的发病率逐年增加。有研究表明，结肠镜检查中腺瘤检出率与结直肠癌的发生率及死亡率呈负相关。而借助消化道内窥镜技术(Endoscopy)，如胃镜(Gastroscopy)、结肠镜(Colonoscopy)、无线胶囊内镜(Wireless Capsule Endoscopy，WCE)等，可直观地检查消化道肠腔黏膜病变，是检测消化道疾病的重要手段。

目前临床的内镜检查术中诊断主要依赖于医生人工诊断。而医生人工诊断往往容易因为采集的病灶区域图像数量不足而产生漏诊和误诊，导致检查准确率和效率较低。虽然有部分研究也针对术中的实时病灶检测，以此来对医生术中检查提供帮助，如：公开号为“CN113990456A”的专利申请提供了“一种基于深度学习的消化道早期癌症图形分析筛查系统”，其需要医生手动的对可疑区域进行截取分析后获得病灶检测数据；公开号为“CN114569043A”的专利申请提供了“一种基于人工智能的内窥镜辅助检查方法及装置”，其需要医生针对可疑区域手动选择不同模型来检测不同的病灶。

上述现有技术依赖于医生的主观意识、效率较低，无法自动在增加高风险区域的图像采集数量，或向医生提示高风险区域的出现，难以在术中为医生提供实时的预警以及高效的帮助。

发明内容

本发明的目的在于提供一种基于集成学习的消化道内镜检查辅助系统；该辅助系统调控消化道中不同区域的图像采集数量，其工作过程不属于诊断方法。

第一方面，本发明提供一种基于集成学习的消化道内镜检查辅助系统，其包括数据获取模块、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。

作为优选，所述的主干特征提取模块采用ResNet50vd_dcn网络。

作为优选，所述的网络层模块包括路径聚合网络(即PANet网络，PathAggregation Network)、Position Embedding模块和Transformer Encoder模块。PositionEmbedding模块将输入异常分析模型的图像分为多个块(patch)及对应的位置信息；Position Embedding模块和主干特征提取模块输出的特征信息结合后输入TransformerEncoder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。

作为优选，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。