[发明专利]医疗内窥镜图像的识别方法、系统、设备和内窥镜影像系统

说明书

本发明揭示了一种医疗内窥镜图像识别方法、系统、设备和内窥镜影像系统。所述方法包括：根据医疗内窥镜视频流获取原始内窥镜图像；通过神经网络过滤获取的原始内窥镜图像生成目标内窥镜图像；通过神经网络的分类预测识别目标内窥镜图像对应的器官信息；根据所对应器官信息，通过分类网络识别目标内窥镜图像适用的图像类型；在图像类型对应的拍摄模式下，根据器官信息指示的部位定位目标内窥镜图像中的病灶区域和所属病灶类别。过滤来消除内窥镜在消化道内的拍摄切换和晃动、遇到各种液体和异物情况下存在的大量低质量、噪声图像，鲁棒性得到增强，并且为所进行的内窥镜拍摄全过程实现分类预测，实现了系统而完整的影像识别。

技术领域

本发明涉及计算机应用技术领域，特别涉及一种医疗内窥镜图像的识别方法、系统、机器设备和内窥镜影像系统。

背景技术

基于深度学习所进行的各类别识别，一直以来都是各应用场景下解决大量数据分类的重要工具。例如，在图像、自然语言处理等应用场景中，对大量数据所实现的大规模分类和识别，以此来快速准确的获得相关的分类预测结果，加速所在应用场景的功能实现。

在对图像所进行的分类预测中，根据所部署的应用场景不同，例如，AI+医疗场景，具体用于实现分类预测的图像以及分类预测的实现也各不相同。

形成医疗影像的各种图像在不断产生，例如，随着内窥镜在消化道内的不断拍摄而不断产生，进而成为大量数据，亟待需要借助于分类预测的执行实现大规模分类和识别。

然而，如何将面向各种医疗内窥镜图像而借助于深度学习实现分类预测，进而对医疗内窥镜图像实现系统而完整的识别，是现有医疗影像的分类预测所不具备的。现有医疗影像的分类预测仅限于单一功能，而无法适用于产生医疗内窥镜视频流的内窥镜拍摄全过程。

并且，由于医疗内窥镜图像的拍摄难免受到内窥镜的切换和晃动影响，且拍摄时内窥镜的镜头也难免会遇到各种液体和异物，因此，所得到的内窥镜图像常常会存在大量的干扰和噪声，进而导致鲁棒性差。

综上所述的，亟待为消化道的内窥镜拍摄执行适应于拍摄全过程且鲁棒性增强的分类预测。

发明内容

为了解决相关技术中医疗影像的分类预测无法适用于医疗内窥镜图像的内窥镜拍摄全过程且鲁棒性差的技术问题，本发明提供一种医疗内窥镜图像的识别方法、系统、机器设备和内窥镜影像系统医疗内窥镜图像的识别。

一种医疗内窥镜图像的识别方法，所述方法包括：

根据医疗内窥镜视频流获取原始内窥镜图像；

通过神经网络过滤获取的所述原始内窥镜图像，生成目标内窥镜图像；

通过神经网络的分类预测识别所述目标内窥镜图像对应的器官信息；

根据所对应器官信息，通过分类网络识别所述目标内窥镜图像适用的图像类型；

在所述图像类型对应的拍摄模式下，根据所述器官信息指示的部位定位所述目标内窥镜图像中的病灶区域和所属病灶类别。

一种医疗内窥镜图像的识别系统，所述系统包括：

图像获取模块，用于根据医疗内窥镜视频流获取原始内窥镜图像；

图像过滤模块，用于通过神经网络过滤获取的所述原始内窥镜图像，生成目标内窥镜图像；

器官部位识别模块，用于通过神经网络的分类预测识别所述目标内窥镜图像对应的器官信息；

图像类型识别模块，用于根据所对应器官信息，通过分类网络识别所述目标内窥镜图像适用的图像类型；

详情识别模块，用于在所述图像类型对应的拍摄模式下，根据所述器官信息指示的部位定位所述目标内窥镜图像中的病灶区域和所属病灶类别