[发明专利]基于云平台的消化道病灶辅助识别与正反馈系统

权利要求书

1.基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，包括：

数据采集装置，被配置为采集待识别的消化道图像，并传送至云平台；

云平台，被配置为建立推断模型，构建训练集对所述推断模型进行优化训练；利用所述推断模型对接收到的图像进行消化道病灶推断，并对所述图像和消化道病灶识别结果分别进行保存；云平台上设置多台推断服务器，能够进行数据的并行处理；

在线纠错模块，被配置为医生客户端在线查看推断结果，并对推断错误的结果进行标注和纠错；

在线优化模块，被配置为将纠错后的图像加入训练集，重新对推断模型进行训练；在线优化算法、更新模型；

所述云平台包括至少一个推断单元：被配置为建立推断模型，对图像进行消化道病灶类型和病灶位置的推断；所述推断单元利用训练集训练推断模型；所述推断模型包括消化道部位推断模型A和消化道部位推断模型B；其中，消化道部位推断模型A用于推断一级类别和辅助类别，消化道部位推断模型B用于推断二级类别；所述一级类别为初步判断，二级类别使用细粒度分类网络二次判断， 通过细粒度分类网络，使用多分支结构同时利用训练集中的下消化道内窥镜图像的局部信息和全局信息，并对局部区域进行特征监督的方式进行训练，得到消化道部位推断模型B。

2.如权利要求1所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，所述云平台还包括：

至少一个训练单元：被配置为对推断模型进行优化训练；

至少一个文件存储单元：被配置为对接收到的图像进行存储；

数据存储单元：被配置为对推断结果进行存储。

3.如权利要求2所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，云平台接收到对图像进行消化道病灶推断的请求后，通过负载均衡方式将所述请求均匀分配至相应的推断单元。

4.如权利要求2所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，所述训练单元用于获取消化道部位图像并标注出待推断类别和推断干扰图像的辅助类别，构建出训练集，其中，待识别类别包括一级类别及二级类别，二级类别属于一级类别的子类别。

5.如权利要求4所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，所述一级类别包括：上消化道：会厌、食管、贲门、胃底、胃体、胃窦、胃角、幽门、十二指肠球部、十二指肠降部；下消化道：回盲部、结肠、乙状结肠、直肠；二级类别属于结肠的子分类，包括升结肠、横结肠和降结肠；

辅助类别为预设干扰图像类别，用于排除干扰图像；所述辅助类别包括阑尾开口、积液、镜头与肠壁距离小于预设值、镜头被遮挡、肠腔收缩、肠腔不完整和模糊、气泡、强光、黏液以及残留粪块。

6.如权利要求4所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，所述训练单元获取多幅包含已知消化道病灶的消化道部位图像，并对已知消化道病灶区域进行标注；根据标注后的训练图像训练消化道病灶区域推断模型。

7.如权利要求6所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，基于消化道部位推断模型A和消化道部位推断模型B对消化道内镜图像进行实时检测，排除属于辅助类别的图像，若存在连续N张非相似图像均为同一类别的概率超过预设阈值，则输出图像所属的一级类别和二级类别，进而确定出消化道病灶所在准确部位，其中，N为大于或等于3的正整数。

8.如权利要求7所述的基于云平台的消化道病灶辅助识别与正反馈系统，其特征在于，消化道部位推断模型A采用深度学习框架Keras应用模块提供的图像分类模型；

通过细粒度分类网络DFL-CNN，使用多分支结构同时利用训练集中的下消化道内窥镜图像的局部信息和全局信息，并对局部区域进行特征监督的方式进行训练，得到消化道部位推断模型B。

9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行以下过程：

采集待识别的消化道图像，并传送至如权利要求1-8任一项所述的云平台；

云平台建立推断模型，构建训练集对所述推断模型进行优化训练；利用所述推断模型对接收到的图像进行消化道病灶推断，并对所述图像和消化道病灶识别结果分别进行保存；

医生客户端在线查看推断结果，并对推断错误的结果进行标注和纠错；

将纠错后的图像加入训练集，重新对推断模型进行训练。