[发明专利]基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法

说明书

本发明公开了一种基于深度学习的胶囊内窥镜图像辅助分类方法，包括以下步骤：数据获取模块获取在IPv6环境下从网站输入的待分类胶囊内窥镜图像；将数据获取模块获取的胶囊内窥镜图像输入到图像识别模块中，使用第一卷积神经网络模型识别输入图像中的肠道图像和咽喉图像，得到两类图像数据；图像识别模块将已知类别的图像输入图像分类模块中，使用第二卷积神经网络模型和第三卷积神经网络模型分别对两类不同部位图像进行分类；人机交互模块在IPv6环境下通过网站将分类结果传送至上位机。本发明借助深度卷积神经网络自动识别和分类胶囊内窥镜图像，满足胶囊内窥镜图像临床分类要求，减少了处理胶囊内窥镜图像的工作量，提高了分类效率。

技术领域

本发明涉及图像处理领域，特别涉及一种基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法。

背景技术

近年来，胶囊内窥镜作为一种具有无痛无创、全覆盖等优点的新型检查装置被广泛用于临床检查，然而每次胶囊内窥镜检查将产生50,000张以上的数据图像，胶囊内窥镜图片的巨大数量以及图片内容的复杂性，给临床医生带来了极大的时间负担。因此，能够进行智能分类的胶囊内窥镜辅助分类系统对减轻医生的分类负担和提高病灶分类的精度具有重要的意义。

在胶囊内窥镜病变图像自动检测中，传统的机器学习方法核心思想可概括以下两部分：人工提取特征、采用合适的分类器。对于胶囊内窥镜图像分类，其提取特征主要考虑图像的颜色和纹理等特征，其分类器主要考虑SVM、KNN、MLP等。由于传统的机器学习方法特征提取与训练分类器分开，人工提取的特征送入到学习系统，学习系统得到的特征会丧失部分有效信息，从而导致工作效率欠缺，分类精度低，且模型的鲁棒性未可知。

随着人工智能领域的发展，在医疗界大数据等领域中，深度学习已得到广泛的应用。与基于人工选取特征的算法相比，深度学习方法特别是卷积神经网络将人工提取特征替换为自动化学习特征，并且能够找到人工提取算法无法描述的特征。

发明内容

为了解决上述技术问题，本发明提供一种结构简单的基于深度学习的胶囊内窥镜图像辅助分类系统，并提供一种基于深度学习的胶囊内窥镜图像辅助分类方法。

本发明解决上述问题的技术方案是：一种基于深度学习的胶囊内窥镜图像辅助分类系统，包括数据获取模块、图像识别模块、图像分类模块、人机交互模块，数据获取模块的信号输出端连接图像识别模块的信号输入端，图像识别模块的第一信号输出端连接图像分类模块的第一信号输入端，图像识别模块的第二信号输出端连接图像分类模块的第二信号输入端，图像分类模块的信号输出端连接人机交互模块的信号输入端；所述数据获取模块获取网站输入的待分类胶囊内窥镜图像数据，所述图像识别模块识别输入图像数据中的肠道图像和咽喉图像，所述图像分类模块分别对肠道图像、咽喉图像进行分类，所述人机交互模块将分类结果上传至上位机。

上述基于深度学习的胶囊内窥镜图像辅助分类系统，所述图像识别模块中设有第一卷积神经网络模型，利用第一卷积神经网络模型对输入图像进行图像特征提取，得到不同类别图像的特征矢量序列，识别出输入图像中的肠道图像和咽喉图像。

上述基于深度学习的胶囊内窥镜图像辅助分类系统，所述第一卷积神经网络模型由一层卷积层、两层池化层、四层残差模块和一层全连接层组成：第1层为卷积层，卷积层的卷积核大小为3×3，步长为2，滤波器数目为64；第2层为最大池化层，池化核大小为3×3，步长为2；第3到第6层为4个残差模块，所有残差模块的卷积核大小为3×3，第1和第2个残差模块步长为2，滤波器数目为64；第3个残差模块步长为1，滤波器数目为128；第4个残差模块步长为1，滤波器数目为256；第7层为平均池化层，池化核大小为2×2，步长为2；第8层为全连接层。

上述基于深度学习的胶囊内窥镜图像辅助分类系统，所述图像分类模块中设有第二卷积神经网络模型和第三卷积神经网络模型，利用第二卷积神经网络模型/第三卷积神经网络模型分别对肠道图像、咽喉图像进行图像特征提取，得到肠道、咽喉的特征矢量序列，对肠道图像、咽喉图像进行分类。