[发明专利]一种内窥镜干扰图像检测与分级系统及方法

说明书

本发明提供一种内窥镜干扰图像检测与分级系统及方法，属于图像处理技术领域。该内窥镜干扰图像检测与分级系统包括检测分级网络模型、训练模块、检测分级模块。本发明中的训练模块训练检测分级网络模型，选取精度最高的网络模型作为预设网络模型，提高后续检测的精度，检测分级模块将采集的消化道图片输入至预设网络模型中，预设网络模型对消化道图片进行处理并输出图片中的干扰内容类别和干扰内容的分割信息，检测分级模块根据干扰内容的分割信息获取粘膜所占面积并根据粘膜所占面积进行分级，检测出不同类型的干扰图像，计算出粘膜面积，并根据粘膜面积对图像的重要性进行分级，方便医护人员根据粘膜判断人体消化道的疾病状况。

技术领域

本发明属于图像处理技术领域，涉及一种内窥镜干扰图像检测与分级系统及方法。

背景技术

内窥镜是一种检查人体消化道的摄像装置。医生通过观察内窥镜拍摄的视频或图像判断人体消化道的疾病状况。由于内窥镜图像存在大量干扰内容如非消化道图像、食物残渣、肠腔、气泡等，这些内容遮挡消化道黏膜或占据图像大部分面积，给医生审阅图像造成困难。因此，需要采用计算机自动检测干扰图像并根据干扰程度进行去除，提高医生诊断工作效率。内窥镜采集到的消化道图片数量巨大，自动识别出不同干扰内容，并通过剩余粘膜的面积进行重要性分级，可以为医生阅片的诊断起到积极作用。目前窥镜拍干扰图像主要是通过医务人员人工确认观察，增加医务人员负担，降低诊断效率；一些图像分类识别方法能够识别干扰内容但无法识别粘膜所占面积，一些图像的分割方法能够识别出粘膜面积但需要人工标注大量分割标签。综上所述，如何提供一种内窥镜干扰图像检测与分级方案，是目前本领域技术人员亟待解决的问题。

中国专利CN 106934799A公开了一种胶囊内窥镜图像辅助阅片系统，它的数据获取模块用于获取检查者的胶囊内窥镜图像数据；图像位置分类模块用于利用第一卷积神经网络CNN模型将胶囊内窥镜图像按拍摄部位的不同进行分类，得到不同拍摄部位的图像序列；图像序列描述模块用于利用第二卷积神经网络CNN模型对不同拍摄部位的图像序列进行图像特征提取得到不同消化道部位图像序列的特征矢量序列；图像序列描述模块还用于利用递归神经网络RNN模型将特征矢量序列中的图像特征转化为描述性文字，从而形成辅助诊断报告。本发明可以减少医生观看消化道图像的工作量，提高医生的诊断效率。上述专利中没有识别内窥镜图像中的干扰内容，从而影响识别内窥镜图像中的粘膜，影响对疾病的诊断。

发明内容

本发明针对现有的技术存在的上述问题，提供一种内窥镜干扰图像检测与分级系统及方法，本发明所要解决的技术问题是：如何提供一种内窥镜干扰图像检测与分级系统及方法。

本发明的目的可通过下列技术方案来实现：

一种内窥镜干扰图像检测与分级系统，包括检测分级网络模型、用以训练检测分级网络模型以获取预设网络模型的训练模块、检测分级模块，所述预设网络模型在检测分级模块将消化道图片输入至其中后对消化道图片处理输出干扰内容类别和干扰内容的分割信息，所述检测分级模块根据干扰内容的分割信息获取粘膜所占面积并根据粘膜所占面积进行分级。

优选的，还包括用以获取数据训练集和验证集的获取模块，所述训练集包括无干扰训练图片、干扰训练图片、干扰训练图片中的干扰训练内容标记、干扰训练图片中的训练粘膜面积标记，所述验证集包括干扰验证图片、干扰验证图片中的干扰验证内容标记、干扰验证图片中的验证粘膜面积标记；还包括训练模块，所述训练模块将训练集输入检测分级网络模型以获取实时训练网络模型，所述训练模块选取验证集测试实时训练网络模型的识别精度，所述训练模块在检测分级网络更换网络参数时重复训练检测分级网络模型和测试实时训练网络模型的识别精度并选取实时训练网络模型中识别精度最高的网络模型作为预设网络模型。

优选的，所述检测分级网络模型包括基本卷积神经网络单元、用于将基本卷积神经网络单元的特征输出映射到不同类别输出的变换卷积层单元、用以将变换卷积层单元的输出进行排序的排序池化层单元、用以将排序池化层单元输出的C个值作为类别输出值的类别输出单元。