[发明专利]基于两通道卷积神经网络的肠镜退镜超速占比监测方法

权利要求书

1.基于两通道卷积神经网络的肠镜退镜超速占比监测方法，其特征在于：包括如下步骤：

S1、构建两通道卷积神经网络，并用训练样本集对其进行训练，得到计算图像相似度的模型1；

S2、将肠镜检查的实时视频解码为图像，利用模型1对当前帧图像与其前面的i帧图像的相似度分别进行计算得到i个相似系数S_i，计算当前时间点肠镜的加权相似系数，并转换为肠镜退镜速度；

S3、将当前时间点肠镜检查速度Vi大于标准速度的图像记为超速帧，统计到当前时间为止，超速的帧数占整个帧数的比例。

2.根据权利要求1所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法，其特征在于：所述步骤S1中两通道卷积神经网络的训练样本集是通过收集不同肠镜检查的退镜片段的连续图像，并对收集的数据集进行清理和人工标注得到。

3.根据权利要求2所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法，其特征在于：所述步骤S1中两通道卷积神经网络结构包括：

数据输入层，用于对原始肠镜图像数据进行预处理；

卷积层，用于提取输入肠镜图像数据不同特征；

ReLU激活层，用于把卷积层的输出结果做非线性映射；

池化层，用于筛选维度较小的特征；

全连接层，用于计算两张肠镜图像的相似系数。

4.根据权利要求1所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法，其特征在于：所述步骤S2中S_i是两张图像经过训练的模型1后计算得到是否相似的值，其范围是0-1，即S_i＝ConvNet(I_i,I_i-1)，其中I_i和I_i-1是相邻的两种图像。

5.根据权利要求4所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法，其特征在于：所述步骤S2中计算当前时间点肠镜的加权相似系数的公式为：

其中S_i是当前t时间点的肠镜图像与前面的第i帧图像的相似系数；

当前t时间点的加权相似系数转换为当前的肠镜检查速度的公式为：

6.根据权利要求1所述的基于两通道卷积神经网络的肠镜退镜超速占比监测方法，其特征在于：所述步骤S3在肠镜检查完毕后，得到该次肠镜检查的总的超速占比，利用肠镜检查的超速占比计算该次肠镜检查的评价得分score＝100-p，其中p为当前超速占比，PV为超速的帧数，PA为整个帧数。