[发明专利]扁平、微小息肉图像识别方法

说明书

本发明涉及医学领域图像识别方法技术领域，尤其涉及扁平、微小息肉图像识别方法，光斑修复算法EA_A检测反射光区域，然后对反射光区域进行填充达到光斑修复算法的目的。息肉检测算法EA_B采用yolov3_4layers目标检测网络结构，以获得息肉目标检测结果。本发明通过增加注意力转移标签来提高息肉检测特异度；针对扁平、微小息肉训练样本搜集困难的问题，对训练样本采用增广策略；针对yolov3目标检测算法对扁平、微小息肉检测能力不足的问题，采取转置卷积和加权特征融合的方法，增加第4个特征检测层。针对扁平、微小息肉具有高敏感度和高特异度，可准确识别内窥镜静态图像中的扁平、微小息肉的位置，显著降低扁平、微小息肉检测的漏识别和误识别率。

技术领域

本发明涉及医学领域图像识别方法技术领域，尤其涉及扁平、微小息肉图像识别方法。

背景技术

据调查显示，近95％的结直肠癌都是由息肉演变而来，而扁平、微小息肉属于具有较高的概率转化为早癌，但因其无明显的空间几何特征，现有技术对扁平、微小息肉的识别效果较差、特异度较低，存在大量的漏识别。

目前关于深度学习在结肠镜息肉检测的应用，李素琴等人提出《基于YOLO算法和ResNet深度卷积神经网络的结直肠息肉检测》，该方法针对较大或常规息肉而言有较为理想的检测效果。但对于扁平息肉、微小息肉，因为其特征不明显，在进行内窥镜检查时，很容易出现漏诊。桑海楠等人提出《一种基于完整结肠壁和纹理特征的小/平坦型息肉检测方法》，该方法是一种基于虚拟结肠镜的计算机辅助检测方法。首先通过分割CT静态影像提取完整的结肠内、外壁；然后用滑动窗在结肠内壁上逐点计算纹理特征并用AdaBoost分类器得到初始疑似息肉；最后通过随机森林获得最终的疑似息肉。在进行扁平、微小息肉检测过程中，视频画面中常存在较多亮度、面积大小不同的光斑。这些光斑的存在增加了对于扁平、微小息肉的检测难度，同时会提高息肉检测的假阳性。医生在做内窥镜检查时，如若碰到光斑，需重复核实此处是否为息肉，增加医生工作难度的同时也浪费了更多的时间。另一方面，现有用于息肉检测的方法，尤其是基于yolov3的算法，常采用yolov3官网公开的网络结构。但yolov3网络结构针对扁平、微小息肉检测效果很不理想，漏识别和误识现象频出。

基于此，为了更准确的识别扁平、微小息肉，减少光斑对扁平、微小息肉检测的影响。本发明提出先通过光斑修复算法去除结肠内窥镜静态图像中可能存在的光斑，再通过改进的息肉检测算法准确识别出结肠内窥镜图像中的扁平、微小息肉。

发明内容

本发明的目的在于针对现有技术的不足，而提供一种扁平、微小息肉图像识别方法，以解决扁平、微小息肉检测时易漏识别和易误识别的技术问题。

本发明提供如下技术方案：扁平、微小息肉图像识别方法，包括如下步骤：

S1、将结肠内窥镜静态图像代入光斑修复算法EA_A，获得光斑修复后的结肠内窥镜静态图像；

光斑修复算法EA_A包含两个子类算法：光斑区域检测算法EA_A_01和光斑区域修复算法EA_A_02；

结肠内窥镜静态图像进入光斑区域检测算法EA_A_01后，按照式

可获得图像高光区域，式中c_G，c_B，c_R分别为图像三个通道的像素值，P₉₅(c_i)表示i通道像素值95％分位值，T1通过大津阈值法获得，x表示i通道x位置处；而后使用高光区域周围一圈的像素值的平均值对高光区域进行填充；然后对填充后的图像做中值滤波处理获得反光区域；

将结肠内窥镜静态图像及其通过光斑区域检测算法EA_A_01获得的反光区域一同代入光斑区域修复算法EA_A_02，对原图中的反光区域进行填充，填充方式与光斑区域检测算法EA_A_01中所使用的填充方式保持一致；而后对填充后的图像进行高斯模糊处理，并进行权重加权相加，完成对填充后图像中的光斑区域进行修复；