[发明专利]基于深度学习的气管镜图像特征比对标记系统及方法

权利要求书

1.一种基于深度学习的气管镜图像特征比对标记系统，其特征在于，包括：

输入层，用于接收气管镜所采集的气管镜图像，并对所接收的气管镜图像进行识别，然后将识别出的体内图像传递给判断层；

判断层，对来自于所述输入层的体内图像进行识别，判断该体内图像所对应的部位、判断是否存在病变部位以及病变部位的良恶性，然后将识别结果反馈给输出层；所述判断层包括判断层卷积神经网络模型；所述判断层卷积神经网络模型包括模型三和模型四，模型三为根据部位属性图像库训练完成的模型，用于判断所述体内图像所对应的具体部位；模型四为根据部位特征图像库训练完成的模型，用于判断所述体内图像中是否存在病变部位以及病变部位的良恶性；以及

输出层，用于将来自于所述判断层的识别结果进行显示。

2.根据权利要求1所述的基于深度学习的气管镜图像特征比对标记系统，其特征在于，所述输入层包括：

图像采集模块，用于接收来自气管镜的图像；以及

输入层卷积神经网络模型；所述输入层卷积神经网络模型进一步包括：

模型一，用于合格气管镜图像的识别；所述模型一为根据合格图像库训练完成的卷积神经网络模型；

模型二，用于体内/体外图像的识别；所述模型二为根据体内/体外图像库训练完成的卷积神经网络模型。

3.根据权利要求1所述的基于深度学习的气管镜图像特征比对标记系统，其特征在于，所述输出层包括图像演示模块、部位显示图像、病灶显示图像；所述部位显示图像为表示各部位的图像；所述病灶显示图像为标注有病变部位的红点图像；

所述图像演示模块能够将来自于判断层的识别结果与部位显示图像进行叠加展示，形成部位监测模式；部位监测模式以部位显示图像作为背景图，其上覆盖来自于判断层的识别结果，以表示气管镜操作已检查的部位；

所述图像演示模块还能够将来自于判断层的识别结果与病灶显示图像进行叠加展示，形成病灶监测模式；病灶监测模式以病灶显示图像作为背景图，其上覆盖来自于判断层的识别结果，以表示存在病变的部位。

4.一种基于深度学习的气管镜图像特征比对标记方法，其特征在于，包括以下步骤：

步骤一，输入层的图像采集模块接收来自于气管镜所采集的气管镜图像，调用输入层卷积神经网络模型，对气管镜图像进行识别，然后将识别出的体内图像传递给判断层；

步骤二，判断层接收体内图像，调用判断层卷积神经网络模型，对该体内图像进行部位识别和病灶识别，识别出图像上的病变部位，得到判断层识别结果并传输给输出层；

步骤三，输出层接收判断层识别结果，分别调用部位显示图像和病灶显示图像进行叠加展示；

步骤四：使用矩形框，在图像上框出病变部位，并提示病变部位的良恶性。

5.根据权利要求4所述的基于深度学习的气管镜图像特征比对标记方法，其特征在于，所述步骤一中对气管镜图像进行识别的方法如下：

将气管镜图像先输入至输入层卷积神经网络模型的模型一，模型一对该气管镜图像进行合格图像识别，判断其是否为合格图像，若不合格，则模型一将该气管镜图像标记为“不合格图像”作为输入层识别结果，并传输给输出层；若合格，则模型一将该气管镜图像标记为“合格图像”并传输给输入层卷积神经网络模型的模型二；

模型二对该合格图像进行识别，判断其是否进入体内，若识别为体外图像，则模型二将该合格图像标记为“体外图像”作为输入层识别结果，并传输给输出层；若识别为体内图像，则模型二将该合格图像标记为“体内图像”并传输给判断层。

6.根据权利要求4所述的基于深度学习的气管镜图像特征比对标记方法，其特征在于，所述步骤二中对体内图像进行部位识别和病灶识别的方法如下：

将体内图像先输入至判断层卷积神经网络模型的模型三，模型三识别该体内图像的具体部位，并进行标记，得到带有部位标记的体内图像，即部位标记图像；模型三将该部位标记图像传输给判断层卷积神经网络模型的模型四；

模型四识别该部位标记图像的部位特征，判断是否存在病变部位和病变部位的良恶性分析，并进行标记，得到带有特征标记的体内图像，即特征标记图像；模型四将该特征标记图像作为判断层识别结果传输给输出层。