[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

说明书

本发明公开了一种基于深度学习的气管镜图像特征比对标记系统，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；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。本发明还公开了一种基于深度学习的气管镜图像特征比对标记方法。本发明通过对气管镜图像进行特征比对，能够对气管镜下中央型肺部肿瘤病灶部位进行识别。

技术领域

本发明涉及一种图像处理系统，具体涉及一种基于深度学习的气管镜图像特征比对标记系统。本发明还涉及一种基于深度学习的气管镜图像特征比对标记方法。

背景技术

中央型肺癌，是指病变发生在段口以上支气管的肿瘤。由于其发生在较大的支气管，一般电子气管镜检查都能发现。气管镜检查不仅可以直接了解支气管肿瘤的发生部位、形态及大小，同时还可通过活检和刷检明确肿瘤的病理组织类型，为手术、放疗和化疗提供重要的依据。因此，使用气管镜检查中央型肺癌是目前最重要、最可靠的诊断方法。然而，气管镜检查对操作内镜的医生的临床经验和状态有较高的依赖性，高负荷的气管镜检查会降低气管镜的检查质量，容易出现检查覆盖不全，病灶检出不全等问题。

对于管腔内病变，除了特殊光气管镜检查(荧光气管镜、窄谱气管镜)外，目前尚无特别区分良恶性病变的手段。荧光气管镜检查的特点是灵敏度高、特异度低，容易发现病变但区分病变良恶性差；而窄谱气管镜检查的特点是只能观察病变处血管情况，尚不能区分病变良恶。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的气管镜图像特征比对标记系统，它可以对气管镜图像进行特征比对并进行标记。

为解决上述技术问题，本发明基于深度学习的气管镜图像特征比对标记系统的技术解决方案为，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；

在另一实施例中，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。

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。

在另一实施例中，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。

本发明还提供一种基于深度学习的气管镜图像特征比对标记方法，其技术解决方案为，包括以下步骤：