[发明专利]超声内镜、人工智能辅助鉴别方法、系统、终端、介质

权利要求书

1.一种间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法包括：

通过图像采集模块实时获取超声内镜监视器中超声内镜视频或静态图像的图像数据，并截取图像帧；

通过图像分割模块采用人工图像分割或利用深度学习分割模型基于采集的图像进行肿瘤部位图像的分割提取；

通过图像转换模块将分割的图像大小统一，并进行归一化处理，获得的模块化图片即标准化的病灶部位图像；

通过图像分类模块利用深度学习分类模型将模块化图片划分间质瘤图像或平滑肌瘤图像；

通过输出模块输出图像分类结果。

2.如权利要求1所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法还包括：构建深度学习分类模型与深度分割模型；

所述构建深度学习分类模型与深度分割模型包括：

(1)获取历史超声内镜数据库中筛选并获取经病理诊断为间质瘤或平滑肌瘤的合格的超声内镜静态图像和影像数据；

(2)将获取的影像数据的每一帧进行提取，获得静态图像，与直接从数据库中获取的静态图像共同构建得到数据集；基于数据集中图像是否显示清晰、胃肠道层次是否清晰和病变起源层次是否清晰，将数据集中的图像分为合格图像和不合格图像；

(3)选取合格图像中的肿瘤区域进行图像分割，将分割后的图像进行大小统一化处理和根据图像像素平均值和标准差的归一化处理得到模块化图像，依据病理诊断结论病理类型对模块化图片进行疾病种类的标注，作为模块化图片集；

(4)采用随机数法，将间质瘤和平滑肌瘤的静态图片集以及模块化图片集分别随机分为训练集、验证集和测试集；

(5)利用Faster-RNN、YOLO网络以及其他网络基于训练集数据中超声内镜图片进行特征学习构建深度学习分割模型，使用验证集对深度学习分割模型进行筛选，通过测试集数据对深度学习分割模型的诊断性能进行验证；

(6)利用ResNet、Inception网络以及其他网络对训练集模块化图片数据进行特征学习构建深度学习模型，通过验证集数据对深度学习分类模型进行筛选，最后通过测试集数据对深度学习分类模型的诊断性能进行验证。

3.如权利要求2所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述训练集、验证集和测试集分配比例为7：1.5：1.5。

4.如权利要求2所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述进行深度学习模型的参数设置包括：依次设置训练初始学习率，学习率回调参数LearningRateScheduler，训练轮次Epoch，训练批次batch size，验证批次validationsize和优化函数SGD及输出层函数Sigmoid。

5.如权利要求1所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法，其特征在于，所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法还包括：采用批标准化Batch Normalization和图像90°旋转、镜像和模糊及其他进行数据增强。

6.一种间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别系统，其特征在于，所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别系统包括：

图像采集模块，用于实时获取超声内镜监视器中超声内镜视频或静态图像的图像数据，并截取图像帧；

图像分割模块，用于采用人工图像分割或将深度学习分割模型基于采集的图像进行肿瘤部位图像的分割提取；

图像转换模块，用于将分割的图像大小统一，并进行归一化处理，获得的模块化图片即标准化的病灶部位图像；

图像分类模块，用于利用深度学习分类模型将模块化图片划分间质瘤图像或平滑肌瘤图像；

输出模块，用于输出图像分类结果。

7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～5任意一项所述间质瘤和平滑肌瘤的超声内镜下人工智能辅助鉴别方法。