[发明专利]基于FCOS算法的胃镜图片病灶识别方法及装置

说明书

本申请涉及一种基于FCOS算法的胃镜图片病灶识别方法及装置，属于医学图像智能处理技术领域，该方法包括：获取多组训练数据，每组训练数据包括胃镜图片和该胃镜图片的病灶类别和病灶区域；使用多组训练数据对FCOS模型中的指定特征层进行分层次训练，得到每个训练后的层次对应的识别精度；基于贪婪算法按照识别精度对FCOS模型进行模型压缩，得到压缩后的模型结构，压缩后的模型结构用于对输入的胃镜图片进行病灶定位和分类；可以解决人工进行胃部病灶识别时效率较低、且现有目标检测模型不适用于胃部诊断场景的问题；可以提高胃镜图片病灶识别的时间性能，同时又有较高的精度水平。在识别过程中不需要人工参与，提高诊断效率。

【技术领域】

本申请涉及一种基于FCOS算法的胃镜图片病灶识别方法及装置，属于医学图像智能处理技术领域。

【背景技术】

胃癌是一种起源于胃黏膜上皮的恶性肿瘤，在我国的各类恶性肿瘤中发病率处于首位。由于胃镜技术在胃癌诊断方面效果显著，已被推荐为胃癌的主要诊断方法。

具体来说，胃镜检查可以直接探及胃内的病变组织区域，以供医疗人员作出相应的诊断，在胃镜下可以做组织活检对早期的胃癌前疾病或者是癌前病变的诊断及鉴别良性恶性溃疡都有重要作用。

但是，由于人为因素例如医生的经验水平不一致，或者疏忽等特殊特殊情况会直接影响最后的胃癌诊断情况，同时人眼观察胃镜图片也会耗费大量的时间，导致病灶识别的效率较低的问题。

另外，由于大多目标检测算法无法同时具有良好的精准度和时间性能，因此，无法应用于对精度和时间性能具有较高要求的胃镜图片病灶识别领域。

【发明内容】

本申请提供了一种基于FCOS算法的胃镜图片病灶识别方法，可以使用压缩后的网络模型进行胃部病灶识别，且具有良好的识别精准度和时间性能，可以实现胃镜图片的自动诊断。本申请提供如下技术方案：

第一方面，提供一种基于FCOS算法的胃镜图片病灶识别方法，所述方法包括：

获取多组训练数据，每组训练数据包括胃镜图片和所述胃镜图片的病灶类别和病灶区域；

使用所述多组训练数据对一阶全卷积目标检测FCOS模型中的指定特征层进行分层次训练，得到每个训练后的层次对应的识别精度；

基于贪婪算法按照所述识别精度对所述FCOS模型进行模型压缩，得到压缩后的模型结构，所述压缩后的模型结构用于对输入的胃镜图片进行病灶定位和分类。

可选地，所述使用所述多组训练数据对一阶全卷积目标检测FCOS模型中的指定特征层进行分层次训练之前，还包括：

对所述胃镜图片进行预处理，预处理后的胃镜图片用于输入所述FCOS模型进行训练；

其中，所述预处理包括以下几种中的至少一种：缩放裁剪处理、去均值处理和归一化处理。

可选地，所述FCOS模型包括主干网络、与主干网络相连的特征金字塔网络、以及与特征金字塔网络相连的预测网络；所述使用所述多组训练数据对一阶全卷积目标检测FCOS模型中的指定特征层进行分层次训练，得到每个训练后的层次对应的识别精度，包括：

保持所述主干网络结构不改变，依次在所述特征金字塔网络对应的多层特征图中选择保留一个特征图，并对边界框内的每一个像素点进行位置回归。

可选地，所述多层特征图包括P3层，P4层，P5层，P6层和P7层；其中，P3层由主干网络的特征图C3经过1×1卷积核卷积得到；P4层由主干网络的特征图C4经过1×1卷积核卷积得到；P5层由主干网络的特征图C5经过1×1卷积核卷积得到；P6层由P5层的输出结果经过一个步长为2的卷积层得到；P7层由P6层的输出结果经过一个步长为2的卷积层得到。