[发明专利]一种内镜下上消化道实时位置定位模型建立方法

说明书

本发明涉及一种内镜下上消化道实时位置定位模型建立方法，使用基于搜索框架的EfficientNet主干，提升定位精度，最大化利用网络层，减少冗余层，提升网络运行效率，提高模型适用性；其次通过搭建分流网络，分解问题，进一步提升精准度外，考虑一二级间的相关性，防止出现不合理预测结果；解决以往多模型复杂融合及单一模型精度损失的劣势，基于分治策略，构建端到端深度学习卷积神经网络，达到内镜下实时定位的目标。

技术领域

本发明涉及一种图像识别技术，特别涉及一种基于分流的EfficientNet的内镜下上消化道实时位置定位模型建立方法。

背景技术

内镜检查是诊断上消化病变的关键步骤，在检查过程中实时定位所处位置，对医生检查完整性，病变位置定位及后续治疗有显著意义。目前临床上主要基于内镜下观察，判断上消化道位置，由于不同地区不同级别医师在内镜检查过程中明显差异，基于AI实时定位，辅助医生检查，并随时判断镜下环境是否存在影响观察的不利因素，随时对光照角度做出调整等日渐凸显其必要性。

对于内镜图像，现在多为基于AI人工智能神经网络对内镜下图像进行卷积操作，输出图像信息向量，并基于输出信息与酸碱度等信息结合评价图像质量及内镜检查质量，也就是以往方法皆为依托多个现有基础神经网络，输出多个结果，并结合多方信息作出评价，进行辅助事后判读。无法做到实时判断，不能给临床检测做实时辅助，错失很多及时数据。

发明内容

本发明是针对现在内镜下检测无法实时定位的问题，提出了一种内镜下上消化道实时位置定位模型建立方法，基于单一深度搜索神经网络EfficientNet，设置分流聚类策略实现实时位置定位，并利用层级间相关性对预测进行限制防止不合理预测，可实现内镜下观察，实时判断上消化道位置。

本发明的技术方案为：一种内镜下上消化道实时位置定位模型建立方法，具体包括如下步骤：

1)将需要定位检查的整个消化道分成具体的数个部位，每个部位再根据位置特征定义部位对应的具体位置区域；

2)将确认部位的内镜图像归一化、标准化处理后的图像，作为训练集；

3)将训练集送入EfficientNet主干进行网络训练，网络预测类别与真实部位类别送入优化器，利用加权交叉熵损失函数loss最小为目标对网络进行优化；

4)在优化后的网络上构建分流网络层：对EfficientNet主干中间部位识别层中每个层根据步骤1)中定义的具体位置构建一下级分类层，即建立二级分流类别层；

5)将步骤2)的训练集确认部位中定义的具体位置区域进行标记后，送入步骤4)构建了分流网络层的网络进行分流网络层网络训练；训练时通过对一级部位及相应二级位置预测向量经过同一映射方案，降维到同维向量，对二者间相关性加以限制，保留相关性高的图像，分析相关性低的图像，并将相关性取导数对每个样本进行加权；

5)训练完成后的网络模型，最终输出部位类别和部位的具体位置类别。

所述步骤3)以Adam为优化器，利用加权交叉熵损失函数loss最小为目标对网络进行优化，其加权交叉熵损失函数loss如下：

其中α_k为第k类权重；n_k为第k类数量；k为位置类别索引；K为位置类别总量；y_k为真实类别，p_k为预测类别，以最小化损失函数为目标进行训练优化直至收敛。