[发明专利]一种基于深度学习的消化道内窥镜视频图像识别方法有效
申请号: | 202110393884.1 | 申请日: | 2021-04-13 |
公开(公告)号: | CN113139937B | 公开(公告)日: | 2022-11-01 |
发明(设计)人: | 俞晔;方圆圆;姜婷 | 申请(专利权)人: | 上海市第一人民医院 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T5/00;G06V10/44;G06V10/82;G06V10/764;G06N3/04;G06N3/08;G06F16/27;G06F16/248;G06F16/2458;A61B1/273;A61B1/04;A61B1/00 |
代理公司: | 北京沁优知识产权代理有限公司 11684 | 代理人: | 甄丹凤 |
地址: | 200000*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 消化道 内窥镜 视频 图像 识别 方法 | ||
1.一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,包括:
S1:获取内窥镜检测的视频图像;
S2:在视频图像中提取最常病变部位的易病变关键帧和其余检测部位的重点关键帧;
S3:利用神经网络预测模型对易病变关键帧逐帧进行预测,得出每一帧的一级易病变预测结果,对每帧一级预测结果进行统计,若统计值高于一次预设值,提取出一级易病变预测结果最高的关键帧图像;
S4:利用辅助识别模型对一级易病变预测结果最高的关键帧图像,进行辅助检测并输出最终易病变预测结果;
所述获取消化道的最常病变部位信息,包括:
S00:获取消化道内窥镜检测数据,将数据存储于集中的分布式数据库中;
S01:对该分布式数据库中的数据进行分析和统计,并将统计结果进行排列;
S02:根据统计结果确定最常见的病变部位;
S03:获取最常病变部位图像。
2.根据权利要求1所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述辅助识别模型通过获取消化道的最常病变部位信息,利用最常病变部位信息进行构建。
3.根据权利要求2所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述利用最常病变部位信息构建辅助识别模型包括:通过定位-分类子网络,使用多分支结构同时利用训练集最常病变部位图像的局部信息和全局信息,并对局部区域进行特征监督的方式进行训练,得到辅助识别模型。
4.根据权利要求1所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述步骤S2中依据易病变结果在视频图像中提取易病变关键帧和重点关键帧包括:将获取的视频图像与最常病变部位图像的特征进行对比,提取所有吻合度满足预设值的易病变关键帧,其余为重点关键帧。
5.根据权利要求1所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述步骤S3还包括:
利用神经网络预测模型对重点关键帧预测,得出重点预测结果。
6.根据权利要求2所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述步骤S4中利用辅助识别模型对易病变预测结果进行辅助检测包括:利用辅助识别模型对最高的关键帧图像进行预测,若高于二次预设值,则输出最终易病变预测结果。
7.根据权利要求1所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述步骤S1中获取内窥镜检测的视频图像包括:
S10:获取视频图像;
S11:视频图像是否满足条件,不满足对获取的视频图像自动进行像素调节。
8.根据权利要求7所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述像素调节包括明度、对比度以及轮廓强调。
9.根据权利要求8所述的一种基于深度学习的消化道内窥镜视频图像识别方法,其特征在于,所述轮廓强调通过拉普拉斯锐化进行处理,所述明度以及对比度的处理公式为:
g(x)=αf(x)+β
其中,α代表对比度调节参数,β代表亮度调节参数;其中f(x)为原像素,g(x)为转换后的像素。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海市第一人民医院,未经上海市第一人民医院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110393884.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种可调节喷墨打印头位置的手持式打印机
- 下一篇:一种电缆桥架及安装方法