[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

说明书

本发明涉及图像识别技术领域，公开了一种基于深度学习的消化道内窥镜视频图像识别方法，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。该发明在保证所有部位检测准确度的前提下增强内窥镜检测的针对性，提高病变检测准确性，防止漏诊现象的发生。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于深度学习的消化道内窥镜视频图像识别方法。

背景技术

内窥镜是集中了传统光学、人体工程学、数学、精密机械、微电子设别以及软件等于一体的检测仪器。内窥镜具有图像传感器、光学镜头、光源照明等，它可以经人体的天然孔道，或者是经手术做的小切口进入人体内，采集图像，并将采集的图像传输到医护人员可以看到的显示终端上，利用内窥镜可以使医护人员看到X射线不能显示的病变，对医生诊断以及病人的治疗都非常有用，如借助内窥镜医生可以观察胃内的溃疡或肿瘤，据此制定出最佳的治疗方案。

目前内窥镜利用光源照明，利用光学镜头以及图像传感器采集人体内的图像，并将采集的图像传输给显示终端，供医护人员进行诊断。但是现有的内窥镜图像识别系统，在整个检测过程针对性较差，导致对医生的精力需求较高，同时在由于内窥镜本身原因致使图像出现不清楚时，容易出现漏诊的现象。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于深度学习的消化道内窥镜视频图像识别方法，该方法在保证所有部位检测准确度的前提下增强内窥镜检测的针对性，提高病变检测准确性，防止漏诊现象的发生。

为了实现上述目的，本发明提供如下技术方案：

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。

在本发明中，进一步的，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。

在本发明中，进一步的，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，将数据导入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。

在本发明中，进一步的，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。

在本发明中，进一步的，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。

在本发明中，进一步的，所述步骤S3还包括：