[发明专利]基于多通道结构的消化道内窥镜图片病灶识别系统

说明书

本申请涉及一种基于多通道结构的消化道内窥镜图片病灶识别系统，属于医学图像智能处理技术领域，其包括：训练数据获取标注模块，用于获取多组训练数据；预处理模块，用于对所述消化道内窥镜图片进行预处理，得到处理后的消化道内窥镜图片；模型构建模块，用于构建预设的网络模型；模型训练模块，用于将所述处理后的消化道内窥镜图片输入预设的网络模型，并使用预设的损失函数对所述网络模型进行训练，得到识别模型；识别模块，用于利用所述识别模型结合非极大值抑制算法对输入的消化道内窥镜图片进行识别。本申请可提高消化道内窥镜图片病灶识别准确率。

技术领域

本申请涉及医学图像智能处理技术，更具体地说，本申请涉及一种基于多通道结构的消化道内窥镜图片病灶识别系统。

背景技术

根据全球的癌症统计数据显示，发病率排名前10的肿瘤中有4个来自消化道。包括消化道良性、癌前性和恶性疾病在内的消化道疾病正在严重威胁着患者的生活质量和生命安全，造成了巨大的卫生负担。消化道肿瘤在我国的各类恶性肿瘤中发病率也处于首位。由于消化道内窥镜技术在消化道癌症诊断方面效果显著，已被推荐为消化道癌症的主要诊断方法。具体来说，消化道内窥镜检查可以直接探及消化道内的病变组织区域，以供医疗人员作出相应的诊断，在消化道内窥镜下可以做组织活检对早期的消化道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，或者疏忽等特殊情况会直接影响最后的消化道癌症诊断情况。同时，面对呈指数增长的医学图片，依靠人眼观察消化道内窥镜图片会耗费大量的时间，造成速度慢，效率低，并且漏检的情况时有发生。

虽然目前已经出现利用人工智能图像识别对消化道内窥镜图片进行分析的技术，可以提高医生的诊断效率，但现有技术在图像分类领域比较广泛采用的都是通过深度学习的卷积神经网络来实现，通过卷积层、下采样层和全连接层等提取出图片的特征信息，通过卷积层和池化层的交替分布使得特征图的数目逐步增多作为下一层神经元的输入。而深度神经网络在提取特征的时候由于其平移不变性，稍微更改同一物体的朝向或位置，可能并不会激活那些该识别的物体的神经元，同时由于池化层的存在，导致非常多有价值的信息的缺失。这种缺陷使得在消化道内窥镜识别领域应用传统卷积神经网络会造成识别率的低下，例如对胃溃疡和十二指肠溃疡图片的分类，仅仅从局部特征信息很难区别，需要结合消化道内窥镜图片中较远的轮廓特征才能更好的区分。并且由于消化道内窥镜图片病灶识别需要具有较高的准确率以防止误诊和漏诊的发生，现有的图像识别技术一般是通过堆叠更多的网络模型层来实现准确率的提高，这大大增加了识别系统的计算量，使得消化道内窥镜图片病灶识别速度明显下降，不适用于对大量的消化道内窥镜图片进行病灶识别。

因此，人们期望获得一种技术方案，能够利用人工智能图像识别技术对海量的消化道内窥镜图片进行分析，并且适用于消化道内窥镜病灶识别的特点，能够结合较远的消化道内窥镜图片轮廓特征进行病灶识别，同时在不降低识别速度的情况下，识别准确率能够进一步提高。

发明内容

本申请的目的是解决上述技术问题。本申请提供了一种基于多通道结构的消化道内窥镜图片病灶识别系统，通过搭建多通道的图片识别网络结构，并在通道中采用Transformer结构提取全局性的消化道内窥镜图片特征，可以使得训练后的模型在进行消化道病灶识别过程中，显著改善的识别精准度，并且具有理想的识别速度。本申请技术方案包括：

提供一种基于多通道结构的消化道内窥镜图片病灶识别系统，其包括：

训练数据获取标注模块，用于获取多组训练数据，每组训练数据包括消化道内窥镜图片和消化道内窥镜图片的病灶类别和病灶区域；

预处理模块，用于对所述消化道内窥镜图片进行预处理，得到处理后的消化道内窥镜图片；