[发明专利]一种基于深度学习采集消化道黏膜信息的方法及系统

说明书

本发明提供了一种基于深度学习采集消化道黏膜信息的方法包括深度学习模块建立方法：S101对上消化道黏膜异常区域标注后的图像进行格式转化，形成纯数字形式的图片信息；S102提取数字形式的图片信息中上消化道黏膜异常区域的特征图像信息；S103对特征图像信息进行上采样或下采样，提取特征图；S104对提取出的特征图进行压缩；S105将提取到的特征图还原成输入图像；S106对输入图像中黏膜异常区域进行标识，并输出图像。本发明通过深度学习，可对消化道黏膜异常的图像信息进行积累，实现对图像的自动化分析，提高分析效率。

技术领域

本发明涉及一种分析方法，特别是涉及一种基于深度学习采集消化道黏膜信息的方法及系统。

背景技术

上消化道黏膜异常主要包括但不限于各类食管炎，食管静脉曲张，各类胃炎，胃息肉，胃溃疡，早期和进展期食管癌和胃癌等疾病。这类疾病在内镜下表现为和周围正常黏膜表现不一致，包括色泽改变，黏膜表面程度改变等。这类改变通常可以通过医生视觉观察到，这也意味着，上消化道黏膜异常大多具有特定的视觉特征。

发现上消化道黏膜异常，是胃镜检查过程中胃镜医生的核心工作。在过去的传统检查模式中，主要通过胃镜操作医生肉眼观察，辅之以内镜下喷撒染色剂或电子染色的方式从而提高检出率。但是传统的内镜检查方式由于主要依靠医生的主动发现，对医生本身的检查经验和检查专注度要求较高。

发明内容

本发明提供了一种基于深度学习采集消化道黏膜信息的方法及系统，以实现对消化道黏膜图像的自动化分析。

本发明提供了一种基于深度学习采集消化道黏膜信息的方法包括深度学习模块建立方法：

S101对上消化道黏膜异常区域标注后的图像进行格式转化，形成纯数字形式的图片信息；

S102提取数字形式的图片信息中上消化道黏膜异常区域的特征图像信息；

S103对特征图像信息进行上采样或下采样，提取特征图；

S104对提取出的特征图进行压缩；

S105将提取到的特征图还原成输入图像；

S106对输入图像中黏膜异常区域进行标识，并输出图像。

进一步地，所述S101中纯数字形式的图片信息为张量或数字矩阵。

进一步地，所述S102提取数字形式的图片信息中上消化道黏膜异常区域的特征信息包括：

数字形式的图片信息中存在若干特征提取层，提取输入的图像中的特征，具体做法为，采用一个固定大小的卷积核，在输入中逐像素平移，利用卷积运算强化特征，卷积运算生成的矩阵可以作为输出，形成上消化道黏膜异常区域的特征信息。

进一步地，所述S103中下采样方法为：

对于尺寸为M×N的特征图像信息，对其进行s倍下采样，即得到(M/s)(N/s)尺寸的得分辨率图像，其中s是M和N的公约数；

若上消化道黏膜异常区域的特征信息为矩阵形式的特征图像信息，则将原始图像s×s窗口内的图像作为一个像素，以该像素点值作为s×s窗口内所有像素的均值。

进一步地，所述S103中上采样方法为：

在原有图像像素的基础上在像素点之间采用插值算法插入新的元素，从而扩大特征图像信息的大小。

进一步地，所述S106对输入图像中黏膜异常区域进行标识，并输出图像包括：

对特征图像信息中黏膜异常区域的所在像素点进行坐标标定，形成标识。

进一步地，所述S104对提取出的特征图进行压缩包括平均池化模式和/或最大池化模式。

更进一步地，所述平均池化模式为：对特征图邻域内的特征点求平均。