[发明专利]一种基于深度学习的胃部胃黏膜特征及位置识别方法

说明书

一种基于深度学习的胃部胃黏膜特征及位置识别方法，首先采用密集卷积结构和Vision Transformer结构结合组成的网络，通过密集卷积提取局部细节特征，弥补了捕获全局特征表示方面的局限性，通过Vision Transformer模块捕获长距离的特征依赖，弥补了学习局部特征表示方面的局限性，同时，两条分支采用并行结构，最大限度的保留了局部特征和全局表示，通过特征融合模块加强了局部特征表示和全局特征表示的融合，更好的完成胃部胃黏膜特征的初步识别。其次，采用残差网络完成胃部不同位置的识别，最终得到胃部图像的胃黏膜特征位置和范围。

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胃部胃黏膜特征及位置识别方法。

背景技术

随着现代科技的发展，图像识别技术越来越受欢迎和重视，能够针对图像的任何一部位的特征进行准确的分析，随着深度学习技术的进步，在医学影像智能分析方向取得了快速发展。在临床试验中，通过胃部图像能够清晰地观察胃部的位置、特征、形态，每做一次胃镜检查，就会产生更多不同部位的高分辨率图像，因此对胃部胃黏膜特征及部位识别的准确识别就具有重要意义。然而，胃部胃黏膜特征细微不易观察，胃部不同位置无明显界限，利用深度学习技术对其进行识别的研究较少，现有方法主要利用大量数据样本，通过简单的神经网络学习不同层次的图像特征，识别准确率较低，因此，如何设计一种基于深度学习的胃部胃黏膜特征及位置识别方法仍是一个挑战性的问题。

发明内容

本发明为了克服以上技术的不足，提供了一种识别准确率高的基于深度学习的胃部胃黏膜特征及位置识别方法。

本发明克服其技术问题所采用的技术方案是：

一种基于深度学习的胃部胃黏膜特征及位置识别方法，其特征在于，包括如下步骤：

a)预处理原始胃部图像，得到预处理后的尺寸为h×w的胃部图像R，h为胃部图像R的高，w为胃部图像R的宽；

b)构建由特征提取模块和特征融合模块构成的初步识别网络，将预处理后的胃部图像R输入到初步识别网络中，得到胃部黏膜存在红白相间斑点特征的图像RCAG；

c)训练初步识别网络；

d)构建由残差网络及分类器构成的位置识别网络，将预处理后的胃部图像R输入到位置识别网络后，输出得到部位分类结果CS；

e)训练位置识别网络。

进一步的，步骤a)中通过剪裁的的方式去除真实病例的胃部图像中的患者敏感信息，对胃部图像进行缩放操作得到预处理后的尺寸为h×w的胃部图像R。

所述敏感信息包括真实病例的胃部图像中的患者信息、设备型号、时间信息和操作信息。

进一步的，步骤b)包括如下步骤：

b-1)初步识别网络的特征提取模块由第一卷积块、第一特征提取分支、第二特征提取分支构成，第一特征提取分支依次由第一密集卷积块、第二密集卷积块、第三密集卷积块及第四密集卷积块构成，第一密集卷积块、第二密集卷积块、第三密集卷积块及第四密集卷积块均依次由BN归一化层、ReLU激活函数层、第一二维卷积层及第二二维卷积层构成，第二特征提取分支依次由第一Trans块、第二Trans块、第三Trans块及第四Trans块构成，第一Trans块、第二Trans块、第三Trans块及第四Trans块均依次由LayerNorm层、多头注意力层及多层感知机MLP构成；

b-2)将预处理后的胃部图像R输入到初步识别网络的特征提取模块的第一卷积块中，输出得到特征FR；