一种基于深度学习的腔镜医学影像识别系统及其识别方法
阅读：2发布：2021-05-14
专利汇可以提供一种基于深度学习的腔镜医学影像识别系统及其识别方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及医学领域，具体公开了一种基于 深度学习 的腔镜医学影像识别系统，包括：消化道腔镜模 块 、自主 数据库 、 图像分割 模块、数据计算模块和数据输出模块，消化道腔镜模块的输出与自主数据库的输入连接，自主数据库与图像分割模块双向连接，图像分割模块通过数据计算模块与数据输出模块连接。本发明还公开了采用所述基于深度学习的腔镜医学影像识别系统的识别方法。本发明通过自主数据库对采集得到的原始图像进行 模式识别 得到识别图像，然后通过图像分割模块进行图像分割并通过数据计算模块进行回归分析计算得到识别结果图像进行输出，解决了人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题。，下面是一种基于深度学习的腔镜医学影像识别系统及其识别方法专利的具体信息内容。
1.一种基于深度学习的腔镜医学影像识别系统，包括消化道腔镜模块，其特征在于，还包括：自主数据库、图像分割模块、数据计算模块和数据输出模块；其中所述消化道腔镜模块的输出与自主数据库的输入连接，所述自主数据库与图像分割模块双向连接，图像分割模块通过数据计算模块与数据输出模块连接；
所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；
所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；
所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；
所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像；
所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出。
2.根据权利要求1所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述消化道腔镜模块包括富士能4450、EG-600WP以及奥林巴斯GIF-Q180等。
3.根据权利要求1或2所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述模式识别为通过将原始图像中识别出来的包括图片大小和形状的图像初始数据在数据库中比对生成性质来判断影像数据并得到识别图像。
4.根据权利要求3所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述图像分割模块包括计算机。
5.根据权利要求4所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述图像分割为将识别图像通过计算机网络进行卷积、非线性变换以及下采样操作得到低分辨率图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率图像，最后通过上采样到原识别图像的大小得到分割图像。
6.根据权利要求5所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述计算机网络为宽带网络或局域网。
7.根据权利要求6所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到原始图像中物体大小数据并生成识别结果图像。
8.根据权利要求7所述的基于深度学习的腔镜医学影像识别系统，其特征在于，所述数据输出模块包括显示器和打印机。
9.一种采用如权利要求1-8任一所述的基于深度学习的腔镜医学影像识别系统的识别方法，其特征在于，步骤如下：
1）医师通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像；
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
10.一种如权利要求1-8任一所述的基于深度学习的腔镜医学影像识别系统在医学影像识别中的应用。
一种基于深度学习的腔镜医学影像识别系统及其识别方法
技术领域
[0001] 本发明涉及医学领域，具体是一种基于深度学习的腔镜医学影像识别系统及其识别方法。
背景技术
[0002] 如今，随着科技的迅速发展，医学领域也得到了快速的发展。其中，医学影像作为一种为了医疗或医学研究来对人体或人体某部分以非侵入方式取得内部组织影像的技术与处理过程，在医学领域得到了广泛应用。
[0003] 目前，在胃镜结肠镜检查中经常会涉及的医学影像，而胃镜结肠镜检查对结果的判断存在一个较大的缺陷：由于病变大小和性质需要目测，导致检测结果因检查人员经验不同、成像大小不同而在计算出原始测量物的面积大小时出现极大偏差，以至于患者到不同医疗单位做的检查会出现不同的判断辅助数据，无法为医师提供客观准确的数据。因此，设计出一种基于深度学习的腔镜医学影像识别系统及其识别方法，成为亟需解决的问题。
发明内容
[0004] 本发明的目的在于提供一种基于深度学习的腔镜医学影像识别系统及其识别方法，以解决上述背景技术中提出的问题，通过自主数据库深度学习方法进行图像分割后进入数据计算中心对分割图像区物体大小回归计算生成数据，无论成像变化多大都可以回归计算出原始测量物的面积大小，为后续医疗行为提供较精确的辅助数据。
[0005] 为实现上述目的，本发明提供如下技术方案：一种基于深度学习的腔镜医学影像识别系统，包括：消化道腔镜模块、自主数据库、图像分割模块、数据计算模块和数据输出模块，所述消化道腔镜模块的输出与自主数据库的输入连接，所述自主数据库与图像分割模块双向连接，所述图像分割模块通过数据计算模块与数据输出模块连接；
所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像；所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告；通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力。
所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像；所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告；通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力。
[0006] 作为本发明进一步的方案：所述消化道腔镜模块包括富士能4450、EG-600WP以及奥林巴斯GIF-Q180等。
[0007] 作为本发明再进一步的方案：所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像。
[0008] 作为本发明再进一步的方案：所述图像分割模块包括计算机；所述计算机的要求为：CPU内存为Inter18核32线程x2，内存为256G，固态硬盘为1T，机械硬盘为100T，操作系统为LINUX操作系统或Windows7操作系统及以上。
[0009] 作为本发明再进一步的方案：所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像。
[0010] 作为本发明再进一步的方案：所述计算机网络为宽带网络或局域网，通过计算机网络将显示器与计算机进行连接。
[0011] 作为本发明再进一步的方案：所述图像分割模块通过与自主数据库交互来对分割图像进行自动归类并自我学习修正。
[0012] 作为本发明再进一步的方案：所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像。
[0014] 一种采用上述的基于深度学习的腔镜医学影像识别系统的识别方法，步骤如下：1）医师通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像；
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
[0015] 所述的基于深度学习的腔镜医学影像识别系统在医学影像识别中的应用。
[0016] 与现有技术相比，本发明的有益效果是：本发明设置了消化道腔镜模块、自主数据库、图像分割模块、数据计算模块和数据输出模块，通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像，然后通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，再通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像进行输出，解决了人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题，无论成像变化多大都可以回归计算出原始测量物的面积大小，同时避免了因为经验不足导致的被成像物体判断失误，可以广泛运用到医疗、水下救援和动物体内肿物模型观察等需要通过图像判断物体大小的情况中，具有广阔的市场前景。
附图说明
附图说明
[0017] 图1为基于深度学习的腔镜医学影像识别系统的结构框图。
[0018] 图2为实施例3基于深度学习的腔镜医学影像识别系统中原始图片（a）、人工标注图片（b）以及AI识别图片（c）的示意图。
[0019] 图3为实施例3基于深度学习的腔镜医学影像识别系统中识别结果图像的示意图。
具体实施方式
[0020] 下面结合附图和具体实施例对本发明作进一步详细地说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0021] 应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0022] 还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0023] 实施例1请参阅图1，一种基于深度学习的腔镜医学影像识别系统，包括消化道腔镜模块、自主数据库、图像分割模块、数据计算模块和数据输出模块，所述基于深度学习的腔镜医学影像识别系统还包括用于对系统提供稳定供电的电源，其中，所述消化道腔镜模块的输出与自主数据库的输入连接，所述自主数据库与图像分割模块双向连接，所述图像分割模块通过数据计算模块与数据输出模块连接，所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；
为了解决人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题，所述消化道腔镜模块包括富士能4450、EG-600WP以及奥林巴斯GIF-Q180等，所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块，所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像；
进一步的，所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，具体的，所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像，所述图像分割模块包括计算机，所述计算机的要求为：CPU内存为Inter18核32线程x2，GPU为TITAN XP 12Gx4，内存为256G，固态硬盘为1T，机械硬盘为100T，操作系统为LINUX操作系统或Windows7操作系统及以上；
进一步的，所述计算机网络为宽带网络，通过计算机网络将显示器与计算机进行连接，所述图像分割模块通过与自主数据库交互来对分割图像进行自动归类并自我学习修正；
进一步的，所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像；
进一步的，所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告，还可以通过将图像打印到A4纸中（默认全幅测量），通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力；
进一步的，所述数据输出模块包括显示器和打印机，所述自主数据库包括存储器，所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器，电可擦除可编程只读存储器，可擦除可编程只读存储器，可编程只读存储器，只读存储器，磁存储器，快闪存储器，磁盘或光盘。
为了解决人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题，所述消化道腔镜模块包括富士能4450、EG-600WP以及奥林巴斯GIF-Q180等，所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块，所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像；
进一步的，所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，具体的，所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像，所述图像分割模块包括计算机，所述计算机的要求为：CPU内存为Inter18核32线程x2，GPU为TITAN XP 12Gx4，内存为256G，固态硬盘为1T，机械硬盘为100T，操作系统为LINUX操作系统或Windows7操作系统及以上；
进一步的，所述计算机网络为宽带网络，通过计算机网络将显示器与计算机进行连接，所述图像分割模块通过与自主数据库交互来对分割图像进行自动归类并自我学习修正；
进一步的，所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像；
进一步的，所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告，还可以通过将图像打印到A4纸中（默认全幅测量），通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力；
进一步的，所述数据输出模块包括显示器和打印机，所述自主数据库包括存储器，所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器，电可擦除可编程只读存储器，可擦除可编程只读存储器，可编程只读存储器，只读存储器，磁存储器，快闪存储器，磁盘或光盘。
[0024] 本实施例中，一种采用上述的基于深度学习的腔镜医学影像识别系统的识别方法，步骤如下：1）医师通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像；
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
[0025] 本实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述方法的步骤。
[0026] 本实施例中，所述的基于深度学习的腔镜医学影像识别系统在医学影像识别中的应用。
[0027] 实施例2请参阅图1，一种基于深度学习的腔镜医学影像识别系统，包括：消化道腔镜模块、自主数据库、图像分割模块、数据计算模块和数据输出模块，所述消化道腔镜模块的输出与自主数据库的输入连接，所述自主数据库与图像分割模块双向连接，所述图像分割模块通过数据计算模块与数据输出模块连接；
为了解决人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题，所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像；所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告，还可以通过将图像打印到A4纸中（默认全幅测量）；通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力；
进一步的，所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像，所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像。
为了解决人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题，所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像；所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告，还可以通过将图像打印到A4纸中（默认全幅测量）；通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力；
进一步的，所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像，所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像。
[0028] 优选的，所述图像分割模块包括计算机；所述计算机的要求为：CPU内存为Inter18核32线程x2，GPU为TITAN XP 12Gx4，内存为256G，固态硬盘为1T，机械硬盘为100T，操作系统为LINUX操作系统或Windows7操作系统及以上。
[0029] 优选的，所述计算机网络为局域网，通过计算机网络将显示器与计算机进行连接，所述图像分割模块通过与自主数据库交互来对分割图像进行自动归类并自我学习修正。
[0030] 一种采用上述的基于深度学习的腔镜医学影像识别系统的识别方法，步骤如下：1）医师通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像；
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
2）通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告。
[0031] 本实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述方法的步骤。
[0032] 本实施例中，所述的基于深度学习的腔镜医学影像识别系统在医学影像识别中的应用。
[0033] 实施例3请参阅图1-3，一种基于深度学习的腔镜医学影像识别系统，包括：消化道腔镜模块、自主数据库、图像分割模块、数据计算模块和数据输出模块，其中，所述消化道腔镜模块的输出与自主数据库的输入连接，所述自主数据库与图像分割模块双向连接，所述图像分割模块通过数据计算模块与数据输出模块连接，具体如图1所示；
进一步的，所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；所述消化道腔镜模块包括富士能4450、EG-600WP以及奥林巴斯GIF-Q180等；所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像；
进一步的，所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；所述图像分割模块包括计算机；所述计算机的要求为：CPU内存为Inter18核32线程x2，GPU为TITAN XP 12Gx4，内存为256G，固态硬盘为1T，机械硬盘为100T，操作系统为LINUX操作系统或Windows7操作系统及以上；所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像；
进一步的，所述计算机网络为局域网，通过计算机网络将显示器与计算机进行连接，所述图像分割模块通过与自主数据库交互来对分割图像进行自动归类并自我学习修正；所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像；
进一步的，所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告，还可以通过将图像打印到A4纸中（默认全幅测量）；通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力。
进一步的，所述消化道腔镜模块用于对疑似病区进行图像采集得到原始图像并传输至自主数据库；所述消化道腔镜模块包括富士能4450、EG-600WP以及奥林巴斯GIF-Q180等；所述自主数据库用于对消化道腔镜模块采集到的原始图像采用深度学习方法进行模式识别得到识别图像并传输至图像分割模块；所述模式识别为通过将原始图像中识别出来的图片大小、形状等图像初始数据在数据库中比对生成性质来判断影像数据得到识别图像；
进一步的，所述图像分割模块用于对获得的识别图像采用深度学习的方法进行图像分割得到分割图像；所述图像分割模块包括计算机；所述计算机的要求为：CPU内存为Inter18核32线程x2，GPU为TITAN XP 12Gx4，内存为256G，固态硬盘为1T，机械硬盘为100T，操作系统为LINUX操作系统或Windows7操作系统及以上；所述图像分割为将识别图像通过计算机网络进行一系列的卷积、非线性变换、下采样操作得到低分辨率的图像，然后通过反卷积进行上采样提高图像分辨率得到次低分辨率的图像分割结果，最后通过上采样到原识别图像的大小得到分割图像；
进一步的，所述计算机网络为局域网，通过计算机网络将显示器与计算机进行连接，所述图像分割模块通过与自主数据库交互来对分割图像进行自动归类并自我学习修正；所述数据计算模块用于对获得的分割图像进行回归分析计算得到原始图像中物体大小数据并生成识别结果图像，所述回归分析计算为对识别图像目标区域的图像大小进行测算得出图像的最长直径和最短直径并生成面积数据，然后经过计算模型回归到实际需要测量物体的大小来得到消化道腔镜模块采集的原始图像中物体大小数据并生成识别结果图像；
进一步的，所述数据输出模块用于对获得的原始图像中物体大小数据和识别结果图像进行输出打印报告，还可以通过将图像打印到A4纸中（默认全幅测量）；通过获得的原始图像中物体大小数据和识别结果图像为后续医疗行为提供较精确的辅助数据，计算机通过自我学习方式来不断的加深识别能力。
[0034] 本实施例中，一种采用上述的基于深度学习的腔镜医学影像识别系统的识别方法，步骤如下：1）医师通过消化道腔镜模块对疑似病区进行图像采集得到原始图像（原始图片）并传输至自主数据库进行模式识别得到识别图像（AI识别图片），通过模式识别识别出图像为息肉，具体见图2所示，其中，（a）为原始图片，（b）为人工标注图片（即采用传统的人工方法进行识别标注），（c）为AI识别图片；
2）通过图像分割模块对获得的AI识别图片采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；具体见图3所示，通过计算出图像所对应实际物体最长直径和最短直径，并且生成计算面积，根据回归公式计算实际数据，确定系数是0.93277264，综合上述特性通过1万张图片进行计算识别的准确率为98.7%；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告，可以将图像打印到A4纸中（默认全幅测量）。
2）通过图像分割模块对获得的AI识别图片采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像；具体见图3所示，通过计算出图像所对应实际物体最长直径和最短直径，并且生成计算面积，根据回归公式计算实际数据，确定系数是0.93277264，综合上述特性通过1万张图片进行计算识别的准确率为98.7%；
3）通过数据输出模块对获得的原始图像中的物体数据和识别结果图像进行输出打印报告，可以将图像打印到A4纸中（默认全幅测量）。
[0035] 本实施例中，通过回归物体判断，同时运用到腔内并以腔内影像图和CT露出表皮外的占位块做计算，与CT图片符合率为99.9%。
[0036] 本实施例中，所述的基于深度学习的腔镜医学影像识别系统在医学影像识别中的应用。
[0037] 本发明的工作原理是：通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像，通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像进行输出，无论成像变化多大都可以回归计算出原始测量物的面积大小，同时避免了因为经验不足导致的被成像物体判断失误，可以广泛运用到医疗、水下救援和动物体内肿物模型观察等需要通过图片判断物体存在与通过图像判断物体大小的情况中。
[0038] 本发明的有益效果是：本发明设置了消化道腔镜模块、自主数据库、图像分割模块、数据计算模块和数据输出模块，医师通过消化道腔镜模块对疑似病区进行图像采集得到原始图像并传输至自主数据库进行模式识别得到识别图像，通过图像分割模块对获得的识别图像采用深度学习的方法进行图像分割得到分割图像，然后通过数据计算模块对获得的分割图像进行回归分析计算得到原始图像中的物体数据并生成识别结果图像进行输出，解决了人工目测腔镜医学影像时易导致计算出的原始测量物的面积大小出现极大偏差的问题，具有广阔的市场前景。
[0039] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为随机存储器、闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等。
[0040] 上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种人体体内声音收集处理方法及系统 | 2021-02-01 | 0 |
| 基于深度学习的软笔书法临摹评价方法 | 2021-02-25 | 2 |
| 产品推荐方法、装置、计算机设备和存储介质 | 2021-08-13 | 1 |
| 发光二极管光源的亮度控制装置与方法 | 2022-09-23 | 1 |
| 图像中文本区域检测方法、装置及电子设备 | 2023-07-18 | 2 |
| 一种基于深度学习的肺结节良恶性识别方法 | 2020-08-24 | 1 |
| 基于深度学习的尿沉渣显微图像有形成分识别方法 | 2021-05-19 | 2 |
| 一种光伏电站集群的高精度动态建模方法 | 2021-11-10 | 2 |
| 一种设备风险控制方法、装置、设备及介质 | 2020-07-05 | 0 |
| 一种刻蚀图形的分析系统及方法 | 2021-02-22 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈