一种胶囊内镜影像智能筛查系统专利检索-查询似然模型人工智能专利检索查询-专利查询网

一种胶囊内镜影像智能筛查系统

阅读：8发布：2020-05-15

专利汇可以提供一种胶囊内镜影像智能筛查系统专利检索，专利查询，专利分析的服务。并且本发明涉及医疗影像领域，公开了一种胶囊内镜影像智能筛查系统，包括影像控制模块：用于实现胶囊内镜影像数据的加载，以及格式标准化处理和初始化管理；影像筛查模块：用于通过深度学习算法模型对胶囊内镜影像数据进行筛；筛查结果处理模块：用于执行对影像筛查模块的筛查结果进行查询和处理操作，所述处理操作包括对阳性影像的确认和修改以及对阴性影像的确认；报告编辑模块：用于执行编辑报告操作，所述编辑报告操作包括报告影像的导入，病例信息的导入，以及报告文字编辑；报告导出模块：用于生成电子报告或打印成纸质报告。本发明可提高医学内窥镜影像的诊断效率，可广泛应用于医学临床诊断中。，下面是一种胶囊内镜影像智能筛查系统专利的具体信息内容。

权利要求

1.一种胶囊内镜影像智能筛查系统，其特征在于，包括：
影像控制模块：用于实现胶囊内镜影像数据的加载，以及将影像数据进行格式标准化处理和初始化管理；
影像筛查模块：用于通过深度学习算法模型对胶囊内镜影像数据进行筛查，根据胶囊内镜影像上的形态特征和边缘平滑度特征，判断影像是否为病灶影像或疑似病灶影像，并对病灶种类进行分类；
筛查结果处理模块：用于执行对影像筛查模块的筛查结果进行查询和处理操作，所述处理操作包括对阳性影像的确认和修改以及对阴性影像的确认；
报告编辑模块：用于执行编辑报告操作，所述编辑报告操作包括报告影像的导入，病例信息的导入，以及报告文字编辑；
报告导出模块：用于生成电子报告或打印成纸质报告。
2.根据权利要求1所述的一种胶囊内镜影像智能筛查系统，其特征在于，还包括人机交互界面，所述人机交互界面用于显示影像筛查模块的筛查结果，还用于输入筛查命令，以及用于输入筛查结果的处理命令和报告编辑操作命令。
3.根据权利要求1所述的一种胶囊内镜影像智能筛查系统，其特征在于，所述影像筛查模块内的深度学习算法模型包括胶囊小肠镜算法模型和胶囊胃镜算法模型，分别用于对胶囊小肠镜影像和胶囊胃镜影像进行筛查，以得到有病灶及疑似病灶影像。
4.根据权利要求1所述的一种胶囊内镜影像智能筛查系统，其特征在于，所述影像筛查模块内的深度学习算法模型所用的网络模型为CaffeNet、GoogleNet、VGG Net或ResNet网络，其通过SVM算法进行有监督学习进而对胶囊内镜影像数据进行筛查。
5.根据权利要求1所述的一种胶囊内镜影像智能筛查系统，其特征在于，所述深度学习算法模型进行训练的具体方法为：先使用通用的图像分类大数据集IMAGENET上对模型进行预训练，然后利用胶囊内镜训练集数据对训练得到的模型进行微调训练。
6.根据权利要求5所述的一种胶囊内镜影像智能筛查系统，其特征在于，胶囊内镜数据集训练集数据被分为正常、轻度、中度和重度四类数据集。

说明书全文

一种胶囊内镜影像智能筛查系统

技术领域

[0001] 本发明涉及医疗影像领域，具体涉及一种胶囊内镜影像智能筛查系统。

背景技术

[0002] 近20年来，我国人口总数不断增长，造成需求基量增大；人口结构中，疾病高发的老龄群体持续增大，造成人均医疗需求增大；人均GDP提高带来消费升级，居民需要更好、更多的医疗服务提高生活质量，也使得医学影像需求增大。由此，不断攀升的医疗需求驱动医学影像市场不断扩容。

[0003] 胶囊内镜病例影像具有数量大，正常影像数量占比大等特点，导致医生阅片时间长，出报告周期长等问题，随着人工智能的越来越广泛的应用，因此，需要提出一种胶囊内镜影像智能筛查系统，以提高胶囊内镜影像的筛查效率。

发明内容

[0004] 针对现有技术中胶囊影像筛查效率慢，需要人工筛查的缺点，本发明克服现有技术的不足，所要解决的技术问题为：提出一种胶囊内镜影像智能筛查系统，以提高胶囊内镜影像的筛查效率。

[0005] 为了解决上述技术问题，本发明采用的技术方案为：一种胶囊内镜影像智能筛查系统，包括：

[0006] 影像控制模块：用于实现胶囊内镜影像数据的加载，以及将影像数据进行格式标准化处理和初始化管理；

[0007] 影像筛查模块：用于通过深度学习算法模型对胶囊内镜影像数据进行筛查，根据胶囊内镜影像上的形态特征和边缘平滑度特征，判断影像是否为病灶影像或疑似病灶影像，并对病灶种类进行分类；

[0008] 筛查结果处理模块：用于执行对影像筛查模块的筛查结果进行查询和处理操作，所述处理操作包括对阳性影像的确认和修改以及对阴性影像的确认；

[0009] 报告编辑模块：用于执行编辑报告操作，所述编辑报告操作包括报告影像的导入，病例信息的导入，以及报告文字编辑；

[0010] 报告导出模块：用于生成电子报告或打印成纸质报告。

[0011] 所述的一种胶囊内镜影像智能筛查系统，还包括人机交互界面，所述人机交互界面用于显示影像筛查模块的筛查结果，还用于输入筛查命令，以及用于输入筛查结果的处理命令和报告编辑操作命令。

[0012] 所述影像筛查模块内的深度学习算法模型包括胶囊小肠镜算法模型和胶囊胃镜算法模型，分别用于对胶囊小肠镜影像和胶囊胃镜影像进行筛查，以得到有病灶及疑似病灶影像。

[0013] 所述影像筛查模块内的深度学习算法模型所用的网络模型为CaffeNet、GoogleNet、VGG Net或ResNet网络，其通过SVM算法进行有监督学习进而对胶囊内镜影像数据进行筛查。

[0014] 所述深度学习算法模型进行训练的具体方法为：先使用通用的图像分类大数据集IMAGENET上对模型进行预训练，然后利用胶囊内镜训练集数据对训练得到的模型进行微调训练。

[0015] 胶囊内镜数据集训练集数据被分为正常、轻度、中度和重度四类数据集。

[0016] 本发明与现有技术相比具有以下有益效果：本发明提供了一种胶囊内镜影像智能筛查系统，其通过深度学习模型可以对胶囊内镜影像进行自动筛查，得到疑似病灶和病灶影响，还可以对影像筛查模块的筛查结果进行查询和处理操作，以及编辑报告和生成电子报告及打印成纸质报告，其应用提高了医学影像诊断的效率；

[0017] 此外，深度学习模型的建立过程中，过拟合会学到无关特征，导致模型缺乏泛化能力，一直是机器学习的一大难题。大数据集可以缓解过拟合，这要求有尽量多带标注的数据，而除了最正最典型的之外，各种角度的图片也都能有帮助。但是在医学领域，获取带标注的大数据集非常困难。本发明中，采用迁移学习可以一定程度上解决这个问题，其通过在通用的图像分类大数据集IMAGENET上预训练，将预训练得到的模型用胶囊内镜图片来微调，解决了无法获得带标注的大量医学训练数据的问题。附图说明

[0018] 图1为本发明提出的一种胶囊内镜影像智能筛查系统的结构示意图；

[0019] 图2为本发明实施例中影像筛查模块的工作流程图；

[0020] 图3为本发明实施例中一个人机交互界面的示意图；

[0021] 图4为本发明实施例中另一个人机交互界面的示意图。

具体实施方式

[0022] 为使本发明的技术方案和优点更加清楚，下面将结合具体实施例和附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0023] 如图1所示，本发明实施例提供了一种胶囊内镜影像智能筛查系统，包括影像控制模块、影像筛查模块、筛查结果处理模块、报告编辑模块和报告导出模块。

[0024] 其中，影像控制模块用于实现胶囊内镜影像数据的加载，以及将影像数据进行格式标准化处理和初始化管理；影像筛查模块用于对通过深度学习算法模型对胶囊内镜影像数据进行筛查，根据胶囊内镜影像上的形态特征和边缘平滑度特征，判断影像是否为病灶影像或疑似病灶影像，并对病灶种类进行分类；筛查结果处理模块用于执行对影像筛查模块的筛查结果进行查询和处理操作，所述处理操作包括对阳性影像的确认和修改以及对阴性影像的确认；报告编辑模块用于执行编辑报告操作，所述编辑报告操作包括报告影像的导入，病例信息的导入，以及报告文字编辑；报告导出模块用于生成电子报告或打印成纸质报告。

[0025] 具体地，本发明实施例中，影像筛查模块的工作流程图如图2所示，影像筛查模块首先对影像进行二分类筛查，判断影像属于阴性还是阳性，然后对阳性的影像进行多分类细筛以及病灶精准定位，多分类细筛是指，针对阳性的影像，更进一步根据该种病种的特征以及筛查出的病灶数量、定位确定是什么类型的病，比如息肉、溃疡；病灶精准定位是指：得到疑似病灶影像后，对疑似病灶的位点进行记录，待整个影像筛查完成后，根据病灶类型及位点判断该病例归属病种。此外，筛查结果通过人机交互界面显示，医生可通过筛查结果处理模块对筛查结果展开复查或修改。

[0026] 具体地，本实施例提供的一种胶囊内镜影像智能筛查系统，还包括人机交互界面，所述人机交互界面用于显示影像筛查模块的筛查结果，还用于输入筛查命令，以及用于输入筛查结果的处理命令和报告编辑操作命令。如图3～4所示，为本实施例中人机交互界面的示意图，通过图3的界面，可以进行筛查结果的显示，通过图4的界面，还可以进行对影像进行标记。

[0027] 具体地，由于胶囊内镜影像包括小肠镜和胃镜，因此，本实施例中，所述影像筛查模块内的深度学习算法模型包括胶囊小肠镜算法模型和胶囊胃镜算法模型，分别用于对胶囊小肠镜影像和胶囊胃镜影像进行筛查，以得到有病灶及疑似病灶影像。

[0028] 具体地，本实施例中，所述影像筛查模块内的深度学习算法模型所用的网络模型可以为CaffeNet、GoogleNet、VGG Net或ResNet网络，它们在计算机视觉分类、识别等问题上均具有优越的性能；通过迁移学习的方法，把其从大规模图像分类数据集ImageNet上学习到的权重，作为网络权重的初始值，然后在胶囊内镜的图像上微调这些预训练的网络，使其能够胜任胶囊内镜影响分类及识别任务。也就是说，所述深度学习算法模型进行训练的具体方法为：先使用通用的图像分类大数据集IMAGENET上对模型进行预训练，然后利用胶囊内镜训练集数据对训练得到的模型进行微调训练。

[0029] 基于长期实践经验，本发明使用SVM(Support Vector Machine)算法进行有监督学习从而实现分类，依据Child-Pugh改良分级标准将患者的病例分为A、B、C级，从而将数据集分为正常、轻度、中度和重度四类。在实际分类过程中，用同种方法将病例按照不同指标的匹配程度、相似程度进行比对与排序，选出最疑似病灶的位点进行标注。

[0030] 通过选取30名正常病例，约160名异常病例，共计选取标记图像10628张进行测试，其中，训练数据：6540；验证数据：2126；测试数据：1062，比例为7：2：1。算法成果如表1所示，测试阶段，GoogleNet、VGG Net及ResNet的准确率分别为99.8％，99.15％及99.07％，也就是说，随着网络模型不断更新递进，准确率在现有数据上得到稳步提升。

[0031] 表1测试阶段各个网络模型的测试数据

[0032]网络模型名称精度速度模型大小
GoogleNet 99.8％ 9-10fps 51M
VGG Net 99.15％ 13-14fps 527M
ResNet 99.07％ 9-10fps 97M

[0033] 此外，经统计，本发明的分类算法的运算效率约为90张/秒，针对量达6万张的小肠胶囊病例，运算时间约为11分钟；针对数量约3万张的胶囊胃镜病例，运算时间约为5分钟。

[0034] 算法敏感度：

[0035] 经第二军医大学附属长海医院消化内镜中心的临床数据测试，ShineNet(Version 1.1.0)在胶囊内镜智能诊断表现如表2所示。

[0036] 表2各种肠类病症的测试敏感度

[0037] 编号诊断测试图片数量敏感度(真阳性率)1 小肠溃疡 351 96.43％
2 十二指肠球炎小肠淋巴管瘤 303 80％
3 小肠肠腔出血血管畸形 286 75％
4 小肠钩虫 296 71.43％

[0038] 上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域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。

标题	发布/更新时间	阅读量
一种基于序列图像特征的自主无人系统位置识别定位方法	2020-05-12	35
用于没有用户跟踪的个人化的隐私保护cookie	2020-05-15	60
基于匹配卷积神经网络的行人再识别方法	2020-05-11	317
基于句级深度学习语言模型的语义模糊搜索的方法	2020-05-12	862
一种针对程序设计类课程的自动化答疑方法	2020-05-15	971
一种基于内容的垃圾网页检测方法及其检测装置	2020-05-08	39
一种面向学者的用户画像构建及应用方法	2020-05-12	902
基于元语义分解的电力客服留言生成模型样本处理系统及方法	2020-05-13	627
一种基于层次结构的跨模态可变长度哈希检索方法	2020-05-08	125
一种基于强化学习和迁移学习的动态金融知识图谱构建方法	2020-05-11	759

一种胶囊内镜影像智能筛查系统

一种胶囊内镜影像智能筛查系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：