一种手持硬质内窥镜智能辅助诊断方法技术

本发明专利技术公开了一种手持硬质内窥镜智能辅助诊断方法，包括如下步骤：S1)采集影像数据、构建训练样本集，包含影像数据预处理、病灶图像提取与病灶区域手工勾画；S2)生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型；S3)手持硬质内窥镜智能辅助诊断，在内窥镜检查过程中，辅助诊断实时同步进行，包含以下步骤：A1)病灶实时检测与识别；A2)病变类型实时判断；A3)病灶边缘实时自动勾画。本发明专利技术通过训练学习生成了病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型。因此，本发明专利技术有利于改善手持硬质内窥镜检查的效果与效率。

An intelligent diagnosis method of hand held rigid endoscope

【技术实现步骤摘要】
一种手持硬质内窥镜智能辅助诊断方法
本专利技术涉及内窥镜智能辅助诊断
，尤其涉及一种手持硬质内窥镜智能辅助诊断方法。
技术介绍
内窥镜是一种广泛应用于外科手术和常规医疗检查的医疗器械，用于观察病人的病灶特征以便于医生得出最佳的治疗方案。手持硬质内窥镜能够有效克服现有设备复杂、使用不方便等缺点。而针对手持硬质内窥镜进行智能模型的训练和学习，用于辅助诊断，将显著改善内窥镜检查的效果与效率。
技术实现思路
针对现有技术的上述缺陷，本专利技术提供一种手持硬质内窥镜智能辅助诊断方法，通过手持硬质内窥镜智能辅助诊断方法有利于改善手持硬质内窥镜检查的效果与效率。为了解决上述技术问题，本专利技术提供了如下的技术方案：本专利技术提供一种手持硬质内窥镜智能辅助诊断方法，包括如下步骤：S1)采集影像数据、构建训练样本集，包含影像数据预处理、病灶图像提取与病灶区域手工勾画；S2)生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型；S3)手持硬质内窥镜智能辅助诊断，在内窥镜检查过程中，辅助诊断实时同步进行，包含以下步骤：A1)病灶实时检测与识别；A2)病变类型实时判断；A3)病灶边缘实时自动勾画。作为本专利技术的一种优选技术方案，在步骤S1)中影像数据采集与训练样本集的构建包含影像数据预处理、病灶图像提取与病灶区手工勾画，其中：影像数据预处理使用鲁棒主成分分析方法对手持硬质内窥镜所采集的影像视频数据分解成一组单帧图像进行去噪；病灶图像提取与病灶区域手工勾画将包含病灶的单帧图像提取出来，并由医生对病灶边缘进行手工勾画；所构建的训练样本集包含3个，病灶识别样本集输入为采集到影像视频数据所分解出的所有单帧图像，病变类型判断样本集输入为提取出的包含病灶的所有单帧图像，输出为其对应的病变类型，病灶自动勾画样本集输入为提取出的包含病灶的所有单帧图像，输出为经过手工勾画后包含病灶边缘的所有单帧图像。作为本专利技术的一种优选技术方案，在步骤S2)中生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型、病变辅助诊断深度学习模型、病灶自动勾画深度学习模型，其中：病灶识别深度学习模型，利用病灶识别样本集进行训练，使用在ImageNet上训练的CNN分类网络作为预训练网络，进行有无病灶的二分类判别；病变辅助诊断深度学习模型，利用病变类型判断样本集进行训练，使用在ImageNet上训练的CNN分类网络作为预训练网络，进行病变类型多分类判别；病灶自动勾画深度学习模型，利用病灶自动勾画样本集进行训练，在病变辅助诊断深度学习模型基础上，构造其对称网络，通过训练微调完成病灶区域的语义分割，从而自动勾画出病灶边缘。本专利技术一种手持硬质内窥镜智能辅助诊断方法具有以下优点：手持硬质内窥镜智能辅助诊断方法生成智能辅助诊断深度学习模型，通过训练学习生成了病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型。因此，本专利技术的手持硬质内窥镜智能辅助诊断方法有利于改善手持硬质内窥镜检查的效果与效率。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术手持硬质内窥镜智能辅助诊断方法优选实施例的流程图。具体实施方式以下对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。实施例实施例如图1所示，本专利技术一种手持硬质内窥镜智能辅助诊断方法，包括如下步骤：S1)采集影像数据、构建训练样本集，包含影像数据预处理、病灶图像提取与病灶区域手工勾画；S2)生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型；S3)手持硬质内窥镜智能辅助诊断，在内窥镜检查过程中，辅助诊断实时同步进行，包含以下步骤：A1)病灶实时检测与识别；A2)病变类型实时判断；A3)病灶边缘实时自动勾画。进一步的，在步骤S1)中影像数据采集与训练样本集的构建包含影像数据预处理、病灶图像提取与病灶区手工勾画，其中：影像数据预处理使用鲁棒主成分分析方法对手持硬质内窥镜所采集的影像视频数据分解成一组单帧图像进行去噪；病灶图像提取与病灶区域手工勾画将包含病灶的单帧图像提取出来，并由医生对病灶边缘进行手工勾画；所构建的训练样本集包含3个，病灶识别样本集输入为采集到影像视频数据所分解出的所有单帧图像，病变类型判断样本集输入为提取出的包含病灶的所有单帧图像，输出为其对应的病变类型，病灶自动勾画样本集输入为提取出的包含病灶的所有单帧图像，输出为经过手工勾画后包含病灶边缘的所有单帧图像。进一步的，在步骤S2)中生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型、病变辅助诊断深度学习模型、病灶自动勾画深度学习模型，其中：病灶识别深度学习模型，利用病灶识别样本集进行训练，使用在ImageNet上训练的CNN分类网络作为预训练网络，进行有无病灶的二分类判别；病变辅助诊断深度学习模型，利用病变类型判断样本集进行训练，使用在ImageNet上训练的CNN分类网络作为预训练网络，进行病变类型多分类判别；病灶自动勾画深度学习模型，利用病灶自动勾画样本集进行训练，在病变辅助诊断深度学习模型基础上，构造其对称网络，通过训练微调完成病灶区域的语义分割，从而自动勾画出病灶边缘。本专利技术一种手持硬质内窥镜智能辅助诊断方法生成智能辅助诊断深度学习模型，通过训练学习生成了病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型。因此，本专利技术的手持硬质内窥镜智能辅助诊断方法有利于改善手持硬质内窥镜检查的效果与效率。最后应说明的是：以上所述仅为本专利技术的优选实施例而已，并不用于限制本专利技术，尽管参照前述实施例对本专利技术进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种手持硬质内窥镜智能辅助诊断方法，其特征在于，包括如下步骤：/nS1)采集影像数据、构建训练样本集，包含影像数据预处理、病灶图像提取与病灶区域手工勾画；/nS2)生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型；/nS3)手持硬质内窥镜智能辅助诊断，在内窥镜检查过程中，辅助诊断实时同步进行，包含以下步骤：/nA1)病灶实时检测与识别；/nA2)病变类型实时判断；/nA3)病灶边缘实时自动勾画。/n

【技术特征摘要】
1.一种手持硬质内窥镜智能辅助诊断方法，其特征在于，包括如下步骤：
S1)采集影像数据、构建训练样本集，包含影像数据预处理、病灶图像提取与病灶区域手工勾画；
S2)生成智能辅助诊断深度学习模型，其包含病灶识别深度学习模型，病变辅助诊断深度学习模型，病灶自动勾画深度学习模型；
S3)手持硬质内窥镜智能辅助诊断，在内窥镜检查过程中，辅助诊断实时同步进行，包含以下步骤：
A1)病灶实时检测与识别；
A2)病变类型实时判断；
A3)病灶边缘实时自动勾画。


2.根据权利要求1所述的一种手持硬质内窥镜智能辅助诊断方法，其特征在于，在步骤S1)中影像数据采集与训练样本集的构建包含影像数据预处理、病灶图像提取与病灶区手工勾画，其中：
影像数据预处理使用鲁棒主成分分析方法对手持硬质内窥镜所采集的影像视频数据分解成一组单帧图像进行去噪；
病灶图像提取与病灶区域手工勾画将包含病灶的单帧图像提取出来，并由医生对病灶边缘进行手工勾画；
所构建的训练样本集包含3个，病灶识别...

【专利技术属性】
技术研发人员：宋言峥，成妃，
申请(专利权)人：上海梵焜医疗器械有限公司，
类型：发明
国别省市：上海;31