一种基于深度学习粪水粪便覆盖面积的波士顿评分模型制造技术

本发明专利技术公开了一种基于深度学习粪水粪便覆盖面积的波士顿评分模型，所述波士顿评分模型的建立，包括如下步骤：a、数据采集及预处理；b、数据标注；c、训练模型；d、测试模型；e、评分模块。本申请能够有效地对肠镜肠道准备情况自动评判，提供波士顿量表存入病人检查信息并提供给医生参考，解决医生评判带入主观意识和耗时耗力的问题，具有更高的可靠性和社会价值。

A Boston scoring model based on deep learning of fecal water fecal coverage

【技术实现步骤摘要】
一种基于深度学习粪水粪便覆盖面积的波士顿评分模型
本专利技术涉及深度学习和智能医疗领域，特别是一种基于深度学习粪水粪便覆盖面积的波士顿评分模型。
技术介绍
结肠镜检查已经成为结直肠癌筛查和预防的标准工具。通过结肠镜检查，医生可以及时发现并切除息肉，预防息肉癌变的发生。随着科学技术的进步，结肠镜检查发现息肉，尤其是微小息肉的能力不断提升。为定量评估消化内镜中心以及肠镜医师利用结肠镜检出腺瘤性息肉的能力，美国消化内镜学会在2006年结肠癌筛查与监测指南中明确提出将腺瘤检出率(adenomadetectionrate，ADR)作为结肠镜质量控制的核心标准。结肠镜检查中发现息肉尤其是腺瘤性息肉的能力有赖于良好的肠道准备作为基础，因此肠道的准备情况被认为是影响ADR的重要因素，是结肠镜检查时必须描述的内容。波士顿量表(BBPS量表)是目前常用的肠道准备质量评估量表之一，该量表只用于评价退镜时的肠道清洁程度，此时冲洗和抽吸操作已经完后，因此更适合结肠镜结局研究。BBPS量表将结肠分为3个区域：右侧结肠(盲肠和升结肠)、横结肠(包括肝曲和脾曲)和左侧结肠(降结肠、乙状结肠和直肠)。采用4分制评分系统：3分(excellent)，全段肠黏膜可见度好，无任何影响观察的杂质存在；2分(good)，少量着色、粪渣或不透明液体，黏膜细节显示清楚；1分(fair)，部分黏膜因少量着色、粪渣或不透明液体的存在而显示不清楚；0分(poor)，局部肠道准备不良，固体粪便大量存留导致肠黏膜不可见。对3个区域分别评分，总分为3个区域分数之和(0-9分)，分数越高代表肠道准备越好。现在BBPS量表的打分主要由肠镜医师在检查退镜过程中通过肠镜设备截取肠道3个区域的图片根据评判标准进行打分，这样做有一定的主观性，其应用多局限于前瞻性研究并需要花费一定的时间和人力。鉴于此，本申请提出一种基于深度学习粪水粪便覆盖面积的波士顿评分模型。
技术实现思路
本专利技术目的在于提供一种基于深度学习粪水粪便覆盖面积的波士顿评分模型。为实现本专利技术的目的，本专利技术提供了一种基于深度学习粪水粪便覆盖面积的波士顿评分模型，其特征在于，所述波士顿评分模型的建立，包括如下步骤：a、数据采集及预处理：采集退镜过程中肠道情况的截图，进行处理后命名，构成数据集；b、数据标注：修改数据集读取的路径，对数据集中每张肠道情况截图中的粪便和粪水用软件框出，保存后自动生成对应的*.xml文件，将图片和*.xml文件制作成voc2007的数据集格式，最后将*.xml文件、图片、voc配置文件所在目录链接到训练配置文件中，供训练和调用；c、训练模型：将准备好的voc2007数据集送入YOLOV3模型中进行训练，得到训练模型；d、测试模型：取新的未训练的肠道情况截图，送入模型进行测试，调用程序将图片路径提供给模型，模型识别出图片中的粪渣或粪水并用矩形框标记出来，若识别的效果达到预期要求则模型合格，否则增大数据集重复步骤a、b、c；e、评分模块：上述模型对肠道情况截图识别后会输出目标的矩形框的长(h)和宽(w)，计算h和w的乘积得到目标的面积，计算目标面积和与图片面积的比值ratio，根据波士顿评分标准，如果未识别到目标，则分数为3分，只识别到粪水，则为2分，识别到粪渣和粪水并且50％<ratio<75％，则为1分，识别到粪渣和粪水并且ratio>75％，则为0分，计算3张截图的分数和即为总分。其中，步骤a中，采集足够的退镜过程中肠道情况的截图，且肠道情况截图来源于专业医生手术过程中截取的标准图像，处理后的图片分辨率640*480,将图片以6位整数按顺序命名。其中，所述*.xml文件中包含图像的尺寸、标记种类、矩形框左上角坐标、矩形框右下角坐标信息。与现有技术相比，本专利技术的有益效果为，本申请能够有效地对肠镜肠道准备情况自动评判，提供波士顿量表存入病人检查信息并提供给医生参考，解决医生评判带入主观意识和耗时耗力的问题，具有更高的可靠性和社会价值。附图说明图1是本专利技术一种基于深度学习粪水粪便覆盖面积的波士顿评分模型训练流程图；图2是本专利技术一种基于深度学习粪水粪便覆盖面积的波士顿评分模型的应用结构图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。应当说明的是，本申请中所述的“连接”和用于表达“连接”的词语，如“相连接”、“相连”等，既包括某一部件与另一部件直接连接，也包括某一部件通过其他部件与另一部件相连接。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个部件或者模块或特征与其他部件或者模块或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了部件或者模块在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的部件或者模块被倒置，则描述为“在其他部件或者模块或构造上方”或“在其他部件或者模块或构造之上”的部件或者模块之后将被定位为“在其他部件或者模块或构造下方”或“在其他部件或者模块或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该部件或者模块也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。如图1所示为本专利技术一种基于深度学习粪水粪便覆盖面积的波士顿评分模型训练流程；其建立包括如下步骤：a、数据采集及预处理：采集足够的退镜过程中肠道情况的截图，肠道情况截图来源于专业医生手术过程中截取的标准图像，处理后的图片分辨率640*480,将图片以6位整数按顺序命名，构成数据集；b、数据标注：打开labelimg软件，修改数据集读取的路径，对数据集中每本文档来自技高网...

【技术保护点】
1.一种基于深度学习粪水粪便覆盖面积的波士顿评分模型，其特征在于，所述波士顿评分模型的建立，包括如下步骤：/na、数据采集及预处理：采集退镜过程中肠道情况的截图，进行处理后命名，构成数据集；/nb、数据标注：修改数据集读取的路径，对数据集中每张肠道情况截图中的粪便和粪水用软件框出，保存后自动生成对应的*.xml文件，将图片和*.xml文件制作成voc2007的数据集格式，最后将*.xml文件、图片、voc配置文件所在目录链接到训练配置文件中，供训练和调用；/nc、训练模型：将准备好的voc2007数据集送入YOLO V3模型中进行训练，得到训练模型；/nd、测试模型：取新的未训练的肠道情况截图，送入模型进行测试，调用程序将图片路径提供给模型，模型识别出图片中的粪渣或粪水并用矩形框标记出来，若识别的效果达到预期要求则模型合格，否则增大数据集重复步骤a、b、c；/ne、评分模块：上述模型对肠道情况截图识别后会输出目标的矩形框的长(h)和宽(w)，计算h和w的乘积得到目标的面积，计算目标面积和与图片面积的比值ratio，根据波士顿评分标准，如果未识别到目标，则分数为3分，只识别到粪水，则为2分，识别到粪渣和粪水并且50％<ratio<75％，则为1分，识别到粪渣和粪水并且ratio>75％，则为0分，计算3张截图的分数和即为总分。/n...

【技术特征摘要】
1.一种基于深度学习粪水粪便覆盖面积的波士顿评分模型，其特征在于，所述波士顿评分模型的建立，包括如下步骤：
a、数据采集及预处理：采集退镜过程中肠道情况的截图，进行处理后命名，构成数据集；
b、数据标注：修改数据集读取的路径，对数据集中每张肠道情况截图中的粪便和粪水用软件框出，保存后自动生成对应的*.xml文件，将图片和*.xml文件制作成voc2007的数据集格式，最后将*.xml文件、图片、voc配置文件所在目录链接到训练配置文件中，供训练和调用；
c、训练模型：将准备好的voc2007数据集送入YOLOV3模型中进行训练，得到训练模型；
d、测试模型：取新的未训练的肠道情况截图，送入模型进行测试，调用程序将图片路径提供给模型，模型识别出图片中的粪渣或粪水并用矩形框标记出来，若识别的效果达到预期要求则模型合格，否则增大数据集重复步骤a、b、c；
e、评分模块：上述模型对肠道情况...

【专利技术属性】
技术研发人员：王玉峰，
申请(专利权)人：天津御锦人工智能医疗科技有限公司，
类型：发明
国别省市：天津;12