【技术实现步骤摘要】
本专利技术涉及医学图像处理与医疗自动化，具体涉及一种宫腔图像自动病变检测方法、系统。
技术介绍
1、宫腔病变的常用诊断方法包括超声检查、宫腔镜检查、诊断性刮宫、血清学检查及其他检查，医生会根据患者情况选择合适的方法，特殊人群的诊断方法可能不同。但是以上宫腔疾病的诊断主要依赖于医生的肉眼观察结合宫腔镜图像，宫腔镜检查也是“金标准”，这种方法不仅依赖于医生的经验，还存在主观性强、漏诊率高等问题。
2、随着医学影像技术和人工智能的发展，尤其是深度学习在图像识别领域的突破，为宫腔图像的自动病变检测提供了可能。然而依然存在一些不足之处：
3、1、现有系统多基于大型服务器处理，存在实时性差、设备复杂且成本高昂等不足。
4、2、缺乏高效的嵌入式解决方案，难以实现便携与实时检测。
5、3、深度学习算法在资源受限环境下运行效率低，影响检测速度和准确性。
6、4、现有系统对复杂病变的识别能力有限，误报率和漏报率较高。
7、鉴于此，本专利技术提出了一种宫腔图像自动病变检测方法、系统，旨在解决以上问题。
技术实现思路
1、本专利技术的目的在于提供一种宫腔图像自动病变检测方法、系统，该方法和系统是基于图像传感器采集宫腔内图像信息，传入嵌入式图像处理器，并使用npu处理单元，该单元集成深度学习ai检测算法，实时分析宫腔病变组织，准确病变检测。本专利技术的宫腔图像自动病变检测系统，通过集成化的设计、高效的数据处理能力及精准的病变识别能力，显
2、一种宫腔图像自动病变检测方法，包括以下步骤：
3、步骤1：cmos图像传感器采集宫腔内模拟信号，并采用led提供照明；
4、步骤2：通过模数转换芯片将模拟图像信号转换为数字图像信号；
5、步骤3：使用isp处理器对图像信号进行isp图像处理；
6、步骤4：通过图像质量控制模块对图像质量进行评价，动态调整led亮度；
7、步骤5：对处理后的图像使用npu芯片进行图像ai宫腔病变检测；
8、步骤6：实时输出图像并叠加检测结果显示。
9、优选的，步骤1中对从宫腔镜检查及手术中，利用宫腔镜前端的cmos图像传感器采集宫腔内模拟信号，并采用led提供照明。
10、优选的，步骤2中通过模数转换芯片将模拟图像信号转换为数字图像信号。
11、优选的，步骤3中为了获取高质量的宫腔图像信号，使用isp处理器对图像信号进行isp图像处理。
12、优选的，步骤4中通过图像质量控制模块对图像质量进行评价，动态调整led亮度。包括以下步骤：步骤（1）预设亮度平均值范围。其中为亮度最小值，为亮度最大值，为图像质量较高时的阈值区间，并且；预设led亮度调节步长s。
13、步骤（2）计算当前帧图像亮度平均值。
14、步骤（3）根据当前的值计算需要调节led的亮度增量。具体方法为：
15、
16、其中，为led亮度增量；为增量权重，取值在1~10，当在之间时，不做处理；当时，调整led亮度时会叠加增量权重，更快调整到合适的亮度。
17、优选的，步骤5中对处理后的图像使用npu芯片进行图像ai宫腔病变检测，包括以下步骤：步骤（1）:输入特征图（其中h是高度，w是宽度，是输入通道数），将特征图输入深度卷积对每个通道应用一个单独的卷积核。深度卷积的卷积核大小为 k×k，对于第 c 个输入通道，输出特征图的第 c 个通道可以通过以下公式计算：
18、其中，是应用于第 c 个输入通道的 k×k 卷积核，是深度卷积后输出特征图的第 c 个通道在位置 (i,j) 的值。步骤（2）：对步骤（1）深度卷积的输出进行1x1的点卷积操作，以混合通道信息并调整输出通道数。如果输出通道数为，则点卷积的输出特征图可以通过以下公式计算：
19、其中，是的点卷积核，是深度卷积的输出特征图，是点卷积后输出特征图在位置 (i,j)第个通道的值。通过以上两个步骤进行深度卷积，实现了快速和高效的特性提取，在降低参数量的同时提高运算性能。步骤（3）：进行步骤（2）后，将输出特征图进行batchnorm2d操作后，接relu6算子替换原来的leakrelu算子，这种简单的计算逻辑有助于在npu上实现快速计算。步骤（4）：将步骤（3）中输出特征作为输入，进行maxpool2d操作得到，进行maxpool2d操作得到，，进行maxpool2d操作得到，并将特征拼接得到。对输出特征再进行标准卷积conv2d，batchnorm2d和relu6操作。以上是espscn结构的完整结构。
20、优选的，步骤6中根据测试图片计算发每类原型距离，得到宫腔病变图像的类别。
21、一种宫腔图像自动病变检测系统，采用上述检测方法，该检测系统集成了图像采集单元，通过cmos图像传感器和led光源，采集宫腔内图像数据；通过出项处理主机上的模数转换，将图像模拟信号转换为数字信号；通过图像质量控制模块动态调节led亮度；通过ai宫腔病变检测算法，基于yolov5检测网络，提出高效空间金字塔分离卷积网络结构即espscn网络结构，用于替换yolov5结构中的sppf模块；通过npu模块加速，进行实时目标检测分析检测，处理的图像和检测结果，传给显示器进行显示。
22、优选的，espscn网络结构将卷积conv操作改为深度可分离卷积，并将结构中leakyrelu激活函数改为嵌入式设备上常用的激活函数relu6。
23、与最接近的现有技术相比，本专利技术提供的技术方案具有如下有益效果：
24、本专利技术宫腔图像自动病变检测方法通过动态调整led亮度，有助于减少因图像模糊、过曝或过暗等问题，确保图像采集的一致性和准确性，确保图像质量满足检测需求，从而提高病变检测的可靠性；本专利技术宫腔图像自动病变检测系统为宫腔病变检测提供了一种高效、准确的自动化解决方案，通过集成化的设计、高效的数据处理能力及精准的病变识别能力，利用npu芯片进行图像ai处理，可以显著提升检测速度，实现实时检测；有助于提升医疗机构的诊断水平和服务质量；同时，减少了对医生经验的依赖，降低了因人为因素导致的误诊风险。
本文档来自技高网...【技术保护点】
1.一种宫腔图像自动病变检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤1中对从宫腔镜前端CMOS图像传感器采集宫腔内模拟信号，并用LED提供照明。
3.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤2中对采集的模拟图像信号通过采集芯片转换为数字图像信号。
4.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤3中对数字图像信号ISP芯片进行ISP图像处理。
5.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤5中利用NPU芯片进行图像AI宫腔病变检测，为提升检测速度，本检测方法改进yolov5中SPPF模块，提出ESPSCN网络结构，具体包括以下步骤：
6.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤6中处理的图像和检测结果，传给显示器进行显示。
7.一种宫腔图像自动病变检测系统，采用上述检测方法，其特征在于：该检测系统集成了图像采集单元，通过CMOS图
8.根据权利要求7所述的一种宫腔图像自动病变检测系统，其特征在于：所述ESPSCN网络结构将卷积CONV操作改为深度可分离卷积，并将结构中LeakyReLU激活函数改为嵌入式设备上常用的激活函数Relu6。
...【技术特征摘要】
1.一种宫腔图像自动病变检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤1中对从宫腔镜前端cmos图像传感器采集宫腔内模拟信号，并用led提供照明。
3.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤2中对采集的模拟图像信号通过采集芯片转换为数字图像信号。
4.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤3中对数字图像信号isp芯片进行isp图像处理。
5.根据权利要求1所述的一种宫腔图像自动病变检测方法，其特征在于：所述步骤5中利用npu芯片进行图像ai宫腔病变检测，为提升检测速度，本检测方法改进yolov5中sppf模块，提出espscn网络结构，具体包括以下步骤：
6.根据权利要求1所述的一种宫腔图像自动病变检...
【专利技术属性】
技术研发人员：曹黎俊，张云飞，蔡占毅，
申请(专利权)人：江苏济远医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。