[發明專利]一種消化道解剖位置識別方法及裝置

無效

• 申請號: 201711027594.5
• 申請日: 2017-10-27
• 公開（公告）號: CN107886503A
• 公開（公告）日: 2018-04-06
• 發明（設計）人: 白家蓮;袁建;陳洪瀚
• 申請（專利權）人: 重慶金山醫療器械有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

技術領域

本發明涉及醫療器械技術領域，更具體地說，涉及一種消化道解剖位置識別方法及裝置。

背景技術

膠囊內鏡用于在人體消化道內移動的同時拍攝人體消化道內壁的圖像或視頻，并通過無線方式傳至外部的信號接收裝置，與傳統醫用內窺鏡相比，膠囊內鏡具有操作簡單、無創傷、無痛苦、無交叉感染、不影響患者正常工作等優點，尤其對小腸疾病檢查具有很高的醫用診斷價值。

膠囊內鏡采集到的大量消化道圖片，數據量巨大，消化道解剖位置的自動識別，可以為醫生閱片及對膠囊的定位起到積極作用。目前消化道解剖位置的識別方法大都是通過醫護人員依賴膠囊傳回的圖像數據對膠囊所處的位置進行大致識別，容易受醫護人員的主觀因素影響，無法實現膠囊在體內的精確定位。

綜上所述，如何提供一種能夠實現膠囊在體內的精確定位的技術方案，是目前本領域技術人員亟待解決的問題。

發明內容

本發明的目的是提供一種消化道解剖位置識別方法及裝置，能夠實現膠囊在體內的精確定位。

為了實現上述目的，本發明提供如下技術方案：

一種消化道解剖位置識別方法，包括：

獲取訓練集和測試集，所述訓練集及所述測試集中包含消化道解剖圖片及表示每個所述消化道解剖圖片對應消化道解剖位置的標記；

選取基于深度學習框架的深度網絡模型作為當前深度網絡模型，利用所述訓練集對當前深度網絡模型進行訓練，利用所述測試集測試訓練后的當前深度網絡模型得到當前深度網絡模型的識別精度數據，判斷該識別精度數據是否符合預設精度要求，若是，則確定訓練后的當前深度網絡模型為完成訓練的深度網絡模型，若否，則確定對訓練后的當前深度網絡模型進行調整后得到的深度網絡模型為當前深度網絡模型，返回執行所述利用所述訓練集對當前深度網絡模型進行訓練的步驟；

將膠囊內鏡采集的消化道解剖圖片輸入至訓練完成的深度網絡模型，得到深度網絡模型輸出的該消化道解剖圖片對應的消化道解剖位置。

優選的，獲取所述訓練集及所述測試集之后，還包括：

確定所述訓練集及所述測試集中對應消化道解剖位置為未知的消化道解剖圖片為未知類圖片，并利用感知哈希算法排除所述未知類圖片中相似度大于預設閾值的圖片。

優選的，利用感知哈希算法排除所述未知類圖片中相似度大于預設閾值的圖片之后，還包括：

對所述訓練集及所述測試集中包含的消化道解剖圖片進行預設角度旋轉處理和圖像增強處理。

優選的，利用所述訓練集對當前深度網絡模型進行訓練，包括：

在GPU上利用所述訓練集對當前深度網絡模型進行訓練。

優選的，選取基于深度學習框架的深度網絡模型作為當前深度網絡模型，包括：

選取基于深度學習框架的Alexnet網絡模型作為當前深度網絡模型。

優選的，確定對訓練后的當前深度網絡模型進行調整后得到的深度網絡模型為當前深度網絡模型，包括：

確定對訓練后的當前深度網絡模型做調整后得到的深度網絡模型為當前深度網絡模型，所述調整包含對當前深度網絡模型的網絡超參數和層數的調整。

優選的，利用所述訓練集對當前深度網絡模型進行訓練，包括：

將所述訓練集中包含的消化道解剖圖片組合成多個子訓練集，其中每個子訓練集包含的消化道解剖圖片不完全相同；利用所述多個子訓練集分別訓練當前深度網絡模型得到對應的多個深度網絡模型，并利用所述測試集分別對該多個深度網絡模型進行測試得到對應深度網絡模型的識別精度數據，選取對應識別精度數據表明識別精度最高的深度網絡模型為利用所述訓練集對當前深度網絡模型進行訓練后的當前深度網絡模型。

優選的，利用所述測試集測試當前深度網絡模型得到當前深度網絡模型的識別精度數據，包括：

利用所述測試集測試當前深度網絡模型，并基于測試所得結果按照下列公式計算該深度網絡模型的識別精度數據中包括的識別正確率及陽性預測率：

識別正確率＝測試集中自動識別出的正確的某消化道解剖位置的消化道解剖圖片的數量/測試集中對應消化道解剖位置的消化道解剖圖片的總數量*100％；

陽性預測率＝測試集中自動識別出的正確的某消化道解剖位置的消化道解剖圖片的數量/測試集中自動識別出的對應消化道解剖位置的消化道解剖圖片的總數量*100％。

優選的，將膠囊內鏡采集的消化道解剖圖片輸入至訓練完成的深度網絡模型，得到深度網絡模型輸出的該消化道解剖圖片對應的消化道解剖位置，包括：