[發明專利]一種基于深度學習和圖像增強的NBI圖像處理方法及其應用

有效

• 申請號: 201910375216.9
• 申請日: 2019-05-07
• 公開（公告）號: CN110189303B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 胡珊
• 申請（專利權）人: 武漢楚精靈醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/41;G06T7/90;G16H30/40
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種基于深度學習和圖像增強的NBI圖像處理方法及其應用，利用深度學習算法和圖像增強技術提取NBI圖片的微血管和微結構等特征，將特征化后的圖片呈現給內鏡醫生，克服現有技術瓶頸，利用人工智能使醫生對NBI下早癌給出更為精確的輔助診斷意見。經過本發明方法處理后的圖像，胃早癌圖像中的病灶區域被得到加強，病灶和正常區域的邊界經過高亮處理，變得更加清晰，醫生在診斷時，可以參考處理過的圖像，對該患者是否患有早癌進行輔助判斷，避免因為胃鏡檢查太快或者醫生疲勞操作而導致錯過對病灶的識別。

技術領域

本發明屬于醫療檢測輔助領域，具體涉及一種基于人工智能的早期胃癌輔助診斷方法。

背景技術

胃癌是我國常見的惡性腫瘤之一，發病率居消化系統腫瘤之首。2015年我國胃癌新發病例67.9萬例，死亡病例49.8萬例，約占癌癥總死亡人數的1/5。惡性腫瘤危害人類健康的根本原因是難以早期發現。消化道腫瘤若在早期階段得到診斷，患者5年生存率可高于90％，若進展至中晚期，患者5年生存率僅為5-25％。因此，早期診斷是提高患者生存率的重要策略。

內鏡檢查是發現早期胃癌最常用的有力工具。內鏡下普通白光加活檢是發現早期胃癌的主要手段，具有簡便、直觀等優點，然而，由于早癌病灶的改變通常較為輕微，在白光下無特異性表現，難以與正常粘膜和良性病灶如糜爛、潰瘍等區分，具有較低的敏感性和特異性，容易造成漏診。近年來，隨著一些關鍵技術如濾光片、內鏡下放大技術等日漸成熟，窄帶成像內鏡(narrow band imagine,NBI)和放大內鏡(magnifying endoscopy,ME)迅速發展。放大內鏡可將內鏡下的物像放大數十至上百倍，清晰的顯示消化道粘膜的微血管、腺管開口等細微結構的改變。窄帶成像內鏡是利用濾光器過濾掉內鏡光源所發出的紅藍綠光波中的寬帶光譜，僅留下藍光(400-430nm)和綠光(535-565nm)窄帶光譜，而血紅蛋白在可見光波下強烈吸收415nm和540nm波長的光波，因此可清晰顯示粘膜表層的毛細血管和粘膜表面結構。窄帶成像聯合放大內鏡技術(ME-NBI)可以使內鏡醫師對胃黏膜的表面微血管形態和表面細微結構的觀察更加清晰，使消化道內鏡診斷早期胃癌的準確率大大提升。然而，ME-NBI下早期胃癌的診斷標準十分復雜，且病灶表現形態各異，需要內鏡醫師具有強大的知識儲備和豐富的經驗，才能利用好這一技術實現早癌的診斷。在我國人口基數大、醫療資源短缺的現狀下，ME-NBI診斷的復雜性大大制約了其發現早期胃癌的能力。

近年來科技迅猛發展，人工智能掀起了新一波的技術浪潮。隨著自動駕駛汽車的測試成功、AlphaGo擊敗圍棋世界冠軍，短短幾年時間內，人工智能逐步進入公眾視野。在醫療行業，人工智能的研究主要集中在靜態讀片領域，即機器通過學習大量經過醫生標注的病灶圖片和正常圖片，歸納總結病灶的特征，再主動識別陌生圖片中類似的病灶。較為成功的案例有皮膚癌的分類診斷、肺結節的檢測等。然而這種方法的應用具有一定的局限性，首先要求目標病灶和正常組織、其他病灶之間具有可明確區分的特征，其次要求輸入機器進行學習的圖片分類準確、沒有數據污染。我們前期嘗試使用該方法訓練機器識別早期胃癌的能力，然而，由于早癌病灶特征復雜多變，且和多種良性病灶有相似特征，易出現誤報誤認等錯誤判斷的狀況。

基于此，我們擬發明一種基于人工智能的NBI圖像處理方法，并通過處理后的NBI圖像對早期胃癌進行輔助診斷，該方法利用深度學習算法和圖像增強技術提取NBI圖片的微血管和微結構等特征，將特征化后的圖片呈現給內鏡醫生，克服現有技術瓶頸，利用人工智能使醫生對NBI下早癌給出更為精確的輔助診斷意見。

發明內容

本發明要解決的技術問題是：利用深度學習算法和圖像增強技術提取NBI圖片的微血管和微結構等特征，將特征化后的圖片呈現給內鏡醫生，克服現有技術瓶頸，利用人工智能使醫生對NBI下早癌給出更為精確的輔助診斷意見。

為實現上述目的，本發明采用一種基于深度學習和圖像增強的NBI圖像處理方法，具體包括如下步驟：

步驟S1，收集大量NBI胃早癌或者非癌放大圖像；