[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的常見結(jié)腸部疾病分類方法及輔助系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110237440.9
• 申請日: 2021-03-04
• 公開（公告）號: CN112598086A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設(shè)計）人: 章毅;胡兵;吳雨;劉偉;周堯;龐博;袁湘蕾;甘雨
• 申請（專利權(quán)）人: 四川大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H50/20
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 謝建

本發(fā)明涉及計算機視覺的圖像識別領(lǐng)域以及人工智能領(lǐng)域，提出一種基于深度神經(jīng)網(wǎng)絡(luò)的常見結(jié)腸部疾病分類方法及輔助系統(tǒng)，輔助系統(tǒng)包括模型訓(xùn)練模塊和輔助診斷模塊；方法包括：獲得多分類數(shù)據(jù)集及二分類數(shù)據(jù)集；基于二分類數(shù)據(jù)集訓(xùn)練得到正常?異常深度神經(jīng)網(wǎng)絡(luò)分類模型；基于多分類數(shù)據(jù)集訓(xùn)練得到病變類型深度神經(jīng)網(wǎng)絡(luò)分類模型；將兩個模型進行融合，得到結(jié)腸鏡圖像的深度神經(jīng)網(wǎng)絡(luò)疾病分類模型，在該模型中，測試集中的圖像將首先被輸入正常?異常深度神經(jīng)網(wǎng)絡(luò)分類模型中，若被判定為正常的圖像則直接輸出判定結(jié)果，若被判定為異常的圖像，則被輸入到病變類型深度神經(jīng)網(wǎng)絡(luò)分類模型中，進一步確定病變類型后將判定結(jié)果輸出。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺的圖像識別領(lǐng)域以及人工智能領(lǐng)域，具體涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的常見結(jié)腸部疾病分類方法及輔助系統(tǒng)。

背景技術(shù)

結(jié)腸癌是常見的消化道惡性腫瘤，其發(fā)病率高居胃腸腫瘤的第三位。在臨床表現(xiàn)上，結(jié)腸癌早期通常沒有任何癥狀，直到中晚期才會出現(xiàn)病癥。結(jié)腸鏡檢查是發(fā)現(xiàn)結(jié)腸癌最直觀、有效的方式。結(jié)腸部位的病變除了惡性腫瘤病變外，還存在炎癥、息肉等多種類型，大多數(shù)結(jié)腸癌正是由息肉演變而成。因此在腸鏡檢查過程中，及時、準確地發(fā)現(xiàn)腸道病變并對其進行正確分類，將對病人的病情評估及后續(xù)治療方案的及時制定產(chǎn)生重要影響。

目前醫(yī)院中對結(jié)腸鏡的人工檢查方法仍存在很多缺陷，如：病變部位及類型的判斷完全取決于醫(yī)生的操作水平、知識水平和臨床經(jīng)驗，主觀影響因素較大；同時結(jié)腸鏡的檢查耗時耗力，通常一個病患需要半個小時，復(fù)雜的案例需要長達一個小時，長時間的重復(fù)工作對醫(yī)生的操作的耐心、仔細程度都有很高的要求。這些因素都導(dǎo)致了檢查過程中漏檢率和誤檢率較高。

近年來隨著人工智能技術(shù)的飛速發(fā)展，其在圖像識別領(lǐng)域的技術(shù)改進和實際應(yīng)用上取得了突破性的成功，因此通過深度學(xué)習(xí)方法來輔助醫(yī)生對結(jié)腸鏡中的圖像數(shù)據(jù)進行分析和判斷，能有效提高結(jié)腸道病變檢出率。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于深度神經(jīng)網(wǎng)絡(luò)的常見結(jié)腸部疾病分類方法及輔助系統(tǒng)，該方法能自動對結(jié)腸鏡圖像先進行正常-異常分類，并進一步對異常的圖像進行其他病種分類；該方法并集成進智能輔診系統(tǒng)，旨能幫助醫(yī)生快速完成結(jié)腸圖像的診斷并自動生成診斷報告。

本發(fā)明解決其技術(shù)問題，采用的技術(shù)方案是：

本發(fā)明首先提出一種基于深度神經(jīng)網(wǎng)絡(luò)的常見結(jié)腸部疾病分類方法，包括如下步驟：

步驟1.獲取結(jié)腸鏡圖像數(shù)據(jù)，并針對數(shù)據(jù)樣本標注圖像中所含病變的名稱，若圖像中沒有病變，則標注為正常；

步驟2.將相同標簽的數(shù)據(jù)樣本劃分為一個數(shù)據(jù)集，并將每個數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，其中訓(xùn)練集和驗證集分別用于模型訓(xùn)練和保存模型參數(shù)，測試集用于驗證最終的模型效果；

步驟3.將各類病變的訓(xùn)練集、驗證集和測試集分別合并，獲得一個多分類數(shù)據(jù)集；

步驟4.將所述多分類數(shù)據(jù)集的標簽設(shè)為異常，將異常和正常的訓(xùn)練集、驗證集和測試集分別合并，得到一個二分類數(shù)據(jù)集；

步驟5.基于所述二分類數(shù)據(jù)集訓(xùn)練得到一個針對結(jié)腸鏡圖像的正常-異常深度神經(jīng)網(wǎng)絡(luò)分類模型；

步驟6.基于所述多分類數(shù)據(jù)集訓(xùn)練得到一個針對結(jié)腸鏡圖像的病變類型深度神經(jīng)網(wǎng)絡(luò)分類模型；

步驟7.將正常-異常深度神經(jīng)網(wǎng)絡(luò)分類模型和病變類型深度神經(jīng)網(wǎng)絡(luò)分類模型進行融合，得到一個結(jié)腸鏡圖像的深度神經(jīng)網(wǎng)絡(luò)疾病分類模型，在所述結(jié)腸鏡圖像的深度神經(jīng)網(wǎng)絡(luò)疾病分類模型中，測試集中的圖像將首先被輸入正常-異常深度神經(jīng)網(wǎng)絡(luò)分類模型中，若被判定為正常的圖像則直接輸出判定結(jié)果，若被判定為異常的圖像，則被輸入到病變類型深度神經(jīng)網(wǎng)絡(luò)分類模型中，進一步確定病變類型后將判定結(jié)果輸出。

進一步的是，所述病變的類型包括癌、息肉和炎癥。