[發明專利]復雜環境下的腸鏡影像學檢測系統及設備

在審

• 申請號: 202211730011.6
• 申請日: 2022-12-30
• 公開（公告）號: CN116205853A
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 任毅;孫兵;范學順;吳慧卿;賈小強;單珣;劉彥彤;郭軍;顧永峰;楊東;付東梅;馬樹梅
• 申請（專利權）人: 蘇州火象醫療技術有限公司;上海寶象醫療科技有限公司;上海火象醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0464;G06N3/045;G06N3/094
• 代理公司: 上海鍛創知識產權代理有限公司 31448
• 代理人: 顧繼光

本發明提供了一種復雜環境下的腸鏡影像學檢測系統及設備，其特征在于，包括：步驟S1：建立目標檢測模型；步驟S2：利用數據集對目標檢測模型進行訓練，得到訓練后的目標檢測模型；步驟S3：利用訓練后的目標檢測模型實現復雜環境下的腸鏡影像學檢測；所述目標檢測模型是采用Faster?R?CNN檢測網絡與多功能對抗網絡結合的深度學習對抗網絡策略滿足腸鏡檢測的多功能需求，解決腸鏡檢測中遮擋、氣泡、光線變化等多種復雜問題。

技術領域

本發明涉及目標檢測技術領域，具體地，涉及復雜環境下的腸鏡影像學檢測系統及設備。

背景技術

早期傳統的目標檢測方法非常耗時并且檢測精度不高表現效果差，深度學習的出現有效解決了目標檢測中的一些難點問題。在R-CNN提出來之后，從此目標檢測有了質的飛躍，但是該算法對于一些復雜光照的情況以及目標物形變、模糊和低分辨率圖像的檢測還需要進一步提升。

專利文獻CN108968892B(申請號：201810834804.X)公開了一種腸鏡下盲區監測的系統及方法，主動提示醫師滑鏡的發生，并監督醫師回鏡到位，使腸鏡檢查覆蓋腸腔內全部部位。主要包括如下步驟：首先腸鏡設備進行圖像采集，并將所采集的腸鏡圖像發送至客戶端和服務端，服務端接收腸鏡圖像作為參數，調用卷積神經網絡模型識別滑鏡圖像，調用感知哈希算法判斷是否回鏡成功，并在客戶端進行顯示。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種復雜環境下的腸鏡影像學檢測系統及設備。

根據本發明提供的一種復雜環境下的腸鏡影像學檢測系統，包括：

模塊M1：建立目標檢測模型；

模塊M2：利用數據集對目標檢測模型進行訓練，得到訓練后的目標檢測模型；

模塊M3：利用訓練后的目標檢測模型實現復雜環境下的腸鏡影像學檢測；

所述目標檢測模型是采用Faster?R-CNN檢測網絡與多功能對抗網絡結合的深度學習對抗網絡策略滿足腸鏡檢測的多功能需求，解決腸鏡檢測中遮擋、氣泡、光線變化多種復雜問題。

優選地，所述模塊M1采用：所述目標檢測模型包括Faster?R-CNN檢測網絡以及對抗網絡；

所述對抗網絡包括：對抗遮擋網絡、對抗顏色網絡、對抗光線網絡以及對抗霧化網絡；

所述Faster?R-CNN檢測網絡是基于VOC數據集、特征提取網絡、RPN網絡和Fast?R-CNN檢測網絡實現目標檢測；

所述對抗網絡是基于生成式對抗網絡產生基于前景目標特征圖上的遮擋、顏色、光線或霧化多種異常場景特征；

所述Faster?R-CNN檢測網絡與所述對抗網絡共同競爭共同學習，最終使得目標檢測模型具有更好的魯棒性。

優選地，所述對抗網絡與所述Faster?R-CNN檢測網絡中的Fast?R-CNN檢測網絡共享卷積層和感興趣區域池化層；所述對抗遮擋網絡還包括全連接層。

優選地，所述模塊M2采用：

模塊M2.1：利用數據集對Faster?R-CNN檢測網絡進行預設次數迭代訓練，得到初步識別目標檢測模型；

模塊M2.2：利用初步識別目標檢測模型訓練對抗網絡，包括：對抗遮擋網絡、對抗顏色網絡、對抗光線網絡以及對抗霧化網絡，得到對抗網絡預訓練模型；

模塊M2.3：基于初步識別目標檢測模型和對抗網絡預訓練模型的參數對目標檢測模型進行初始化，再進行聯合訓練，得到訓練后的目標檢測模型。