[发明专利]一种基于深度学习和图像增强的NBI图像处理方法及其应用

说明书

本发明公开了一种基于深度学习和图像增强的NBI图像处理方法及其应用，利用深度学习算法和图像增强技术提取NBI图片的微血管和微结构等特征，将特征化后的图片呈现给内镜医生，克服现有技术瓶颈，利用人工智能使医生对NBI下早癌给出更为精确的辅助诊断意见。经过本发明方法处理后的图像，胃早癌图像中的病灶区域被得到加强，病灶和正常区域的边界经过高亮处理，变得更加清晰，医生在诊断时，可以参考处理过的图像，对该患者是否患有早癌进行辅助判断，避免因为胃镜检查太快或者医生疲劳操作而导致错过对病灶的识别。

技术领域

本发明属于医疗检测辅助领域，具体涉及一种基于人工智能的早期胃癌辅助诊断方法。

背景技术

胃癌是我国常见的恶性肿瘤之一，发病率居消化系统肿瘤之首。2015年我国胃癌新发病例67.9万例，死亡病例49.8万例，约占癌症总死亡人数的1/5。恶性肿瘤危害人类健康的根本原因是难以早期发现。消化道肿瘤若在早期阶段得到诊断，患者5年生存率可高于90％，若进展至中晚期，患者5年生存率仅为5-25％。因此，早期诊断是提高患者生存率的重要策略。

内镜检查是发现早期胃癌最常用的有力工具。内镜下普通白光加活检是发现早期胃癌的主要手段，具有简便、直观等优点，然而，由于早癌病灶的改变通常较为轻微，在白光下无特异性表现，难以与正常粘膜和良性病灶如糜烂、溃疡等区分，具有较低的敏感性和特异性，容易造成漏诊。近年来，随着一些关键技术如滤光片、内镜下放大技术等日渐成熟，窄带成像内镜(narrow band imagine,NBI)和放大内镜(magnifying endoscopy,ME)迅速发展。放大内镜可将内镜下的物像放大数十至上百倍，清晰的显示消化道粘膜的微血管、腺管开口等细微结构的改变。窄带成像内镜是利用滤光器过滤掉内镜光源所发出的红蓝绿光波中的宽带光谱，仅留下蓝光(400-430nm)和绿光(535-565nm)窄带光谱，而血红蛋白在可见光波下强烈吸收415nm和540nm波长的光波，因此可清晰显示粘膜表层的毛细血管和粘膜表面结构。窄带成像联合放大内镜技术(ME-NBI)可以使内镜医师对胃黏膜的表面微血管形态和表面细微结构的观察更加清晰，使消化道内镜诊断早期胃癌的准确率大大提升。然而，ME-NBI下早期胃癌的诊断标准十分复杂，且病灶表现形态各异，需要内镜医师具有强大的知识储备和丰富的经验，才能利用好这一技术实现早癌的诊断。在我国人口基数大、医疗资源短缺的现状下，ME-NBI诊断的复杂性大大制约了其发现早期胃癌的能力。

近年来科技迅猛发展，人工智能掀起了新一波的技术浪潮。随着自动驾驶汽车的测试成功、AlphaGo击败围棋世界冠军，短短几年时间内，人工智能逐步进入公众视野。在医疗行业，人工智能的研究主要集中在静态读片领域，即机器通过学习大量经过医生标注的病灶图片和正常图片，归纳总结病灶的特征，再主动识别陌生图片中类似的病灶。较为成功的案例有皮肤癌的分类诊断、肺结节的检测等。然而这种方法的应用具有一定的局限性，首先要求目标病灶和正常组织、其他病灶之间具有可明确区分的特征，其次要求输入机器进行学习的图片分类准确、没有数据污染。我们前期尝试使用该方法训练机器识别早期胃癌的能力，然而，由于早癌病灶特征复杂多变，且和多种良性病灶有相似特征，易出现误报误认等错误判断的状况。

基于此，我们拟发明一种基于人工智能的NBI图像处理方法，并通过处理后的NBI图像对早期胃癌进行辅助诊断，该方法利用深度学习算法和图像增强技术提取NBI图片的微血管和微结构等特征，将特征化后的图片呈现给内镜医生，克服现有技术瓶颈，利用人工智能使医生对NBI下早癌给出更为精确的辅助诊断意见。

发明内容

本发明要解决的技术问题是：利用深度学习算法和图像增强技术提取NBI图片的微血管和微结构等特征，将特征化后的图片呈现给内镜医生，克服现有技术瓶颈，利用人工智能使医生对NBI下早癌给出更为精确的辅助诊断意见。

为实现上述目的，本发明采用一种基于深度学习和图像增强的NBI图像处理方法，具体包括如下步骤：

步骤S1，收集大量NBI胃早癌或者非癌放大图像；