[发明专利]一种内窥镜黏膜图像反光区域检测与修复系统

权利要求书

1.一种内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：包括：

数据获取模块(1)，用于：获取内窥镜图像的数据训练集、验证集以及测试图像，所述训练集和验证集包括内窥镜图像及表示每个所述内窥镜图像中对黏膜反光区域的标记图像；

黏膜反光区域检测网络模型模块(3)，用于：在训练阶段，接受训练集和验证集的内窥镜图像、以及所述图像对应的黏膜反光区域的标记图像，通过计算优化得到网络模型的参数；在黏膜反光区域检测阶段，对输入内窥镜图像为反光区域检测模块提供对应的模型参数；所述黏膜图像反光区域检测网络模型模块(3)包括一个输入卷积神经网络单元、1～4个中间卷积神经网络单元、一个输出卷积神经网络单元；所述输入卷积神经网络单元由1个二维卷积层和1个Relu激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致；第一个中间卷积神经网络单元输入为所述输入卷积神经网络单元的输出，后续多个中间卷积神经网络单元依次在第一个中间卷积神经网络单元之后串联，其中每一个中间卷积神经网络单元由1个二维卷积层、1个批量归一化层和1个Relu激活函数层构成，其中二维卷积层的卷积核的大小为3×3，卷积核数量为32～128个，卷积后的输出特征图像与输入的图像大小保持一致；所述输出卷积神经网络单元由1个二维卷积层和1个Sigmoid激活函数层构成，其中二维卷积层为含有偏置，其卷积核的大小为3×3，卷积和数量为1个，卷积后的输出特征图像与输入的图像大小保持一致；

黏膜反光区域检测网络训练模块(2)，用于：利用所述训练集对所述反光区域检测网络模型进行训练，利用所述验证集测试训练后的网络模型得到网络模型的检测精度；更换基本卷积神经网络和网络参数，选取验证精度最高的网络模型作为最终训练完成的黏膜反光区域检测网络模型；所述黏膜反光区域检测网络训练模块(2)包括卷积神经网络选择单元，所述卷积神经网络选择单元根据验证数据的精度结果，选取中间卷积神经网络单元的数量，选取二位卷积神经网络卷积核数量，选取卷积核的具体参数；

黏膜反光区域检测模块(4)，用于：将内窥镜图像通过图像获取模块输入至训练完成的黏膜反光区域检测网络模型，通过该网络模型的参数计算输出黏膜反光区域标记图像，反光区域标记图像中反光区域呈现高亮度，非反光区域呈现低亮度；

黏膜反光区域修复模块(5)，用于：判断内窥镜图像是否存在黏膜反光区域，并对存在黏膜反光区域的内窥镜图像进行修复，去除反光。

2.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测网络训练模块(2)还包括损失函数单元，用于：目标函数网络优化计算，采用如下公式计算

其中，o为内窥镜图像经过网络输出得到的标签图像，o[i]为图像上o其中第i个像素的值，t为针对该内窥镜图像标注的标签图像，t[i]为图像t上第i个像素的值，N为像数个数。

3.根据权利要求2所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测网络训练模块(2)还包括优化函数单元，所述优化函数单元采用随机梯度下降法或Adam方法对黏膜反光区域检测网络模型进行网络优化计算。

4.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域检测模块(4)包括阈值化输出单元，用于将黏膜反光区域检测网络模型输出的图像矩阵进行归一化变换，将矩阵中的每一个像数的数值归一化到0～255的整数，并进一步通过固定阈值的方法变换为二值图像，阈值范围为200～254。

5.根据权利要求1所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域修复模块(5)包括反光判断单元，用于对黏膜反光区域检测模块输出的二值图像进行判断，判断内窥镜图像是否存在黏膜反光区域。

6.根据权利要求5所述的内窥镜黏膜图像反光区域的检测与修复系统，其特征在于：所述黏膜反光区域修复模块(5)还包括黏膜反光区域修复单元，用于对存在黏膜反光区域的内窥镜图像进行修复，去除反光。