[发明专利]胃镜图像智能目标检测方法、系统、电子设备及存储介质

说明书

本发明公开了一种胃镜图像智能目标检测方法、系统、电子设备及存储介质。获取获取同一患者的相同部位的待检测的胃镜白光图像、蓝激光成像图像和联动成像模式图像，然后对上述三种图像进行目标区域的分割，接着分别将其输入至相应的识别模型进行病灶类型的识别，最后根据三种识别模型的结果获取胃镜图像中目标的病灶类型及概率。本发明采用不同的成像模式的图像来识别胃镜图像中的目标，能够克服现有技术中单独采用其中一种图像来识别目标的准确度不高的问题；且对于三种不同成像模式的图像能够根据图像的特点采用适合的目标识别模型，最后根据三种模型的输出结果及其自身特点来得到目标的病灶类型和概率，提高了目标识别的准确度和精度。

技术领域

本发明涉及目标检测技术领域，特别是涉及一种胃镜图像智能目标检测系统及方法、系统、电子设备及存储介质。

背景技术

目前，胃镜是诊断胃部疾病的重要手段，具体可以根据胃镜采集的胃粘膜上皮图像，判断当前患者是否患有胃癌或胃溃疡等疾病。

随着人工智能技术的发展，越来越多的医疗辅助技术与人工智能相结合，例如对医疗图像进行图像处理，然后利用深度学习对处理后的图像进行特征提取，然后输入到训练好的模型进行目标识别。人工智能技术可以降低以往人工对可能含病灶图像进行筛查识别的工作量，以及提高检测结果的准确率。

目前，胃镜图像数据集主要包括内镜中三种模式影像：白光图像、蓝激光成像技术(blue laser imaging，BLI)图像和内镜下联动成像模式(linked color imaging，LCI)图像。而目前的基于胃镜图像进行深度学习目标识别的方法通常是利用胃镜的白光图像进行一系列预处理，并输入至训练好的模型来识别病灶点的位置以及区域，以给医生提供辅助。但是由于蓝激光成像和LCI图像有着其独特的特点，可以放大一些细微差别，能更好的识别出病灶。且现有的目标识别技术目标区域的选取不够精确，且现有的识别算法例如YOLO，Fast-RCNN的检测准确率不高。基于上述问题，提供一种改进的胃镜图像的识别方法，来提高识别的准确率。

发明内容

本发明提供一种胃镜图像智能目标检测方法、系统、电子设备及存储介质，以解决现有技术检测准确率低等缺陷。

为实现上述目的，本发明提供了如下方案：

一种胃镜图像智能目标检测方法：

获取同一患者的相同部位的待检测的胃镜白光图像、蓝激光成像图像和联动成像模式图像，其中，保持三种图像拍摄的角度相同；

利用精确的网格划分方法来分割出上述三种图像的目标区域；

将白光图像相应的目标区域图像输入至第一识别模型，得到第一目标位置、第一病灶类型、第一病灶概率；

将蓝激光成像图像相应的目标区域图像输入至第二识别模型，得到第二目标位置、第二病灶类型、第二病灶概率；

将联动成像模式图像相应的目标区域图像输入至第三识别模型，得到第三目标位置、第三病灶类型、第三病灶概率；

将得到目标位置的三种图像经处理调整到视角、位置相对一致，对比三张图像中的目标位置，取第一至第三目标位置的交集为最终的目标位置，若第一、二、三病灶类型相同，则确定最终的目标病灶类型为第一或第二或第三类型，且其概率为第一、二、三的病灶概率的加权和；

若第一病灶类型与第二、第三病灶类型不相同，且第二、第三病灶类型相同，则确定最终的目标病灶类型为第三病灶类型，且其概率为第二、三的病灶概率的加权和；

若第一病灶类型与第二病灶类型相同、与第三病灶类型不相同，则分别计算第一概率与第二概率的加权和M，将M与第三病灶概率相比，取概率值较大的概率对应的病灶类型为最终的目标病灶类型；