[发明专利]一种消化内镜图像异常特征实时标记系统及方法

说明书

本发明公开了一种消化内镜图像异常特征实时标记系统及方法，该系统包括图像获取模块、图像预处理模块、模型训练模块、异常检测模块与标记显示模块；模型训练模块包括图像数据集、分类模型训练单元和检测模型训练单元，利用深度学习CNN分类模型获取可疑胃部癌前疾病分类信息，利用深度学习CNN基于回归方法的目标检测模型快速准确获取病灶位置。利用本发明，有助于对消化内镜下胃部异常特征进行有效的分类和检测，能够减少基于医生长时间、主观诊断的漏诊率，并支持医生在实施内窥镜检查时实时分析、实时显示内窥镜下可疑病灶，降低医生工作负担，提高医疗诊断工作的效率。

技术领域

本发明属于医疗数据挖掘领域，特别是涉及一种消化内镜图像异常特征实时标记系统及方法。

背景技术

我国胃癌每年新发胃癌40.5万例、死亡32.5万例，分别占全球总量的42.6％和45.0％，降低我国胃癌发病率与死亡率是亟待解决的公共卫生问题。临床研究表明，胃癌的预后与治疗效果密切相关。对于患有进展期胃癌(advanced gastric cancer,AGC)的病人，即使接受以外科手术为主的胃癌切除手术，病人术后五年存活率仍低于30％，且病人术后生活质量低下，给家庭与社会带来极大的负担。如果患者在胃癌早期及时接受内镜检查与治疗，其五年存活率高达90％，甚至可以在内镜下对早期胃癌(early gastric cancer,EGC)进行根治性治疗。因此，早发现、早诊断、早治疗EGC，对降低胃癌发病率与死亡率，节约医疗资源具有重要意义。

胃的癌前疾病是指胃部的良性疾病，是引发胃癌的主要危险因素，其包括慢性萎缩性胃炎、胃息肉、胃溃疡、残胃以及疣状胃炎等。作为主要的胃癌前病变萎缩性胃炎，其癌变率为8.6～13.8％，我国为1.2～7.1％。已有的研究结果表明对胃癌前病变进行定期监测，可使早期胃癌的检出率超过50％。而胃溃疡有1-2％的癌变率。因此对有胃癌风险的癌前疾病患者应早期进行方便经济有效的监测，从而进行干预，减少胃癌的发生。

目前，胃癌前病变癌变的监测主要使用普通光学内镜活检技术。在内窥镜检查中，内镜视野狭小的问题常常给医生带来不便：如由于视野的限制，医生在检查中必须反复地在目标器官内壁表面移动镜头来确保所有的病灶均被发现以免带来漏诊。因此，发展一种可靠、快速辅助医生进行内窥镜检查尤其的面对大数据量的基于消化内窥镜图像的异常特征实时标记系统非常必要，该系统可用于辅助医生进行早期癌变筛查。

深度学习是机器学习中一种基于对数据进行表征学习的方法，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习前馈人工神经网络，被广泛应用于图像分类、分割和目标检测。CNN被广泛用于图片的特征提取和分类检测，尤其是基于候选区域的目标检测CNN，其识别精度一直在不断提高，但是由于要求上百万的模型训练参数，时间性能较低，难以满足在胃镜视频场景下实时检测胃镜图像的需求。

发明内容

本发明提供一种消化内镜图像异常特征实时标记系统及方法。对消化内镜下胃部癌前疾病进行有效的分类和检测，能够减少基于医生长时间、主观诊断的漏诊率，并支持医生在实施内窥镜检查时实时分析、实时显示内窥镜下可疑病灶，降低医生工作负担，提高医疗诊断工作的效率。

一种消化内镜图像异常特征实时标记系统，包括计算机系统，所述计算机系统包含：

图像获取模块，通过内窥镜图像系统实时获取输入的胃部常规白光内窥镜视频流，剔除其中无效帧，筛选有效关键帧；

图像预处理模块，用于对筛选出的关键帧进行图像增强处理；

模型训练模块，用于对早期胃部癌前疾病内窥镜图和病灶位置信息进行模型训练，得到检测模型；

异常检测模块，用于将经过图像预处理的图像序列输入到训练完成的检测模型之中，得到胃部癌前疾病分类信息和病灶定位信息；