本发明涉及计算机医疗技术领域，尤其涉及一种基于深度学习的胃镜图像识别方法、装置、终端设备及计算机可读存储介质。
背景技术：
在现在的现有技术中，医生通过胃镜获取的胃镜图像，对于通过胃镜图像对病人病情的初步诊断，传统方法仍然需要医生一张一张看，通过医生的观察初步判断病人的病情，一方面效率比较低，另一方面根据胃镜图片的诊断医生有时候也不能准确的判断病情。
技术实现要素：
针对上述问题，本发明的目的在于提供一种基于深度学习的胃镜图像识别方法、装置、终端设备及计算机可读存储介质，实现专业的诊断结果，快速的诊断效率，从而提高基层医疗技术。
第一方面，本发明实施例提供了一种基于深度学习的胃镜图像识别方法，包括以下步骤：
对获取的胃镜图像进行预处理；
根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别；
根据所述胃镜识别模型的识别结果生成辅助诊疗报告。
在第一方面的第一种实现方式中，还包括：
通过卷积神经网络算法构建所述胃镜识别模型。
在第一方面的第二种实现方式中，所述类型属性包括胃癌，胃溃疡及胃正常。
在第一方面的第三种实现方式中，还包括：
获取客户端上传的胃镜图像。
第二方面，本发明实施例提供了一种基于深度学习的胃镜图像识别装置，包括：
预处理单元，用于对获取的胃镜图像进行预处理；
识别单元，用于根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别；
结果输出单元，用于根据所述胃镜识别模型的识别结果生成辅助诊疗报告。
在第一方面的第一种实现方式中，通过卷积神经网络算法构建所述胃镜识别模型。
在第一方面的第二种实现方式中，所述类型属性包括胃癌，胃溃疡及胃正常。
在第一方面的第三种实现方式中，还包括：
图像获取单元，用于获取客户端上传的胃镜图像。
第三方面，本发明实施例提供了一种基于深度学习的胃镜图像识别终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的基于深度学习的胃镜图像识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于深度学习的胃镜图像识别方法。
本发明实施例提供了一种基于深度学习的胃镜图像识别方法、装置、终端设备及计算机可读存储介质，其一个实施例具有如下有益效果：
首先对获取的胃镜图像进行预处理，然后根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别，最后根据所述胃镜识别模型的识别结果生成诊疗报告，实现专业的诊断结果、快速的诊断效率及便捷的应用方式，从而提高基层医疗技术，提升消化内镜医师的同质化水平，提高消化道早癌的检出率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的基于深度学习的胃镜图像识别方法的流程示意图。
图2是本发明第三实施例提供的基于深度学习的胃镜图像识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种基于深度学习的胃镜图像识别方法，其可由终端设备来执行，并包括以下步骤：
S11，对获取的胃镜图像进行预处理。
在本发明实施例中，所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
在本发明实施例中，数据的预处理是指对所收集数据进行分类或分组前所做的审核、筛选、归一化等必要的处理，所述终端设备对获取的胃镜图像进行预处理，以达到增强数据的目的。
S12，根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别。
在本发明实施例中，所述终端设备获取预处理后的胃镜图像，然后根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别，所述类型属性包括胃癌，胃溃疡及胃正常，所述胃镜识别模型通过卷积神经网络算法构建，具体地，通过Inception_v3模型构建胃镜识别模型，Inception_v3是一种卷积神经网络(CNN)，包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。Inception_v3相对其他卷积神经网络，将大卷积分解成小卷积，降低参数量，减轻过拟合，增加网络非线性的表达能力。卷积网络从输入到输出，让图片尺寸逐渐减小，输出通道数逐渐增加，即让空间结构化，将空间信息转化为高阶抽象的特征信息。用多个分支提取不同抽象程度的高阶特征的思路很有效，可以丰富网络的表达能力，Inception_v3网络中的参数均是从ImageNet图片数据集上训练而来的参数，修改softmax层，微调最后一层的参数，将数据分为三分类(胃癌，胃溃疡，胃正常)。
S13，根据所述胃镜识别模型的识别结果生成诊疗报告。
在本发明实施例中，所述终端设备根据所述胃镜识别模型的识别结果生成辅助诊疗报告，以辅助消化内镜医师进行诊疗判断。
综上所述，本发明第一实施例提供了一种基于深度学习的胃镜图像识别方法，首先对获取的胃镜图像进行预处理，然后根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别，最后根据所述胃镜识别模型的识别结果生成辅助诊疗报告，实现专业的诊断结果、快速的诊断效率及便捷的应用方式，从而提高基层医疗技术，提升消化内镜医师的同质化水平，提高消化道早癌的检出率。
为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。
本发明第二实施例：
在本发明第一实施例的基础上，还包括：
获取客户端上传的胃镜图像。
在本发明实施例中，将模型文件移植到Java web上，用户只需登录网页，便可上传胃镜图像，所述终端设备接收客户端上传的胃镜图像，通过胃镜识别模型进行识别，即可得到胃镜图像的初步预测结果。
请参阅图2，本发明第三实施例提供了一种基于深度学习的胃镜图像识别装置，包括：
预处理单元11，用于对获取的胃镜图像进行预处理。
识别单元12，用于根据预处理后的胃镜图像，通过胃镜识别模型进行类型属性的识别。
结果输出单元13，用于根据所述胃镜识别模型的识别结果生成诊疗辅助报告。
在第三实施例的第一种实现方式中，通过卷积神经网络算法构建所述胃镜识别模型。
在第三实施例的第二种实现方式中，所述类型属性包括胃癌，胃溃疡及胃正常。
在第三实施例的第三种实现方式中，还包括：
图像获取单元，用于获取客户端上传的胃镜图像。
本发明第四实施例提供了一种基于深度学习的胃镜图像识别终端设备。该实施例的基于深度学习的胃镜图像识别终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于深度学习的胃镜图像识别程序。所述处理器执行所述计算机程序时实现上述各个基于深度学习的胃镜图像识别方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如预处理单元。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于深度学习的胃镜图像识别终端设备中的执行过程。
所述基于深度学习的胃镜图像识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于深度学习的胃镜图像识别终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是基于深度学习的胃镜图像识别终端设备的示例，并不构成对基于深度学习的胃镜图像识别终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于深度学习的胃镜图像识别终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于深度学习的胃镜图像识别终端设备的控制中心，利用各种接口和线路连接整个基于深度学习的胃镜图像识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于深度学习的胃镜图像识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于深度学习的胃镜图像识别终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。