一种息肉检测装置、方法、设备及介质与流程

1.本技术涉及内窥镜技术领域，特别涉及一种息肉检测装置、方法、设备、介质。


背景技术：

2.在现有的内窥镜检测中，内镜的帧率很高，一般在30fps(frames per second，每秒传输帧数)以上，所以一个正常的息肉一般会在连续多帧的相同区域出现，也即连续出现较多的相似图像，但由于检测算法的不稳定，会存在较多的相似图像检测结果不一致的情况，从而降低了检测结果的正确率，且在检查过程中，经常会出现检测框频繁抖动的问题，十分影响用户体验。


技术实现要素：

3.有鉴于此，本技术的目的在于提供一种息肉检测装置、方法、设备、介质，能够提高检测结果的正确率，且能够避免检测框的频繁抖动问题。其具体方案如下：
4.第一方面，本技术公开了一种息肉检测装置，包括：
5.结果获取模块，用于获取息肉检测模型输出的当前图像帧的息肉检测结果；
6.第一判断模块，用于判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域；
7.第二判断模块，用于在所述第一判断模块的判定结果为是时，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值；
8.显示模块，用于在所述第二判断模块的判定结果为是时，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。
9.可选的，所述息肉检测装置，还包括：
10.模型训练模块，用于对深度学习模型进行训练，得到所述息肉检测模型。
11.可选的，所述模型训练模块，用于：
12.利用预先获取到的训练图像集对深度学习模型进行训练，得到原始检测模型；
13.将测试图像集输入所述原始检测模型中，得到所述测试图像集对应的测试结果；
14.获取所述测试结果对应的假阳性图像，其中，所述假阳性图像为所述测试结果中被误检为息肉的图像，且所述假阳性图像带有误检标签，所述误检标签表示假阳性图像包括的真实对象；
15.利用所述训练图像集和所述假阳性图像对所述原始检测模型进行训练，得到所述息肉检测模型。
16.可选的，所述模型训练模块，还用于：
17.获取构造息肉图像集，其中，所述构造息肉图像集为利用所述训练图像集和所述
假阳性图像构造的，所述构造息肉图像集中的任一张图像为将第一息肉图像上的息肉区域复制到第二图像上得到的，所述第一息肉图像为从所述训练图像集中随机选出的预设数量张息肉图像，所述第二图像为从所述训练图像集合或所述假阳性图像中随机选出的一张图像；
18.相应地，所述利用所述训练图像集和所述假阳性图像对所述原始检测模型进行训练，包括：
19.利用所述训练图像集、所述假阳性图像及所述构造息肉图像集对所述原始检测模型进行训练，得到所述息肉检测模型。
20.可选的，所述模型训练模块，用于：
21.当所述深度学习模型为目标检测算法时，利用第一运算公式计算所述训练图像集和所述假阳性图像中的息肉图像的损失，其中，所述第一运算公式为：
22.loss
息肉
＝loss
检出置信度
+loss
分类
+loss
检测框
23.其中，loss
息肉
表示息肉图像的损失，loss
检出置信度
表示息肉图像的检出置信度loss、loss
分类
表示息肉图像的分类loss、loss
检测框
表示息肉图像的检测框loss；
24.当所述深度学习模型为目标检测算法时，利用第二运算公式计算所述训练图像集和所述假阳性图像中的非息肉图像的损失，其中，所述第二运算公式为：
25.loss
非息肉
＝loss
检出置信度
+loss
分类
26.其中，loss
非息肉
表示非息肉图像的损失，loss
检出置信度
表示非息肉图像的检出置信度loss，loss
分类
表示非息肉图像的分类loss。
27.可选的，所述显示模块，用于：
28.在所述第一判断模块的判定结果为否时，则放大当前图像帧的息肉检测结果中的息肉区域，且不显示当前图像帧的息肉检测结果中的息肉检测框。
29.可选的，所述息肉检测装置，还包括：
30.第三判断模块，用于判断当前图像帧与当前图像帧的前一帧的相似度是否小于相似度阈值；
31.第四判断模块，用于在所述第三判断模块的判定结果为是时，则判断是否存在当前图像帧的前一帧的息肉检测结果中检测到，且当前图像帧的息肉检测结果中未检测的漏检息肉区域；
32.区域补充模块，用于在所述第三判断模块的判定结果为是时，则在当前图像帧中补充绘制所述漏检息肉区域，将漏检息肉区域添加到当前图像帧的息肉检测结果中，并调用所述第一判断模块，否则，则直接调用所述第一判断模块。
33.第二方面，本技术公开了一种息肉检测方法，包括：
34.获取息肉检测模型输出的当前图像帧的息肉检测结果；
35.判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域；
36.如果是，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值；
37.如果是，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结
果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。
38.第三方面，本技术公开了一种电子设备，包括：
39.存储器和处理器；
40.其中，所述存储器，用于存储计算机程序；
41.所述处理器，用于执行所述计算机程序，以实现前述公开的息肉检测方法。
42.第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的息肉检测方法。
43.可见，本技术公开了一种息肉检测装置，包括：结果获取模块，用于获取息肉检测模型输出的当前图像帧的息肉检测结果；第一判断模块，用于判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域；第二判断模块，用于在所述第一判断模块的判定结果为是时，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值；显示模块，用于在所述第二判断模块的判定结果为是时，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。
44.由此可见，本技术中在结果获取模块获取到息肉检测模型输出的当前图像帧的息肉检测结果时，暂时不直接进行显示，而是先通过第一判断模块，判断当前图像帧的前一帧的息肉检测结果中是否包括了当前图像帧的息肉检测结果中的息肉区域，如果是，才判定当前图像帧的息肉检测结果中的息肉区域为真阳性，也即，才判定当前图像帧的息肉检测结果中的息肉区域确实是息肉，从而避免由于息肉检测模型不稳定从而导致相似的图像中某一帧图像的检测结果和其他帧不一致的情况，从而提高息肉检测的正确率。此外，在第一判断模块的判定结果为是时，还不直接对当前图像帧的息肉检测结果进行显示，而是通过第二判断模块，判断当前图像帧的息肉检测结果对应的息肉检测框与前一帧的息肉检测结果对应的息肉检测框之间的重合度是否不小于重合度阈值，如果是，则可以将前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示前一帧的息肉检测结果，也即，直接显示前一帧的息肉区域和息肉检测框，否则，显示当前图像帧的息肉检测结果，也即，显示当前图像帧的息肉区域和息肉检测框。这样在前一帧的息肉检测结果包括当前图像帧的息肉检测结果，且前一帧的息肉检测框和当前图像帧的息肉检测框重合度较高时，便可以不用重新显示当前图像帧的息肉检测框，而是沿用前一帧的息肉检测结果，由此避免了检测框频繁抖动的问题。
附图说明
45.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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技术的实施例，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，还可以根据提供的附图获得其他的附图。
46.图1为本技术公开的一种息肉检测装置结构示意图；
47.图2为本技术公开的一种息肉检测结果显示图；
48.图3为本技术公开的一种息肉检测过程图；
49.图4为本技术公开的一种具体的息肉检测装置结构示意图；
50.图5为本技术公开的一种构造息肉图像的构造过程图；
51.图6为本技术公开的一种息肉检测方法流程图；
52.图7为本技术公开的一种具体的息肉检测方法流程图；
53.图8为本技术公开的一种电子设备结构图。
具体实施方式
54.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
55.目前，在内窥镜检测中，内镜的帧率很高，一般在30fps以上，所以一个正常的息肉一般会在连续多帧的相同区域出现，也即连续出现较多的相似图像，但由于检测算法的不稳定，会存在较多的相似图像检测结果不一致的情况，从而降低了检测结果的正确率，且在检查过程中，经常会出现检测框频繁抖动的问题，十分影响用户体验。有鉴于此，本技术提出了一种息肉检测装置，能够提高检测结果的正确率，且能够避免检测框的频繁抖动问题。
56.参见图1所示，本技术实施例公开了一种息肉检测装置，该装置包括：
57.结果获取模块11，用于获取息肉检测模型输出的当前图像帧的息肉检测结果；
58.第一判断模块12，用于判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域；
59.第二判断模块13，用于在所述第一判断模块的判定结果为是时，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值；
60.显示模块14，用于在所述第二判断模块的判定结果为是时，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。
61.由此可见，本技术中在结果获取模块获取到息肉检测模型输出的当前图像帧的息肉检测结果时，暂时不直接进行显示，而是先通过第一判断模块，判断当前图像帧的前一帧的息肉检测结果中是否包括了当前图像帧的息肉检测结果中的息肉区域，如果是，才判定当前图像帧的息肉检测结果中的息肉区域为真阳性，也即，才判定当前图像帧的息肉检测结果中的息肉区域确实是息肉，从而避免由于息肉检测模型不稳定从而导致相似的图像中某一帧图像的检测结果和其他帧不一致的情况，从而提高息肉检测的正确率。此外，在第一判断模块的判定结果为是时，还不直接对当前图像帧的息肉检测结果进行显示，而是通过第二判断模块，判断当前图像帧的息肉检测结果对应的息肉检测框与前一帧的息肉检测结果对应的息肉检测框之间的重合度是否不小于重合度阈值，如果是，则可以将前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示前一帧的息肉检测结果，也即，直接显示前一帧的息肉区域和息肉检测框，否则，显示当前图像帧的息肉检测结果，也即，显示当
前图像帧的息肉区域和息肉检测框。这样在前一帧的息肉检测结果包括当前图像帧的息肉检测结果，且前一帧的息肉检测框和当前图像帧的息肉检测框重合度较高时，便可以不用重新显示当前图像帧的息肉检测框，而是沿用前一帧的息肉检测结果，由此避免了检测框频繁抖动的问题。
62.在实施过程中，需要先由所述结果获取模块获取息肉检测模型输出的当前图像帧的息肉检测结果，其中，所述息肉检测模型为预先对深度学习模型进行训练得到的，其中，所述深度学习模型可以根据实际情况确定，在此不做具体限定。所述当前图像帧的息肉检测结果可以包括当前图像帧中的息肉区域的位置数据。
63.在所述结果获取模块获取到当前图像帧的息肉检测结果后，需要由所述第一判断模块判断所述当前图像帧的前一帧的息肉检测结果是否包括当前图像帧的息肉检测结果中的息肉区域。
64.由于内镜的帧率一般在30fps以上，一个正常的息肉一般会在连续多帧的相同区域出现。因此，对于某一小段视频中只有一帧图像检测出息肉，可以认为这是一次误识别。基于上面的原因，可以通过第一判断模块来判断前一帧的息肉检测结果中是否包括了当前图像帧的息肉检测结果中的息肉区域，从而判断当前图像帧中息肉检测结果中的息肉区域是否为真阳性。
65.相应的，所述第二判断模块可以获取所述第一判断模块的判定结果，如果所述第一判断模块的判定结果为是时，则可以判定当前图像帧的息肉检测结果为真阳性，也即，判定当前图像帧的息肉检测结果中的息肉区域确实是息肉。则需要对当前图像帧的息肉检测结果进行显示，具体如何进行显示，需要判断所述当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值。
66.所述显示模块可以获取所述第二判断模块和所述第一判断模块的判定结果，所述第二判断模块的判定结果为是时，表示当前图像帧的息肉检测结果对应的息肉检测框与前一帧的息肉检测结果对应的息肉检测框的重合度较高，所以可以沿用前一帧的息肉检测结果，并显示前一帧的息肉检测结果，其中，显示前一帧的息肉检测结果也即对前一帧图像进行显示，且在前一帧图像中用息肉检测框标识其中的息肉区域，具体可以参见图2所示，图中的小方框便是息肉检测框，用以标识息肉区域。在所述第一判断模块的判定结果为否时，暂时不能判定当前图像帧的息肉检测结果中的息肉区域是真阳性还是假阳性，所以在所述第一判断模块的判定结果为否时，则显示模块放大当前图像帧的息肉检测结果中的息肉区域，且不显示当前图像帧的息肉检测结果中的息肉检测框，也即只需要放大当前图像帧的息肉区域，以便医生进行查看，而不用将息肉区域用息肉检测框标识出来。
67.在第一判断模块的判定结果为否时，息肉检测装置还不能判定当前图像帧的息肉检测结果中的息肉区域是真阳性还是假阳性，所以显示模块放大当前图像帧的息肉检测结果中的息肉区域，但是不显示当前图像帧的息肉检测结果中的息肉检测框，这样放大当前图像帧的息肉区域是医生更喜欢的方式，因为这样便于医生观察息肉的边界信息，当后续图像帧的息肉检测结果中检测到当前图像帧中的该息肉区域，且后续图像帧的息肉检测结果中对应的息肉检测框与当前图像帧的息肉检测框的重合度不小于重合度阈值时，沿用当前图像帧的息肉检测结果，便可以避免检测框的频繁抖动，同时保证标记的息肉位置的正
确性。
68.参见图3所示，情况1：前一帧都检测到了当前图像帧的息肉区域，只是当前图像帧较前一帧息肉有轻微移动，但是当前图像帧的息肉检测框与前一帧的息肉检测框的重合较高，所以可以沿用前一帧的检测结果，并显示。情况2：前一帧都检测到了当前图像帧的息肉区域，只是当前图像帧较前一帧息肉检测框有轻微移动，但是当前图像帧的息肉检测框与前一帧的息肉检测框的重合较高，所以可以沿用前一帧的检测结果，并显示。情况3：前一帧都检测到了当前图像帧的息肉区域，但是当前图像帧较前一帧息肉检测框有较大移动，且当前图像帧的息肉检测框有一部分超出了前一帧的显示框，所以更新显示当前图像帧的息肉检测结果。
69.参见图4所示，本技术实施例公开了一种息肉检测装置，该装置包括：
70.模型训练模块21，用于对深度学习模型进行训练，得到所述息肉检测模型；
71.结果获取模块22，用于获取息肉检测模型输出的当前图像帧的息肉检测结果；
72.第三判断模块23，用于判断当前图像帧与当前图像帧的前一帧的相似度是否小于相似度阈值；
73.第四判断模块24，用于在所述第三判断模块的判定结果为是时，则判断是否存在当前图像帧的前一帧的息肉检测结果中检测到，而当前图像帧的息肉检测结果中未检测到的漏检息肉区域；
74.区域补充模块25，用于在所述第四判断模块的判定结果为是时，则在当前图像帧中补充绘制所述漏检息肉区域，将漏检息肉区域添加到当前图像帧的息肉检测结果中，再调用所述第一判断模块；否则，则直接调用所述第一判断模块。
75.第一判断模块26，用于判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域；
76.第二判断模块27，用于在所述第一判断模块的判定结果为是时，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值；
77.显示模块28，用于在所述第二判断模块的判定结果为是时，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。
78.在实施过程中，所述息肉检测装置，还包括模型训练模块，用于对深度学习模型进行训练，得到所述息肉检测模型。
79.具体的，所述模型训练模块，用于：利用预先获取到的训练图像集对深度学习模型进行训练，得到原始检测模型；将测试图像集输入所述原始检测模型中，得到所述测试图像集对应的测试结果；获取所述测试结果对应的假阳性图像，其中，所述假阳性图像为所述测试结果中被误检为息肉的图像，且所述假阳性图像带有误检标签，所述误检标签表示假阳性图像包括的真实对象；利用所述训练图像集和所述假阳性图像对所述原始检测模型进行训练，得到所述息肉检测模型。
80.也即，所述模型训练模块，需要先利用预先获取到的训练图像集对深度学习模型进行初步训练，得到原始检测模型，由于所述原始检测模型的检测性能可能还不太高，所以
可以利用测试图像集对所述原始检测模型进行测试，便于根据测试结果对所述原始检测模型进行优化，也即，将测试图像集输入到所述原始检测模型中，所述原始检测模型便可以输出对应的测试结果，其中，图像集也即多张图像的集合，图像集可以为视频。在得到所述测试结果之后，还需要获取所述测试结果对应的假阳性图像，其中，所述假阳性图像为所述测试结果中被误检为息肉的图像，且所述假阳性图像带有误检标签，所述误检标签表示假阳性图像包括的真实对象，例如，所述误检标签为水花、反光点及褶皱等。在获取到所述假阳性图像之后，便可以利用所述训练图像集和所述假阳性图像对所述原始检测模型进行训练，得到最终的息肉检测模型。所述假阳性图像可以为用户对所述测试结果中的误检为息肉的图像打上误检标签之后得到的图像。所述假阳性图像为容易被误检出息肉，但实际上不包括息肉的图像，例如，包括水花、反光点、褶皱的图像。
81.深度学习模型本质是拟合数据与标签的对应关系，因此为了解决实际过程中的假阳性过高问题，也即误检太多问题，需要在训练图像集中针对性的添加假阳性样本，而用原始检测模型在测试图像集上推理得到的假阳性图像就可以对原始检测模型完成针对性的训练，从而大大降低假阳性发生的概率，提高息肉检测的正确率。
82.在一些具体的实施例中，所述模型训练模型，还可以用于：获取构造息肉图像集，其中，所述构造息肉图像集为利用所述训练图像集和所述假阳性图像构造的，所述构造息肉图像集中的任一张图像为将第一息肉图像上的息肉区域复制到第二图像上得到的，所述第一息肉图像为从所述训练图像集中随机选出的预设数量张息肉图像，所述第二图像为从所述训练图像集合或所述假阳性图像中随机选出的一张图像。也即，所述训练图像集和所述假阳性图像中包括真阳性的息肉图像，干净且不包括息肉的图像以及容易被误检为息肉但实际上不包括息肉的假阳性图像，从所述训练图像集或所述假阳性图像集中随机打开一张图像作为所述第二图像，再随机打开预设数量张真阳性的息肉图像作为第一息肉图像，然后将第一息肉图像上的息肉区域复制到第二图像上便可以得到一张构造息肉图像。其中，所述预设数量可以根据实际情况确定，例如，所述预设数量可以为1、2等。
83.当所述第二图像为干净且不包括息肉的图像时，可以将第一息肉图像中的息肉区域复制到第二图像上的随机位置。当所述第二图像为真阳性的息肉图像时，可以将第一息肉图像上的息肉区域复制到第二图像上除了所述第二图像本身的息肉所处位置之外的随机位置上。当所述第二图像为假阳性图像时，可以将第一息肉图像上的息肉区域复制到所述第二图像上除了容易被误检为息肉的对象所处位置之外的随机位置，其中，容易被误检为息肉的对象包括水花、粪便、反光点以及褶皱等。参见图5所示，为构造一张构造息肉图像的过程图，图中的当前图像也即前述的第二图像，图中的随机图像也即前述的第一息肉图像，将第一息肉图像中的息肉区域(也即图像的标签区域)裁剪出来复制到当前图像上，得到一张构造息肉图像。
84.在实际实施过程中，在将第一息肉图像中的息肉区域复制到所述第二图像上时，可以对第一息肉图像中裁剪出的息肉区域做非等比例缩放之后，再复制到第二图像上。也即，对第一息肉图像中裁剪出的息肉区域做横向和纵向不同比例的缩放之后，再复制到第二图像上。
85.在所述模型训练模块获取到所述构造息肉图像集之后，便可以利用所述训练图像集、所述假阳性图像及所述构造图像集对所述原始检测模型进行训练，得到所述息肉检测
模型。
86.深度学习模型在训练过程中学习更多样的息肉，可以提升息肉的检出率。增加息肉样本量的一个简单的做法是数据增强，采用前述的构造息肉图像的数据增强方式可以完整保留息肉本身的特征及息肉周边小范围的正常组织区域特征，保证训练样本与实际情况的一致性。同时这样将裁减的息肉区域粘贴到第二图像的随机位置，丰富了样本的多样性，结合前述提出的利用假阳性图像丰富数据集方法可以进一步提高对假阳性的抑制，可以在不增加错检的情况下，提高息肉的检出率。
87.在实际应用中，所述深度学习模型可以为目标检测算法，所述模型训练模块，可以用于：当所述深度学习模型为目标检测算法时，利用第一运算公式计算所述训练图像集和所述假阳性图像中的息肉图像的损失，其中，所述第一运算公式为：
88.loss
息肉
＝loss
检出置信度
+loss
分类
+loss
检测框
89.其中，loss
息肉
表示息肉图像的损失，loss
检出置信度
表示息肉图像的检出置信度loss、loss
分类
表示息肉图像的分类loss、loss
检测框
表示息肉图像的检测框loss；
90.当所述深度学习模型为目标检测算法时，利用第二运算公式计算所述训练图像集和所述假阳性图像中的非息肉图像的损失，其中，所述第二运算公式为：
91.loss
非息肉
＝loss
检出置信度
+loss
分类
92.其中，loss
非息肉
表示非息肉图像的损失，loss
检出置信度
表示非息肉图像的检出置信度loss，loss
分类
表示非息肉图像的分类loss。
93.其中，所述目标检测算法可以为yolo系列检测算法，具体的，所述深度学习模型可以为yolov5。
94.在原始目标检测算法的基础上修改了loss的计算方式，采用前述的loss计算方法可以进一步抑制假阳性，从而提高息肉检测模型的检测正确率。
95.所述结果获取模块22也即前述实施例中的结果获取模块11，结果获取模块22在获取当前图像帧的息肉检测结果之后，可以先第三判断模块23判断当前图像帧与当前图像帧的前一帧的相似度是否小于相似度阈值。
96.所述第四判断模块24可以获取所述第三判断模块23的判定结果，在所述第三判断模块的判定结果为是时，则判断是否存在当前图像帧的前一帧的息肉检测结果中检测到，而当前图像帧的息肉检测结果中未检测到的漏检息肉区域。在所述第三判断模块23的判定结果为否时，可以直接调用所述第一判断模块。
97.相应的，所述区域补充模块25可以获取所述第四判断模块的判定结果，在所述第四判断模块的判定结果为是时，则在当前图像帧中补充绘制所述漏检息肉区域，将漏检息肉区域添加到当前图像帧的息肉检测结果中，再调用所述第一判断模块，否则，则直接调用所述第一判断模块。
98.所述第一判断模块26也即前述实施例中的第一判断模块12，所述第二判断模块27也即前述实施例中的第二判断模块13，所述显示模块28也即前述实施例中的显示模块14，第一判断模块26、第二判断模块27以及显示模块28的相关实施方式可以参考前述实施例中公开的内容，在此不再进行赘述。
99.参见图6所示，本技术实施例公开了一种息肉检测方法，该方法包括：
100.步骤s11：获取息肉检测模型输出的当前图像帧的息肉检测结果。
101.首先需要获取息肉检测模型输出的当前图像帧的息肉检测结果，其中，所述息肉检测模型为预先对深度学习模型进行训练得到的，所述深度学习模型可以根据实际情况确定，在此不做具体限定。所述当前图像帧的息肉检测结果可以包括当前图像帧中的息肉区域的位置数据。
102.步骤s12：判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域。
103.在获取到当前图像帧的息肉检测结果后，需要判断所述当前图像帧的前一帧的息肉检测结果是否包括当前图像帧的息肉检测结果中的息肉区域。
104.步骤s13：如果是，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值。
105.相应的，如果所述当前图像帧的前一帧的息肉检测结果包括当前图像帧的息肉检测结果中的息肉区域，则可以判定当前图像帧的息肉检测结果为真阳性，也即，判定当前图像帧的息肉检测结果中的息肉区域确实是息肉。则需要对当前图像帧的息肉检测结果进行显示，具体如何进行显示，需要判断所述当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值。
106.步骤s14：如果是，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。
107.如果当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度不小于重合度阈值，表示当前图像帧的息肉检测结果对应的息肉检测框与前一帧的息肉检测结果对应的息肉检测框的重合度较高，所以可以沿用前一帧的息肉检测结果，并显示前一帧的息肉检测结果，其中，显示前一帧的息肉检测结果也即对前一帧图像进行显示，且在前一帧图像中用息肉检测框标识其中的息肉区域。
108.在当前图像帧的前一帧的息肉检测结果中不包括当前图像帧的息肉检测结果中的息肉区域时，暂时不能判定当前图像帧的息肉检测结果中的息肉区域是真阳性还是假阳性，所以只显示模块放大当前图像帧的息肉检测结果中的息肉区域，且不显示当前图像帧的息肉检测结果中的息肉检测框，也即只需要放大当前图像帧的息肉区域，以便医生进行查看，而不用将息肉区域用息肉检测框标识出来。
109.可见，本技术公开了一种息肉检测方法，包括获取息肉检测模型输出的当前图像帧的息肉检测结果；判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域；如果是，则判定当前图像帧的息肉检测结果中的息肉区域为真阳性，并判断当前图像帧的息肉检测结果对应的息肉检测框与当前图像帧的前一帧的息肉检测结果对应的息肉检测框的重合度是否不小于重合度阈值；如果是，则将当前图像帧的前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示当前图像帧的前一帧的息肉检测结果，否则，显示当前图像帧的息肉检测结果。由此可见，本技术中在获取到息肉检测模型输出的当前图像帧的息肉检测结果时，暂时不直接进行显示，而是先判断当前图像帧的前一帧的息肉检测结果中是否包括了当前图像帧的息肉检测结果中的息肉区域，如果是，才判定当前图像帧的息肉检测结果中的息肉区域为真阳性，也即，才判定当前图像帧的
息肉检测结果中的息肉区域确实是息肉，从而避免由于息肉检测模型不稳定从而导致相似的图像中某一帧图像的检测结果和其他帧不一致的情况，从而提高息肉检测的正确率。此外，在当前图像帧的前一帧的息肉检测结果中包括了当前图像帧的息肉检测结果中的息肉区域时，还不直接对当前图像帧的息肉检测结果进行显示，而是再判断当前图像帧的息肉检测结果对应的息肉检测框与前一帧的息肉检测结果对应的息肉检测框之间的重合度是否不小于重合度阈值，如果是，则可以将前一帧的息肉检测结果作为当前图像帧的息肉检测结果，并显示前一帧的息肉检测结果，也即，直接显示前一帧的息肉区域和息肉检测框，否则，显示当前图像帧的息肉检测结果，也即，显示当前图像帧的息肉区域和息肉检测框。这样在前一帧的息肉检测结果包括当前图像帧的息肉检测结果，且前一帧的息肉检测框和当前图像帧的息肉检测框重合度较高时，便可以不用重新显示当前图像帧的息肉检测框，而是沿用前一帧的息肉检测结果，由此避免了检测框频繁抖动的问题。
110.在判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域之前，可以先判断当前图像帧与当前图像帧的前一帧的相似度是否小于相似度阈值；如果否，直接执行判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域开始的步骤。如果是，则判断是否存在当前图像帧的前一帧的息肉检测结果中检测到，而当前图像帧的息肉检测结果中未检测到的漏检息肉区域。如果是，则在当前图像帧中补充绘制所述漏检息肉区域，将漏检息肉区域添加到当前图像帧的息肉检测结果中，并执行判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域开始的步骤，否则，则直接执行判断当前图像帧的前一帧的息肉检测结果中是否包括当前图像帧的息肉检测结果中的息肉区域开始的步骤。
111.在实际实施过程中，需要先对深度学习模型进行训练，得到所述息肉检测模型。具体的，就是利用预先获取到的训练图像集对深度学习模型进行训练，得到原始检测模型；将测试图像集输入所述原始检测模型中，得到所述测试图像集对应的测试结果；获取所述测试结果对应的假阳性图像，其中，所述假阳性图像为所述测试结果中被误检为息肉的图像，且所述假阳性图像带有误检标签，所述误检标签表示假阳性图像包括的真实对象；利用所述训练图像集和所述假阳性图像对所述原始检测模型进行训练，得到所述息肉检测模型。
112.此外，还可以获取构造息肉图像集，其中，所述构造息肉图像集为利用所述训练图像集和所述假阳性图像构造的，所述构造息肉图像集中的任一张图像为将第一息肉图像上的息肉区域复制到第二图像上得到的，所述第一息肉图像为从所述训练图像集中随机选出的预设数量张息肉图像，所述第二图像为从所述训练图像集合或所述假阳性图像中随机选出的一张图像。这样便可以利用所述训练图像集、所述假阳性图像及所述构造图像集对所述原始检测模型进行训练，得到所述息肉检测模型。从而进一步提高所述息肉检测模型的息肉检出率。
113.参见图7所示，为息肉检测流程图。获取到当前图像帧及息肉检测结果，前一帧图像及息肉检测结果后，判断当前图像帧与前一帧图像的相似度是否小于相似度阈值，如果小于相似度阈值，则判断是否存在前一帧检测到但当前帧未检测到的息肉区域，如果存在前一帧检测到但当前帧未检测到的息肉区域，则补充绘制该息肉区域，且当前帧该息肉区域结果显示，也即，将该息肉区域作为当前帧的检测结果。然后开始判断前一帧是否检测到当前帧的各息肉区域，如果不存在前一帧检测到但当前帧未检测到的息肉区域，则直接判
断前一帧是否检测到当前帧的各息肉区域。如果前一帧没有检测到当前帧的各息肉区域，则放大当前帧的息肉区域(也即图中的息肉检测框区域)，但当前帧暂不显示该息肉检测结果中的息肉检测框，也即只需要放大当前帧的息肉区域，以便医生进行查看，而不用将息肉区域用息肉检测框标识出来。如果前一帧检测到了当前帧的各息肉区域，则判断当前帧的息肉检测框与前一帧的息肉检测框的重合度是否达到重合度阈值，如果达到，则沿用前一帧的息肉检测结果，并进行显示，如果未达到，则放大当前帧的息肉区域(也即图中的检测框区域)，且显示当前帧的息肉检测结果，也即，放大当前帧的息肉区域，并将当前帧中的息肉区域用息肉检测框标识出来。
114.进一步的，参见图8所示，本技术实施例还公开了一种电子设备，包括：处理器31和存储器32。
115.其中，所述存储器32，用于存储计算机程序；所述处理器31，用于执行所述计算机程序，以实现前述实施例中公开的息肉检测方法中的步骤。其中，所述电子设备可以为内窥镜。
116.其中，关于上述息肉检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
117.进一步的，本技术实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述任一实施例中公开的息肉检测方法。
118.其中，关于上述息肉检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
119.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
120.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
121.最后，还需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
122.以上对本技术所提供的一种息肉检测装置、方法、设备、介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。