一种胃肠道病变类型识别方法及系统

本发明涉及图像处理，尤其涉及一种胃肠道病变类型识别方法及系统。

背景技术：

1、为了降低传统胃肠道疾病检查方式对病人身体的痛苦和伤害，无线胶囊内窥镜（wireless capsule endoscopy, wce）成为检查胃肠道疾病的更优选择，它为病人提供了一种安全、无痛、无创伤筛查和诊断胃肠道疾病的方法并且能够深入到传统内窥镜难以到达的小肠区域进行分类检测。在使用wce的过程中，一次wce检查将在患者体内连续拍摄8个小时的图像并获得大约5万到8万张消化道图像，这些图像通过无线传输储存到便携设备上，内科医生通过分析图像作出症状分类，且因为其高效性与续航能力，wce已经得到广泛试用。

2、但由于wce图像数量过多，而其中的病变图像较少，内科医生往往需要消耗大量的时间和精力来检查这些图像，因此很有可能因为内科医生的视觉疲劳而错过造成漏诊和误诊，这时医生往往要重复筛查这些图像，不但效率不高且加重了医生的负担。为了减少医生的工作量和提高病变分类的准确性，许多科研人员开始使用计算机辅助进行病变分类。随着深度学习技术的迅速发展，计算机辅助分类系统也日趋成熟。计算机辅助分类系统在wce图像上的应用主要有病变分类和病变区域检测两个部分。由于病变区域的大小、纹理、颜色等特征在不同时期表现不同，不同病变的图像差异小，加大了对wce图像病变精准检测的难度，而基于深度学习的wce图像识别方法可以解决这些问题。比如，采用堆叠稀疏自编码器去识别wce图像中的息肉，该方法能够准确识别wce视频中的息肉并且可以进一步用于临床试验。注意力和残差学习方法的密集连接卷积神经网络对皮肤病变进行分类，在提高分类精度的同时大大减少了模型的参数。即便如此，现代医学图像中的病理图像具有多样性且具有相同类别差异大不同类别差异小的特点，医学分类任务还面临着许多挑战。

技术实现思路

1、本发明提供一种胃肠道病变类型识别方法及系统，用以解决现有技术中针对胃肠病症类型采用传统分类识别方法往往存在识别准确率不够高，分类结果不够精细的缺陷。

2、第一方面，本发明提供一种胃肠道病变类型识别方法，包括：

3、获取待检测wce图像；

4、采集wce图像数据集，调用resnet50预训练模型，在所述resnet50预训练模型中增加训练注意力模块，利用grad-cam模型进行可视化，得到胃肠病变分类模型；

5、将所述待检测wce图像输入所述胃肠病变分类模型，输出胃肠病变类型识别结果。

6、根据本发明提供的一种胃肠道病变类型识别方法，采集wce图像数据集，包括：

7、采集wce原始图像集合；

8、对所述wce原始图像集合进行数据增强和去噪，得到所述wce图像数据集。

9、根据本发明提供的一种胃肠道病变类型识别方法，调用resnet50预训练模型，包括：

10、获取预设计算机视觉数据集；

11、确定resnet50初始模型结构，设置所述resnet50初始模型结构的参数；

12、基于所述预设计算机视觉数据集对所述resnet50初始模型结构进行训练，得到所述resnet50预训练模型。

13、根据本发明提供的一种胃肠道病变类型识别方法，确定resnet50初始模型结构，设置所述resnet50初始模型结构的参数，包括：

14、所述resnet50初始模型结构包括顺次连接的零填充、第一阶段模块、第二阶段模块、第三阶段模块、第四阶段模块、第五阶段模块平均池化、压平数据维度和全连接层；

15、所述第一阶段模块包括卷积层、批量归一化、激活函数层和池化层；

16、所述第二阶段模块包括卷积块和两个实现块，所述第三阶段模块包括卷积块和三个实现块，所述第四阶段模块包括卷积块和五个实现块，所述第五阶段模块包括卷积块和五个实现块。

17、根据本发明提供的一种胃肠道病变类型识别方法，在所述resnet50预训练模型中增加训练注意力模块，利用grad-cam模型进行可视化，得到胃肠病变分类模型，包括：

18、分别在所述resnet50预训练模型中的第一阶段模块与第二阶段模块之间，以及第五阶段模块和平均池化之间，增加注意力模块，形成resnet50预训练注意力模型；

19、对resnet50预训练注意力模型进行迁移学习，采用大幅度余弦损失lmcl函数和adam优化器对所述resnet50预训练注意力模型进行优化，得到不同分类性能的模型权重文件；

20、将最佳分类性能的模型权重文件放入grad-cam进行热图可视化，得到所述胃肠病变分类模型。

21、根据本发明提供的一种胃肠道病变类型识别方法，采用lmcl函数和adam优化器对所述resnet50预训练注意力模型进行优化，包括：

22、利用增加预设权重偏置的lmcl函数对所述resnet50预训练注意力模型进行收敛；

23、采用adam优化器的动量优化学习率更新所述resnet50预训练注意力模型的梯度，并自动调整参数步长。

24、根据本发明提供的一种胃肠道病变类型识别方法，将最佳分类性能的模型权重文件放入grad-cam进行热图可视化，包括：

25、将所述最佳分类性能的模型权重文件输入grad-cam，进行前向传播，获取任意层特征图，所述任意层特征图包括通道标号；

26、对所述任意层特征图进行反向传播，得到模型相对于任一类别的预测概率，计算所述预测概率关于所述任意层特征图的梯度；

27、利用所述梯度、任意层特征图坐标和特征层宽度与高度乘积，计算得到任一类别对输出特征图的任一通道权重；

28、对所述任一通道权重和所述任意层特征图进行线性加权求和，并通过线性整流函数抑制无关权重，得到特征热力图。

29、根据本发明提供的一种胃肠道病变类型识别方法，得到胃肠病变分类模型之后，还包括：

30、采用准确度、精确率和召回率对所述胃肠病变分类模型进行测评，基于测评结果调整所述胃肠病变分类模型。

31、第二方面，本发明还提供一种胃肠道病变类型识别系统，包括：

32、获取模块，用于获取待检测wce图像；

33、训练模块，用于采集wce图像数据集，调用resnet50预训练模型，在所述resnet50预训练模型中增加训练注意力模块，得到胃肠病变分类模型；

34、识别模块，用于将所述待检测wce图像输入所述胃肠病变分类模型，输出胃肠病变类型识别结果。

35、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述胃肠道病变类型识别方法。

36、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述胃肠道病变类型识别方法。

37、本发明提供的胃肠道病变类型识别方法及系统，通过采用基于resnet50与注意力模块结合迁移学习的分类方法，不仅能够显著提高精度，而且针对不同的病变组织和各种环境下的胃肠道图像拥有极高的精准度以及良好的鲁棒性。