本申请涉及图像处理领域,尤其涉及一种炎症性肠病病理形态学特征隐窝拉伸图像识别的方法。
背景技术:
1、近年来,随着图像处理和人工智能技术的快速发展,越来越多的领域应用人工智能技术。ibd(inflammatory bowel disease,炎症性肠病)是指原因不明的一组非特异性慢性胃肠道炎症性疾病,包括uc(ulcerative colitis,溃疡性结肠炎)、cd(crohn disease,克罗恩病)和ic(indeterminate colitis,未定型结肠炎)。近年来,ibd特别是cd多在青少年期起病,据统计约20%~30%的ibd在儿童期就被诊断,儿童炎症性肠病患者的临床表现多以初发型为主,发病年龄越小,症状越严重。
2、肠隐窝(intestinal crypt)是小肠上皮在绒毛根部下陷至固有层而形成的管状腺,开口于相邻绒毛之间。肠隐窝拉伸是指小肠的一种形态学特征,相对于正常状态的隐窝,隐窝发生病理性的拉伸。
3、医生根据肠道的图像能够判断出肠隐窝拉伸的现象,但是人工识别的工作量大、主观性较强,造成判断的准确率和效率较低,现有技术缺少一种能够辅助医生判断炎症肠隐窝拉伸的方法。
技术实现思路
1、为了辅助医生准确判断炎症肠隐窝拉伸,本申请提供一种炎症性肠病病理形态学特征隐窝拉伸图像识别的方法。
2、本申请提供一种炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,采用如下的技术方案:包括步骤:将隐窝的历史显微图像设置标签,标签包括是隐窝拉伸图像和不是隐窝拉伸图像,得到数据集;建立卷积神经网络模型;设置损失函数并使用所述数据集训练所述卷积神经网络模型,得到最优模型,所述损失函数的表达式为:
3、,
4、其中,表示损失函数,表示第张隐窝图像的预测结果,表示第张隐窝图像的真实值;响应于新拍摄的显微图像,根据最优模型,生成隐窝拉伸的图像分类结果。
5、可选的,所述卷积神经网络模型包括:依次连接的第一卷积层、第一提取层、第二提取层、第二卷积层和全连接层,第一提取层与第二提取层均包括依次连接的残差模块与注意力机制模块;输入的隐窝的历史显微图像依次经过第一卷积层、第一提取层、第二提取层、第二卷积层、全连接层后输出分类结果。
6、可选的,注意力机制模块的建立包括步骤:使隐窝的历史显微图像经过第一卷积层,生成输入的特征张量,其中,所述输入的特征张量由多个通道的特征图组成;对特征图进行特征差异值计算,得到一个长度为输入的特征张量通道数的向量;对所述向量归一化得到每个通道的特征图的权重;将输入的特征张量和每个通道特征图的权重相乘得到新的特征张量,得到表示行列差异的注意力机制模块。
7、可选的,对特征图进行特征差异值计算,包括步骤:使输入的特征张量经过1×3的卷积核按行进行卷积运算获得特征图的行卷积,同时经过3×1的卷积核按列进行卷积运算获得特征图的列卷积;对行卷积按行使用全局平均池化方法和全局最大池化方法,拼接得到第一特征矩阵;对列卷积按列使用全局平均池化方法和全局最大池化方法,拼接得到第二特征矩阵;计算所述第一特征矩阵与所述第二特征矩阵的l2范数,获得行列差异矩阵;对所述行列差异矩阵使用全局最大池化方法,得到特征图的差异特征值。
8、可选的,所述卷积神经网络模型的训练中,根据所述分类结果和标签之间的误差反向传播训练所述卷积神经网络。
9、可选的,所述卷积神经网络模型的训练中:训练的终止条件为训练次数达到预设的次数阈值或损失函数值少于预设的损失阈值。
10、本申请具有以下技术效果:
11、1.利用图像处理或深度学习技术识别炎症性肠病的隐窝拉伸现象,提出了一种炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,以辅助医生进行隐窝拉伸现象的识别,减少出现人工识别炎症性肠病的隐窝拉伸图像效率低且主观性强等现象。可以减轻医生的工作量,提高判断的准确率和效率。
12、2.根据隐窝拉伸图像的行列差异构建注意力机制模块,使模型训练更加注重图像隐窝拉伸的特征,提高了模型的识别准确率。通过大小为的卷积核对特征图按行进行卷积操作获得图像的行卷积,同时,使用大小3×1的卷积核对特征图按列进行卷积操作获得图像的列卷积,根据特征图行列特征的差异给特征图一个权重,将每个通道特征图的权重与输入特征图相乘得到输出特征图,在每个残差模块后都进行上述操作,使训练出来的模型对炎症性肠病隐窝拉伸的关注更高,进而提升了模型的识别准确率。
13、3.本申请还可以与其他肠道疾病的识别技术相结合,实现更全面的肠道疾病的自动监测。
1.一种炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,其特征在于,包括步骤:
2.根据权利要求1所述的炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,其特征在于,所述卷积神经网络模型包括:
3.根据权利要求2所述的炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,其特征在于,注意力机制模块的建立包括步骤:
4.根据权利要求3所述的炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,其特征在于,对特征图进行特征差异值计算,包括步骤:
5.根据权利要求1所述的炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,其特征在于,所述卷积神经网络模型的训练中,根据所述分类结果和标签之间的误差反向传播训练所述卷积神经网络。
6.根据权利要求1所述的炎症性肠病病理形态学特征隐窝拉伸图像识别的方法,其特征在于,所述卷积神经网络模型的训练中,训练的终止条件为训练次数达到预设的次数阈值或损失函数值少于预设的损失阈值。