一种基于卷积神经网络的息肉检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115861598A(43)申请公布日2023.03.28(21)申请号202211610803.XG06N3/08(2023.01)(22)申请日2022.12.12G06N3/0464(2023.01)(71)申请人中科（厦门）数据智能研究院地址361021福建省厦门市软件园三期凤岐路208-3号(72)发明人谭美云俞梅梅徐勇军(74)专利代理机构安徽善安知识产权代理事务所(特殊普通合伙)34200专利代理师李艳萍(51)Int.Cl.G06V10/25(2022.01)G06V10/44(2022.01)G06V10/74(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)权利要求书2页说明书7页附图1页(54)发明名称一种基于卷积神经网络的息肉检测方法(57)摘要本发明涉及一种息肉检测技术领域，本发明公开了一种基于卷积神经网络的息肉检测方法，包括采集患者肠道检测原始图像，构建息肉检测模型，构建息肉检测数据集，生成合成图像，验证分类损失，提取过渡区域图像特征，计算模型的预测概率分布与图像真实分布之间的交叉熵损失，以合成图像与目标图像的对比损失和过渡区域的特征分类损失以及交叉熵损失的加权和作为息肉训练模型的总损失函数，根据模型总损失函数选择预测结果，以多视角多距离方式采集息肉图像，在息肉分类过程中引入息肉与肠道背景的过渡区域来进一步对息肉图像检测识别，通过多层次多区域多特征对息肉数据集进行融合分类能够提高息肉检测的准确率，减少了息肉检测的假阳性。CN115861598ACN115861598A权利要求书1/2页1.一种基于卷积神经网络的息肉检测方法，其特征在于，包括以下步骤：第一步：采集患者肠道检测原始图像；第二步：对图像数据中的疑似息肉目标进行显著区域标定，以图像数据集中识别框大小为基准，将截取的疑似息肉图像作为目标图像；第三步：建立息肉检测数据集，包括正常图像数据集和息肉数据集，正常图像数据集包括以往病例检查中具有可疑目标的正常检查图集，息肉数据集包括待检测目标的检查图集；第四步：息肉检测数据集处理，随机从正常图像数据集选取与目标图像同一类别的一对随机图像，利用卷积神经网络模型和多分支空间注意机制将随机图像映射为目标图像的合成图像，计算合成图像与目标图像的对比损失；第五步：根据合成图像与目标图像的验证结果，将相关性与相似度均满足要求的图集输入至分类网络中，对合成图像与目标图像做分类评估，验证合成图像与目标图像的分类损失；第六步：分类评估过程中加入目标区域与背景之间的过渡区域(Ω)为评价因素，从过渡区域(Ω)中选取特征值，对比特征值的差异性，选取过渡区域(Ω)的色彩等级(c)和血管分布密度(m)以及平滑度(s)为特征值，将提取出的特征图定义为域R，域R分为包含过渡区域特征的域Ω1和过渡区域外的域R1，将Ω1与R1分别展开为维度为c×m×s的特征向量与并加入一个嵌入层将其投影为i维度的特征向量，i代表数据集中的样本类别数量，最终得到的特征向量视作息肉训练模型对过渡区域的预测向量；分类损失评估利用最大似然损失和余弦相似损失来减少预测错误率，总体分类损失代表余弦相似性损失，k代表K邻近分类系数，i、j代表特征向量上的某点坐标；第七步：计算息肉训练模型的预测概率分布与图像真实分布之间的交叉熵损失；第八步：以合成图像与目标图像的对比损失Ls和过渡区域的特征分类损失Lcs以及交叉熵损失的加权和作为息肉训练模型的总损失函数，总损失函数值越小，则表明模型训练精度越高第九步：设定息肉训练模型总损失函数阈值，对于总损失函数小于总损失函数阈值的分类结果可直接输出息肉预测结果，对于超出总损失函数阈值的分类模型则返回生成合成图像路径重新对疑似息肉图像进行检测。2.根据权利要求1所述的一种基于卷积神经网络的息肉检测方法，其特征在于，所述第一步中采集患者肠道检测原始图像是利用结肠镜检查技术手段采集待检测原始图像，所采集的待检测患者肠道检测原始图像为高分辨率图像，利用超分辨率技术处理采集的低分辨率图像，提高图像的分辨率，减少采集图像时抖动对图像分辨率的影响。3.根据权利要求1所述的一种基于卷积神经网络的息肉检测方法，其特征在于，所述第三步中建立数据集是基于结肠镜检查的自动息肉检测识别功能对检测区域进行多角度多方位图像数据采集，以疑似目标所在区域为基准，调整采样角度α，一个采样角度下调整采2CN115861598A权利要求书2/2页样距离对疑似目标区域图像进行采样，采样端口为域A，待检测区域为域B，域A范围内有特征向量a(a1，a2，a3，...，an)，域B存在特征向量b(b1，b2，b3，...，bn)，点对点之间的距离为域A与域B之间的距离为域A