基于深度学习的气管镜图像特征识别系统及方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112614566A(43)申请公布日2021.04.06(21)申请号202011501259.6G06K9/62(2006.01)(22)申请日2020.12.18G06T7/00(2017.01)G06T7/73(2017.01)(71)申请人上海市胸科医院G06F16/51(2019.01)地址200030上海市徐汇区淮海西路241号申请人上海镜影信息科技有限公司(72)发明人孙加源刘奇为李营谢芳芳吴炜进(74)专利代理机构上海双霆知识产权代理事务所(普通合伙)31415代理人张骥(51)Int.Cl.G16H30/20(2018.01)G16H40/63(2018.01)G09B23/28(2006.01)G06K9/00(2006.01)权利要求书3页说明书6页附图4页(54)发明名称基于深度学习的气管镜图像特征识别系统及方法(57)摘要本发明公开了一种基于深度学习的气管镜图像特征识别系统，包括图像监测模块，被配置为用于接收气管镜所采集的图像，并将所接收的气管镜图像传递给深度学习模型；深度学习模型；以及图像演示模块，被配置为将来自于深度学习模型的所述模型一识别结果、模型二识别结果和模型三识别结果进行显示。本发明能够识别不同类别气管镜部位的特征，从而降低检查盲区、提高气管镜检查水平，从而有望缩小不同水平气管镜医生之间的操作差异。本发明还公开了一种基于深度学习的气管镜图像特征识别方法。CN112614566ACN112614566A权利要求书1/3页1.一种基于深度学习的气管镜图像特征识别系统，其特征在于，包括：图像监测模块，被配置为用于接收气管镜所采集的图像，并将所接收的气管镜图像传递给深度学习模型；深度学习模型，包括模型一、模型二、模型三；所述模型一为根据合格图像库训练完成的卷积神经网络模型，被配置为用于接收来自于图像监测模块的气管镜图像，模型一对该气管镜图像进行识别，判断其是否为合格图像，若不合格，则模型一将该气管镜图像判断为“不合格图像”作为模型一识别结果传输给图像演示模块，并继续接收来自于图像监测模块的气管镜图像；若合格，则模型一将该气管镜图像判断为“合格图像”并传输给深度学习模型的模型二；所述模型二为根据体内/体外图像库训练完成的卷积神经网络模型，被配置为用于接收来自于模型一的合格图像，模型二对该合格图像进行识别，判断其是否在体内，若识别为体外图像，则模型二将该合格图像判断为“体外图像”作为模型二识别结果传输给图像演示模块，并继续接收来自于模型一的合格图像；若识别为体内图像，则模型二将该合格图像判断为“体内图像”并传输给深度学习模型的模型三；所述模型三为根据部位图像库训练完成的卷积神经网络模型，被配置为用于接收来自于模型二的体内图像，模型三对该体内图像进行部位识别，识别该体内图像的具体部位并进行标注，得到部位标注图像作为模型三识别结果，并将该识别结果传输给图像演示模块；以及图像演示模块，被配置为将来自于深度学习模型的所述模型一识别结果、模型二识别结果和模型三识别结果进行显示。2.根据权利要求1所述的基于深度学习的气管镜图像特征识别系统，其特征在于，所述识别系统还包括表示气管各部位的部位显示图像；图像演示模块调用部位显示图像，将模型三识别结果与部位显示图像进行叠加展示。3.一种基于深度学习的气管镜图像特征识别方法，其特征在于，包括以下步骤：步骤S1，气管镜设备采集气管镜图像；步骤S2，图像监测模块接收来自于气管镜设备所采集的气管镜图像，并上传至深度学习模型；步骤S3，深度学习模型的模型一接收来自于图像监测模块的气管镜图像，模型一对该气管镜图像进行识别，判断其是否为合格图像，若不合格，则模型一将该气管镜图像判断为“不合格图像”作为模型一识别结果传输给图像演示模块，并继续接收来自于图像监测模块的气管镜图像；若合格，则模型一将该气管镜图像判断为“合格图像”并传输给深度学习模型的模型二；步骤S4，深度学习模型的模型二接收来自于模型一的合格图像，模型二对该合格图像进行识别，判断其是否在体内，若识别为体外图像，则模型二将该合格图像判断为“体外图像”作为模型二识别结果传输给图像演示模块，并继续接收来自于模型一的合格图像；若识别为体内图像，则模型二将该合格图像判断为“体内图像”并传输给深度学习模型的模型三；步骤S5，深度学习模型的模型三接收来自于模型二的体内图像，模型三对该体内图像进行部位识别，识别该体内图像的具体部位并进行标注，得到部位标注图像作为模型三识2CN112614566A权利要求书2/3页别结果，并将该识别结果传输给图像演示模块；步骤S6，图像演示模块接收来自于模型一的不合格图像、来自于模型二的体外图像以及来自于模型三的部位标注图像并进