一种基于深度学习采集消化道黏膜信息的方法及系统与流程

技术特征：
1.一种基于深度学习采集消化道黏膜信息的方法，其特征在于，包括深度学习模块建立方法：s101对上消化道黏膜异常区域标注后的图像进行格式转化，形成纯数字形式的图片信息；s102提取数字形式的图片信息中上消化道黏膜异常区域的特征图像信息；s103对特征图像信息进行上采样或下采样，提取特征图；s104对提取出的特征图进行压缩；s105将提取到的特征图还原成输入图像；s106对输入图像中黏膜异常区域进行标识，并输出图像。2.根据权利要求1所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述s101中纯数字形式的图片信息为张量或数字矩阵。3.根据权利要求1所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述s102提取数字形式的图片信息中上消化道黏膜异常区域的特征信息包括：数字形式的图片信息中存在若干特征提取层，提取输入的图像中的特征，具体做法为，采用一个固定大小的卷积核，在输入中逐像素平移，利用卷积运算强化特征，卷积运算生成的矩阵可以作为输出，形成上消化道黏膜异常区域的特征信息。4.根据权利要求1所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述s103中下采样方法为：对于尺寸为m
×
n的特征图像信息，对其进行s倍下采样，即得到(m/s)(n/s)尺寸的得分辨率图像，其中s是m和n的公约数；若上消化道黏膜异常区域的特征信息为矩阵形式的特征图像信息，则将原始图像s
×
s窗口内的图像作为一个像素，以该像素点值作为s
×
s窗口内所有像素的均值。5.根据权利要求1所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述s103中上采样方法为：在原有图像像素的基础上在像素点之间采用插值算法插入新的元素，从而扩大特征图像信息的大小。6.根据权利要求1所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述s106对输入图像中黏膜异常区域进行标识，并输出图像包括：对特征图像信息中黏膜异常区域的所在像素点进行坐标标定，形成标识。7.根据权利要求1所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述s104对提取出的特征图进行压缩包括平均池化模式和/或最大池化模式。8.根据权利要求7所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述平均池化模式为：对特征图邻域内的特征点求平均。9.根据权利要求7所述一种基于深度学习采集消化道黏膜信息的方法，其特征在于，所述最大池化模式为：对特征图邻域内的特征点取最大，将输入的特征图划分为若干个矩形区域，对每个子区域输出最大值。10.一种运行权利要求1
‑
9任一项所述方法的系统，其特征在于，所述系统包括深度学习模块，所述深度学习模块包括输入层、提取层、采样层、池化层、反卷积层、输出层，所述采样层包括上采样层和/或下采样层；
所述输入层用于对上消化道黏膜异常区域标注后的图像进行格式转化，形成纯数字形式的图片信息；所述提取层用于提取数字形式的图片信息中上消化道黏膜异常区域的特征图像信息；所述采样层用于对特征图像信息进行上采样或下采样，提取特征图；所述池化层用于对提取出的特征图进行压缩；所述反卷积层用于将提取到的特征图还原成输入图像；所述输出层用于对输入图像中黏膜异常区域进行标识，并输出图像。

技术总结
本发明提供了一种基于深度学习采集消化道黏膜信息的方法包括深度学习模块建立方法：S101对上消化道黏膜异常区域标注后的图像进行格式转化，形成纯数字形式的图片信息；S102提取数字形式的图片信息中上消化道黏膜异常区域的特征图像信息；S103对特征图像信息进行上采样或下采样，提取特征图；S104对提取出的特征图进行压缩；S105将提取到的特征图还原成输入图像；S106对输入图像中黏膜异常区域进行标识，并输出图像。本发明通过深度学习，可对消化道黏膜异常的图像信息进行积累，实现对图像的自动化分析，提高分析效率。提高分析效率。提高分析效率。


技术研发人员：胡延兴
受保护的技术使用者：厦门影诺医疗科技有限公司
技术研发日：2021.07.20
技术公布日：2021/11/29