一种基于机器学习辅助的胃镜下食管白斑识别方法及装置

本发明公开一种基于机器学习辅助的胃镜下食管白斑识别方法及装置，涉及生物医学图像处理。

背景技术：

1、食管白斑是内镜下常见的表现，实时的鉴别诊断至关重要，特别是食管癌与其他疾病的鉴别。当怀疑食管癌时，内镜医师往往需要活检以明确诊断；怀疑霉菌性食管炎时，需要涂片活检，或不活检直接进行经验性抗菌治疗；而怀疑糖原棘皮病或者食管乳头状瘤时，则可以暂缓活检，定期复查内镜。

2、上述疾病在内镜下的表现较为相似，所以单独依靠白光内镜鉴别食管白斑较为困难。窄带成像（nbi）是一种特殊的电子染色技术，能增强黏膜及黏膜下层的血管信息，不仅能发现鳞状细胞癌，还能通过上皮乳头内血管袢（ipcl）的形态、分布，判断病变的范围和浸润深度。然而，不同级别的内镜医师的水平存在较大差异，往往会增加很多不必要的活检，造成医疗资源的过度使用并增加患者花费。更严重的是对食管癌的漏诊，会导致疾病迅速进展，而威胁患者生命。因此，对于内镜医生来说，食管白斑的实时鉴别诊断具有重要的临床价值。

3、基于人工智能（ai）的计算机辅助诊断（cad）系统越来越多地用于简化和标准化医学成像的诊断。多项研究表明人工智能在内窥镜检查中具有强大的作用，例如息肉和早癌的检测等。尽管人工智能在内窥镜检查中的应用越来越多，但尚未有使用人工智能区分食管白斑，评估其协助内镜医生能力的相关研究。

技术实现思路

1、本发明针对现有技术的问题，提供一种基于机器学习辅助的胃镜下食管白斑识别方法及装置，所采用的技术方案为：

2、第一方面，一种基于机器学习辅助的胃镜下食管白斑识别方法，所述方法获取具有食管白斑特征的内镜图像，通过多级特征提取网络进行特征提取，具体步骤包括：

3、s1，获取具有食管白斑特征的wle白光内镜图像和nbi窄带成像内镜图像，形成内镜图像数据集；

4、s2，根据所述内镜图像数据集，通过卷积通道进行特征提取；所述卷积通道包括深度层和蒸馏层；

5、s3，根据所述特征提取的结果，通过激活函数进行融合，得到特征提取效果；

6、s4，根据所述特征提取效果，通过最大池化层和全连接层进入soft-max分类器，输出分类结果；

7、s5，根据所述分类结果，通过混淆矩阵展示模型进行进行评估。

8、在一些实现方式中，s1还包括：根据所述多级特征提取网络，通过esca注意力块进行性能提升；

9、其中，所述esca注意力块通过将通道注意力和空间注意力相结合实现。

10、在一些实现方式中，s5还包括：根据所述混淆矩阵展示模型，通过准确度、灵敏度、特异度、精度、及f1值方面进行模型性能评估。

11、在一些实现方式中，s5还包括：通过可视化模型关注的区域对所述混淆矩阵展示模型的评估过程进行展示。

12、第二方面，本发明实施例提供一种基于机器学习辅助的胃镜下食管白斑识别装置，所述装置获取具有食管白斑特征的内镜图像，通过多级特征提取网络进行特征提取，具体装置包括：

13、数据获取单元，用于获取具有食管白斑特征的wle白光内镜图像和nbi窄带成像内镜图像，形成内镜图像数据集；

14、特征获取单元，用于根据所述内镜图像数据集，通过卷积通道进行特征提取；所述卷积通道包括深度层和蒸馏层；

15、特征融合单元，用于根据所述特征提取的结果，通过激活函数进行融合，得到特征提取效果；

16、特征分类单元，用于根据所述特征提取效果，通过最大池化层和全连接层进入soft-max分类器，输出分类结果；

17、分类评估单元，用于根据所述分类结果，通过混淆矩阵展示模型进行进行评估。

18、在一些实现方式中，所述数据获取单元还包括：根据所述多级特征提取网络，通过esca注意力块进行性能提升；

19、其中，所述esca注意力块通过将通道注意力和空间注意力相结合实现。

20、在一些实现方式中，分类评估单元还包括：用于根据所述混淆矩阵展示模型，通过准确度、灵敏度、特异度、精度、及f1值方面进行模型性能评估。

21、在一些实现方式中，分类评估单元还包括：用于通过可视化模型关注的区域对所述混淆矩阵展示模型的评估过程进行展示。

22、第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时，实现如上述第一方面所述的方法。

23、第四方面，本发明实施例提供一种计算机存储介质，所述计算机可读取存储介质中存储有计算机程序，所述计算机程序被处理器执行时，用实现如第一方面所述的方法。

24、本发明的一个或多个实施例至少能够带来如下有益效果：本发明方法通过深度学习对食管白斑进行识别与鉴别，首次探索了深度学习在食管白斑鉴别诊断中的可能性。研究所提出的模型取得了较高的诊断效能，有助于弥补内镜医生误诊或漏诊的不足，且有望提示与指导下一步的临床决策，减少不必要的活检，为临床内镜医生提供诊疗思路上的指导和帮助，同时也将降低医疗成本和节约医疗资源。

技术特征：

1.一种基于机器学习辅助的胃镜下食管白斑识别方法，其特征在于，所述方法获取具有食管白斑特征的内镜图像，通过多级特征提取网络进行特征提取，具体步骤包括：

2.根据权利要求1所述的方法，其特征在于，s1还包括：根据所述多级特征提取网络，通过esca注意力块进行性能提升；

3.根据权利要求2所述的方法，其特征在于，s5还包括：根据所述混淆矩阵展示模型，通过准确度、灵敏度、特异度、精度、及f1值方面进行模型性能评估。

4.根据权利要求3所述的方法，其特征在于，s5还包括：通过可视化模型关注的区域对所述混淆矩阵展示模型的评估过程进行展示。

5.一种基于机器学习辅助的胃镜下食管白斑识别装置，其特征在于，所述装置获取具有食管白斑特征的内镜图像，通过多级特征提取网络进行特征提取，具体装置包括：

6.根据权利要求5所述的装置，其特征在于，所述数据获取单元还包括：根据所述多级特征提取网络，通过esca注意力块进行性能提升；

7.根据权利要求6所述的装置，其特征在于，分类评估单元还包括：用于根据所述混淆矩阵展示模型，通过准确度、灵敏度、特异度、精度、及f1值方面进行模型性能评估。

8.根据权利要求7所述的装置，其特征在于，分类评估单元还包括：用于通过可视化模型关注的区域对所述混淆矩阵展示模型的评估过程进行展示。

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如上述权利要求1-4中任意一项所述的基于机器学习辅助的胃镜下食管白斑识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上述权利要求1-4中任意一项所述的基于机器学习辅助的胃镜下食管白斑识别方法。

技术总结本发明公开一种基于机器学习辅助的胃镜下食管白斑识别方法及装置，涉及生物医学图像处理技术领域。本发明方法通过深度学习对食管白斑进行识别与鉴别，首次探索了深度学习在食管白斑鉴别诊断中的可能性。研究所提出的模型取得了较高的诊断效能，有助于弥补内镜医生误诊或漏诊的不足，且有望提示与指导下一步的临床决策，减少不必要的活检，为临床内镜医生提供诊疗思路上的指导和帮助，同时也将降低医疗成本和节约医疗资源。技术研发人员：赵琪,赵子健,曹若凡受保护的技术使用者：山东第一医科大学附属省立医院（山东省立医院）技术研发日：技术公布日：2024/8/1