一种基于深度学习和内窥镜图像的巴雷特食管诊断系统的制作方法

本发明涉及一种基于深度学习和内窥镜图像的巴雷特食管诊断系统。

背景技术：

巴雷特(barrett)食管继发于长期胃食管反流，耐酸单层柱状上皮逐渐替代食管下段复层鳞状上皮，可有肠化或无肠化。barrett食管如伴异型增生，最终可致食管腺癌发生，故被视为癌前病变。barrett食管中出现有高度异型增生则是进展为侵袭性食管腺癌前的关键步骤。barrett食管患者发生食管腺癌的风险为普通人群的30-125倍，而食管癌死亡率约占恶性肿瘤死亡35.12％。因此,对barrett食管的检测和治疗具有很大的临床价值。

目前，内镜下消除barrett食管，以其微创优势而被广泛应用。内镜下微创治疗主要分为两步：

(1)内镜活检识别barrett食管；

(2)内镜下黏膜切除。

同时巴雷特食管具有较明显的特征，即食管末端的耐酸单层柱状上皮逐渐替代食管下段复层鳞状上皮，所以在实际诊断中，我们可以通过算法对计算机进行识别训练，从而逐渐做到使用计算机识别替代专家识别，以提升诊断效率，并节约医护资源。

计算机深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

通过将计算机深度学习与医疗诊断相结合的模式，可以运用到绝大多数疾病的前期诊断中，计算机通过学习该疾病领域中的专家诊断方法，可以大大的提升医疗诊断水平，并减轻现有医护人员的工作量。

技术实现要素：

本发明的目的是为了解决以上现有技术的不足，提供一种基于深度学习和内窥镜图像的巴雷特食管诊断系统。

一种基于深度学习和内窥镜图像的巴雷特食管诊断系统，包括以下步骤：

①、建立深度学习系统；

②、设置初步采集点，计算机自动控制内窥镜对初步采集点进行图像采集，采集的图像发送至判断单元；

③、判断单元对图像进行初步判断，并做出初步决定，即是否进行进一步图像采集；

④、若判断需要进一步采集，计算机即控制内窥镜进行进一步图像采集，进一步图像采集的采集点数量为初步采集的1-3倍；

⑤、诊断单元对所有图像进行集中处理诊断。

深度学习系统包括若干个单次学习单元，所述的单次学习单元包括以下步骤：

①、采集症状，根据数据库中的存储信息与图像进行逐一对比，并生成相似度；

②、机器对相似度进行计算，并得出机器结论；

③、专家同时对采集的图像进行判断，并得出专家结论；

④、判断专家结论与机器结论是否一致，并将此次诊断记录在行为数据库中。

深度学习系统的步骤②中，机器判断的判断方式为：

①、在图片上选取典型特征，并通过典型特征排除未探测到食管的图像；

②、将剩余的图像进行编号，并抽取不连续的n张照片作为待处理图像；

③、在n张照片内依次抽取三张照片进行初步分析，分析其与数据库中的典型案例的相似度；

若相似度超过60％，则根据该张图像的编号，抽取其所有的临近图像，将临近图像进行分析，若相似度仍超过65％，则判断为有病；

若相似度低于20％，则继续在n张照片中抽取图像进行判断，若仍低于20％，则判断为无病；

若相似度为20％-60％之间，则重新抽取三张照片进行初步分析，或通过专家判断介入，以补充机器学习能力。

深度学习系统内设有算法训练模块，所述的算法训练模块包括以下模块：数据管理模块、数据转化模块、结果评估模块和模型预测模块。

内窥镜包括内窥镜探头，所述的内窥镜探头通过光导纤维与光源相连，内窥镜的上端通过控制器与电机相连；内窥镜探头的输出端与图像传感器相连，所述的图像传感器、控制器均与判断单元相连。

有益效果：

本系统将深度学习系统与医疗诊断相结合，可以有效的提升巴雷特食管的诊断效率，并减轻医护人员的工作量。

深度学习系统在诊断过程中不断完善学习，可以不断的提高诊断效率与诊断准确率，有效地提升了辅助诊疗和科研效率，减轻了医生负担，节约了医疗资源。

附图说明

图1是内窥镜的控制结构示意图；

图2是算法训练模块的流程示意图；

图3是单次学习单元的流程示意图；

1.内窥镜探头2.光源3.光导纤维4.控制器5.电机6.图像传感器7.存储单元8.图像处理单元。

具体实施方式

为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

如图1所示，内窥镜包括内窥镜探头1，所述的内窥镜探头1通过光导纤维3与光源2相连，内窥镜探头1的上端通过控制器4与电机5相连；内窥镜探头1的输出端与图像传感器6相连，所述的图像传感器6、控制器4均与判断单元相连。

使用该种内窥镜系统的一种基于深度学习和内窥镜图像的巴雷特食管诊断系统，包括以下步骤：

①、建立深度学习系统；

②、设置初步采集点，计算机自动控制内窥镜对初步采集点进行图像采集，采集的图像发送至判断单元；

③、判断单元对图像进行初步判断，并做出初步决定，即是否进行进一步图像采集；

④、若判断需要进一步采集，计算机即控制内窥镜进行进一步图像采集，进一步图像采集的采集点数量为初步采集的1-3倍；

⑤、诊断单元对所有图像进行集中处理诊断。

深度学习系统包括若干个单次学习单元，所述的单次学习单元包括以下步骤：

①、采集症状，根据数据库中的存储信息与图像进行逐一对比，并生成相似度；

②、机器对相似度进行计算，并得出机器结论；

③、专家同时对采集的图像进行判断，并得出专家结论；

④、判断专家结论与机器结论是否一致，并将此次诊断记录在行为数据库中。

深度学习系统的步骤②中，机器判断的判断方式为：

①、在图片上选取典型特征，并通过典型特征排除未探测到食管的图像；

②、将剩余的图像进行编号，并抽取不连续的n张照片作为待处理图像；

③、在n张照片内依次抽取三张照片进行初步分析，分析其与数据库中的典型案例的相似度；

若相似度超过60％，则根据该张图像的编号，抽取其所有的临近图像，将临近图像进行分析，若相似度仍超过65％，则判断为有病；

若相似度低于20％，则继续在n张照片中抽取图像进行判断，若仍低于20％，则判断为无病；

若相似度为20％-60％之间，则重新抽取三张照片进行初步分析，或通过专家判断介入，以补充机器学习能力。

深度学习系统内设有算法训练模块，所述的算法训练模块包括以下模块：数据管理模块、数据转化模块、结果评估模块和模型预测模块。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。