技术特征：
1.一种宫腔镜下子宫内膜图像处理系统，其特征在于，包括：图像获取模块：被配置为用于获取待识别的宫腔镜图片；特征提取模块：被配置为用于对获取的图像进行特征提取；识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。2.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：图像特征提取的方法通过卷积神经网络进行提取。3.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：双分枝编解码网络结构，包括骨干网络，连接在骨干网络输出端的类型预测分支网路以及区域预测分支网络；其中，类型预测网络包括依次连接的编码器、解码器和分类器，分类器输出预测类型后得到相应的分数；区域预测网络包括依次连接的编码器、解码器以及回归器。4.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：还包括双分枝编解码网络的训练模块，被配置为执行以下过程：构建图片数据集，针对每张图像中的异常区域，标注出异常区域、异常区域类型和评分；对数据集进行数据扩充增强操作，提高数据集的数据量；将扩充后的数据分为训练集和测试集；将训练集的数据进行特征提取后，输入至双分枝编解码网络进行训练，计算损失函数，直到达到损失函数小于设定值以及达到设定的训练次数，得到双分枝编解码网络的参数；将测试集的数据进行特征提取后，输入至双分枝编解码网络进行测试，评估双分枝编解码网络的准确率，当满足测试要求，得到训练后的双分枝编解码网络；否则，继续训练直到满足测试要求。5.如权利要求4所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：训练过程中损失函数包括区域损失与评分损失。6.如权利要求4所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：训练模块还被配置为执行双分枝编解码网络优化的过程，包括如下：获取未标注的宫腔镜图片，作为新数据集；将新数据集的图像提取特征后，输入至训练好的双分枝编解码网络，进行识别，对识别结果进行人工筛选，得到识别错误的图像样本；对错误的图像样本进行重新标记，标注的信息包括标注出异常区域、异常区域类型，得到修正标记后的优化数据集；将优化数据集的图像进行特征提取后，输入至训练好的双分枝编解码网络，基于优化后的新数据集模型进行重新训练，计算损失函数，直到达到损失函数小于设定值以及达到设定的训练次数，得到优化训练后的双分枝编解码网络的参数，即为得到优化训练的双分枝编解码网络。7.如权利要求1所述的一种宫腔镜下子宫内膜图像处理系统，其特征在于：
所述异常区域包括弥漫性充血区域、局灶性充血区域、散在点状充血区域、子宫内膜血管增粗区域、子宫内膜微小息肉区域以及子宫内膜息肉区域。8.一种宫腔镜下子宫内膜图像处理系统，其特征在于，包括：图像采集装置以及处理器；其中，所述图像采集装置为宫腔镜设备；所述处理器包括：图像获取模块：被配置为用于获取待识别的宫腔镜图片；特征提取模块：被配置为用于对获取的图像进行特征提取；识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。9.一种宫腔镜下子宫内膜图像处理方法，其特征在于，包括如下步骤：获取待识别的宫腔镜图片；对获取的图像进行特征提取；将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；所述双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。10.如权利要求9所述的一种宫腔镜下子宫内膜图像处理方法，其特征在于：还包括双分枝编解码网络的训练的过程，步骤如下：构建图片数据集，针对每张图像中的异常区域，标注出异常区域、异常区域类型和评分；对数据集进行数据扩充增强操作，提高数据集的数据量；将扩充后的数据分为训练集和测试集；将训练集的数据进行特征提取后，输入至双分枝编解码网络进行训练，计算损失函数，直到达到损失函数小于设定值以及达到设定的训练次数，得到双分枝编解码网络的参数；将测试集的数据进行特征提取后，输入至双分枝编解码网络进行测试，评估双分枝编解码网络的准确率，当满足测试要求，得到训练后的双分枝编解码网络；否则，继续训练直到满足测试要求；或者，训练的过程还包括以下步骤：获取未标注的宫腔镜图片，作为新数据集；将新数据集的图像提取特征后，输入至训练好的双分枝编解码网络，进行识别，对识别结果进行人工筛选，得到识别错误的图像样本；对错误的图像样本进行重新标记，标注的信息包括标注出异常区域、异常区域类型，得到修正标记后的优化数据集；将优化数据集的图像进行特征提取后，输入至训练好的双分枝编解码网络，基于优化后的新数据集模型进行重新训练，计算损失函数，直到达到损失函数小于设定值以及达到
设定的训练次数，得到优化训练后的双分枝编解码网络的参数，即为得到优化训练的双分枝编解码网络。
技术总结
本公开涉及智能医疗及人工智能技术领域，提出了一种宫腔镜下子宫内膜图像处理系统及图像处理方法，系统包括：图像获取模块：被配置为用于获取待识别的宫腔镜图片；特征提取模块：被配置为用于对获取的图像进行特征提取；识别模块：被配置为用于将提取的特征输入至训练好的双分枝编解码网络，得到异常区域和评分；所述识别模块的双分枝编解码网络包括两个分支网络，每个分支分别包括依次连接的编码器和解码器，其中一个分枝用于预测异常区域在图像中的分割区域，另一个分枝用于对异常区域的类型和评分进行预测。针对宫腔镜图像进行人工智能图像识别，得到异常区域的区域和评分，对内膜炎的诊断进行智能辅助。内膜炎的诊断进行智能辅助。内膜炎的诊断进行智能辅助。
技术研发人员：颜磊 陈子江
受保护的技术使用者：山东大学
技术研发日：2022.05.12
技术公布日：2022/8/12