一种基于深度聚类标签修正的肠镜清洁度评价方法及系统

本发明属于深度学习和医学图像处理，尤其涉及一种基于深度聚类标签修正的肠镜清洁度评价方法及系统。

背景技术：

1、结肠镜检查是检测结肠病变的技术手段，但其必须在结肠清洁的情况下才能有效进行。所以，充分的肠道清洁准备对腺瘤检出率和盲肠插管率等关键指标具有重要影响，是全面检查结肠粘膜的必要条件。在结肠镜检查中，可靠的肠道准备评估是质控的重点。目前，只有少数几个经过验证的肠道准备量表得到广泛应用，包括aronchick量表、渥太华肠道准备量表和波士顿肠道准备量表(bbps)等。bbps被认为是一种被推荐使用的标准化方法。首先，在没有客观评估的情况下，内窥镜医师在可接受的清洁程度上可能存在很大差异。其次，内窥镜医生可能会有自己对合理清洁的结肠段的定义，根据时间限制或疲劳等外部变量改变他们的清洁力度。最后，由于对记忆的依赖，术后肠准备质量评分可能不准确，这些都会影响肠道准备的科学评估。

2、文献[1](low d j,zhuoqiao h,sechiv j,et al.automated detection ofbowel preparation scoring and adequacy with deep convolutional neuralnetworks[j].journal of the canadian association of gastroenterology[2023-12-11].doi:10.1093/jcag/gwac013.)根据bbps标准运用深度网络对图像进行四分类，计算平均分实现肠道准备评价。但是会出现大部分图像未淹没在不透明液体中、反光、结肠管腔收缩以及使用喷水器的情况，误判增多评估结果被干扰。文献[2](李昊,于天成,刘奇为.肠道清洁度的检测方法及装置:202210402593[p][2023-12-11].)结合拍摄区域信息，确定肠道不清洁图像占比，并根据预设清洁度权重系数进行加权求和。这种加权的方式在更新数据分布或与训练样本特征不相似时泛化性差。目前关于肠道清洁度公共数据集只有nerthus，其包含的特征较少，因此需要扩充数据集。此时如果经验匮乏则会出现标注不准确现象，若要修正则需要医生辅助，分数划定具有较强的主观性，需要多人商定，导致需要耗费大量的人工和时间成本。

3、因此，在缺乏标注或标签模糊的场景下，判断图片是否适用于bbps标准，设计自适应修正模糊标签的深度聚类方法，计算肠镜清洁度，能够根据数据的分布和特征自动调整聚类结果，更好地适应不同清洁度的肠道图像，降低对手工标注的依赖性，减少了人工标注的成本和时间，使算法更具可扩展性和实用性，是本领域亟需实现的目标。

技术实现思路

1、针对现有技术肠镜清洁度评价方法存在的问题，本发明提出了一种基于深度聚类标签修正的肠镜清洁度评价方法及系统。波士顿肠道准备量表作为评价标准，采用swintransformer作为筛选网络，筛除不适应于此准则且有可能误诊的图片，以保证高质量计算；再经深度聚类学习逐帧区分清洁度，结合真伪标签对模糊标注进行优化修正，根据帧得分计算清洁度结果。

2、本发明方法，具体包含以下步骤：

3、一种基于深度聚类标签修正的肠镜清洁度评价方法，按如下步骤：

4、步骤1：获取肠道内窥镜图像并进行预处理；

5、步骤2：应用bbps准则，对肠道内窥镜图像的合适性进行筛选；

6、步骤3：在bbps标准下，对筛选后肠道内窥镜图像的清洁度进行深度聚类分级，获得优化模型参数；

7、步骤4：加载所述的优化模型参数，对待处理的肠道内窥镜图像进行清洁度评价。

8、优选的，步骤1：肠道内窥镜数据准备及预处理

9、本发明针对的是肠道内窥镜图片，将视频截取为从回盲部结束到出镜体外的片段，再剪切成图像帧。这些图像分为两部分：一部分构成训练集，用于区分带有设备、气泡、出血、模糊四种情况的图像，通过使用图像的均值和标准差进行归一化。另一部分则是无标注的待分类数据集，用于有效性测试。

10、优选的，步骤2：应用bbps准则的合适性筛选

11、波士顿准则，又称bbps(boston bowel preparation scale)是一种被广泛用于结肠镜检查清洁度评估的标准。该准则对结肠镜检查中的右半结肠、横结肠和左半结肠进行综合评分，分别从0到3分，最终形成整个检查的清洁度分数，范围为0至9分。当检查过程中出现冲水清理操作，此时粪水会使镜头模糊或产生大量气泡；当摘除息肉或活检采样时，组织出血覆盖肠道，这些都会导致得分偏低。为降低这些高频操作对清洁度计算带来的影响，采用swin transformer作为筛选网络，对结肠图像的清晰度和合适性进行精确的评估，旨在有效地识别并过滤出不适合用于bbps准则的结肠道内窥镜图像，进一步提高了结肠镜检测模型对于质量良好图像的训练和测试效果。

12、表1.波士顿肠道准备量表(bbps)

13、

14、优选的，步骤3：bbps标准下的清洁度深度聚类分级

15、步骤3.1：基于深度卷积网络的特征提取及清洁度预测

16、将筛选后的图片输入至深度卷积网络，此处使用标准的alexnet架构，由5个卷积层组成，分别有96、256、384、384和256个滤波器，三个完全连接的层。删除局部响应规范化层，并使用批处理规范化。用基于sobel滤波器的固定线性变换来去除颜色并增加局部对比度。经过网络将图像转换为可用于聚类的特征向量，同时也给出初步的分类预测结果。

17、步骤3.2：聚类生成伪标签

18、卷积网络将原始图像映射到固定维向量空间，用fθ表示卷积映射，其中θ是相应参数的集合。此映射应用到图像上得到的向量称为特征或表示。给定训练集x＝{x1,x2,...,xn}，目标是找到一个参数θ*，使得映射产生良好的通用特征。采用k均值方法，随机选择k个数据点作为初始聚类中心，通过交替的分配数据点到最近的聚类中心和更新聚类中心的步骤来迭代进行优化。计算标准测度函数，直到达到最大迭代次数则停止，否则继续操作确定最优的聚类中心。由卷积网络产生的特征fθ(xn)，并根据几何准则将它们聚类成k个不同的组。共同学习一个d*k的质心矩阵c和每个图像n的聚类分配yn。

19、

20、其中，rd×k为d×k维度的实数矩阵，训练集x＝{x1,x2,...,xn}，样本总数量为n，表示x中的第n个样本xn聚类结果为yn时对应的质心矩阵；

21、根据公式(1)可得一组最优分配和一个质心矩阵c*。然后将对应xn的最优分配值用作伪标签，不用质心矩阵。该算法可以保证较好的伸缩性，同时算法复杂度低。

22、步骤3.3：真伪标签协同标签修正及参数更新

23、若数据集本身有标注，但是部分数据类别模糊，将真实标签加入进行伪标签修正，不确定部分仍然保持伪标签，控制每次聚类伪标签的主要方向。通过深度卷积网络预测类别标签，对特征聚类产生伪标签，两种方法之间交替使用来更新卷积网络的参数，达到深度聚类的目的。使用多项逻辑损失函数，小批量随机梯度下降和反向传播来计算梯度。判别模型学习类之间的决策边界，可能出现最优的决策边界将所有输入分配到单个聚类的问题。此时随机选择一个非空簇，并使用具有小随机扰动的质心作为空簇的新质心，将属于非空聚类的点重新分配给两个结果聚类。当每个类的图像数量高度不平衡时，会出现少数标签主导整个分布问题。为规避这个问题采取基于类的均匀分布或伪标签对图像进行采样。

24、

25、使用归一化互信息(nmi)来度量相同数据的两个不同赋值a和b之间共享的信息，其中i表示互信息，h表示熵。该度量可以应用于来自聚类或真标签的任何分配。如果a和b两个赋值是独立的，则nmi等于0。如果其中一个可以确定地预测另一个，则nmi等于1。

26、优选的，步骤4：模型验证及应用

27、模型验证中，加载上述步骤训练得到的优化模型参数，将待处理的视频进行标准化切分操作，并统一视频帧大小。应用训练好的swin transformer网络筛除不适合应用bbps准则的肠镜图片，将剩余部分作为测试使用。载入之前通过训练得到的深度聚类模型的权重和结构，若测试时有部分确定标签，使用训练好的深度聚类网络预测清洁度。将聚类结果可视化，检查每个聚类的代表性样本，分析聚类是否符合预期。若含模糊标签的半监督情况下准确率达到80％，或无标签的无监督情况下准确率达到60％，此时可供辅助实际标注应用。以上条件若符合则按照公式(3)计算总清洁度：

28、

29、其中参加测试共n帧，s＝{s1,s2,...,sn}集合中分别对应为第n帧的清洁度得分，逐帧求和结果取平均向下整数得总肠道清洁度。

30、本发明还公开了一种基于深度聚类标签修正的肠镜清洁度评价系统，其包括如下模块：

31、图像获取模块：获取肠道内窥镜图像并进行预处理；

32、筛选模块：应用bbps准则，对肠道内窥镜图像的合适性进行筛选；

33、模型参数优化模块：在bbps标准下，对筛选后肠道内窥镜图像的清洁度进行深度聚类分级，获得优化模型参数；

34、评价模块：加载所述的优化模型参数，对待处理的肠道内窥镜图像进行清洁度评价。

35、本发明的有益效果如下：

36、本发明提出了一种基于深度聚类标签修正的肠镜清洁度评价方法及系统。波士顿肠道准备量表作为评价标准，筛除不适应于此准则且有可能误导诊断的图片，保证高质量计算。采用深度聚类学习逐帧区分清洁度，结合真伪标签对模糊标注进行优化修正，针对特征不断调整聚类中心和卷积参数得到预期标注分数，根据帧得分计算清洁度结果。本发明能够灵活地适应多样性的肠镜图像特征，为后续研究提供了更多样本的标注机会，辅助缩小标注范围，有助于促进技术进步。