CN119399535A 基于深度学习的结直肠癌诊断辅助方法及系统 （徐州医科大学附属医院）

基于深度学习的结直肠癌诊断辅助方法及涉及一种基于深度学习的结直肠癌诊断辅助方对结直肠图像三维网络数据进行细胞关系特征2步骤S1：获取结直肠内窥镜图像数据，并对结直肠内步骤S2：根据结直肠感兴趣区域数据对结直肠内窥镜步骤S3：对第一结直肠图像分割数据进行深度特征步骤S4：对结直肠图像三维网络数据进行细胞关系特征通过高清摄像头以第一光源亮度阈值以及第一推进速度通过超高清摄像头以第二光源亮度阈值以及第二推进速度阈值进行结直肠图像采集，得到第二结直肠内窥镜图像数据，其中第一光源亮度阈值大于或等于第二光源亮度阈值，根据结直肠纹理聚类特征数据以及预设的常规结直肠纹理聚类特征数据进行相似度根据纹理聚类特征相似度数据对结直肠内窥镜图像数据进行多级确定纹理聚类特征相似度数据小于或等于预设的第一纹理聚类对纹理聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第一确定纹理聚类特征相似度数据大于预设的第一纹理聚类特征相似度阈值并小于或等根据结直肠纹理高频分量数据以及结直肠图像形状特确定结直肠图像感兴趣指数数据小于或等于预设的结直肠图像对纹理聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第一3确定结直肠图像感兴趣指数数据大于预设的结直肠图像感兴趣聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第二感兴趣确定纹理聚类特征相似度数据大于预设的第二纹理聚类特征相聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第三感兴趣注以及第三感兴趣区域标注为包含不同的感兴趣区域标注内容的感根据第二结直肠感兴趣区域数据对结直肠内窥镜图像数据根据第三结直肠感兴趣区域数据对结直肠内窥镜图像数据根据第二结直肠感兴趣区域数据对结直肠图像边缘强化数据根据第二结直肠感兴趣区域数据对结直肠内窥镜图像数据将初级第一结直肠图像分割数据以及次级第一结直肠根据结直肠纹理聚类特征数据进行高斯分布特征提取，得到纹根据纹理聚类高斯分布特征数据以及第三结直肠感兴趣区域数据对结直肠内窥镜图对结直肠图像多尺度特征数据进行多头自注意力计算，得到结直肠图像深度特征数对结直肠图像三维网络数据进行体素区域节点提取以及体素区域关根据体素区域节点数据以及体素区域关系边数据进行关系图数据构4对结直肠关系图数据进行局部邻域特征提取以及全局关系特征提取，分将结直肠局部邻域特征数据以及结直肠全局关系特征数据进行特征融根据结直肠图像深度特征数据以及结直肠图像细胞关系特征数据进行结直肠癌诊断结直肠感兴趣区域定位模块，用于获取结直肠内窥镜图结直肠图像多级分割模块，用于根据结直肠感兴趣区域结直肠图像分割数据为不同的结直肠图像分结直肠图像分割深度处理模块，用于对第一结直肠图像分割数据进行深度特征提取，结直肠癌诊断辅助作业模块，用于对结直肠图像三维网络数据进行细胞关系特征提5[0002]结直肠癌是全球范围内常见的消化道恶性肿瘤之一，发病率和死亡率均位居前[0006]步骤S2：根据结直肠感兴趣区域数据对结直肠内窥镜图像数据进行多级图像分[0009]本发明中通过定位感兴趣区域(ROI)，将关注点集中在可能存在感兴趣种类的区6[0011]通过高清摄像头以第一光源亮度阈值以及第一推进速度阈值进行结直肠图像采[0012]通过超高清摄像头以第二光源亮度阈值以及第二推进速度阈值进行结直肠图像[0015]根据结直肠纹理聚类特征数据以及预设的常规结直肠纹理聚类特征数据进行相[0017]本发明中较高的光源亮度和较慢的推进速度能够在低分辨率图像中捕捉到更多能够将相似纹理特征的像素点聚集在一起，有助于识别出具有相似感兴趣种类特征的区[0019]确定纹理聚类特征相似度数据小于或等于预设的第一纹理聚类特征相似度阈值[0020]确定纹理聚类特征相似度数据大于预设的第一纹理聚类特征相似度阈值并小于[0021]根据结直肠纹理高频分量数据以及结直肠图像形状特征数据进行感兴趣指数计[0022]确定结直肠图像感兴趣指数数据小于或等于预设的结直肠图像感兴趣指数阈值7纹理聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第二感纹理聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第三感域标注以及第三感兴趣区域标注为包含不同的感兴趣区域标注内容的感兴趣区域标注方[0029]本发明中针对第二结直肠感兴趣区域(中等风险区域)和第三结直肠感兴趣区域[0034]将初级第一结直肠图像分割数据以及次级第一结直肠图像分割数据进行图像融8[0038]根据纹理聚类高斯分布特征数据以及第三结直肠感兴趣区域数据对结直肠内窥地表达像素间的相关性和空间分布模式。高斯分布特9直肠图像分割数据进行切片堆叠，可以将不同层次的空间信息整合到一个三维体数据中，直肠局部邻域特征数据以及结直肠全局关系[0053]根据结直肠图像深度特征数据以及结直肠图像细胞关系特征数据进行结直肠癌特征的提取能够更好地区分不同形态和复杂度的感兴趣区域，有助于提高特征的区分能第二结直肠图像分割数据为不同的结直肠图像[0067]图1示出了一实施例的一种基于深度学习的结直肠癌诊断辅助方法的步骤流程[0071]图5示出了一实施例的一种结直肠图像细胞关系特征提取及结直肠癌诊断辅助作术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范[0075]来自某医疗中心的真实结直肠内窥镜图像数据集，包括500例患者的内窥镜检查病灶区域(如息肉、腺瘤、肿瘤等)。数据集分为训练集(70％)、验证集(15％)和测试集基于深度学习的YOLO(YouOnlyLookOnce)目标检测算法对图像中的病灶区域进行快速中可能的病灶区域的边界框坐标和置信度评分。将内窥镜图像输入到预训练的YOLO模型[0077]使用基于U_Net的深度卷积神经网络模型进行初级分割。输入感兴趣区域数据中[0079]使用预训练的ResNet_50模型进行深度特征提取。输入多级分割得到的病灶区域[0081]从三维网格数据中提取病灶体素的特征作为节点数据，包括每个体素的空间位[0084]在测试集上，诊断模型的准确率达到了93早期病[0088]步骤S2：根据结直肠感兴趣区域数据对结直肠内窥镜图像数据进行多级图像分[0095]将结直肠图像深度特征数据和细胞关系特征数据进行融合，形成综合特征向[0096]本发明中通过定位感兴趣区域(ROI)，将关注点集中在可能存在感兴趣种类的区[0098]步骤S11：通过高清摄像头以第一光源亮度阈值以及第一推进速度阈值进行结直[0100]步骤S12：通过超高清摄像头以第二光源亮度阈值以及第二推进速度阈值进行结[0103]步骤S13：对结直肠内窥镜图像数据进行纹理特征提取，得到结直肠纹理特征数[0107]步骤S15：根据结直肠纹理聚类特征数据以及预设的常规结直肠纹理聚类特征数[0112]确定纹理聚类特征相似度数据小于或等于预设的第一纹理聚类特征相似度阈值[0114]确定纹理聚类特征相似度数据大于预设的第一纹理聚类特征相似度阈值并小于的图像区域进行高频分量特征提取。通过边缘检测或滤波技术提取图像中细节丰富的部[0116]根据结直肠纹理高频分量数据以及结直肠图像形状特征数据进行感兴趣指数计[0117]在一实施例中，将结直肠纹理高频分量数据和结直肠图像形状特征数据进行融[0118]确定结直肠图像感兴趣指数数据小于或等于预设的结直肠图像感兴趣指数阈值纹理聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第二感纹理聚类特征相似度数据对应的结直肠内窥镜图像数据对应的图像像素区域进行第三感域标注以及第三感兴趣区域标注为包含不同的感兴趣区域标注内容的感兴趣区域标注方[0125]步骤S21：根据第二结直肠感兴趣区域数据对结直肠内窥镜图像数据进行第一图数据即为第一结直肠图像分割数据。将分割结果与第二感兴趣区域的标注数据进行比对，[0129]步骤S22：根据第三结直肠感兴趣区域数据对结直肠内窥镜图像数据进行第二图[0140]将初级第一结直肠图像分割数据以及次级第一结直肠图像分割数据进行图像融[0149]根据纹理聚类高斯分布特征数据以及第三结直肠感兴趣区域数据对结直肠内窥捕捉到图像的边缘、纹理、形状等信息。针对每个尺度层次，提取特征如局部二值模式[0163]在一实施例中，将第二结直肠图像分割数据按顺序切分成多张连续的二维切片。[0169]步骤S41：对结直肠图像三维网络数据进行体素区域节点提取以及体素区域关系性相似性，将相邻的同质体素视为同一个节点。节点信息包含体素的空间位置(x,y,z坐域节点数据中的每个节点信息加入到图的节点集中，并为每个节点分配唯一的标识符直肠感兴趣区域的空间分布及其内部关系结[0179]步骤S44：将结直肠局部邻域特征数据以及结直肠全局关系特征数据进行特征融[0180]在一实施例中，对局部邻域特征数据和全局关系特征数据分别进行标准化处[0181]步骤S45：根据结直肠图像深度特征数据以及结直肠图像细胞关系特征数据进行