CN119399679A 基于深度学习的胶囊内窥镜图像辅助诊断方法 （浙江势通机器人科技有限公司）

基于深度学习的胶囊内窥镜图像辅助诊断种基于深度学习的胶囊内窥镜图像辅助诊断方几何变换和标准化处理，并利用K_means算法聚申请能够大幅度减少医生在图像分析中的工作2采集无线胶囊内窥镜拍摄的消化道的原始图像序列，筛选出所述原始从吞服胶囊直至其自然排出体外期间全部影对标注后的所述图像序列依次进行数据增强、几何变换和标准化处理，并利用K_通过胶囊内窥镜图像数据集训练所述胶囊内窥镜图像辅助诊断模将所述图像序列作为输入，输入到图像预处理阶段，通过数据增强技使经过数据增强后的病灶图像集符合深度学习模型的输将经过几何变换后的所述病灶图像集作为输入，对图像进行均值标在所述特征提取主干网络中，利用可变形卷积模块重构特征在所述特征融合颈部网络中，引入Gather_and_Distribute机制对不同层级的特征进3在损失函数中，损失函数包括类别损失函数和边界框损失函数，通过将胶囊内窥镜图像数据集分组，并针对每一组计算每个卷积核位在主干网络结构尾部增加CA注意力机制，所述CA注意力机制通过在优化所述特征融合颈部网络中，所述Gather_and_Distribute机制主要包括Gather收集和Distribute分配两部分，所述Gather收集部分通过卷积操作和Transformer自注意力收首先通过特征对齐模块收集不同层级的特征并进行对齐，经过信使用信息分发模块利用注意力将融合后的信息分发到不同的所述160x160像素大小的检测头用以捕获消化道中细微的特征信息，所述YOLOv5模型的原个网格，并根据病灶中心对其进行预测，这些所述输出模块输出的特征图的大小分别为寸的特征图用于识别较小的目标病灶，20x20尺寸的特征图用来识别较大的目标病灶，预通过FocalLoss计算分类损失调节样本平衡FocalLoss主要原理是在交叉熵损失的基础上，给予难分类样本更高Lossrsave=-a:(1-p)"·log(p)，其中pt表示模型预测为正样本的概率，Y表410.根据权利要求5所述的基于深度学习的胶囊内窥镜图像辅助诊断方法，其特征在使用CIOU损失函数计算边界框损失，所述损失函数同时考虑其中“是用于衡量预测框与边界框的参数，v是用于衡。11.根据权利要求1所述的基于深度学习的胶囊内窥镜图像辅助诊断方法，其特征在所述胶囊内窥镜图像辅助诊断模型检测待诊断图像进行试验配置，通过胶囊内窥镜图像数据训练基于深度学习的诊断模5给患者的健康和生活质量带来了严重影响。随着人口老龄化趋势的加剧和生活方式的变丰富数据集的多样性，或通过引入差分盒计数法来提取图像的分形维数以提升检测性能，但这些方法仍然未能有效解决胶囊内窥镜图像中特征提取不足和微小病灶检测能力有限6并引入CA注意力机制，增强对病灶提取能力；在特征融合颈部网络中，引入Gather_and_7主要包括Gather收集和Distribute分配两部分，Gather收集部分通过卷积操作和Transformer自注意力收集不同层级的特征，Distribute分配部分将融合后的全局特征分[0013]在其中一个实施例中，在优化分类定位检测头网络中，于YOLOv5模型中增设160x160像素大小的检测头，160x160像素大小的检测头用以捕获消化道中细微的特征信中80x80尺寸的特征图用于识别较小的目标病灶，20x20尺寸的特征图用来识别较大的目[0014]在其中一个实施例中，通过FocalLoss计算分类损间距离和边界框的长宽比进行计算，CIOU核心是通过最小化预测框与真实框之间的差异，其中a是用于衡量预测框与边界框的参数，v是用。8图2是本申请的对标注后的图像序列依次进行数据增强、几何变换和标准化处理图6是本申请实施例基于PyTorch深度学习环境实现基于深度学习的胶囊内窥镜[0020]请参阅图1，其是本申请的基于深度学习的胶囊内窥镜图像辅助诊断方法的示意9计的K_means聚类方法得到S100中的胶囊内窥镜图像样本数据集的[0023]承上所述，请一并参阅图2，其是本申请的对标注后的图像序列依次进行数据增[0024]接着，在步骤S22中使经过数据增强后的病灶图像集符合深度学习模型的输入要入CA注意力机制，增强对病灶提取能力。通过采用高效的可变形卷积模块（DCNv4）重构取主干网络时，将胶囊内窥镜图像数据集分组，并针对每一组计算每个卷积核位置进行融合分配，丰富特征表达。Gather_and_Distribute机制主要包括Gather收集和Distribute分配两部分，Gather收集部分通过卷积操作和Transformer自注意力收集不同160x160像素大小的检测头，160x160像素大小的检测头用以捕获消化道中细微的特征信中80x80尺寸的特征图用于识别较小的目标病灶，20x20尺寸的特征图用来识别较大的目重，减小易分类样本对总损失的贡献，引导模型更关注难分类的样本，计算公式如下：Lossroanos=-ar(1-w)"·log(B)，其中pt表示模型预测为正样本的概率，Y表示平。[0034]请一并参阅图5，其是本申请的基于深度学习的胶囊内窥镜图像辅助诊断方法示基于LD_YOLO的胶囊内窥镜图像辅助诊断模型。将经过步骤S2处理后的胶囊内窥镜图像数[0036]本实施的基于深度学习的胶囊内窥镜图像辅助诊断方法通过搭建深度学习模型[0038]以下结合具体实施例来说明本申请基于深度学习的胶囊内窥镜图像辅助诊断方本实施例基于PyTorch深度学习环境实现基于深度学习的胶囊内窥镜图像辅助病计算评价指标，主要使用各类别平均检测精度mAP，预测结果与实际目标之间的交并比大量胶囊内窥镜图像数据集进行自