CN119494842A 一种用于家用内窥镜视频的腺样体检测分割方法与系统 （北京大学人民医院）

一种用于家用内窥镜视频的腺样体检测分本发明涉及一种用于家用内窥镜视频的腺增强后的腺样体图像的腺样体区域以及后鼻孔用腺样体分割模型完成对目标腺样体图像的分取的视频中截取腺样体图像，并对图像进行增2移学习得到腺样体图像识别模型；其中，所述深度卷积神经网络Backbone为ResNet_50网步骤4：利用腺样体图像识别模型对目标家用内窥镜视频进行检测提取出包含腺样体2.根据权利要求1所述的一种用于家用内窥镜视频的腺样体检测分割方法，其特征在使用ffmpeg软件按照1fps的帧率降采样原始的家用内窥镜视频得到家用内窥镜图像3.根据权利要求1所述的一种用于家用内窥镜视频的腺样体检测分割方法，其特征在4.根据权利要求1所述的一种用于家用内窥镜视频的腺样体检测分割方法，其特征在述负像进行Gamma矫正得到矫正后的图像，将矫正后的图像再次进行负像转换得到预处理5.根据权利要求4所述的一种用于家用内窥镜视频的腺样体检测分割方法，其特征在;3表示图像的高度，I(x,y)表示输入图像在(x,y)位置处的像素值。;;;y)为增强后的图像，I(x,y)是输入图像i中在(x,y)位置处的像素强度，round表示取整数。将所述训练样本输入nnUNet模型中进行训练使用带动量的随机梯度下降方法对4;;v是动量系数表示对过去梯度的衰减程;训练模块，用于将家用内窥镜图像序列作为样本，输入到深中进行迁移学习得到腺样体图像识别模型；其中，所述深度卷积神经网络Backbone为腺样体图像提取模块，用于利用腺样体图像识别模型对目标家用内窥镜视样本标注模块，用于对增强后的腺样体图像的腺样体区域以及分割模型训练模块，用于将所述训练样本输入到深腺样体分割模块，用于利用所述腺样体分割模型完成对目标腺样体图像的分割，5鼻咽内窥镜作为一种大型医疗设备，虽然已经替代头颅X线片检查成为腺样体肥大的诊断网络，且ResNet_50网络全连接层的输出神经元的数量为2，在迁移学习过程中，冻结步骤4：利用腺样体图像识别模型对目标家用内窥镜视频进行检测提取出包含腺步骤6：对增强后的腺样体图像的腺样体区域以及后鼻孔区域进行标注形成训练6[0006]优选的，在所述步骤2中，对家用内窥镜视频进行降采样形成家用内窥镜图像序使用ffmpeg软件按照1fps的帧率降采样原始的家用内窥镜视频得到家用内窥镜对所述负像进行Gamma矫正得到矫正后的图像，将矫正后的图像再次进行负像转换得到预步骤5.4：基于预处理图像的直方图对预处理图像进行增强得到增强后的腺样体7将所述训练样本输入nnUNet模型中进行训练使用带动量的随机梯度下降方法对[0022]其中，Lrotat是总的损失函数，a是损失函数加权比例，Lce是交叉熵损失，8训练模块，用于将家用内窥镜图像序列作为样本，输入到深度卷积神经网络Backbone中进行迁移学习得到腺样体图像识别模型；其中，所述深度卷积神经网络腺样体分割模块，用于利用所述腺样体分割模型完成对目标腺样体图像的分割，描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特9儿童前后鼻孔的平均长度为3.5厘米，虽然家长或基层医生可以使用探头轻松到具体的，本发明可通过以下步骤使用ffmpeg对视频进行降采样以提取待筛选图网络，且ResNet_50网络全连接层的输出神经元的数量为2，在迁移学习过程中，冻结,得到图像是否包含腺样体的概率，适用于判断腺的学习率进行小范围的参数调整。在本发明中，学习率的衰减使用余弦退火衰减和ReduceLROnPlateau会将学[0044]训练数据由3年经验的耳鼻喉医生人工筛选得到，选取检查视频中包含腺样体的值为1:2，选取该比例是由于原视频中不包含腺样体的片段远高于包含腺样体的视频片该比例能在保证数据集中包含足够数量含腺样体图像的同时增加不含腺样体图像的多样[0047]步骤4：利用腺样体图像识别模型对目标家用内窥镜视频进行检测提取出包含腺对所述负像进行Gamma矫正得到矫正后的图像，将矫正后的图像再次进行负像转换得到预步骤5.4：基于预处理图像的直方图对预处理图像进行增强得到增强后的腺样体亮的图像，将输入图像转换为其负像I'=255-I再进行Gamma矫正得到然后和pi分别是p(I)的最大值和最小值。[0062]最后使用使用自适应伽马函数X'(I)转换输入图像I的像素值并保留整数：I(x,y)是输入图像I中位置(x,y)处的像素强度。[0064]请参阅图3，本申请的增强方法相较于原始图像对比度与暗部细节得到了明显增[0065]步骤6：对增强后的腺样体图像的腺样体区域以及后鼻孔区域进行标注形成训练将所述训练样本输入nnUNet模型中进行训练使用带动量的随机梯度下降方法对[0070]对于所述深度分割网络的训练数据构建，本发明的样本照片由一名拥有3年经验[0075]其中，是当前时刻基于样本x)计算得到的损失函数梯度，是不同时刻的动量，n是学习率，y是动量系数表示对过去梯度的衰减程度。是不同时刻的模型参数。带动量的SGD能够有效[0082]如图4所示，本发明在得到分割结果之后，可以根据腺样体与后鼻孔区域分割结[0083]设腺样体区域的像素面积为s,=ZR，其中R表示腺样体区域预测mask中像素i训练模块，用于将家用内窥镜图像序列作为样本，输入到深度卷积神经网络Backbone中进行迁移学习得到腺样体图像识别模型；其中，所述深度卷积神经网络腺样体分割模块，用于利用所述腺样