一种白光模式下胃部标志物评估方法及系统与流程

1.本技术涉及医疗影像辅助技术领域，具体涉及一种白光模式下胃部标志物评估方法及系统。


背景技术：

2.胃癌 (gastric cancer, gc) 是导致癌症相关死亡的第三大原因，在最常见的恶性肿瘤中排名第五。胃萎缩 (gastric atrophy, ga) 和肠化 (intestinal metaplasia, im) 与胃癌的发生发展密切相关，长期的慢性炎症 (chronic inflammation) 可以进展为不典型增生 (dysplasia) 甚至是胃癌。研究表明，对癌前病变 (precancerous conditions and lesions) 的识别和监测有助于发现早期胃癌 (early gastric cancer, egc)。及时发现和治疗慢性萎缩性胃炎 (chronic atrophic gastritis, cag) 包括ga和im，可防止病情进一步恶化。
3.上消化道内镜是诊断萎缩性胃炎的常规方法，但不同内镜医师之间的诊断水平存在差异，与病理结果相比，白光内镜(white light endoscopy, wle)下对cag诊断的准确性波动极大，居于0.42 ~ 0.80之间。为了提高cag的诊断质量，各国专家们提出了许多指南和共识。但有报道称经过指南培训后，内镜医师在wle下对cag的诊断精度仅达到46.8%。由此可见，wle下cag诊断的准确性亟待提高。
4.近年来，随着人工智能 (artificial intelligence, ai) 技术的发展与成熟，其在医疗领域的应用也愈发广泛，尤其在医学影像领域发展迅猛。ai在内镜领域的应用同样进展神速，深度学习 (deep learning, dl) 在cag病理及x线检测系统中的应用取得了可喜的成果，也有研究将ai应用于幽门螺杆菌相关性胃炎和cag的诊断。然而，关于ai实时辅助内镜下cag诊断的研究极少，也没有团队开发出风险评估系统用以指导监测。


技术实现要素：

5.本技术提供一种能够基于深度学习，辅助白光内镜下对存在慢性萎缩性胃炎的风险进行评估的一种白光模式下胃部标志物评估方法及系统。
6.一方面，本技术提供一种白光模式下胃部标志物评估方法，包括：获取白光模式下连续的序列化胃镜图像集；对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
7.在本技术一种可能的实现方式中，所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量；根据多个所述列向量，确定多个所述不同类型的部位识别图像集；所述部位识别图像集包括多个相同类型的部位识别图像，所述部位识别图像的类型包括胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。
8.在本技术一种可能的实现方式中，所述根据多个所述列向量，确定多个所述不同类型的部位识别图像集，包括所述列向量包括多个部位标签和分别与所述多个部位标签对应的多个概率值；确定所述列向量中与所述多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签；根据所述目标部位标签，确定所述列向量对应的所述部位识别图像；将多个所述部位识别图像按照预设的分类预置信息进行分组，得到多个所述不同类型的部位识别图像集。
9.在本技术一种可能的实现方式中，所述根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果，包括：所述萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果；若所述部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为胃部标志物风险评估结果为存在低风险萎缩性胃炎；若所述部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；若所述部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则胃部标志物风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
10.在本技术一种可能的实现方式中，在所述将所述序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括：获取样本胃镜图像集以及根据所述样本胃镜图像集确定的多个不同类型的样本胃镜标记图像；根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。
11.在本技术一种可能的实现方式中，所述根据所述样本胃镜图像集和所述多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：通过预设的第一损失函数进行损失计算，得到多个第一损失值；其中，所述第一损失函数为：
其中m1为所述样本胃镜图像集中的样本胃镜图像数量，n1为多个不同类型的所述样本胃镜标记图像的类型数量，是所述样本胃镜图像集中第i个所述样本胃镜图像属于第j种类型的预测概率，为符号函数0或1，如果所述样本胃镜图像集中的第i个所述样本胃镜图像的真实类型为第j种类型时，则取值为1，否则取值为0，所述胃镜图像部位识别模型训练过程中输出的预测值为a，真实值为；根据多个所述第一损失值对预设的胃镜图像部位识别模型进行模型训练，得到已训练的胃镜图像部位识别模型。
12.在本技术一种可能的实现方式中，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：获取不同类型的样本部位识别图像集以及根据所述样本部位识别图像集确定的多个样本有病灶标记图像；根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型。
13.在本技术一种可能的实现方式中，所述根据所述样本部位识别图像集和多个所述样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型，包括：通过预设的第二损失函数进行损失计算，得到多个第二损失值；其中，所述第二损失函数为：其中m2所述样本部位识别图像集中的样本部位识别图像数量，为第m2个所述样本部位识别图像的样本预测值，为第m2个所述样本部位识别图像的样本真实值，所述胃镜图像部位识别模型训练过程中输出的预测值为b，真实值为；根据多个所述第二损失值对预设的病灶分割模型进行模型训练，得到已训练的病灶分割模型。
14.在本技术一种可能的实现方式中，在所述对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括：获取多个样本有病灶图像以及根据所述样本有病灶图像确定的多个萎缩病症标记图像；根据多个所述样本有病灶图像和多个所述萎缩病症标记图像进行模型训练，得到
已训练的萎缩病症识别模型。
15.在本技术一种可能的实现方式中，所述根据多个所述样本有病灶图像和多个所述萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型，包括：通过预设的第三损失函数进行损失计算，得到多个第三损失值；其中，所述第三损失函数为：其中m3为多个所述样本有病灶图像的图像总数量，所述萎缩病症识别模型训练过程中输出的预测值为c，真实值为；根据多个所述第三损失值对预设的萎缩病症识别模型进行模型训练，得到已训练的萎缩病症识别模型。
16.另一方面，本技术提供一种白光模式下萎缩性胃炎风险评估系统，其特征在于，所述系统包括：获取模块，用于获取白光模式下连续的序列化胃镜图像集；部位识别模块，用于对所述序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；病灶分割模块，用于分别将多个所述不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；萎缩病症识别模块，用于将多个所述有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；评估模块，用于根据多个所述部位识别图像集和多个所述萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
17.本技术可实施对白光模式下的内镜影像进行分析，提供了对胃镜图像部位识别准确，病灶图像分割准确、萎缩病症识别准确的技术方案，可以作为医疗辅助技术，辅助结合观察胃镜部位和症状快速对萎缩性胃炎风险进行评估，具有指导意义，同时有效提高了内镜下诊断的准确率及效率。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本技术实施例中提供的评估方法的一个实施例流程示意图；图2是本技术实施例中提供的胃部图像尺寸归一化的示意图；图3是本技术实施例中提供的病灶分割效果图；图4是本技术实施例中提供的评估方法的一个实施例流程示意图；图5是本技术实施例中提供的resnet50网络的结构示意图；
图6是本技术实施例中提供的评估方法的一个实施例流程示意图；图7是本技术实施例中提供的unet网络的结构示意图；图8是本技术实施例中提供的评估方法的一个实施例流程示意图；图9是本技术实施例中提供的vgg16网络的结构示意图；图10是本技术实施例中提供的评估系统的一个实施例结构示意图。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作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围。
21.在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
22.在本技术中，“示例性”一词用来表示“用作例子、例证或说明”。本技术中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
23.本技术实施例提供一种白光模式下胃部标志物评估方法及系统，以下分别进行详细说明。
24.如图1所示，为本技术实施例中白光模式下胃部标志物评估方法的一个实施例流程示意图，该白光模式下胃部标志物评估方法包括以下步骤101~105：101、获取白光模式下连续的序列化胃镜图像集。
25.通过内镜检查设备采集同一个病人的实时普通白光模式的胃镜视频，并将视频序列按一秒7帧解码为图像集，并进行尺寸归一化等预处理，得到连续的序列化胃镜图像集。
26.对解码后的图像集进行归一化预处理具体为：设定白光模式下采集的图像集中的胃部图像尺寸为，为胃部图像的横边长度值，为胃部图像的纵边长度值，目标设定目标尺寸为，在本实施例中，目标设定目标尺寸可以设定为这里不做具体限定；将调整尺寸后的胃部图像按照设定的缩放系数进行缩放，缩放系数设定为缩放后胃部图像的尺寸为
胃部图像缩放后，将胃部图像的边界进行填充，使胃部图像居于显示画面的中间，在本实施例中，如图2所示，可以对胃部图像的边缘填充黑边，填充的宽边宽度和长边宽度具体为：宽边填充宽度：长边填充宽度：。
27.即通过对采集的图像集中每个胃部图像进行尺寸调整、大小缩放以及边界填充后，得到归一化后的连续的序列化胃镜图像集。
28.102、对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集。
29.部位识别图像的类型包括以下六种类型：胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图像以及胃体大弯部位图像。在获取序列化胃镜图像集后，需要按照部位将序列化胃镜图像集划分为多个不同类型的部位识别图像集，每个部位识别图像集中的所有部位识别图像的类型相同。
30.因此，对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集，包括：将序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量。
31.根据多个列向量，确定多个不同类型的部位识别图像集。
32.其中，列向量为多维向量，在本实施中，列向量包括至少两种元素，其中一个元素为多个部位标签，这里设定部位标签为6个，6个部位标签包括：胃窦小弯部位、胃窦大弯部位、胃角部位、胃体小弯部位以及胃体大弯部位，部位标签的数量可以根据实际情况设定，列向量的另一元素为分别与多个部位标签对应的多个概率值。
33.根据多个列向量，确定多个不同类型的部位识别图像集，具体包括：确定列向量中与多个概率值中数值最大的概率值对应的部位标签，得到目标部位标签。
34.根据目标部位标签，确定列向量对应的部位识别图像。
35.示例性的，将序列化胃镜图像集中的其中一个胃镜图像输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，胃镜图像部位识别模型输出的结果为由“[胃窦小弯，30%]、[胃窦大弯部位，10%]、[胃角部位，90%]”构成的列向量，输出的结果中部位标签所对应的概率值越大表示该胃镜图像越有可能属于该部位标签，则确定所识别的胃镜图像为胃角部位图像。
[0036]
将多个部位识别图像按照预设的分类预置信息进行分组，得到多个不同类型的部位识别图像集。
[0037]
在对序列化胃镜图像集中的所有胃镜图像进行胃镜图像部位识别后，则会得到多个类型不同的部位识别图像，按照胃镜图像的标签将所得到的多个类型不同的部位识别图像进行再分类，最后得到多个不同类型的部位识别图像集。
[0038]
103、分别将多个不同类型的部位识别图像集输入至预设的病灶分割模型进行病
灶图像分割，得到多个有病灶图像。
[0039]
获得多个不同部位对应的多个不同类型的部位识别图像集后，需要通过预设的病灶分割模型识别出部位识别图像集内的每个部位识别图像存在病灶的情况，若识别的部位识别图像不存在病灶，则病灶分割模型输出的结果为该部位识别图像为无病灶图像，若识别的部位识别图像存在病灶，则病灶分割模型输出的结果为该部位识别图像有病灶图像，并将存在病灶的部位识别图像进行病灶图像分隔，最后得到多个有病灶图像。
[0040]
在本实施例中，如图3所示，部位识别图像经病灶分割模型识别后若识别有病灶存在，则对病灶进行分割，分割时剔除病灶之外的背景区域，将病灶区域还原至与原图尺寸相同的纯黑背景画布中，且病灶区域所在位置与部位识别图像保持一致。
[0041]
104、将多个有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果。
[0042]
得到多个有病灶图像后，需要通过预设的萎缩病症识别模型对有病灶图像中的萎缩病症进行识别，并输出多个萎缩病症标志物识别结果，萎缩病症标志物识别结果包括有萎缩病症识别结果和非萎缩病症识别结果。
[0043]
105、根据多个部位识别图像集和多个萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
[0044]
胃部标志物风险评估包括胃部异物风险评估、胃部吞咽物风险评估或者萎缩性胃炎风险评估，得到的胃部标志物风险评估结果包括胃部异物风险评估结果、胃部吞咽物风险评估结果或者萎缩性胃炎风险评估结果。
[0045]
根据多个部位识别图像集和多个萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果，具体包括：在实际应用过程中，在对人体进行胃镜检查时，是按照胃窦小弯—胃窦大弯—胃角—胃体小弯—胃体大弯的顺序进行检查。在本实施例中，是对基于胃部图像进行萎缩性胃炎风险评估，具体的，按照上述顺序对不同部位的有病灶图像进行萎缩病症标志物识别，根据萎缩病症标志物识别结果进行萎缩性胃炎风险评估。
[0046]
若部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像中识别出有萎缩病症识别结果，则为萎缩性胃炎风险评估结果为存在低风险萎缩性胃炎；若部位识别图像集中的胃体小弯部位图像中识别出有萎缩病症识别结果，则萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定部位识别图像集中的胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像均识别有萎缩病症识别结果；若部位识别图像集中的胃体大弯部位图像识别出有萎缩病症识别结果，则萎缩性胃炎风险评估结果为存在高风险萎缩性胃炎，同时确定胃窦小弯部位图像、胃窦大弯部位图像、胃角部位图像、胃体小弯部位图均识别有萎缩病症识别结果。
[0047]
本技术可实施对白光模式下的内镜影像进行分析，提供了对胃镜图像部位识别准确，病灶图像分割准确、萎缩病症识别准确的技术方案，可以作为医疗辅助技术，辅助结合观察胃镜部位和症状快速对萎缩性胃炎风险进行评估，具有指导意义，同时有效提高了内镜下诊断的准确率及效率。
[0048]
在通过内镜检查设备采集普通白光模式的胃镜视频，并将其转换为序列化胃镜图像集之前，首先需要对胃镜图像部位识别模型、病灶分割模型以及萎缩病症识别模型进行
模型训练。
[0049]
在本技术的另一个实施例中，如图4所示，在将序列化胃镜图像集中输入至预设的胃镜图像部位识别模型进行胃镜图像部位识别，得到多个列向量之前，包括以下步骤201~202：201、获取样本胃镜图像集以及根据样本胃镜图像集确定的多个不同类型的样本胃镜标记图像。
[0050]
样本胃镜图像集是用于输入训练模型进行模型训练的多个样本胃镜图像原图，可以是通过采集胃镜视频并将胃镜视频按照特定帧解码得到，在模型训练之前，采集大量的样本胃镜图像原图，样本胃镜图像原图也可以是日常胃部检测所获得的所有胃镜图像。
[0051]
获取样本胃镜图像原图后，通过人工对采集到的样本胃镜图像原图进行分类标记，分类标记的标签包括胃窦小弯、胃窦大弯、胃角、胃体小弯、胃体大弯、无效图像，其中，无效图像指食管图像、十二指肠图像及其它胃部图像或太模糊导致无法辨识的胃部图像，将标记后的样本胃镜图像原图作为训练模型输出结果的基本数据参考。
[0052]
202、根据样本胃镜图像集和多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型。
[0053]
如图5所示，在本实施例中采用的基于resnet50神经网络的模型作为训练模型，进行胃镜图像部位识别模型的训练。训练过程中，将样本胃镜图像集输入至训练模型中，训练模型中的卷积核对样本胃镜图像集中的样本胃镜图像进行卷积计算，通过池化层对卷积核得到的特征矩阵值进行池化，经过多次卷积、激活、池化、拉平以及全连接，最后得到训练后的训练胃镜图像集。其中基于resnet50神经网络的训练模型的卷积核大小以及卷积核的权重值可以是人为设定，也可以是由训练模型自动随机设定。
[0054]
在得到训练后的训练胃镜图像集后，需要将样本胃镜图像集和得到的训练胃镜图像集之间的损失值进行计算评估，并调整训练模型的超参数，直到训练模型的损失值趋近于零，同时通过训练模型的自动反向传播，不断更新权重值，寻找最佳的权重值，最终得到已训练的胃镜图像部位识别模型。
[0055]
在本技术的另一个实施例中，根据样本胃镜图像集和多个不同类型的样本胃镜标记图像进行模型训练，得到已训练的胃镜图像部位识别模型，包括：通过预设的第一损失函数进行损失计算，得到多个第一损失值；其中，第一损失函数为：其中m1为样本胃镜图像集中的样本胃镜图像数量，n1为多个不同类型的样本胃镜标记图像的类型数量，是样本胃镜图像集中第i个样本胃镜图像属于第j种类型的预测概率，为符号函数0或1，如果样本胃镜图像集中的第i个样本胃镜图像的真实类型为第j种类型时，则取值为1，否则取值为0，胃镜图像部位识别模型训练过程中输出的预
测值为a，真实值为，计算得到的即为样本胃镜图像集和得到的训练胃镜图像集之间的第一损失值。
[0056]
根据多个第一损失值对预设的胃镜图像部位识别模型进行模型训练，得到已训练的胃镜图像部位识别模型。
[0057]
在本技术的另一个实施例中，如图6所示，在对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括以下步骤301~302：301、获取不同类型的样本部位识别图像集以及根据样本部位识别图像集确定的多个样本有病灶标记图像。
[0058]
在将采集胃镜视频按照特定帧解码得到多个胃镜图像集，并通过训练好的基于resnet50神经网络的胃镜图像部位识别模型对胃部图像集进行部位识别，得到多个样本部位识别图像，通过人工对多个样本部位识别图像进行清洗，将清洗后的多个样本部位识别图像作为模型训练的输入。
[0059]
通过人工对多个样本部位识别图像分别进行标注，将样本部位识别图像中有病灶的图像勾勒出病灶区域轮廓，得到多个样本有病灶标记图像，并将无病灶的图像不做标记作为阴性样本，将标记后的多个样本有病灶标记图像作为训练模型输出结果的基本数据参考。
[0060]
302、根据样本部位识别图像集和多个样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型。
[0061]
如图7所示，在本实施例中采用的基于unet神经网络的模型作为训练模型，进行病灶分割模型的训练。训练过程中，将样本部位识别图像集输入至训练模型中，模型训练完成后输出训练结果为训练部位识别图像集，将样本部位识别图像集和得到的训练部位识别图像集之间的损失值进行计算评估，并调整训练模型的超参数，直到训练模型的损失值趋近于零，同时通过训练模型的自动反向传播，不断更新权重值，寻找最佳的权重值，最终得到已训练的病灶分割模型。
[0062]
在本技术的另一个实施例中，根据样本部位识别图像集和多个样本有病灶标记图像进行模型训练，得到已训练的病灶分割模型，包括：通过预设的第二损失函数进行损失计算，得到多个第二损失值；其中，第二损失函数为：其中m2样本部位识别图像集中的样本部位识别图像数量，为第m2个所述样本部位识别图像的样本预测值，为第m2个所述样本部位识别图像的样本真实值，胃镜图像部位识别模型训练过程中输出的预测值为b，真实值为，计算得到的即为样本胃镜图像集和得到的训练胃镜图像集之间的第二损失值。
[0063]
根据多个第二损失值对预设的病灶分割模型进行模型训练，得到已训练的病灶分割模型。
[0064]
在本技术的另一个实施例中，如图8所示，在对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集之前，包括以下步骤401~402：401、获取多个样本有病灶图像以及根据样本有病灶图像确定的多个萎缩病症标记图像。
[0065]
在将采集胃镜视频按照特定帧解码得到多个胃镜图像集，通过训练好的基于resnet50神经网络的胃镜图像部位识别模型对胃部图像集进行部位识别，得到多个样本部位识别图像，并通过训练好的基于unet神经网络的病灶分割模型对多个样本部位识别图像进行病灶识别，得到多个样本有病灶图像，经人工对多个有病灶图像进行清洗，将清洗后的多个样本有病灶图像作为模型训练的输入。
[0066]
在训练前，通过人工对多个样本有病灶图像分别进行分类标记，分类标记的标签包括萎缩病症、非萎缩病症。非萎缩病症指存在糜烂病症，出血病症，黄斑瘤病症等。将标记后的多个萎缩病症标记图像作为训练模型输出结果的基本数据参考。
[0067]
402、根据多个样本有病灶图像和多个萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型。
[0068]
如图9所示，在本实施例中采用的基于vgg16神经网络的模型作为训练模型，进行萎缩病症识别模型的训练。训练过程中，将多个样本有病灶图像输入至训练模型中，模型训练完成后输出训练结果为训练有病灶图像，将样本有病灶图像和得到的训练有病灶图像之间的损失值进行计算评估，并调整训练模型的超参数，直到训练模型的损失值趋近于零，同时通过训练模型的自动反向传播，不断更新权重值，寻找最佳的权重值，最终得到已训练的萎缩病症识别模型。
[0069]
在本技术的另一个实施例中，根据多个样本有病灶图像和多个萎缩病症标记图像进行模型训练，得到已训练的萎缩病症识别模型，包括：通过预设的第三损失函数进行损失计算，得到多个第三损失值；其中，第三损失函数为：其中m3为多个样本有病灶图像的图像总数量，萎缩病症识别模型训练过程中输出的预测值为c，真实值为，计算得到的即为多个样本有病灶图像和得到的训练有病灶图像之间的第三损失值。
[0070]
根据多个第三损失值对预设的萎缩病症识别模型进行模型训练，得到已训练的萎缩病症识别模型。
[0071]
萎缩病症识别模型的输出结果为0和1,输出结果为0指的是非萎缩病症，输出结果为1是萎缩病症。
[0072]
为了更好实施本技术实施例中白光模式下胃部标志物评估方法，在白光模式下胃部标志物评估方法基础之上，本技术实施例中还提供一种白光模式下胃部标志物评估系
统，如图10所示，所述白光模式下胃部标志物评估系统500包括：获取模块501，用于获取白光模式下连续的序列化胃镜图像集；部位识别模块502，用于对序列化胃镜图像集进行胃镜图像部位识别，得到多个不同类型的部位识别图像集；病灶分割模块503，用于分别将多个不同类型的部位识别图像集输入至预设的病灶分割模型进行病灶图像分割，得到多个有病灶图像；萎缩病症识别模块504，用于将多个有病灶图像输入至预设的萎缩病症识别模型进行萎缩病症标志物识别，得到多个萎缩病症标志物识别结果；评估模块505，用于根据多个部位识别图像集和多个萎缩病症标志物识别结果，进行胃部标志物风险评估，得到胃部标志物风险评估结果。
[0073]
以上对本技术实施例所提供的一种白光模式下胃部标志物评估方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。