一种利用光斑测量肠镜下息肉大小的测量系统

1.本发明涉及一种肠道检测系统，具体地说是一种利用光斑测量肠镜下息肉大小的测量系统。


背景技术：

2.结直肠腺瘤的切除是预防结肠癌的重要手段，近60%的结直肠癌患者的死亡是可以通过筛查加以预防的。因为消化道癌症早期症状不典型，以致中、晚期出现症状后患者才从医检查，综合治疗死亡率高于 90%，但早期消化道癌患者综合治疗死亡率在 10%以下。由此可见，“早查早治”对延长消化道癌患者的生存年限、降低死亡率尤为关键。结肠镜是结肠癌检查的金标准。但医生通过对肠道视频的观察去发现腺瘤，存在有漏检和误判的风险，也对医生本人的经验有着极高的要求。
3.人工智能神经网络可以帮助医生去发现肠道息肉，弥补医生由于疏忽或者经验不足所带来的失误。但是，如果对发现的息肉进行全部切除，则又带来了穿孔、出血等手术风险以及较高的病理检测成本。如果在肠道检查过程中即可为医生提供更为丰富的息肉特征信息，这将极大地缓解上述风险。现有的解决方案是以使用活检钳作为比对手段，这中解决方案不仅主观性强、准确率低，还增加了操作的复杂性。


技术实现要素：

4.本发明的目的就是提供一种利用光斑测量肠镜下息肉大小的测量系统，以解决现有结肠镜在检查过程中存在有观察盲区的问题。
5.本发明的目的是这样实现的：一种利用光斑测量肠镜下息肉大小的测量系统，包括：肠镜操作系统，用于肠道检查并将检查过程所采集的信息转换成数据信息发送给硬件系统，在所述肠镜操作系统中集成有激光发射灯，所述激光发射灯用于发射标准激光光斑，作为算法的参考标准；肠镜操作系统，用于肠道检查并将检查过程所采集的信息转换成数据信息发送给硬件系统，在所述肠镜操作系统中集成有激光发射灯，所述激光发射灯用于发射标准激光光斑，作为算法的参考标准；硬件系统，包括处理器、存储模块和图像展示界面；所述处理器用于对肠镜操作系统输出的数据信息进行数据处理和网络模型的运算以及对运算结果进行分析；所述存储模块用于记录与保存数据信息；所述图像展示界面用于显示运算和分析结果；以及软件算法系统，包括卷积神经网络模型和opencv算法模块，用于对输入硬件系统的数据进行运算，并将结果反馈硬件系统；所述卷积神经网络模型用于根据息肉图像信息和标准激光光斑的图像信息进行训练，并将训练好的模型用于息肉图像的检测与分割以及标准激光光斑的检测与分割；所述opencv算法模块用于检测标准激光光斑以及息肉掩膜的边缘像素坐标，并以标准激光光斑作为参考系，通过坐标比例计算出息肉的大小，测量结果
分送到硬件系统中的图像展示界面和存储模块。
6.进一步地，所述卷积神经网络模型包括：主干网络，为cspdarknet-53，用于提取所采集图像中的息肉图像特征与标准激光光斑的图像特征；neck，为spp panet，用于将不同尺度的息肉特征进行融合，并增加网络的感受野；以及head，为yolo网络，用于对息肉图像和标准激光光斑图像进行特征图预测。
7.进一步地，所述cspdarknet53是在darknet53的每个大残差块上加上卷积核，所述darknet-53包含有5个大残差块，在每个大残差块中包含有小残差单元的个数为：1、2、8、8、4；所述卷积核包括由大小为3
×
3、步长为2的csp所组成的107个网络层，能够生成大小为76
×
76、38
×
38、19
×
19的特征图像。
8.进一步地，所述特征图像由所述neck中的panet进行上采样操作和特征融合。
9.进一步地，所述yolo网络是由三组卷积层、bn层和leakrelu组成包含三组模块的预测网络，三组模块分别对应着76
×
76、38
×
38、19
×
19的特征图预测。
10.进一步地，所述卷积神经网络模型的训练过程为，首先获得大量肠镜下的息肉图像，对息肉图像与标准激光光斑图像进行人工标注，将标注好的图像送入卷积神经网络模型进行学习，检测卷积神经网络模型对标准激光光斑及息肉图像的预测能力，直到预测能力达到预期，停止训练。
11.进一步地，所述opencv算法模块包括检测对象的标定和坐标的计算；检测对象的标定就是生成矩形框，使息肉与光斑内切；坐标计算就是获取矩形框四边的像素坐标，通过比例运算获得息肉的大小尺寸。
12.进一步地，所述opencv算法模块的息肉大小计算方式包括以下步骤：（1）捕获标准激光光斑，并通过卷积神经网络模型预测的掩膜获得像素坐标；（2）捕获息肉图像，并通过卷积神经网络模型预测的掩膜获得像素坐标；（3）以标准激光光斑为参考系，通过像素的比例运算获得息肉的实际大小尺寸。
13.本发明是在目标检测算法的基础上增加了一个用于计算息肉尺寸的opencv算法模块，利用本发明测量系统，在对肠道息肉进行大小检测时，只需对着息肉打开激光发射灯，就可以标准激光光斑作为参考系，对息肉的大小进行预测。系统自动对息肉目标进行检测，在发现感兴趣的息肉后，可以辅助医生获取息肉的尺寸，为医生判断息肉类别提供更加丰富的信息。
14.本发明通过对采集的图像进行识别，利用卷积神经网络模型对检测到的息肉生成掩膜，在发现感兴趣区域的时候，可以通过对目标息肉发射标准激光光斑，获得目标息肉的大小，为医生提供更为可靠的参考依据，由此提高了肠镜检查的全面性和准确性。本发明测量系统简单易用，操作方便。
附图说明
15.图1是本发明测量系统的系统构成及流程图。
16.图2是镜头下的息肉及标准激光光斑的显示示意图。
17.图3是肠镜镜头的端面结构示意图。
18.图中：1、镜头视野，2、息肉，3、标准激光光斑，4、息肉最窄处尺寸，5、息肉最宽处尺寸，6、激光光斑直径，7、气/水喷嘴，8、喷水孔，9、激光发射灯，10、器具通道，11、物镜，12、照明灯。
具体实施方式
19.如图1所示，本发明测量系统包括肠镜操作系统、硬件系统和软件算法系统三部分。
20.其中，肠镜操作系统用于肠道检查并将检查过程所采集的信息转换成数据信息发送给硬件系统。如图3所示，在肠镜镜头中集成有气/水喷嘴7、喷水孔8、激光发射灯9、器具通道10、物镜11和两个照明灯12。在肠镜操作系统中集成有激光发射灯，用于发射标准激光光斑，作为算法的参考标准。所述硬件系统包括处理器、存储模块和图像展示界面。所述处理器也是一个运算系统，用于对肠镜操作系统输出的数据信息进行数据处理、对网络模型的运算以及对运算结果进行分析。所述存储模块用于记录与保存数据信息。所述图像展示界面用于显示运算和分析结果。
21.软件算法系统包括卷积神经网络模型和opencv算法模块，用于对输入硬件系统的数据进行运算，并将结果反馈硬件系统。
22.卷积神经网络模型根据息肉图像以及标准激光光斑图像进行训练，将训练好的模型用于息肉的检测与图像分割以及标准激光光斑的检测与图像分割。卷积神经网络模型为mask r-cnn，用python语言开发，采用pytorch架构；包括主干网络、neck和head这三部分。其中，主干网络为cspdarknet-53，用于提取所采集图像中的息肉图像特征与标准激光光斑的图像特征；neck为spp panet，用于将不同尺度的息肉特征进行融合，并增加网络的感受野；head为yolo网络，用于对息肉图像和标准激光光斑图像进行特征图预测。
23.所述cspdarknet53是在darknet53的每个大残差块上加上卷积核，所述darknet-53包含有5个大残差块，在每个大残差块中包含有小残差单元的个数为：1、2、8、8、4；所述卷积核包括由大小为3
×
3、步长为2的csp所组成的107个网络层，能够生成大小为76
×
76、38
×
38、19
×
19的特征图像。所述特征图像由所述neck中的panet进行上采样操作和特征融合。
24.所述yolo网络是由三组卷积层、bn层和leakrelu组成包含三组模块的预测网络，三组模块分别对应着76
×
76、38
×
38、19
×
19的特征图预测。
25.所述卷积神经网络模型的训练过程为，首先获得大量肠镜下的息肉图像，对息肉图像与标准激光光斑图像进行人工标注，将标注好的图像送入卷积神经网络模型进行学习，检测卷积神经网络模型对标准激光光斑及息肉图像的预测能力，直到预测能力达到预期，停止训练。
26.如图2所示，在肠镜的镜头视野1内捕获到了息肉2，利用激光发射灯9发射激光到息肉2上，形成标准激光光斑3。opencv测量算法模块可识别并标注出所需测量单位的边界，再结合激光光斑直径6，通过opencv算法进行息肉尺寸的计算，最终计算出息肉最窄处直径4和息肉最宽处直径5。
27.所述opencv算法模块包括检测对象的标定和坐标的计算；检测对象的标定就是生成矩形框，使息肉与光斑内切；坐标计算就是获取矩形框四边的像素坐标，通过比例运算获
得息肉的大小尺寸。opencv算法模块用于检测标准激光光斑以及息肉掩膜的边缘像素坐标，并以标准激光光斑作为参考系，通过坐标比例计算出息肉的大小，测量结果分送到硬件系统中的图像展示界面和存储模块。
28.所述opencv算法模块的息肉大小计算方式包括以下步骤：（1）捕获标准激光光斑，并通过卷积神经网络模型预测的掩膜获得像素坐标；（2）捕获息肉图像，并通过卷积神经网络模型预测的掩膜获得像素坐标；（3）以标准激光光斑为参考系，通过像素的比例运算获得息肉的实际大小尺寸。
29.本发明测量系统的使用方法包括以下步骤：（1）肠镜设备进行图像采集，并将采集结果输入到运算系统中；（2）神经网络检测到息肉并预测出息肉掩膜，将结果输出到图像展示界面；（3）医生发现感兴趣区域，打开镜头上的激光灯，激光灯打出一个圆形光斑在息肉上，神经网络检测到光斑并将其与息肉进行分割，生成像素级别的掩膜；（4）由opencv算法进行运算，获得息肉的实际大小，输出并保存运算结果。