买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请涉及计算机视觉与医学图像识别技术领域，尤其涉及一种基于DenseNet的肠息肉LST形态识别方法和装置，获取待识别肠内镜图像数据，对待识别肠内镜图像数据进行预处理操作；将预处理后的待识别肠内镜图像数据输入下消化道检测模型，判断待识别肠内镜图像数据中是否存在病灶；当待识别肠内镜图像数据中存在病灶时，根据病灶的位置裁剪待识别肠内镜图像数据，得到病灶图像数据；将病灶图像数据输入形态分类模型，得到病灶图像数据的肠息肉LST形态识别结果。本发明通过对LST形态的分类，实现对医生在肠内镜识别的辅助操作，有效提高病灶的检出率和准确性。

主权项：1.一种基于DenseNet的肠息肉LST形态识别方法，其特征在于，包括：获取待识别肠内镜图像数据，对所述待识别肠内镜图像数据进行预处理操作；将预处理后的所述待识别肠内镜图像数据输入下消化道检测模型，判断所述待识别肠内镜图像数据中是否存在病灶；当所述待识别肠内镜图像数据中存在病灶时，根据所述病灶的位置裁剪所述待识别肠内镜图像数据，得到病灶图像数据；将所述病灶图像数据输入形态分类模型，得到所述病灶图像数据的肠息肉LST形态识别结果；所述将所述病灶图像数据输入形态分类模型，得到所述病灶图像数据的肠息肉LST形态识别结果，还包括：对所述病灶图像数据进行大小标准化处理，之后输入形态分类模型，输出相应的分类结果，将结果显示在所述待识别肠内镜图像数据上；所述形态分类模型采用基于深度学习的分类模型，训练数据是裁剪下来的息肉图像，所述形态分类模型使用的网络为DenseNet，在网络中使用四个密接块和三个连接层；所述形态分类模型的网络结构包括16层，依次为第一BN层、第一RELU激活层、卷积层、最大池化层、第一密接块层、第一连接层、第二密接块层、第二连接层、第三密接块层、第三连接层、第四密接块层、第二BN层、第二RELU激活层、全局平均池化层、一维化层、全连接层；将所述病灶图像数据输入所述第一BN层进行归一化，之后输入第一RELU激活层映射到非线性特征空间；卷积层经过二维卷积进行第一次特征的提取，输出得到第一病灶图像；将所述第一病灶图像输入到所述最大池化层中，通过选取所述第一病灶图像中每个小区域块内的最大值作为输出，得到初始图像；第一密接块层、第二密接块层、第三密接块层、第四密接块层中均包含四个卷积块，每个卷积块中包含一个BN层、RELU激活层和一层卷积操作，每个卷积层的卷积核大小和数目都相同；将所述初始图像输入第一密接块层的第一卷积块，得到第一卷积图像，融合所述第一卷积图像和初始图像后输入第二卷积块，得到第二卷积图像；融合所述第二卷积图像、所述第一卷积图像和所述初始图像后输入第三卷积块，得到第三卷积图像；融合所述第三卷积图像、所述第二卷积图像、所述第一卷积图像和所述初始图像后输入第四卷积块，得到第四卷积图像；融合所述第四卷积图像、所述第三卷积图像、所述第二卷积图像、所述第一卷积图像和所述初始图像后，得到第一密接块输出图像，输入第一连接层；第一连接层、第二连接层、第三连接层中均包含一个BN层、RELU激活层、卷积层和平均池化层；所述第一密接块输出图像输入第一连接层的卷积层后，特征数量被压缩一半，再经过平均池化层，特征图的大小被缩小处理；连接层整合上一个密接块层获得的特征，将上一个密接块层输出特征图的数量、宽和高均减半；在依次经过第一密接块层、第一连接层、第二密接块层、第二连接层、第三密接块层、第三连接层、第四密接块层后得到被深度融合的深层特征图像；将所述深层特征图像输入第二BN层对融合的特征进行标准化，第二RELU激活层增强特征的非线性，增强模型的表达能力；输入全局平均池化层将特征图所有像素值相加求均值，减少参数数量和防止过拟合；最终输入一维化层和全连接层得到所述病灶图像数据的肠息肉LST形态识别结果的预测值。

全文数据：

权利要求：

百度查询： 苏州凌影云诺医疗科技有限公司 一种基于DenseNet的肠息肉LST形态识别方法和装置