(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211326812.6 (22)申请日 2022.10.27 (71)申请人 武汉楚精灵医疗科技有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区高新大道818号武汉高科医疗器 械园B地块一期B10栋5层03号 (72)发明人 郑碧清　胡珊　 (74)专利代理 机构 深圳紫藤知识产权代理有限 公司 44570 专利代理师 李莎 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/12(2017.01) G06T 7/62(2017.01) G06T 7/64(2017.01)G06T 7/73(2017.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 目标部位异常形态识别方法、 装置及计算机 可读存储介质 (57)摘要 本申请提供一种目标部位异常形态识别方 法、 装置及计算机可读 存储介质， 该方法包括： 识 别预先获取针对患者的目标部位的目标内镜图 像的类型； 若目标内镜图像的类型符合预设类型 要求， 则基于预设的卷积神经网络的医学特征识 别模型集合， 确定目标内镜图像中目标部位的表 面凹陷特征的置信度、 腺管规则特征的置信度、 血管规则特征的置信度以及血管稀疏特征的置 信度； 基于目标部位的表面凹陷特征的置信度、 腺管规则特征的置信度、 血管规则特征的置信度 以及血管稀 疏特征的置信度， 确定目标部位的异 常程度系数； 若目标部位的异常程度系数大于预 设的异常程度阈值， 则确定目标部位的异常形 态。 本申请实施例提高了对目标部位异常形态识 别的准确性和效率。 权利要求书2页 说明书12页 附图6页 CN 115393356 A 2022.11.25 CN 115393356 A 1.一种目标部位异常形态 识别方法， 其特 征在于， 所述方法包括： 基于预设的深度 学习卷积神经网络模型， 识别预先获取针对患 者的目标部位的目标内 镜图像的类型， 所述目标部位 为胃部； 若所述目标内镜图像的类型符合预设类型要求， 则基于预设的卷积神经网络的医学特 征识别模型集合， 确定所述 目标内镜图像中所述 目标部位的表面凹陷特征 的置信度、 腺管 规则特征 的置信度、 血管规则特征 的置信度以及血管稀疏特征的置信度， 所述预设类型要 求为放大窄带成像内镜图像 类型； 基于所述目标部位的表面凹陷特征的置信度、 腺管规则特征的置信度、 血管规则特征 的置信度以及所述血 管稀疏特征的置信度， 确定所述目标部位的异常程度系数； 若所述目标部位的异常程度系数大于预设的异常程度阈值， 则确定所述目标部位的异 常形态。 2.根据权利要求1所述的目标部位异常形态识别方法， 其特征在于， 所述若所述目标部 位的异常程度系数 大于预设的异常程度阈值， 则确定所述目标部位的异常形态， 包括： 若所述目标部位的异常程度系数大于预设的异常程度阈值， 则采用预设的异常区域的 范围识别模型， 识别所述目标部位的异常区域的范围； 基于所述目标部位的异常区域的范围， 确定所述目标部位的异常形态。 3.根据权利要求2所述的目标部位异常形态识别方法， 其特征在于， 所述基于所述目标 部位的异常区域的范围， 确定所述目标部位的异常形态， 包括： 基于所述异常区域的范围， 确定所述异常区域的轮廓边界； 分割所述异常区域的轮廓边界， 得到所述异常区域的面积； 将所述异常区域的面积与预设的阈值进行比较， 得到比较结果； 基于所述比较结果， 确定所述目标部位的异常形态。 4.根据权利要求1所述的目标部位异常形态识别方法， 其特征在于， 所述预设的卷积神 经网络的医学特征识别模型集合包括表面凹陷特征识别模型、 腺管规则特征识别模型、 血 管规则特 征识别模型以及血 管稀疏特征识别模型； 所述若所述目标内镜图像的类型符合预设类型要求， 则基于预设的卷积神经网络的医 学特征识别模型集合， 确定所述 目标内镜图像中所述 目标部位的表面凹陷特征 的置信度、 腺管规则特 征的置信度、 血 管规则特 征的置信度以及血 管稀疏特征的置信度， 包括： 若所述目标内镜 图像的类型符合预设类型要求， 则基于所述表面凹陷特征识别模型， 确定所述目标内镜图像中所述目标部位的表面凹陷特 征的置信度； 基于所述腺管规则特 征识别模型， 确定所述目标内镜图像中所述目标部位的； 基于所述血管规则特征识别模型， 确定所述目标内镜图像中所述目标部位的血管规则 特征的置信度； 基于所述血管稀疏特征识别模型， 确定所述目标内镜图像中所述目标部位的血管稀疏 特征的置信度。 5.根据权利要求4所述的目标部位异常形态识别方法， 其特征在于， 在基于所述表面凹 陷特征识别模型， 确定所述 目标内镜图像中所述 目标部位的表面凹陷特征 的置信度之前， 所述方法还 包括： 获取所述目标部位的表面凹陷特 征的图像样本集；权　利　要　求　书 1/2 页 2 CN 115393356 A 2将所述图像样本按照预设比例分为训练集和 测试集； 基于所述训练集、 所述测试集以及预设的基于ResNet50图像分类神经网络模型， 确定 所述表面凹陷特 征识别模型。 6.根据权利要求1所述的目标部位异常形态识别方法， 其特征在于， 在基于预设的深度 学习卷积神经网络模型， 识别预先获取针对患者的目标部位的目标内镜图像的类型之前， 所述方法还 包括： 基于预设的深度 学习卷积神经网络模型， 识别预先获取针对患 者的目标部位的内镜图 像中的有效区域； 裁剪所述有效区域， 得到目标内镜图像。 7.根据权利要求6所述的目标部位异常形态识别方法， 其特征在于， 所述裁剪所述有效 区域， 得到目标内镜图像， 包括： 裁剪所述有效区域， 得到初始内镜图像； 对所述初始内镜图像进行图像质量检测， 得到检测结果； 若所述检测结果为不符合预设的图像质量检测要求， 则对所述初始内镜图像进行图像 质量增强处 理， 得到目标内镜图像。 8.根据权利要求1所述的目标部位异常形态识别方法， 其特征在于， 所述基于所述目标 部位的表面凹陷特征 的置信度、 腺管规则特征 的置信度、 血管规则特征 的置信度以及所述 血管稀疏特征的置信度， 确定所述目标部位的异常程度系数， 包括： 基于预设的拟合模型， 对所述目标部位的表面凹陷特征的置信度、 腺管规则特征的置 信度、 血管规则特征 的置信度以及所述血管稀疏特征 的置信度进行拟合， 得到所述 目标部 位的异常程度系数。 9.一种目标部位异常形态 识别装置， 其特 征在于， 所述装置包括： 第一识别单元， 用于基于预设的深度学习卷积神经网络模型， 识别预先获取针对患者 的目标部位的目标内镜图像的类型， 所述目标部位 为胃部； 第一确定单元， 用于若所述目标内镜 图像的类型符合预设类型要求， 则基于预设的卷 积神经网络的医学特征识别模型集合， 确定所述目标内镜图像中所述目标部位的表面凹陷 特征的置信度、 腺管规则特征 的置信度、 血管规则特征 的置信度以及血管稀疏特征 的置信 度， 所述预设类型要求 为放大窄带成像内镜图像 类型； 第二确定单元， 用于基于所述目标部位的表面凹陷特征的置信度、 腺管规则特征的置 信度、 血管规则特征 的置信度以及所述血管稀疏特征 的置信度， 确定所述 目标部位的异常 程度系数； 第三确定单元， 用于若所述目标部位的异常程度系数大于预设的异常程度阈值， 则确 定所述目标部位的异常形态。 10.一种计算机可读存储介质， 其特征在于， 其上存储有计算机程序， 所述计算机程序 被处理器进 行加载， 以执行权利要求 1至8任一项 所述的目标部位异常形态识别方法中的步 骤。权　利　要　求　书 2/2 页 3 CN 115393356 A 3