申请/专利权人：首都医科大学附属北京朝阳医院

申请日：2020-08-25

公开（公告）日：2024-03-08

公开（公告）号：CN111862095B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/80;G06V10/774;G06V10/82;G16H30/40;G06N3/0464;A61B1/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2020.11.17#实质审查的生效;2020.10.30#公开

摘要：本发明提供了一种根据内镜白光图像预测生成NBI图像的卷积神经网络模型及其构建方法和应用。本发明的卷积神经网络模型的构建方法，包括：步骤S1：建立包括输入层、编码器、解码器和输出层的神经网络结构；步骤S2：采用融合迁移学习算法对所述神经网络结构进行赋值，获得初始模型；步骤S3：采用包括多对成对的白光图像和NBI图像的数据集对所述初始模型进行训练。本发明的卷积神经网络模型无需借助NBI设备即可根据内镜白光图像预测生成NBI图像并分析病变性质，在保证准确度的前提下达到了实时预测的速度要求，为临床中消化内镜的图像分析提供了新的思路。

主权项：1.一种根据内镜白光图像预测生成NBI图像的卷积神经网络模型的构建方法，其特征在于，包括：步骤S1：建立包括输入层、编码器、解码器和输出层的神经网络结构；步骤S2：采用融合迁移学习算法对所述神经网络结构进行赋值，获得初始模型；步骤S3：采用包括多对成对的白光图像和NBI图像的数据集对所述初始模型进行训练；步骤S4：采用测试集对训练后的模型进行检测、评估和优化；步骤S1中，采用反卷积和上采样技术使编码器每一层的特征矩阵与解码器对应层的特征矩阵进行特征融合；步骤S2包括：将公开数据集ImageNet上充分预训练的卷积神经网络权重逐层迁移到编码器上作为初始化权重，获得初始模型；步骤S3包括：向对所述初始模型中输入成对的白光图像和NBI图像，通过编码器提取特征并输出特征图，通过激活函数将上下层函数关系非线性化，通过池化层对特征图进行特征选择并完成特征图的重构，将重构的特征不断地卷积、池化后输入到解码器中，解码器通过上采样和反卷积融合不同卷积层得到特征图。

全文数据：

权利要求：

百度查询： 首都医科大学附属北京朝阳医院 根据内镜白光图像预测生成NBI图像的卷积神经网络模型及其构建方法和应用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD