基于人工智能的内镜下胃癌风险分级系统、介质

本发明属于医学图像处理，尤其涉及基于人工智能的内镜下胃癌风险分级系统、介质及设备。背景技术：1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。2、根据慢性胃炎演变成胃癌的规律模式，即正常胃粘膜-慢性浅表性胃炎-慢性萎缩性胃炎-肠上皮化生-上皮内瘤变-胃癌，其中，肠上皮化生作为重要的癌前状态，具有一定的癌变风险。随着内镜技术的发展，胃粘膜疾病的内镜诊断取得了很大进展。3、胃癌风险评估时，一种新的基于图像增强内窥镜（image-enhanced endoscopy，iee）的评估胃癌风险的胃镜下胃肠化生分级eggim评分(endoscopic grading of gastricintestinal metaplasia)方法被提出。虽然在内镜检查过程中，有效的应用eggim内镜评分系统可对患者的胃癌风险进行分层，筛选出胃癌高风险人群，继而进行有目的的内镜下精查是更为可行的筛查策略，然而eggim评分的有效应用在很大程度上需要依赖内镜医师的经验。4、另外在人工智能识别单张图片的肠化严重程度取得一定的进展，但在iee内镜检查过程中，由于未考虑在非放大模式下进行适中的距离的摄图，导致内窥镜的观察距离可能不合适，难以准确估计病变的严重程度；同时肠化生病变的特征并不明显，往往在内镜下与其他胃部疾病表现出相似的症状，对于病变严重程度的评估也存在一定的不准确性。技术实现思路1、为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于人工智能的内镜下胃癌风险分级系统、介质及设备，其将内窥镜拍摄距离与肠化生疾病诊断相结合，旨在iee内镜检查过程中能够自动识别内镜摄图的适中距离，并对标准部位进行肠化严重程度评估，从而实现内镜下实时评估胃癌风险、辅助内镜医师识别胃癌高风险人群的目的。2、为了实现上述目的，本发明采用如下技术方案：3、本发明的第一方面提供基于人工智能的内镜下胃癌风险分级系统，包括如下步骤：4、数据获取模块，用于获取内窥镜图像样本；5、网络训练模块，用于结合内窥镜图像样本对内窥镜拍摄距离识别网络和肠化生严重程度分级网络训练，得到训练后的内窥镜拍摄距离识别网络和肠化生严重程度分级网络；其中，在训练内窥镜拍摄距离识别网络和肠化生严重程度分级网络时，将内窥镜拍摄距离大于第一阈值和小于第二阈值的图像标注为正样本，将拍摄距离小于第一阈值或大于第二阈值的图像标注为负样本；6、风险评估模块，用于基于训练后的内窥镜拍摄距离识别网络对待识别的内窥镜图像处理，得到符合拍摄距离要求的内窥镜图像；结合符合拍摄距离要求的内窥镜图像和训练后的肠化生严重程度分级网络，得到肠化生严重程度分类结果。7、进一步地，所述系统还包括数据预处理模块，获取内窥镜图像样本后，还包括采用基于规则的内窥镜图像重构对内窥镜图像样本进行预处理，具体操作为：8、对图像进行裁剪以去除标注信息得到第一图像样本；9、将裁剪后的图像处理为统一的分辨率得到第二图像样本；10、基于第二图像样本，采用数据增强技术，通过随机旋转和翻转操作，并使用随机索引生成的方式打乱数据顺序，得到第三图像样本。11、进一步地，网络训练模块中，所述第一阈值取内镜视野里能识别出胃内各部位的最小距离，第二阈值取内镜视野里能观察到胃内各部位黏膜具体特征的最远距离。12、进一步地，网络训练模块中，内窥镜拍摄距离识别网络的构建过程包括：13、经过输入层输入内窥镜图像，经过特征提取层提取内窥镜图像的距离特征，通过输出层将距离特征还原至图像的通道特征信息，并将通道特征还原成概率信息以输出拍摄距离结果；14、其中，所述特征提取层将输入的图像依次经过第一特征提取层提取得到第一分辨率特征，结合第一分辨率特征和第二特征提取层提取得到第二分辨率特征，结合第二分辨率特征和第三特征提取层提取得到第三分辨率特征；结合第三分辨率特征和第四特征提取层提取得到第四分辨率特征；15、其中，第一分辨率＜第二分辨率＜第三分辨率＜第四分辨率。16、进一步地，网络训练模块中，肠化生严重程度分级网络的构建过程包括：17、通过输入层接收符合拍摄距离要求的内窥镜图像信息，之后经过特征提取模块提取图像信息，捕获图像的深层特征，通过全连接层计算得到特征空间映射样本标记空间，最后经过输出层将肠化生严重程度的分级特征还原至图像的通道特征信息，并将通道特征还原成概率信息以最终输出肠化生严重程度识别结果。18、进一步地，网络训练模块中，窥镜拍摄距离识别网络采用resnet网络，肠化生严重程度识别网络采用vgg网络。19、进一步地，所述肠化生严重程度分类结果包括：0级、1级和2级，分别表示无肠化、局灶性肠化和广泛性肠化。20、进一步地，判断是否符合拍摄距离要求的内窥镜图像的依据是：第一，内窥镜拍摄距离识别网络和肠化生严重程度分级网络的输出结果，第二，根据内窥镜拍摄距离识别网络和肠化生严重程度分级网络的训练损失函数，若两个条件均满足设定的要求，则符合拍摄距离要求的内窥镜图像。21、本发明的第三方面提供一种计算机可读存储介质。22、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：23、获取内窥镜图像样本；24、结合内窥镜图像样本对内窥镜拍摄距离识别网络和肠化生严重程度分级网络训练，得到训练后的内窥镜拍摄距离识别网络和肠化生严重程度分级网络；25、其中，在训练内窥镜拍摄距离识别网络和肠化生严重程度分级网络时，将内窥镜拍摄距离大于第一阈值和小于第二阈值的图像标注为正样本，将拍摄距离小于第一阈值或大于第二阈值的图像标注为负样本；26、基于训练后的内窥镜拍摄距离识别网络对待识别的内窥镜图像处理，得到符合拍摄距离要求的内窥镜图像；27、结合符合拍摄距离要求的内窥镜图像和训练后的肠化生严重程度分级网络，得到肠化生严重程度分类结果。28、本发明的第四方面提供一种计算机设备。29、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现：30、获取内窥镜图像样本；31、结合内窥镜图像样本对内窥镜拍摄距离识别网络和肠化生严重程度分级网络训练，得到训练后的内窥镜拍摄距离识别网络和肠化生严重程度分级网络；32、其中，在训练内窥镜拍摄距离识别网络和肠化生严重程度分级网络时，将内窥镜拍摄距离大于第一阈值和小于第二阈值的图像标注为正样本，将拍摄距离小于第一阈值或大于第二阈值的图像标注为负样本；33、基于训练后的内窥镜拍摄距离识别网络对待识别的内窥镜图像处理，得到符合拍摄距离要求的内窥镜图像；34、结合符合拍摄距离要求的内窥镜图像和训练后的肠化生严重程度分级网络，得到肠化生严重程度分类结果。35、与现有技术相比，本发明的有益效果是：36、1、针对病变严重程度的评估不准确性的问题，本发明考虑内窥镜的观察距离不合适导致的难以准确估计病变的严重程度，通过将内窥镜拍摄距离与肠化生疾病诊断相结合，在iee内镜检查过程中能够自动识别内镜摄图的适中距离，并对标准部位进行肠化严重程度评估，从而提高内镜下实时评估胃癌风险的准确度。37、2、本发明将内窥镜拍摄距离识别网络和肠化生严重程度分级网络巧妙地结合在一起，内窥镜拍摄距离识别网络中，利用残差网络结构避免了梯度消失问题，提高了模型的表达能力和性能。在临床应用中，缓解了医生在内窥镜下图像拍摄距离过远或过近的问题；肠化生严重程度分级网络中，采用卷积核堆叠方法，使得网络在保持高准确性的同时，能够减少计算量和内存占用。在临床应用中，提高了医生在内窥镜下肠化生病变严重程度识别的准确率。38、3、本发明还引入了eggim评分方法，使得基于肠化生病变的早期胃癌的风险评估成为可能，为医生的诊断提供了更为准确和可靠的依据。39、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。