(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 202211259216.0 (22)申请日 2022.10.14 (71)申请人 上海理工大 学 地址 200093 上海市杨 浦区军工路516号 (72)发明人 叶萍　夏浩杰　 (74)专利代理 机构 上海邦德专利代理事务所 (普通合伙) 31312 专利代理师 崔双双 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的肠道准备质 量判断方 法 (57)摘要 本发明公开了一种基于深度学习的肠道准 备质量判断方法， 包括： 人为标注已有的肠道准 备后的排泄物图像数据集， 将标注后图像进行预 处理操作， 获得预处理后的图像， 构建卷积神经 网络， 用来判断肠道准备质量， 自预处理后的图 像中分别提取数据形成训练集和验证集， 用训练 集和测试集及其标注数据训练神经网络， 至测试 集的准确率达到最高， 同时损失率达到最低； 保 存满足该条件下所对应的网络并作为最终的模 型， 对目标图像作与数据集相同的预处理操作， 用得到的模型对处理后的排泄物 图像做肠道准 备质量的预测， 得到肠道准备的评分， 按照评分 输出相应结果。 根据本发 明， 其基于深度学习， 通 过搭建卷积神经网络模型， 以代 替传统的通过肉 眼进行直接观 察来进行判断的方式， 进而为肠镜 提供助力。 权利要求书1页 说明书5页 附图3页 CN 115512165 A 2022.12.23 CN 115512165 A 1.一种基于深度学习的肠道准备质量判断方法， 其特 征在于， 包括以下步骤： S1、 将肠道准备后的患者 排泄物图像进行 预处理操作， 获得 预处理后的图像； S2、 对预处 理后的图像做区域的划分以及种类的标注； S3、 构建的两个卷积神经网络， 一个用来区域划分， 一个用来做分类识别； S4、 自预处 理后的图像中分别提取 数据形成训练集和验证集； S5、 用训练集和测试集及其标注数据训练区域划分的神经网络， 至测试集的准确率达 到最高， 同时损失率达 到最低； 保存 满足该条件下所对应的网络并作为 最终的模型； S6、 用得到的模型对患者拍摄的排泄物图像做区域划分， 得到只具有排泄物的图像； S7、 用得到的训练集和 测试集及其标注数据训练分类识别的神经网络， 保存最佳模型； S8、 使用训练好的网络模型对目标排泄物图像做处 理， 以判断其肠道准备质量结果。 2.如权利要求1所述的一种基于深度 学习的肠道准备质量判断方法， 其特征在于， 步骤 S2中对图像的区域划分为划分出包含排泄物区域的最小矩形框， 通过lab elme划分出包含 全部排泄物 区域的最小矩形框， 保存矩形框的四个顶点的坐标文件， 对图像的分类标准按 照排泄物图像中粪便残渣的多少划分为四类， 浑浊、 有一定残渣、 有少量残渣和清澈， 其中 有少量残渣和清澈被视为肠道准备质量 合格。 3.如权利要求1所述的一种基于深度 学习的肠道准备质量判断方法， 其特征在于， 通过 人为标注已有的肠道准备后的排泄物图像数据集， 并对全部图像做数据增强以及图像归一 化和标准 化处理， 对数据集中样本量较少的种类进行 数据增强， 使得 数据集分布大致均匀。 4.如权利要求1所述的一种基于深度 学习的肠道准备质量判断方法， 其特征在于， 步骤 S3中用于区域检测的神经网络输出一个区域检测框， 并按照检测框对图像进裁剪， 得到只 包含排泄物区域的矩形图像； 将矩形图像输入到用于图像分类的神经网络中， 得到分类结果。 5.如权利要求4所述的一种基于深度 学习的肠道准备质量判断方法， 其特征在于， 选择 YOLO‑v3作为用于区域检测的神经网络， 各参数分别设置为： 批的大小为32， 迭代次数为80， 初始学习率为0.002， 神经元随机失活概率为0.5， 修改网络 的输出层， 使其只输出一个区域检测框， 并按照检测框对图像进裁 剪； 用于图像分类的神经网络选择残差神经网络进行分类操作， 且通过Global  Average  Pooling全局平均池化层代替传统卷积Dense全连接层， 用于平均图像特征映射， 以获得特 征向量， 在训练过程中的损失函数选用交叉损失函数。 6.如权利要求5所述的一种基于深度 学习的肠道准备质量判断方法， 其特征在于， 步骤 S5中用于区域检测的神经网络训练过程中载入预训练数据， 并增加冻 结层操作， 残差结构 使得在不断增 加卷积层数的同时提升模型的准确率。权　利　要　求　书 1/1 页 2 CN 115512165 A 2一种基于深度学习的肠道准备质量判断方 法 技术领域 [0001]本发明涉及计算机辅助医学的技术领域， 特别涉及一种基于深度学习的肠道准备 质量判断方法。 背景技术 [0002]患者在做肠镜检查之前需要先进行肠道准备， 肠道准备是患者利用泻药等相关药 物来清空肠道的操作， 以避免肠道内部的粪便对肠镜检查的干扰， 不好的肠道准备会让粪 便阻挡住肠镜前进的视野,影响检查效果。 传统的肠道准备质量的判断方式是在病 人排便 后由护士进行肉眼观察， 分析和判断此次肠道准备 的质量， 简单来说就是护 士看患者排泄 物有无粪便残渣、 清澈浑浊与否。 如果护士认为其浑浊、 含有大量残渣， 则说明此次肠道准 备不合格， 需要继续进 行肠道准备； 如果护士认 为其清澈或仅含有少量残渣， 则说明肠道 准 备合格， 可以进行肠镜检查。 [0003]显而易见的， 这一方式存在许多弊端， 一是十分浪费人力， 每一个病人都需要护士 去亲眼观察， 这严重地消耗了护士的精力； 二是这是一种重复性较强的操作， 非常容易产生 主观误差， 会导致判断结果有偏差， 而且观察排泄物本身也是一件容易引起反感的事； 三是 对于患者不方便， 假设患者来到医院却发现肠道准备质量不好， 这无疑是很浪费患者的时 间的； 四是对于医院不方便， 患者在医院排泄， 再由护士分辨， 医院作为一个人流量较大 的 公共场合， 很难保存马桶中的排泄物， 不便 于医院做数字化的管理以及深入的研究。 发明内容 [0004]针对现有技术中存在的不足之处， 本发明的目的是提供一种基于深度学习的肠道 准备质量判断方法， 其基于深度学习， 通过搭建卷积神经网络模型， 以代替传统的通过肉 眼 进行直接观察来进行判断的方式， 进而为肠镜提供助力。 为了实现根据本发明的上述 目的 和其他优点， 提供了一种基于深度学习的肠道准备质量判断方法， 包括： [0005]S1、 将肠道准备后的患者 排泄物图像进行 预处理操作， 获得 预处理后的图像； [0006]S2、 对预处 理后的图像做区域的划分以及种类的标注； [0007]S3、 构建的两个卷积神经网络， 一个用来区域划分， 一个用来做分类识别； [0008]S4、 自预处 理后的图像中分别提取 数据形成训练集和验证集； [0009]S5、 用训练集和测试集及其标注数据训练区域划分的神经网络， 至测试集的准确 率达到最高， 同时损失率达 到最低； 保存 满足该条件下所对应的网络并作为 最终的模型； [0010]S6、 用得到 的模型对患者拍摄 的排泄物图像做区域划分， 得到只具有排泄物的图 像； [0011]S7、 用得到 的训练集和测试集及其标注数据训练分类识别的神经网络， 保存最佳 模型； [0012]S8、 使用训练好的网络模型对 目标排泄物图像做处理， 以判断其肠道准备质量结 果。说　明　书 1/5 页 3 CN 115512165 A 3