CN112022065A - 一种快速定位胶囊进入十二指肠时间点的方法及系统 - Google Patents
一种快速定位胶囊进入十二指肠时间点的方法及系统 Download PDFInfo
- Publication number
- CN112022065A CN112022065A CN202011016314.2A CN202011016314A CN112022065A CN 112022065 A CN112022065 A CN 112022065A CN 202011016314 A CN202011016314 A CN 202011016314A CN 112022065 A CN112022065 A CN 112022065A
- Authority
- CN
- China
- Prior art keywords
- duodenum
- capsule
- images
- image
- stomach
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000001198 duodenum Anatomy 0.000 title claims abstract description 83
- 239000002775 capsule Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000002784 stomach Anatomy 0.000 claims abstract description 45
- 238000011176 pooling Methods 0.000 claims description 36
- 230000003416 augmentation Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002183 duodenal effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims 2
- 238000012216 screening Methods 0.000 claims 2
- 230000004807 localization Effects 0.000 claims 1
- 238000001839 endoscopy Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 210000004877 mucosa Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 210000004913 chyme Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 210000004051 gastric juice Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
- A61B1/041—Capsule endoscopes for imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/273—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/273—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
- A61B1/2736—Gastroscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Gastroenterology & Hepatology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Endoscopes (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种快速定位胶囊进入十二指肠时间点的方法及系统，方法包括以下步骤：S1、获取初始图像集；S2、去除重复图像，得到预处理后的图像集；S3、获取训练集；S4、LeNet模型训练；S5、目标胶囊拍摄的图像进行分类；S6、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入步骤S7，否则进入步骤S8；S7、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤S6；S8、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。本发明解决了人工查询费时费力的问题。
Description
技术领域
本发明涉及计算机视觉领域，具体涉及一种快速定位胶囊进入十二指肠时间点的方法及系统。
背景技术
由于其无痛性和无创性，胶囊内镜是目前临床上检查小肠疾患的最好诊断工具之一，但缺点之一是胶囊吞服后，其在消化道中的运动完全依赖于胃肠的蠕动推送速度，当进入胃内后，如果胃的蠕动排空速度慢，就可能导致胶囊长时间滞留在胃内，过多耗费自带的电池能量，当进入小肠后，就可能因电池能量不足而无法完成全小肠的检查。而如何判断胶囊进入十二指肠的时间点，一直没有很好的解决办法。
在胶囊内镜检查过程中，按2张/秒的速度(中国金山公司OMOM胶囊内镜)摄像，整个检查过程中每例患者可获取数万张图片，一般在进入十二指肠降段前也可获得数百-数千张图片。但现在确定胶囊首先到达十二指肠的方法为医师查看胶囊所拍的图像，进行人工分辨，由于图像数量较大，因此存在费时费力的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种快速定位胶囊进入十二指肠时间点的方法及系统解决了胶囊进入十二指肠的时间点靠人工查询费时费力的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种快速定位胶囊进入十二指肠时间点的方法，其包括以下步骤：
S1、将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上标签后作为初始图像集；
S2、采用残差法对初始图像集中的图像进行筛选，去除重复图像，得到预处理后的图像集；
S3、采用图像增广方法增加预处理后的图像集中胶囊位于十二指肠中拍摄的图像，得到训练集；
S4、采用训练集对LeNet模型进行分类训练，使训练后的LeNet模型具备对图像进行位于胃中和位于十二指肠中分类的功能；
S5、采用训练后的LeNet模型对目标胶囊拍摄的图像进行分类，获取目标胶囊所拍摄的每张图像为位于胃中或位于十二指肠中；
S6、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入步骤S7，否则进入步骤S8；
S7、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤S6；
S8、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。
进一步地，步骤S1的具体方法为：
将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上拍摄位置的标签，并将打上标签的图像尺寸归一化为3×240×256，得到初始图像集。
进一步地，步骤S3中图像增广方法包括RandomFlip方法和RandomCrop方法。
进一步地，步骤S4中的LeNet模型包括4组交替连接的卷积层和池化层，以及依次连接在最后一个池化层之后的三个全连接层；其中第一组卷积层和池化层的大小为240×256×3，第二组卷积层和池化层的大小为118×126×32，第三组卷积层和池化层的大小为28×30×64，第四组卷积层和池化层的大小为6×6×128；第一个全连接层的节点为512，第二个全连接层的节点为256，第三个全连接层的节点为2。
进一步地，步骤S6中数值N为3。
提供一种快速定位胶囊进入十二指肠时间点的系统，其包括初始图像集获取模块、预处理模块、数据均衡模块、训练模块和识别模块；
初始图像集获取模块，用于将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上标签后作为初始图像集；
预处理模块，用于采用残差法对初始图像集中的图像进行筛选，去除重复图像，得到预处理后的图像集；
数据均衡模块，用于采用图像增广方法增加预处理后的图像集中胶囊位于十二指肠中拍摄的图像，得到训练集；
训练模块，用于采用训练集对LeNet模型进行分类训练，使训练后的LeNet模型具备对图像进行位于胃中和位于十二指肠中分类的功能；
识别模块，用于进行如下操作：
P1、采用训练后的LeNet模型对目标胶囊拍摄的图像进行分类，获取目标胶囊所拍摄的每张图像为位于胃中或位于十二指肠中；
P2、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入操作P3，否则进入操作P4；
P3、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤P2；
P4、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。
进一步地，LeNet模型包括4组交替连接的卷积层和池化层，以及依次连接在最后一个池化层之后的三个全连接层；其中第一组卷积层和池化层的大小为240×256×3，第二组卷积层和池化层的大小为118×126×32，第三组卷积层和池化层的大小为28×30×64，第四组卷积层和池化层的大小为6×6×128；第一个全连接层的节点为512，第二个全连接层的节点为256，第三个全连接层的节点为2。
进一步地，操作P1中数值N为3。
本发明的有益效果为：
1、本发明通过对胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像进行处理后训练LeNet模型，通过训练后的LeNet模型来自动获取胶囊进入十二指肠的时间，解决了人工查询费时费力的问题。
2、本发明通过残差法解决了胶囊在人体内运动速度慢导致获取了大量重复图像的问题，同时通过图像增广方法解决了十二指肠内图像较少的问题，使得模型的训练数据更均衡，训练所得的模型识别效果更好，更有利于快速定位胶囊进入十二指肠的时间点。
3、本发明通过连续N张图像分类为位于胃中为阈值，对可能识别错误的结果进行纠正，可以提高识别准确率。
附图说明
图1为本方法的流程示意图；
图2为LeNet模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该快速定位胶囊进入十二指肠时间点的方法包括以下步骤：
S1、将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上标签后作为初始图像集；
S2、采用残差法对初始图像集中的图像进行筛选，去除重复图像，得到预处理后的图像集；
S3、采用图像增广方法增加预处理后的图像集中胶囊位于十二指肠中拍摄的图像，得到训练集；
S4、采用训练集对LeNet模型进行分类训练，使训练后的LeNet模型具备对图像进行位于胃中和位于十二指肠中分类的功能；
S5、采用训练后的LeNet模型对目标胶囊拍摄的图像进行分类，获取目标胶囊所拍摄的每张图像为位于胃中或位于十二指肠中；
S6、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入步骤S7，否则进入步骤S8；
S7、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤S6；
S8、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。
步骤S1的具体方法为：将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上拍摄位置的标签，并将打上标签的图像尺寸归一化为3×240×256，得到初始图像集。步骤S3中图像增广方法包括RandomFlip方法和RandomCrop方法。
如图2所示，步骤S4中的LeNet模型包括4组交替连接的卷积层和池化层，以及依次连接在最后一个池化层之后的三个全连接层；其中第一组卷积层和池化层的大小为240×256×3，第二组卷积层和池化层的大小为118×126×32，第三组卷积层和池化层的大小为28×30×64，第四组卷积层和池化层的大小为6×6×128；第一个全连接层的节点为512，第二个全连接层的节点为256，第三个全连接层的节点为2。
该快速定位胶囊进入十二指肠时间点的系统包括初始图像集获取模块、预处理模块、数据均衡模块、训练模块和识别模块；
初始图像集获取模块，用于将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上标签后作为初始图像集；
预处理模块，用于采用残差法对初始图像集中的图像进行筛选，去除重复图像，得到预处理后的图像集；
数据均衡模块，用于采用图像增广方法增加预处理后的图像集中胶囊位于十二指肠中拍摄的图像，得到训练集；
训练模块，用于采用训练集对LeNet模型进行分类训练，使训练后的LeNet模型具备对图像进行位于胃中和位于十二指肠中分类的功能；
识别模块，用于进行如下操作：
P1、采用训练后的LeNet模型对目标胶囊拍摄的图像进行分类，获取目标胶囊所拍摄的每张图像为位于胃中或位于十二指肠中；
P2、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入操作P3，否则进入操作P4；
P3、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤P2；
P4、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。
LeNet模型包括4组交替连接的卷积层和池化层，以及依次连接在最后一个池化层之后的三个全连接层；其中第一组卷积层和池化层的大小为240×256×3，第二组卷积层和池化层的大小为118×126×32，第三组卷积层和池化层的大小为28×30×64，第四组卷积层和池化层的大小为6×6×128；第一个全连接层的节点为512，第二个全连接层的节点为256，第三个全连接层的节点为2。
在本发明的一个实施例中，数值N为3，卷积层的核为5×5。训练集包括胃、十二指肠球部、十二指肠降段粘膜图像，以及各种各样的胶囊内镜检查过程中会遇到的干扰图像，例如唾液，胃液，肠液，血性液体，胃内食糜，胆汁，暗视野图片，摄像模糊的图像等。
本申请根据胶囊进入十二指肠降段不会返回胃和十二指肠球部为基础，若训练后的LeNet模型对胶囊内镜进入十二指肠降段进行了确认，则确认点时间后面的图像应该都是十二指肠降段图像，如果后面再有图像被判断为胃和十二指肠球部粘膜图像，特别是有大于等于3张图像出现时，则可判断确认点有误，应该对确认点重新进行修正，该方式可以提高LeNet模型的识别正确率，进而提高定位胶囊进入十二指肠时间点的正确率。
综上所述，本发明通过对胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像进行处理后训练LeNet模型，通过训练后的LeNet模型来自动获取胶囊进入十二指肠的时间，解决了人工查询费时费力的问题。
Claims (8)
1.一种快速定位胶囊进入十二指肠时间点的方法，其特征在于，包括以下步骤：
S1、将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上标签后作为初始图像集；
S2、采用残差法对初始图像集中的图像进行筛选，去除重复图像，得到预处理后的图像集；
S3、采用图像增广方法增加预处理后的图像集中胶囊位于十二指肠中拍摄的图像，得到训练集；
S4、采用训练集对LeNet模型进行分类训练，使训练后的LeNet模型具备对图像进行位于胃中和位于十二指肠中分类的功能；
S5、采用训练后的LeNet模型对目标胶囊拍摄的图像进行分类，获取目标胶囊所拍摄的每张图像为位于胃中或位于十二指肠中；
S6、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入步骤S7，否则进入步骤S8；
S7、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤S6；
S8、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。
2.根据权利要求1所述的快速定位胶囊进入十二指肠时间点的方法，其特征在于，所述步骤S1的具体方法为：
将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上拍摄位置的标签，并将打上标签的图像尺寸归一化为3×240×256，得到初始图像集。
3.根据权利要求1所述的快速定位胶囊进入十二指肠时间点的方法，其特征在于，所述步骤S3中图像增广方法包括RandomFlip方法和RandomCrop方法。
4.根据权利要求1所述的快速定位胶囊进入十二指肠时间点的方法，其特征在于，所述步骤S4中的LeNet模型包括4组交替连接的卷积层和池化层，以及依次连接在最后一个池化层之后的三个全连接层；其中第一组卷积层和池化层的大小为240×256×3，第二组卷积层和池化层的大小为118×126×32，第三组卷积层和池化层的大小为28×30×64，第四组卷积层和池化层的大小为6×6×128；第一个全连接层的节点为512，第二个全连接层的节点为256，第三个全连接层的节点为2。
5.根据权利要求1所述的快速定位胶囊进入十二指肠时间点的方法，其特征在于，所述步骤S6中数值N为3。
6.一种快速定位胶囊进入十二指肠时间点的系统，其特征在于，包括初始图像集获取模块、预处理模块、数据均衡模块、训练模块和识别模块；
所述初始图像集获取模块，用于将胶囊位于胃中拍摄的图像和胶囊位于十二指肠中拍摄的图像打上标签后作为初始图像集；
所述预处理模块，用于采用残差法对初始图像集中的图像进行筛选，去除重复图像，得到预处理后的图像集；
所述数据均衡模块，用于采用图像增广方法增加预处理后的图像集中胶囊位于十二指肠中拍摄的图像，得到训练集；
所述训练模块，用于采用训练集对LeNet模型进行分类训练，使训练后的LeNet模型具备对图像进行位于胃中和位于十二指肠中分类的功能；
所述识别模块，用于进行如下操作：
P1、采用训练后的LeNet模型对目标胶囊拍摄的图像进行分类，获取目标胶囊所拍摄的每张图像为位于胃中或位于十二指肠中；
P2、从第一张分类为位于十二指肠中的图像开始，判断其后是否存在连续N张图像分类为位于胃中，若是则进入操作P3，否则进入操作P4；
P3、将位于连续的、大于等于N张分类为位于胃中的图像之前的分类为位于十二指肠中的图像去掉，返回步骤P2；
P4、将第一张分类为位于十二指肠中的图像的拍摄时间作为目标胶囊进入十二指肠时间点，完成定位。
7.根据权利要求6所述的快速定位胶囊进入十二指肠时间点的系统，其特征在于，所述LeNet模型包括4组交替连接的卷积层和池化层，以及依次连接在最后一个池化层之后的三个全连接层；其中第一组卷积层和池化层的大小为240×256×3，第二组卷积层和池化层的大小为118×126×32，第三组卷积层和池化层的大小为28×30×64，第四组卷积层和池化层的大小为6×6×128；第一个全连接层的节点为512，第二个全连接层的节点为256，第三个全连接层的节点为2。
8.根据权利要求6所述的快速定位胶囊进入十二指肠时间点的系统，其特征在于，所述操作P1中数值N为3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011016314.2A CN112022065A (zh) | 2020-09-24 | 2020-09-24 | 一种快速定位胶囊进入十二指肠时间点的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011016314.2A CN112022065A (zh) | 2020-09-24 | 2020-09-24 | 一种快速定位胶囊进入十二指肠时间点的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112022065A true CN112022065A (zh) | 2020-12-04 |
Family
ID=73573832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011016314.2A Pending CN112022065A (zh) | 2020-09-24 | 2020-09-24 | 一种快速定位胶囊进入十二指肠时间点的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112022065A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101365136A (zh) * | 2008-09-09 | 2009-02-11 | 深圳市同洲电子股份有限公司 | 帧内预测的方法及装置 |
| CN102999912A (zh) * | 2012-11-27 | 2013-03-27 | 宁波大学 | 一种基于失真图的立体图像质量客观评价方法 |
| WO2018112255A1 (en) * | 2016-12-14 | 2018-06-21 | Progenity Inc. | Treatment of a disease of the gastrointestinal tract with an immunosuppressant |
| CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
| CN109583325A (zh) * | 2018-11-12 | 2019-04-05 | 平安科技（深圳）有限公司 | 人脸样本图片标注方法、装置、计算机设备及存储介质 |
| CN110367913A (zh) * | 2019-07-29 | 2019-10-25 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
-
2020
- 2020-09-24 CN CN202011016314.2A patent/CN112022065A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101365136A (zh) * | 2008-09-09 | 2009-02-11 | 深圳市同洲电子股份有限公司 | 帧内预测的方法及装置 |
| CN102999912A (zh) * | 2012-11-27 | 2013-03-27 | 宁波大学 | 一种基于失真图的立体图像质量客观评价方法 |
| WO2018112255A1 (en) * | 2016-12-14 | 2018-06-21 | Progenity Inc. | Treatment of a disease of the gastrointestinal tract with an immunosuppressant |
| CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
| CN109583325A (zh) * | 2018-11-12 | 2019-04-05 | 平安科技（深圳）有限公司 | 人脸样本图片标注方法、装置、计算机设备及存储介质 |
| CN110367913A (zh) * | 2019-07-29 | 2019-10-25 | 杭州电子科技大学 | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张向荣，冯婕，刘芳，焦李成: "《人工智能前沿技术丛书 模式识别》", 30 September 2019 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110367913B (zh) | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 | |
| CN110020610B (zh) | 基于深度学习的肠镜质量检查控制系统 | |
| EP4018909A1 (en) | Deep learning-based diagnosis assistance system for early digestive tract cancer and examination apparatus | |
| CN109948719B (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
| CN107730489A (zh) | 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法 | |
| CN111340094A (zh) | 基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法 | |
| CN110675335B (zh) | 基于多分辨率残差融合网络的浅表静脉增强方法 | |
| CN101584571A (zh) | 一种胶囊内镜辅助读片方法 | |
| CN111986196B (zh) | 一种消化道胶囊内镜滞留自动监测方法及系统 | |
| CN112466466B (zh) | 基于深度学习的消化道辅助检测方法、装置和计算设备 | |
| CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
| CN112651375A (zh) | 基于深度学习模型的幽门螺杆菌胃部图像识别分类系统 | |
| WO2020215807A1 (zh) | 一种基于深度学习提高结肠镜腺瘤性息肉检出率的方法 | |
| CN113781489A (zh) | 一种息肉影像语义分割方法及装置 | |
| CN114782760A (zh) | 一种基于多任务学习的胃部疾病图片分类系统 | |
| CN113222957A (zh) | 一种基于胶囊镜图像的多类别病灶高速检测方法及系统 | |
| CN115035127A (zh) | 一种基于生成式对抗网络的视网膜血管分割方法 | |
| CN117689949A (zh) | 一种基于少样本学习的消化道内镜图像分类算法 | |
| CN110516690A (zh) | 一种基于深度学习的藏医尿液颜色自动识别方法 | |
| CN113989236A (zh) | 一种胃镜图像智能目标检测系统及方法 | |
| CN111784669B (zh) | 一种胶囊内镜图像多病灶检测方法 | |
| CN112022065A (zh) | 一种快速定位胶囊进入十二指肠时间点的方法及系统 | |
| CN108937871A (zh) | 一种消化道微光学相干断层成像图像分析系统及方法 | |
| CN114266915A (zh) | 一种基于人工智能的鼻肠管超声识别定位的方法 | |
| CN110974121B (zh) | 一种判断消化内窥镜检查是否染色的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |