醫(yī)學(xué)人工智能技術(shù)與吸通研發(fā)—消化內(nèi)鏡輔助實(shí)時(shí)診斷和風(fēng)險(xiǎn)檢測(cè)系統(tǒng)的研發(fā)
2021-07-24
醫(yī)學(xué)人工智能技術(shù)與系統(tǒng)研發(fā)-消化內(nèi)鏡輔助實(shí)時(shí)診斷和風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)的研發(fā)。（浙江省重點(diǎn)研發(fā)計(jì)劃：2020C03074，1000萬(wàn)，其中浙江省科技廳撥款200萬(wàn)，2020.01-2023.12）。該項(xiàng)目由合作醫(yī)院三門(mén)醫(yī)院主持，研發(fā)團(tuán)隊(duì)來(lái)自浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院、浙江工業(yè)大學(xué)、中國(guó)計(jì)量大學(xué)，以及浙江愛(ài)達(dá)科技有限公司。浙江愛(ài)達(dá)科技有限公司負(fù)責(zé)該項(xiàng)目的產(chǎn)品落地所需的軟硬件技術(shù)支持。
該項(xiàng)目主要研究?jī)?nèi)容為利用人工智能技術(shù)，實(shí)現(xiàn)多源信息融合的消化內(nèi)鏡輔助實(shí)時(shí)診斷和穿孔風(fēng)險(xiǎn)監(jiān)測(cè)。設(shè)計(jì)的計(jì)算機(jī)輔助系統(tǒng)主要功能包括：
1：胃腸道站點(diǎn)分類(lèi)，即判斷拍攝的圖像屬于哪一個(gè)器官，哪一個(gè)部位。
授權(quán)發(fā)明專(zhuān)利：一種基于多特征融合的膠囊內(nèi)窺鏡圖像分類(lèi)方法，ZL201811515944.7
2：常見(jiàn)胃腸道疾病的輔助診斷，即判斷圖像中是否存在病灶，可能是什么疾病
2.1： 利用特征模型的方法實(shí)現(xiàn)腸道中常見(jiàn)疾病分類(lèi)，分為健康、息肉和潰瘍?nèi)?lèi)，成果：先驗(yàn)權(quán)重共享碼本下內(nèi)窺鏡圖像大腸病變分類(lèi)，中國(guó)圖象圖形學(xué)報(bào)，2021. vol 6，性能如下：
2.2： 利用人工智能的方法實(shí)現(xiàn)腸道中常見(jiàn)疾病分類(lèi)，分為健康、息肉和潰瘍?nèi)?lèi)，成果Effective high-low-level feature aggregation network for WCE image classification， IEEE SPL 2021，系統(tǒng)框圖和性能如下所示
3：胃腸鏡圖像分割，包括病灶區(qū)域標(biāo)注及器官壁血管分割。
3.1 基于顯著性的出血區(qū)域分割，有點(diǎn)：適應(yīng)小規(guī)模數(shù)據(jù)集，利用圖像處理的方法進(jìn)行病灶區(qū)域的分割，成果：融合顏色特征和背景先驗(yàn)的WCE出血圖像顯著性檢測(cè)，航天醫(yī)學(xué)與醫(yī)學(xué)工程，2021，性能如下：
[1]Fast hierarchical clustering of local density peaks via an association degree transfer method[J]. Neurocomputing（2區(qū)TOP）, 455（2021），401-418
[2] Peak-graph-based fast density peak clustering for image
segmentation[J]. IEEE Signal Processing Letters, 2021, 28: 897-901
[3]A novel clustering algorithm by adaptively merging sub-clusters based on the Normal-neighbor and Merging force[J]. Pattern Analysis and Applications, 2021.05: 1-18
[4]Fast main peak clustering within relevant regions via a robust decision graph，Pattern Recognition，1區(qū)TOP，第二輪審稿中
該項(xiàng)目主要研究?jī)?nèi)容為利用人工智能技術(shù)，實(shí)現(xiàn)多源信息融合的消化內(nèi)鏡輔助實(shí)時(shí)診斷和穿孔風(fēng)險(xiǎn)監(jiān)測(cè)。設(shè)計(jì)的計(jì)算機(jī)輔助系統(tǒng)主要功能包括：
1：胃腸道站點(diǎn)分類(lèi)，即判斷拍攝的圖像屬于哪一個(gè)器官，哪一個(gè)部位。
圖：胃腸道站點(diǎn)分類(lèi)示例----胃鏡下的大站點(diǎn)分類(lèi)
表：胃鏡下的大站點(diǎn)分類(lèi)性能
授權(quán)發(fā)明專(zhuān)利：一種基于多特征融合的膠囊內(nèi)窺鏡圖像分類(lèi)方法，ZL201811515944.7
2：常見(jiàn)胃腸道疾病的輔助診斷，即判斷圖像中是否存在病灶，可能是什么疾病
2.1： 利用特征模型的方法實(shí)現(xiàn)腸道中常見(jiàn)疾病分類(lèi)，分為健康、息肉和潰瘍?nèi)?lèi)，成果：先驗(yàn)權(quán)重共享碼本下內(nèi)窺鏡圖像大腸病變分類(lèi)，中國(guó)圖象圖形學(xué)報(bào)，2021. vol 6，性能如下：
3：胃腸鏡圖像分割，包括病灶區(qū)域標(biāo)注及器官壁血管分割。
3.1 基于顯著性的出血區(qū)域分割，有點(diǎn)：適應(yīng)小規(guī)模數(shù)據(jù)集，利用圖像處理的方法進(jìn)行病灶區(qū)域的分割，成果：融合顏色特征和背景先驗(yàn)的WCE出血圖像顯著性檢測(cè)，航天醫(yī)學(xué)與醫(yī)學(xué)工程，2021，性能如下：
[1]Fast hierarchical clustering of local density peaks via an association degree transfer method[J]. Neurocomputing（2區(qū)TOP）, 455（2021），401-418
[2] Peak-graph-based fast density peak clustering for image
segmentation[J]. IEEE Signal Processing Letters, 2021, 28: 897-901
[3]A novel clustering algorithm by adaptively merging sub-clusters based on the Normal-neighbor and Merging force[J]. Pattern Analysis and Applications, 2021.05: 1-18
[4]Fast main peak clustering within relevant regions via a robust decision graph，Pattern Recognition，1區(qū)TOP，第二輪審稿中
3.3 利用人工智能中的深度學(xué)習(xí)方法進(jìn)行血管分割（相關(guān)成果正在第一輪審稿中）效果如下，綠色代表正確分割，紅色代表錯(cuò)誤分割，黃色代表漏分割，我們的方法相比于現(xiàn)有的其他方法在腸壁血管分割中表現(xiàn)更優(yōu)異：
