本发明涉及图像识别技术，尤其涉及一种基于图像增强的消化道炎症识别方法及系统。
背景技术：
1、消化道炎症是一种常见疾病，涵盖了从食道炎、胃炎到肠炎等不同部位的炎症。症状范围广泛，从轻微不适到重度并发症，严重影响患者的生活质量。传统的诊断方法主要依赖内窥镜检查和生物标志物分析，但这些方法往往侵入性强、成本高、且对操作者的技术要求高。
2、随着医学成像技术的发展，利用图像处理技术进行疾病诊断变得越来越普遍。图像增强技术能够改善医学图像的质量，提高图像的对比度和细节，使得疾病特征更加明显，从而帮助医生做出更准确的诊断。然而，现有的图像增强技术在消化道炎症的具体应用中仍存在一些局限性。
3、目前，消化道炎症的诊断依赖于高质量的内窥镜图像。然而，这些图像常常由于各种原因(如照明不足、血液或其他体液的遮挡等)而质量不佳。此外，现有的图像增强技术大多数关注于图像的整体质量提升，而不是针对炎症特定区域的详细增强。这导致即使图像整体质量提高，也可能无法有效突出炎症区域的关键特征。
技术实现思路
1、本发明实施例提供一种基于图像增强的消化道炎症识别方法及系统，至少能够解决现有技术中部分问题。
2、本发明实施例的第一方面，
3、提供一种基于图像增强的消化道炎症识别方法，包括：
4、获取目标对象的多视图消化道图像，对所述多视图消化道图像进行图像预处理后，通过预先构建的图像增强模型对图像预处理后的多视图消化道图像进行图像增强，得到增强消化道图像，其中，所述图像增强模型基于自编码器构建，所述多视图消化道图像用于指示在不同光谱以及不同角度下得到的消化道图像；
5、将所述增强消化道图像输入预先构建的多尺度注意力增强模型，提取所述增强消化道图像的多尺度增强特征图，为所述多尺度增强特征图分别进行自适应平均池化和自适应最大池化，得到多个多尺度特征向量；
6、分别为不同尺度的特征向量分配对应的特征权重，结合各个尺度的特征向量对应的特征权重，将不同尺度的特征向量进行特征融合，得到融合特征，并根据所述多尺度注意力增强模型中的分类器，确定所述多视图消化道图像中的炎症区域；其中，所述多尺度注意力增强模型基于卷积神经网络构建，并在所述卷积神经网络中引入自适应池化以及残差学习。
7、在一种可选的实施方式中，
8、获取目标对象的多视图消化道图像，对所述多视图消化道图像进行图像预处理后，通过预先构建的图像增强模型对图像预处理后的多视图消化道图像进行图像去噪，得到增强消化道图像包括：
9、所述图像增强模型包括编码器与解码器，所述编码器中进一步包括域分类器，所述域分类器用于确定输入所述图像增强模型的多视图消化道图像的域属性；所述解码器中进一步包括域判别器，所述域判别器用于判断所属解码器传递的图像的域属性；
10、所述编码器通过所述域分类器提取属于同一域属性的多视图消化道图像的图像特征，再通过域间图像转换将属于不同域属性的图像特征映射到共同的特征空间，得到合并域图像，并将所述合并域图像传递至解码器；
11、所述解码器通过所述域判别器判断所述合并域图像是否属于同一域属性，若判断为是，则提取所述合并域图像的合并域特征，并输出所述合并域图像作为增强消化道图像。
12、在一种可选的实施方式中，
13、获取目标对象的多视图消化道图像，对所述多视图消化道图像进行图像预处理后，通过预先构建的图像增强模型对图像预处理后的多视图消化道图像进行图像去噪，得到增强消化道图像之前，所述方法还包括：
14、对所述编码器的域分类器的第一损失函数，以及所述解码器的域判别器的第二损失函数进行交替优化，通过最小化所述第一损失函数的分类损失以及最小化所述第二损失函数的判别损失更新所述图像增强模型；
15、其中，
16、所述编码器的域分类器的第一损失函数包括：
17、
18、其中，lrecon表示第一损失函数对应的第一损失值，n表示样本数量，xi表示第i个样本的原始图像，x′i表示第i个样本经过自编码器重构后的图像，表示使用p范数来计算经过自编码器重构后的图像与原始图像的像素差的长度或大小；
19、所述解码器的域判别器的第二损失函数包括：
20、ladv＝ex～s[log d(x)]+ex～t[log(1-d(g(x)))]；
21、其中，ladv表示第二损失函数对应的第二损失值，ex～s表示在源域s进行期望操作取样，d()表示域判别器函数，评估函数的参数属于源域的概率，ex～t表示在目标域t上进行期望操作取样，g(x)表示生成函数，用于将x从一个域转换到另一个域。
22、在一种可选的实施方式中，
23、将所述增强消化道图像输入预先构建的多尺度注意力增强模型，提取所述增强消化道图像的多尺度增强特征图，为所述多尺度增强特征图分别进行自适应平均池化和自适应最大池化，得到多个多尺度特征向量包括：
24、将所述多尺度增强特征图通过多尺度注意力增强模型中的卷积模块提取卷积特征，并对所述卷积特征进行全局平均池化，得到所述多尺度增强特征图对应的语义特征；
25、基于所述多尺度注意力增强模型的全连接层为所述语义特征分配尺度权重；
26、为所述多尺度增强特征图分别进行自适应平均池化和自适应最大池化，分别得到平均池化结果和最大池化结果；
27、将所述平均池化结果和所述最大池化结果，结合所述尺度权重进行加权求和，得到多个多尺度特征向量。
28、在一种可选的实施方式中，
29、分别为不同尺度的特征向量分配对应的特征权重，结合各个尺度的特征向量对应的特征权重，将不同尺度的特征向量进行特征融合，得到融合特征，并根据所述多尺度注意力增强模型中的分类器，确定所述多视图消化道图像中的炎症区域之前，所述方法还包括：
30、获取不同医疗中心、不同设备采集的消化道炎症图像数据,包括不同光谱成像和不同角度成像的训练图像；
31、所述多尺度注意力增强模型以多尺度卷积神经网络作为骨干网络，并且在所述多尺度卷积神经网络的末端引入自适应池化层，对输入所述多尺度注意力增强模型的训练图像自适应调整池化窗口，得到固定大小的输出特征图；
32、对所述输出特征图基于区域生长算法进行分割处理，提取出所述输出特征图中消化道黏膜区域，得到分割后的消化道黏膜图像；
33、通过空间注意力机制得到所述消化道黏膜图像对应的空间加权后的第一特征图；对空间加权后的特征图应用通道注意力机制，得到通道加权后的第二特征图；根据通道加权后的第二特征图，通过残差学习的多层感知机将所述第二特征图与所述消化道黏膜图像进行拼接，得到融合特征图；
34、将所述融合特征图输入到所述多尺度注意力增强模型的分类器中，确定所述训练图像的炎症区域。
35、在一种可选的实施方式中，
36、对所述输出特征图基于区域生长算法进行分割处理，提取出所述输出特征图中消化道黏膜区域，得到分割后的消化道黏膜图像包括：
37、采用canny边缘检测算法对所述输出特征图进行边缘提取，得到潜在的黏膜区域边界；根据黏膜区域的先验知识和图像特征，采用亮度、颜色和纹理特征，设计种子点选取准则，自动选取多个位于黏膜区域内部且分布均匀的初始种子点；
38、以初始种子点为起点，启动多个独立的区域生长过程，在生长过程中动态调整亮度差异阈值和颜色相似性阈值，适应局部图像特征的变化，同时引入边缘约束机制，对候选像素点进行边缘检查；对多个初始种子点生长得到的区域采用自适应融合策略进行融合和优化，得到分割后的消化道黏膜图像。
39、在一种可选的实施方式中，
40、以初始种子点为起点，启动多个独立的区域生长过程，在生长过程中动态调整亮度差异阈值和颜色相似性阈值，适应局部图像特征的变化，同时引入边缘约束机制，对候选像素点进行边缘检查包括：
41、在区域生长过程中，对潜在的黏膜区域边界中每个候选像素点进行边缘检查，计算候选像素点与其8邻域内边缘像素点的最小像素距离，并根据所述最小像素距离计算边缘约束权重；
42、基于所述边缘约束权重，以及预设的初始像素合并概率，设置像素修正合并概率，并根据所述像素修正合并概率进行区域生长；
43、在生长过程中动态调整亮度差异阈值和颜色相似性阈值，适应局部图像特征的变化，对候选像素点进行边缘检查。
44、本发明实施例的第二方面，
45、提供一种基于图像增强的消化道炎症识别系统，包括：
46、第一单元，用于获取目标对象的多视图消化道图像，对所述多视图消化道图像进行图像预处理后，通过预先构建的图像增强模型对图像预处理后的多视图消化道图像进行图像增强，得到增强消化道图像，其中，所述图像增强模型基于自编码器构建，所述多视图消化道图像用于指示在不同光谱以及不同角度下得到的消化道图像；
47、第二单元，用于将所述增强消化道图像输入预先构建的多尺度注意力增强模型，提取所述增强消化道图像的多尺度增强特征图，为所述多尺度增强特征图分别进行自适应平均池化和自适应最大池化，得到多个多尺度特征向量；
48、第三单元，用于分别为不同尺度的特征向量分配对应的特征权重，结合各个尺度的特征向量对应的特征权重，将不同尺度的特征向量进行特征融合，得到融合特征，并根据所述多尺度注意力增强模型中的分类器，确定所述多视图消化道图像中的炎症区域；其中，所述多尺度注意力增强模型基于卷积神经网络构建，并在所述卷积神经网络中引入自适应池化以及残差学习。
49、本发明实施例的第三方面，
50、提供一种电子设备，包括：
51、处理器；
52、用于存储处理器可执行指令的存储器；
53、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
54、本发明实施例的第四方面，
55、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
56、本技术通过使用基于自编码器的图像增强模型，可以有效提升多视图消化道图像的质量。自编码器能够学习图像中的关键特征，并在输出端重建质量更高的图像。这种增强不仅提高了图像的对比度和清晰度，而且能够更好地突出炎症区域，使得难以觉察的细节变得更加明显。
57、通过引入多尺度注意力增强模型，该技术能够在不同的尺度上捕捉图像的特征，并通过自适应平均池化和自适应最大池化提取多尺度特征向量。这样不仅增强了模型对图像各个部分的敏感性，还能够根据图像内容的不同自动调整池化策略，从而更有效地提取关键信息。
58、结合不同尺度的特征向量并进行特征融合，可以实现更为精准的炎症区域识别。通过分配不同尺度特征向量的权重，系统能够强调对诊断最为关键的特征，从而提高识别的准确性。此外，引入的残差学习进一步帮助模型在学习过程中保持稳定，避免过拟合。通过自动化的图像增强和特征识别过程，大大减轻了医生在内窥镜操作中的负担，降低了对操作者技术水平的依赖，同时也缩短了诊断时间，提高了整体的医疗效率。
1.一种基于图像增强的消化道炎症识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取目标对象的多视图消化道图像，对所述多视图消化道图像进行图像预处理后，通过预先构建的图像增强模型对图像预处理后的多视图消化道图像进行图像去噪，得到增强消化道图像包括：
3.根据权利要求2所述的方法，其特征在于，获取目标对象的多视图消化道图像，对所述多视图消化道图像进行图像预处理后，通过预先构建的图像增强模型对图像预处理后的多视图消化道图像进行图像去噪，得到增强消化道图像之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，将所述增强消化道图像输入预先构建的多尺度注意力增强模型，提取所述增强消化道图像的多尺度增强特征图，为所述多尺度增强特征图分别进行自适应平均池化和自适应最大池化，得到多个多尺度特征向量包括：
5.根据权利要求1所述的方法，其特征在于，分别为不同尺度的特征向量分配对应的特征权重，结合各个尺度的特征向量对应的特征权重，将不同尺度的特征向量进行特征融合，得到融合特征，并根据所述多尺度注意力增强模型中的分类器，确定所述多视图消化道图像中的炎症区域之前，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，对所述输出特征图基于区域生长算法进行分割处理，提取出所述输出特征图中消化道黏膜区域，得到分割后的消化道黏膜图像包括：
7.根据权利要求6所述的方法，其特征在于，以初始种子点为起点，启动多个独立的区域生长过程，在生长过程中动态调整亮度差异阈值和颜色相似性阈值，适应局部图像特征的变化，同时引入边缘约束机制，对候选像素点进行边缘检查包括：
8.一种基于图像增强的消化道炎症识别系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
