(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210455932.X (22)申请日 2022.04.28 (65)同一申请的已公布的文献号 申请公布号 CN 114565611 A (43)申请公布日 2022.05.31 (73)专利权人 武汉大学 地址 430072 湖北省武汉市珞珈山 街道八 一路299号 (72)发明人 于红刚　张丽辉　卢姿桦　姚理文　 (74)专利代理 机构 深圳紫藤知识产权代理有限 公司 44570 专利代理师 杨婉秋 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 111932520 A,2020.1 1.13CN 111524093 A,2020.08.1 1 CN 113642537 A,2021.1 1.12 CN 109410196 A,2019.0 3.01 CN 113643291 A,2021.1 1.12 CN 108937871 A,2018.12.07 CN 10272 2735 A,2012.10.10 CN 114022936 A,2022.02.08 CN 110600122 A,2019.12.20 CN 110473192 A,2019.1 1.19 US 11024031 B1,2021.0 6.01 CN 108695 001 A,2018.10.23 CN 108292366 A,2018.07.17 CN 109636796 A,2019.04.16 US 2019297276 A1,2019.09.26 US 2021174923 A1,2021.0 6.10 US 202125 6701 A1,2021.08.19 US 2021153808 A1,2021.0 5.27 US 2022031227 A1,202 2.02.03 (续) 审查员 黎成超 (54)发明名称 医学信息获取方法及相关 设备 (57)摘要 本申请的实施例提供了一种医学信息获取 方法及相关设备。 该医学信息获取方法包括： 对 目标对象的消化道内镜视频进行预处理， 得到预 处理标准图像和异常局部图像； 根据所述异常局 部图像， 确定所述异常局部图对应的异常类型等 级信息； 根据所述预处理标准图像， 确定所述异 常局部图像所处区域对应的背景特征； 根据所述 异常局部图像所处区域对应的背景特征以及所 述异常局部图对应的异常类型等级信息， 得到目 标对象的医学信息， 所述医学信息用于协助内镜 检查内容规范化记录。 本申请实施例的技术方案 解决了现有技术的医学信息仅包含区域局部进 行概括性判断的问题， 实现对整体环 境作更精准 和更全面的判断。 [转续页] 权利要求书2页 说明书13页 附图4页 CN 114565611 B 2022.07.19 CN 114565611 B (56)对比文件 杜泓柳 等.基 于深度学习的内镜下胃黏膜 多病灶辅助识别系统. 《兰州大 学学报》 .202 2,第 48卷(第1期),第1-4页. lianlian wu et al. .A deep neural network improves endoscopic detecti on of early gastric cancer w ithout bl ind spots. 《Endoscopy》 .2019,第51卷(第6期),1-10. Pedro Guimaraes et al. .Deep learn ing based detecti on of gastric precancerous conditions. 《Endoscopy news》 .2019,1- 3.2/2 页 2[接上页] CN 114565611 B1.一种医学信息获取 方法， 其特 征在于， 包括： 对目标对象的消化道内镜 视频进行 预处理， 得到预处 理标准图像和异常局部图像； 根据所述异常局部图像， 确定所述异常局部图对应的异常类型等级信息； 将所述预处理标准图像输入区域甄别模型， 所述区域甄别模型输出对应的区域， 同时 对于每一个区域， 输出区域对应的区域 概览图像； 将所述区域概览图像输入背景特征识别模型， 所述背景特征识别模型输出所述 区域概 览图像对应的背景 特征； 根据所述异常局部图像所处区域对应的背景特征以及所述异常局部图对应的异常类 型等级信息， 得到目标对象的医学信息， 所述医学信息用于协助内镜检查内容 规范化记录 。 2.如权利要求1所述的医学信息获取方法， 其特征在于， 所述根据所述异常局部 图像， 确定所述异常局部图对应的异常类型等级， 具体包括： 将所述异常局部图像依次输入多个异常特征识别模型， 各异常特征识别模型输出该异 常局部图像是否存在对应的异常特 征； 根据所述异常局部图存在的异常特 征， 拟合所述异常局部图对应的异常类型； 根据所述异常局部图存在的异常特征和所述异常局部图对应的异常类型， 确定所述异 常局部图对应的异常类型等级信息 。 3.如权利要求2所述的医学信 息获取方法， 其特征在于， 所述根据 所述异常局部图存在 的异常特征和所述异常局部图对应的异常类型， 确定所述异常局部图对应的异常类型等级 信息， 具体包括： 将所述异常局部图存在的异常特征和所述异常局部 图对应的异常类型输入类型等级 判断模型， 所述类型等级判断模型输出对应的异常类型等级信息 。 4.如权利要求3所述的医学信 息获取方法， 其特征在于， 所述类型等级判断模型的训练 方法是： 获取医学图谱样本集合， 每个医学图谱样本均包含其存在的异常特征和异常类型， 且 每个医学图谱样本均事先 标定对应的异常类型等级信息； 将每个所述医学图谱样本的数据分别输入类型等级判断模型， 得到所述类型等级判断 模型输出的异常类型等级信息； 如果存在有所述医学图谱样本的数据输入类型等级判断模型后， 得到的异常类型等级 与对所述医学图谱样本事先标定的异常类型等级信息不一致， 则调整 所述类型等级判断的 系数， 直到一 致； 当所有所述医学图谱样本的数据输入类型等级判断模型后， 得到的异常类型等级与对 所述医学图谱样本事先 标定的异常类型等级信息一 致， 训练结束。 5.如权利要求2所述的医学信 息获取方法， 其特征在于， 所述异常特征识别模型的训练 方法是： 获取含有对应异常特征的异常局部图像和不含有对应异常特征的异常局部图像样本 集合， 其中每 个样本均事先 标定是否含有对应的异常特 征； 将每个所述异常局部图像样本的数据分别 输入异常特征识别模型， 得到所述异常特征 识别模型输出 是否含有对应异常特 征的判定结果； 如果存在有所述异常局部图像样本的数据输入异常特征识别模型后， 得到的判定结果权　利　要　求　书 1/2 页 2 CN 114565611 B 3