医学图像分析方法、计算机设备及存储介质

1.本技术涉及医学影像处理技术领域，具体涉及一种医学图像分析方法、计算机设备及存储介质。


背景技术：

2.随着科技水平的提高，医疗水平也显著增长，在确定病患的小肠中的标志时，可通过胶囊内镜和双气囊小肠镜对患者的标志进行显影，得到患者的小肠内异常标志图像，再对患者的小肠内异常标志图像进行分析，确定患者的小肠中的标志类型。然而，现有医学图像均是由医护人员进行人工分析，这种人工分析方法分析难度大，分析耗时耗力，且分析结果缺乏一致性。


技术实现要素：

3.本技术实施例提供一种医学图像分析方法、计算机设备及存储介质，根据若干小肠内异常标志图像确定若干小肠内异常标志参数，并根据小肠内异常标志参数确定目标小肠内异常标志的标志类型及状态信息，医学图像分析速度快，分析省时省力，分析结果一致性高。
4.一方面，本技术提供一种医学图像分析方法，所述医学图像分析方法包括：获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
5.在本技术一些实施方案中，所述从所述原始小肠内镜图像中提取若干小肠内异常标志图像，包括：对所述原始小肠内镜图像中的目标小肠内异常标志进行检测，得到所述目标小肠内异常标志对应的目标框；根据所述目标框对所述原始小肠内镜图像进行剪裁，得到若干小肠内异常标志图像。
6.在本技术一些实施方案中，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，包括：将所述若干小肠内异常标志图像输入经过训练的尺寸识别模型，通过所述尺寸识别模型确定所述目标小肠内异常标志对应的若干原始尺寸参数；
根据所述若干原始尺寸参数，确定所述目标小肠内异常标志对应的第一小肠内异常标志参数。
7.在本技术一些实施方案中，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，还包括：计算所述若干小肠内异常标志图像中相邻小肠内异常标志图像之间的相似度，得到所述目标小肠内异常标志对应的若干相似度值；根据所述若干相似度值，确定所述目标小肠内异常标志对应的第二小肠内异常标志参数。
8.在本技术一些实施方案中，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，还包括：将所述若干小肠内异常标志图像分别输入经过训练的第一分类模型和经过训练的第二分类模型，通过所述第一分类模型确定所述目标小肠内异常标志对应的若干第一目标属性标签，以及通过所述第二分类模型确定所述目标小肠内异常标志对应的若干第二目标属性标签，所述第一目标属性标签用于表征所述目标小肠内异常标志是否存在出血，所述第二目标属性标签用于表征所述目标小肠内异常标志周围是否存在扩张血管；根据所述若干第一目标属性标签确定所述目标小肠内异常标志对应的第三小肠内异常标志参数，以及根据所述若干第二目标属性标签，确定所述目标小肠内异常标志对应的第四小肠内异常标志参数。
9.在本技术一些实施方案中，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，还包括：将所述若干小肠内异常标志图像输入经过训练的形状识别模型，通过所述形状识别模型确定所述目标小肠内异常标志对应的若干第三目标属性标签，所述第三目标属性标签用于表征所述目标小肠内异常标志的形状；根据所述若干第三目标属性标签，确定所述目标小肠内异常标志对应的第五小肠内异常标志参数。
10.在本技术一些实施方案中，所述根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型，包括：将所述若干小肠内异常标志参数输入经过训练的梯度提升决策树模型，通过所述梯度提升决策树模型确定所述目标小肠内异常标志在各预设类型的目标分类概率；将所述目标分类概率中的最大概率值所对应的类型，确定为所述目标小肠内异常标志的标志类型。
11.在本技术一些实施方案中，所述根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息，包括：根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重，确定所述目标小肠内异常标志的若干原始状态参数；根据所述若干原始状态参数，确定所述目标小肠内异常标志的状态信息。
12.另一方面，本技术提供一种医学图像分析装置，所述医学图像分析装置包括：图像提取单元，用于获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图
像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；参数确定单元，用于根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；类型确定单元，用于根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；权重获取单元，用于获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；信息确定单元，用于根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
13.另一方面，本技术还提供一种计算机设备，所述计算机设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的医学图像分析方法。
14.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行第一方面任一项所述的医学图像分析方法中的步骤。
15.本技术根据若干小肠内异常标志图像确定若干小肠内异常标志参数，并根据小肠内异常标志参数确定目标小肠内异常标志的标志类型及状态信息，医学图像分析速度快，分析省时省力，分析结果一致性高。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本技术实施例提供的医学图像分析系统的场景示意图；图2是本技术实施例中提供的医学图像分析方法的一个实施例流程示意图；图3是本技术实施例中提供的目标小肠内异常标志的形状示意图；图4是本技术实施例中提供的医学图像分析装置的一个实施例结构示意图；图5是本技术实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
18.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
20.在本技术中，“示例性”一词用来表示“用作例子、例证或说明”。本技术中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本技术的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
21.需要说明的是，本技术实施例方法由于是在计算机设备中执行，各计算机设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便计算机设备进行处理，具体此处不作赘述。
22.本技术实施例提供一种医学图像分析方法、计算机设备及存储介质，以下分别进行详细说明。
23.请参阅图1，图1为本技术实施例所提供的医学图像分析系统的场景示意图，该医学图像分析系统可以包括计算机设备100，计算机设备100中集成有医学图像分析装置，如图1中的计算机设备。
24.本技术实施例中计算机设备100主要用于获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息，通过计算机设备100对医学图像进行分析，医学图像分析速度快，分析省时省力，分析结果一致性高。
25.本技术实施例中，该计算机设备100可以是具有图像显示功能的设备，例如，本技术实施例中所描述的计算机设备100，其包括但不限于电视机、手机、平板电脑、笔记本电脑、智能手表、pda（英文：personal digital assistant，中文：个人数字助理）等终端。
26.可以理解的是，本技术实施例中所使用的计算机设备100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。
27.本领域技术人员可以理解，图1中示出的应用环境，仅仅是本技术方案一种应用场
景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该医学图像分析系统还可以包括一个或多个其他服务，具体此处不作限定。
28.另外，如图1所示，该医学图像分析系统还可以包括存储器200，用于存储数据，如若干小肠内异常标志参数，例如第一小肠内异常标志参数，第二小肠内异常标志参数，如若干小肠内异常标志图像。
29.需要说明的是，图1所示的医学图像分析系统的场景示意图仅仅是一个示例，本技术实施例描述的医学图像分析系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着医学图像分析系统的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
30.首先，本技术实施例中提供一种医学图像分析方法，该医学图像分析方法的执行主体为医学图像分析装置，该医学图像分析装置应用于计算机设备，该医学图像分析方法包括：获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
31.如图2所示，为本技术实施例中医学图像分析方法的一个实施例流程示意图，该医学图像分析方法包括：s100、获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志。
32.目标对象为患有小肠血管性疾病的患者，原始小肠内镜图像为通过胶囊内镜或双气囊小肠镜等设备对患者的小肠血管进行显影，得到的患者的内镜检查图像，若干小肠内异常标志图像为从原始小肠内镜图像中提取的包含目标小肠内异常标志的图像，小肠内异常标志可以是小肠内异物标志或小肠标志。本实施例中对医学图像进行分析时，首先通过胶囊内镜或双气囊小肠镜对患者的标志进行显影，得到原始小肠内镜图像，然后对原始小肠内镜图像进行分析，从原始小肠内镜图像中提取若干小肠内异常标志图像，以便后续步骤中对小肠内异常标志图像进行分析。
33.在一具体实施方式中，步骤s100中从所述原始小肠内镜图像中提取若干小肠内异常标志图像，包括：s110、对所述原始小肠内镜图像中的目标小肠内异常标志进行检测，得到所述目标小肠内异常标志对应的目标框；s120、根据所述目标框对所述原始小肠内镜图像进行剪裁，得到若干小肠内异常标志图像。
34.目标框为原始小肠内镜图像中的目标小肠内异常标志所在区域的边界框，本实施例从原始小肠内镜图像中提取小肠内异常标志图像时，首先对原始小肠内镜图像中的目标
小肠内异常标志进行检测，得到目标小肠内异常标志对应的目标框，然后根据目标框对原始小肠内镜图像进行剪裁，得到若干小肠内异常标志图像。检测原始小肠内镜图像中的目标小肠内异常标志的方法包括但不限于分类器、yolo（you only look once）算法等，在一具体实施例中，采用yolo算法对原始小肠内镜图像中的目标小肠内异常标志进行检测，yolo算法是一个用于目标检测的网络，将原始小肠内镜图像输入网络后，会输出包含边界框和类别预测的向量，根据包含边界框和类别预测的向量即可确定目标小肠内异常标志对应的目标框，yolo算法相比其它目标检测方法，检测流程简单，检测速度快，且由于yolo算法采用全图信息检测目标，检测准确率高。
35.s200、根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数。
36.若干小肠内异常标志参数为与标志类型和状态信息关联的标志参数，在一具体实施例中，若干小肠内异常标志参数包括第一小肠内异常标志参数、第二小肠内异常标志参数、第三小肠内异常标志参数、第四小肠内异常标志参数及第五小肠内异常标志参数，其中，第一小肠内异常标志参数为与目标小肠内异常标志尺寸相关的参数，用于表征目标小肠内异常标志的大小；第二小肠内异常标志参数为与目标小肠内异常标志搏动性相关的参数，用于表征目标小肠内异常标志是否具有搏动性；第三小肠内异常标志参数为与目标小肠内异常标志出血性相关的参数，用于表征目标小肠内异常标志是否出血；第四小肠内异常标志参数为与目标小肠内异常标志周围扩张血管相关的参数，用于表征目标小肠内异常标志周围是否存在扩张血管；第五小肠内异常标志参数为与目标小肠内异常标志形状相关的参数，用于表征目标小肠内异常标志的形状。
37.本实施例从原始小肠内镜图像中提取若干小肠内异常标志图像后，对若干小肠内异常标志图像进行分析，根据若干小肠内异常标志图像，确定目标小肠内异常标志对应的第一小肠内异常标志参数、第二小肠内异常标志参数、第三小肠内异常标志参数、第四小肠内异常标志参数及第五小肠内异常标志参数，以便后续步骤中根据第一小肠内异常标志参数、第二小肠内异常标志参数、第三小肠内异常标志参数、第四小肠内异常标志参数及第五小肠内异常标志参数，确定目标小肠内异常标志的标志类型及状态信息。
38.在一具体实施方式中，步骤s200包括：s210、将所述若干小肠内异常标志图像输入经过训练的尺寸识别模型，通过所述尺寸识别模型确定所述目标小肠内异常标志对应的若干原始尺寸参数；s220、根据所述若干原始尺寸参数，确定所述目标小肠内异常标志对应的第一小肠内异常标志参数。
39.当若干小肠内异常标志参数包括第一小肠内异常标志参数时，本实施例将若干小肠内异常标志图像输入经过训练的尺寸识别模型，通过尺寸识别模型确定若干小肠内异常标志图像中每个小肠内异常标志图像的目标小肠内异常标志对应的原始尺寸参数，即得到目标小肠内异常标志对应的若干原始尺寸参数，然后根据若干原始尺寸参数，确定目标小肠内异常标志对应的第一小肠内异常标志参数。其中，经过训练的尺寸识别模型是基于预设第一训练样本集对尺寸识别模型进行训练得到，尺寸识别模型可以采用深度学习模型或机器学习模型，例如，卷积神经网络（convolutional neural networks, cnn）、反卷积神经网络（de-convolutional networks, dn）等。本实施例中基于尺寸识别模型确定第一小肠
内异常标志参数，能够提高医学图像的分析速度及标志分析结果的一致性与准确性。
40.第一训练样本集中包括第一训练标志图像及第一训练标志图像中的第一小肠内异常标志对应的真实尺寸参数，在对尺寸识别模型进行训练时，首先将第一训练样本集中的第一训练标志图像输入尺寸识别模型，通过尺寸识别模型确定第一小肠内异常标志对应的预测尺寸参数，接着根据预测尺寸参数、真实尺寸参数及尺寸识别模型的损失函数，确定尺寸识别模型的第一损失值，当第一损失值不小于预设第一阈值时，根据预设的第一参数学习率对尺寸识别模型的参数进行修正，并继续执行通过尺寸识别模型确定第一小肠内异常标志对应的预测尺寸参数的步骤，直至第一损失值小于预设第一阈值，从而得到经过训练的尺寸识别模型。
41.在一具体实施例中，若干原始尺寸参数为若干小肠内异常标志图像中目标小肠内异常标志的最大直径，若干原始尺寸参数为连续值，单位为mm。在根据若干原始尺寸参数，确定目标小肠内异常标志对应的第一小肠内异常标志参数时，可以将若干原始尺寸参数中的任意一个值确定为第一小肠内异常标志参数，如将若干原始尺寸参数中的最大值、最小值或者中间值确定为第一小肠内异常标志参数，也可以将若干原始尺寸参数的平均值确定为第一小肠内异常标志参数，本技术对此不作限定。
42.在一具体实施方式中，步骤s200还包括：s230、计算所述若干小肠内异常标志图像中相邻小肠内异常标志图像之间的相似度，得到所述目标小肠内异常标志对应的若干相似度值；s240、根据所述若干相似度值，确定所述目标小肠内异常标志对应的第二小肠内异常标志参数。
43.当若干小肠内异常标志参数包括第二小肠内异常标志参数时，本实施例计算若干小肠内异常标志图像中相邻小肠内异常标志图像之间的相似度，得到目标小肠内异常标志对应的若干相似度值，其中，小肠内异常标志图像之间的相似度的计算方法包括但不限于哈希算法等。例如，当若干小肠内异常标志图像包括小肠内异常标志图像a、小肠内异常标志图像b、小肠内异常标志图像c及小肠内异常标志图像d时，分别计算小肠内异常标志图像a与小肠内异常标志图像b之间的相似度，计算小肠内异常标志图像b与小肠内异常标志图像c之间的相似度，计算小肠内异常标志图像c与小肠内异常标志图像d之间的相似度，从而得到目标小肠内异常标志对应的三个相似度值。
44.得到目标小肠内异常标志对应的若干相似度值后，根据若干相似度值，确定目标小肠内异常标志对应的第二小肠内异常标志参数。在根据若干相似度值确定第二小肠内异常标志参数时，是将若干相似度值进行比较，当若干相似度值中有连续第一数量的相似度值均小于预设相似度阈值时，则判断目标小肠内异常标志具有搏动性，并确定第二小肠内异常标志参数为预设第一参数值，反之，则判断目标小肠内异常标志不具有搏动性，并确定第二小肠内异常标志参数为预设第二参数值。第一数量、第一参数值及第二参数值可以根据用户需要进行设置，例如，第一数量为3，第一参数值为1，第二参数为0，当若干相似度值中有连续3个相似度值均小于预设相似度阈值时，则判断目标小肠内异常标志具有搏动性，并确定第二小肠内异常标志参数为1，反之，则判断目标小肠内异常标志不具有搏动性，并确定第二小肠内异常标志参数为0。
45.在一具体实施方式中，步骤s200还包括：
s250、将所述若干小肠内异常标志图像分别输入经过训练的第一分类模型和经过训练的第二分类模型，通过所述第一分类模型确定所述目标小肠内异常标志对应的若干第一目标属性标签，以及通过所述第二分类模型确定所述目标小肠内异常标志对应的若干第二目标属性标签，所述第一目标属性标签用于表征所述目标小肠内异常标志是否存在出血，所述第二目标属性标签用于表征所述目标小肠内异常标志周围是否存在扩张血管；s260、根据所述若干第一目标属性标签确定所述目标小肠内异常标志对应的第三小肠内异常标志参数，以及根据所述若干第二目标属性标签，确定所述目标小肠内异常标志对应的第四小肠内异常标志参数。
46.当若干小肠内异常标志参数包括第三小肠内异常标志参数和第四小肠内异常标志参数时，本实施例将若干小肠内异常标志图像分别输入经过训练的第一分类模型和经过训练的第二分类模型，通过第一分类模型确定若干小肠内异常标志图像中每个小肠内异常标志图像的目标小肠内异常标志对应的第一目标属性标签，即目标小肠内异常标志对应的若干第一目标属性标签，以及通过第二分类模型确定若干小肠内异常标志图像中每个小肠内异常标志图像的目标小肠内异常标志对应的第二目标属性标签，即目标小肠内异常标志对应的若干第二目标属性标签，然后根据若干第一目标属性标签，确定目标小肠内异常标志对应的第三小肠内异常标志参数，以及根据若干第二目标属性标签，确定目标小肠内异常标志对应的第四小肠内异常标志参数。其中，经过训练的第一分类模型是基于预设第二训练样本集对第一分类模型进行训练得到，经过训练的第二分类模型是基于预设第三训练样本集对第二分类模型进行训练得到，第一分类模型和第二分类模型可以采用深度学习模型或机器学习模型，例如，卷积神经网络（convolutional neural networks, cnn）、反卷积神经网络（de-convolutional networks, dn）等。本实施例中通过第一分类模型和第二分类模型确定第三小肠内异常标志参数和第四小肠内异常标志参数，能够提高医学图像的分析速度及标志分析结果的一致性与准确性。
47.第二训练样本集中包括第二训练标志图像及第二训练标志图像中的第二小肠内异常标志对应的第一真实属性标签，在对第一分类模型进行训练时，首先将第二训练样本集中的第二训练标志图像输入第一分类模型中，通过第一分类模型确定第二小肠内异常标志对应的第一预测属性标签，接着根据第一预测属性标签、第一真实属性标签及第一分类模型的损失函数，确定第一分类模型的第二损失值，当第二损失值不小于预设第二阈值时，根据预设的第二参数学习率对第一分类模型的参数进行修正，并继续执行通过第一分类模型确定第二小肠内异常标志对应的第一预测属性标签的步骤，直至第二损失值小于预设第二阈值，从而得到经过训练的第一分类模型。
48.第三训练样本集中包括第三训练标志图像及第三训练标志图像中的第三小肠内异常标志对应的第二真实属性标签，在对第二分类模型进行训练时，首先将第三训练样本集中的第三训练标志图像输入第二分类模型，通过第二分类模型确定第三小肠内异常标志对应的第二预测属性标签，接着根据第二预测属性标签、第二真实属性标签及第二分类模型的损失函数，确定第三网络模型的第三损失值，当第三损失值不小于预设第三阈值时，根据预设的第三参数学习率对第二分类模型的参数进行修正，并继续执行通过第二分类模型确定第三小肠内异常标志对应的第二预测属性标签的步骤，直至第三损失值小于预设第三阈值，从而得到经过训练的第二分类模型。
49.在根据若干第一目标属性标签确定第三小肠内异常标志参数时，是将若干第一目标属性标签进行比较，当连续的若干第一目标属性标签中有第二数量的第一目标属性标签均为表征标志存在出血的属性标签时，则判断目标小肠内异常标志存在出血，并确定第三小肠内异常标志参数为预设第三参数值，反之，则判断目标小肠内异常标志不存在出血，并确定第三小肠内异常标志参数为预设第四参数值。第二数量、第三参数值及第四参数值可以根据用户需要进行设置，例如，第二数量为4，第三参数值为1，第四参数为0，当连续7个第一目标属性标签中有4个第一目标属性标签均为表征标志存在出血的属性标签时，则判断目标小肠内异常标志存在出血，并确定第三小肠内异常标志参数为1，反之，则判断目标小肠内异常标志不存在出血，并确定第三小肠内异常标志参数为0。
50.在根据若干第二目标属性标签确定第四小肠内异常标志参数时，是将若干第二目标属性标签进行比较，当连续的若干第二目标属性标签中有第三数量的第二目标属性标签均为表征标志周围存在扩张血管的属性标签时，则判断目标小肠内异常标志周围存在扩张血管，并确定第四小肠内异常标志参数为预设第五参数值，反之，则判断目标小肠内异常标志周围不存在扩张血管，并确定第四小肠内异常标志参数为预设第六参数值。第三数量、第五参数值及第六参数值可以根据用户需要进行设置，例如，第二数量为4，第一参数值为1，第二参数为0，当连续7个第二目标属性标签中有4个第二目标属性标签均为表征标志周围存在扩张血管的属性标签时，则判断目标小肠内异常标志周围存在扩张血管，并确定第四小肠内异常标志参数为1，反之，则判断目标小肠内异常标志周围不存在扩张血管，并确定第四小肠内异常标志参数为0。
51.在一具体实施方式中，步骤s200还包括：s270、将所述若干小肠内异常标志图像输入经过训练的形状识别模型，通过所述形状识别模型确定所述目标小肠内异常标志对应的若干第三目标属性标签，所述第三目标属性标签用于表征所述目标小肠内异常标志的形状；s280、根据所述若干第三目标属性标签，确定所述目标小肠内异常标志对应的第五小肠内异常标志参数。
52.当若干小肠内异常标志参数包括第五小肠内异常标志参数时，本实施例将若干小肠内异常标志图像输入经过训练的形状识别模型，通过形状识别模型确定若干小肠内异常标志图像中每个小肠内异常标志图像的目标小肠内异常标志对应的第三目标属性标签，即得到目标小肠内异常标志对应的若干第三目标属性标签，然后根据若干第三目标属性标签，确定目标小肠内异常标志对应的第五小肠内异常标志参数。其中，经过训练的形状识别模型是基于预设第四训练样本集对形状识别模型进行训练得到，形状识别模型可以采用深度学习模型或机器学习模型，例如，卷积神经网络（convolutional neural networks, cnn）、反卷积神经网络（de-convolutional networks, dn）等。本实施例中基于形状识别模型确定第五小肠内异常标志参数，能够提高医学图像的分析速度及标志分析结果的一致性与准确性。
53.第四训练样本集中包括第四训练标志图像及第四训练标志图像中的第四小肠内异常标志对应的第三真实属性标签，在对形状识别模型进行训练时，首先将第四训练样本集中的第四训练标志图像输入形状识别模型，通过形状识别模型确定第四小肠内异常标志对应的第三预测属性标签，接着根据第三预测属性标签、第三真实属性标签及形状识别模
型的损失函数，确定形状识别模型的第四损失值，当第四损失值不小于预设第四阈值时，根据预设的第四参数学习率对形状识别模型的参数进行修正，并继续执行通过形状识别模型确定第四小肠内异常标志对应的第三预测属性标签的步骤，直至第四损失值小于预设第四阈值，从而得到经过训练的形状识别模型。
54.在一具体实施例中，如图3所示，目标小肠内异常标志的形状包括孤立圆形、散在原点、片状及其他，若干第三目标属性标签为孤立圆形、散在原点、片状及其他中的一种或多种，在根据若干第三目标属性标签，确定目标小肠内异常标志对应的第五小肠内异常标志参数时，可以将若干第三目标属性标签中数量最多的属性标签对应的参数值，确定为第五小肠内异常标志参数。例如，孤立圆形对应的参数值为0，散在原点对应的参数值为1，片状对应的参数值为2，其他对应的参数值为3，当若干第三目标属性标签中散在原点的数量最多时，确定第五小肠内异常标志参数为1。
55.s300、根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型。
56.在一具体实施例中，目标小肠内异常标志为小肠血管性病变，标志类型为点状发红（1a型）、片状发红（1b型）、点状伴搏动性出血（2a型）、搏动性红色隆起不伴静脉曲张（2b型）、搏动的红色隆起伴静脉曲张（3型）及其他（4型）中的一种。在确定目标小肠内异常标志对应的若干小肠内异常标志参数后，根据若干小肠内异常标志参数，确定目标小肠内异常标志的标志类型。
57.在一具体实施方式中，步骤s300包括：s310、将所述若干小肠内异常标志参数输入经过训练的梯度提升决策树模型，通过所述梯度提升决策树模型确定所述目标小肠内异常标志在各预设类型的目标分类概率；s320、将所述目标分类概率中的最大概率值所对应的类型，确定为所述目标小肠内异常标志的标志类型。
58.预设类型包括点状发红（1a型）、片状发红（1b型）、点状伴搏动性出血（2a型）、搏动性红色隆起不伴静脉曲张（2b型）、搏动的红色隆起伴静脉曲张（3型）及其他（4型）。根据若干小肠内异常标志参数确定标志类型的方法包括但不限于梯度提升树（gradient boosting decison tree, gbdt）算法、rf随机森林算法、分布式梯度增强树（extreme gradient boosting，xgboost）、梯度提升机（light gradient boosting machine，lightgbm）算法等。当采用gbdt算法确定标志类型时，是将若干小肠内异常标志参数输入经过训练的梯度提升决策树模型中，通过梯度提升决策树模型确定目标小肠内异常标志在各预设类型的目标分类概率，然后将目标分类概率中的最大概率值所对应的类型，确定为目标小肠内异常标志的标志类型。例如，通过梯度提升决策树模型确定目标小肠内异常标志在1a型、1b型、2a型、2b型、3型及4型的目标分类概率分别为5%、15%、60%、10%、5%、5%，则目标小肠内异常标志的标志类型为2a型。
59.s400、获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重。
60.权重为与目标小肠内异常标志的状态信息相关的参数，本实施例确定若干小肠内异常标志参数后，进一步获取预先确定的若干小肠内异常标志参数中各个小肠内异常标志参数的权重，以便后续步骤中确定目标小肠内异常标志的状态信息。
61.各个小肠内异常标志参数的权重可以由用户根据经验值预先设置，也可以通过其他方式确定。在一具体实施例中，各个标志参数的权重的确定方法具体包括：首先根据测量的灵敏度和特异度绘制接受者操作特性曲线（receiver operating characteristic curve，roc曲线），然后使用约登指数寻找最佳的roc曲线阈值，最后通过暴力算法不断调整不同类型的标志参数的权重，直至达到最佳的roc曲线阈值，并将最佳的roc曲线阈值下各类型标志参数的权重确定为各个标志参数的权重。
62.s500、根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
63.目标小肠内异常标志的状态信息包括但不限于目标小肠内异常标志的出血风险状态，出血风险状态用于表征目标小肠内异常标志的出血风险高低，目标小肠内异常标志的出血风险高低由很多因素导致，例如，可能与引起小肠出血的各种疾病相关，或者小肠内存在异物导致小肠出血等。在获取预先确定的若干小肠内异常标志参数中各个小肠内异常标志参数的权重后，根据若干小肠内异常标志参数和若干小肠内异常标志参数中各个标志参数的权重确定目标小肠内异常标志的状态信息。
64.在一具体实施方式中，步骤s500包括：s510、根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重，确定所述目标小肠内异常标志的若干原始状态参数；s520、根据所述若干原始状态参数，确定所述目标小肠内异常标志的状态信息。
65.原始状态参数为根据各个标志参数及各个标志参数的权重分别确定的参数，原始状态参数为各个标志参数与各个标志参数的权重的乘积，例如，当第一小肠内异常标志参数为，第二小肠内异常标志参数为，第三小肠内异常标志参数为，第四小肠内异常标志参数为，第五小肠内异常标志参数为，各标志参数的权重分别为、、、、，则若干原始状态参数包括第一原始状态参数，第二原始状态参数，第三原始状态参数，第四原始状态参数，以及第五原始状态参数。
66.确定若干原始状态参数后，再根据若干原始状态参数，确定目标小肠内异常标志的状态信息，其中，当目标小肠内异常标志的状态信息为目标小肠内异常标志的出血风险系数时，目标小肠内异常标志的状态信息的计算公式为：，其中，为目标小肠内异常标志的状态信息，为第一小肠内异常标志参数，为第二小肠内异常标志参数，为第三小肠内异常标志参数，为第四小肠内异常标志参数，为第五小肠内异常标志参数，为第一小肠内异常标志参数的权重，为第二小肠内异常标志参数的权重，为第三小肠内异常标志参数的权重，为第四小肠内异常标志参数的权重，为第五小肠内异常标志参数的权重。
67.为了更好实现本技术实施例中医学图像分析方法，在医学图像分析方法基础之上，本技术实施例中还提供一种医学图像分析装置，如图4所示，所述医学图像分析装置600包括：
图像提取单元601，用于获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；参数确定单元602，用于根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；类型确定单元603，用于根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；权重获取单元604，用于获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；信息确定单元605，用于根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
68.本技术实施例中，根据若干小肠内异常标志图像确定若干小肠内异常标志参数，并根据小肠内异常标志参数确定目标小肠内异常标志的标志类型及状态信息，医学图像分析速度快，分析省时省力，分析结果一致性高。
69.在本技术一些实施例中，所述图像提取单元601具体用于：对所述原始小肠内镜图像中的目标小肠内异常标志进行检测，得到所述目标小肠内异常标志对应的目标框；根据所述目标框对所述原始小肠内镜图像进行剪裁，得到若干小肠内异常标志图像。
70.在本技术一些实施例中，所述参数确定单元602具体用于：将所述若干小肠内异常标志图像输入经过训练的尺寸识别模型，通过所述尺寸识别模型确定所述目标小肠内异常标志对应的若干原始尺寸参数；根据所述若干原始尺寸参数，确定所述目标小肠内异常标志对应的第一小肠内异常标志参数。
71.在本技术一些实施例中，所述参数确定单元602具体还用于：计算所述若干小肠内异常标志图像中相邻小肠内异常标志图像之间的相似度，得到所述目标小肠内异常标志对应的若干相似度值；根据所述若干相似度值，确定所述目标小肠内异常标志对应的第二小肠内异常标志参数。
72.在本技术一些实施例中，所述参数确定单元602具体还用于：将所述若干小肠内异常标志图像分别输入经过训练的第一分类模型和经过训练的第二分类模型，通过所述第一分类模型确定所述目标小肠内异常标志对应的若干第一目标属性标签，以及通过所述第二分类模型确定所述目标小肠内异常标志对应的若干第二目标属性标签，所述第一目标属性标签用于表征所述目标小肠内异常标志是否存在出血，所述第二目标属性标签用于表征所述目标小肠内异常标志周围是否存在扩张血管；根据所述若干第一目标属性标签确定所述目标小肠内异常标志对应的第三小肠内异常标志参数，以及根据所述若干第二目标属性标签，确定所述目标小肠内异常标志对应的第四小肠内异常标志参数。
73.在本技术一些实施例中，所述参数确定单元602具体还用于：
将所述若干小肠内异常标志图像输入经过训练的形状识别模型，通过所述形状识别模型确定所述目标小肠内异常标志对应的若干第三目标属性标签，所述第三目标属性标签用于表征所述目标小肠内异常标志的形状；根据所述若干第三目标属性标签，确定所述目标小肠内异常标志对应的第五小肠内异常标志参数。
74.在本技术一些实施例中，所述类型确定单元603具体用于：将所述若干小肠内异常标志参数输入经过训练的梯度提升决策树模型，通过所述梯度提升决策树模型确定所述目标小肠内异常标志在各预设类型的目标分类概率；将所述目标分类概率中的最大概率值所对应的类型，确定为所述目标小肠内异常标志的标志类型。
75.在本技术一些实施例中，所述信息确定单元605具体用于：根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重，确定所述目标小肠内异常标志的若干原始状态参数；根据所述若干原始状态参数，确定所述目标小肠内异常标志的状态信息。
76.本技术实施例还提供一种计算机设备，其集成了本技术实施例所提供的任一种医学图像分析装置，所述计算机设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述医学图像分析方法实施例中任一实施例中所述的医学图像分析方法中的步骤。
77.本技术实施例还提供一种计算机设备，其集成了本技术实施例所提供的任一种医学图像分析装置。如图5所示，其示出了本技术实施例所涉及的计算机设备的结构示意图，具体来讲：该计算机设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解，图5中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：处理器701是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。
78.存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据计算机设备的使用所创建的
数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器702还可以包括存储器控制器，以提供处理器701对存储器702的访问。
79.计算机设备还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
80.该计算机设备还可包括输入单元704，该输入单元704可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
81.尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器701会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能，如下：获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
82.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
83.为此，本技术实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器（rom，read only memory）、随机存取记忆体（ram，random access memory）、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本技术实施例所提供的任一种医学图像分析方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠
内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。
84.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
85.具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
86.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
87.以上对本技术实施例所提供的一种医学图像分析方法、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种医学图像分析方法，其特征在于，所述医学图像分析方法包括：获取目标对象的原始小肠内镜图像，从所述原始小肠内镜图像中提取若干小肠内异常标志图像，所述若干小肠内异常标志图像中包括目标小肠内异常标志；根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数；根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型；获取预先确定的所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息。2.根据权利要求1所述的医学图像分析方法，其特征在于，所述从所述原始小肠内镜图像中提取若干小肠内异常标志图像，包括：对所述原始小肠内镜图像中的目标小肠内异常标志进行检测，得到所述目标小肠内异常标志对应的目标框；根据所述目标框对所述原始小肠内镜图像进行剪裁，得到若干小肠内异常标志图像。3.根据权利要求1所述的医学图像分析方法，其特征在于，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，包括：将所述若干小肠内异常标志图像输入经过训练的尺寸识别模型，通过所述尺寸识别模型确定所述目标小肠内异常标志对应的若干原始尺寸参数；根据所述若干原始尺寸参数，确定所述目标小肠内异常标志对应的第一小肠内异常标志参数。4.根据权利要求3所述的医学图像分析方法，其特征在于，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，还包括：计算所述若干小肠内异常标志图像中相邻小肠内异常标志图像之间的相似度，得到所述目标小肠内异常标志对应的若干相似度值；根据所述若干相似度值，确定所述目标小肠内异常标志对应的第二小肠内异常标志参数。5.根据权利要求3所述的医学图像分析方法，其特征在于，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，还包括：将所述若干小肠内异常标志图像分别输入经过训练的第一分类模型和经过训练的第二分类模型，通过所述第一分类模型确定所述目标小肠内异常标志对应的若干第一目标属性标签，以及通过所述第二分类模型确定所述目标小肠内异常标志对应的若干第二目标属性标签，所述第一目标属性标签用于表征所述目标小肠内异常标志是否存在出血，所述第二目标属性标签用于表征所述目标小肠内异常标志周围是否存在扩张血管；根据所述若干第一目标属性标签确定所述目标小肠内异常标志对应的第三小肠内异常标志参数，以及根据所述若干第二目标属性标签，确定所述目标小肠内异常标志对应的第四小肠内异常标志参数。6.根据权利要求3所述的医学图像分析方法，其特征在于，所述根据所述若干小肠内异常标志图像，确定所述目标小肠内异常标志对应的若干小肠内异常标志参数，还包括：将所述若干小肠内异常标志图像输入经过训练的形状识别模型，通过所述形状识别模
型确定所述目标小肠内异常标志对应的若干第三目标属性标签，所述第三目标属性标签用于表征所述目标小肠内异常标志的形状；根据所述若干第三目标属性标签，确定所述目标小肠内异常标志对应的第五小肠内异常标志参数。7.根据权利要求1所述的医学图像分析方法，其特征在于，所述根据所述若干小肠内异常标志参数，确定所述目标小肠内异常标志的标志类型，包括：将所述若干小肠内异常标志参数输入经过训练的梯度提升决策树模型，通过所述梯度提升决策树模型确定所述目标小肠内异常标志在各预设类型的目标分类概率；将所述目标分类概率中的最大概率值所对应的类型，确定为所述目标小肠内异常标志的标志类型。8.根据权利要求1所述的医学图像分析方法，其特征在于，所述根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定所述目标小肠内异常标志的状态信息，包括：根据所述若干小肠内异常标志参数和所述若干小肠内异常标志参数中各个小肠内异常标志参数的权重，确定所述目标小肠内异常标志的若干原始状态参数；根据所述若干原始状态参数，确定所述目标小肠内异常标志的状态信息。9.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至8中任一项所述的医学图像分析方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至8任一项所述的医学图像分析方法中的步骤。

技术总结
本申请公开了一种医学图像分析方法、计算机设备及存储介质，该医学图像分析方法包括：获取目标对象的原始小肠内镜图像，从原始小肠内镜图像中提取若干小肠内异常标志图像，若干小肠内异常标志图像中包括目标小肠内异常标志；根据若干小肠内异常标志图像，确定目标小肠内异常标志对应的若干小肠内异常标志参数；根据若干小肠内异常标志参数，确定目标小肠内异常标志的标志类型；获取预先确定的若干小肠内异常标志参数中各个小肠内异常标志参数的权重；根据若干小肠内异常标志参数和若干小肠内异常标志参数中各个小肠内异常标志参数的权重确定目标小肠内异常标志的状态信息。本申请医学图像分析速度快，分析省时省力，分析结果一致性高。果一致性高。果一致性高。


技术研发人员：于红刚 朱益洁 陶逍 吴练练 董泽华
受保护的技术使用者：武汉大学
技术研发日：2022.04.22
技术公布日：2022/5/25