具体实施方式

下面，结合附图对本发明的实施例进行详细说明，以帮助本领域技术人员容易实施本发明。本发明可通过各种不同的形式实现而不受在此说明的实施例的限制。为了更明确地说明本发明，省略与说明无关的内容，而且，在整个说明书中的相同或类似的结构赋予相同的标记。

在全部说明书中，说某个部分与其他部分“连接”时，不仅包括“直接连接”的情况，而且，还包括其中间通过其他部件“电连接”或“间接连接”的情况。

在本发明的整个说明书中，说某个部件位于其他部件“上”、“上部”、“上端”、“下”、“下部”、“下端”时，这不仅包括某个部件与另一个部件连接的情况，还包括在两个部件之间存在其他部件的情况。

在本发明的整个说明书中，说某个部分“包括”某个构件时，除非有特别相反的记载，不是排出其他构件，而还可包括其他构件。

本发明涉及包括基于从内窥镜装置获得的胃内窥镜图像分类胃肿瘤并评价其性能的深度学习模型的诊断胃病变的装置及方法。本发明可基于卷积神经网络(Convolutional Neural Networks)解读胃内窥镜照片，自动诊断胃的赘生物。

本发明可在胃内窥镜照片图像数据集中应用称为卷积神经网络的深度学习算法通过计算机进行学习之后，解读新输入的胃内窥镜照片，通过此过程在相应照片中自动分类胃赘生物，诊断或预测胃癌或胃异型增生等。

图1为根据本发明一实施例的病变诊断装置的概略结构图。

如图1所以，病变诊断装置10、内窥镜装置20及显示装置23可通过网络发送或接收数据(图像、影像、文本)及各种通信信号。病变诊断系统1可包括具有数据存储及处理功能的所有种类的服务器、终端或设备。

作为用于诊断装置10、胃内窥镜装置20及显示装置23之间的信息共享的网络的一例，可包括3GPP(3rd Generation Partnership Project)网络、LTE(Long TermEvolution)网络、5G网络、WIMAX(World Interoperability for Microwave Access)网络、有线或无线互联网(Internet)、LAN(Local Area Network)、Wireless LAN(WirelessLocal Area Network)、WAN(Wide Area Network)、PAN(Personal Area Network)、蓝牙(Bluetooth)网络、Wifi网络、NFC(Near Field Communication)网络、卫星广播网络、模拟广播网络、DMB(Digital Multimedia Broadcasting)网络等，但非限制。

内窥镜装置20可以是在胃内窥镜检查时使用的装置。内窥镜装置20可包括操作部21及主体部22。内窥镜装置20可包括插入身体内的主体部22及具备于主体部22的后端的操作部21。在主体部22的前端可包括拍摄身体内部的拍摄部、向拍摄部位照射光的照明部、清洗身体内部以便于进行拍摄的水喷射部、吸入身体内的异物或空气等的抽吸部等，在主体部22内部可具备各对应于上述多个单元(部)的通道。另外，插入部内可具备活检通道(biopsy channel)，内窥镜操作者可通过该活检通道插入外科手术刀采集身体内部的组织。具备于内窥镜装置20的拍摄身体内部的拍摄部(即摄像头)，可具备小型摄像头。拍摄装置可获得白色光胃内窥镜图像。

内窥镜装置20的拍摄部可通过网络向病变诊断装置10发送或接收获得的胃病变图像。病变诊断装置10可基于胃病变诊断结果，生成控制活检单元的控制信号。活检单元可以是采集身体内部的组织的单元。可通过采集身体内部的组织判定该组织的阳性及阴性。另外，可通过采集身体内部的组织去除癌组织。例如，病变诊断装置10可包括获得胃内窥镜图像，采集身体内部的组织的内窥镜装置20。换言之，将从内窥镜装置20实时获得胃内窥镜图像作为通过学习构件的人工神经网络的输入，区分为关于胃病变诊断结果的项目中的至少一种，从而可实现对胃病变的诊断及预测。

根据本发明另一实施例，内窥镜装置20可以胶囊形式形成。例如，内窥镜装置20以胶囊形式形成并可插入检测对象的体内获得胃内窥镜图像。胶囊型内窥镜装置20可一并提供对位于检测对象的食道、胃、小肠及大肠汇总的那个位置的位置信息。换言之，胶囊型内窥镜装置20位于检测对象(患者)的体内，可通过网络将实时获得的影像(图像)提供至病变诊断装置10。此时，胶囊型内窥镜装置20不仅提供胃内窥镜图像，而且还提供获得胃内窥镜图像的位置信息，从而在病变诊断装置10的诊断分类结果属于晚期胃癌(advancedgastric cancer)、早期胃癌(early gastric cancer)、高度异型增生(high-gradedysplasia)、低度异型增生(low-grade dysplasia)中的至少一种时，换言之，在属于肺肿瘤危险性肿瘤时，能够使使用者(医生)掌握相应病变位置直接进行切除手术。

根据本发明一实施例，病变诊断装置10将在内窥镜装置20中实时获得的胃病变内窥镜图像作为通过学习形成的算法的输入执行胃病变诊断，对于赘生物可以病变，内窥镜装置20可通过内窥镜黏膜切除术或内窥镜黏膜下剥离术切除相应病变。

显示装置23例如可包括液晶显示器(LCD)、发光二极管(LED)显示器、有机发光二极管(OLED)显示器或微机电系统(MEMS)显示器。显示装置23可向使用者显示从内窥镜装置20获得的胃内窥镜图像及病变诊断装置10诊断出的胃病变诊断信息。显示装置23可包括触摸屏，例如，可接收利用电子笔或使用者的身体的一部分的触摸、手势、近点或悬停输入。显示装置23可输出在内窥镜装置20获得的胃病变图像。另外，显示装置23可输出胃病变诊断结果。

图2为根据本发明一实施例的病变诊断装置的概略框图，而图3为用于说明在根据本发明一实施例的病变诊断装置中构建人工神经网络的实施例的示意图。

如图2所示，病变诊断装置10可包括图像获得部11、数据生成部12、数据预处理部13、学习部14及病变诊断部15。但是，病变诊断装置10的结构不限于上述公开的内容。例如，病变诊断装置10还可包括用于存储信息的数据库。

图像获得部11可获得多个胃病变图像。图像获得部11可从具备于内窥镜装置20的拍摄装置接收胃病变图像。图像获得部11可获得通过用于胃内窥镜诊疗的内窥镜拍摄装置(数码相机)获得的胃病变图像。图像获得部11可收集病理学上确认的胃病变的内窥镜白色光图像。另外，图像获得部11可从多个医院的影像保管装置及数据库系统接收多个胃病变图像。多个医院的影像保管装置可以是保管在多个医院执行胃内窥镜检查时获得的胃病变图像的装置。

另外，图像获得部11可获得改变检测对象的胃的第一区域的角度、方向及距离中的任一个拍摄的影像(图像)。图像获得部11可获得JPEG形式的胃病变图像。胃病变图像可以是以1280x640像素的分辨率，应用35度角度的域的模式的图像。另外，图像获得部11可获得取出对各胃病变图像的离散标志符信息的图像。图像获得部11可获得病变位于中央，去除胃病变图像中黑色框架区域的图像。

与此相反，图像获得部11在图像获得过程中获得跑焦、伪影、音域等质量低或低分辨率的图像时，可丢弃该图像。换言之，图像获得部11在不适合用于深度算法的图像的情况下，可丢弃该图像。

根据本发明一实施例，内窥镜装置20可利用操作部21控制拍摄部。操作部21为使目标病变的位置位于拍摄部的视野范围之内，可从使用者接收操作输入信号。操作部21可基于从使用者接收的操作输入信号控制拍摄部的位置。另外，操作部21在拍摄部的视野位于目标病变的位置时，可获得用于捕获相应图像的操作输入信号，生成用于捕获相应胃病变图像的信号。

根据本发明另一实施例，内窥镜装置20可以是以胶囊形式形成的装置。胶囊内窥镜装置20插入对象(检测对象)的人体内部并可远程操作。从胶囊内窥镜装置获得的胃病变图像，不仅是使用者希望捕获的区域的图像，还可以是将通过视频拍摄获得的所有影像的转换为图像获得的数据。胶囊内窥镜装置20可包括拍摄部及操作部。拍摄部插入人体内部，并基于操作部的操作信号在人体内部得到控制。

数据生成部12可连接多个胃病变图像和患者信息生成数据集。患者信息可包括对象(检测对象)的性别、年龄、身高、体重、人种、国籍、吸烟量、饮酒量、家族史等各种信息。另外，患者信息可包括临床信息。临床信息是指进行诊断的医生用于特定诊断的所有数据。尤其是，包括由在诊疗过程中生成的性别、年龄构成的资料、特定治疗与否资料、薪资申请及处方资料等的电子义务记录资料。另外，临床信息可包括基因信息等生物学数据资料。生物学数据资料可包括具备心率数、心电图、运动量、氧饱和度、血压、体重、糖尿等数值数据的个人健康信息。

患者信息是在下面说明的学习部14中，与卷积神经网络结构的结果一同输入至全连接神经网络的数据，通过将胃病变图像之外的信息输入至人工神经网络，可进一步提高准确度。

另外，数据生成部12可生成用于深度学习算法的学习用数据集及验证用数据集。将数据集分为人工神经网络的学习所需的学习用数据集及用于验证人工神经网络的学习的进行信息的验证用数据集生成数据集。其一例为，数据生成部12可在从图像获得部11获得的胃病变图像中，随机分类用于学习用数据集的图像及用于验证用数据集的图像。另外，数据生成部12可将选择验证用数据集剩下的数据集用作学习用数据集。验证用数据集可随机选择。验证用数据集及学习用数据集的比率可根据预设的基准值确定。此时，预设的基准值可设定为验证用数据集的比率为10％，学习用数据集的比率为90％，但非限制。

数据生成部12为防止过适状态，区分学习用数据集及验证用数据集生成数据集。例如，根据神经网络结构的学习特性，学习用数据集可成为过适状态，数据生成部12可利用验证用数据集防止人工神经网络变成过适状态。

此时，验证用数据集可为不与学习用数据集重复的数据集。因验证用数据为不用于构建人工神经网络的数据，因此是在进行验证作业时，首次接触人工神经网络的数据。因此，验证用数据集为在存在新图像(未用于学习的新图像)输入时，适合于人工神经网络的性能评价的数据集。

预处理部13预处理数据集以可用于深度学习算法。预处理部13可为在深度学习算法中提高识别性能，减少与患者间影像的相似性预处理数据集。深度学习算法可由卷积神经网络(Convolutional Neural Networks)结构和全连接神经网络(Fully-connectedNeural Networks)结构两个部分构成。

根据本发明一实施例，预处理部13可执行五个步骤的预处理过程。首先，预处理部13可执行裁切(crop)步骤。裁切(crop)步骤可在从图像获得部11获得的胃病变图像中，以病变为中心裁切边缘的不必要的部分(黑色北京)。其一例为，预处理部13可设定任意指定的像素大小(例如，299x299像素、244x244像素)裁切胃病变图像。换言之，预处理部13可以可用于深度学习算法的大小裁切胃病变图像。

接着，预处理部13可执行平行移动(shift)步骤。预处理部13可沿上下左右方向平行移动胃病变图像。另外，预处理部13可执行翻转(flipping)步骤。例如，预处理部13可垂直翻转胃病变图像。另外，预处理部13可执行将胃病变图像先沿上下方向翻转之后，再沿左右方向翻转的过程。

另外，预处理部13可执行色彩调整(flipping)步骤。例如，在颜色调整步骤中，预处理部13可基于以全部数据集的平均RGB值利用平均减法方法提取的色彩，执行图像的色彩调整。另外，预处理部13可随机调整胃病变图像的色彩。

预处理部13可通过执行五步骤的预处理过程的全部过程，将胃病变图像生成为可用于深度学习算法的数据集。另外，预处理部13可通过执行五步骤的预处理过程中的某一过程，将胃病变图像生成为可用于深度学习算法的数据集。

另外，预处理部13还可执行缩放(resizing)步骤。缩放(resizing)步骤可以是将胃病变图像放大及缩小为预设大小的步骤。

预处理部13可包括放大用于增加胃病变图像的数据数的图像数据的放大部(未图示)。

根据本发明一实施例，在利用包括卷积神经网络的深度学习算法时，数据量越大越有利于获得好的性能，但胃内窥镜照片图像较之其他检查其检查数量相当少，在图像获得部11检测出的胃病变图像数据收集量远不足用于卷积神经网络中。因此，放大部(未图示)可基于学习用数据集执行数据放大(augmentation)过程。放大部(未图示)可使用胃病变图像的旋转、翻转、裁切及增噪中的至少一个方法执行数据放大(augmentation)过程。

预处理部13执行预处理过程以对应于预设的基准值。预设的基准值可以是使用者任意指定的值。另外，预设的基准值可以是根据获得的胃病变图像的平均值确定的值。经过预处理部13的数据集可提供至学习部14。

学习部14可通过将经过预处理过程的数据集作为输入，将关于胃病变分类结果的项目作为输出的学习构建人工神经网络。

根据本发明一实施例，学习部14可使用由卷积神经网络(Convolutional NeuralNetworks)结构和全连接神经网络(Fully-connected Neural Networks)结构两个部分构成的深度学习算法输出胃病变分类结果。全连接神经网络为在节点之间横向/纵向构成二维连接，在位于相同层的节点之间不存在连接关系，只在位于相邻层的节点之间存在连接关系为特征的神经网络。

学习部14可通过将经过预处理过程的学习用数据集作为输入的卷积神经网络，将卷积神经网络的输出作为全连接神经网络的输入的学习构建训练模型。

根据本发明一实施例，卷积神经网络可输出分析胃病变图像的多个特定特征图案。此时，提取的特定特征图案可用于在全连接神经网络中进行最终分类。

卷积神经网络(Convolutional Neural Networks)为主要用于语音识别或图像识别的神经网络的一种。可处理多维排列数据，因此特别适合于彩色图像等多维排列处理。因此，在图像识别领域中，使用深度学习的技术大部分以卷积神经网络作为基础。

例如，如图3所示，卷积神经网络(CNN)将图像分为非单一数据的多个进行处理。这样，即使图像失真可也提取图像的部分特性，从而可获得正确的性能。

卷积神经网络的可由多个层构成。构成各层的因素可由卷积层、激活函数、maxpooling层、dropout层构成。卷积层起到称为kernel的过滤器作用，使部分处理整个图像(或生成的心特征图案)的操作提取与图像相同大小的心特征图案(feature pattern)。卷积层可修改为便于在特性图案中通过激活函数处理特征图案的值。max pooling层可对部分胃病变图像进行抽样(sampling)调整大小，从而减少图像的大小。卷积神经网络虽然经过卷积层及max pooling层减少特征图案(feature pattern)的大小，但可通过使用kernel提取多个特征图案(feature pattern)。dropout层可以是在训练卷积神经网络的权重值时，为有效的训练而故意不考虑部分权重值的方法。另外，dropout层在通过经过训练的模型进行实际测试时不使用。

从卷积神经网络提取的多个特征图案(feature pattern)可传递至作为下一个步骤的全连接神经网络以用于分类作业。卷积神经网络可调节层的个数。卷积神经网络的层的个数可根据用于模型训练的训练用数据的量进行调节，从而构建更稳定的模型。

另外，学习部14可通过将经过预处理过程的学习用数据集作为卷积神经网络的输入，将卷积神经网络的输出及患者信息作为全连接神经网络的输入的学习构建诊断(训练)模型。与之不同，学习部14可使经过预处理过程的图像数据优先输入至卷积神经网络，使经过卷积神经网络输出的结果输入至全连接神经网络。另外，学习部14可使任意提取的特征(feature)不经过卷积神经网络而直接输入至全连接神经网络。

此时，患者信息可包括对象(检测对象)的性别、年龄、身高、体重、人种、国籍、吸烟量、饮酒量、家族史等各种信息。另外，患者信息可包括临床信息。临床信息是指进行诊断的医生用于特定诊断的所有数据。尤其是，包括由在诊疗过程中生成的性别、年龄构成的资料、特定治疗与否资料、薪资申请及处方资料等的电子义务记录资料。另外，临床信息可包括基因信息等生物学数据资料。生物学数据资料可包括具备心率数、心电图、运动量、氧饱和度、血压、体重、糖尿等数值数据的个人健康信息。

患者信息是在学习部14中与卷积神经网络结构的结果一同输入至全连接神经网络的数据，通过将患者信息作为人工神经网络的输入，较之只用胃病变图像导出的结果，可进一步提高准确度。

其一例为，通过学习用数据集的临床信息学到癌症多存在于高龄人群之后，在与图像特征一起输入42岁或79岁的年龄时，在胃病变分类结果中难以区分癌症或良性病变时，高龄患者的结果可偏向于癌症的一面。

学习部14可通过比较将训练数据用于深度学习算法结构(由卷积神经网络和全连接神经网络构成的结构)导出的结果和实际结果的误差，逐渐增加相当于误差的神经网络结构的权重值的反向传播(backpropagation)算法反馈结果进行学习。反向传播(backpropagation)算法可以是为减少结果的误差(实际值和结果值的差异)调节从各节点到下一个节点的权重值的算法。学习部14可利用学习用数据集和验证用数据集学习神经网络并求得权重值媒介变量，从而导出最终诊断模型。

病变诊断部15对新数据集经过预处理过程之后，通过人工神经网络执行胃病变诊断。换言之，病变诊断部15可利用从上述说明的学习部14导出的最终诊断模型导出对新数据的诊断。新数据可以是包含使用者希望诊断的胃病变图像的数据。新数据集可以是将新胃病变图像与患者信息连接生成的数据集。新数据集可经过预处理部12的预处理过程预处理成为可用于深度学习算法的状态。之后，经过预处理的新数据集输入至学习部14并基于学习参数诊断胃病变图像。

根据本发明一实施例，病变诊断部15可将胃病变分为晚期胃癌(advancedgastric cancer)、早期胃癌(early gastric cancer)、高度异型增生(high-gradedysplasia)、低度异型增生(low-grade dysplasia)及肺肿瘤(non-neoplasm)中的至少一种。另外，病变诊断部15可分为癌和非癌。另外，病变诊断部15可分为赘生物和非赘生物两种范围区分胃病变诊断。赘生物分类可包括AGC、EGC、HGD及LGD。非种类范围可包括胃炎、良性溃疡、畸形、息肉、肠化生或上皮性肿瘤等病变。

病变诊断装置10为分类及诊断模糊的病变并减少因不必要的活体检查或内窥镜切除导致副作用，分析通过内窥镜装置20获得的图像并自动分类及诊断模糊的病变，在赘生物(危险肿瘤)的情况下，进行内窥镜切除手术。

根据本发明另一实施例，内窥镜装置20可包括操作部21、主体部22、控制部23、病变位置获得部24、显示部25。

操作部21具备于主体部22的后端并基于使用者的输入信息进行操作。操作部21为被内窥镜操作者握持的部分，可操作插入检测对象的体内的主体部22。另外，操作部21可操作主体部22收容的内窥镜手术时需要的多个单元装置的动作。操作部21可包括旋转控制部。旋转控制部可包括负责生成控制信号的功能及提供旋转力的功能(例如，马达)的部分。操作部21可包括用于操作拍摄部(未图示)的按钮。按钮为用于控制拍摄部(未图示)的位置的按钮，可以是供使用者变更上下左右、前进、后退等主体部22的位置的按钮。

主体部22为插入检测对象的体内的部分，可收容多个单元装置。多个单元装置可包括拍摄检测对象的体内的拍摄部(未图示)、向体内供应空气的空气供应单元、向体内供应水的水供应单元、向体内照射光的照明单元、采集或治疗体内的组织的一部分的活检(biopsy)单元及从体内吸入空气或异物的抽吸单元中的至少一种。活检单元可包括从活体采集部分组织的外科手术刀、针等各种医疗器械，外科手术刀、针等活检单元由内窥镜操作者通过活检通道插入体内并采集体内的细胞。

拍摄部(未图示)可收容具备对应于主体部22的直径的大小的摄像头。拍摄部(未图示)具备于主体部22的前端并拍摄胃病变图像，通过网络向病变诊断部10及显示部25提供拍摄的胃病变图像。

控制部23可基于从操作部21提供得到的使用者的输入信息及病变诊断装置10的诊断结果，生成控制主体部22的动作的控制信号。控制部23在从包含于操作部21的按钮接收来自使用者的某个选择输入时，对应于相应按钮生成控制主体部22的动作的控制信号。例如，控制部23在使用者输入使主体部22前进的按钮时，生成控制信号以使主体部22以一定速度在对象体(患者)的体内前进。主体部22可基于控制部23的控制信号，在对象体(患者)的体内前进。

另外，控制部23可生成控制拍摄部(未图示)的动作的控制信号。控制拍摄部(未图示)的动作的控制信号可以是位于病变区域的拍摄部(未图示)捕获胃病变图像的信号。换言之，在使用者通过操作部21希望位于特定病变区域的拍摄部(未图示)获得图像时，可点击捕获获得按钮。控制部23可基于从操作部21得到的输入信息生成控制信号，以使拍摄部(未图示)在相应病变区域获得图像。控制部23可生成使拍摄部(未图示)从正在拍摄的影像中获得特定胃病变图像的控制信号。

另外，控制部23基于病变诊断装置10的诊断结果生成控制信号，以控制采集对象体的组织的一部分的活检单元的动作。控制部23在病变诊断装置10的诊断结果属于晚期胃癌(advanced gastric cancer)、早期胃癌(early gastric cancer)、高度异型增生(high-grade dysplasia)、低度异型增生(low-grade dysplasia)及中的至少一种时，生成控制活检单元的动作的控制信号以实施切除术。活检单元可包括从活体采集部分组织的外科手术刀、针等各种医疗器械，外科手术刀、针等活检单元由内窥镜操作者通过活检通道插入体内并采集体内的细胞。另外，控制部23基于从操作部21提供得到的使用者输入信号生成控制信号，以控制活检单元的动作。采集、切除、去除体内的细胞的动作可以是使用者利用操作部21执行的。

根据本发明一实施例，病变位置获得部24可连接从拍摄部(未图示)提供得到的胃病变图像和位置信息生成胃病变信息。位置信息可以是主体部22当前在体内所处的位置信息。换言之，在主体部22位于对象体(患者)的胃的第一地点并从第一地点获得胃病变图像时，病变位置获得部24可连接上述胃病变图像和位置信息生成胃病变信息。

病变位置获得部24可将连接获得的胃病变图像和位置信息生成的胃病变信息提供给使用者(医生)。通过将病变诊断部10的诊断结果及病变位置获得部24的胃病变信息通过显示部25提供给使用者，在进行切除(去除)相应病变的手术时，防止在非该病变位置的地点进行切除术的情况的发生。

另外，控制部23利用从病变位置获得部24提供的位置信息，在活检单元不位于相应病变位置时，可生成控制上述活检单元的位置的控制信号。

在病变诊断装置10中生成控制活检单元的控制信号采集或去除体内的细胞，从而可完成更快速的组织检查。与此同时，在内窥镜诊断过程中直接切除诊断胃癌症的细胞，从而可实现快速治疗。

下面，基于上述详细说明的内容简单介绍本发明的动作流程。

图4为根据本发明一实施例的在内窥镜图像中诊断胃病变的方法的运行流程图。

如图4所示的内窥镜图像中诊断胃病变的方法可通过上述说明的病变诊断装置10执行。因此，即使是下面省略的内容，对病变诊断装置10说明的内容，在对内窥镜图像中诊断胃病变的方法的说明中同样适用。

在S401步骤中，病变诊断装置10可获得多个胃病变图像。病变诊断装置10可接收从具备于内窥镜装置20的拍摄装置获得的胃病变图像。胃病变图像可以是白色光图像。

在S402步骤中，病变诊断装置10可连接多个胃病变图像和患者信息生成数据集。病变诊断装置10分为人工神经网络的学习所需的学习用数据集及用于验证人工神经网络的学习的进行信息的验证用数据集生成数据集。此时，验证用数据集可为不与学习用数据集重复的数据集。上述验证用数据集在新数据集经过上述预处理过程之后成为人工神经网络的输入时，可为用于上述人工神经网络的性能评价的数据。

在S403步骤中，病变诊断装置10预处理数据集以可用于深度学习算法。病变诊断装置10可执行利用包含于数据集的胃病变图像，以胃病变为中心裁切不包含胃病变的图像的周边部区域，裁切(crop)为可用于深度学习算法的大小的过程。另外，病变诊断装置10可沿上下左右方向平行移动(Shift)胃病变图像。另外，病变诊断装置10可翻转(flipping)胃病变图像。另外，病变诊断装置10可调整胃病变图像的色彩。病变诊断装置10可通过执行多个预处理过程中的某一过程，将胃病变图像预处理为可用于深度学习算法的状态。

另外，病变诊断装置10可为增加胃病变图像的数据数放大图像数据。病变诊断装置10可为放大图像数据，可使用胃病变图像的旋转、翻转、裁切及增噪中的至少一个放大胃病变图像数据。

在S404步骤中，病变诊断装置10可通过将经过预处理过程的数据集作为输入，将关于胃病变分类结果的项目作为输出的学习构建人工神经网络。病变诊断装置10可通过上述将经过预处理过程的上述数据集作为输入，将关于胃病变分类结果的项目作为输出的卷积神经网络(Convolutional Neural Networks)及全连接神经网络(Fully-connectedNeural Networks)的学习构建训练模型。

另外，病变诊断装置10将经过预处理过程的数据集输入至卷积神经网络，而全连接神经网络将卷积神经网络的输出及患者信息作为输入构建训练模型。积神经网络可从多个胃病变图像输出多个特征图案，多个特征图案通过全连接神经网络最终得到分类。

在S405步骤中，病变诊断装置10对新数据集经过预处理过程之后，通过人工神经网络执行胃病变诊断。病变诊断装置10可将胃病变分为晚期胃癌(advanced gastriccancer)、早期胃癌(early gastric cancer)、高度异型增生(high-grade dysplasia)、低度异型增生(low-grade dysplasia)及肺肿瘤(non-neoplasm)中的至少一种。

在上述说明中，S401至S405步骤可根据本发明的实施例，可进一步分为追加的步骤或组合为更少的步骤。另外，部分步骤可根据需要省略，步骤间的顺序也可变更。

本发明一实施例的在内窥镜图像中诊断胃病变的方法可实现为可通过各种计算机设备执行的程序命令形式并记录于计算机可读的记录媒体。上述计算机可读媒体可单独或组合包括程序命令、数据文件、数据结构等。记录于上述媒体的程序命令可以是为本发明特殊设计构成的，也可以是计算机软件领域公开使用的。计算机可读记录媒介包括硬盘、软盘及磁带等磁性媒体(Magnetic Media)、CD-ROM、DVD等光媒体(Optical Media)、光磁软盘(Floptical Disk)等磁光媒体(Magneto-Optical Media)及ROM、RAM、闪存等可存储及执行程序命令的硬件设备。程序命令不仅包括编译器中产生的机器语言代码，而且还包括使用翻译器等在计算机中执行的高级语言代码。上述硬件装置可由实施本发明的动作的一个以上的软件模块组成，反之亦然。

另外，前述的在内窥镜图像中诊断胃病变的方法也可实现为存储于记录媒介并由计算机实施的计算机程序或应用的形式。

上述实施例仅用以说明本发明而非限制，本领域的普通技术人员应当理解，可以对本发明进行修改、变形或者等同替换。而在不脱离本发明的精神和范围内，其均应涵盖在本发明的权利要求范围当中。例如，单一型的各结构要素可分散实施，同样，分散的结构要素可以结合形式实施。

本发明的范围较之说明的说明更由权利申请范围来限定，从权利申请范围的意思及范围和等同概念推导出的所有变更或变形形式都应解释为属于本发明的范围。