检索历史 清除

摘要近年来，随着科技的发展，无线胶囊内窥镜（Wireless capsule endoscopy, WCE）在临床上得到了广泛的应用，且逐渐成为医生检测肠道病变的主流技术。然而，每次 WCE检查将产生50,000张以上的数据图像。为了检测病变图像，医生需要消耗大量时间在阅览图像工作，同时也会因为视觉疲劳产生漏检和误检。因此，研究出一套无线胶囊内窥镜病变图像自动检测的方法是当前急需解决的关键问题。<br>　　目前在自动检测无线胶囊内窥镜小肠病变图像研究领域中，众多研究者采用了传统的机器学习方法，而传统的机器学习方法往往需要人工提取特征，其方法比较繁琐，且很难达到预期理想的结果。深度学习与传统的机器学习相比，因其具有自动提取图像特征的优势而被广泛应用于众多图像处理领域中，在最后的处理结果中能够达到预期的理想效果，因此，本文基于深度学习思想，提出利用卷积神经网络方法（Convolutional Neural Network，CNN）对无线胶囊内窥镜小肠图像常见病变的检测识别研究，其研究主要内容如下：<br>　　（1）小肠起止点定位识别<br>　　实现小肠起止点定位在于帮助医生准确快速找到小肠区域。本文通过构建CNN模型实现了对小肠、小肠前段、小肠后段三部分图像特征的提取和分类。最后利用新的图像数据对训练好的分类模型进行识别验证，结果证明小肠起点和止点偏离平均误差分别为0.172%、2.29%，其定位模型识别率可达96.84%。<br>　　（2）小肠常见的病变检测识别<br>　　本文的研究重点在于实现对出血、糜烂、溃疡、息肉这四种小肠常见病变进行检测识别研究。在病变检测研究中，作者将其分为两种情况：1）单病变检测；2）多病变检测。在单病变检测中，分别建立出血、糜烂、溃疡、息肉四种检测模型，而后分别利用这四种模型对新加入的相应数据进行验证识别，并绘制相对应的ROC（Receiver Operating Characteristic）曲线及计算对应曲线下的AUC（Area Under the ROC Curve）值。在多病变检测中，建立包含上述四种病变及正常图像的五分类识别模型，而后使用该模型进行验证识别，并计算最后的识别率。<br>　　本文基于深度学习中的卷积神经网络方法对小肠病变图像检测研究，建立了不同的病变检测模型。实验表明，基于深度学习的方法在 WCE小肠病变图像检测中相比传统的机器学习方法具有更高的检测识别能力，在出血、糜烂、溃疡、息肉病变检测模型中，其识别率分别可达到98.39%、95.34%、95.16%、99.82%，由此可以看出，在WCE小肠病变图像检测中，采用基于深度学习的方法，能够得到较好的检测识别结果。在实际临床上，对于医生而言，基于深度学习的方法对 WCE小肠病变图像的检测，对患者病情的辅助诊断具有一定的重要性价值和意义。