检索历史 清除

摘要随着饮食水平的提高，各类肠道疾病的发病率也不断增加，结肠息肉和憩室是结肠镜检查中常见的疾病，严重时会引发肿瘤甚至癌变。目标检测在图像识别和分类任务中占有着重要的地位，是计算机视觉领域中一项非常重要的研究课题，近几年在医学领域的应用也越来越深入。本文提出了一种基于深度学习的计算机辅助诊断系统(Computer Aided Diagnosis, CAD)用于结肠息肉、憩室等常见病变检测，以降低患有结直肠癌的可能性。系统构建主要包含五个步骤：构建深度学习框架，对结肠病变图像的预处理，特征提取训练模型，病变检测模型性能比较，前端界面设计与开发。<br>　　为了准确快速地识别结肠息肉和憩室等病变，本文使用了两种算法FasterR-CNN和YOLOv3来训练病变检测模型，通过对比来选择最佳的病变检测模型。实验表明，基于YOLOv3的病变检测模型比基于FasterR-CNN的模型具有更好的识别准确性和检测速度，使用YOLOv3构建的模型对于测试集达到了90.43%的平均识别精度，并且达到了98.36%的召回率，检测速度可以达到31FPS以上。进一步地探究了迭代次数以及学习率对于模型性能的影像，实验表明，在保证数据量充足的情况下，使用YOLOv3算法训练模型，迭代次数和学习率分别为30000次、0.01时，可以较为快速地获得最优性能的病变识别模型。<br>　　由于在研究过程中发现深度学习对于数据量的需求比较大，而数据标注过程往往比较费时费力，因此本文设计了图像自动标注系统，可以用于大量图像数据的标注，极大的减轻了工作量。实验表明，自动标注系统可以通过自动识别含有病变的图像，完成86%以上数据的标注工作。基于YOLOv3算法建立的病变检测模型，本文使用Vue.js构建了前端用户界面，通过WebSocket协议完成前后端通信，最终完成了智能医学影像辅助诊断系统的开发，为临床结肠镜检查的实时、高效辅助诊断提供了方法。