[发明专利]一种基于深度卷积网络的大肠内窥镜息肉检测方法

说明书

本发明涉及一种基于深度卷积网络的大肠内窥镜息肉检测方法，包括如下步骤：S1构建卷积神经网络，卷积神经网络由骨干网络在ImageNet进行预训练，再由包含息肉类别和位置信息的训练图像数据集训练所得；S2对彩色内镜图像进行预处理；S3将预处理后的彩色内镜图像输入卷积神经网络后提取图片特征层信息；S4对图片特征层信息进行特征增强和视野域的提升；S5将图片特征层信息解码为息肉的类别和其位置信息，本发明的一种基于深度卷积网络的大肠内窥镜息肉检测方法，其操作方便，可以提升对息肉图像推理速度和敏感度，从而能够在内窥镜图像中快速的定位息肉位置，并且避免了在内窥镜图像下，同一息肉物体会因内不同旋转角度而造成标签设定的不一致。

技术领域

本发明属于息肉检测技术的技术领域，尤其涉及一种基于深度卷积网络的大肠内窥镜息肉检测方法。

背景技术

结肠癌在全世界范围内属于高发的恶性肿瘤，预计2018年就有1.8万例确诊和881000例死亡，肠癌由良性息肉病变发展而来，因此早期的筛查发现是一种非常有效的预防手段；如对于良性腺瘤性息肉和增生性息肉使用内窥镜进行移除能有效的避免其发展为恶性肿瘤。

Leufkens等人于2012年发表的《Factors Influencing the Miss Rate ofPolyps in aBack-To-Back Colonoscopy Study》文章中提到其实验中有25％的腺瘤性息肉被医生漏检，现实操作中有很多因素会造成息肉漏检，可以总结为：息肉过小，息肉被异物遮盖，退镜过快，息肉未出现在镜头中，息肉出现在镜头内但被医生忽视，尽管一些因素可以通过术前的肠道准备，提升设备性能和提升医生的操作来降低漏检率，但由于内镜操作十分依赖于医生的视觉来寻找在肠道内特征不是特别明显的结肠息肉，因内镜设备操作者疲劳，经验和敏感度等人为因素造成的漏检是十分难以避免的，因此自动化的息肉检测是一个十分有效的工具用来帮助医生降低漏检率。

Ameling等人在《Texture-based polyp detection in colonoscopy》一文中使用基于息肉表面的纹理，颜色和形状来区别正常肠道内壁和息肉的方法，但是其方法在真实的环境中会带来大量的误报，比如一些正常的组织，隆起，镜头上的光斑，带有明显的血管区域和肠道异物。

关于使用现有的深度学习等技术在结肠癌图片的检测，Mo等人在《PolypsDetection in Endoscopic Videos Based on Faster R-CNN》中使用了Faster-RCNN用于息肉检测，一种双阶段基于锚框的物体检测器，不同于传统的图像处理方法，深度学习调用了大规模的卷积神经网络CNN来提取图像特征信息，用更多的特征来分辨容易混淆的息肉形态特征和正常肠壁的形态特征，但是由于其使用了双阶段的架构，第一个阶段会产生出较多的候选框，不符合实时检测的要求。

所以现有的上述两种检测方法都存在一些缺点，无法满足实际的使用要求。

发明内容

本发明目的是为了克服现有技术的不足而提供一种检测方法精度高，误报率低，且检测速度快的基于深度卷积网络的大肠内窥镜息肉检测方法。

为达到上述目的，本发明采用的技术方案是：一种基于深度卷积网络的大肠内窥镜息肉检测方法，包括如下步骤：

S1：构建卷积神经网络，所述卷积神经网络由骨干网络在ImageNet进行预训练，再由包含息肉类别和位置信息的训练图像数据集训练所得；

S2：对彩色内镜图像进行预处理；

S3：将预处理后的彩色内镜图像输入卷积神经网络后提取图片特征层信息；

S4：对图片特征层信息进行特征增强和视野域的提升；

S5：将图片特征层信息解码为息肉的类别和其位置信息。