基于深度学习的内窥镜图像微小出血病灶检测技术研究

发布时间：2024-07-08 20:58

　　作为一种非侵入式现代医学成像技术,无线胶囊内窥镜技术已经广泛应用于胃肠道疾病检查。然而,产生的海量数据给医生带来了沉重的负担,利用计算机辅助医生智能诊断是当前迫切的需求。出血症状是许多胃肠道疾病常见的综合症状,而微小出血病灶对于诸如早期胃癌等疾病的早期发现尤为重要。因此,构建针对内窥镜图像中出血病灶,尤其是微小出血病灶点的检测方法,具有重要的理论和实际意义。针对微小出血病灶的检测提出了一种基于深度卷积神经网络的检测模型。首先构建基础特征提取网络,通过深度卷积神经网络从图像中自动提取特征。然后,再利用多尺度区域建议神经网络从特征金字塔中筛选出出血目标的候选区域,事先筛选出目标可能存在的区域不仅可以突出目标特征,且有助于减少无效特征的融合。之后,再通过构建自顶向下的特征融合网络,实现对目标浅层特征和深层特征的融合,通过融合不同层次特征解决了微小出血病灶特征丢失问题导致无法有效检测的问题,从而实现对微小出血病灶的精准检测。利用真实的临床数据对模型进行训练和测试,实验结果表明在包含微小出血病灶的图像数据集上,基于深度卷积神经网络构建的多尺度特征融合出血检测方法在灵敏度、准确率和F_1<...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图2-2卷积神经网络典型结构

图2-2卷积神经网络典型结构卷积神经网络基本结构主要由输入层、卷积层，采样层（也称池化层）、全连接层和输出层组成。从输入图像开始，首先通过卷积层和采样层对图像进行特征提取，然后再通过全连接层对特征进行分类，全连接层相当于起了分类器的作用。（1）卷积层卷积神经网络是利用卷积层....

图2-3原始图像和特征图

华中科技大学硕士学位论文（3）全连接层全连接层作用是将输入的高维特征转换为一维特征，方便后续分类。全连接神经单元可以看成是一个多项式函数，有时候只有一层全连接层很难解决题，因此一般会使用两个及以上的全连接层。由于全连接层的参数可占整个的80%左右，往往存....

图4-5各项指标统计结果

适用于复杂出血情况图像的检测。如图4-4所示，图（a）（c）是针对仅包含微小出血病灶图像的检测结果，图（d）是包含中等目标尺寸的出血病灶图像检测结果，图（e）是同时包含中等目标尺寸和微小目标尺寸的复杂出血病灶图像的检测结果，图（f）是同时包含大目标尺寸和微小目标尺寸的复杂出....

图4-6P-R曲线对比

图4-6P-R曲线对比在检测时间方面，拍摄帧率是每秒2张的速度进行拍摄，即拍摄一张WCE图像需要花费0.5s。通过统计每次检测耗费的时间，计算得到每次检测耗费时间的平均值发现，当候选区域建议数目设置为300时，平均检测速度为0.07s/张图像，当区域建议数目....

本文编号：4003869