基于深度学习的消化道内镜图像干扰与病变检测方法研究

发布时间：2021-08-18 12:36

　　内窥镜检查是临床上检查消化道病变最基础和最直接的手段。然而由内窥镜采集到的消化道图像包含大量的干扰因素,例如镜面反射、运动模糊、气泡等,这些干扰因素的存在十分不利于医生的诊断和治疗。此外,在开发消化内镜图像数据帧的质量评估算法时,图像中存在的干扰也是重点考虑的对象。因此,发展消化道内镜图像干扰的检测方法,对于发展可靠的消化道病变计算机辅助诊断工具、自动图像质量评估算法以及提升实际诊疗效果十分重要。在消化道病变的人工诊断方面,内镜图像庞大的数据量以及病变外观的多样性等因素增加了医生诊断的难度,容易导致漏诊和误诊。因此,发展消化道病变区域自动分割算法,能够帮助减轻医生负担,可在一定程度上辅助医生的诊断和治疗,有助于降低漏诊和误诊率,具有重要的实际意义。为此,本文对消化道内镜图像的干扰检测与病变分割方法进行了研究。主要研究内容如下:（1）基于深度学习的消化道内镜图像干扰检测方法研究发展了基于级联区域卷积神经网络（Cascade Regions with Convolution Neural Network,Cascade RCNN）的目标检测网络,运用级联目标检测器实现对多尺度目标的检测。首... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

R-CNN网络模型[24]

电子科技大学硕士学位论文10图2-2Fast-RCNN的网络模型[25]2.2.1.3FasterRCNN与R-CNN相比，FastRCNN的检测速率快了很多，但由于二者均使用了运算负荷较大的选择性搜索算法，所以FastRCNN并没有完全解决检测速率慢的问题。鉴于此，Ren等人在2016年提出了改进的目标检测网络：FasterRCNN，该网络使用区域建议网络（RegionProposalNetwork,RPN）来生成候选区域，进一步提升了算法的速度，其网络模型如图2-3所示。图2-3FasterR-CNN的网络模型[26]RPN将原始图像经过CNN提取到的特征图作为输入，并生成一组候选区域，每个区域的输出都包含类别得分和边界框偏移量，其网络结构图如图2-4所示。RPN首先将特征图上的每一个像素点作为锚点，以它为中心点生成9个不同大小

电子科技大学硕士学位论文10图2-2Fast-RCNN的网络模型[25]2.2.1.3FasterRCNN与R-CNN相比，FastRCNN的检测速率快了很多，但由于二者均使用了运算负荷较大的选择性搜索算法，所以FastRCNN并没有完全解决检测速率慢的问题。鉴于此，Ren等人在2016年提出了改进的目标检测网络：FasterRCNN，该网络使用区域建议网络（RegionProposalNetwork,RPN）来生成候选区域，进一步提升了算法的速度，其网络模型如图2-3所示。图2-3FasterR-CNN的网络模型[26]RPN将原始图像经过CNN提取到的特征图作为输入，并生成一组候选区域，每个区域的输出都包含类别得分和边界框偏移量，其网络结构图如图2-4所示。RPN首先将特征图上的每一个像素点作为锚点，以它为中心点生成9个不同大小


本文编号：3349898