基于语义分割的胃窥镜图像中肠上皮化生的检测研究

发布时间：2022-09-21 19:39

　　肠上皮化生是指胃粘膜上皮细胞被肠型上皮细胞所代替,是胃粘膜的常见病变。早期胃癌的大量研究与发现表明,胃癌演变的规律是:正常胃黏膜-非萎缩性胃炎-萎缩性胃炎-肠上皮化生-异型增生-胃癌。所以认为胃粘膜肠上皮化生与胃癌有十分密切的关系。胃癌是世界上常见的恶性肿瘤之一,胃癌的临床发病率非常高,且早期胃癌在内窥镜观察下并没有明确的状态显现,这无疑给镜检带来重重的困难,导致大部分患者无法得到及时诊治拖到到中晚期才诊断出来。如果在早期做到预防,提高检出率,就可以减少胃癌发病率。检查早期胃癌的通用方法是使用胃窥镜观测,然而随着内窥镜成像率增加而来的是医生越来越重的阅片负担,医生通过镜检观察病灶无可避免主观因素的制约,而计算机辅助诊断技术的出现无疑是为当前困境开辟了新的方向。怎样才能在降低内镜医生工作强度的同时提高早期胃癌检查的准确率,特别是减少肠上皮化生的遗漏率成为图像处理专家面临的问题。在这样的需求之下,计算机辅助诊断技术得到了广泛的应用,并成为医学影像学研究的热点之一。本文主要研究内窥镜检查过程中针对白光内镜图像的计算机辅助诊断肠上皮化生病灶的识别。以提高计算机辅助诊断的准确率和效率为目标。本文... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要研究内容
    1.4 论文的组织结构
2 语义分割相关内容研究
    2.1 图像语义分割
        2.1.1 概述
        2.1.2 图像分割常用方法
        2.1.3 语义分割评估指标
    2.2 全卷积神经网络
        2.2.1 卷积神经网络概述
        2.2.2 全卷积神经网络概述
        2.2.3 FCN网络结构
        2.2.4 FCN网络结构特点
    2.3 Deep Labv3+网络
        2.3.1 Deep Labv3+网络概述
        2.3.2 Deep Labv3+网络结构
        2.3.3 Deep Labv3+网络结构特点
    2.4 本章小结
3 计算机辅助诊断肠上皮化生W-Deeplab网络的设计
    3.1 W-Deeplab网络结构
    3.2 编码器设计
        3.2.1 Xception模型概述
        3.2.2 DPC架构
        3.2.3 编码器模块中的Xception模型
    3.3 解码器设计
        3.3.1 深度可分离卷积
    3.4 模型细节
    3.5 模型优化
        3.5.1 损失函数及L2正则化
        3.5.2 Adam优化器
    3.6 本章小结
4 基于W-Deeplab网络的内窥镜图像中病灶的检测研究
    4.1 研究目的与意义
    4.2 白光下内窥镜图像中肠上皮化生的病理特征
    4.3 数据获取与处理
        4.3.1 数据获取
        4.3.2 数据标注
        4.3.3 数据扩增
    4.4 评价指标
    4.5 模型训练
        4.5.1 迁移学习
        4.5.2 网络初始化
        4.5.3 训练过程
    4.6 实验结果与分析
        4.6.1 白光下图像的实验结果
        4.6.2 白光下图像实验结果的分析
    4.7 本章小结
5 总结与展望
    5.1 论文总结
    5.2 论文展望
参考文献
个人简历、在校期间发表的学术论文与研究成果
致谢


【参考文献】：
期刊论文
[1]基于DeepLabv3的左心室超声图像分割方法[J]. 薛飞,伍岳庆,姚宇,任伟.  计算机应用. 2019(S2)
[2]改进DeepLabv3+网络的肠道息肉分割方法[J]. 王亚刚,郗怡媛,潘晓英.  计算机科学与探索. 2020(07)
[3]基于深度网络的图像语义分割综述[J]. 罗会兰,张云.  电子学报. 2019(10)
[4]早期胃癌诊断中窄带成像技术结合放大内镜的临床价值[J]. 王宏.  中国医药指南. 2019(26)
[5]基于深度学习的图像语义分割技术研究综述[J]. 邝辉宇,吴俊君.  计算机工程与应用. 2019(19)
[6]图像语义分割方法综述[J]. 胡涛,李卫华,秦先祥.  测控技术. 2019(07)
[7]计算机辅助医学诊断的相关问题探讨[J]. 王寰,杨泽慧.  电脑知识与技术. 2019(11)
[8]基于改进卷积神经网络的多视角人脸表情识别[J]. 钱勇生,邵洁,季欣欣,李晓瑞,莫晨,程其玉.  计算机工程与应用. 2018(24)
[9]基于深度学习的胃癌病理图像分类方法[J]. 张泽中,高敬阳,吕纲,赵地.  计算机科学. 2018(S2)
[10]深度学习图像分割算法在胃癌病理切片中的可行性分析[J]. 梁桥康,南洋,项韶,梅丽,孙炜,于观贞.  第二军医大学学报. 2018(08)

博士论文
[1]窄带光成像和放大内镜图像在早期食管鳞癌诊断中的应用研究及其计算机辅助诊断研究方法的探索性研究[D]. 赵媛媛.安徽医科大学 2019
[2]基于图论的图像分割算法的研究[D]. 刘仲民.兰州理工大学 2018
[3]上皮乳头内毛细血管袢形态学变化及血管生长因子、浸润相关细胞因子与表浅食管癌的相关性研究[D]. 吴洪磊.山东大学 2017
[4]计算机辅助医学影像诊断中的关键学习技术研究[D]. 沈晔.浙江大学 2014

硕士论文
[1]基于语义分割的食管早癌计算机辅助诊断关键技术研究[D]. 杜笑笑.郑州大学 2019
[2]内镜窄带成像技术用于胃黏膜肠上皮化生诊断的Meta分析[D]. 张美.重庆医科大学 2019
[3]基于深度学习的肺部图像分割研究[D]. 孙先亮.北京交通大学 2019
[4]光学增强内镜（OE）对胃黏膜肠上皮化生准确性研究[D]. 王立梅.山东大学 2018
[5]基于深度学习的图像语义分割技术研究[D]. 文宏雕.电子科技大学 2018
[6]窄带成像联合放大内镜诊断慢性萎缩性胃炎及肠上皮化生的临床研究[D]. 唐琳.南昌大学 2016
[7]NBI-ME对慢性胃炎肠上皮化生诊断的意义[D]. 王岩.青岛大学 2016
[8]十年间胃镜诊断慢性胃炎差异的临床分析[D]. 常仁杰.昆明医科大学 2014
[9]不同形态萎缩性胃炎伴肠上皮化生胃黏膜中Ki67和RegIV的表达情况[D]. 郁岩杰.郑州大学 2012



本文编号：3680544