[發明專利]一種基于深度卷積網絡的大腸內窺鏡息肉檢測方法

在審

• 申請號: 202011143365.1
• 申請日: 2020-10-23
• 公開（公告）號: CN112200795A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 曹魚;王德純;劉本淵
• 申請（專利權）人: 蘇州慧維智能醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 蘇州銘浩知識產權代理事務所(普通合伙) 32246
• 代理人: 朱斌兵

本發明涉及一種基于深度卷積網絡的大腸內窺鏡息肉檢測方法，包括如下步驟：S1構建卷積神經網絡，卷積神經網絡由骨干網絡在ImageNet進行預訓練，再由包含息肉類別和位置信息的訓練圖像數據集訓練所得；S2對彩色內鏡圖像進行預處理；S3將預處理后的彩色內鏡圖像輸入卷積神經網絡后提取圖片特征層信息；S4對圖片特征層信息進行特征增強和視野域的提升；S5將圖片特征層信息解碼為息肉的類別和其位置信息，本發明的一種基于深度卷積網絡的大腸內窺鏡息肉檢測方法，其操作方便，可以提升對息肉圖像推理速度和敏感度，從而能夠在內窺鏡圖像中快速的定位息肉位置，并且避免了在內窺鏡圖像下，同一息肉物體會因內不同旋轉角度而造成標簽設定的不一致。

技術領域

本發明屬于息肉檢測技術的技術領域，尤其涉及一種基于深度卷積網絡的大腸內窺鏡息肉檢測方法。

背景技術

結腸癌在全世界范圍內屬于高發的惡性腫瘤，預計2018年就有1.8萬例確診和881000例死亡，腸癌由良性息肉病變發展而來，因此早期的篩查發現是一種非常有效的預防手段；如對于良性腺瘤性息肉和增生性息肉使用內窺鏡進行移除能有效的避免其發展為惡性腫瘤。

Leufkens等人于2012年發表的《Factors Influencing the Miss Rate ofPolyps in aBack-To-Back Colonoscopy Study》文章中提到其實驗中有25％的腺瘤性息肉被醫生漏檢，現實操作中有很多因素會造成息肉漏檢，可以總結為：息肉過小，息肉被異物遮蓋，退鏡過快，息肉未出現在鏡頭中，息肉出現在鏡頭內但被醫生忽視，盡管一些因素可以通過術前的腸道準備，提升設備性能和提升醫生的操作來降低漏檢率，但由于內鏡操作十分依賴于醫生的視覺來尋找在腸道內特征不是特別明顯的結腸息肉，因內鏡設備操作者疲勞，經驗和敏感度等人為因素造成的漏檢是十分難以避免的，因此自動化的息肉檢測是一個十分有效的工具用來幫助醫生降低漏檢率。

Ameling等人在《Texture-based polyp detection in colonoscopy》一文中使用基于息肉表面的紋理，顏色和形狀來區別正常腸道內壁和息肉的方法，但是其方法在真實的環境中會帶來大量的誤報，比如一些正常的組織，隆起，鏡頭上的光斑，帶有明顯的血管區域和腸道異物。

關于使用現有的深度學習等技術在結腸癌圖片的檢測，Mo等人在《PolypsDetection in Endoscopic Videos Based on Faster R-CNN》中使用了Faster-RCNN用于息肉檢測，一種雙階段基于錨框的物體檢測器，不同于傳統的圖像處理方法，深度學習調用了大規模的卷積神經網絡CNN來提取圖像特征信息，用更多的特征來分辨容易混淆的息肉形態特征和正常腸壁的形態特征，但是由于其使用了雙階段的架構，第一個階段會產生出較多的候選框，不符合實時檢測的要求。

所以現有的上述兩種檢測方法都存在一些缺點，無法滿足實際的使用要求。

發明內容

本發明目的是為了克服現有技術的不足而提供一種檢測方法精度高，誤報率低，且檢測速度快的基于深度卷積網絡的大腸內窺鏡息肉檢測方法。

為達到上述目的，本發明采用的技術方案是：一種基于深度卷積網絡的大腸內窺鏡息肉檢測方法，包括如下步驟：

S1：構建卷積神經網絡，所述卷積神經網絡由骨干網絡在ImageNet進行預訓練，再由包含息肉類別和位置信息的訓練圖像數據集訓練所得；

S2：對彩色內鏡圖像進行預處理；

S3：將預處理后的彩色內鏡圖像輸入卷積神經網絡后提取圖片特征層信息；

S4：對圖片特征層信息進行特征增強和視野域的提升；

S5：將圖片特征層信息解碼為息肉的類別和其位置信息。