[發明專利]一種基于深度學習的胃息肉檢測方法及裝置

在審

• 申請號: 202110394545.5
• 申請日: 2021-04-13
• 公開（公告）號: CN113177912A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 余瑤;曹嬋婷;孫長銀;謝云;馮濤
• 申請（專利權）人: 北京科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

1.一種基于深度學習的胃息肉檢測方法，其特征在于，包括：

獲取標注好的胃息肉圖像，將其劃分為訓練集和測試集；

對原始Faster R-CNN模型進行改進，建立胃息肉檢測模型；其中，采用殘差網絡ResNet-101替換原始Faster R-CNN模型中的骨干網絡VGG16，使用RoIAlign操作替換原始Faster R-CNN模型中的RoI Pooling操作；

利用訓練集對建立的胃息肉檢測模型進行迭代訓練；

利用訓練好的胃息肉檢測模型對測試集圖像中的胃息肉進行檢測。

2.根據權利要求1所述的基于深度學習的胃息肉檢測方法，其特征在于，所述獲取標注好的胃息肉圖像，將其劃分為訓練集和測試集包括：

將標注好的胃息肉圖像制作成PASCAL VOC格式的數據集；

將數據集中的圖像劃分為訓練集和測試集。

3.根據權利要求1所述的基于深度學習的胃息肉檢測方法，其特征在于，采用去除了最后的平均池化層的殘差網絡ResNet-101替換原始Faster R-CNN模型中的骨干網絡VGG16；

殘差網絡是由一系列殘差塊組成的，每個殘差塊包括：直接映射部分和殘差部分，每個殘差塊表示為：

x_l+1＝h(x_l)+F(x_l,W_l)

其中，x_l+1表示第l+1個殘差塊的輸出；x_l表示殘差塊的輸入；h(x_l)表示直接映射部分，h(x_l)＝W_l′x_l，W_l′表示線性映射；F(x_l,W_l)表示殘差部分，W_l表示卷積操作。

4.根據權利要求1所述的基于深度學習的胃息肉檢測方法，其特征在于，所述對原始Faster R-CNN模型進行改進，建立胃息肉檢測模型，還包括：

采用FReLU作為Faster R-CNN改進模型的激活函數。

5.根據權利要求4所述的基于深度學習的胃息肉檢測方法，其特征在于，激活函數FReLU的形式為：

y＝max(x,T(x))

其中，y表示輸出，T(x)表示空間上下文特征提取器，x表示輸入的特征。

6.根據權利要求4所述的基于深度學習的胃息肉檢測方法，其特征在于，所述對原始Faster R-CNN模型進行改進，建立胃息肉檢測模型，還包括：

在Faster R-CNN改進模型中，采用soft-NMS篩選邊界框。

7.根據權利要求1所述的基于深度學習的胃息肉檢測方法，其特征在于，所述利用訓練集對建立的胃息肉檢測模型進行迭代訓練包括：

利用訓練集對Faster R-CNN改進模型進行訓練，直至達到設置的最大訓練次數時停止訓練，得到訓練好的胃息肉檢測模型。

8.根據權利要求1所述的基于深度學習的胃息肉檢測方法，其特征在于，所述利用訓練好的胃息肉檢測模型對測試集圖像中的胃息肉進行檢測包括：

利用訓練好的胃息肉檢測模型對測試集圖像中的胃息肉進行檢測，識別出圖像中所包含的息肉，并框出息肉的具體位置。

9.一種基于深度學習的胃息肉檢測裝置，其特征在于，包括：

獲取模塊，用于獲取標注好的胃息肉圖像，將其劃分為訓練集和測試集；

建立模塊，用于對原始Faster R-CNN模型進行改進，建立胃息肉檢測模型；其中，采用殘差網絡ResNet-101替換原始Faster R-CNN模型中的骨干網絡VGG16，使用RoI Align操作替換原始Faster R-CNN模型中的RoI Pooling操作；

訓練模塊，用于利用訓練集對建立的胃息肉檢測模型進行迭代訓練；

檢測模塊，用于利用訓練好的胃息肉檢測模型對測試集圖像中的胃息肉進行檢測。