[發明專利]一種結腸鏡影像息肉檢測的方法及系統

在審

• 申請號: 202211700670.5
• 申請日: 2022-12-28
• 公開（公告）號: CN115797328A
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 張淇銘;董鑫;喬琛;何思杰;張姣
• 申請（專利權）人: 西安交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/762;G06N3/08;G06N3/0464
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李紅霖

本發明公開了一種結腸鏡影像息肉檢測的方法及系統，包括：獲取待檢測結腸鏡影像數據；將獲取得到的所述待檢測結腸鏡影像數據輸入到訓練后的基于CBAM?ECA機制改進的YOLOv5目標檢測模型中，完成所述待檢測結腸鏡影像上息肉的檢測，該方法及系統能夠提高息肉檢測的速度及準確性。

技術領域

本發明屬于數據處理領域，涉及一種結腸鏡影像息肉檢測的方法及系統。

背景技術

結腸鏡影像息肉檢測一直都是結腸癌診斷領域中一個重要的話題，盡管在過去幾年間對于使用計算機輔助進行息肉檢測任務的研究取得了重大進展，但是到目前為止這一領域仍有待發展，對于息肉檢測的漏診問題還有待改進。為了解決此問題，諸多科學家提出了許多計算方法來檢測和分割結腸鏡影像中的息肉。早期傳統圖像處理方法中，比較有名的是以M.Ganz等人提出的等值分割方法和P.Sasmal提出的息肉輪廓分割方法。隨著機器學習的發展，J.Bernal等人成功地將支持向量機(SVM)應用于息肉檢測的特征提取之中，同時N.Tajbakhsh等人提出了結合形狀和上下文信息息肉像素特征的機器學習檢測方法，取得了良好的效果。近些年隨著計算機視覺領域的不斷創新，卷積神經網絡(CNN)取得了巨大的發展，Lecunetal等人已經提出了基于深度學習的自動結腸鏡影像息肉檢測方法；Shin等人利用Faster Region-based CNN(Faster R-CNN)作為息肉檢測器，且細化其中的主干特征提取網絡以更好地提取息肉特征；Zheng等人使用You Only Look Once(YOLO)檢測器在算法運行過程中一次性檢測所有息肉影像。然而以上提及的方法在精度和速度方面還有提高的空間。因此，有必要在結腸鏡息肉檢測領域尋求一個在精度和速度上都取得優異效果的方法來解決上述的問題。

發明內容

本發明的目的在于克服上述現有技術的缺點，提供了一種結腸鏡影像息肉檢測的方法及系統，該方法及系統能夠提高息肉檢測的速度及準確性。

為達到上述目的，本發明采用如下技術方案：

本發明一方面，本發明提供了一種結腸鏡影像息肉檢測的方法，包括：

獲取待檢測結腸鏡影像數據；

將獲取得到的所述待檢測結腸鏡影像數據輸入到訓練后的基于CBAM-ECA機制改進的YOLOv5目標檢測模型中，完成所述待檢測結腸鏡影像上息肉的檢測。

所述將獲取得到的所述待檢測結腸鏡影像數據輸入到訓練后的基于CBAM-ECA機制改進的YOLOv5目標檢測模型中之前還包括：

收集并標注已備案的結腸鏡息肉影像數據樣本；

將所述結腸鏡息肉影像數據樣本分為訓練集、測試集及驗證集；

構建基于CBAM-ECA機制改進的YOLOv5目標檢測模型；

利用訓練集、測試集及驗證集對所述基于CBAM-ECA機制改進的YOLOv5目標檢測模型進行訓練、測試及驗證，得到訓練后的基于CBAM-ECA機制改進的YOLOv5目標檢測模型。

基于CBAM-ECA機制改進的YOLOv5目標檢測模型進行訓練過程中，基于CBAM-ECA機制改進的YOLOv5目標檢測模型對訓練數據集使用K-Means聚類算法進行初步獲取先驗框，再使用遺傳算法對K-Means結果進行變異搜索。

基于CBAM-ECA機制改進的YOLOv5目標檢測模型中，CBAM注意力模塊加入至主干網絡中的C3模塊，分別為C3模塊中殘差連接及局部跨層融合賦予不同的注意力權重。

還包括：將訓練后的基于CBAM-ECA機制改進的YOLOv5目標檢測模型進行tensorRT部署。

本發明二方面，本發明提供了一種結腸鏡影像息肉檢測的系統，包括：

獲取模塊，用于獲取待檢測結腸鏡影像數據；