论文部分内容阅读
胃癌是目前全世界最常见的恶性肿瘤之一,是世界上第四大癌症,且其致死病例总数逐年增长。及时的发现和治疗早期胃癌是降低胃癌恶化率和死亡率的重要手段。因此,及时且精确地识别和诊断胃癌早期病变被迫切需要。ME-NBI作为诊断早期胃癌的主要工具,已经在临床上获得了广泛的应用。但是,其学习曲线长,诊断主观性强且缺少客观的诊断系统。因此,本课题设计和实现了一款针对ME-NBI胃部图像进行早期胃癌识别与定位早期胃癌病变区域的计算机辅助诊断系统,帮助医生提高早期胃癌的诊断效率与精度,为医生提供第二个诊断依据,降低主观性诊断的误判率和漏诊率,同时帮助患者更早地得到医治与康复。目前,虽然自动辅助诊断早期胃癌重要和迫切,但是基于ME-NBI图像早期胃癌的相关计算机辅助诊断系统却不多,对ME-NBI胃部图像进行的研究也很少。本课题主要研究了基于ME-NBI早期胃癌图像的识别和计算辅助诊断系统的实现。其主要分为四个部分:1)选用Vgg19,ResNet50,Xception,DenseNet121四个预训练模型,使用ME-NBI图集进行微调,实现ME-NBI早期胃癌图像的分类,并与传统的手动纹理特征提取方法(LBP和Gabor)进行对比,实验证明本课题所使用的深度学习方法优于传统的纹理特征提取方法,且ResNet50效果最优;2)使用Faster R-CNN,YOLO,SSD深度目标检测模型对ME-NBI早期胃癌图像的病变区域进行检测,Faster R-CNN的效果优于另外两种方法;3)使用Vanilla Grad-CAM,Deconv Grad-CAM和Guided Grad-CAM深度学习技术实现了ME-NBI早期胃癌图像病变区域的分割,Guided Grad-CAM的效果优于另外两种方法;4)将上述三个部分的最优算法集成到早期胃癌图像识别系统中,开发和实现了基于ME-NBI早期胃癌图像识别的计算机辅助诊断系统。本系统按照规范的软件设计流程,进行了需求分析,系统架构设计,各子功能块设计,数据库构建,融合了胃部图像的分类算法,癌症目标的检测算法和癌症目标的分割算法,实现了计算机辅助诊断,将帮助医生更快更好地找到病变图像和其病变位置,提高诊断胃部病变的效率和精度。同时,该系统的各部分功能也能加深医生对ME-NBI胃部图像的认识,以及帮助没有经验的医生学习基于ME-NBI胃部图像的诊断知识。本课题所设计的早期胃癌计算机辅助诊断系统同时还可以添加、查询和整理病人的基本信息和病理信息,方便医生实时的查看和调用病人信息,及时做出最终诊断。早期胃癌计算机辅助诊断系统主要利用web端提供给医生使用接口,目前已在医院逐步使用中。