近年来,随着医学信息的飞速发展,各种医学影像数据也越来越丰富,医学图像目标检测不断发展完善。针对腔镜甲状腺切除手术这一场景,甲状旁腺损伤可导致甲状腺患者术后终身的低钙血症,医生在腔镜手术时需要保障其不受到损伤。然而,甲状旁腺是很小的腺体,且在腔镜甲状腺切除手术中可能会出现充血和阻塞,这使得经验丰富的外科医生也很难识别它们。因此,通过计算机视觉中基于卷积神经网络的目标检测技术识别并定位甲状旁腺的位置,可以辅助外科医生在不损伤甲状旁腺的条件下顺利完成腔镜甲状腺切除手术,具有十分重要的现实意义。本文以腔镜甲状腺切除手术影像作为数据集,通过基于卷积神经网络的目标检测算法识别并定位甲状旁腺的位置,以便外科医生在手术过程中可以保护甲状旁腺不受损伤。本文的研究内容即为从实际应用效果上识别并定位甲状旁腺的算法及系统实现,具体内容如下:1、对合作医院提供的甲状旁腺视频数据进行处理。首先,本文提出一种基于帧间差分的算法对视频进行关键帧的有效提取,形成甲状旁腺图片数据集;然后,对数据集中的图片进行标注、整理,形成可以满足模型输入的标准格式;最后,由于腔镜甲状腺切除手术过程中采集的图片数据具有信号不稳定,颜色区分度低等特点,同时还会受到雾气、视角、距离、遮挡、光照等多种环境因素的影响,需要对图片进行数据增强。2、考虑到甲状旁腺的物理特征,本文将传统的目标检测方法中的矩形标注框替换为圆形标注框,提出了一种针对圆形物体的全卷积逐像素回归的目标检测模型（FCOSC）,适用于腔镜甲状腺切除手术的场景。为了计算圆形标注框的参数,本文改进了 IOU Loss函数,并提出了 Center-ness-d分支。该模型在甲状旁腺数据集实验中的平均准确率高达37.9%。此外,该方法在公开的BCCD细胞数据集上也比常见的模型表现更好,可以达到70.4%的平均准确率。3、为了将实验结果进行详细的展示,本文做了具体的系统实现,研发了甲状旁腺数据分析研究平台。本文将Pytorch模型转化为ONNX模型,通过ONNXj s开发了一个Web系统。在这个系统中,主要功能是目标检测模型的结果展示,可选择在线资源或者通过本地上传资源进行推理检测,随后会展示对应图片及可视化检测结果。