论文部分内容阅读
结直肠癌是一种非常常见的恶性肿瘤疾病,癌症发病率排名世界第三,死亡率世界第四。结直肠癌通常是由结肠或直肠上皮的非癌性新生物质“息肉”引起的,有一部分息肉会增生活跃恶变成结直肠早癌:腺瘤。结直肠内窥镜检查是临床上常用的检查结直肠癌的方法,而腺瘤检出率是衡量医师使用结肠镜检查的质量的标准之一。研究表明提高结肠镜下的腺瘤检出率对于降低结直肠癌的死亡率和间歇发病率具有重要意义。目前,医师通过消化内镜来判断是否是腺瘤,腺瘤检出率不可避免受医师经验、疲劳度、探测速率等因素影响,极易造成漏诊误诊,因此计算机辅助诊断成为提高腺瘤检出率的关键手段。目前计算机辅助诊断技术在结肠镜中的应用研究多集中于基于窄带光源(Narrow Band Imaging,NBI)的腺瘤诊断。但是在操作过程中主要时间还是在白光(White Light Endoscopy,WLE)下进行,需要依靠医生判断疑似病例以后才进行NBI图像的切换,因此NBI图像诊断依然无法摆脱医生的预判断。但目前白光下诊断依然由于腺瘤特征不明显而缺失,本文通过提出一种新型的K-Refine Det网络,完成白光下的腺瘤诊断,并极大提高了腺瘤检出率。主要研究内容如下:(1)基于息肉/腺瘤内镜图像的特点,提出一种新颖的用于计算机辅助诊断白光结肠镜下息肉和腺瘤的K-Refine Det模型。该模型主要包括三个模块:锚框细化模块(the anchor refinement module,ARM)为减少搜索空间,移除先验框中的一部分负样本,并对剩下的先验框中是否含有目标以及框的位置坐标进行粗略调整。目标检测模块(the object detection module,ODM)为增加对小目标的检测,采用五种不同尺寸的特征层对目标的位置和类别做最终判断。传输连接模块(a transfer connection block,TCB)为提高检测准确性,使用转置卷积实现ARM模块提取的高层特征与浅层特征大小匹配,并以元素求和的方式实现特征融合,最后通过卷积将融合后的传输特征层传输给ODM模块。(2)构建了用于学习模型参数的白光结肠镜下息肉和腺瘤的数据集。实验中对训练数据集进行镜像,缩放,平移的数据增强方法来增加训练样本的数量和多样性,达到提升模型鲁棒性的效果。(3)将提出的K-Refine Det模型在构建的数据集中进行测试,实验结果表明:在白光结肠镜下腺瘤类图像上查准率(Precision),准确率(Accuracy),特异性(Specificity)和敏感性(Sensitivity)分别达到92.2%,93.6%,91.2%,95.8%。息肉类图像上查准率,准确率,特异性和敏感性分别达到95.0%,91.4%,95.8%,86.6%。另外腺瘤和息肉类的受试者操作特性(Receiver Operating Characteristic,ROC)曲线下的面积(Area Under Curve,AUC)分别为95.12%,94.53%,表明模型能够较好的对于腺瘤和息肉进行分类,从而提高腺瘤检出率。本文所展现的结果可以为结肠镜检查的医生提供参考意见,对辅助诊断患者病情具有重要意义。