摘要
胃癌作为我国高发的癌症之一，其发生与胃息肉密切相关。胃息肉是一种常见的上消化道肠道疾病，医师主要通过电子内镜对胃内进行检查或进行手术。电子内镜是目前最有效、最安全的检查工具。但由于其工作强度大，医师肉眼观察探测结果常依赖于自身经验，而且息肉的检出率也受医师疲劳度等因素的影响，故存在一定程度的息肉漏检情况。针对胃息肉人工检查的不足，特别是随着深度学习技术的出现，内窥镜检查的计算机辅助诊断正在成为现实。该方法可以实时检测并提示医师注意可能被忽略的息肉，从而提高检出率。因此，本文以胃息肉为研究对象，使用深度学习的方法，针对息肉静态图像检测和息肉实时检测两种场景提出不同的检测方法： （1）针对息肉静态图像中胃部环境复杂，小型息肉具有分辨率低、特征信息不足问题导致漏检现象发生，提出改进YOLOv4的胃息肉图像检测算法。首先该算法对CSPdarknet-53基础网络进行改进，设计出一种精简的CSPdarknet-49网络，减少网络深度，使得网络能够保留更多的小目标特征信息，同时增加准确率。其次利用息肉数据集的特点，使用K-Means++聚类算法对数据集进行聚类分析，得到9组不同比例大小的锚框，提升模型对小目标的检测精度。然后在YOLOv4的骨干网络中引入卷积注意力模块，使得网络能够在空间和通道两个维度进行特征提取，从而学习到更深层次的特征信息，进而提高小目标的检测能力。最后使用CIOU损失函数，解决息肉数据集中目标与背景数量不平衡问题。通过实验结果表明，相较于原算法，在检测精度方面提升了5.21%。 （2）针对现有网络模型的高复杂度高计算量导致在移动设备中难以满足实时检测问题，提出基于YOLOv4的轻量级胃息肉实时检测算法。首先将YOLOv4中主干网络替换成Mobilenet-v1，在保持精度的情况下降低大量参数量。为了更好地降低模型复杂度的同时提升检测速度，使用改进的SPPF模块替换SPP模块。其次为了降低特征金字塔网络大量使用大小核卷积堆叠带来的高复杂度及高计算量，使用深度可分离卷积优化其中的大核普通卷积，进一步降低了模型的计算量和模型复杂度。最后根据嵌入式设备数据特点，设计了改进的LeakyReLU6激活函数，改进激活函数并降低了计算量。通过实验数据表明，mYOLOv4模型相较于原YOLOv4模型，可以实现胃部息肉的实时检测，并且检测精度达到85%，实现了内镜检查下对胃息肉实时定位，可为医师提供参考性。
NETL