摘要
内窥镜检测是辅助医生诊断肠胃疾病的有效方法，帮助医生观察病人肠道内部生理情况。通过内窥镜图像诊断极为费时费力且需要极高的专业素养，而通过计算机辅助诊断技术可以提高医生诊断效率，并为医生提供客观的判断依据。近年来，深度学习逐渐发展，并在内窥镜图像识别的效果上超越了传统的内窥镜图像识别方法。 本文以内窥镜图像为切入点，针对医学图像的疾病识别问题，对深度学习方法进行研究和分析，进一步推进计算机辅助诊断在疾病识别的实现和应用，主要研究内容如下： 第一，提出了使用自监督对比学习方法识别内窥镜图像疾病。由于标注困难，内窥镜数据集往往较小，这使得有监督学习在内窥镜图像识别任务上容易过拟合，模型泛化能力差。本文对自监督对比学习方法进行理论分析和比较，选出三种自监督对比学习方法。以肠道疾病检测为例，使用三种自监督对比学习方法在由视频逐帧提取的无标签数据上进行预训练，并在有标签数据集上微调，并通过优化预训练网络结构和训练参数，提高内窥镜图像识别准确率。 第二，提出了一种通用的、高效的对比学习预训练过程中的模型评估方法。针对在自监督对比学习过程中无法多预训练编码器进行有效评估的问题，结合对比学习原理和肠道内窥镜疾病识别任务，提出了预训练模型评估方法 EDCP（Evaluation During Contrastive Pre-training）。在预训练过程中，使用少量有标签数据对编码器提取的特征进行相似度分析，根据类别标签区分正负样本对，得到相似度指标。用 one-epoch微调方法和模型筛选对EDCP方法进行实验验证。 实验结果表面，自监督对比学习方法可以有效提高肠道内窥镜识别任务的准确率， EDCP方法可以高效评估预训练模型。并且，通过EDCP方法进行模型筛选可以进一步提高肠道内窥镜疾病识别准确率。
NETL