發(fā)布時間：2021-08-18 12:36

　　內(nèi)窺鏡檢查是臨床上檢查消化道病變最基礎和最直接的手段。然而由內(nèi)窺鏡采集到的消化道圖像包含大量的干擾因素,例如鏡面反射、運動模糊、氣泡等,這些干擾因素的存在十分不利于醫(yī)生的診斷和治療。此外,在開發(fā)消化內(nèi)鏡圖像數(shù)據(jù)幀的質量評估算法時,圖像中存在的干擾也是重點考慮的對象。因此,發(fā)展消化道內(nèi)鏡圖像干擾的檢測方法,對于發(fā)展可靠的消化道病變計算機輔助診斷工具、自動圖像質量評估算法以及提升實際診療效果十分重要。在消化道病變的人工診斷方面,內(nèi)鏡圖像龐大的數(shù)據(jù)量以及病變外觀的多樣性等因素增加了醫(yī)生診斷的難度,容易導致漏診和誤診。因此,發(fā)展消化道病變區(qū)域自動分割算法,能夠幫助減輕醫(yī)生負擔,可在一定程度上輔助醫(yī)生的診斷和治療,有助于降低漏診和誤診率,具有重要的實際意義。為此,本文對消化道內(nèi)鏡圖像的干擾檢測與病變分割方法進行了研究。主要研究內(nèi)容如下:（1）基于深度學習的消化道內(nèi)鏡圖像干擾檢測方法研究發(fā)展了基于級聯(lián)區(qū)域卷積神經(jīng)網(wǎng)絡（Cascade Regions with Convolution Neural Network,Cascade RCNN）的目標檢測網(wǎng)絡,運用級聯(lián)目標檢測器實現(xiàn)對多尺度目標的檢測。首... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

R-CNN網(wǎng)絡模型[24]

電子科技大學碩士學位論文10圖2-2Fast-RCNN的網(wǎng)絡模型[25]2.2.1.3FasterRCNN與R-CNN相比，F(xiàn)astRCNN的檢測速率快了很多，但由于二者均使用了運算負荷較大的選擇性搜索算法，所以FastRCNN并沒有完全解決檢測速率慢的問題。鑒于此，Ren等人在2016年提出了改進的目標檢測網(wǎng)絡：FasterRCNN，該網(wǎng)絡使用區(qū)域建議網(wǎng)絡（RegionProposalNetwork,RPN）來生成候選區(qū)域，進一步提升了算法的速度，其網(wǎng)絡模型如圖2-3所示。圖2-3FasterR-CNN的網(wǎng)絡模型[26]RPN將原始圖像經(jīng)過CNN提取到的特征圖作為輸入，并生成一組候選區(qū)域，每個區(qū)域的輸出都包含類別得分和邊界框偏移量，其網(wǎng)絡結構圖如圖2-4所示。RPN首先將特征圖上的每一個像素點作為錨點，以它為中心點生成9個不同大小

電子科技大學碩士學位論文10圖2-2Fast-RCNN的網(wǎng)絡模型[25]2.2.1.3FasterRCNN與R-CNN相比，F(xiàn)astRCNN的檢測速率快了很多，但由于二者均使用了運算負荷較大的選擇性搜索算法，所以FastRCNN并沒有完全解決檢測速率慢的問題。鑒于此，Ren等人在2016年提出了改進的目標檢測網(wǎng)絡：FasterRCNN，該網(wǎng)絡使用區(qū)域建議網(wǎng)絡（RegionProposalNetwork,RPN）來生成候選區(qū)域，進一步提升了算法的速度，其網(wǎng)絡模型如圖2-3所示。圖2-3FasterR-CNN的網(wǎng)絡模型[26]RPN將原始圖像經(jīng)過CNN提取到的特征圖作為輸入，并生成一組候選區(qū)域，每個區(qū)域的輸出都包含類別得分和邊界框偏移量，其網(wǎng)絡結構圖如圖2-4所示。RPN首先將特征圖上的每一個像素點作為錨點，以它為中心點生成9個不同大小


本文編號：3349898