近年來,隨著科技的發(fā)展,無線膠囊內(nèi)窺鏡(Wireless capsule endoscopy,WCE)在臨床上得到了廣泛的應用,且逐漸成為醫(yī)生檢測腸道病變的主流技術(shù)。然而,每次WCE檢查將產(chǎn)生50,000張以上的數(shù)據(jù)圖像。為了檢測病變圖像,醫(yī)生需要消耗大量時間在閱覽圖像工作,同時也會因為視覺疲勞產(chǎn)生漏檢和誤檢。因此,研究出一套無線膠囊內(nèi)窺鏡病變圖像自動檢測的方法是當前急需解決的關(guān)鍵問題。目前在自動檢測無線膠囊內(nèi)窺鏡小腸病變圖像研究領域中,眾多研究者采用了傳統(tǒng)的機器學習方法,而傳統(tǒng)的機器學習方法往往需要人工提取特征,其方法比較繁瑣,且很難達到預期理想的結(jié)果。深度學習與傳統(tǒng)的機器學習相比,因其具有自動提取圖像特征的優(yōu)勢而被廣泛應用于眾多圖像處理領域中,在最后的處理結(jié)果中能夠達到預期的理想效果,因此,本文基于深度學習思想,提出利用卷積神經(jīng)網(wǎng)絡方法(Convolutional Neural Network,CNN)對無線膠囊內(nèi)窺鏡小腸圖像常見病變的檢測識別研究,其研究主要內(nèi)容如下:(1)小腸起止點定位識別實現(xiàn)小腸起止點定位在于幫助醫(yī)生準確快速找到小腸區(qū)域。本文通過構(gòu)建CNN模型實現(xiàn)了對小腸、小腸前段、小腸后段三部分圖像特征的提取和分類。最后利用新的圖像數(shù)據(jù)對訓練好的分類模型進行識別驗證,結(jié)果證明小腸起點和止點偏離平均誤差分別為0.172%、2.29%,其定位模型識別率可達96.84%。(2)小腸常見的病變檢測識別本文的研究重點在于實現(xiàn)對出血、糜爛、潰瘍、息肉這四種小腸常見病變進行檢測識別研究。在病變檢測研究中,作者將其分為兩種情況:1)單病變檢測;2)多病變檢測。在單病變檢測中,分別建立出血、糜爛、潰瘍、息肉四種檢測模型,而后分別利用這四種模型對新加入的相應數(shù)據(jù)進行驗證識別,并繪制相對應的ROC(Receiver Operating Characteristic)曲線及計算對應曲線下的AUC(Area Under the ROC Curve)值。在多病變檢測中,建立包含上述四種病變及正常圖像的五分類識別模型,而后使用該模型進行驗證識別,并計算最后的識別率。本文基于深度學習中的卷積神經(jīng)網(wǎng)絡方法對小腸病變圖像檢測研究,建立了不同的病變檢測模型。實驗表明,基于深度學習的方法在WCE小腸病變圖像檢測中相比傳統(tǒng)的機器學習方法具有更高的檢測識別能力,在出血、糜爛、潰瘍、息肉病變檢測模型中,其識別率分別可達到98.39%、95.34%、95.16%、99.82%,由此可以看出,在WCE小腸病變圖像檢測中,采用基于深度學習的方法,能夠得到較好的檢測識別結(jié)果。在實際臨床上,對于醫(yī)生而言,基于深度學習的方法對WCE小腸病變圖像的檢測,對患者病情的輔助診斷具有一定的重要性價值和意義。
【學位單位】：杭州電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R574;TP391.41
【部分圖文】：

圖 1.1 常見小腸病變小腸是消化系統(tǒng)中最長器官，它的走形迂回曲折，前后連通胃部和大腸（見圖 1.2），小腸出血病因不易被檢測。小腸出血原因可能會有如下情況：1）小腸腫瘤；2）小腸憩室小腸血管發(fā)育不良，因此小腸出血是小腸病情比較惡化的結(jié)果。相對于糜爛、潰瘍，這病情比較輕微，是腸道常見炎癥問題，潰瘍是糜爛愈發(fā)嚴重的表現(xiàn)，果沒有及早發(fā)現(xiàn)與，仍然會病發(fā)成小腸出血。小腸息肉是一種良性腫瘤，其小腸粘膜凸起異常生長，小腸還會致使腸套疊，從而引發(fā)腸阻塞發(fā)生腹痛。因此，對無線膠囊內(nèi)窺鏡小腸圖像自動檢測且能夠快速、準確地篩選病變圖像是當前急需解決的關(guān)鍵問題，在臨床醫(yī)學上具有重要實意義和臨床價值。

猓囡諏俅慘窖縐暇哂兄匾

本文編號：2824306