关键词:
无线胶囊内窥镜
深度学习
小肠疾病检测
聚类
特征融合
摘要:
无线胶囊内窥镜(WCE)是一种用于检查胃肠道疾病的新技术,因其具有无创无痛等特点,逐渐成为消化道检查的首要选择。但一次无线胶囊内窥镜检查会产生5万幅以上的图像数据,这不仅会加重医生对疾病诊断的工作量,而且在阅片过程中会因为视觉疲劳使漏检和误检的几率增加,因此,如何迅速有效地从海量WCE图像中检测出疾病是当前急需解决的重要问题。目前在WCE图像小肠疾病检测的研究领域中,深度学习方法因具有自动、高效学习图像特征的优点,被广泛应用在小肠疾病检测中,因此,本文提出一种基于聚类和深度学习的WCE图像小肠疾病检测方法。
首先,提出基于改进VGG-16的小肠疾病检测方法。该方法主要由数据预处理、特征提取网络和分类网络组成。首先,将训练集的图像根据标注信息对目标区域进行裁剪得到图像块,并按照类别分别将图像块保存到相应的文件夹中;然后,通过不同改进的VGG-16网络结构(block-3、block-4和block-5)分别对图像块进行特征提取;最后,将提取到的特征送入分类网络中分类。实验结果表明,该方法能够有效检测小肠疾病,但漏检较多,检测时长也较长。
其次,提出结合聚类的小肠疾病检测方法。针对基于改进VGG-16的小肠疾病检测模型存在的检测速度慢的问题,提出利用聚类算法提升模型检测速度。该方法在基于改进VGG-16的方法基础上,将图像块特征输入至分类网络前,先输入到聚类模块中进行初始分类,然后只将含病灶的簇输入至分类网络中进行最后分类。该方法通过减少非病灶图像块特征输入至分类网络中,从而加快模型检测速度。主要研究了不同的聚类方法对模型性能的影响,并对K-means算法进行改进,实验结果表明,所提出的G-K-means算法更能提高检测效率。
最后,提出基于WCE图像块特征融合的小肠疾病检测方法。针对结合聚类的小肠疾病检测模型存在的分类准确率较低的问题,提出利用特征融合方法,提高模型的分类准确率。该方法首先利用block-4和不同结构的卷积自编码器分别提取WCE图像块特征,并融合二者的图像块特征,然后将融合后的特征输入到分类网络中进行分类,得到效果最佳的模型,最后,在效果最佳模型中加入G-K-means聚类模块,加快模型的检测速度,该部分还使用全新的数据集验证所提出方法的有效性。实验结果表明,本文提出的基于WCE图像块特征融合的小肠疾病检测方法能够提高检测准确率和效率,有望满足临床应用需求。