[发明专利]一种基于无锚框的大肠内窥镜息肉检测与病理分类方法

说明书

本发明公开了一种基于无锚框的大肠内窥镜息肉检测与病理分类方法，包括如下步骤：将彩色内镜图像进行预处理；对预处理后的彩色内镜图像进行特征提取；对提取的特征进行增强并向上扩展得到更深层的扩展特征；将增强特征和扩展特征的特征信息通过无锚框检测算法解码为息肉预测框以及前景预测掩码；分别从扩展特征和前景预测掩码处提取全局和局部特征向量，将全局特征向量与局部特征向量结合，通过全连接层预测息肉种类，本发明对提取的特征进行增强，并向上扩展获得更深层的扩展特征，通过无锚框检测算法对特征图进行位置解码获得息肉预测框和前景预测掩码；将前景预测掩码与对应的特征图叠加，得到局部特征图，并结合全局与局部信息预测息肉类别。

技术领域

本发明属于息肉检测技术的技术领域，尤其涉及一种基于无锚框的大肠内窥镜息肉检测与病理分类方法。

背景技术

在全球，结直肠癌都是第三大常见癌症，也是导致死亡的主要癌症之一。参照《中国消化内镜活检与病理学检查规范专家共识（草案）》，对照Morson组织学分类法：将CRP分为腺瘤性息肉(管状腺瘤、绒毛状腺瘤、混合性腺瘤), 非腺瘤性息肉(炎性息肉、增生性息肉) 。其中腺瘤性最为常见也最危险。虽然只有很小一部分的腺瘤性息肉会发展成为癌症，但几乎所有的恶性息肉都由腺瘤性息肉发展而来。因此，肠息肉的检测与病理分类预测在结肠癌的预防与早筛过程中起到了至关重要的作用。

早期的大肠息肉检测与病理分类方法主要是基于手工选取的图形特征，例如形状，颜色，线条，轮廓等，由于不同种类的息肉特征接近，同时息肉和周围的正常组织也有着很相似的特征，而传统的基于手工选择图形特征的方法只能学习有限的特定特征，因此这种方法无法取得令人满意的结果。随着神经网络与深度学习的快速发展，基于卷积神经网络（convolutional neural networks: CNN）的方法被广泛应用于图像识别领域，包括医疗图像识别。近几年，该方法在大肠息肉识别与分割领域也已经得到了一定的应用。

但是目前的大肠息肉识识别方法都只能完成息肉检测的功能而不能同时做到息肉的病理分类。

发明内容

本发明目的是为了克服现有技术的不足而提供一种基于无锚框的大肠内窥镜息肉检测与病理分类方法，该方法结合无锚框检测算法和图像分类算法，从而提高息肉检出率与病理分类的准确率。

为达到上述目的，本发明采用的技术方案是：一种基于无锚框的大肠内窥镜息肉检测与病理分类方法，包括如下步骤：

将彩色内镜图像进行预处理；

对预处理后的彩色内镜图像进行特征提取；

引入特征金字塔模型对提取的特征进行增强并向上扩展得到更深层的扩展特征；

将增强特征和扩展特征的特征信息通过无锚框检测算法解码为息肉预测框以及前景预测掩码；

从扩展特征处提取全局特征向量，从前景预测掩码处提取局部特征向量，将全局特征向量与局部特征向量结合，通过全连接层预测息肉种类。

进一步的，将彩色内镜图像进行预处理的步骤如下：

将彩色内镜图像缩放至512x512的图片分辨率，之后对彩色内镜图像进行像素均值归一化，使得数据的每一个维度具有零均值和单位方差。

进一步的，对预处理后的彩色内镜图像进行特征提取的步骤如下：

使用基于ImageNet 预训练的ResNeXt101作为骨干网络；

ResNeXt101以最大池化为界限分成 5个不同阶段：R1, R2, R3, R4, R5;

随着骨干网络加深每次池化后特征图大小缩小一半，信道数目增加一倍；

提取R2至R5四个阶段的网络输出C2至C5作为提取的特征图。