[发明专利]基于注意力机制的胶囊内镜息肉目标检测网络

说明书

本发明针对胶囊内窥镜拍摄时产生大量图片、图片内部环境复杂和病变区域较小难以检测的问题，研究并提出了一种基于注意力机制的目标检测器用于检测病变的息肉区域。在该目标检测网络中，设计了一个残差注意力机制模块，该模块可以从空间和通道数两个维度增强对息肉特征的学习，并在模块中采用残差横向连接防止细节信息的丢失。另外在网络的输出模块中，设计了一种特征融合方式，对提取到的特征金字塔中每个特征块都进行相同尺寸的自适应均值池化操作使得每个特征块经过池化后形成空间特征金字塔结构，然后融合每个空间特征金字塔中具有相同大小的特征块以充分利用上下文的语义信息，对融合后的特征块加上SE(Squeeze And Excitation)注意力机制得到网络的输出特征。

技术领域

本发明涉及深度学习以及计算机视觉领域，具体涉及一种注意力机制的胶囊内镜息肉目标检测算法。

背景技术

使用胶囊内窥镜进行人体内部的拍摄，通过检阅拍摄的图片进行病理检查这样既减轻了病人的痛苦也降低了病理的漏检。然而，使用胶囊内镜进行拍摄会在短时间内产生大量图片，并且图片的内部环境相对较为复杂、病变区域较小，这些问题给医生的诊断带来了巨大的挑战，时常会因为漏检而产生误检的情况。因此发展计算机辅助诊断技术在临床中帮助医生对于息肉的检测具有非常重大的意义。

近几年，许多研究者将CNN应用到了内窥镜图像的病变区域检测，该方法自动提取图像特征进行分类检测，获得了较高的精度。许多研究者将自然场景下的一些优秀的目标检测器应用到无线胶囊内窥镜图像的病变区域的检测，例如，(Liu Ming,Jiang Jue,WangZenan.Colonic Polyp Detection in Endoscopic Videos With Single Shot DetectionBased Deep Convolutional Neural Network[J].IEEE Access,2019.)提出将SSD网络直接用于胶囊内镜息肉病变区域的检测，(Younghak S.,Ali Q H.,Lars A,et al.AutomaticColon Polyp Detection Using Region Based Deep CNN and Post LearningApproaches[J].IEEE Access,2018,6:40950-40962)提出基于改进的FasterRcnn模型用于息肉的检测，(Sun Muyi,Liang Kaiyi,Zhang Wenbao,et al.Non-Local Attention andDensely-Connected Convolutional Neural Networks for Malignancy SuspiciousnessClassification of Gastric Ulcer[J].2020,IEEE Access,vol.8,pp.15812-15822.)提出基于Mask-RCNN的区域卷积神经网络和精确感兴趣区域(PrROI)池化的结肠息肉检测，这些基于深度学习的方法用于胶囊内镜病变区域的检测获得了较好的检测结果。然而由于胶囊内镜内部环境复杂、病变区域较小，所以上述文献所提出方法还是会出现漏检、误检的情况。

针对胶囊内镜内部环境复杂、病变区域较小难以检测的问题，本专利提出了基于注意力机制的胶囊内镜息肉目标检测网络，在网络中加入残差注意力机制，使得网络模型能够学习到更多的息肉细节信息，并且在网络的输出模块中融合了不同层级的特征块，使得输出特征块的语义信息更加丰富，提升了整个网络的鲁棒性且对于息肉小目标的检测更为有效。

发明内容

本发明的目的在于设计一种用于检测胶囊内镜息肉病变区域的网络，能够检测较小的病变区域并且有较块的检测速度。基于GPU强大的算力，将训练好的模型进行部署使得能够实时检测胶囊内镜图像。