基于深度学习的胃溃疡病变区域分割算法研究

张丽航,王善娟，常庆，罗懿文，周晓光，孙沐毅，王一飞，刘艳丽

胃溃疡型病变的常规诊断主要依靠分析消化内镜检查图像特征，而将人工智能作为消化内镜的辅助诊断系统，是内镜未来发展的一个重要方向。近年来，图像处理技术与深度学习技术相结合，并应用于医疗图像辅助诊断领域[1]，影像组学逐渐成为计算机视觉的研究热点之一。现有的计算机视觉算法应用于医疗影像辅助诊断，常用的图像分割方法为基于尺度不变特征转换(Scale lnvariant Feature Transform，SIFT)的手动特征提取方法[2]、基于聚类的非监督图像分割算法[3]。这些算法也能得到不错的效果，但是对于新的图像样本，模型泛化能力弱，不利于实际应用的部署。从现有的研究情况看，大多数内窥镜数据来自无线胶囊内窥镜，其数据为拍摄的连续视频帧，需要手工筛选剔除模糊、气泡、反光等包含噪声因素的图像，效率低且容易遗漏[4]。另外，存在数据标注准确性问题，由医生进行手工标注，不同医生的标注标准不一，没法进行统一标准，存在争议。有一些学者利用聚类方法[5]、SIFT[2]等图像特征提取方法对胃溃疡图像进行分割，大多数没有使用深度学习方法。所以利用深度学习对胃溃疡图像病变区域进行分割的研究较少。

因此，基于空洞卷积和数据增强技术，利用DeepLab V3模型，对普通消化内镜胃溃疡图像病变区域进行分割算法研究，为普通消化内镜图像计算机辅助诊断研究提供新的思路，积极响应国家对医工结合的号召，降低医生诊断负担，具有重要的理论研究意义和临床价值。……