基于UNet改进模型的医学图像分割基础研究.pdf

基于UNet改进模型的医学图像分割基础研究

摘要

结直肠癌是目前世界上的第二大癌症相关死亡原因，同时也是第三大常

见癌症。结肠镜检查被认为是结肠癌筛查的主要技术，可在治疗早期发现并

切除癌前腺瘤，降低病死率。但结肠镜检查中息肉的漏检率平均在22-28%左

右，这主要是因为结肠镜检查十分考验内镜医生检测息肉的技能，不同的观

察者之间存在很大的差异。计算机辅助诊断可以帮助内镜医生在息肉检测上

提高准确率，可以给内镜医生在检查结肠息肉的病情时提供十分有效的帮助。

在计算机图像处理领域，深度神经网络模型能够实现对医学图像的良好

分割，并展现出优异的性能。如今UNet网络已经成为医学图像处理领域的

主流网络，围绕UNet模型，本文对近年来与结肠息肉图像分割相关的神经

网络模型进行了介绍和分析，介绍它们的基本原理和研究贡献。同时，本文

还详细探讨结肠息肉图像分割的难点，针对结肠息肉分割中出现的实际问题

进行探究，并通过优化UNet网络模型来解决这些问题。本文提出两种不同

的基于UNet网络的结肠息肉图像分割算法，具体内容如下：

本文提出一种基于改进UNet的结肠息肉医学图像分割算法，在保证良

好的分割精度的情况下，降低模型的参数量，提高推理速度。针对解决息肉

分割时过多的参数和较大的计算复杂度带来的分割效率的降低的问题，采用

轻量化的模型结构，并使用通道化的多层感知机模块在潜在空间中进行特征

表示，在减少参数量和降低计算复杂度的同时提供良好的表示能力，提高模

型的分割性能。本文在CVC-ClinicDB数据集和Kvasir-SEG数据集上对模型

进行实验，验证本模型对于结肠息肉分割的优越性。

本文提出一种基于多重并行模块的结肠息肉图像分割算法，引入多重并

行卷积块和残差跳跃连接模块，能够以较小的误差范围准确定位并预测息肉

的边界，解决面对息肉图像模糊、肠道内容物影响、光斑和图像质量低时会

产生的特征不明显，局部区域分割准确度低的问题，实现良好的分割效果。

在CVC-ClinicDB数据集和Kvasir-SEG数据集上进行实验，结果表明本模型

对于结肠息肉的分割预测相较于其他分割模型具有一定的竞争力。

关键词结肠息肉；深度学习；图像分割；模型轻量化；多重并行

-I-

MedicalimagesbasedonimprovedUNetmodel

BasicResearchonSegmentation

Abstract

Colorectalcanceriscurrentlythesecondleadingcauseofcancer-related

deathsintheworld,andalsothethirdmostcommoncancer.Colonoscopyis

consideredthemaintechniqueforscreeningcoloncancer,whichcandetectand

removeprecancerousadenomasintheearlystagesoftreatment,reducingthe

mortalityrate.However,theaveragemisseddetectionrateofpolypsin

colonoscopyisaround22-28%,mainlybecausecolonoscopyteststheskillsof

endoscopistsindetectingpolyps,andtherearesignificantdifferencesamong

differentobservers.Computerassisteddiagnosiscanhelpendoscopistsimprove

theaccuracyofpolypdetectionandprovideveryeffectiveassistanceto

endoscopistsinexaminingtheconditionofcolonpolyps.

Inthefield