基于机器视觉的胶囊内窥镜病灶辅助检测系统设计_生物医学自动化.docxVIP

PAGE2

基于机器视觉的胶囊内窥镜病灶辅助检测系统设计

第一章绪论

1.1研究背景

消化道疾病是威胁人类健康的常见病种，胃癌、结直肠癌等恶性肿瘤的发病率和死亡率长期位居全球前列。早期筛查与精准诊断是降低消化道肿瘤死亡率的关键，然而传统电子胃镜与结肠镜检查存在侵入性强、患者耐受度低、操作依赖医师经验等固有局限。胶囊内窥镜作为一种无创、无痛的消化道可视化检查手段，自问世以来极大改善了患者体验，尤其适用于小肠等传统内镜难以到达的区域。

胶囊内窥镜在单次检查中可产生数万帧彩色图像，庞大的图像数据量给医师阅片带来沉重负担。人工逐帧判读不仅耗时长达40至120分钟，而且极易因视觉疲劳导致微小病灶的漏检。研究表明，人工阅片对出血点、溃疡等平坦型病变的漏诊率可达10%至20%，这一核心矛盾严重制约了胶囊内窥镜的临床推广效率。

近年来，深度学习技术为医学图像分析开辟了新路径，卷积神经网络在图像分类、目标检测任务中展现出超越人眼的识别能力。然而，消化道图像存在光照不均、黏膜褶皱干扰、病灶形态多变等复杂特性，现有通用网络直接迁移的识别精度与实时性仍难以满足临床级辅助诊断要求。如何在有限计算资源下设计轻量级、高精度的病灶分类网络，成为亟待突破的技术瓶颈。

现有胶囊内窥镜辅助检测方案多依赖手工特征提取与浅层分类器，对出血点与溃疡的识别泛化能力不足，且多数研究停留在算法仿真阶段，缺乏面向临床工作流