基于深度学习的结肠息肉检测研究综述.docVIP

基于深度学习的结肠息肉检测研究综述

结肠息肉是结直肠癌的主要癌前病变，早期检测与切除可显著降低结直肠癌的发病率和死亡率。目前，结肠镜检查是结肠息肉筛查的金标准，但受内镜医师操作经验、疲劳程度等主观因素影响，临床中息肉漏诊率可达10%~25%。近年来，深度学习技术在医学图像分析领域取得突破性进展，为结肠息肉自动检测提供了高效、客观的解决方案，相关研究成果已逐步从实验室走向临床应用。

一、结肠息肉检测数据集构建与预处理技术

数据集是深度学习模型训练的基础，标注质量和数据多样性直接决定模型的泛化能力。当前公开的结肠息肉检测数据集主要分为光学结肠镜图像数据集、虚拟结肠镜CT数据集两大类，其中应用最广泛的包括CVC-ClinicDB、Kvasir-SEG、ETIS-LaribPolypDB等。CVC-ClinicDB包含612张常规结肠镜下的息肉图像，标注了息肉的精确边界；Kvasir-SEG数据集规模更大，包含1000张不同形态、大小、位置的息肉图像，覆盖了从增生性息肉到腺瘤性息肉的多种病理类型；ETIS-LaribPolypDB则包含196张高分辨率息肉图像，其中大量样本属于小息肉和扁平息肉，对模型的检测精度提出了更高挑战。除此之外，部分研究团队还构建了包含病理信息的多模态数据集，将内镜图像与病理活检结果对应，为后续的息肉良恶性判别研究提供支撑。

针对结肠镜图像存在的光照不均、运