基于深度学习的胃溃疡病变区域分割算法研究

【摘要】 目的利用深度学习卷积神经网络解决消化内镜图像中胃溃疡病变区域分割问题,探究空洞卷积与二维卷积相比对模型性能的提升作用。方法针对内镜图片常出现的气泡、反光和仪器介入等问题,使用Sobel算子等方法对原始图像进行数据清洗、数据预处理和数据增强;使用Pytorch实现算法模型训练,将经过预处理后的图像作为输入数据,利用多个卷积神经网络模型对输入的图像胃溃疡病变区域进行图像分割并标识病变区域。结果人工采集的消化内镜图像中噪声信息较多,通过数据增强可以有效提高模型对图像的分割精度,此研究发现最佳模型是DeepLab V3 Plus,其对胃溃疡病变区域的准确率达到89.667%,平均交并比达到88.478%,频权交并比为81.665%。结论针对消化内镜的预处理能够有效去除原始数据集中图像的噪声信息,利于训练进程发展。数据增强可以提高模型泛化能力,防止训练过程中出现过拟合的现象。利用空洞卷积和DeepLab V3卷积神经网络可以有效提高消化内镜图像上的胃溃疡病变区域分割问题。更多还原