王亚刚，郗怡媛，2，潘晓英，2+

1.西安邮电大学 计算机学院，西安710121

2.西安邮电大学 陕西省网络数据分析与智能处理重点实验室，西安710121

1 引言

结肠癌是世界范围内发病率最高的三大癌症之一，也是导致癌症死亡的常见病因。2012年，国际癌症研究机构在全世界登记了1 370 600 例新病例和693 900例死亡病历[1]。当疾病发展到晚期时，结肠癌的5年生存率低于7%，但在早期诊断的病例中，如果治疗成功，其5 年生存率就会提高到90%以上[2]。结肠癌早期筛查的黄金标准就是使用结肠镜检测肠道中的息肉[3]，每提升1%的息肉检出率，肠癌发病率将会降低3%[4]。在传统的息肉检测方法中需要操作者达到高度的手眼协调，尽管如此，还是会有25%的息肉在视频检查中被漏检[5]。因此，采用计算机辅助诊断系统来降低息肉漏检率就显得尤为重要。

结肠镜下的息肉自动检测方法有很多，大致可以分为两类：基于纹理、颜色的方法以及基于形状的方法[6]。文献[7]提出一种基于纹理检测肠道息肉的方法，使用窗谷堆积中值深度（window median depth of valleys accumulation，WM-DOVA）能量图来获得与息肉相关的连续边界，进而定位息肉区域。文献[8]基于息肉的形状，采用主成分追踪的方法对图像进行低秩稀疏分解，再通过Chan-Vese算法对息肉图像进行分割。总的来说，这两类方法无法同时将息肉区域包含的所有特征进行有效结合，只是单一地考虑特征的一部分，会导致分割结果存在一定的局限性。

随着计算机技术的发展，深度学习技术已被成功地应用于结肠镜视频中的息肉检测。……