王 孟 张大斌 魏晓雍 张 晖 刘杰民

1(贵州大学机械工程学院 贵州 贵阳 550001)

2(贵州银行博士后流动站 贵州 贵阳 550001)

3(贵州省人民医院 贵州 贵阳 550001)

0 引 言

社会的快节奏发展下，人们日常生活饮食非常不规律和不健康，导致消化道疾病患病率长期以来居高不下。我国现已成为胃病大国[1-3]，每年新增胃癌50万例以上。传统消化道检测手段，如钡餐造影、胃镜和血清筛查等，存在辐射高、敏感度低和舒适性差等缺点。胶囊内镜(WCE)体积小且具备无线传输功能，能够通过肠胃蠕动实现整个消化道的拍摄，且患者无任何不适，因而得以应用。但每个患者所拍摄的图片多达5万幅，严重降低了医生审阅的效率，使其不能推广使用。

目前，不乏对WCE计算机辅助诊断的研究。传统机器视觉领域，研究者针对有差别的病灶分别设计了个性化特征检测算法。文献[4]利用局部二值模式和拉普拉斯金字塔进行溃疡多尺度特征提取，结合SVM分类器实现了95.11%的识别准确率。文献[5]丢弃了WCE亮度信息，借助SVM和多层感知器对颜色通道特征分类，并实现了小肠肿瘤全自动分割，该算法比小波和小曲率变换速度快了25倍。文献[6]对围绕单个像素的块定义了索引值，从索引值的直方图中提取颜色和纹理特征，结合主成分分析法检测消化道出血，准确率高达97.85%。深度学习领域的WCE诊断中，研究者通常采用经典神经网络进行迁移学习。文献[7]采用预训练的Alex Net训练上万幅WCE图片，检测溃疡和糜烂的准确率为95.16%和95.34%。文献[8]使用大型非医疗图像数据库对ResYOLO目标检测算法进行预训练，之后用结肠镜图像对参数微调，结合ECO跟踪器来整合WCE时间信息，对息肉检测准确率达到88.6%。……