基于改进SSD算法的胃部息肉图像检测

针对胃部内窥镜图像中的小尺度息肉检测精度不高的问题,提出了一种改进的SSD(Single Shot Multi Box Detector)算法。首先在SSD网络的池化层设计最大池化Dropout,使神经元稀疏化,然后在反向传播求损失函数梯度时,引入基于权重衰减的正则化技术以降低模型的复杂度,最后通过反卷积进行特征融合,使图像特征得以充分利用,解决内窥镜图像中小尺度物体检测不足的问题。实验表明,所提出的方法对胃部息肉具有良好的检测效果,相对于传统SSD算法,提高了5%的胃部息肉检测的平均精度(mAP)。

基于Mask R-CNN的胃肠息肉图像增强检测

对胃肠息肉图像进行检测,是医学影像识别中的一个重要部分,在胃肠息肉图像中检测不显著息肉和小目标息肉更是一个难点。为了提升胃肠息肉图像的检测率,减少对息肉病理的误判,提出了一种基于Mask R-CNN的胃肠息肉增强检测模型。模型网络结构上采用残差网络和特征金字塔网络对图像进行多尺度特征提取,在残差网络的卷积层中改进使用了可变形卷积以扩大模型的采样范围,采样后的特征图进一步输入区域候选网络中对息肉区域筛选。模型的预测输出部分设计了一个增强图像边缘强度的检测模块,通过滑动窗口二次检测的方式,增强对不显著息肉和小目标息肉的检测。模型能同时进行息肉图像检测和分割,并在Kvasir-SEG与CVC-ClinicDB两个息肉数据集上进行了验证,实验结果表明提出的方法能够在原有模型的基础上提升对息肉病灶的检测精确度和分割精确度,检测精确度分别达到了94.3%和98.6%,分割精确度分别达到了93.7%和98.7%,优于其他的对比模型。

改进YOLOv4框架的胃息肉检测

在计算机视觉的内窥胃部息肉检测中,高效提取小型息肉图像特征是设计深度学习的计算机视觉模型一个难点.针对该问题,提出了一种YOLOv4改进的YOLOv4-polyp检测模型.首先在YOLOv4的基础上,引入CBAM卷积注意力模块增强模型在复杂环境的特征提取能力;其次设计出轻量级CSPDarknet-49网络模型,在降低模型复杂度的同时提高检测精度和检测速度;最后根据胃息肉数据集的特点,采用K-means++聚类算法对胃息肉数据集进行聚类分析,得到优化后的锚框.实验对比结果表明,YOLOv4-polyp对于经典YOLOv4模型在保持检测速率不变的同时,在两个数据集中平均检测精度分别提升了5.21%和2.05%,表现出良好的检测性能.