基于形变神经网络的肠化生分级与胃癌风险评估方法.pdfVIP

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景和意义1

1.2研究现状1

1.2.1基于CNN的肠胃疾病研究现状1

1.2.2基于Transformer的肠胃疾病研究现状2

1.2.3基于肠化生的胃癌风险评估研究现状3

1.3研究内容与创新点4

1.4论文组织结构5

第二章基于颜色引导的形变卷积网络对肠化生严重程度分级方法7

2.1引言7

2.2方法8

2.2.1基于颜色信息的疑似病变区域获取9

2.2.2基于疑似病变区域的偏移量生成11

2.2.3基于形变卷积的特征提取与分级12

2.3实验结果与分析13

2.3.1数据与预处理13

2.3.2评价指标14

2.3.3实验过程及结果分析15

2.4本章小结19

第三章基于Token融合的形变Transformer网络对肠化生严重程度分级方法20

3.1引言20

3.2方法21

3.2.1Transformer中Block的设计22

3.2.2Token匹配算法23

3.2.3Token融合算法26

3.3实验结果与分析27

3.3.1数据与评价指标27

3.3.2实验过程及结果分析28

3.4本章小结33

第四章基于通道注意力机制的残差网络对胃部部位识别方法34

4.1引言34

4.2方法35

4.2.1残差网络原理35

4.2.2基于通道注意力机制的残差网络36

4.3实验结果与分析38

4.3.1数据与预处理38

4.3.2实施细节与评价指标39

4.3.3实验过程及结果分析39

4.4本章小结41

第五章基于形变神经网络的胃癌风险评估方法42

5.1引言42

5.2方法42

5.2.1方法概述43

5.2.2算法描述43

5.3测试与临床验证45

5.4系统设计与实现46

5.5本章小结48

第六章总结和展望49

6.1全文总结49

6.2未来工作展望50

参考文献51

攻读硕士学位期间的主要成果54

致谢55

摘要

胃癌是全球发病率第五、病死率第四的恶性肿瘤，而肠化生作为一种常见的癌前状态，

与胃癌发生密切相关。研究表明，肠化生患者5年累积胃癌发病率为5.3%至9.8%。最近，研

究人员提出一种使用图像增强内窥镜的电子染色模式对胃窦、胃角、胃体进行内镜评估的

胃镜下胃肠化生分级（EGGIM）方法。当EGGIM评分≥5分时，对于经过组织学验证的广

泛性肠化生患者，该方法能够实现高达98%的诊断准确率。然而，对于经验较少的内镜医

师，EGGIM与组织学的相关性并没有那么强。

近年来，深度学习已成为解决许多问题的首选方法，它使机器能够分析各种图像并提

取相应的特征。尽管内镜下基于深度学习的肠化生诊断已取得了不错的成果，但所有基于

深度学习的方法均只能做出有无肠化的内镜诊断，而无法根据肠化生的严重程度进行分级

进而对胃癌风险进行提示。论文使用形变思想，分别基于卷积神经网络和Transformer网