面向共聚焦激光显微内镜数据的早期胃癌智能辅助诊断方法研究.pdf

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2

1.2.1基于深度学习的辅助诊疗2

1.2.2基于深度学习的医疗图像语义分割3

1.2.3基于深度学习的医疗视频分类4

1.2.4医疗信息管理系统5

1.2.5存在问题6

1.3研究内容和创新点6

1.4论文结构8

第二章基于改进U-net的共聚焦激光显微内镜杯状细胞语义分割方法11

2.1引言11

2.2数据集11

2.3方法13

2.3.1基于改进U-net的共聚焦激光显微内镜杯状细胞语义分割模型13

2.3.2像素梯度特征提取模块14

2.3.3损失函数16

2.3.4算法描述17

2.4实验和讨论17

2.4.1评价指标17

2.4.2实验细节18

2.4.3实验结果19

2.4.4讨论20

2.5本章小结22

第三章结合内窥镜视频的共聚焦激光显微内镜检测部位识别方法23

3.1引言23

3.2材料25

3.3方法25

3.3.1方法概述25

3.3.2共聚焦激光显微内镜检测部位识别模型26

3.3.3损失函数31

3.3.4算法描述32

3.4实验和讨论33

3.4.1实验细节33

3.4.2实验结果33

3.4.3讨论34

3.5本章小结36

第四章面向共聚焦激光显微内镜的临床诊断数据管理系统38

4.1引言38

4.2需求分析38

4.3系统设计39

4.3.1系统架构39

4.3.2功能模块设计40

4.3.3数据管理40

4.3.4杯状细胞语义分割41

4.3.5数据库设计42

4.4系统实现43

4.4.1系统框架43

4.4.2开发工具44

4.4.3功能实现44

4.5系统测试50

4.6本章小结53

第五章总结与展望54

5.1总结54

5.2展望55

参考文献56

攻读硕士学位期间的主要成果64

致谢65

摘要

胃癌严重威胁着人类的生命健康，已经成为第三大癌症致死率病因以及第五大新增

病例。研究证明，早期发现及治疗是减少胃癌发病率，提高患者生存率的关键。其中，

胃黏膜肠上皮化生（GastricIntestinalMetaplasia，GIM）是Correa序列中胃癌发生的中间

步骤，被视为是重要的癌前病变。早先胃黏膜肠上皮化生的诊断主要依赖于观察染色后

的组织结构，缺乏细胞层次的微观数据。随着数字影像近十年的飞速发展，研究者将共

聚焦显微技术应用到临床诊疗中，研发了共聚焦激光显微内镜（ConfocalLaser

Endomicroscopy，CLE），能够从微观层面反应病情严重程度。作为一种新型诊断工具，

共聚焦激光显微内镜能更为细致地分析病情变化，做出更为精确的病情评估。

在胃黏膜肠上皮化生领域，共聚焦激光显微内镜临床诊断时间长，同区域下包含信

息更为丰富，给医生临床诊断带来了困难。同时，受限于成像技术，仅通过共聚焦激光

显微内镜无法识别检测部位，进一步加大了漏诊的风险。为了解决上述问题，论文将人

工智能技术引入到共聚焦激光显微内镜临床诊疗中，提出了基于改进U-net的杯状细胞语

义分割方法、共聚焦激光显微内镜检测部位识别方法并研发了临床数据管理系统。主要

研究内容如下：

（1）针对临床共聚焦激光显微内镜图像中杯状细胞区域难以分割的问题，提出了基

于改进U-net的杯状细胞语义分割方法。方法将特征提取融入U-net模型的同层链接，并

利用得到的特征图引导模型上采样。最后，方法基于模型的输出计算概率图，并生成最

终的分割结果。实验