最新结肠镜检查讲解学习

内镜学习心得2浅谈学习内镜的心得体会在宁夏医科大学附属医院为期三个月的进修学习已经结束了。

在此期间，我学到了很多东西，让原本对胃肠镜完全不了解的我，学习到了胃肠镜的清洗消毒、检查前后注意事项及配合医生做简单的内镜下治疗。

随着医疗技术的发展和进步，各种消化内镜在临床上的应用越来越广泛，为疾病的诊治与预防起到了积极的作用。

胃肠道疾病是常见病、多发病，很多人由于胃肠道不适而就诊，医生会根据病情让其做胃、肠镜检查，但是有些患者由于不了解该项检查的意义和重要性，思想恐惧、紧张、害羞，而不愿意做检查，甚至有的患者因此而延误了疾病的诊断和治疗。

目前，内镜技术得到了迅猛的发展和日益的成熟，消化内镜在消化系统疾病的诊治中起到了不可替代的检查作用，除了诊断性内镜外，许多消化系统疾病可经内镜下介入治疗起到根治目的，如消化息肉摘除，消化道异物和胆道结石的取出，还可经内镜介入治疗消化道良恶性狭窄，食管静脉曲张等；再者，随着人们健康意识的增强已经由原来对内镜的陌生和恐惧转向主动要求做胃肠镜的人群越来越多。

现将我进修时心得和大家共同分享：一、内镜检查前准备1、胃镜检查的禁忌症（1）精神失常不能合作者；（2）严重心肺功能不全或器质性病变者，如心力衰竭、严重心律失常、呼吸困难等；（3）可疑上消化道穿孔或穿孔的急性期；（4）咽喉部疾患内镜不能插入者；（5）胃、食管化学性烧伤的急性期；（6）脊柱严重畸形者。

2、注意事项：（1）检查当日必须空腹，禁食、禁饮6小时以上；（2）计划做无痛胃镜者需家属陪同；（3）若患者有心脏病、高血压病等相关疾病，请提前告知医务人员；患者检查前必须完善心电图检查；（4）检查后少数患者可能出现咽喉疼痛、腹痛、腹胀等不适，属于正常现象，严重者需到院观察；（5）若取胃粘膜活检或行息肉摘除术，可能出现少量出血，一般会自愈；若腹痛剧烈或出现解黑色粪便，必须立即到医院就诊；（6）普通胃镜检查后即可进食，建议清淡饮食，避免生、冷、硬及刺激性食物；无痛胃镜检查后1小时可饮水，2小时可清淡饮食，避免生、冷、硬及刺激性食物；取活检或息肉摘除者，2日（患者具体情况不同，限定天数可能不同，部分患者可能需短暂禁食）内建议半流质软食，避免生、冷、硬及刺激性食物；（7）行无痛胃镜检查患者，麻醉结束后3小时内需有人陪同，术后24小时禁止饮酒及从事危险性工作，如骑车、驾驶、高空作业或者进行精细工作等。

1 结肠镜单人操作法插入技术与技巧结肠镜单人操作法插入技术与技巧泊思德德寿周殿元结肠镜插入技术分为两种, 一是在我国广泛采用的双人操作法（two men method）；另一方法为单人操作法（one man method）；是由美国学者Waye [1] ,Shinya[2] 于七十年代后期先后创立的方法，也是近年来在国外被广泛采用的结肠镜检查技术。

这一方法在对患者进行结肠镜检查过程中，检查者为一个人，用其左手控制角度、送气/水、吸引，同时用右手插入及旋转镜，遵照不使肠管过度伸展的原则，通常是一边进行肠管的短缩化一边进行插入。

单人操作法历经20余年的实践, 不断改进并逐步完善了操作理论及技巧，操作方法已臻成熟。

随着结肠镜的结构、性能的不断改进，以及放大镜的临床应用，单人操作法的推广应用日显重要，其主要原因有二：（1）放大镜的应用要求操作更为精细，尤其是对微小病变的观察，要求术者具备高超的操作准确性，使镜头尽可能贴近病变，以观察病变的微细结构。

在这种技术的要求下，只有单人操作才有可能达到。

而双人操作则由于两人的配合难以十分准确, 所以很难达到精细观察的目的；（2）单人操作由于操作手感明确，可以避免粗暴动作，病人痛苦小,安全程度高。

由于上述原因，欧美国家早已全面推广；在***，80年代初在几位热心单人操作法先驱者的推广下,克服各种阻力[3], 目前近９５％的镜医师采用单人操作法。

在我国，尽管1982年美国学者Waye和***学者冈本平次（Shinya式单人操作法）先后来我国表演单人操作法；后来，迄今远未推广,仅有少数医院在应用。

但随着近年来国际及国镜会议上不断安排单人操作法示表演, 工藤進英又多次来华推广，广大镜医师已认识到单人操作法的优越性,推广单人操作法势在必行。

纵览Waye ,Shinya以及***学者的单人操作法，我们认为“轴保持短缩法”（改良Shinya操作法），易懂易学，因此，本章以工藤進英的《结肠镜插入法—从初学者到熟练者》[4]一书为蓝本，结合我们的实践体会[5]，介绍如下。

“结肠镜单人操作与技巧”学习笔记华人消化内镜论坛第二十四期—2016.12.22 19:00-22:00单人肠镜操作进阶培训，山西省肿瘤医院陈星教授、山西省人民医院马瑞军教授、中山大学附属第六医院李初俊教授做客华人消化内镜论坛QQ 群，就“结肠镜单人操作与技巧”进行授课及回答全国网友提问，子敬（广东省连州市人民医院潘新智）记录下部分语音摘要分享如下：华人消化内镜论坛吴梓雷主任：全国消化内镜同道，大家好，华人消化论坛团队经过近两个月的努力和调整，现在正式运行，我们正式推出我们的公众号，还有往期的回顾，也非常感谢富士公司为华人消化论坛提供的优秀的运行平台。

我们华人消化论坛强调学术交流的公益性、自愿性，所有内容不允许转变成商业用途，否则将会受到追究相关法律责任。

本期授课也可能将成为国内最大规模的肠镜操作技巧网络学术交流会。

下面把时间交给山西省人民医院马瑞军教授主持。

主持嘉宾马瑞军教授：山西省肿瘤医院陈星主任简介，中山大学附属第六医院李初俊主任简介。

陈星教授：各位在线的的消化科同仁，感谢大家给我这次网络学术交流的机会，平常在学术大会讲课多了，现在网络上进行授课还是首次，让我尝试一下华人消化论坛的魅力，感谢吴校梓雷主任团队，大家辛苦了。

本次授课内容是：结肠镜单人操作与技巧。

一、我原来是上海华东医院主治医师，后来到了日本广岛学习消化内镜等诊疗技术，一直在广岛大学内镜中心学习。

回国后来到了山西省人民医院，今年来到了山西省肿瘤医院内镜中心。

二、结肠镜操作法：分双人操作法和单人操作法。

双人操作存在的问题：成功率有待提高，患者痛苦大，漏诊率高，治疗的难度增加，穿孔等并发症高：0.5%，新技术运用困难。

三、世界首创的双气囊小肠镜、放大胃肠镜。

大肠镜可以观察很多的腺管开口，对我们的诊疗水平有了一个很大的飞越。

放在内镜下观察流程、结肠镜下的治疗等新技术的开展，跟单人结肠镜的技术是分不开的。

四、单人操作法的优点：患者痛苦小，成功率提高，漏诊率低，治疗难度降低，穿孔等并发症减少，如果达到4级的短缩法的技术是不可能引起穿孔的。

第41卷第3期2023年6月沈阳师范大学学报(自然科学版)J o u r n a l o f S h e n y a n g N o r m a lU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)V o l.41N o.3J u n.2023文章编号:16735862(2023)03027406基于深度学习的结肠息肉检测算法程立英,刘祖琛,谷利茹,江龙涛,王晓伟,王玉莲(沈阳师范大学物理科学与技术学院,沈阳110034)摘要:近年来,受结肠疾病困扰的人群数量不断增加,由于诊断不及时,结肠疾病容易演变成结肠癌,严重威胁患者的生命健康㊂结肠息肉是结肠癌在患者体内的前期表征,通过结肠镜及时准确地检测结肠息肉并进行干预可以降低结肠癌发生的概率㊂目前,深度学习在医学图像处理领域应用广泛,在结肠镜图像息肉检测中应用深度学习技术,可以帮助医生进行精确诊断㊂针对传统方法在肠息肉检测中因息肉成像差异大㊁肠息肉类型多样等存在假阳性高的问题,利用U-n e t++网络对结肠息肉进行检测,提出一种引入注意力机制的U-n e t++改进模型,采用端到端的结构,并针对不同网络进行实验研究,对不同网络模型在结肠息肉检测结果进行精度和损失度对比分析㊂经过实验验证,引入注意力机制的U-n e t++改进网络模型能够快速精确地检测结肠息肉,可以更好地辅助医生进行临床决策和干预,具有重要的研究意义和临床应用价值㊂关键词:深度学习;肠息肉检测;注意力机制;U-n e t++网络中图分类号:T P391.41;R816.41文献标志码:Ad o i:10.3969/j.i s s n.16735862.2023.03.016C o l o n p o l y p d e t e c t i o na l g o r i t h mb a s e do nd e e p l e a r n i n gC H E N GL i y i n g,L I U Z u c h e n,G U L i r u,J I A N G L o n g t a o,WA N G X i a o w e i,WA N GY u l i a n(C o l l e g e o f P h y s i c a l S c i e n c e a n dT e c h n o l o g y,S h e n y a n g N o r m a lU n i v e r s i t y,S h e n y a n g110034,C h i n a)A b s t r a c t:I n r e c e n t y e a r s,t h e r eh a sb e e na n i n c r e a s e i nt h en u m b e ro f p e o p l ea f f e c t e db y c o l o nd i se a s e.B e c a u s e t h e d i a g n o s i s i sn o t t i m e l y,t h e c o l o nd i s e a s e i se a s y t oe v o l v e i n t oc o l o nc a n c e r,a n dt h el i f e a n d h e a l t h o f p a t i e n t s w i l lb e s e r i o u s l y t h r e a t e n e d.C o l o n p o l y p i s t h e e a r l ym a n i f e s t a t i o no f c o l o n c a n c e r i n p a t i e n t s,a n d c o l o n e n d o s c o p y i s t h em o s t e f f e c t i v em e a n s t od e t e c tc o l o n p o l y p.A t p r e s e n t,de e p l e a r n i n g s t a n d so u t i nt h ef i e l do fm e d i c a l i m ag e p r o c e s s i n g.Th ea p p l i c a t i o no fd e e p l e a r n i n g t e c h n o l o g y i nc o l o n o s c o p y p o l y p d e t e c t i o n c a n h e l p d o c t o r s m a k ea c c u r a t e d i a g n o s i s.I nv i e wo f t h e p r ob l e m so fh i g hf a l s e p o s i t i v e s i n i n t e s t i n a l p o l y p d e t ec t i o nb yt r a d i t i o n a l m e t h o d s d u et ol a r g ei m a g i n g d i f f e r e n c e s a n d d i v e r s e t y p e s o fi n t e s t i n a l p o l y p s, U-n e t++n e t w o r k h a sb e e n u s e dt o d e t e c tc o l o n p o l y p s,a n da ni m p r o v e d U-n e t++m o d e li n t r o d u c i n g a t t e n t i o nm e c h a n i s m w a s p r o p o s e d,w h i c ha d o p t e de n d-t o-e n ds t r u c t u r e a n dc o n d u c t e de x p e r i m e n t a l s t u d i e s o nd if f e r e n t n e t w o r k s.T h e p r e c i s i o na n d l o s sd eg r e eo f c o l o n p o l y p d e t e c t i o nh a v eb e e n c o m p a r e d w i t h d i f f e r e n t n e t w o r k m o d e l s.T h r o u g h e x p e r i m e n t a l v e r i f i c a t i o n,t h ei m p r o v e dU-n e t++n e t w o r km o d e l i n t r o d u c e db y a t t e n t i o n m e c h a n i s mc a n q u i c k l y a n da c c u r a t e l yd e t e c t c o l o n p o l y p s,w h i c hc a nb e t t e ra s s i s td o c t o r s i nc l i n i c a ld e c i s i o n-m a k i n g a n di n t e r v e n t i o n,a n dh a s i m p o r t a n t r e s e a r c hs i g n i f i c a n c e a n d c l i n i c a l a p p l i c a t i o nv a l u e.K e y w o r d s:d e e p l e a r n i n g;c o l o n p o l y p d e t e c t i o n;a t t e n t i o nm e c h a n i s m;U-n e t++n e t w o r k收稿日期:20220607基金项目:国家自然科学基金资助项目(61971118);辽宁省教育厅科学研究经费项目(L Z D202003)㊂作者简介:程立英(1976 ),女,河北衡水人,沈阳师范大学副教授,硕士㊂结直肠癌是源于结直肠黏膜上皮的恶性肿瘤,是临床上最常见的恶性肿瘤之一[1]㊂目前世界各国结直肠癌发病率和死亡率逐渐增加,根据2019年国家癌症中心发布的全国癌症统计数据,结直肠癌在我国十大最常见癌症中排名第3,仅次于肺癌和胃癌[2]㊂对结直肠癌患者采取有效手段进行早期诊断和治疗有助于提高患者的生存率㊂结直肠癌在早期的表现通常为息肉,结肠镜检查也是结直肠癌筛查的金标准㊂目前防止结直肠癌的有效方法是患者通过结肠镜筛查并进行必要的肠息肉摘除[3]㊂因此,提前发现息肉并在息肉转化为癌细胞前将其摘除尤为重要㊂结肠镜筛查主要依赖医生临床经验,仅依靠医生主观诊断仍可能有息肉漏检的概率㊂采用计算机智能分析辅助医生结肠镜筛查是提高息肉检出率㊁降低漏检率的有效手段[2]㊂现有的息肉检测算法取得了一定的研究成果,但依旧会出现检测精度较低㊁速度慢㊁假阳性率高等问题[4]㊂本文利用深度学习的方法可以准确㊁高效地对结肠镜图像进行处理,检测图像中是否存在息肉,并对检测到的息肉进行有效提取,以解决息肉外观高变异性造成的假阳性率高的问题㊂1 结肠息肉智能检测技术结肠息肉是一种结肠表面的突起,从扁平到有蒂,以不同的形状出现㊂当扁平息肉通过其基部附着在结肠壁上时,带蒂的息肉附着在茎上㊂结肠息肉分为炎性息肉㊁增生性息肉和腺瘤性息肉㊂腺瘤性息肉是结直肠癌的癌前病变,通过结肠镜检查可以发现腺瘤性息肉,但由于其在内镜检查过程中不敏感,很难仅从外观上区分结肠息肉的类型㊂如图1所示,是从不同的结肠镜检查视频中提取出的8个不同的结肠息肉实例㊂图1 来自C V C -C l i n i c D B 的8个不同的息肉实例F i g .1 E i g h t d i f f e r e n t p o l y pi n s t a n c e s f r o mC V C -C l i n i c D B 传统机器学习算法已被应用于结肠镜图像智能分析㊂Y u a n 等[5]将自下而上与自上而下机制结合的显著性检测算法用于息肉区域自动识别;T a jb a k h s h 等[6]利用形状和上下文信息在结肠镜图像序列中进行智能检测㊂传统算法需要根据息肉特征人为进行特征设计,并制定某种规则或者利用分类器检测息肉㊂人为特征设计的依据主要来自医生的经验,受息肉极大差异性㊁医生阅历和主观性的影响,人为特征设计难以准确适应检测工作㊂近年来,深度学习技术在图像检测㊁医学图像处理等多个领域中表现出了远超传统检测方法的性能[7]㊂将卷积神经网络引入结肠镜图像目标识别,辅助医生尽早发现并对息肉进行及时处理,可以大大降低肠息肉癌变的概率[8]㊂Y u a n 等[9]将旋转不变性和图像相似度引入算法,提出了用于内窥镜图像识别的R I I S -D e n s e N e t 网络;F a n g 等[10]将边缘信息引入算法,将网络分为区域提取和边缘提取2大分支,通过分支网络信息交互进行肠息肉信息的提取,但由于肠息肉成像差异大㊁息肉类型多样等导致检测结果假阳性高㊂本文针对以上问题,利用U -n e t ++网络对结肠镜图像中结肠息肉进行检测,提出一种引入注意力机制的U -n e t ++改进模型,采用端到端的结构,并针对不同网络进行实验研究,对各种网络模型在结肠息肉检测结果进行精度和损失度对比分析㊂经过实验验证,引入注意力机制的U -n e t ++改进网络模型能够快速精确地检测结肠息肉,可以更好地辅助医生进行临床决策和干预,具有重要的研究意义和临床应用价值㊂572第3期 程立英,等:基于深度学习的结肠息肉检测算法2 基于U -n e t ++网络的肠息肉识别算法2.1 U -n e t ++网络的基本原理在传统的U -n e t 网络中,跳跃连接(S k i p co n n e c t i o n )是一种利用特征拼接提高神经网络性能的方法,使用该技术在一定程度上可以将粗细粒度的特征进行融合,但是融合之后会产生语义鸿沟的问题[11]㊂为了解决跳跃连接引起的语义鸿沟,提出了如图2所示的U -n e t ++网络架构㊂在图2中,最外侧一层是原始的U -n e t 网络,中间圆圈部分均表示在跳跃连接上的密集卷积块,每个圆圈都代表2个连续的卷积操作,上方表示深监督(d e e p s u pe r v i s i o n )[11]㊂该架构是一种基于嵌套密集跳跃连接的分割体系结构,它将多个不同层次的U 型网络集合起来,使整个架构可以在不同的层次分别提取图像各自层次的特征,再将这些不同层次的特征结合在一起[12]㊂它是一种不受跳接限制的新型分割体系结构,该结构将跳转连接设计在集成编解码器网络的高分辨率功能图和解码器网络相应语义丰富的功能图之前,这样的设计减少了编码和代码子网络的功能图之间的间隔[13]㊂在丰富模型时,该模型可以在解码器和编码器网络的功能映射中有效捕捉前景对象的细节,随着网络层数的增加,提取到的图像信息更加精确㊂图2 U -n e t ++网络结构图F i g.2 U -n e t ++n e t w o r ka r c h i t e c t u r e 图3 S E 模块F i g.3 S Em o d u l e 2.2 注意力机制注意力机制(a t t e n t i o nm e c h a n i s m )于20世纪90年代被科学家研究发现并被作为一种信号处理机制应用到视觉研究中,如今已被引入人工智能领域并取得了很大的成功[14]㊂注意力机制源于人脑和人眼的感知机制,在深度学习任务中可以解释为从大量信息中筛选出需要重点关注的信息,表现为对数据进行加权变换,并对需要关注的部分赋予高权重[12]㊂注意力机制模块(S E 模块)主要由S q u e e z e 和E x c i t a t i o n 2个操作构成,见图3㊂目前,已有一些学者将注意力机制嵌入编码解码的网络结构中㊂O k t a y等[15]在U -n e t 的跳跃连接上嵌入了注意力机制,用以突出跳跃传递过程中的显著特征;对W a n g 等[16]在编码器与解码器连接的最后一层中间的b o t t l e n e c k处,嵌入了4个不同的S E 模块用以对最具特征的语义信息进行编码㊂以上672沈阳师范大学学报(自然科学版) 第41卷研究均证明,在U 型网络结构上嵌入注意力机制可以有效地提升网络性能,提高分割精度㊂2.3 引入注意力机制的U -n e t ++改进网络模型在医学图像病灶检测研究中,许多基于U -n e t 结构的改进算法都取得了良好的效果[8]㊂U -n e t 的U 型结构及跳跃连接,可以学习到图像中低层次与高层次之间的信息并进行整合,在小数据集上也可以取得很好的效果,因而U -n e t 的结构成为医学图像分割任务的首选[12]㊂但是将U -n e t 直接应用于结肠息肉的检测,跳跃连接过长会造成编码和解码之间的信息损失,U -n e t ++的密集嵌套连接解决了信息损失的问题㊂由于编码解码的网络结构是一个注意力较为分散的模型,在网络解码的过程中所有输入通道的权重都是相同的,不能给予需要分割的目标区域重点关注[11]㊂因此,本文通过引入注意力机制,对U -n e t ++网络进行改进,使得模型更加专注于待分割图像的关键区域,改进后的网络结构如图4所示㊂图4 结合注意力机制改进的U -n e t ++结构图F i g .4 I m p r o v e dU -n e t ++s t r u c t u r ed i a gr a mc o m b i n e dw i t ha t t e n t i o nm e c h a n i s m 3 实验结果和分析本文深度学习网络算法主要采用P y t h o n 3.7语言编程,在P y C h a r mC o mm u n i t y Ed i t i o n 2020.2.3x 64平台下运行,实验配置电脑为64位W i n d o w s 10操作系统,处理器为I n te l (R )C o r e (T M )i 7-8750UC P U @2.70G H z ㊂本文利用相似程度(d i c e s i m i l a r i t yi n d e x ,D S I )㊁召回率(r e c a l l )㊁错误率(v o l u m e t r i c o v e r l a p er r o r ,V O E )和相对体积差异(r e l a t i v ev o l u m ed i f f e r e n c e ,R V D )4个指标对不同网络模型实验结果进行评价㊂进行息肉检测的数据来自开源数据集E T I S 中1200张结肠息肉图像,选取600张图像作为训练数据,其余600张图像作为测试数据㊂利用U -n e t ++和引入注意力机制改进后的U -n e t ++网络分别进行25轮㊁60轮和100轮的模型训练,模型训练统一轮数和每轮步数,即e p o c h s =1,s t e p s _p e r _e po c h =300㊂3.1 U -n e t ++实验结果表1为U -n e t ++模型的实验数据,表示相同肠息肉数据集分别在U -n e t ++模型运行25轮㊁60轮和100轮数下的训练结果㊂表1 U -n e t ++模型不同训练轮数的实验数据T a b l e1 D a t a f o r t h eU -n e t ++m o d e l o f d i f f e r e n t e po c h s U -n e t ++模型轮数25轮60轮100轮E p o c h s 300300300T o t a l pa r a m s 904160190416019041601T r a i n ab l e pa r a m s 904160190416019041601E T A 6.35h 15h 41.67h L O S S0.265950.657850.18555A C C 0.92220.94060.9474772第3期 程立英,等:基于深度学习的结肠息肉检测算法表1的数据表明,在U -n e t ++模型中设置步长为300,其他条件不变时,训练的轮数越多,所需时间(E T A )就越长,损失精度(L O S S )越低,准确精度(A C C )越高㊂经验证,当训练轮数达到100轮以上时,息肉图像会被误分割为背景,出现明显的过分割现象,影响最终的分割效果㊂3.2 引入注意力机制改进的U -n e t ++实验结果表2为改进后U -n e t ++模型的数据,表示该模型分别在25轮㊁60轮㊁100轮数下进行训练的结果㊂表2 改进后U -n e t ++模型不同训练轮数的实验数据T a b l e2 D a t a f o r t h e i m p r o v e dU -n e t ++m o d e l o f d i f f e r e n t e po c h s 改进的模型改进后模型25轮改进后模型60轮改进后模型100轮E p o c h s 300300300T o t a l pa r a m s 904160190416019041601T r a i n ab l e p a r a m s904160190416019041601E T A 5.2h 13.4h 37.86h L O S S0.243720.532760.17469A C C0.92560.95280.9601 从表2改进后U -n e t ++模型的评估参数可以看出,参量总数(t o t a l pa r a m s )和训练总数(t r a i n ab l e pa r a m s )不变㊂在其他条件相同的情况下,引入注意力机制改进后的U -n e t ++模型与U -n e t ++模型相比,检测任务的训练时间(E T A )更短,损失度(L O S S )更小,精度(A C C )更高㊂3.3 基于深度学习的结肠息肉检测结果及分析本节从600张结肠息肉测试图像中选取第71到88张图像作为示例,设置模型统一轮数e po c h s 为100,每轮步数为300㊂图5为U -n e t ++网络和改进后的U -n e t ++网络对E T I S 数据集中结肠息肉图像经过100轮训练后的分割结果示例㊂(a )U -n e t ++分割结果(b )改进后的U -n e t ++分割结果图5 分割结果示例F i g .5 S e g m e n t a t i o n r e s u l t e x a m pl e 从图5的分割结果中可以看出,在相同运行环境㊁均训练100轮的条件下,图5(b )的结果表明引入注意力机制改进后的U -n e t ++网络模型对于结肠息肉检测任务的分割效果更好㊂表3直观地利用4个指标数据评估了深度学习的U -n e t ++网络模型和本文提出的引入注意力机制改进的U -n e t ++网络模型在结肠息肉数据集检测任务上的性能指标㊂表3 改进前后模型的评估参数T a b l e3 E v a l u a t i o n p a r a m e t e r s o f t h em o d e l b e f o r ea n da f t e r i m p r o v e m e n t 模 型D S IV O ER V DR e c a l lU -n e t ++0.18670.01020.01240.01672本文改进的U -n e t ++0.20130.00680.01150.02036对表3中各个网络实验结果的数据进行比较可以看出,引入注意力机制改进的U -n e t ++模型网络相对U -n e t ++网络,相似程度(D S I )提升了0.0146,模型的错误率(V O E )降低了0.0034,相对体积差异(R V D )降低了0.0009,召回率(R e c a l l )提升了0.00364㊂实验数据表明,引入注意力机制改进了872沈阳师范大学学报(自然科学版) 第41卷U -n e t ++模型,提高了结肠息肉检测准确性㊂4 结 语本文基于深度学习算法,结合结肠息肉特征和不同网络的优点和局限性,通过对U -n e t ++网络在结肠息肉检测任务实验分析,引入注意力机制对U -n e t ++网络进行改进㊂经过实验验证,本文构建出一种性能优于以往且分割效果更好的网络模型,提高了对结肠镜息肉的检测精度,减少了图像损失度,从而达到快速准确检测结肠息肉的效果,对预防和诊断结肠癌具有重要的临床应用意义㊂参考文献:[1]郑莹,王泽洲.全球结直肠癌流行数据解读[J ].中华流行病学杂志,2021,42(1):149152.[2]董煦,胡珂立,洪方雨.基于卷积神经网络的结肠镜图像息肉识别[J ].绍兴文理学院学报(自然科学),2022,42(4):4752.[3]黄佩云,王凯妮,何晓璞,等.基于卷积神经网络的肠息肉分类方法的初步研究[J ].胃肠病学和肝病学杂志,2021,30(3):336340.[4]张笑.基于深度学习的结肠镜息肉检测方法研究[D ].哈尔滨:哈尔滨工业大学,2019.[5]Y U A NYX ,L I D W ,M E N G M Q H.A u t o m a t i c p o l y p d e t e c t i o n v i a a n o v e l u n i f i e d b o t t o m -u p a n d t o p -d o w n s a l i e n c y a p p r o a c h [J ].I E E EJB i o m e cH e a l t h ,2018,22(4):12501260.[6]T A J B A K H S HN N M ,G U R U D U SR ,L I A N GJ M.A u t o m a t e d p o l y p d e t e c t i o n i nc o l o n o s c o p y v i d e o su s i n g s h a p e a n d c o n t e x t i n f o r m a t i o n [J ].I E E ET r a n sM e d I m a g i n g,2016,35(2):630644.[7]T A N WJ ,L I U P ,L IX S ,e ta l .S e g m e n t a t i o no f l u n g a i r w a y sb a s e do nd e e p l e a r n i n g m e t h o d s [J ].I E TI m a g e P r o c e s s ,2022,16(5):14441456.[8]朱兴旺,严俊,何英丽,等.基于深度学习的人工智能技术在结直肠息肉性质鉴别中的应用[J ].世界华人消化杂志,2021,29(20):12011206.[9]Y U A N Y X ,Q I N W J ,I B R A G I MO V B ,e t a l .R I I S -D e n s e N e t :R o t a t i o n -i n v a r i a n t a n d i m a g es i m i l a r i t y c o n s t r a i n e d d e n s e l y c o n n e c t e d c o n v o l u t i o n a ln e t w o r kf o r p o l y p d e t e c t i o n [C ]ʊI n t e r n a t i o n a l C o n f e r e n c e o n M e d i c a lI m a ge C o m p u t i n g a n dC o m p u t e r -A s s i s t e d I n t e r v e n t i o n .L e e d s :S p r i n g e r ,2018:620628.[10]F A N G Y Q ,Z HU D L ,Y A O J H ,e ta l .A B C -N e t :A r e a b o u n d a r y c o n s t r a i n tn e t w o r k w i t h d y n a m i c a lf e a t u r e s e l e c t i o n f o r c o l o r e c t a l p o l y p s e gm e n t a t i o n [J ].I E E ES E N SJ ,2021,21(10):1179911809.[11]刘然,刘建霞,王海翼.改进U -n e t ++的青光眼视盘视杯分割方法[J ].电子设计工程,2023,31(1):2733.[12]程立英,王晓伟,刘祖琛,等.基于深度学习的C T 图像肺气管分割[J ].沈阳师范大学学报(自然科学版),2022,40(6):558564.[13]刘佳伟,刘巧红,李晓欧,等.一种改进的双U 型网络的结肠息肉分割方法[J ].光学学报,2021,41(18):7280.[14]张志玮,叶曦,程维东,等.基于多层次自注意力机制的U -N e t 图像分割算法[J ].江汉大学学报(自然科学版),2023,51(1):7988.[15]O K T A Y O ,S C H L E M P E RJ ,F O L G O CLL ,e t a l .A t t e n t i o nU -n e t :L e a r n i n g w h e r e t o l o o k f o r t h e p a n c r e a s [C ]ʊI E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n (C V P R ).L e e d s :S p r i n ge r ,2018:278286.[16]WA N GC Y ,H E Y ,L I U Y F ,e ta l .S c l e r a S e g N e t :A ni m pr o v e d U -n e tm o d e lw i t ha t t e n t i o nf o ra c c u r a t es c l e r a s e g m e n t a t i o n [C ]ʊI n t e r n a t i o n a l C o n f e r e n c e o nB i o m e t r i c s (I C B ).L e e d s :S p r i n ge r ,2019:18.972第3期 程立英,等:基于深度学习的结肠息肉检测算法。