基于YOLO算法和ResNet深度卷积神经网络的结直肠息肉检测（含视频）

摘要

目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络（deep convolutional neural network,DCNN）模型,并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集（数据集1、3、4）,另以公共数据集CVC-ClinicDB（由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成）作为数据集2。数据集1（2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张）用于DCNN模型构建、训练与验证;数据集2和数据集3（2019年1—3月的肠息肉图像320张,无息肉图像400张）用于DCNN模型在图像中的测试;数据集4（2018年12月肠镜视频15个,包含33个息肉）,用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果 DCNN模型在数据集2中检测肠息肉的敏感度为93.19%（602/646）;在数据集3中检测肠息肉的准确率为95.00%（684/720）,敏感度为98.13%（314/320）,特异度为92.50%（370/400）,假阳性率为7.50%（30/400）;在数据集4中检测息肉逐息肉个数的敏感度为100.00%（33/33）,逐帧准确率为96.29%（133 840/138 998）,逐帧敏感度为90.24%（4 066/4 506）,逐帧特异度为96.49%（129 774/134 492）,逐帧假阳性率为3.51%（4 718/134 492）。结论构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。