摘要
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。
出版日期
2020年09月15日（中国期刊网平台首次上网日期，不代表论文的发表时间）
