【技术实现步骤摘要】
本专利技术属于医学图像识别技术和深度学习，具体涉及一种基于改进yolov7模型的结直肠息肉检测与分类方法。
技术介绍
1、结直肠息肉是指在结肠内壁上形成的小型突起物或肿块，这些突起通常是由于结肠内黏膜层的异常增生引起的。结直肠息肉通常是良性的，但有时可能会发展成癌症。我国结直肠癌发生率及死亡率逐渐增加，极大地危害我国国民健康，因此及早检测和治疗息肉对于预防结直肠癌的发生至关重要。
2、结直肠息肉的分类可以帮助医生评估结直肠息肉患者患癌的风险，一些类型的息肉，如腺瘤型息肉，与结直肠癌的发展有一定的关联，及早切除可以降低结直肠癌的发生风险。
3、在临床中，肠镜检查是最为常用的结直肠癌筛查手段，医生通过观察结直肠壁表面的镜头来检测息肉、肿块或其他异常。对于高危人群，特别是对于腺瘤性息肉的发现并进行切除，肠镜检查被认为是预防结直肠癌高效的途径。然而，肠镜检查也面临着多种挑战，结直肠息肉的形态和颜色呈现出多样性，包括不规则形状、不同颜色和纹理，这种异质性使得对不同类型的息肉进行准确分类和识别变得复杂。
4、肠镜检查要求医生通过肉眼观察结直肠壁表面，然而，长时间的观察可能导致医生视觉疲劳，进而增加错过小型息肉的风险。由于人工观察的主观性，漏诊和误诊的概率逐渐升高，尤其是对于小型和不典型的息肉。此外，一些息肉可能隐匿在结直肠壁的皱褶或其他复杂结构中，使得它们不易被发现。
5、面对肠镜检查中提高准确性和效率的迫切需求，深度学习技术以及改进的检测模型变得至关重要。这些先进技术的应用有望克服医生可能面
6、因此，本申请针对结直肠息肉检测与分类的问题，提出了一种基于改进yolov7模型的结直肠息肉检测与分类方法。这一方法旨在协助医生在结直肠镜检查中更加准确地定位、识别和分类结直肠息肉。深度学习模型的运用不仅有望提高检测的速度和准确性，还能够降低医生的工作负担，减少漏诊和误诊的潜在风险。
技术实现思路
1、为了达到上述目的，本专利技术提供了一种基于改进yolov7模型的结直肠息肉检测与分类方法，包括一下步骤：
2、s1.获取结直肠息肉数据集；
3、s2.对结直肠息肉数据集进行数据预处理；
4、s3.改进yolov7模型，在yolov7的backbone网络中添加cbam注意力机制模块，组成elan-cbam模块，提高网络对结直肠息肉的重要特征的表示能力；
5、s4.将backbone网络中的最后一个elan模块中的普通卷积替换为可变核卷积akconv，组成elan-akconv模块，在提高模型性能的同时实现轻量化；
6、s5.将yolov7的head网络中的第一个repconv和最后一个repconv替换为coordconv，提高模型感知结直肠息肉位置信息的能力；
7、s6.将ciou损失函数替换为shape-iou损失函数，得到最终改进的yolov7模型；
8、s7.将步骤s2中获得的数据集输入到步骤s6获得的改进yolov7模型中，调整模型参数并进行训练；
9、s8.观察模型训练过程中的各项指标判断模型是否收敛，若训练至收敛，保存训练完成的结直肠息肉检测与分类模型，利用训练好的结直肠息肉检测和分类模型检测并输出结直肠息肉的类别和位置信息。
10、优选地，所述步骤s1获取的结直肠息肉数据集中的每幅图像都有一个与之同名的txt格式标签文件，标签文件中记录了息肉的类别和位置信息，第一个数字为“0”表示增生性息肉，第一个数字为“1”表示腺瘤性息肉，后面的四个数字分别表示该结直肠息肉的相对位置。
11、优选地，所述步骤s2对结直肠息肉数据集进行数据预处理，包括：
12、s21.按照yolo数据集格式，分别建立images和labels文件夹存放结直肠息肉图像和标注信息文件，并且将结直肠息肉图像按8：2的比例划分为训练集和验证集；
13、s22.对结直肠息肉图像进行随机旋转和翻转、随机色彩变换、添加噪声、mosaic数据增强操作。具体而言，随机旋转通过模拟不同角度下的结直肠息肉图像，使得模型更具鲁棒性，能够适应各种拍摄角度，从而增强了模型的性能；此外，翻转操作以水平和垂直方向改变结直肠息肉图像，引入了镜像变换，有助于模型学习不同方向上的特征，提升了模型的学习能力；随机色彩变换通过调整结直肠息肉图像的亮度、对比度和饱和度，模拟了不同光照条件下的图像，使得模型更好地适应各种环境下拍摄的结直肠息肉图像，这样的变换有助于提升模型对于光照变化的鲁棒性，增加了其泛化能力；mosaic数据增强操作则将多个不同的结直肠息肉图像合并成一个图像，使得模型能够同时学习多个场景和结构，从而提高了对复杂结直肠息肉图像的处理能力；通过这种综合学习，模型可以更好地捕捉图像中的上下文信息，有效提高了对于多样性场景的适应性。
14、优选地，所述步骤s3改进yolov7模型包括：在yolov7的backbone网络中添加cbam注意力机制模块，提高网络对结直肠息肉图像重要特征的表示能力，所述添加cbam注意力机制模块指的是将cbam注意力机制模块嵌入到backbone网络中的每一个elan模块末尾，使得每个elan模块的最后阶段更加有针对性地关注结直肠息肉图像的形状和边界特征，以增强网络对于这些特征的敏感性。
15、cbam注意力机制模块是一种结合了空间和通道的注意力机制模块。cbam注意力机制通过学习通道和空间上的权重，使得网络在处理特定通道和位置时能够更加聚焦于重结直肠息肉图像的不规则形状和轮廓信息；对于存在糜烂或溃疡的息肉，通道注意力可以帮助网络更好地理解图像中不同颜色和纹理的变化，提高检测准确性，所述cbam注意力机制包括：
16、s31.通道注意力模块，通道注意力模块将输入的特征图f′rh×w×c分别经过基于宽度和高度的平均池化和最大池化操作来聚合特征图的空间信息，得到平均池化特征和最大池化特征然后再将特征送入到一个共享的多层感知机mlp网络中，压缩输入特征图的空间维数，使用逐元素求和的方式合并输出的特征向量。
17、s32.空间注意力模块，其核心思想是利用特征之间的空间关系生成空间注意力图。空间注意力模块将通道注意力模块输出的特征图f′作为输入，然后在通道维度进行平均池化和最大池化操作，得到两个尺寸为h×w×1的特征图，然后将得到的两个特征图进行通道拼接，再经过一个7×7的卷积计算。
18、优选地，所述步骤s4包括：将backbone网络中的最后一个elan模块中的四个普通卷积替换为可变核卷积akconv，在提高模型性能的同时实现轻量化，本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S1中，获取结直肠息肉数据集，数据集中的每幅图像都有一个与之同名的txt格式标签文件，标签文件中记录了息肉的类别和位置信息，第一个数字为“0”表示增生性息肉，第一个数字为“1”表示腺瘤性息肉，后面的四个数字分别表示该结直肠息肉的相对位置。
3.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S2中，对结直肠息肉数据集进行数据预处理，包括：
4.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S3中，在YOLOv7的backbone网络中添加CBAM注意力机制模块，提高网络对重要特征的表示能力，所述CBAM注意力机制模块是一种结合了空间和通道的注意力机制模块；CBAM注意力机制通过学习通道和空间上的权重，使得网络在处理特定通道和位置时能够更加聚焦于重要的信息，所述CBAM注意力机
5.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S4中，将backbone网络中的最后一个ELAN模块中的四个普通卷积替换为可变核卷积AKConv，在提高模型性能的同时实现轻量化；传统卷积使用固定大小的卷积核，在处理不同尺度和位置上的特征时存在一定的限制，而AKConv引入了动态灵活的卷积核，允许卷积核具有任意数量的采样形状和参数，并且通过一种新的坐标生成算法为任意大小的卷积核定义了初始位置，更有利于处理不同尺度的目标；AKConv通过偏移量来调整每个位置的样本形状，有效适应各种形状的目标，提高特征提取的准确性；AKConv的卷积核参数量可以根据需要进行线性调整，从而减少模型复杂度。
6.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S5中，将YOLOv7的head网络中的第一个RepConv和最后一个RepConv替换为CoordConv，提高模型感知位置信息的能力，CoordConv就是在传统卷积的的输入特征图中添加两个通道分别表示x坐标和y坐标，使得模型在训练过程中增加空间感知能力，提高检测精度。
7.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S6中，将CIoU损失函数替换为Shape-IoU损失函数，Shape-IoU损失函数通过关注目标包围框本身的形状和规模来计算损失，有助于提高精度，Shape-IoU损失函数计算公式如下：
8.根据权利要求1所述的一种基于改进YOLOv7模型的结直肠息肉检测与分类方法，其特征在于，步骤S8中，观察模型训练过程中的各项指标判断模型是否收敛，其评价指标为准确度(Precision)、召回率(Recall)、交并比阈值为0.5下的平均检测精度(mAP@0.5)，交并比阈值为0.5至0.95下的平均检测精度(mAP@0.5:0.95)。
...【技术特征摘要】
1.一种基于改进yolov7模型的结直肠息肉检测与分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov7模型的结直肠息肉检测与分类方法，其特征在于，步骤s1中，获取结直肠息肉数据集，数据集中的每幅图像都有一个与之同名的txt格式标签文件，标签文件中记录了息肉的类别和位置信息，第一个数字为“0”表示增生性息肉，第一个数字为“1”表示腺瘤性息肉，后面的四个数字分别表示该结直肠息肉的相对位置。
3.根据权利要求1所述的一种基于改进yolov7模型的结直肠息肉检测与分类方法，其特征在于，步骤s2中，对结直肠息肉数据集进行数据预处理，包括：
4.根据权利要求1所述的一种基于改进yolov7模型的结直肠息肉检测与分类方法，其特征在于，步骤s3中，在yolov7的backbone网络中添加cbam注意力机制模块，提高网络对重要特征的表示能力，所述cbam注意力机制模块是一种结合了空间和通道的注意力机制模块；cbam注意力机制通过学习通道和空间上的权重，使得网络在处理特定通道和位置时能够更加聚焦于重要的信息，所述cbam注意力机制包括：
5.根据权利要求1所述的一种基于改进yolov7模型的结直肠息肉检测与分类方法，其特征在于，步骤s4中，将backbone网络中的最后一个elan模块中的四个普通卷积替换为可变核卷积akconv，在提高模型性能的同时实现轻量化；传统卷积使用固定大小的卷积核，在处理不同尺度和位置上的特征时存在一定的限制，而akconv引入了动态灵活...
【专利技术属性】
技术研发人员：谢钰丹，陈洪波，刘珊珊，方梓豪，高伟杰，陈虹任，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。