(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221021319 9.0 (22)申请日 2022.03.04 (71)申请人 桂林医学院 地址 541000 广西壮 族自治区桂林市环城 北二路109号 申请人 广西中廪智工科技发展集团有限公 司 (72)发明人 莫春宝　李珽君　胡俊承　魏亚敏　 季子涵　唐专智　李清华　 (74)专利代理 机构 广西咕咕狗专利代理事务所 (普通合伙) 45137 专利代理师 宋倩 (51)Int.Cl. G06T 7/00(2017.01) G06V 20/40(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/73(2017.01) A61B 1/00(2006.01) A61B 1/04(2006.01) A61B 1/273(2006.01) (54)发明名称 一种基于YOLOV5的胃镜 息肉检测方法 (57)摘要 本发明属于医疗图像处理技术领域， 具体涉 及一种基于YOLOV5的胃镜息肉检测方法， 包括： 步骤一： 采集数据， 从胃镜检测视频中截取发现 息肉的图像帧作为样本， 并对样 本图像帧中的息 肉位置进行标注； 步骤二： 划分数据集， 将 采集并 做好标注的数据按4:1的比例随机分成训练集和 测试集； 步骤三： 采用划分好的训练集基于 YOLOV5的检测网络模型进行训练； 步骤四： 用测 试集测试模型效果， 检测模型是否符合工程指 标； 步骤五： 生成检测结果， 采用训练好的检测模 型对胃镜图像进行识别， 检测图像中是否存在息 肉。 本发明可 以解决医生在直接观察的过程中， 可能会因为疲劳或者经验不足忽略掉一些微小 的病变， 导致最终诊断不准确的情况发生的问 题， 具有较好的市场应用前 景。 权利要求书1页 说明书3页 附图1页 CN 114581408 A 2022.06.03 CN 114581408 A 1.一种基于 YOLOV5的胃镜 息肉检测方法， 其特 征在于， 包括以下步骤： 步骤一： 采集数据， 从胃镜检测视频中截取发现息肉的图像帧作为样本， 并对样本图像 帧中的息肉位置进行 标注； 步骤二： 划分数据集， 将采集并做好标注的数据按4:1的比例随机分成训练集和测试 集； 步骤三： 训练网络， 采用划分好的训练集基于 YOLOV5的检测网络模型进行训练； 步骤四： 测试网络效果， 用测试集测试模型效果， 检测模型是否符合工程指标； 若是则 结束训练， 否则修改网络参数重新训练； 步骤五： 生成检测结果， 采用训练好的检测模型对胃镜图像进行识别， 检测图像中是否 存在息肉。 2.根据权利 要求1所述的基于YOLOV5的胃镜息肉检测方法， 其特征在于， 所述步骤三中 的基于YOLOV5的检测网络模型由主干backb one、 Neck和输出模块output三个部分组成； 其 中， 所述主干backbone包括BottleneckCSP 模块和Focus模块； 所述BottleneckCSP 模块用于 增强整个卷积神经网络学习性能； 所述Focus模块用于对图片进 行切片操作， 将输入通道扩 充为原来的4倍， 并经过一次卷积得到下采样特征图； 所述Neck中采用了FPN与PAN结合的结 构， 将常规的FPN层与自底向上的特征金字塔进 行结合， 将所提取的语义特征与位置特征进 行融合， 同时将主干层与检测层进 行特征融合， 使模型获取更加丰富的特征信息； 所述输出 模块output对图像特征进行预测， 输出一个具有目标对象的类别概率、 对象得分和该对象 边界框的位置的向量。 3.根据权利 要求2所述的基于YOLOV5的胃镜息肉检测方法， 其特征在于， 所述步骤四中 的工程指标包括： 判断检测模型是否能够准确识别出胃镜视频中存在的息肉； 判断检测模 型是否能够准确识别出息肉所出现的位置； 判断检测模型是否能够及时对 出现的息肉做出 实时预警反馈 。权　利　要　求　书 1/1 页 2 CN 114581408 A 2一种基于 YOLOV5的胃镜息肉检测方 法 技术领域 [0001]本发明属于医疗图像处理技术领域， 具体涉及一种基于YOLOV5的胃镜息肉检测方 法。 背景技术 [0002]胃息肉， 是指胃黏膜表面长出的凸起状乳头状 组织， 较小时常无明显症状。 胃息肉 一般多为良性， 无症状者不需治疗。 增生息肉为非肿瘤性息肉， 一般不会发生恶性病变。 腺 瘤性息肉癌变率可达30％ ‑58.3％， 活组织病理学检查确诊即宜手术治疗。 胃息肉常无临床 症状， 诊断较为困难， 一般都是在胃肠钡餐造影、 胃镜检查或其他原因手术时偶然发现。 胃 镜是一种医学检查方法， 也是指这种检查使用的器具。 它借助一条纤细、 柔软的管子伸入胃 中， 医生可以直接观 察食道、 胃和十二指肠的病变。 但是， 医生在直接观察的过程中， 可能会 因为疲劳或者经验不足忽略掉 一些微小的病变， 导 致最终诊断不 准确的情况发生。 [0003]公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解， 而不应 当被视为承认或以任何形式暗示该信息构成已为本领域 一般技术人员所公知的现有技 术。 发明内容 [0004]本发明的目的是在于提供一种基于YOLOV5的胃镜息肉检测方法， 以解决医生在直 接观察的过程中， 可能会因为疲劳或者经验不足忽略掉一些微小的病变， 导致最终诊断不 准确的情况发生的问题。 [0005]为了实现上述目的， 本发明提供了如下技 术方案： [0006]一种基于 YOLOV5的胃镜 息肉检测方法， 包括以下步骤： [0007]步骤一： 采集数据， 从胃镜检测视频中截取发现息肉的图像帧作为样本， 并对样本 图像帧中的息肉位置进行 标注； [0008]步骤二： 划分数据集， 将采集并做好标注的数据按4:1的比例随机分成训练集和测 试集； [0009]步骤三： 训练网络， 采用划分好的训练集基于 YOLOV5的检测网络模型进行训练； [0010]步骤四： 测试网络效果， 用测试集测试模型效果， 检测模型是否符合工程指标； 若 是则结束训练， 否则修改网络参数重新训练； [0011]步骤五： 生成检测结果， 采用训练好的检测模型对胃镜图像进行识别， 检测图像中 是否存在息肉。 [0012]作为优选， 所述步骤三中的基于YOLOV5的检测网络模型由主干backbone、 Neck和 输出模块output三个部分组成； 其中， 所述主干backbone包括BottleneckCSP模块和Focus 模块； 所述BottleneckCSP模块用于增强整个卷积神经网络学习性能； 所述Focus模块用于 对图片进行切片操作， 将输入通道扩充为原来的4倍， 并经过一次卷积得到下采样特征图； 所述Neck中采用了FPN与PAN结合的结构， 将常规的FPN层与自底向上的特征金字塔进行结 合， 将所提取的语义特征与位置特征进 行融合， 同时将主干层与检测层进 行特征融合， 使模说　明　书 1/3 页 3 CN 114581408 A 3