Детальная информация

Colorectal cancer remains a major global public health concern, and is one of the most frequently diagnosed digestive tract cancers. Studies show that around 90% of colorectal cancers originate from colorectal polyps, making early screening and diagnosis essential for prevention. This thesis proposes a deep learning-based approach for detecting colon polyps during colonoscopy by integrating object detection and image segmentation. The thesis research utilizes publicly available datasets including LDPolypVideo, CVC-ClinicDB, and Kvasir-SEG. For polyp detection, the RT-DETR model is improved by replacing its backbone with a lightweight version and optimizing key modules. The enhanced model achieves an mAP@0.5 of 0.932 (93.2%) with a compact parameter size of 28.15 MB. For segmentation, a multi-scale edge fusion network (MS-UNet++) is designed to handle complex polyp boundaries and reduce edge blurring. Enhancements include an edge fusion module, a MSCFA structure for effective Multi scale feature extraction, and the MS-CBAM++ attention mechanism to further improve accuracy. Experimental results demonstrate that the proposed method offers high performance in both detection and segmentation tasks, providing a reliable auxiliary tool for clinical diagnosis of colorectal polyps.

Колоректальный рак остаётся одной из основных проблем общественного здравоохранения в мире и является одним из наиболее часто диагностируемых злокачественных новообразований желудочно-кишечного тракта. Согласно исследованиям, около 90% случаев колоректального рака развиваются из колоректальных полипов, что делает ранний скрининг и диагностику крайне важными мерами профилактики. В данной диссертации предлагается метод обнаружения полипов ободочной кишки на основе глубокого обучения, сочетающий в себе задачи детекции объектов и сегментации изображений при проведении колоноскопии. В работе используются открытые наборы данных: LDPolypVideo, CVC-ClinicDB и Kvasir-SEG. Для задачи обнаружения полипов была усовершенствована модель RT-DETR путём замены её базовой архитектуры на облегчённую версию и оптимизации ключевых модулей. Улучшенная модель достигла значения mAP@0.5, равного 0.932 (93.2%) при размере параметров всего 28.15 МБ. Для сегментации разработана многоуровневая сеть с объединением границ (MS-UNet++), предназначенная для обработки сложных контуров полипов и уменьшения эффекта размытости на границах. Дополнительно были внедрены модуль слияния границ, структура MSCFA для эффективного многомасштабного извлечения признаков и механизм внимания MS-CBAM++, улучшающий точность сегментации. Результаты экспериментов показывают, что предложенный метод демонстрирует высокую эффективность как в задачах детекции, так и сегментации, обеспечивая надёжную вспомогательную диагностику полипов ободочной кишки в клинической практике.

• INTRODUCTION
• 1 Current research status
  • 1.1 Research status of target detection technology for colon polyps
  • 1.2 Research status of colon polyp image segmentation technology
  • 1.3 Problems with colon polyp detection technology
  • 1.4 Main research content of this thesis
• 2 Related technology and theoretical basis
  • 2.1 Introduction to colonoscopy images
  • 2.2 Convolutional neural network
  • 2.3 Theoretical basis of attention mechanism
  • 2.4 Theoretical basis of the object detection algorithm
  • 2.4.1 Single-stage algorithm
  • 2.4.2 Two-stage algorithm
  • 2.5 Theoretical basis of image segmentation technology
  • 2.5.1 Traditional image segmentation method
  • 2.5.2 Image semantic segmentation method based on deep learning
  • 3 Colonoscopy data preprocessing and enhancement
  • 3.1 Background analysis
  • 3.2 Introduction and preprocessing of colonoscopy image dataSets
  • 3.2.1 Introduction to the colonoscopy image dataSets
  • 3.2.2 Image preprocessing
  • 3.3 Data enhancement
  • 3.4 Summary of this chapter
  • 4 Colonoscopic polyp detection based on RT-DETR network
  • 4.1 Overview of Transformer model
  • 4.2 DETR model theory
  • 4.3 RT-DETR detection algorithm
  • 4.3.1 RT-DETR network structure
  • 4.3.2 The Loss function of RT-DETR
  • 4.4 RT-DETR model improvement
  • 4.4.1 Enhancement of the backbone network
  • 4.4.2 Enhancement of AIFI
  • 4.4.3 Enhancement of the feature fusion module
  • 4.4.4 Improvement of upsampling
  • 4.5 Experiments and results analysis
  • 4.5.1 Experimental environment and parameter settings
  • 4.5.2 Performance Evaluation Indicator
  • 4.5.3 Performance comparison experiment
  • 4.5.4 Backbone ablation experiment
  • 4.6 Summary of this chapter
  • 5 Colonoscopic polyp segmentation based on U-Net++ network
  • 5.1 Background Analysis
  • 5.2 MS-UNet++ Segmentation Network
  • 5.2.1 Edge Blending Module
  • 5.2.2 Multi-Scale Convolutional Feature Attention Module
  • 5.2.3 MS-CBAM++ attention mechanism
  • 5.2.4 The Loss function of MS-UNet++
  • 5.3 Experiment and Analysis
  • 5.3.1 Experimental environment and parameter settings
  • 5.3.2 Performance Evaluation Indicator
  • 5.3.3 Model training process
  • 5.3.4 Performance comparison experiment
  • 5.3.5 Ablation experiment
  • 5.4 Summary of this chapter
• CONCLUSION
• REFRENCE LIST