基于半监督学习的结直肠病变视频实时检测方法研究

摘要

目的 利用半监督学习策略训练开发一款应用于结直肠病变视频实时检测的计算模型。方法 收集247段肠镜视频，分为两组，其中腺瘤组136段，增生性息肉组111段，将视频以3帧/s转换为连续的图像，共计13 416张，利用LabelMe工具进行边界框标注，整理并转换为符合MS COCO格式的数据结构，构建一种基于教师-学生结构的半监督目标检测模型，采用一致性正则化机制，利用教师模型对弱增强的无标注图像生成伪标签，引导学生模型对无标注图像进行监督学习，同时提出混合数据增强策略以及分类-回归特征对齐模块。结果 模型在视频预测任务上的mAP50为0.943,腺瘤的精确率为0.952,同时在20%标注数据的情况下，mAP50可达0.912,十分接近使用100%有标注数据的模型性能。此外，模型准确率明显高于低年资内镜医师。结论 基于半监督学习的结直肠病变检测模型对结直肠病变检测具有较高的准确性，在临床实践中将有效地辅助内镜医师做出临床诊断。

关键词

结直肠息肉 / 结直肠腺瘤 / 人工智能 / 半监督 / 实时检测

基金资助

国家重点研发计划项目(2023YFC3107203)