胃肠道图像中的异常发现与疾病检测

胃肠道（GI）图像分析在医学诊断中发挥着关键作用。本研究针对实时应用中 GI 图像的精准分类与分割挑战，传统方法因异常多样性和复杂性而难以应对。该领域的高计算需求要求提供高效且灵活的解决方案。本博士论文提出了多层次的方法来进行 GI 图像分析。首先探索了基于纹理的特征提取与分类方法，在 Kvasir V2 数据集上实现了超 4000 帧/秒的高处理速度和优异性能（F1 分数：0.76，准确率：0.98）。随后转向深度学习方法，结合数据包装技术优化的模型在 HyperKvasir 数据集上达到 0.92 的准确率和 0.60 的 F1 分数，在 Kvasir V2 数据集上实现 0.88 的 F1 分数。为支持实时检测，开发了一种集成纹理特征和局部二值模式的轻量化神经网络。通过学习阈值机制解决类别间相似性和类别内变异问题，该系统在 HyperKvasir 数据集上实现 41 帧/秒的处理速度，准确率达 0.99，F1 分数达 0.91。此外，还提出了两款分割工具，通过深度可分离卷积和神经网络集成技术提升检测效果，尤其在低帧率场景下表现更佳。总体而言，本研究引入了新颖且灵活的方法论，从传统纹理技术逐步发展至深度学习和集成方法，为 GI 图像分析提供了全面的框架。