肠上皮化生是指胃粘膜上皮细胞被肠型上皮细胞所代替,是胃粘膜的常见病变。早期胃癌的大量研究与发现表明,胃癌演变的规律是:正常胃黏膜-非萎缩性胃炎-萎缩性胃炎-肠上皮化生-异型增生-胃癌。所以认为胃粘膜肠上皮化生与胃癌有十分密切的关系。胃癌是世界上常见的恶性肿瘤之一,胃癌的临床发病率非常高,且早期胃癌在内窥镜观察下并没有明确的状态显现,这无疑给镜检带来重重的困难,导致大部分患者无法得到及时诊治拖到到中晚期才诊断出来。如果在早期做到预防,提高检出率,就可以减少胃癌发病率。检查早期胃癌的通用方法是使用胃窥镜观测,然而随着内窥镜成像率增加而来的是医生越来越重的阅片负担,医生通过镜检观察病灶无可避免主观因素的制约,而计算机辅助诊断技术的出现无疑是为当前困境开辟了新的方向。怎样才能在降低内镜医生工作强度的同时提高早期胃癌检查的准确率,特别是减少肠上皮化生的遗漏率成为图像处理专家面临的问题。在这样的需求之下,计算机辅助诊断技术得到了广泛的应用,并成为医学影像学研究的热点之一。本文主要研究内窥镜检查过程中针对白光内镜图像的计算机辅助诊断肠上皮化生病灶的识别。以提高计算机辅助诊断的准确率和效率为目标。本文的主要研究工作和贡献如下:1.概括分析了目前语义分割算法应用在肠上皮化生检测上的缺陷。总结了肠上皮化生病灶组织检查传统方法的优缺点。2.论文研究了基于语义分割神经网络在白光下内窥镜图像中肠上皮化生病灶检测上的应用。论文详细介绍了目前主流语义分割网络的具体方法和设计思路,分析了在这些网络中的核心模块和结构,并且通过实验测试分析了语义分割网络在白光内窥镜图像中肠上皮化生病灶检测的语义分割应用场景下的利弊。3.本文使用改进的Deep Labv3+网络分割肠上皮化生病灶的深度学习方法。在编码过程中通过最优DPC架构捕获多尺度特征信息,替换掉原来的ASPP架构。有效解决了病灶内部分割不完全的现象,更符合肠上皮化生病灶在语义分割中对精细边界的要求。该方法已在数据集的实验结果中证实,在基于普通白光内窥镜图像的二分类任务中平均交并比达到了85.17%,全局像素准确率达到了92.7%,并且仅需0.05秒就能识别一幅内窥镜图像。因此本文提出的网络模型在速度和准确度方面都有出色的表现,能够作为临床医师的辅助诊断手段,可以有效提高肠上皮化生病灶诊断的准确率。