恶性胃溃疡在普通消化道内窥镜下早期诊治以及与良性胃溃疡的准确判断,直接关系到患者的生命安危。然而,这两类胃溃疡病变在临床表现上以及在普通消化道内窥镜成像特点上极为相似,在医生的实际诊断过程中非常容易发生误诊、漏诊的现象。采用深度学习的方法,开展胃溃疡良恶性分类识别算法的研究具有非常重要的理论研究意义和临床应用价值。本研究主要针对普通消化道内窥镜图像进行分析,利用Sobel算子以及HSV色彩空间转换等数字图像处理的方法,针对光纤式内窥镜存在的光照不均导致成像质量较差的问题进行了预处理,剔除了与病变图像无关或很难分辨的干扰区域,强化了有效区域图像的特征。本研究提出了一种融合了改进Non-local注意力机制和Dense模块以及深度分离卷积的胃溃疡良恶性识别分类的网络,并对模型的特征提取与学习能力进行了深入研究。同时,本文还针对良恶性胃溃疡样本数量分布不均衡的问题以及引入注意力模块后网络参数量和计算量过大的问题进行了处理。本文的研究内容主要包括下述几点:(1)调研并归纳总结了当前内窥镜下胃溃疡病变的分类研究的方法以及研究现状,重点介绍了深度卷积神经网络在普通消化道内窥镜下胃溃疡良恶性分类任务上的应用,并介绍了其原理和基本结构。(2)本文以Dense模块作为基本要素的Dense Net作为基础模型,针对模型的数据集的采样策略、图像的预处理方法以及数据集的增强策略选择对卷积神经网络性能的影响进行了深入的研究。本文还针对普通消化道内窥镜下的胃溃疡数据集的样本类别间分布不均衡的问题进行了深入研究。(3)总结了深度学习的计算机视觉领域的基于注意力机制的卷积神经网络在近年来的发展概况和主要研究思路,选取针对全局长距离依赖上下文语义信息设计的Non-local注意力机制与Dense Net网络相结合。通过实验证明了本文提出的模型在普通消化道内窥镜下胃溃疡分类任务中的良好效果。(4)本文提出了一种结合深度可分离卷积、Non-local注意力模块和Dense模块的胃溃疡良恶性分类网络。在模型的实际设计过程中还应用一些简化网络结构,加速网络训练的策略对网络模型进行了优化,并在胃溃疡良恶性分类任务上取得了良好的效果,模型的各项指标为F1得分为94.50%,准确率为96.57%,敏感度为92.51%,特异度为90.89%。本文提出的胃溃疡良恶性分类网络,能够针对普通消化内镜图像进行良恶性胃溃疡病变分类,为普通消化内镜图像计算机辅助诊断研究提供了新的思路,具有重要的理论研究意义和临床应用价值。