基于深度学习的结肠镜图像分割算法关键技术研究

20251029

科学研究和技术服务业

本项目成果已形成一套完整的基于深度学习的结肠镜图像分割算法（包括ColoSegNet、Prompt-Net等核心模型）和原型软件。核心算法在CVC-ClinicDB、Kvasir-SEG等公开数据集及自建CLSD数据集上进行了充分验证，关键指标（如Dice, IoU）均达到或超过当前先进水平，证明了技术的有效性和可靠性。相关算法已申请国家发明专利1项（一种基于提示引导的结直肠息肉图像分割方法及装置），发表SCI论文2篇，为技术转化提供了知识产权保护。同时，项目已开发出集成YOLOv11检测与息肉分割模型的智能辅助诊断系统原型，可在Jetson等嵌入式平台部署，具备实时处理能力，为后续的产品化奠定了坚实的技术基础。

寻求与拥有医疗器械注册证或AI三类证申报经验的医疗人工智能企业、内镜设备制造商合作，需合作方具备强大的工程化能力、临床资源以及成熟的市场渠道。本团队可提供核心算法、技术迭代与学术支持，共同完成产品转化、临床验证与市场推广。

可国（境）内外转让

显著提升结肠息肉检出率（尤其降低小息肉漏诊风险），减轻内镜医生工作负担，提升诊疗效率与一致性，促进分级诊疗落地，具有显著的经济价值与社会成本节约效应。

北京市自然科学基金本科生“启研”计划

北京市科学技术委员会;中关村科技园区管理委员会

本项目旨在针对结肠息肉分割中存在的形态复杂、边界模糊、时序信息利用不 足以及医学数据标注成本高、分布不均等挑战，开展基于深度学习的算法研究 与系统开发，推动结直肠癌早期诊断技术的临床应用。研究内容主要包括： 1) 提出融合时间相关性建模的分割网络 ColoSegNet，通过高斯分布编码连续帧 之间的相对位置信息，增强模型对动态病变的感知能力； 2)设计提示引导的动 态采样机制 Prompt-Net，结合网格、随机和边缘三种提示策略，自适应提取多 尺度图像块，提升复杂边界的分割精度。3)采用去噪扩散概率模型（DDPM） 生成高质量合成息肉图像，并引入掩蔽自编码器（MAE）进行自监督预训练， 有效缓解数据稀缺与分布不均衡问题。4)开发了集成 YOLOv11 检测与息肉分 割模型的智能辅助诊断系统， 支持早期癌、息肉和腺瘤的实时分类与分割，并 通过 TensorRT 在 Jetson 平台实现跨平台部署与性能优化。实验结果表明， ColoSegNet 在 CVC-ClinicDB 数据集上 IoU 达到 89.27%，多项指标领先于现 有模型；在自建 CLSD 数据集的四类病变分割任务中也均表现优异。Prompt- Net 在七个公开数据集上全面超越已有方法，在 CVC-ClinicDB 上 Dice 系数达 92.72%，跨数据集泛化能力显著提升。相关成果已发表 SCI 论文 2 篇，申请 国家发明专利 1 项。