用于内窥镜图像息肉检测的实时轻量级卷积神经网络

司丙奇^1,2，逄晨曦³，王志武^1,2，姜萍萍^1,2，颜国正^1,2

（1.上海交通大学 电子信息与电气工程学院，上海 200240；2.上海智慧戒毒与康复工程技术研究中心，上海 200240；3.吉林大学 计算机科学与技术学院，长春 130012）

摘要：结直肠癌是最常见的癌症，死亡率第二。息肉病变是结直肠癌的前兆症状。息肉的发现和切除可有效降低患者早期的死亡率。然而，内窥镜检查过程中会产生大量的图像，这将大大增加医生的工作量，并且长期的机械筛选内镜图像也会导致高误诊率。针对计算机辅助诊断模型在息肉检测任务中严重依赖计算能力的问题，我们提出了一种基于YOLOv5算法的轻量级模型，坐标注意力-YOLOv5-Lite-Prune；这个模型不同于现有研究中提出的最新方法，例如更快的基于区域的卷积神经网络、YOLOv3、YOLOv4和单次多边框检测，这些方法将目标检测模型或其变体直接应用于预测任务而不进行任何轻量级处理。本文模型的创新点如下：首先，引入轻量级的EfficientNetLite作为新的特征提取网络；其次，采用深度可分卷积及其改进模块，采用不同的注意机制取代检测头结构中的标准卷积；然后，利用α-IoU损失函数提高模型的精度和收敛速度；最后，利用剪枝算法压缩模型大小。我们的模型有效地减少了参数的数量和计算复杂度，并且没有明显的精度损失。因此，该模型可以成功部署在嵌入式深度学习平台上，并以每秒30帧以上的速度检测息肉，这意味着该模型摆脱了深度学习模型必须依赖高性能服务器的限制。

关键词：YOLOv5，息肉病变，目标检测，轻量化，权值剪枝

扫描二维码全文浏览

Cite this article： 

Si, B., Pang, C., Wang, Z. et al. Real-Time Lightweight Convolutional Neural Network for Polyp Detection in Endoscope Images. J. Shanghai Jiaotong Univ. (Sci.) 30, 521–534 (2025). https://doi.org/10.1007/s12204-023-2671-2