基于改进 YOLOv5s 的结肠息肉检测算法：开启结直肠癌早筛新征程

为提升结肠息肉检测能力，中国计量大学研究人员开展基于改进 YOLOv5s 算法的研究，结果显示改进模型检测性能提升，为计算机辅助诊断系统提供基准314

　　

结肠息肉检测新突破：改进 YOLOv5s 算法成效显著

在健康的赛道上，癌症始终是人们避之不及的 “拦路虎”，尤其是结直肠癌，它在全球癌症发病率和死亡率排行榜上都名列前茅。在中国，结直肠癌的形势也不容乐观，新发病例数逐年上升。早期结直肠癌患者如果能及时治疗，生存率可超 90%，但到了晚期，生存率会急剧下降到 10 - 20% 。这就凸显出早期筛查的重要性，而结肠息肉作为结直肠癌的重要 “前身”，对其进行精准检测成为了早期筛查的关键1。

以往，医生主要依靠结肠镜检查来发现结肠息肉，但这种方法存在明显弊端。诊断结果很大程度上依赖医生的经验和操作水平，医生一旦疲劳或者经验不足，就容易出现漏诊、误诊的情况。就好比在复杂的迷宫中寻找宝藏，如果没有精准的地图和足够的耐心，很容易与宝藏失之交臂。所以，开发一种更精准、高效的结肠息肉检测技术迫在眉睫。

为了解决这一难题，中国计量大学机电工程学院等机构的研究人员展开了深入研究。他们把目光聚焦在人工智能领域的目标检测算法上，致力于改进 YOLOv5s 算法，期望借此提升结肠息肉的检测能力，为结直肠癌的早期诊断提供有力支持，进而推动计算机辅助诊断系统的发展23。

在研究过程中，研究人员采用了多种关键技术方法。他们从公开数据库中精心挑选了大量真实的消化内镜图像，这些图像来自 [Kvasir - SEG]、[CVC - ClinicDB]、[LDPolypVideo] 等，包含了 609 张患病肠道图像和 2000 张正常肠道图像。随后，他们利用 LabelImg 软件对图像进行标注，为后续的模型训练做准备。在模型构建方面，他们引入了注意力机制（SE）对 C3（Cross Stage Partial Networks）模块进行升级，将其变为 C3SE（Cross Stage Partial Networks with Squeeze - and - Excitation），以此增强模型对关键特征的捕捉能力。同时，运用双向特征金字塔网络（BiFPN）优化多尺度特征融合，让模型能更好地整合不同尺度的信息456。

实验设计与结果

1. 实验数据集：研究人员从多个公开数据库中随机抽取图像，构建了包含患病肠道和正常肠道的图像数据集。这些图像经过裁剪和缩放处理，统一为 640×640 分辨率。数据集按照 8：2 的比例划分为训练集和验证集，另外 195 张图像作为测试集78。
2. 模型评估指标：研究采用混淆矩阵、准确率（Accuracy）、召回率（Recall）、精度（Precision）、平均精度均值（mAP）等指标来评估模型性能。其中，混淆矩阵通过真阳性（TP）、假阴性（FN）、假阳性（FP）和真阴性（TN）来反映模型的分类情况，进而计算出其他评估指标910。
3. 实验结果与分析：研究人员通过对比实验，探究不同 C3 层升级为 C3SE 对模型性能的影响。结果发现，将第一和第二个 C3 层升级为 C3SE 时，模型的各项指标表现最佳，mAP_0.5比原始模型高 1%，精度高 2.39%，召回率高 0.34%。在此基础上，研究人员进一步将 BiFPN 融入模型，构建了 YOLOv5s + SEBiFPN 模型。与原始 YOLOv5s 模型相比，该改进模型在 mAP、准确率和召回率上分别提升了至少 1.6%、1.3% 和 1.5%。5 折交叉验证实验表明，YOLOv5s + SEBiFPN 模型稳定性极佳，mAP 的变化仅为 0.4%，精度变化为 0.5%。不过，研究也发现，在处理复杂场景中的息肉，如被肠壁遮挡、形状扁平的息肉时，模型仍存在一定局限性111213。

研究结论与展望

通过一系列实验，研究人员成功改进了 YOLOv5s 算法，增强后的 YOLOv5s + SEBiFPN 模型在结肠息肉检测方面展现出强大的实力，不仅检测能力提升，计算复杂度还保持在较低水平，优于其他同类检测算法。这一成果为计算机辅助诊断系统的发展提供了重要的技术基准，有望在临床实践中发挥重要作用，帮助医生更精准、高效地检测结肠息肉，为结直肠癌的早期诊断提供有力支持141515。

然而，研究人员也清楚地认识到研究存在的局限性。在极端光照条件、息肉过小或模糊、存在遮挡等挑战性场景下，模型的性能会受到影响。未来，他们计划进一步优化模型，提升其在复杂场景下的鲁棒性。同时，研究人员还考虑将该方法拓展应用到其他医学成像领域，如肺部或皮肤病变检测，探索其更广泛的适用性。相信随着研究的不断深入，这一技术将为生命科学和健康医学领域带来更多惊喜和突破。