本发明属于胃肠道息肉检测，特别涉及一种基于mchpan的胃肠镜息肉检测方法、装置及介质。
背景技术：
1、随着人类饮食生活习惯的不断变化，胃肠道息肉成为了日益普遍的消化系统疾病，已对众多患者的生命健康构成了不小的威胁。虽然大部分息肉为良性，但其潜在的恶性转变风险不容忽视，故及时发现与治疗显得至关重要。现有的内镜检查方法虽然常用，但由于其对医生经验与技能的较高要求以及可能存在误诊，已无法满足日益增长的诊断需求。因此，研发一种既准确又快速且简便的胃肠道息肉检测手段，已成为当前医学研究的迫切任务。
2、近年来，深度学习在医学图像处理领域取得了显著进展，特别是在胃肠道息肉检测方面。基于深度学习的胃肠道息肉检测方法已成为研究焦点，并展现出巨大的应用潜力。这些方法利用深度学习算法强大的特征学习能力，在各类胃肠道检查图像中实现了卓越的检测效果。根据处理流程的不同，这些方法大致可分为双阶段和单阶段两大类。随着这些方法在技术和应用上的不断创新与发展，胃肠道息肉的准确检测迎来了新的突破，为临床诊断和治疗提供了有力支持。
3、双阶段方法中，wang等人提出了一种改进的faster r-cnn网络进行胃息肉的检测，该方法对池化操作与损失函数进行了改进，使用soft-nms替代了传统的nms，经过改进后的faster r-cnn在胃息肉图像检测中取得了较好的效果。liu等人提出了轻量级的faster r-cnn框架(secrcnn)，该框架结合加法秘密共享和边缘计算，提高隐私保护计算效率，通过设计交互式协议和改进安全计算子协议，实现了高效且安全的物体检测。
4、在单阶段方法中，zhang等人利用卷积神经网络和ssd架构，提出了一种针对胃镜中息肉检测的方法，即ssd-gpnet，其重新利用了池化层中丢失的数据，并将其作为额外的特征图进行连接，以助于分类和检测；同时，在特征金字塔中，将低层特征图与从上层解卷积得到的特征图进行连接，以加强不同层间的信息交互。实验显示，ssd-gpnet在提高息肉检测召回率方面表现出色，尤其是对小息肉的检测，这有助于内镜医生更容易地发现漏检的息肉，降低胃息肉的漏诊率。yung等人提出了一种新颖的结肠息肉检测方法，该方法结合了特征提取和数据增强的融合模块，用以增强图像。首先，利用离散小波变换(dwt)提取息肉的纹理特征，并加强在息肉图像中不明显的纹理特征。然后，采用基于样式的gan2来增强图像数据，增加yolo的图像训练数据，使其能够学习更多的息肉特征，由于图像已经得到了增强，小息肉的检测率得到了显著提高。
5、然而，在息肉检测领域，仍然存在着一系列挑战，如多尺度问题、特征复杂性的处理等。针对多尺度问题，一些研究提出了各种多尺度特征融合的方法，但这些方法未能完全解决尺度适应性的问题。对于特征复杂性，部分工作通过引入注意力机制来提高模型对目标结构的关注程度，但这仍然存在对细微差异的捕捉不足。
技术实现思路
1、发明目的：针对现有胃肠道息肉检测模型存在的多尺度问题和特征复杂性，本发明提出一种基于mchpan的胃肠镜息肉检测方法、装置及介质。
2、技术方案：本发明所述的一种基于mchpan的胃肠镜息肉检测方法，具体实现过程如下：
3、(1)制作胃肠镜息肉图片基础数据集，完成标注和划分；
4、(2)构建基于mchpan的胃肠镜息肉检测模型；所述mchpan为多通道分层路径聚合网络，包括通道引导的特征积分器cgfi，指尺度引导聚合器sga和分层注意力集成器hai；所述cgfi过引入通道关注机制，增强了特征的表达能力；所述sga通过智能尺度引导机制动态调整不同尺度特征的权重，从而提升模型对胃肠道息肉目标在不同尺度上的表示的适应能力；所述hai通过融合局部特征和高维特征，并通过通道关注机制提高对目标的关注度；
5、(3)使用数据集训练基于mchpan的胃肠镜息肉检测模型；
6、(4)选取训练结果中最佳的权重文件，完成胃肠道息肉检测。
7、进一步地，所述步骤(1)实现过程如下：
8、从胃镜和肠镜影像中筛选出含有息肉目标的图片；将利用labelimg标注工具对图片中的息肉目标进行精确标注；采用矩形标注框来圈定息肉，并将该类别的名称统一标注为“polyp”；将处理后的数据集划分用于训练验证。
9、进一步地，步骤(2)所述cgfi实现过程如下：
10、输入特征图通过二维卷积操作进行特征变换，接着应用批量归一化和silu激活函数，得到中间特征x1；在通道关注机制中，x1经过平均池化操作，随后再经过一次二维卷积和sigmoid激活函数，得到通道注意力权重图x2；通过逐元素乘法，将x1与x2进行整合，得到cgfi的输出y。
11、进一步地，步骤(2)所述sga包含了骨干网络中不同阶段的特征图、cgfi以及拼接操作，具体实现过程如下：
12、骨干网络中160×160、80×80、40×40、20×20四种不同阶段的特征图，命名为b2、b3、b4、b5；
13、将b2、b3、b4、b5分别送入cgfi进行处理，得到新的特征图；
14、将b2、b3、b4、b5四组新的特征图在深度方向上进行拼接，再送入cgfi进行处理，得到输出。
15、进一步地，步骤(2)所述hai包含颈部不同阶段的特征图、cgfi以及拼接操作，具体实现过程如下：
16、获取颈部中80×80、40×40、20×20三种不同阶段的特征图，命名为n3、n4、n5；
17、将n3进行一次2倍下采样，大小变为40×40，与n4进行拼接，经过cgfi处理后得到输出h4；
18、将n4进行一次2倍下采样，大小变为20×20，与n5进行拼接，经过cgfi处理后得到输出h5。
19、进一步地，所述步骤(3)实现过程如下：
20、将输入的图片大小统一调整为640×640像素，并且每批次随机选择16张图像进行训练，直到特征图的大小缩小到20×20像素。
21、本发明所述的一种装置设备，包括存储器和处理器，其中：
22、存储器，用于存储能够在处理器上运行的计算机程序；
23、处理器，用于在运行所述计算机程序时，执行如上所述的基于mchpan的胃肠镜息肉检测方法的步骤。
24、本发明所述的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上所述的基于mchpan的胃肠镜息肉检测方法的步骤。
25、有益效果：与现有技术相比，本发明提出的通道引导的特征积分器cgfi能够使网络智能地关注输入特征图中的不同通道，为网络提供更强大的特征表达能力，尤其在多通道、多尺度的目标检测任务中展现显著的性能优势；通过设计sga结构，整合了主干网络的不同尺度特征，包括b2、b3、b4和b5，以生成更全面且富有层次结构的特征表示，允许网络更加灵活地对不同尺度的信息进行关注，从而使得网络更好地适应息肉目标在图像中的多尺度表示；通过设计hai提高模型对局部和高维特征的关注度，通过通道关注机制加强网络对目标的表达能力；这种层次化的关注机制使得模型更具适应性，能够更好地理解不同层次和尺度上的目标信息，为目标检测任务提供了更强大的特征表达。
1.一种基于mchpan的胃肠镜息肉检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于mchpan的胃肠镜息肉检测方法，其特征在于，所述步骤(1)实现过程如下：
3.根据权利要求1所述的一种基于mchpan的胃肠镜息肉检测方法，其特征在于，步骤(2)所述cgfi实现过程如下：
4.根据权利要求1所述的一种基于mchpan的胃肠镜息肉检测方法，其特征在于，步骤(2)所述sga包含了骨干网络中不同阶段的特征图、cgfi以及拼接操作，具体实现过程如下：
5.根据权利要求1所述的一种基于mchpan的胃肠镜息肉检测方法，其特征在于，步骤(2)所述hai包含颈部不同阶段的特征图、cgfi以及拼接操作，具体实现过程如下：
6.根据权利要求1所述的一种基于mchpan的胃肠镜息肉检测方法，其特征在于，所述步骤(3)实现过程如下：
7.一种装置设备，其特征在于，包括存储器和处理器，其中：
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1至6任一项所述的基于mchpan的胃肠镜息肉检测方法的步骤。
