莊新鳳，李 勝，何東蔚，何熊熊，朱錦輝

1(浙江工業(yè)大學(xué) 信息工程學(xué)院，杭州 310023) 2(浙江大學(xué) 醫(yī)學(xué)院附屬第二醫(yī)院 消化外科，杭州 310023) E-mail：shengli@zjut.edu.cn

1 引 言

結(jié)直腸癌(CRC)是最常見(jiàn)的惡性腫瘤之一，近年來(lái)我國(guó)CRC發(fā)病率總體也呈現(xiàn)上升趨勢(shì)，在消化系統(tǒng)惡性腫瘤中居第2位[1].CRC的早期形態(tài)是結(jié)腸息肉，與CRC的發(fā)生密切相關(guān)，根據(jù)結(jié)直腸息肉數(shù)目的多少分為單發(fā)性息肉和多發(fā)性息肉兩種，凡2枚及以上息肉稱多發(fā)性息肉.常見(jiàn)單發(fā)息肉較多，但多發(fā)息肉好發(fā)于老年患者，而且從病理類型看，癌變潛能最高的絨毛狀腺瘤也更多地集中于多發(fā)息肉[2]，所以單發(fā)性息肉和多發(fā)性息肉的及時(shí)檢測(cè)對(duì)預(yù)防結(jié)腸癌都十分重要.內(nèi)窺鏡是目前用于采集腸道息肉圖像的主要手段，由于息肉的形態(tài)和大小多樣，發(fā)現(xiàn)息肉的主要因素取決于醫(yī)生的經(jīng)驗(yàn)技能，通過(guò)人工的方式進(jìn)行息肉的檢測(cè)常常會(huì)加重醫(yī)生負(fù)擔(dān)，在醫(yī)生疲憊的情況下更容易造成漏診.因此，計(jì)算機(jī)輔助檢測(cè)對(duì)于緩解臨床醫(yī)師的壓力和提高檢測(cè)準(zhǔn)確率具有重要意義.

近年來(lái)，圖像顯著性檢測(cè)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)[3-5]，特別是在目標(biāo)識(shí)別相關(guān)問(wèn)題上有著廣泛的應(yīng)用[6-8].顯著性檢測(cè)主要是通過(guò)計(jì)算機(jī)模擬人類的視覺(jué)機(jī)制來(lái)定位圖像中最引人注意的目標(biāo)區(qū)域.醫(yī)生進(jìn)行息肉檢測(cè)的過(guò)程，也可以看成一個(gè)在內(nèi)窺鏡圖片中尋找息肉區(qū)域的過(guò)程.另外，顯著性檢測(cè)的結(jié)果會(huì)得到不同像素的顯著值，值越大的像素塊越有可能是顯著性區(qū)域，反之為背景區(qū)域.因此，針對(duì)息肉的顯著性檢測(cè)算法能夠量化圖像中各個(gè)區(qū)域的重要性和參考意義，從而判斷不同區(qū)域存在息肉的可能性.

圖像顯著性檢測(cè)方法通常可以分為基于數(shù)據(jù)驅(qū)動(dòng)的自底向上模式的和基于任務(wù)驅(qū)動(dòng)的自頂向下模式兩類.自底向上的算法主要利用圖像的底層特征，計(jì)算不同區(qū)域之間的對(duì)比度，最后得到差異性高的區(qū)域.自頂向下的算法針對(duì)不同的任務(wù)采集大量的數(shù)據(jù)集，通過(guò)機(jī)器學(xué)習(xí)的方法得到不同區(qū)域的顯著值.后者需要大量的人工標(biāo)注的圖片作為訓(xùn)練集，由于受到患者隱私保護(hù)和設(shè)備參數(shù)的影響，難以獲取大量的高質(zhì)量的息肉圖片.因此本文主要研究自底向上的方法.

Itti等[9]首次提出自底向上的顯著性檢測(cè)模型來(lái)模擬生物視覺(jué).Cheng等[10]提出基于LAB 顏色空間的全局對(duì)比度來(lái)度量像素的顯著值.Goferman等[11]提出了上下文感知的顯著性方法.上述方法都是通過(guò)計(jì)算特征的相似度來(lái)得到不同區(qū)域的對(duì)比度，最終生成圖像的顯著模型.此類方法對(duì)于目標(biāo)與背景差別明顯的圖像具有良好的效果，但對(duì)于背景和前景相似度較高的圖像單純的利用傳統(tǒng)特征提取方法在圖像中檢測(cè)息肉的效果并不理想，為了提高準(zhǔn)確率則需要復(fù)雜的檢測(cè)算法提取高層次特征，會(huì)因此增加算法復(fù)雜度.因此，許多研究將先驗(yàn)知識(shí)引入到顯著性檢測(cè)當(dāng)中，充分利用背景先驗(yàn)知識(shí)可有效提高準(zhǔn)確率并且降低復(fù)雜度.

自然圖像的獲取存在人的主觀能動(dòng)性，會(huì)將感興趣的目標(biāo)放在視野中央，現(xiàn)有的基于先驗(yàn)知識(shí)的算法通常假設(shè)圖像的邊界區(qū)域?yàn)楸尘?，目?biāo)區(qū)域靠近圖像中心，并以此作為前提來(lái)計(jì)算顯著值.如Wei等[12]通過(guò)單一超像素塊與邊緣超像素塊的最小測(cè)地距離計(jì)算該超像素塊的顯著性.顧廣華等[13]提出了合融前景和背景種子點(diǎn)擴(kuò)散的顯著性檢測(cè)算法，根據(jù)邊緣概率確定背景種子.Yang 等[14]提出基于圖的流形排序(Manifold Ranking，MR)的顯著性算法，選取邊界超像素作為背景種子點(diǎn)，然后通過(guò)圖模型和流形排序算法計(jì)算出其他超像素相對(duì)于背景的排序值，進(jìn)而得到顯著值.對(duì)于無(wú)線膠囊內(nèi)窺鏡(WCE)圖像而言，息肉圖片大體可以分為3個(gè)區(qū)域：腸道中心暗區(qū)、腸壁褶皺區(qū)域和息肉區(qū)域，腸道中心暗區(qū)和腸壁褶皺是背景，息肉區(qū)域則是需要檢測(cè)的顯著目標(biāo).由于WCE采集不受人的主觀控制，息肉的位置往往具有很大的隨機(jī)性，可能位于圖片中心也可能位于邊緣，kvasir息肉數(shù)據(jù)集中的圖片中，目標(biāo)息肉位于邊緣的概率為51%左右，上述基于邊緣的背景先驗(yàn)方法雖然在自然圖像的目標(biāo)檢測(cè)上取得了良好的效果，但處理WCE息肉圖片時(shí)四周邊緣的背景先驗(yàn)知識(shí)不再有效.

基于目標(biāo)先驗(yàn)的算法通常使用一個(gè)峰值位于中心的各向同性的對(duì)稱高斯函數(shù)來(lái)對(duì)目標(biāo)區(qū)域進(jìn)行加強(qiáng)，同時(shí)減少其他區(qū)域的背景噪聲.Zhaojian等[15]通過(guò)Harris角點(diǎn)檢測(cè)計(jì)算大體位置，再利用基于中心的高斯先驗(yàn)?zāi)Ｐ蛠?lái)增強(qiáng)目標(biāo)區(qū)域.Yu等[16]使用KNN和K正則圖模型計(jì)算顯著值后，運(yùn)用中心先驗(yàn)突出目標(biāo)區(qū)域.基于中心的目標(biāo)先驗(yàn)算法能夠有效地抑制背景噪聲，但是針對(duì)目標(biāo)區(qū)域偏離中心和含有多個(gè)目標(biāo)的圖像，此類算法往往會(huì)錯(cuò)誤的將目標(biāo)當(dāng)成背景進(jìn)行抑制，這些因素使得現(xiàn)有的目標(biāo)中心先驗(yàn)和四周背景先驗(yàn)的顯著性檢測(cè)算法難以適用于腸道息肉圖片.

針對(duì)上述問(wèn)題，本文提出適用于胃腸鏡圖像的基于輪廓先驗(yàn)的顯著性息肉檢測(cè)方法.本文主要貢獻(xiàn)概括如下：

1)提出了一種基于暗區(qū)的腸道中心和基于邊緣檢測(cè)的腸道輪廓提取方法，并以此為背景先驗(yàn)來(lái)計(jì)算圖像的顯著性.不同于現(xiàn)有的基于圖像四周邊緣像素為背景的固定方式，本文方式更適用于腸道結(jié)構(gòu)，并且更具靈活性.

2)提出一種改進(jìn)的中心先驗(yàn)?zāi)Ｐ停夯谇熬暗倪B通區(qū)域中心高斯先驗(yàn)?zāi)Ｐ?不同于現(xiàn)有的基于圖片中心的單一高斯模型，本文的方法根據(jù)前景連通區(qū)域個(gè)數(shù)的區(qū)域面積，構(gòu)建相應(yīng)的高斯函數(shù)來(lái)檢測(cè)一個(gè)或多個(gè)息肉，此方法有效提升了息肉偏離中心以及存在多個(gè)息肉的圖像的檢測(cè)性能，增加了檢測(cè)的準(zhǔn)確性.

2 顯著性檢測(cè)

本文主要分為兩部分工作，第1部分，利用輪廓背景先驗(yàn)知識(shí)提取背景種子，通過(guò)流行排序得到基于背景的顯著圖;第2部分，在第1部分的基礎(chǔ)上選取精確的前景種子，利用流行排序以及前景中心高斯先驗(yàn)分別得到基于前景的顯著圖和高斯顯著圖，融合以上2幅顯著圖得到最終顯著圖.圖1所示為本文方法框架.

圖1 本文顯著性息肉檢測(cè)方法框架Fig.1 Framework of the proposed saliency polyp detection method

2.1 基于腸道中心及輪廓背景先驗(yàn)的流行排序顯著性檢測(cè)

2.1.1 獲取背景種子

內(nèi)窺鏡在工作過(guò)程中配有獨(dú)立光源，由于腸道整體呈管狀立體結(jié)構(gòu)，腸道中心區(qū)域相對(duì)內(nèi)窺鏡攝像頭有一定的縱深，這使得腸道中心區(qū)域感光較少，呈現(xiàn)相對(duì)偏暗的情況.因此，本文提出一種基于暗區(qū)的腸道中心位置測(cè)定方法.

圖2 超像素分割及腸道中心暗區(qū)Fig.2 SLIC and the central dark area of the intestine

文獻(xiàn)[17]指出了canny算法對(duì)輪廓檢測(cè)的有效性，所以本文首先采用canny算法提取初步的輪廓信息，篩選出腸壁褶皺輪廓區(qū)域作為背景.圖3(a)為原圖，如圖3(b)所示canny輪廓檢測(cè)得到的整體輪廓圖存在大量的噪聲信息，比如：光斑、氣泡等.這對(duì)判斷某條邊緣是否屬于腸道褶皺輪廓造成嚴(yán)重干擾.考慮到噪聲邊緣、腸道褶皺輪廓和息肉輪廓具有以下特點(diǎn)：

1)褶皺輪廓和息肉輪廓具有較長(zhǎng)的連續(xù)性，而噪聲輪廓的長(zhǎng)度普遍較短.

2)褶皺輪廓以腸道中心為中心成凸?fàn)?，息肉則成凹狀.

因此，采用以下策略篩選可靠的腸道輪廓：

根據(jù)輪廓長(zhǎng)度去除噪聲的影響.設(shè)定小于Tlen長(zhǎng)度的輪廓視為噪聲輪廓.去除噪聲輪廓后的輪廓如圖3(c)所示.

圖3 腸壁褶皺輪廓背景種子選取過(guò)程Fig.3 Contour background seed selection process of the of intestinal wall fold

然后，根據(jù)凹凸性區(qū)分腸壁輪廓和息肉輪廓，篩選出需要的腸道褶皺輪廓.在剩余Ne條輪廓上，取輪廓的兩個(gè)端點(diǎn)形成一條線段，并連接這條輪廓的中點(diǎn)與腸道中心點(diǎn)，判斷這兩條線段是否有交點(diǎn)，如果不存在交點(diǎn)說(shuō)明該條輪廓成凹狀，為息肉輪廓，息肉輪廓所在超像素區(qū)域?yàn)镕e.若有交點(diǎn)則為腸壁褶皺輪廓，腸壁輪廓所在超像素區(qū)域?yàn)锽e.最終保留下來(lái)的Me條腸壁輪廓如圖3(d)所示.圖3(e)中為Me條輪廓所在的超像素區(qū)域Be={Be(1)，Be(2)，…，Be(Me)}，Be(i)為第i條腸壁輪廓所在超像素區(qū)域，Me≤Ne.

2.1.2 構(gòu)建流行排序算法

將每塊超像素作為一個(gè)節(jié)點(diǎn)來(lái)構(gòu)建圖模型G=(V，E).V={vi|1≤i≤N}表示為圖中所有超像素節(jié)點(diǎn)的集合，E={eij|1≤i，j≤N}表示兩節(jié)點(diǎn)間邊的集合.邊的權(quán)重由關(guān)聯(lián)矩陣W=[wij]決定，wij由式(1)計(jì)算得到.

(1)

其中，ci和cj表示在LAB顏色空間中結(jié)點(diǎn)vi和vj所在的超像素塊的平均顏色值;參數(shù)δ用于調(diào)節(jié)邊權(quán)重.

文獻(xiàn)[14]采用的圖模型中，將4個(gè)邊界節(jié)點(diǎn)相連以減少背景間的測(cè)地距離，增加背景內(nèi)部的相似度.本文采用檢測(cè)到的腸道中心暗區(qū)及輪廓超像素作為背景節(jié)點(diǎn)進(jìn)行連接構(gòu)圖.

流行排序函數(shù)可以用于計(jì)算種子節(jié)點(diǎn)之間的關(guān)聯(lián)度：

(2)

其中，參數(shù)μ控制平滑約束(第1項(xiàng))和擬合約束(第2項(xiàng))之間的比重，fi表示單一節(jié)點(diǎn)的排序值.

式(2)可以進(jìn)一步表示為：

f*=(D-αW)-1y

(3)

其中，α=1/(1+μ)，y表示種子向量，f*表示排序向量.

以腸道中心區(qū)域Bc中的超像素作為背景種子點(diǎn)，得到種子向量yc=[yc(1)，yc(2)，…，yc(N1)]T，

(4)

(5)

類似地，分別利用輪廓背景Be(i)構(gòu)成種子向量ye(i)計(jì)算得到對(duì)應(yīng)的顯著值Se(i).最后將上述顯著值通過(guò)乘法進(jìn)行融合，得到基于背景的流行排序顯著圖：

(6)

2.2 基于前景的多聯(lián)通區(qū)域中心高斯先驗(yàn)?zāi)Ｐ?/h3>

2.2.1 選取前景種子

根據(jù)第2.1.2節(jié)中得到的基于背景顯著圖，選取顯著值大于均值的前景超像素區(qū)域Fs.

接下來(lái)，本文采用連接性的思想對(duì)2.1.1節(jié)中得到的前景區(qū)域Fe進(jìn)行擴(kuò)展.利用平均測(cè)地距離來(lái)衡量單一超像素p與多個(gè)超像素塊組成的區(qū)域Area之間的相似度Sim(p，Area).

(7)

qiArea

(8)

其中，nArea表示區(qū)域Area所含超像素的個(gè)數(shù)，dgeo(p，q)如式(9)所示：

(9)

dapp(pi，pi+1)表示相鄰兩個(gè)超像素在LAB空間的歐氏距離，dgeo(p，q)表示超像素p和q之間的測(cè)地距離.

通過(guò)式(10)擴(kuò)展息肉輪廓所在超像素區(qū)域.

(10)

為了保證前景種子的準(zhǔn)確性，利用式(11)對(duì)提取到的前景區(qū)域進(jìn)行優(yōu)化，得到圖4(b)的前景區(qū)域?yàn)镕g.

圖4 優(yōu)化后的前景種子及對(duì)應(yīng)顯著圖Fig.4 Optimized foreground seeds and corresponding saliency map

(11)

2.2.2 基于前景的流行排序算法

利用2.2節(jié)所示流行排序算法，前景Fg的超像素為種子節(jié)點(diǎn)，種子向量為yfg=[yfg(1)，yfg(2)，…，yfg(N2)]T.

(12)

(13)

2.2.3 前景連通中心高斯模型

1)對(duì)前景計(jì)算連通區(qū)域個(gè)數(shù)，每個(gè)連通區(qū)域計(jì)算其質(zhì)心，并以此為中心建立對(duì)應(yīng)的高斯模型.

(14)

其中，x0(k)、y0(k)表示第k個(gè)連通區(qū)域的中心坐標(biāo)，δx、δy表示水平和垂直方向的方差.

2)添加高斯模型權(quán)重.由于不同的連通區(qū)域的參考意義并不相同，顯著性目標(biāo)區(qū)域往往具有較大面積，而噪聲區(qū)域，比如：光斑等，往往是獨(dú)立的小單元，因此對(duì)不同連通區(qū)域的高斯模型增加基于面積的權(quán)重，面積越大，表示該連通區(qū)域的重要性越大，越有可能是息肉區(qū)域.

(15)

其中，AreS(k)表示第k塊連通區(qū)域的面積.由于連通區(qū)域的面積跟該區(qū)域所包含的超像素塊的數(shù)目呈正向關(guān)系，為了增加算法的執(zhí)行效率，將公式(15)中的面積參數(shù)AreSce(k)替換為超像素塊的數(shù)目NS(k).

(16)

3)將不同區(qū)域的高斯顯著圖相加，得到基于多連通區(qū)域的高斯顯著圖，如圖4(d)所示.

(17)

其中，NC表示前景中聯(lián)通區(qū)域的個(gè)數(shù).

最后，將高斯顯著圖與式(12)中的基于前景的顯著圖相加，得到圖4(e)最終的圖像顯著圖.

S=Sbg+Sfg+Swg

(18)

3 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

本研究實(shí)驗(yàn)設(shè)備為20GBRAM的Xeon E3-1226，操作系統(tǒng)Win10，采用Matlab R2019a進(jìn)行仿真實(shí)驗(yàn).

3.2 實(shí)驗(yàn)數(shù)據(jù)

由于WCE圖像四角為黑色區(qū)域，且不含有用信息，為了避免此部分對(duì)實(shí)驗(yàn)的干擾，如圖5所示去除圖像不含有用信息的黑色盲區(qū)，提取內(nèi)窺鏡圖像中方形的核心區(qū)域進(jìn)行實(shí)驗(yàn).

圖5 提取核心區(qū)域Fig.5 Extract the core area

為了驗(yàn)證實(shí)驗(yàn)的有效性，本文一部分采用200張包含10張多息肉圖像的公開(kāi)數(shù)據(jù)集kvasir數(shù)據(jù)集的腸道息肉圖像，另一部分為300張合作醫(yī)院獲取的包含40張多息肉圖像的數(shù)據(jù)集.每張圖像均由專業(yè)醫(yī)生進(jìn)行人工標(biāo)定生成真值圖GT.最終的實(shí)驗(yàn)數(shù)據(jù)集包括500張腸道息肉圖和500張對(duì)應(yīng)的GT圖.每張圖像大小為256×256像素.

3.3 對(duì)比算法與評(píng)價(jià)指標(biāo)

本文選取了當(dāng)前主流的以及和本文方法相關(guān)的共10種顯著性算法進(jìn)行比較，包括：IT[9]，F(xiàn)T[18]，GS[19]，MR[14]，MMR[16]，wCtr[20]，BECC[21]，WBU[22]，和GLGO[23].

本文從客觀性能和主觀兩個(gè)方面來(lái)評(píng)價(jià)算法效果.

主觀性能評(píng)價(jià)方面，采用生成的顯著圖與GT真值圖進(jìn)行直觀對(duì)比.如圖6中1-3行所示，與其他方法相比，本文方法可以很好的檢測(cè)到息肉區(qū)域，雖然其他方法，特別是GS、wtr方法也能較好的檢測(cè)到目標(biāo)區(qū)域，但本文方法得到的目標(biāo)息肉區(qū)域更精確，顯著圖更干凈.如第3行所示，WBU方法有時(shí)只能檢測(cè)到部分目標(biāo)區(qū)域;而如第2行所示，當(dāng)息肉幾乎完全位于邊緣區(qū)域時(shí)，BECC和MMR會(huì)出現(xiàn)檢測(cè)區(qū)域與目標(biāo)區(qū)域完全相反的情況，這可能就是以四邊界為背景先驗(yàn)知識(shí)帶來(lái)的影響.從圖6中4-5行可以明顯看出，本文算法準(zhǔn)確性遠(yuǎn)遠(yuǎn)高于其他算法，可以更精準(zhǔn)的檢測(cè)到偏離中心的小息肉，并擁有檢測(cè)多息肉的能力.

圖6 10種算法的直觀比較Fig.6 Intuitive comparison of 10 algorithms

客觀性能評(píng)價(jià)方面，采用準(zhǔn)確率-召回率曲線(Precision-Recall curve，PR曲線)、準(zhǔn)確率-召回率-F-measure柱狀圖和平均絕對(duì)誤差(Mean Absolute Error，MAE)3種評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量對(duì)比.

1)P-R曲線是重要的評(píng)價(jià)顯著性檢測(cè)算法性能的指標(biāo).首先將顯著圖的顯著值量化到[0，255]區(qū)間，并將其作為閾值.然后在不同閾值下對(duì)顯著圖進(jìn)行二值分割，再將得到的二值圖與真值圖GT進(jìn)行對(duì)比，計(jì)算不同閾值的準(zhǔn)確率Precision和召回率Recall，統(tǒng)計(jì)所有顯著圖的平均準(zhǔn)確率，即可繪制出P-R曲線.Precision和Recall計(jì)算公式為：

(19)

(20)

2)F-measure是另一個(gè)常用的性能評(píng)價(jià)指標(biāo)，用于綜合衡量準(zhǔn)確率(Precision)和召回率(Recall).

(21)

β2用于平衡Precision和Recall的影響程度，β2通常設(shè)置為0.3，以便突出準(zhǔn)確率的影響.F-measure值越大表明算法效果越好.其中，W，H 分別表示圖像的寬和長(zhǎng).

從圖7PR曲線以及圖8PRF柱狀圖可以看出，本文算法準(zhǔn)確率(Precision)明顯高于其他算法，wCtr方法的準(zhǔn)確率僅次于本文算法，它也是優(yōu)化了圖像4個(gè)邊界的背景種子，減小了位于邊界的目標(biāo)前景誤判為背景的影響，也再次說(shuō)明了準(zhǔn)確先驗(yàn)知識(shí)對(duì)于提高檢測(cè)準(zhǔn)確率的重要性.WBU的準(zhǔn)確率、查全率和F-measures都相對(duì)較好，說(shuō)明高層次的特征的確對(duì)息肉檢測(cè)有很好的幫助.本文查全率(Recall)雖然低于BECC算法，但高于其他9種方法.BRCC和MMR算法具有很高的查全率，但不能很好的抑制背景區(qū)域、精確顯著區(qū)域，使準(zhǔn)確率偏低.本文算法可以在保證較高準(zhǔn)確率的情況下，也能夠比較完整的檢測(cè)到目標(biāo)息肉區(qū)域.

圖7 P-R曲線圖Fig.7 P-R curves

圖8 PRF柱狀圖Fig.8 Precision，Recall and F-measures values

3)上述2種評(píng)價(jià)指標(biāo)(準(zhǔn)確率、查全率和 F-measure)只考慮了目標(biāo)區(qū)域的匹配程度，而忽略了背景區(qū)域，MAE指標(biāo)則能夠更加全面的度量結(jié)果的誤差，是對(duì)(準(zhǔn)確率、查全率和 F-measure)必要的補(bǔ)充.

從表1可以看出，與其他算法相比，本文算法的有較低的平均絕對(duì)誤差(MAE).說(shuō)明本文算法檢測(cè)道的顯著圖與人工標(biāo)注的GT圖相似度高，誤差低，對(duì)臨床醫(yī)生來(lái)說(shuō)更具有參考價(jià)值.

表1 10種算法的MAE值對(duì)比Table 1 Comparison of MAE values of 10 algorithms

4 結(jié) 語(yǔ)

本文主要工作主要是將計(jì)算機(jī)視覺(jué)中的顯著性目標(biāo)檢測(cè)的思想運(yùn)用于生物醫(yī)學(xué)圖像中，并根據(jù)病理圖像的形態(tài)特征提出了針對(duì)性的改進(jìn)算法，提高了檢測(cè)的準(zhǔn)確度.與傳統(tǒng)的顯著性檢測(cè)方法相比，本文加入的先驗(yàn)知識(shí)更適合胃腸鏡圖像，并且通過(guò)多連通區(qū)域的高斯中心先驗(yàn)?zāi)Ｐ停梢該碛懈叩臋z測(cè)多息肉的能力.實(shí)驗(yàn)結(jié)果表明，本文的方法相比主流的顯著性檢測(cè)算法PR曲線以及F-measure柱狀評(píng)價(jià)指標(biāo)上具有明顯提升，并且有更低的MAE值，保證了計(jì)算機(jī)輔助診斷的準(zhǔn)確性，對(duì)臨床診斷有一定的參考價(jià)值.鑒于有些腸道圖片存在暗區(qū)不明顯以及輪廓被噪聲(光斑、氣泡)干擾較為嚴(yán)重的情況，尋找更具普遍意義及魯棒性的腸道中心定位以及輪廓檢測(cè)方法將是接下來(lái)的研究工作.