长期以来,癌症一直是全世界范围内困扰公共健康的重大问题。我国就是胃癌的高发区,平均每20万人中就有20.7人罹患胃癌,其作为癌症中一个相对常见的病种,由于该病直接病因不明,且恶性程度较高,加上其早期的症状并不明显,很多情况下容易造成误诊漏诊的发生,严重威胁着居民的生命安全。近年来,随着人工智能技术的快速发展,其在临床医学领域的应用也取得了重大进展。特别是在早期胃癌的检测方面,人工智能技术具有巨大的研究价值和社会意义。本文基于深度学习技术,研究了早期胃癌的辅助诊断方法,创新性地提出了结合目标检测和图像语义分割技术的早期胃癌辅助诊断技术路线,这项工作对于早期胃癌的筛查有着重要的临床应用价值。本文概括了目标检测和语义分割机器学习模型的特点,并探讨了它们在胃镜图像处理中的应用,以实现病灶区域检测和语义分割的辅助诊断技术。实验结果表明,本文提出的检测和分割模型在早期胃癌的辅助诊断上具有良好的效果,对于减轻医生工作量和提高检测的准确率有很高的临床应用意义。本文基于深度学习技术结合胃镜图像,主要提出了以下工作内容:(1)基于目标检测算法YOLOv5实现对早期胃癌的检测方法研究。本研究开发了一中基于YOLOv5的AG-221半抑制浓度专门针对早期胃癌病变区域的检测网络。首先在特征提取阶段加入了注意力机制,使得早期胃癌特征的表达能力得到提高,使用双向特征金字塔网络(Bidirectional Feature Pyramid NIn Vitro Transcriptionetwork,Bi FPN)在网络的瓶颈处,可以有效地融合不同尺度Adavosertib纯度的特征信息,并且实现快速处理,最后用C3Ghost模块代替原来颈部网络中的C3。实验结果表明,该方法的精度为94.8%、召回率和m AP值也均优于原始网络和其他对比网络。(2)探索了一种基于U-Net网络的早期胃癌病灶分割方法研究,是在胃癌检测的结果的基础上进一步进行病灶分割。本研究工作的灵感来源于U-Net网络的编码解码结构,设计了一种经过改进的U-Net网络,用于分割早期胃癌病变区域。首先,引入循环卷积替代原来的U-Net网络3×3的卷积层,这样就能够一定程度上避免低层图像特征丢失的问题,然后在循环卷积后的各层引入残差模块,最后引入SE通道注意力模块,可以自适应地加权提取图像特征,从而突出有用的特征。将改进U-Net算法用于分割早期胃癌病灶的任务中,Dice相似系数取得72.09%,其他各项性能表现也都优于对比算法,分割结果较为准确。