用于内镜的混合模型 基于融合特征的胃肠道疾病早期检测的图像分析

科学领域:

• 胃肠病学和医学成像学
• 医疗保健中的人工智能
• 计算机视觉用于疾病诊断和诊断

背景情况:

• 胃肠道疾病对健康构成重大风险,需要准确及时诊断.
• 内镜对于可视化胃肠道至关重要,但手动分析图像框架是耗时和劳动密集的.
• 需要自动诊断技术来帮助临床医生有效地从内镜图像中识别疾病.

研究的目的:

• 开发和评估先进的计算机辅助方法来使用内镜图像诊断胃肠道疾病.
• 通过自动化分析来提高胃肠道疾病检测的准确性和效率.
• 创建优化的数据集和混合深度学习模型,以提高诊断性能.

主要方法:

• 利用了胃肠内镜图像的Kvasir数据集.
• 应用预训练模型 (GoogLeNet,MobileNet,DenseNet121) 进行初始分类.
• 采用梯度向量流 (GVF) 算法来对兴趣区域 (ROI) 进行细分,创建了Kvasir-ROI数据集.
• 开发了混合卷积神经网络 (CNN) 模型 (CNN-FFNN,CNN-XGBoost) 并将CNN特征合并用于分类.

主要成果:

• 结合合并的CNN特征 (GoogLeNet-MobileNet-DenseNet121) 和XGBoost分类的混合方法学实现了卓越的诊断性能.
• 这种高性能混合型号显示了高度指标:97.54%的AUC,97.25%的精度,96.86%的灵敏度,97.25%的精度和99.48%的特异性.
• GVF算法有效地隔离了感兴趣的区域,增强了对内镜图像中的病理区域的关注.

结论:

• 计算机辅助的自动诊断技术,特别是混合深度学习模型,显示出从内镜图像诊断胃肠道疾病的重大前景.
• 开发的方法提供了一个强大的工具来支持临床医生,减少诊断工作量,并改善胃肠病学患者的结果.
• 对融合深度学习架构的进一步研究可以导致更强大,更准确的内镜成像自动诊断系统.