颜色引导的可变形卷积网络用于使用内镜图像进行肠道代塑症严重程度的分类
Zheng Li1,2, Xiangwei Zheng1,2, Yijun Mu3
1School of Information Science and Engineering, Shandong Normal University, Jinan, People's Republic of China.
Physics in medicine and biology
|August 24, 2023
概括
一个新的彩色引导的可变形卷积网络 (CDCN) 准确地从内镜图像中对肠道代谢 (IM) 的严重程度进行分级. 这种人工智能方法可以改善诊断,并可能防止胃癌的进展.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 肠道代谢 (IM) 是胃癌的癌前状态,风险随严重程度而增加.
- 目前的深度学习方法很难模拟IM病变的复杂几何结构.
研究的目的:
- 开发一种准确的方法来使用内镜图像对IM严重程度进行分级.
- 改善胃癌的早期检测和预防.
主要方法:
- 提出了一个新的彩色引导可变形卷积网络 (CDCN),集成传统和深度学习技术.
- 开发了一种基于颜色特征的新偏移生成方法,以引导可变形卷积.
- 利用卷积神经网络中的自适应性样本位置调整来提取符合形状的特征.
主要成果:
- 在自建的IM严重性数据集上,CDCN实现了84.17%的准确性.
- 与标准的可变形卷积网络 (DCN) 相比,CDCN的准确性提高了5.39%.
- 超过了一些IM严重程度分级的现有方法.
结论:
- CDCN是第一个使用内镜图像对IM严重程度进行分级的方法.
- 这种方法显著提高了内镜对于精确的胃癌风险评估的临床实用性.
- CDCN为早期胃癌预防提供了一个有前途的工具.


