DRI-Net:使用密集的残留起始网络在结肠镜图像中细分聚

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:

• 结肠直肠癌通常从腺瘤多体中发展.
• 在结肠镜图像中检测多是具有挑战性的,因为视觉上的相似性和尺寸,形状和质地上的差异.
• 准确的聚细分对于早期诊断和结直肠癌的治疗至关重要.

研究的目的:

• 开发一种新的深度学习模型,以改善结肠镜图像中的结肠直肠多片细分.
• 提高结直肠癌智能诊断系统的准确性和效率.
• 解决现有方法对具有不同视觉特征的息肉进行细分的局限性.

主要方法:

• 一个新的密集的残余发起网络 (DRI-Net) 被设计,利用U-Net作为骨干.
• 修改后的剩余启动块被纳入,以增加网络宽度和容量.
• 用密集的连接方案来深化网络并改善特征提取.
• 开发了一种改进的下方采样模块,以最大限度地减少特征处理期间的信息丢失.

主要成果:

• 在Kvasir-SEG数据集上,DRI-Net取得了很高的表现,IoU为77.72%,Mcc为85.94%,Dice为86.51%.
• 该模型的性能比低于最佳模型高1.41% (IoU),0.66% (Mcc) 和0.75% (Dice).
• 废除研究证实了拟议成分在增强结直肠语义细分方面的有效性.

结论:

• 与现有方法相比,拟议的DRI-Net在结直肠语义细分方面表现出优异的性能.
• 网络架构有效地解决了在结肠镜图像中检测聚的挑战.
• DRI-Net显示了提高结直肠癌计算机辅助诊断系统准确性的巨大潜力.