检测图像工件使用改进的布区域基于CNN对内镜图像质量评估的质量评估

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:

• 内镜对于诊断胃肠道疾病至关重要,但易受图像工件的影响.
• 现有的图像质量评估方法缺乏可解释性,并且通常是对文物特定的.
• 内镜图像中的人工物可以扭曲视觉感知并影响诊断准确度.

研究的目的:

• 开发一种改进的基于级联区域的卷积神经网络 (CNN),用于检测胃肠道人工物.
• 使用文物检测量化评估内镜图像的质量.
• 提高内镜图像质量评估的准确性和可解释性.

主要方法:

• 改进了基于布区域的CNN,用于文物检测和定位.
• 该方法包含了增强的特征金字塔结构和道注意力机制.
• 浅层和深层特征被结合起来,以优化空间信息的利用.
• 检测到八种类型的文物,分类,并为信心得分.

主要成果:

• 拟议的文物检测方法在各种成像类型中在50%的IOU值下达到62.4%的平均精度.
• 与典型网络相比,该算法在文物检测方面表现出更好的准确性.
• 基于文物检测的图像质量评估方法显示,临床医生验证的相关系数为60.71%.

结论:

• 开发的CNN可以有效地检测和分类胃肠道物件,从而能够进行定量图像质量评估.
• 这种方法提供了一种更准确和可解释的替代方法,用于内镜图像质量评估的现有方法.
• 这些发现表明,在确保内镜成像用于临床诊断的可靠性方面取得了重大进展.