用卷积神经网络改善内镜出血检测的视觉特征
Adam Brzeski1, Tomasz Dziubich1, Henryk Krawczyk1
1Faculty of Electronics, Telecommunications and Informatics, Gdańsk University of Technology, 80-233 Gdańsk, Poland.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了新的视觉特征,用于在视频中改进内镜出血检测. 功能增强的卷积神经网络在二进制图像分类任务中表现出卓越的性能.
科学领域:
- 医学成像医学成像
- 计算机视觉 计算机视觉 计算机视觉
- 胃肠病学 胃肠病学
背景情况:
- 内镜检测出血对于患者的护理至关重要.
- 当前的方法在识别微妙的视觉线索时可能缺乏准确性.
- 自动检测系统可以帮助临床医生实时诊断.
研究的目的:
- 开发和评估一种使用图像处理和深度学习检测内镜出血的新方法.
- 将特定领域的视觉特征纳入卷积神经网络 (CNN) 模型.
- 为了比较功能增强的CNN与基线模型的性能.
主要方法:
- 定义了内镜出血的高层视觉特征,结合了领域知识.
- 开发了功能描述器,可以自动提取这些功能,生成灰度激活地图.
- 集成的功能地图与原色频道作为CNN (Resnet,VGG) 的输入.
- 使用曲线下的接收器操作特征面积 (ROC AUC) 进行了比较实验评估.
主要成果:
- 与基线模型相比,功能扩展的CNN模型显示了较好的分类性能.
- 拟议的方法显示了Resnet和VGG架构的显著优势.
- 功能工程增强了CNNs检测内镜出血的能力.
结论:
- 整合特定领域的视觉特征显著提高了内镜出血检测CNN的性能.
- 拟议的功能扩展方法为改善内镜自动诊断工具提供了一个有希望的方向.
- 这种方法有可能提高内镜手术的诊断准确性和患者的治疗结果.
