从基于多尺度自适应混合架构模型的内镜图像进行乳病诊断

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:

• 乳病 (CD) 在全球约占1%,在新疆等地区的诊断不足显著.
• 现有的关于国内CD患病率的研究是有限的,通常依赖于病例报告.

研究的目的:

• 开发一种新的,高性能,轻量级的深度学习模型,用于增强乳病诊断.
• 用新疆地区的内镜图像提高乳病检测的准确性.

主要方法:

• 为CD诊断提出了一种新的CNN-Transformer混合深度学习架构.
• 采用多尺度的空间适应性选择性内核卷积特征注意模块来捕捉突出病变特征.
• 全球变压器特征与本地卷积特征的整合优化了诊断能力.

主要成果:

• 该模型实现了高性能指标:98.38%的精度,99.04%的特异性,98.66%的F1-Score和99.38%的精度.
• 深度学习网络展示了从内镜图像中有效的全球和本地特征提取.

结论:

• 开发的深度学习网络显示出对准确的乳病诊断具有重大前景.
• 这种人工智能驱动的方法,利用内镜成像,可以帮助识别不同解剖部位的乳性疾病.