基于深度学习和胃镜图像的早期胃癌检测和病变细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 胃癌是一个重要的公共卫生问题.
• 胃镜是主要的查工具,但由于不清晰的表现,早期胃癌 (EGC) 检测率很低 (<10%).
• 目前正在探索深度学习模型,以提高EGC检测的准确性.

研究的目的:

• 为了提高深度学习模型的检测和细分能力,用于早期胃癌 (EGC) 在胃镜图像中.
• 引入一个改进的口罩R-CNN (IMR-CNN) 模型,旨在进行优质的EGC分析.

主要方法:

• 开发改进的Mask R-CNN (IMR-CNN) 模型,包括基于Mask R-CNN (MR-CNN) 的"双向特征提取和融合模块"和"特征通道和空间净化模块".
• 训练和验证IMR-CNN模型使用1120个EGC图像的数据集.

主要成果:

• 与原来的MR-CNN相比,IMR-CNN模型显示出更高的性能.
• IMR-CNN的关键性能指标包括:精度 (92.9%),回忆 (95.3%),准确性 (93.9%),特异性 (92.5%) 和F1-Score (94.1%).

结论:

• 拟议的IMR-CNN模型在胃镜图像中显示了用于检测和细分早期胃癌 (EGC) 病变的增强功能.
• IMR-CNN可以有效地协助医疗专业人员诊断EGC,从而有可能改善患者的治疗结果.