布-EC网络:基于EfficientNet和CA_stm_Retinanet的胃肠道多重病变的识别
Xudong Guo1, Lei Xu2, Shengnan Li2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China. guoxd@usst.edu.cn.
Journal of imaging informatics in medicine
|April 8, 2024
概括
一个新的Cascade-EC深度学习模型从囊内镜图像中自动检测和定位四种胃肠道疾病,提高诊断准确度并减少临床医生的工作负担.
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:
- 囊内镜 (CE) 有助于胃肠道检查,但增加了临床医生的工作负担和错过诊断的风险.
- 现有的人工智能模型往往侧重于有限的异常或特定的消化道段.
- 同时检测多种胃肠道疾病是具有挑战性的,因为类内的变化.
研究的目的:
- 开发一种自动化系统,用于在CE图像中识别和定位多个胃肠病变.
- 使用人工智能提高诊断条件的效率和准确性,例如血管瘤,出血,侵蚀和多.
主要方法:
- 设计了一个级联神经网络,Cascade-EC,集成图像分类的EfficientNet和用于病变检测的CA_stm_Retinanet.
- CA_stm_Retinanet使用了一种 Retinanet 架构,其新的 CA_stm_Backbone 结合了协调注意力.
- 该系统在来自317名患者的7936张CE图像的数据集上进行了训练和测试.
主要成果:
- 在多病变分类方面,Cascade-EC的平均精度为94.55%,回忆率为90.60%,F1得分为92.26%.
- 检测四种疾病类型的平均平均精度 (mAP@0.5) 为85.88%.
- 与单阶段检测网络相比,Cascade-EC表现出更高的性能.
结论:
- 体EC系统有效地自动化了CE图像中的多种胃肠病变的分类和检测.
- 这种人工智能驱动的方法显示出有很大的潜力来帮助临床医生,提高诊断能力和减少审查时间.
- 该研究强调了级联网络在解决医学成像中多种疾病检测复杂性的有效性.
