开发一个多融合卷积神经网络 (MF-CNN),用于在内镜图像分析中增强胃肠道疾病诊断

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:

• 胃肠道疾病需要准确的诊断才能得到有效的治疗.
• 深度学习模型显示了分析内镜图像的潜力.
• 现有的模型可能在特征提取和分类准确性方面存在局限性.

研究的目的:

• 开发一个深度学习框架,多融合卷积神经网络 (MF-CNN),用于增强胃肠道疾病的分类.
• 提高从内镜图像检测肠胃疾病的精度和稳定性.
• 根据已建立的基准来验证MF-CNN的业绩.

主要方法:

• 通过整合和调整六种深度学习模型的元素来开发MF-CNN.
• 集成的新型组件:辅助融合层 (AuxFL),融合残留区块 (FuRB) 和αDO.
• 使用KVASIR和ETIS-Larib Polyp DB的预处理内镜图像,采用自适应组图平衡 (AHE).

主要成果:

• 广播频道MF-CNN实现了99.25%的卓越准确率.
• 关键性能指标包括精度 (99.27%),回忆 (99.25%) 和F1得分 (99.25%).
• 在测试和验证组中记录了1.00的曲线下的异常面积 (AUC) 值.

结论:

• MF-CNN在分类胃肠道疾病方面表现出卓越的表现,包括性结肠炎,多和食道炎.
• 集成的新型组件 (AuxFL,αDO,FuRB) 对于减少过度装配和提高模型效率至关重要.
• 这种人工智能驱动的方法有可能在胃肠道医疗保健中显著提升诊断能力.