基于深度学习的解剖位置识别用于胃镜检查
Xiufeng Su1, Weiyu Liu1, Suyi Jiang1
1Weihai Municipal Hospital, Cheeloo College of Medicine, Shandong University, Weihai, Shandong, China.
概括
这项研究引入了一个深度学习模型,用于在胃镜图像中自动识别解剖位置. 开发的MogaNet模型显著提高了准确性,帮助初级医生进行完整的胃镜检查.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 胃镜检查对于检测上部胃肠病变至关重要.
- 目前的胃镜培训面临挑战,因为初级医生严格的图像存档要求.
- 准确的解剖位置识别对于全面的检查和记录至关重要.
研究的目的:
- 开发一种基于深度学习的自动化系统,用于在胃镜检查期间识别解剖位置.
- 提高医疗专业人员在内镜方面的培训和诊断能力.
主要方法:
- 使用了包括8个解剖学类别的17,182张胃镜图像的数据集.
- 使用MogaNet卷积神经网络模型进行解剖位置识别.
- 使用灵敏度,精度和F1得分指标严格评估模型性能.
主要成果:
- 与ResNet,GoogleNet和SqueezeNet.Net相比,提出的MogaNet模型取得了更高的性能.
- 莫加网模型的平均灵敏度,精度和F1得分分别为0.963,0.964和0.964.
- 统计分析证实了与现有模型相比的显著改善 (p < 0.05).
结论:
- 开发的深度学习方法在胃镜检查期间识别解剖位置方面表现出色.
- 这项技术可以帮助初级医生有效地满足检查完整性和图像存档标准.
- 自动位置识别有望提高内镜培训和实践的质量和一致性.
