ESFPNet:在混合变压器上的高效阶段智能特征金字塔,用于基于深度学习的癌症分析在内镜视频中

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 肺癌和结直肠癌的早期检测依赖于在内镜检查期间识别可疑病变.
• 目前对内镜视频的视觉检查是耗时且容易出现错误的.
• 自动化病变检测可以显著提高诊断准确性和效率.

研究的目的:

• 开发和评估深度学习架构,用于实时检测和细分内视频中的病变.
• 评估拟议模型在自射支气管镜检查 (AFB) 和结肠镜检查过程中的性能.
• 为了证明内镜视频分析模型的架构效率和通用性.

主要方法:

• 拟议的ESFPNet架构使用预训练的混合变压器 (MiT) 编码器和高效阶段智能特征金字塔 (ESFP) 解码器.
• 对肺癌查自光支气管镜 (AFB) 数据集进行的实验.
• 在多个公共结肠镜数据库对结肠直肠癌查的评估.

主要成果:

• 与现有的深度学习模型相比,ESFPNet在AFB数据集上展示了优越的损伤细分性能.
• 该模型在三个公共结肠镜数据库中取得了优异的细分结果,在另外两个数据库中取得了近乎最佳的结果.
• ESFPNet需要更少的参数和更少的计算,从而实现实时视频分析.

结论:

• ESFPNet为内镜视频分析提供了卓越的分析性能和架构效率.
• 该模型的学习能力和通用性表明其在其他图像细分领域的潜在应用.
• 这种深度学习方法可以通过改进的内镜视频分析来提高癌症的早期检测.