基于深度学习的实时器官定位和过境时间估计在无线囊内镜中.
Seung-Joo Nam1, Gwiseong Moon2, Jung-Hwan Park2
1Division of Gastroenterology and Hepatology, Department of Internal Medicine, Kangwon National University School of Medicine, Chuncheon 24341, Republic of Korea.
Biomedicines
|August 29, 2024
概括
这项研究引入了一个新的深度学习模型,将CNN和LSTM结合起来,用于无线囊内镜 (WCE). 该模型准确地对器官进行分类,并估计过渡时间,即使视觉数据有限,也可以改善肠道疾病的诊断.
科学领域:
- 胃肠病学 胃肠病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 无线囊内镜 (WCE) 有助于诊断肠胃疾病,但在视觉障碍方面面临挑战.
- 当前的机器学习模型通常在有限的视觉数据下失败,原因是依赖色彩信息.
研究的目的:
- 开发一种新的深度学习模型,用于 WCE 中的器官分类和传输时间估计.
- 为了提高WCE分析的准确性,特别是当视觉信息受到损害时.
主要方法:
- 开发了一个集结卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络的深度学习模型.
- 该模型分析了来自126名患者的2,395,932张图像,并结合了连续视频中的时间信息.
- 用高斯过器校准检测边界,并使用准确性,MCC和G-mean等指标评估性能.
主要成果:
- 该模型在器官分类 (胃,小肠,结肠) 中实现了超过95%的准确性,灵敏性和特异性.
- 总体准确性和F1得分达到97.1%,高MCC和G-平均值表明不平衡数据集的稳定性.
- 过境时间估计显示平均差异为4.3±9.7分钟 (胃) 和24.7±33.8分钟 (小肠),其中95.8%的胃预测在距离地面15分钟内.
结论:
- 结合CNN-LSTM模型对于WCE器官分类和传输时间估计是准确和临床有效的.
- 整合时间信息可以在具有挑战性的WCE场景中提高性能.
- 这种方法提供了一种有价值的工具,可以提高诊断准确度和管理胃肠道疾病的效率.
