胃癌诊断中的高级CNN模型:通过深度转移学习增强内镜图像分析
Priya Bhardwaj1, SeongKi Kim2, Apeksha Koul3
1Department of Computer Science and Engineering (CSE), Tula's Institute, Dehradun, India.
Frontiers in oncology
|October 1, 2024
概括
人工智能,特别是深度转移学习模型,可以从内镜图像中准确地检测出各种胃部疾病. 这些先进的卷积神经网络 (CNN) 模型增强了胃病的早期诊断和分类.
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:
- 人工智能 (AI) 和先进技术越来越多地用于提高医学诊断的准确性.
- 胃癌的诊断可以通过对内镜图像的AI驱动分析来增强.
研究的目的:
- 利用先进的卷积神经网络 (CNN) 模型,使用内镜图像识别各种胃部疾病.
- 评估多种深度转移学习模型在分类胃病的性能.
主要方法:
- 包含各种胃图像的Kvasir数据集被预处理和分析.
- 特征提取涉及自适应值和轮分析.
- 评估了五种深度转移学习模型 (NASNetMobile,EfficientNetB5,EfficientNetB6,InceptionV3,DenseNet169) 和一个混合模型.
主要成果:
- EfficientNetB6在胃癌检测方面实现了99.88%的准确性.
- InceptionV3在检测正常的甲状腺瘤时达到97.94%的准确性.
- EfficientNetB6和EfficientNetB5对性结肠炎,正常的Z线,多和便检测具有很高的准确性.
结论:
- 深度转移学习模型有效地预测和分类早期胃癌和其他胃疾病.
- 这些人工智能技术有助于医疗专家诊断和检测胃肠道疾病.
- 这项研究强调了CNN在改变胃肠道诊断方面的潜力.
