结肠镜通过增强的散射波段进行聚体的分类 卷积神经网络

科学领域:

• 医疗成像和人工智能的人工智能
• 胃肠道学和瘤学

背景情况:

• 结肠直肠癌 (CRC) 是癌症死亡的主要原因,需要有效的查方法.
• 大肠镜是CRC查的黄金标准,但由于照明和多形态的变化,准确的多分类仍然具有挑战性.
• 计算机辅助的息肉分类技术对于提高结肠镜诊断准确度至关重要.

研究的目的:

• 引入一个增强的散射波形卷积神经网络 (ESWCNN),以改善结肠镜图像中的聚体分类.
• 通过将卷积神经网络 (CNN) 与散射波形变换 (SWT) 集成来提高聚类分类性能.
• 对现有最先进的模型进行ESWCNN拟议方法的有效性评估.

主要方法:

• 通过在每个输入通道上连接同时可学习的图像过器和波纹过器来开发ESWCNN.
• 使用散射波纹转换 (SWT) 来提取各种尺度和方向的光谱特征.
• 采用可学习的过器来捕捉波纹过器可能错过的空间特征,在公共和私人结肠镜数据集上进行训练和测试.

主要成果:

• 在三种类型的息肉分类中 (腺瘤,超塑性,状) 达到96.4%的准确性,在两种类型的分类中 (阳性/阴性) 达到94.8%.
• 证明了高的正确分类率:腺瘤的96.2%,高可塑性息肉的98.71%,状息肉的97.9%.
• 这两类实验的平均灵敏度为96.7%,特异性为93.1%,超过了CNN的最新模型.

结论:

• 与传统的CNN模型相比,拟议的ESWCNN方法有效地以更高的准确性和有效性对结直肠聚进行分类.
• 整合SWT和CNN提供了一个强大的方法来分析聚图像中的光谱和空间特征.
• 这些发现为推进计算机辅助的多体检测和分类在结肠镜中提供了宝贵的见解.