基于深度学习模型的无线囊内镜中多类病变的图像检测方法
Zhi-Guo Xiao1,2, Xian-Qing Chen1, Dong Zhang1
1School of Computer Science Technology, Changchun University, Changchun 130022, Jilin Province, China.
World journal of gastroenterology
|December 30, 2024
概括
这项研究引入了一种深度学习模型,用于在无线囊内镜 (WCE) 图像中检测消化道病变. 该WCE_Detection模型准确识别了23种病变类型,提高了医生的诊断效率.
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:
- 无线囊内镜 (WCE) 是诊断消化道疾病的关键非侵入性工具.
- 在WCE的挑战包括复杂的解剖学和多样化的病变外观,阻碍准确的诊断.
- 医学成像技术的进步推动了WCE的实用性.
研究的目的:
- 开发一种深度学习模型,用于自动识别和精确标记消化道病变.
- 通过自动化病变检测,提高医生诊断效率.
- 在消化道疾病诊断中建立显著的临床价值.
主要方法:
- 开发了一个神经网络模型,WCE_Detection,用于检测和分类23种消化道病变.
- 采用了多重检测头策略,以提高多尺度病变检测的稳定性.
- 整合了双向特征金字塔网络 (BiFPN) 和Swin变压器,以改善特征表示和减少检测错误.
主要成果:
- WCE_Detection模型在检测23个病变时实现了91.5%的mAP50.
- 超过11个单一类别的病变超过99.4%mAP50.
- 该模型在综合检测中与最先进的方法相比,表现出更高的性能.
结论:
- 深度学习对象检测网络准确地识别了WCE图像中的多个消化道病变.
- 该模型显著提高了医疗专业人员的诊断效率.
- 拟议的方法在诊断消化道疾病方面具有实质性的临床应用价值.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.2K
