对于具有扩展可学习的偏移参数的内镜基础模型的完整微调策略
Minghan Dong1,2, Xiangwei Zheng1,2, Xia Zhang3
1School of Information Science and Engineering, Shandong Normal University, Jinan, 250358, People's Republic of China.
Biomedical physics & engineering express
|January 27, 2025
概括
一种新方法,即扩展可学习的偏移参数 (ELOP),增强了内镜视频分析,用于检测诸如胃肠道转化等复杂病变. ELOP显著提高了内镜成像中的诊断准确性.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 内镜诊断的诊断方法
背景情况:
- 内镜视频分析对于诊断疾病和指导微创手术至关重要.
- 目前的内镜基础模型 (Endo-FM) 由于不清晰的特征,难以检测胃肠代谢等复杂病变 (GIM).
研究的目的:
- 提高内镜基础模型 (Endo-FM) 在内镜视频中检测具有挑战性的病变的性能.
- 引入一种新的微调策略,即扩展可学习的偏移参数 (ELOP),以提高病变检测的准确性.
主要方法:
- 实施了完全微调策略,将扩展可学习的偏移参数 (ELOP) 纳入输入空间.
- 开发了一个新的损失函数,将交叉和焦点损失结合起来,以专注于难以分类的样本.
- 验证了ELOP策略的私人胃肠道转化症 (GIM) 数据集和公共的息肉检测数据集.
主要成果:
- 与最初的Endo-FM.相比,ELOP策略显著提高了检测准确度.
- 在GIM数据集上实现了6.25%的精度提升,在聚检测数据集上达到3.75%.
- 证明了ELOP在解决不清楚边界的病变检测挑战方面的有效性.
结论:
- 扩展可学习的偏移参数 (ELOP) 提供了一个强大的解决方案,用于在内镜视频中精确检测病变.
- ELOP提高了诊断能力,特别是对于复杂的疾病,如胃肠道转化症 (GIM).
- 这种方法通过改进的内镜视频分析,有助于更准确的诊断.
