优化结直肠多检测和定位:RGB颜色调整对CNN性能的影响

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胃肠病学 胃肠病学

背景情况:

• 结肠直肠癌是导致死亡的首要原因,强调了早期检测和片去除的必要性.
• 结肠镜检查是标准的查方法,但其有效性受到操作者依赖的错误率的限制.
• 机器学习,特别是卷积神经网络 (CNN),在增强结肠镜检测期间的多重体检测方面显示出希望.

研究的目的:

• 调查RGB颜色调整对CNN模型的影响,以改善结肠镜图像中的聚体检测和定位.
• 使用贝叶斯优化优化RGB颜色调整,以提高CNN性能.
• 评估这些调整对内部和外部验证数据集的有效性.

主要方法:

• 利用来自哈佛数据和LDPolypVideo-Benchmark的结肠镜图像数据集进行培训和验证.
• 应用了对图像的RGB颜色调整,并使用YOLOv8s.s.开发了多胞体检测模型.
• 使用平均平均精度 (mAP) 和F1分数评估模型性能,并对参数调整进行贝叶斯优化.

主要成果:

• 一个特定的RGB调整 (1.0 R-1.0 G-0.8 B) 在内部测试套件上显著改善了聚体检测 (mAP 0.777,F1-得分0.720) 和定位 (F1-得分0.883).
• 外部验证表明性能有所改善,尽管F1得分较低 (0.556).
• 该研究证实,RGB颜色调整可以提高CNN模型在结直肠多检测方面的性能.

结论:

• RGB颜色调整是一种可行的策略,可以提高CNN模型在检测和定位结肠直肠多瘤方面的性能.
• 虽然有希望,但这些RGB调整在各种数据集和临床环境中的通用性需要进一步调查.
• 需要继续进行研究,以验证RGB色彩增强AI模型对结肠镜的临床实用性和广泛适用性.