OCCMNet: Occlusion-Aware类特征采矿网络用于在内镜中检测多类文物
Chenchu Xu1, Yu Chen1, Jie Liu2
1Department of Computer Science and Technology, Anhui University, 111 Jiulong Road, Hefei, 230601, Anhui, China.
Medical & biological engineering & computing
|March 5, 2025
概括
检测多个内镜器件是具有挑战性的,因为数据不平衡和封闭. 封闭感知类特征采矿网络 (OCCMNet) 通过解决这些问题来提高检测准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算机视觉 计算机视觉 计算机视觉
- 医疗保健中的人工智能
背景情况:
- 在内镜成像中检测多类文物对于准确的诊断至关重要.
- 挑战包括数据不平衡,类间相似性和隐藏的文物.
- 现有的方法在与同时多类文物识别的复杂性作斗争.
研究的目的:
- 开发一个先进的深度学习网络,同时检测八类内镜文物.
- 为了应对数据不平衡,文物相似性和内镜图像中遮的挑战.
- 为了提高自动化内镜文物检测的准确性和可靠性.
主要方法:
- 提出了封闭意识类特征采矿网络 (OCCMNet).
- 整合了一个双分支类再平衡模块 (DCRM) 用于数据分布平衡.
- 使用阶级歧视增强模块 (CDEM) 来改善阶级间的区别.
- 实施了全球封闭意识模块 (GOAM),通过推断模糊区域来处理封闭的文物.
主要成果:
- 在公开的EndoCV2020数据集上,OCCMNet表现出卓越的表现.
- 与最先进的方法相比,在mAP50中实现了3.5-6.5%的改善.
- 在多类文物检测中有效处理数据不平衡,相似性和封闭的挑战.
结论:
- OCCMNet显著提高了多类内镜文物检测的准确性.
- 拟议的网络在减少临床干扰和诊断错误方面具有很大的潜力.
- 这种方法促进了计算机视觉在内镜诊断中的应用.
