使用ResNet-50 CNN架构对喉膜图像进行二进制分类
Rakesh Srivastava1,2, Nitish Kumar2, Tushar Sandhan2
1Sushrut Institute of Plastic Surgery & Super-speciality Hospital, Lucknow/Raj ENT Centre, 3/387, Vishal Khand-3, Gomtinagar, Lucknow, India.
概括
这项研究开发了一种使用内镜图像的深度学习模型,用于在印度早期检测喉癌. 先进的卷积神经网络方法在分类癌症和非癌症病变方面具有很高的准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 喉癌在印度是一个重大的健康挑战,需要改进早期检测策略.
- 当前的诊断方法可能缺乏可访问性或需要专门的专业知识,特别是在头癌发病率高的地区.
研究的目的:
- 开发和评估一种新的深度学习模型,用于从内镜图像中对喉病变进行分类.
- 使用先进的图像分析技术,区分癌症 (状细胞癌) 和非癌症喉病变.
主要方法:
- 通过使用卷积神经网络和图像处理,利用了来自960名患者的1978年内镜图像的数据集.
- ResNet50用于特征提取,数据集分为90%用于培训/验证和10%用于测试.
- 模型的性能使用接收器操作特征 (ROC) 曲线和精度指标进行评估.
主要成果:
- 深度学习模型在分类喉病变方面表现出高效.
- 在ROC曲线下的面积为0.95 (组合),0.98 (仅NBI) 和0.93 (仅WL),表明具有强大的诊断潜力.
- 所有测试数据集的高准确率表明该模型对早期癌症检测的实用性.
结论:
- 开发的模型显示出有助于早期检测和分类喉癌的显著前景,特别是在资源有限的环境中.
- 这种方法可能有助于提高印度喉癌的诊断能力,解决严重的未满足需求.


