注意增强的多任务深度学习模型用于食道病变的分类和细分
Muhammad Aftab1,2,3, Faisal Mehmood4, Kashif Iqbal Sahibzada5,6
1Pathophysiology Department, School of Basic Medical Sciences, Zhengzhou University, Zhengzhou 450001, China.
ACS omega
|March 24, 2025
概括
这项研究提出了一个新的深度学习模型来检测食道病变,改善食道癌症的早期诊断. 该模型通过分类和细分病变来帮助内镜医生,提高诊断准确度.
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:
- 精确检测和细分食道病变对于胃肠道疾病的诊断和治疗至关重要.
- 早期发现食道癌是具有挑战性的,影响患者的生存率.
- 现有的诊断工具需要改进,以提高精度和效率.
研究的目的:
- 引入一种新的多任务深度学习模型,用于对食道病变进行自动诊断.
- 整合分类和细分任务,以协助内镜师.
- 提高食道病变检测和细分的准确性和效率.
主要方法:
- 开发了一种使用MobileNetV2架构的多任务深度学习模型,配备了相互关注模块.
- 综合分类和细分任务,用于全面的损伤分析.
- 评估了早期食道癌 (EEC),CVC-ClinicDB和KVASIR数据集的模型.
主要成果:
- 实现了高分类准确度:98.72% (CVC-ClinicDB),98.95% (KVASIR) 和99.12% (EEC) 的分类准确度.
- 获得了优秀的F1分数:98.08% (CVC-ClinicDB),98.32% (KVASIR) 和99.00% (EEC) 获得了优秀的F1分数.
- 展示了强大的细分性能,子系数为92.73%和IOU为91.54%.
结论:
- 提出的多任务深度学习模型有效地帮助内镜医生评估食道病变.
- 该模型提高了诊断精度,并减轻了内镜医生的工作量.
- 这种方法显示出与食道损伤分析的最先进模型相比的显著改善.
