相关实验视频
Updated: May 16, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
一个新的网络级融合深度学习架构与浅层神经网络分类器,用于从无线囊内镜图像中对胃肠道癌症进行分类
Muhammad Attique Khan1, Usama Shafiq2, Ameer Hamza3
1Department of Computer Science and Engineering, College of Computer Engineering and Science, Prince Mohammad Bin Fahd University, Al-Khobar, KSA, Kingdom of Saudi Arabia. attique.khan@ieee.org.
BMC medical informatics and decision making
|April 1, 2025
概括
这项研究引入了一种新的深度学习框架,用于使用无线囊内镜 (WCE) 图像进行胃肠道 (GI) 疾病诊断. 该框架实现了高精度和效率,克服了医疗图像分析中常见的挑战.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 深度学习增强了医学成像和计算机辅助诊断 (CAD),但面临着诸如阶级失衡和计算低效等挑战.
- 通过无线囊内镜 (WCE) 图像准确地分类和定位胃肠道 (GI) 疾病,对患者的护理至关重要.
研究的目的:
- 开发一种新的深度学习框架,以使用WCE图像准确地分类和定位胃肠道疾病.
- 解决医学成像深度学习方面的挑战,包括类间/类内相似性,类失衡和超参数优化.
主要方法:
- 增强数据集,以提高训练的稳定性.
- 通过深度连接将Sparse Convolutional DenseNet201与Self-Attention (SC-DSAN) 和CNN-GRU架构融合在一起.
- 贝叶斯优化 (BO) 用于动态超参数调整和受控制的海洋捕食者算法 (EMPA) 用于特征选择.
- 使用浅宽神经网络 (SWNN) 和传统分类器进行分类.
主要成果:
- 在Kvasir-V1数据集上达到99.60%的高诊断准确率,在Kvasir-V2数据集上达到95.10%.
- 与现有最先进的模型相比,在准确性,精度和计算效率方面表现出卓越的性能.
- 通过使用WCE图像成功解决了GI疾病诊断的关键挑战.
结论:
- 拟议的深度学习框架为准确和高效的肠道疾病临床诊断提供了重大进展.
- 该框架显示了广泛临床应用的潜力,未来的工作重点是适应不同数据集的适应性和计算优化.
