介绍一个深度神经网络模型,用于在结肠镜视频中检测息肉的实际实施.
Hajar Keshavarz1, Zohreh Ansari2, Hossein Abootalebian1
1Department of Artificial Intelligence in Medical Sciences, Smart University of Medical Sciences, Tehran, Iran.
Journal of medical signals and sensors
|June 23, 2025
概括
这项研究引入了一个深度学习模型,用于在结肠镜检查过程中准确检测聚,实现100%的分类和86%的界限框检测准确度. 这种高效的工具有助于癌症的早期诊断和治疗.
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:
- 深度学习越来越多地被用于计算机辅助的微创手术.
- 结肠镜中的应用包括图像分析,操作分析,技能评估和自动化.
- 对于手术图像分析的深度学习是早期胃肠病变检测和癌症治疗的关键.
研究的目的:
- 开发一种简单而准确的深度学习模型,用于在结肠镜检测多.
- 通过转移学习和多任务学习来解决有限的标记数据挑战.
- 为了实现多的分类和界限框检测.
主要方法:
- 提出了一个深度神经网络结构.
- 使用了转移学习和多任务学习.
- 该模型经过KVASIR-SEG,CVC-CLINIC和LDPolyp数据集的训练和验证,包括定制的非息肉图像.
主要成果:
- 在聚合物/非聚合物分类中达到100%的准确性.
- 在界限框检测中达到86%的准确性.
- 实时应用的快速处理时间为0.01秒.
结论:
- 深度学习模型提供了一种高效,准确和具有成本效益的解决方案,用于实时检测结肠镜聚.
- 该模型在基准数据集上的表现表明了临床部署的潜力.
- 帮助癌症早期诊断和治疗计划.
