深度学习模型用于胃肠片细分的深度学习模型
Zitong Wang1, Zeyi Wang2, Pengyu Sun3
1Imperial College London, London, South Kensington, United Kingdom.
PeerJ. Computer science
|June 26, 2025
概括
一个新的深度学习模型提高了胃肠道多片细分的准确性. 这种人工智能工具通过分析结肠镜图像来改善早期结肠直肠癌检测,帮助临床诊断.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 胃肠道学和瘤学
背景情况:
- 结肠直肠癌是全球主要的死亡原因.
- 早期检测显著改善了患者的治疗结果.
- 结肠镜是有效的,但由于解释的变化,聚片细分面临着挑战.
研究的目的:
- 引入一种新的深度学习架构,用于胃肠片细分.
- 为了提高在结肠镜图像中检测聚的准确性和效率.
- 为了应对临床应用的自动化多片细分方面的挑战.
主要方法:
- 开发了一个编码器-解码器深度学习架构,使用预训练的ConvNeXt模型作为编码器.
- 整合了交叉注意力机制,以加强编码器和解码器之间的功能保留.
- 在解码器中引入了具有自我注意力的残余变压器块,用于长期依赖学习.
主要成果:
- 在Kvasir-SEG数据集上获得0.8715的子系数.
- 获得了0.8021.21的平均交叉点与结合点 (mIoU).
- 在胃肠片细分方面表现出最先进的性能.
结论:
- 拟议的深度学习模型显著推进了胃肠片细分.
- 该方法显示了将其集成到临床管道中的潜力,用于自动检测和诊断多重体.
- 这种方法可以帮助更早,更准确地识别结直肠多.
