使用深度学习在组织学和内镜图像中检测早期的胃肠道息肉

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:

• 胃肠道癌症 (GIC) 是全球癌症相关死亡的主要原因.
• 早期发现GIC,特别是通过多体识别,对于改善患者的治疗结果至关重要.
• 目前用于瘤检测的AI技术需要进一步推进临床应用.

研究的目的:

• 开发和评估一种基于人工智能的先进方法,用于早期检测胃肠.
• 利用深度学习技术,提高识别感兴趣区域和分类多重体的准确性.
• 评估各种预训练的深度学习模型在聚识别方面的表现.

主要方法:

• 实施了三阶段的深度学习方法,首先是对兴趣区域 (ROI) 确定编码-解码网络 (EDN).
• 使用预训练模型进行了特征选择:VGG16,VGG19,ResNet50和InceptionV3.
• 支持矢量机 (SVM) 分类器被用于最终分类,在五个不同的数据集上进行训练和验证,包括组织学和内镜图像.

主要成果:

• 开发的AI方法在识别多个数据集中的胃肠片方面表现出高效.
• 在数据集1,2和4上,ResNet50获得了最高的准确性 (97.01%,96.49%,98.90%).
• 在数据集3和5上,VGG16和VGG19表现强 (96.64%,98.75%),相应的表现优于InceptionV3.3.

结论:

• 提出的先进人工智能方法对早期检测胃肠道癌症有显著的前景.
• 该研究强调了深度学习模型的有效性,特别是ResNet50,VGG16和VGG19,用于识别胃肠道多.
• 这种方法有可能提高诊断准确度,并有助于改善GIC患者管理.