哈斯克网络:新的混合注意力选择性核心网络,用于从结肠镜图像中自动检测结肠癌
Andaç Imak1, Gürkan Doğan2, Abdulkadir Sengur3
1Department of Electrical and Electronic Engineering, Faculty of Engineering, Munzur University, Tunceli, Turkey.
Health information science and systems
|July 31, 2025
概括
这项研究介绍了HASK-Net,HASK-Net是一种深度学习模型,用于在结直肠癌查中自动检测多. 哈斯克-网显著提高了多重体识别的准确性,减少了错过的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 结肠直肠癌是癌症发病率和死亡率的主要原因之一.
- 传统的多胞体检测方法有很高的错过诊断率.
- 基于深度学习的计算机辅助诊断 (CADx) 具有提高检测率的潜力.
研究的目的:
- 提出一种新的深度学习模型,HASK-Net,用于自动检测多重体.
- 增强特征表示和复杂特征的学习,以改进多重体识别.
- 在结直肠癌查期间减少错过的息肉的发生率.
主要方法:
- 开发HASK-Net,一个用于CADx的卷积神经网络.
- 在编码器网络中使用ResNet50作为特征提取器.
- 在解码器网络中采用一种新的混合注意力选择性内核卷积.
主要成果:
- 在基准数据集 (Hiper-Kvasir 和 EndoTech 2020) 上,HASK-Net 展示了高性能.
- 获得了97.02%和84.83%的子相似度得分.
- 获得了95.38%和84.32%的MILOU分数.
结论:
- 哈斯克-网在自动检测多重体方面显示出有前途的性能.
- 新的架构增强了特征表示,以便更准确地识别多重体.
- 这种方法可以在结直肠癌查中显著减少遗漏的息肉.
