小动物模型内镜成像中的自动化病变检测 - 一项试点研究

科学领域:

• 兽医医学 兽医医学 兽医医学
• 在瘤学瘤学.
• 生物医学工程 生物医学工程

背景情况:

• 小动物模型,特别是小鼠,对于胃肠道疾病研究至关重要,包括结肠直肠癌.
• 这些模型中的结肠镜产生了大量的视频数据,使手动分析资源密集且耗时.
• 在临床前内镜研究中,自动化分析对于高效的瘤评估至关重要.

研究的目的:

• 开发和评估一个自动化的深度学习系统,用于在小鼠结肠镜视频中检测和分类结肠瘤.
• 在临床前研究中提高瘤评估的效率和准确性.
• 为在小鼠模型上进行内镜研究的研究人员提供实时分析支持.

主要方法:

• 一个YOLOv7深度学习模型,预先训练在人类的多胞体图像上,被调整为小鼠结肠镜视频分析.
• 使用补充性便探测器和基于颜色的过器优化了瘤检测.
• 损伤分类采用基于定制比率的方法,将瘤从"0" (没有) 分类到"5" (结肠直径高于50%).

主要成果:

• YOLOv7模型实现了0.576的初始检测精度和0.916的回忆.
• 便检测器的整合显著改善了检测指标,精度为0.932,回忆率为0.946,精度为0.897.
• 针对专家注释的瘤分类准确度达到0.759精度,0.774回忆和0.774准确度在所有五个类别.

结论:

• 开发的深度学习系统在检测和分类小鼠结肠瘤方面表现出可靠的性能.
• 这种自动化方法为临床前内镜研究提供了有价值的实时支持.
• 建议进行进一步的验证研究,以充分确定系统的功能和潜在的临床影响.