生物仿真转移基于学习的复杂胃肠多片分类
Daniela-Maria Cristea1,2, Daniela Onita1, Laszlo Barna Iantovics3
1Department of Computer Science and Engineering, '1 Decembrie 1918' University of Alba Iulia, 510009 Alba Iulia, Romania.
Biomimetics (Basel, Switzerland)
|October 28, 2025
概括
使用卷积神经网络 (CNN) 的人工智能 (AI) 在内镜图像中准确地分类胃肠多. 这种深度学习方法通过提高诊断准确度,提高了早期结直肠癌检测.
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:
- 研究人工智能 (AI) 在内镜图像中自动分类胃肠 (GI) 息肉.
- 专注于仿生卷积神经网络 (CNN) 和转移学习,以提高诊断准确度.
- 旨在支持早期检测结直肠癌.
研究的目的:
- 为了评估各种CNN架构对分类GI多的有效性.
- 评估优化的ResNet50,DenseNet121和MobileNetV2模型的性能.
- 确定人工智能模型的实时适用性和诊断支持潜力.
主要方法:
- 使用了Kvasir数据集 (4000张注释的内镜图像,8个多类别).
- 使用规范化,大小调整和数据增强进行预处理的图像.
- 通过使用标准性能指标训练和评估ResNet50,DenseNet121和MobileNetV2 CNN模型.
主要成果:
- ResNet50获得了最高的验证准确性 (90.5%),其次是DenseNet121 (87.5%) 和MobileNetV2 (86.5%).
- 模型表现出良好的概括性,训练验证准确性差异最小.
- 平均推断时间低于0.5秒,表明实时潜力. 混矩阵分析揭示了与视觉上相似的多类存在挑战.
结论:
- 基于深度学习的CNN架构与转移学习相结合,有效地对内镜图像进行分类.
- 人工智能模型显示出在支持胃肠的医疗诊断方面具有显著的潜力.
- 模型辅助诊断可以帮助克服在胃肠道图像中区分微妙特征的挑战.
