结肠直肠疾病诊断与深度三流融合和注意力提炼
Abdulfattah Ba Alawi1, Abdullah Ammar Karcioglu2, Ferhat Bozkurt1
1Department of Computer Engineering, Ataturk University, 25000, Erzurum, Turkey.
概括
一个新的深度学习模型,TripleFusionNet,通过使用基因病学和内镜图像来增强结直肠疾病的分类. 它实现了高精度,显示了临床环境中计算机辅助诊断的前景.
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:
- 结肠直肠癌是全球癌症死亡的主要原因之一.
- 准确和早期的诊断对于有效的治疗至关重要.
- 目前的诊断方法需要改进,以提高准确性和效率.
研究的目的:
- 开发一种新的深度学习框架,以改善结直肠疾病的分类.
- 整合多种先进的机制,以提高特征提取和分类准确度.
- 为了验证模型在既定结直肠疾病基准上的性能.
主要方法:
- 提出了TripleFusionNet,这是一个端到端的深度学习模型,具有三流架构 (EfficientNetB3,ResNet50,DenseNet121).
- 集成的多尺度注意模块和挤压激发精细化块用于歧视性特征增强.
- 采用渐进式门式融合,用于多层次特征的自适应集成.
- 在CRCCD_V1 (14类) 和LC25000 (二进制) 数据集上验证.
主要成果:
- 在CRCCD_V1上,TripleFusionNet与SVM的嵌入实现了96.63%的测试准确率和96.62%的宏F1.1.
- 该模型表现出高稳定性,具有五倍的交叉验证 (平均精度为0.964).
- 在LC25000数据集上实现了100%的准确性,具有强大的整体性能指标 (精度,回忆,F1,ROC-AUC).
结论:
- TripleFusionNet有效地从基因病学和内镜图像中对结直肠疾病进行分类.
- 学习的特征表示高度可转移到传统的机器学习模型.
- 该模型显示了现实世界计算机辅助诊断的巨大潜力,特别是在资源有限的环境中.
