深度学习与精细的单候选人优化器,用于早期检测聚合物
Guoyi Wen1, Jiayu Yan2, Xin Chen3
1Hernia and Colorectal Surgery, Second Affiliated Hospital of Dalian Medical University, Dalian, 116000, China.
Scientific reports
|November 18, 2025
概括
这项研究引入了一种自动化的深度学习方法,用于检测结肠镜图像中的结肠直肠多,改善结肠直肠癌 (CRC) 的早期诊断. 这种新的方法提高了特征提取和分类精度,以更好地选CRC.
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 (CRC) 仍然是全球癌症死亡的主要原因.
- 通过结肠镜检测癌前多的早期检测对于减少CRC负担至关重要.
- 自动化聚检测可以提高结肠镜查的效率和准确性.
研究的目的:
- 开发和评估一种基于深度学习的新方法,用于在结肠镜图像中自动检测多.
- 通过完善特征提取和分类阶段,提高聚合物检测的准确性.
- 为早期发现多提供有效的工具,以帮助及时诊断CRC.
主要方法:
- 使用CaffeNet架构进行特征提取,并使用支持矢量机 (SVM)进行分类.
- 引入了精制的单一候选优化器 (RSCO) 来增强优化,平衡勘探和开发.
- 在SUN结肠镜视频数据库上评估该模型,并将其与传统方法进行比较.
主要成果:
- 与传统方法相比,拟议的深度学习模型表现出优异的性能.
- 在精确度,回忆力和精确度方面取得了显著的改进,用于检测聚合物.
- RSCO有效地完善了特征提取和分类,提高了模型的整体性能.
结论:
- 开发的自动化息肉检测系统在例行结肠镜检查期间对早期检测具有很高的有效性.
- 这种方法有可能显著帮助临床医生及时诊断结直肠癌.
- 这种新的优化技术为推进医疗诊断中的AI提供了一个有希望的方向.


