用集体学习策略进行囊内镜的增强异常检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 囊内镜可以捕获胃肠道图像,但面临着人工智能模型大小和异常检测有限数据的挑战.
• 由于尺寸限制,将AI直接嵌入囊是很困难的,这阻碍了有效的疾病查.
• 相关数据集的稀缺性使得囊内镜检测 robust 异常检测模型的开发变得复杂.

研究的目的:

• 开发一个高效的组合策略,用于在视频囊内镜中检测异常.
• 解决AI驱动囊内镜模型大小和数据稀缺性的局限性.
• 为了提高异常检测的准确性和稳定性,同时最大限度地减少计算资源.

主要方法:

• 采用集体学习策略,训练少量个体神经网络.
• 来自异常检测场的多种损失函数被用于独立训练每个网络.
• 该方法在Galar和Kvasir-Capsule数据集上得到了验证,这是视频囊内镜最大的公共数据集.

主要成果:

• 拟议的整体策略在Kvasir-Capsule数据集上取得了76.86%的AUC得分.
• 在Galar数据集上获得了76.98%的AUC得分.
• 该方法的性能优于现有的基线,模型参数显著减少,证明效率提高.

结论:

• 开发的整体策略为视频囊内镜中异常检测提供了有效的解决方案.
• 这种方法对于将人工智能集成到囊内镜系统中至关重要,因为它的效率和减少的计算要求.
• 这些发现为在微创性胃肠道诊断中更先进的人工智能应用铺平了道路.