《GastroNet：利用深度学习方法对胃肠道息肉和异常特征进行检测和分类》

技术简介：

早期发现消化问题对于降低患任何形式的胃肠道癌症(包括食道癌)的机会至关重要。内窥镜检查是大多数时间用于检查和拍摄此类疾病的方法。人工智能的应用现在被证明在增强胃肠道息肉和位于胃肠道系统内的其他异常特征的识别方面非常有效。作为这一发展的直接结果,人工智能在该领域的使用已经有了实质性的增长。在人工智能的框架下,本研究调查了各种类型的算法在息肉和异常特征识别的准确性、效率和检测方面的表现。并在这项工作中引入了一个模型,即GastroNet。它是通过对YOLOv5进行超参数微调来开发的,以发现特定的息肉和异常特征,特别是食管炎。在这种方法中,使用单个神经网络对整个图片进行分析,然后将其分解成其组成部分,并独立计算每个边界框和概率。超参数微调的目标是进一步增强模型的整体优化。对一组数据使用了两种不同的注释方法,这些数据由总共一千张需要标记的单独图像组成。除了实施微调的SSD模型外,本研究还使用了三种不同的骨干网络:MobileNet v2,Mobile Net v2 FPN Lite和Resnet50v1FPN。此外,本研究还使用CSPdarknet53来创建改进的YOLOv4模型。研究结果表明,所提出的GastroNet模型能够有效地正确识别息肉和异常特征,达到较高的mAP(平均精度)、F1得分和精度,值为0.99,召回率为1.00。这项研究的结果将对医生正确识别和诊断异常特征和胃肠道息肉有很大帮助。

研发人员：FARHANAYASMIN