融合元特征学习的混合卷积神经网络用于无线胶囊内镜图像异常检测
计算机视觉与模式识别
2022-07-21 v1 人工智能
摘要
无线胶囊内镜是检查胃肠道最先进的非侵入性方法之一。在无线胶囊内镜图像分析中，用于检测息肉、出血、炎症等胃肠道异常的智能计算机辅助诊断系统极为迫切。异常在形状、大小、颜色和纹理上差异巨大，且有些在视觉上与正常区域相似，这给设计二分类器带来了因类内差异导致的挑战。本研究提出一种用于异常检测的混合卷积神经网络，其利用多种卷积操作从无线胶囊内镜图像中提取丰富的有意义特征。该网络由三个并行卷积神经网络组成，每个网络具有独特的特征学习能力：第一个网络使用深度可分离卷积，第二个采用余弦归一化卷积操作；第三个网络引入一种新颖的元特征提取机制，从第一和第二个网络生成的特征及其自身前一层的统计信息中提取模式。该三重网络有效处理了类内方差并高效检测胃肠道异常。所提出的混合卷积神经网络模型在两个广泛使用的公开数据集上训练和测试，测试结果表明该模型分别以 97% 和 98% 的分类准确率在 KID 与 Kvasir-Capsule 数据集上优于六种 SOTA 方法。跨数据集评估结果也证明了所提模型的泛化性能。
引用
@article{arxiv.2207.09769,
title = {A Hybrid Convolutional Neural Network with Meta Feature Learning for Abnormality Detection in Wireless Capsule Endoscopy Images},
author = {Samir Jain and Ayan Seal and Aparajita Ojha},
journal= {arXiv preprint arXiv:2207.09769},
year = {2022}
}