基于集成学习策略的胶肠内镜异常检测增强方法
计算机视觉与模式识别
2026-01-29 v2
摘要
胶肠内镜是一种捕捉消化道图像并筛查可能在常规内镜下难以发现疾病的检测方法。由于视频胶囊的尺寸受限，将AI模型直接嵌入胶囊内需谨慎考虑模型规模，从而复杂化了该领域的异常检测。此外，该领域可用数据的稀缺性持续构成实现有效异常检测的挑战。因此，本工作引入一种集成策略以解决胶肠内镜视频中的异常检测任务，该策略在训练和推理阶段仅需少量的单个神经网络。集成学习结合多个独立训练的神经网络的预测。这种方法已显示出在提高机器学习模型的准确率和鲁棒性方面非常有效。然而，这以更高的内存使用和增加的计算开销为代价，在许多实际应用中变得不可接受。我们提出不将相同的训练算法应用于每个单独网络，而是从异常检测领域中选取不同的损失函数来训练每个网络。该方法在两个最大的公开可用的胶肠内镜图像数据集（Galar 和 Kvasir-Capsule 数据集）上进行验证。在 Kvasir-Capsule 数据集上，我们实现了76.86%的AUC得分，在 Galar 数据集上，我们实现了76.98%的AUC得分。我们的做法在所有模型中均使用显著更少的参数超越当前基线，这是将人工智能引入胶肠内镜的关键一步。
引用
@article{arxiv.2504.06039,
title = {Enhanced Anomaly Detection for Capsule Endoscopy Using Ensemble Learning Strategies},
author = {Julia Werner and Christoph Gerum and Jorg Nick and Maxime Le Floch and Franz Brinkmann and Jochen Hampe and Oliver Bringmann},
journal= {arXiv preprint arXiv:2504.06039},
year = {2026}
}
备注
Accepted at the 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBS EMBC)