通过自动 Lesion 分割提高胃出血诊断精度：Deep DuS-KFCM 方法
图像与视频处理
2024-11-26 v2 计算机视觉与模式识别
摘要
及时且精确的胃出血在内窥镜图像中的分类和分割对于快速诊断和干预胃部并发症至关重要，这在拯救生命的医疗程序中至关重要。传统方法困扰于胃组织结构相邻组织的难以区分的强度值。我们的研究旨在通过引入一种新型深度学习模型——Dual Spatial Kernelized Constrained Fuzzy C-Means（Deep DuS-KFCM）聚类算法来革命这一领域。这种混合 Neuro-Fuzzy 系统将 Neural Networks 与 Fuzzy Logic 融合，提供了高度精确和高效的出血区域识别。通过实施一种基于 two-fold coarse-to-fine 的分割策略，该模型最初采用增强了空间 Kernelized Fuzzy C-Means（SKFCM）算法，集成了空间强度轮廓，然后利用最先进的 DeepLabv3+ 和 ResNet50 架构来细化分割输出。在广泛的实验中，我们的 Deep DuS-KFCM 模型在主流胃出血和红斑数据集上实现了 unprecedented 的准确率 87.95%，且特异性达 96.33%，超越当代分割方法。这些发现凸显了该模型对噪声的鲁性以及卓越的分割能力，尤其擅长识别细微的出血症状，从而在医学影像处理中实现了显著的跃进。
引用
@article{arxiv.2411.14385,
title = {Enhancing Diagnostic Precision in Gastric Bleeding through Automated Lesion Segmentation: A Deep DuS-KFCM Approach},
author = {Xian-Xian Liu and Mingkun Xu and Yuanyuan Wei and Huafeng Qin and Qun Song and Simon Fong and Feng Tien and Wei Luo and Juntao Gao and Zhihua Zhang and Shirley Siu},
journal= {arXiv preprint arXiv:2411.14385},
year = {2024}
}