集成深度特征提取与混合 ResNet-DenseNet 模型用于内窥镜图像的多类别异常检测
计算机视觉与模式识别
2024-10-25 v1 机器学习
摘要
本文提出了一种深度学习框架，用于对胃肠道异常在视频掏取内窥镜 (VCE) 帧中的多类别分类。旨在自动识别十类胃肠道异常，包括血管扩张、出血和溃疡，从而减轻胃肠科医生的诊断负担。利用 DenseNet 和 ResNet 架构的集成，所提出的模型在结构完善的数据集上实现了 94% 的总体准确率。精确度分数范围从 0.56（苔藓）到 1.00（虫虫），召回率在正常发现时达到 98%。本研究强调了健壮数据预处理技术，包括归一化和数据增强，在提高模型性能方面至关重要。本工作的贡献在于开发一种有效的 AI 驱动工具，旨在简化胃肠科诊断流程，最终改善患者护理和临床结果。
引用
@article{arxiv.2410.18457,
title = {Integrating Deep Feature Extraction and Hybrid ResNet-DenseNet Model for Multi-Class Abnormality Detection in Endoscopic Images},
author = {Aman Sagar and Preeti Mehta and Monika Shrivastva and Suchi Kumari},
journal= {arXiv preprint arXiv:2410.18457},
year = {2024}
}
备注
10 pages, 5 figures, CVIP challenge report including the validation results