用于增强胃肠道疾病分类的任务插值少样本网络中的轻量级关系嵌入

传统的诊断方法如结肠镜检查是侵入性的，但也是准确诊断结直肠癌（CRC）所需的关键工具。早期发现 CRC 对于提高患者生存率至关重要。然而，结肠镜检查依赖于获取充足且高质量的内镜图像。长时间的侵入性操作对患者具有内在风险，而次优或不足的图像会阻碍诊断准确性。这些通常源自视频帧的图像往往表现出相似的模式，给判别带来了挑战。为了克服这些挑战，我们提出了一种建立在少样本学习架构上的新型深度学习网络，该架构包含定制的特征提取器、任务插值、关系嵌入和双层路由注意力机制。少样本学习范式使我们的模型能够快速适应未见过的细粒度内镜图像模式，而任务插值则从不同的器械视角人工增强不足的图像。我们的关系嵌入方法能够辨别关键的图像内特征，并捕捉连续内镜帧之间的图像间转换，克服了卷积神经网络（CNN）的局限性。轻量级注意力机制的集成确保了对相关图像区域的集中分析。通过在多样化数据集上进行训练，该模型在处理内镜图像方面的泛化性和鲁棒性得到了显著提升。在 Kvasir 数据集上的评估表明，我们的模型表现出卓越的性能，达到了 90.1% 的准确率、0.845 的精确率、0.942 的召回率和 0.891 的 F1 分数。这超越了当前最先进的方法，通过先进的图像分析优化 CRC 检测，为侵入性结肠镜检查的挑战提供了一种有前景的解决方案。