基于Kvasir数据集的内窥镜图像分类的开放集识别：深度学习方法

内窥镜图像分类在医学诊断中发挥着关键作用，通过识别解剖解剖 landmarks 和病理发现来实现。然而，传统的封闭集分类框架在开放世界临床环境中存在固有的局限性，因为无法预见的条件可能出现并影响模型的可靠性。为此，我们探索了在Kvasir数据集上应用开放集识别（OSR）技术的可能性。Kvasir数据集是一个公开且多样化的内窥镜图像集合。本研究在封闭集和开放集条件下评估和比较了几种代表性深度学习架构的OSR能力，包括ResNet-50、Swin Transformer和一种混合ResNet-Transformer模型。采用OpenMax作为基线OSR方法，以评估这些模型区分已知类别与先前未见类别的能力。本工作是首次将开放集识别应用于Kvasir数据集的努力之一，为评估医学图像分析中OSR性能提供了基础基准。我们的结果为在临床上现实环境中理解模型行为提供了实用见解，并突显了OSR技术对于在内窥镜中安全部署AI系统的重要性。