利用深度学习预测结肠胶囊内镜图像的肠道准备质量
计算机视觉与模式识别
2026-01-21 v1 人工智能
摘要
在本研究中，我们探索了深度学习技术在预测结肠胶囊内镜（CCE）图像肠道准备质量方面的应用。使用由 14 名临床医生按 Leighton-Rex 量表（差、尚可、良好和优秀）标注的 500 张图像数据集，训练了一个 ResNet-18 模型进行分类，并利用分层 K 折交叉验证以确保稳健的性能。为了优化模型，迭代应用了结构化剪枝技术，在保持高准确率的同时实现了显著的稀疏性。使用 Grad-CAM、Grad-CAM++、Eigen-CAM、Ablation-CAM 和 Random-CAM 评估了剪枝模型的可解释性，并采用 ROAD 方法进行一致性评估。我们的结果表明，对于剪枝模型，我们可以在 79% 的稀疏度下达到 88% 的交叉验证准确率，证明了剪枝在不影响性能的情况下将效率从 84% 提升的有效性。我们还强调了评估 CCE 图像肠道准备质量的挑战，强调了可解释性在临床应用中的重要性，并讨论了将 ROAD 方法用于我们任务时所面临的挑战。最后，我们采用自适应温度缩放的变体来校准剪枝模型以适应外部数据集。
引用
@article{arxiv.2601.13412,
title = {Using deep learning for predicting cleansing quality of colon capsule endoscopy images},
author = {Puneet Sharma and Kristian Dalsbø Hindberg and Benedicte Schelde-Olesen and Ulrik Deding and Esmaeil S. Nadimi and Jan-Matthias Braun},
journal= {arXiv preprint arXiv:2601.13412},
year = {2026}
}
备注
24 pages