基于深度学习的慢性萎缩性胃炎诊断

发布时间：2024-03-05 23:27

　　慢性萎缩性胃炎是一种常见的胃病,如果得不到及时治疗,有可能发展成胃癌。然而,胃镜检查在萎缩性胃炎检查中的敏感性仅为约42%,且活检受许多因素的影响。因此,使用卷积神经网络有助于提高诊断慢性萎缩性胃炎的准确性。首先采用INPAINT_TELEA算法对胃窦图像进行预处理,去除图像中的水印,对残差网络进行改进并嵌入Squeeze_and_Excitaion模块以筛查慢性萎缩性胃炎,改进后的网络(SR-CAGnet)通过建立短路机制以及采用特征重标定策略提高图像的分类效果。结果表明:与Alexnet和改进的ResNet网络进行对比,SR-CAGnet对慢性萎缩性胃炎的检出率为87.92%,算法识别效果良好。通过使用Apriori算法并分析,得到萎缩性胃炎与胃镜检查下其他症状的关系,以辅助医生的诊断。最后使用CAM热图验证模型的有效性。

【文章页数】：7 页

【部分图文】：

图片b：处理中使用的模板图c：去除水印后的图片图1INPAINTTELEA算法去除水印的过程Fig.1ProcessofINPAINTTELEAalgorithmtoremovewatermarksa：处理前的

和宽度相同，大小为512×512，图像格式为bmp。由于每个图像中都有水印，有些水印会与目标区域重叠，这会干扰所要研究的目标。第一步是使用INPAINT_TELEA方法对图像进行预处理，以去除图像中的水印噪声。INPAINT_TELEA算法用于处理胃镜图像某些区域中的水印，例如年....

结果如表30.20.00.00.20.40.60.81.0假阳性率AUC=0.895图5SR-CAGnet的ROC曲线Fig.5ReceiveroperatingcharacteristiccurveofSR-CAGnet在本实验的Apriori算法中，设定最小置信度为

，5组模型测试集的准确度约为87.9%，稍有变化，但变化幅度小，五折交叉验证的结果表明该模型具有较好的鲁棒性。为了评价SR-CAGnet，计算了敏感性和特异性，分别为88.2%和85.6%。此外，使用ROC曲线和AUC值来研究改进后模型的可靠性和泛化能力。本实验中的灵敏性和特异性....

图5.1功能框图

本章设计实现的基于深度学习的慢性萎缩性胃炎的智能诊断系统主要由两部分组成,一是基于深度学习的慢性萎缩性胃炎的病变识别及萎缩等级识别的模型的训练,二是界面的设计与展示的实现。通过将Python程序及其依赖项打包为一个独立的可执行文件,用户直接双击运行,无需再安装Python环境和第....

本文编号：3920204