基于卷积神经网络建立中药材自动识别的人工智能模型及应用程序

1

作者 王甘红 张子豪 +3 位作者 奚美娟 夏开建 周燕婷 陈健 《中国全科医学》 北大核心 2025年第9期1128-1136,共9页

背景传统中药材检测手段依赖主观经验,难以满足中药材在准确分类与鉴别方面的需求。目的基于卷积神经网络(CNN)开发一款能够自动识别163种中药材的人工智能模型及电脑端应用程序。方法2020年1月—2024年6月,采集了两个中药材数据集进行... 背景传统中药材检测手段依赖主观经验,难以满足中药材在准确分类与鉴别方面的需求。目的基于卷积神经网络(CNN)开发一款能够自动识别163种中药材的人工智能模型及电脑端应用程序。方法2020年1月—2024年6月,采集了两个中药材数据集进行深度学习模型的训练、验证和测试,共包含163种中药材。通过准确率、灵敏度、特异度、精确率、受试者工作特征(ROC)曲线下面积(AUC)、F1分数等指标来衡量CNN模型的性能。在模型训练完成后,基于PyQt5技术开发了一款应用程序,供临床便携使用。结果本研究共纳入了276767张图像,开发了EfficientNetB0、ResNet50、MobileNetV3、VGG19和ResNet185种模型,通过性能比较,EfficientNet_B0模型在验证集上取得了最高的准确率(99.0%)和AUC(0.9942),被选为最佳模型。在测试集上,最佳模型对所有中药类别识别的准确率为99.0%、灵敏度为99.0%、特异度为100.0%、AUC为1.0,展现出良好的性能。结论基于卷积神经网络开发的深度学习模型能够快速准确地识别163种中药材,借助其高灵敏度的识别能力,为医师对中药材的鉴别提供有力辅助。 展开更多

关键词 中药材 模式识别 自动 中药药材学 应用程序 人工智能 PyQt5 卷积神经网络

在线阅读 下载PDF 职称材料

基于YOLOv8网络构建小肠多病变自动检测人工智能辅助系统

2

作者 丁雨 孙斌 +3 位作者 王甘红 夏开建 徐晓丹 陈健 《中国医疗设备》 2025年第1期20-25,40,共7页

目的基于单阶段检测框架的YOLOv8网络开发人工智能辅助系统,用于自动检测胶囊内镜(Capsule Endoscopy,CE)拍摄的11类小肠病变图像。方法本研究采用来自3种不同品牌CE设备的图像数据集进行深度学习模型的训练与测试,该数据集包含13683张... 目的基于单阶段检测框架的YOLOv8网络开发人工智能辅助系统,用于自动检测胶囊内镜(Capsule Endoscopy,CE)拍摄的11类小肠病变图像。方法本研究采用来自3种不同品牌CE设备的图像数据集进行深度学习模型的训练与测试,该数据集包含13683张图像和24416个注释标签。评估模型性能的指标包括准确度、敏感度、特异性、假阳性率以及检测速度。结果在对包含2729张CE图像(共4801个注释标签)的测试集进行评估时,YOLOv8m版本在确保高精度的同时,也展现了较快的推理速度,与其他YOLO版本相比展示了更加优异的性能。YOLOv8m在所有类别上的整体准确度为0.9597、敏感度为0.8176。在11个分类中,“出血”类别的敏感度最高,达到0.9342,而“红斑”类别的敏感度最低,为0.6832。就处理速度而言,YOLOv8m处理2729张图像的总耗时为16.37 s。结论基于YOLOv8m网络的人工智能模型能够快速精确地检测与分类多种小肠病变,在辅助内镜医师提升CE诊断效率和准确性方面展现出较大的应用潜力。 展开更多

关键词 小肠病变 人工智能 胶囊内镜 目标检测 YOLO 迁移学习

在线阅读 下载PDF 职称材料

基于不同卷积神经网络构建小肠多病变自动检测的人工智能辅助系统

3

作者 陈健 王甘红 +3 位作者 张子豪 夏开建 戴建军 徐晓丹 《兰州大学学报（医学版）》 2024年第9期23-29,共7页

目的基于不同卷积神经网络开发人工智能辅助系统,用于自动检测小肠胶囊内镜(CE)拍摄的11类小肠病变图像,提高诊断的效率、准确性和客观性。方法收集来自3个不同医学中心,使用3种不同品牌设备拍摄的CE图像,构建图像数据集,用于不同卷积... 目的基于不同卷积神经网络开发人工智能辅助系统,用于自动检测小肠胶囊内镜(CE)拍摄的11类小肠病变图像,提高诊断的效率、准确性和客观性。方法收集来自3个不同医学中心,使用3种不同品牌设备拍摄的CE图像,构建图像数据集,用于不同卷积神经网络模型的训练和测试,共含13683张图像和15117个注释标签。模型性能评估指标包括平均精度、准确率、敏感性、特异性、假阳性率、检测速度。结果构建了2种YOLO模型和2种RTMDet模型,在包含2729张CE图像(4801注释标签)的测试集上,RTMDet_m模型取得了最佳的mAP50(82.58%),但也展现出最慢的延迟时间(47.28帧/s)。模型达到了82.76%的整体敏感性和95.91%整体准确率;在具体类别的推理中,敏感性最高的类别是“出血”,而最低的类别是“黏膜下肿瘤”。结论使用混合品牌CE图像开发的人工智能模型能够快速准确地检测与分类11种小肠病变,在帮助医师提升CE诊断效率和准确性方面展现出很好的临床应用潜力。 展开更多

关键词 小肠病变 卷积神经网络 人工智能 胶囊内镜 目标检测

在线阅读 下载PDF 职称材料

基于人工智能的非放大内镜结直肠病变自动NICE分型:从构建到部署

4

作者 陈健 夏开建 +3 位作者 卢勇达 丁雨 刘罗杰 徐晓丹 《兰州大学学报(医学版)》 2024年第12期18-31,共14页

目的近年,欧洲与中国的年轻人群中结肠癌发病率明显增加。尽管窄带成像(NBI)国际结直肠息肉内镜(NICE)分型为此提供了策略,但年轻医师在应用中仍面临挑战。本研究涵盖了从构建到部署的全流程,致力于构建基于NICE分型的人工智能深度学习... 目的近年,欧洲与中国的年轻人群中结肠癌发病率明显增加。尽管窄带成像(NBI)国际结直肠息肉内镜(NICE)分型为此提供了策略,但年轻医师在应用中仍面临挑战。本研究涵盖了从构建到部署的全流程,致力于构建基于NICE分型的人工智能深度学习模型,旨在提升结直肠病变鉴别的准确度并协助临床决策。方法基于3个数据集:数据集1(苏州大学附属常熟医院,n=2050)、数据集2(常熟市中医院,n=456)用于模型训练与测试,数据集3(苏州大学附属第一医院,n=99)作为外部测试集。纳入研究的结肠镜图像包括正常肠道及NICE 3个分型。图像经过预处理和增强后,采用基于卷积神经网络和Transformer的预训练模型进行迁移学习。模型训练采用交叉熵损失函数,使用Adam优化器,并实施学习率调度。模型的评估指标包括准确性、精确度、召回率、F1分数等,并进行模型和内镜医师在不同阈值下的预测准确性对比。为提高模型透明度,进行深入地可解释性分析,包括梯度加权类激活映射、引导式梯度加权类激活映射和沙普利加和解释等技术。最后,模型被转换为ONNX格式并部署到多种设备终端,以实现结直肠病变的实时NICE分型。结果在2605张结肠内窥镜图像中,EfficientNet模型的表现超越了其他5种卷积神经网络和Transformer模型,测试准确率达91.03%。该模型精确率、召回率和F1得分达91.82%、91.40%和91.60%。在外部的99张测试图像上,其准确率、曲线下面积、精确度和召回率分别为91.92%、99.43%、92.96%和91.92%。虽然模型整体表现卓越,但仍存在误分型。通过可解释性分析可识别模型决策的关键区域以及导致误分型的原因。此外,模型已成功转换为ONNX格式,并在多个平台上实现了超过50帧/s的实时NICE分型。结论本研究成功构建EfficientNet模型,针对结直肠病变的NICE分型,准确率高达91.92%,在关键性能指标上优于内镜医师,可为早期诊断提供强大支持。 展开更多

关键词 深度学习 窄带成像国际结直肠息肉内镜 结肠镜 卷积神经网络模型 Transformer模型 模型部署

在线阅读 下载PDF 职称材料

基于不同深度学习架构建立结肠镜质量控制的人工智能辅助系统

5

作者 陈健 张子豪 +3 位作者 王甘红 王珍妮 夏开建 徐晓丹 《中国医学物理学杂志》 CSCD 2024年第11期1443-1452,共10页

目的:利用不同深度学习架构模型构建结肠镜质量控制的深度学习模型,并深入探索其决策机制。方法:基于HyperKvasir和苏州大学附属常熟医院的数据集,筛选结肠镜图像,涵盖不同清洁度的肠道、息肉及盲肠。图像经过预处理和增强后,采用基于... 目的:利用不同深度学习架构模型构建结肠镜质量控制的深度学习模型,并深入探索其决策机制。方法:基于HyperKvasir和苏州大学附属常熟医院的数据集,筛选结肠镜图像,涵盖不同清洁度的肠道、息肉及盲肠。图像经过预处理和增强后,采用基于卷积神经网络(CNN)和Transformer的预训练模型进行迁移学习。模型训练采用交叉熵损失函数,使用Adam优化器,并实施学习率调度。为提高模型透明度,进行深入的可解释性分析,包括梯度加权分类激活映射、指导式梯度加权分类激活映射和沙普利加性解释等技术。最后,模型被转换为开放神经网络交换格式(ONNX)并部署到多种设备终端,以实现结肠镜质量的实时控制。结果:在3831张结肠内窥镜图像中,EfficientNet模型在测试集上表现最佳,准确率达到0.992,超过其他CNN(DenseNet121、ResNet50、VGG19)和Transformer(ViT、Swin、CvT)架构模型,其精确率、召回率和F1值分别为0.991、0.989和0.990。在358张外部测试集图像上,EfficientNet模型的平均AUC、精确率和召回率分别为0.996、0.948和0.952。尽管模型整体表现出色,但仍存在一些误判情况。模型可解释性分析揭示其决策中所依赖的图像区域。此外,模型已成功转换为ONNX格式并在多种平台和设备上部署,实现每秒超过60帧的平均推理速度,确保结肠镜检查的实时质量控制。结论:本研究为结肠镜质量控制开发7种基于CNN与Transformer的模型,EfficientNet在各类别中展现出卓越性能,并已在多终端实现实时预测,为患者提供更高水平的医疗服务。 展开更多

关键词 深度学习 TRANSFORMER 结肠镜质量控制 结肠镜 模型部署

在线阅读 下载PDF 职称材料

基于Hill分级建立胃食管阀瓣功能自动评估的人工智能辅助系统

6

作者 王甘红 夏开建 +2 位作者 周燕婷 陈健 徐璐 《中国医疗设备》 2024年第11期17-26,共10页

目的利用深度学习技术开发基于Hill分级的人工智能模型,提升内镜医师对食管胃连接部形态的分类效率和准确性。方法本研究采集了4个数据集,包括总计1143张胃食管瓣膜(Gastroesophageal Flap Valve,GEFV)图像和17个胃镜视频,涵盖HillⅠ、... 目的利用深度学习技术开发基于Hill分级的人工智能模型,提升内镜医师对食管胃连接部形态的分类效率和准确性。方法本研究采集了4个数据集,包括总计1143张胃食管瓣膜(Gastroesophageal Flap Valve,GEFV)图像和17个胃镜视频,涵盖HillⅠ、Ⅱ、Ⅲ、Ⅳ级的GEFV图像。图像经过预处理和增强,利用基于卷积神经网络(Convolutional Neural Network,CNN)和Transformer架构的预训练模型进行迁移学习。评估模型性能时,考量准确度、精准度、召回率、F1得分等指标,并将其与内镜医师在不同阈值下的预测准确性进行对比。为增强模型透明度,采用多种可解释性分析技术,包括t-SNE、梯度加权分类激活映射(Grad-CAM)和SHAP技术。最终,模型被转化为开放神经网络交换(ONNX)格式,并部署到多种设备终端上,以实现GEFV形态的实时Hill分级。结果EfficientNet-Hill模型的性能表现超越了其他6种CNN和Transformer模型,在外部测试集上的准确度达83.32%,略低于高级内镜医师(86.51%),但高于初级内镜医师(75.82%)。另外,该模型在精准度、召回率和F1得分方面分别可达84.81%、83.32%和83.95%。模型在多终端设备部署后实现了超过50fps的实时自动Hill分级。结论利用深度学习构建EfficientNet-Hill人工智能模型,实现了针对GEFV形态的自动Hill分级,能够辅助内镜医师提升内镜下分级的诊断效率和准确性,促进Hill分级纳入常规内镜报告和全球胃食管反流病评估中。 展开更多

关键词 胃食管阀瓣 深度学习 卷积神经网络 Hill分级 可解释性分析技术 人工智能辅助系统 迁移学习

在线阅读 下载PDF 职称材料

基于YOLO神经网络构建耳穴特征点辅助检测的人工智能辅助系统

7

作者 王甘红 张子豪 +3 位作者 夏开建 周燕婷 奚美娟 陈健 《中国针灸》 北大核心 2025年第4期413-420,共8页

目的:基于YOLOv8神经网络开发用于21个常用耳穴特征点自动检测的人工智能辅助系统。方法:收集2019年6月至2024年2月来自3个中心的人体耳部图像数据,共计660张。使用LabelMe5.3.1图形标注工具进行图像的矩形框和特征点标注,并转换为YOLO... 目的:基于YOLOv8神经网络开发用于21个常用耳穴特征点自动检测的人工智能辅助系统。方法:收集2019年6月至2024年2月来自3个中心的人体耳部图像数据,共计660张。使用LabelMe5.3.1图形标注工具进行图像的矩形框和特征点标注,并转换为YOLO模型兼容的格式。利用这些数据,进行不同规模YOLO神经网络预训练模型的迁移学习和微调训练。在验证集和测试集上进行模型的性能评估,包括不同阈值下的平均精度(mAP)、召回率(recall)、推理速度(FPS)、混淆矩阵等。最后,将模型部署于本地计算机,并通过摄像头对人体耳部图像进行实时检测。结果:本研究开发了5种不同版本的YOLOv8关键点检测模型,包括YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x。在验证集上,YOLOv8n在速度(225.736帧/s)和精确率(0.998)上均表现最佳。在外部测试集上,YOLOv8n识别耳部的准确率为0.991、敏感性为1.0、F1分数为0.995。耳穴特征点定位性能结果显示,50%交并比阈值下的平均精度(mAP50)为0.990,精确率为0.995,召回率为0.997。结论:基于YOLOv8n构建的21个常用耳穴关键点检测模型具有良好的预测性能,能够自动快速地对耳穴进行定位和分类。 展开更多

关键词 耳穴 深度学习 关键点检测 YOLO神经网络 人工智能

原文传递

基于YOLOv8网络建立结直肠息肉实时检测的人工智能辅助系统(含视频)

8

作者 陈健 孙斌 +4 位作者 王甘红 夏开建 汤洪 徐晓丹 周静洁 《胃肠病学和肝病学杂志》 2025年第4期538-545,共8页

目的利用2023年新推出的YOLOv8m网络,开发一款人工智能辅助系统,旨在实现腺瘤性息肉的自动定位和诊断。方法使用4个结肠息肉数据集,总计包括9411张静态图像和25段视频。所涵盖的息肉类别包括增生性息肉和腺瘤性息肉。利用LabelMe工具对... 目的利用2023年新推出的YOLOv8m网络,开发一款人工智能辅助系统,旨在实现腺瘤性息肉的自动定位和诊断。方法使用4个结肠息肉数据集,总计包括9411张静态图像和25段视频。所涵盖的息肉类别包括增生性息肉和腺瘤性息肉。利用LabelMe工具对图像进行标注,并将标注数据转换成适用于深度学习模型训练的YOLO格式。在模型训练方面,采用预训练的YOLOv5m和YOLOv8m模型,并结合实时数据增强以及多种图像处理技术进行迁移学习训练。模型性能的评估采用多个指标,包括敏感性、特异性、假阳性率和检测速度(每秒帧数,frames per second,FPS)、平均精度(mean average precision,mAP)等。此外,还使用混淆矩阵进行详细评估,并将模型的性能与不同资历的医师进行比较分析。结果在对1411个息肉的验证集进行评估中,YOLOv8m模型在多项性能指标上超越了YOLOv5。YOLOv8m的整体准确率为98.58%,在腺瘤性息肉、增生性息肉检测的敏感性分别为98.06%和99.32%,特异性分别为99.33%和98.09%,不同类型息肉预测的mAP50为0.994。在与内镜医师的性能比较中,YOLOv8m模型在准确率(98.58%)和处理速度(60.61帧/s)方面均优于低年资(准确率为86.02%)和高年资内镜医师(准确率为93.14%),其处理速度是低年资内镜医师的67.2倍。结论基于YOLOv8m网络的深度学习模型能够快速、精确地检测与分类结直肠息肉,在辅助内镜医师提高腺瘤性息肉检出率方面展现出很大的应用潜力。 展开更多

关键词 结直肠息肉 深度学习 深度卷积神经网络 目标检测 YOLO

在线阅读 下载PDF 职称材料

基于YOLO神经网络和迁移学习的结直肠息肉内镜图像分割

9

作者 陈健 王甘红 +3 位作者 夏开建 汤洪 徐晓丹 刘罗杰 《现代消化及介入诊疗》 2024年第5期599-604,共6页

目的基于YOLOv8神经网络开发针对结直肠息肉内镜图像的语义分割模型。方法收集2018年6月至2024年2月期间的结直肠息肉内镜数据,包括静态图像和视频。所有样本均经过病理学验证,分为锯齿状病变和腺瘤性息肉两类。使用LabelMe工具进行了... 目的基于YOLOv8神经网络开发针对结直肠息肉内镜图像的语义分割模型。方法收集2018年6月至2024年2月期间的结直肠息肉内镜数据,包括静态图像和视频。所有样本均经过病理学验证,分为锯齿状病变和腺瘤性息肉两类。使用LabelMe工具进行了图像的多边形标注,并转换为YOLO模型兼容的格式。利用这些数据,进行了不同规模的YOLO神经网络模型的迁移学习和微调训练。模型的性能在验证集和测试集上进行了评估,包括精确率(Precision)、检测速度、准确率(ACC)、平均交并比(mIoU)等指标。结果本研究开发了5种不同版本大小的YOLOv8语义分割模型,包括v8n、v8s、v8m、v8l、v8x。其中YOLOv8l在速度(107.5帧/s)和精确率(94.50%)达到了最佳平衡,在内部验证集中YOLOv8l的准确率达0.924,mIoU达83.06%,Dice系数达0.941。在外部测试集中,准确率为0.902,mIoU为80.08%,Dice系数为0.923。结论基于YOLOv8l构建的结直肠息肉语义分割模型具有良好地预测性能,能够自动对息肉进行定位和分类,并精确描述息肉的像素级轮廓。 展开更多

关键词 结直肠息肉 深度学习 语义分割 YOLO 人工智能

在线阅读 下载PDF 职称材料

基于深度学习的结直肠息肉内镜图像分割和分类方法比较 被引量：3

10

作者 陈健 王珍妮 +3 位作者 夏开建 王甘红 刘罗杰 徐晓丹 《上海交通大学学报（医学版）》 CAS CSCD 北大核心 2024年第6期762-772,共11页

目的·比较不同深度学习方法在结直肠息肉内镜图像分割和分类任务中的性能,以确定最优方法。方法·从3家医院采集4个结肠息肉数据集,涵盖1534个静态图像及15个肠镜视频。所有样本均经病理学验证,分为锯齿状病变和腺瘤性息肉2类... 目的·比较不同深度学习方法在结直肠息肉内镜图像分割和分类任务中的性能,以确定最优方法。方法·从3家医院采集4个结肠息肉数据集,涵盖1534个静态图像及15个肠镜视频。所有样本均经病理学验证,分为锯齿状病变和腺瘤性息肉2类。使用LabelMe工具进行多边形标注,将标注结果转换为整数掩膜格式。数据用于训练不同架构的深度神经网络,包括卷积神经网络、Transformer以及这2种技术的融合,建立有效的语义分割模型。对比不同架构模型自动诊断结肠息肉的多项性能指标,包括平均交并比(mIoU)、整体准确率(aAcc)、平均准确率(mAcc)、平均Dice系数(mDice)、平均F分数(mFscore)、平均精确率(mPrecision)和平均召回率(mRecall)。结果·开发了4种不同架构的语义分割模型,包括2种深度卷积神经网络架构(Fast-SCNN和DeepLabV3plus)、1种Transformer架构(Segformer)以及1种混合架构(KNet)。在对291张测试图像进行综合性能评估中,KNet最高mIoU为84.59%,显著优于Fast-SCNN(75.32%)、DeepLabV3plus(78.63%)和Segformer(80.17%)。在“背景”“锯齿状病变”和“腺瘤性息肉”3个类别上,KNet的交并比(IoU)分别为98.91%、74.12%和80.73%,均超越其他模型。KNet在关键性能指标上也表现优异,其中aAcc、mAcc、mDice、mFscore和mRecall分别达到98.59%、91.24%、91.31%、91.31%和91.24%,均优于其他模型。尽管在mPrecision上,91.46%并非最突出,但KNet的整体性能仍领先。在80张外部测试图像的推理测试中,KNet保持了81.53%的mIoU,展现出良好的泛化能力。结论·利用基于KNet混合架构的深度神经网络构建的结直肠息肉内镜图像语义分割模型表现出优异的预测性能,具有成为检测结直肠息肉高效工具的潜力。 展开更多

关键词 深度学习 结直肠息肉 卷积神经网络 TRANSFORMER 图像分割

在线阅读 下载PDF 职称材料

基于自动化机器学习构建胆总管结石自发排石预测模型及应用程序

11

作者 陈健 夏开建 +3 位作者 高福利 刘罗杰 王甘红 徐晓丹 《临床肝胆病杂志》 2025年第3期518-527,共10页

目的鉴于胆总管结石患者治疗决策的复杂性,本研究利用自动化机器学习算法,开发一款能够预测胆总管结石患者自发排石的预测模型及应用程序,从而减少非必要内镜逆行胰胆管造影(ERCP)。方法回顾性收集2022年1月—2024年6月通过影像学手段... 目的鉴于胆总管结石患者治疗决策的复杂性,本研究利用自动化机器学习算法,开发一款能够预测胆总管结石患者自发排石的预测模型及应用程序,从而减少非必要内镜逆行胰胆管造影(ERCP)。方法回顾性收集2022年1月—2024年6月通过影像学手段明确诊断胆总管结石后拟行ERCP取石的患者数据,数据来自常熟市第一人民医院(数据集1)和常熟市中医院(数据集2),共835例。数据集1用于机器学习模型训练、内部验证和开发应用程序,数据集2用于外部测试。纳入22个潜在预测变量,用于构建和内部验证LASSO回归模型及自动化机器学习模型。通过受试者操作特征曲线下面积(AUC)、敏感度、特异度、准确率等评估模型性能,选取最佳模型。使用特征重要性图、力图和SHAP图对模型进行解释。利用Python Dash库和最佳模型构建Web应用程序,在数据集2上进行外部测试。使用Kolmogorov-Smirnov检验确定数据是否符合正态分布;对于不符合正态分布的连续变量,使用Mann-Whitney U检验进行2组间比较;分类变量通过χ^(2)检验或Fisher精确检验来分析组间差异。结果纳入835例患者中,152例(18.20%)出现自发排石。在训练集(n=588)和验证集(n=171)中,LASSO模型的AUC分别为0.875、0.864,重要性排名前5的预测因素为单发胆总管结石、胆总管不扩张、胆总管结石直径、血清ALP降低和GGT降低。通过自动化机器学习构建了55个模型,其中梯度提升机(GBM)表现最佳,其AUC为0.891,95%CI为0.859~0.927,优于极端随机树(XRT)、深度学习(DL)、广义线性模型(GLM)和分布式随机森林(DRF)模型。在测试集(n=76)中,GBM模型的预测准确率、敏感度和特异度分别为0.855、0.846和0.857。变量重要性分析显示,单发胆总管结石、胆总管不扩张、胆总管结石直径<8 mm、血清ALP降低和GGT降低这5个因素对预测自发排石具有重要影响。基于GBM模型的SHAP图分析显示,当患者出现单发胆总管结石、胆总管不扩张、胆总管结石直径<8 mm、血清ALP及GGT降低时,出现自发性排石的概率明显增加。结论基于自动化机器学习算法构建的GBM模型及应用程序,在预测胆总管结石患者自发排石方面展现出良好的预测性能和使用便捷性。该应用程序能够帮助避免非必要的ERCP,从而降低手术风险和医保支出。 展开更多

关键词 胆总管结石病 胰胆管造影术 内窥镜逆行 机器学习 预测模型

在线阅读 下载PDF 职称材料

基于卷积神经网络实现结直肠息肉的实时检测与自动NICE分型(附视频) 被引量：1

12

作者 陈健 周静洁 +3 位作者 夏开建 王甘红 刘罗杰 徐晓丹 《中华结直肠疾病电子杂志》 2024年第3期217-228,共12页

目的本研究旨在开发一个能够自动定位息肉并按NICE分型的深度学习目标检测模型,以促进更有效的诊断和治疗规划.方法收集2018年1月至2023年6月来自苏州大学附属常熟医院、常熟市中医院和常熟市辛庄人民医院的4个结肠息肉数据集,包括静态... 目的本研究旨在开发一个能够自动定位息肉并按NICE分型的深度学习目标检测模型,以促进更有效的诊断和治疗规划.方法收集2018年1月至2023年6月来自苏州大学附属常熟医院、常熟市中医院和常熟市辛庄人民医院的4个结肠息肉数据集,包括静态图像和视频.所有样本经病理学证实并按NICE分型分类.图像使用LabelMe工具进行标注,随后转换成MSCOCO格式以适配深度学习模型训练.采用预训练的Faster R-CNN模型,结合实时数据增强和多种图像处理技术,通过迁移学习策略进行模型训练.模型的性能评估遵循COCO标准,关注交并比(IoU)、平均精度(AP)和召回率.此外,对模型在NICE分型中的识别能力进行了详细评估.结果分析1835例患者的2248个结直肠息肉,所有息肉经病理学证实,并按NICE分型分类,具体为NICE 1型575例,NICE 2型1143例,和NICE 3型530例.通过迁移学习技术,开发了基于ResNet-50和ResNet-101骨干网络的Faster R-CNN模型,其中以ResNet-101为基础的版本被命名为Faster R-CNN-NICE.性能分析显示,虽然Faster R-CNN-NICE模型在处理速度上略有下降(减少1.72帧/秒),但在边界框平均精度(bbox_mAP达0.542)和息肉分类综合平均精度(mAP为0.830)上显著提升.与内镜医生相比,此模型在大部分情况下展示了更高的置信度和准确性,特别是在NICE 2型息肉的预测中,其性能与医生的预测结果的差异存在统计学意义(x2=4.30,P<0.05).模型转换为ONNX格式后,在不同硬件环境下显示了优化的执行效率,并在视频实时检测中有效地实现了息肉的快速定位和精确分类.结论本研究根据NICE分型系统构建了一个结肠息肉图像数据集,并开发出Faster R-CNN-NICE深度学习模型,有效地实现了结肠息肉的即时定位与精确鉴别.这项技术预期将为内镜医生的临床工作提供支持,显著提升诊断的效率和准确度. 展开更多

关键词 结肠息肉 深度学习 NICE 结肠镜 卷积神经网络 目标检测

原文传递

基于深度学习构建结直肠息肉诊断自动分类模型 被引量：2

13

作者 陈健 张子豪 +4 位作者 卢勇达 夏开建 王甘红 刘罗杰 徐晓丹 《中华诊断学电子杂志》 2024年第1期9-17,共9页

目的探讨基于深度学习的结直肠息肉诊断自动分类模型的构建。方法收集2018年1月至2023年1月在苏州市3个内镜中心的不同图像增强内镜(IEE)技术下的结肠镜图像957张(常熟市第一人民医院537张,常熟市中医院359张,苏州大学附属第一医院61张)... 目的探讨基于深度学习的结直肠息肉诊断自动分类模型的构建。方法收集2018年1月至2023年1月在苏州市3个内镜中心的不同图像增强内镜(IEE)技术下的结肠镜图像957张(常熟市第一人民医院537张,常熟市中医院359张,苏州大学附属第一医院61张),依据病理结果分为正常组、增生性息肉组和腺瘤性息肉组。利用DenseNet-121、EfficientNet、resnet101和resnet504种卷积神经网络(CNN)框架,构建深度学习模型,并评估其与经验不同的内镜医师的准确率、召回率、精确度、F1值和读片时间。结果EfficientNet在4个模型中最为优越,准确率0.961,召回率0.968,精确度0.959,F1值0.962,在读图用时方面,所有模型完成图像自动诊断任务的平均时间为(4.08±0.63)s,远快于内镜医师所需的平均时间[(291.10±17.68)s],差异有统计学意义(t=-36.22,P<0.01)。将EfficientNet预训练模型经迁移学习后的模型命名为“EffiPolyNet”,其在腺瘤性息肉上有少量误分类,但准确率达0.90,AUC为0.98。t-分布随机邻域嵌入(t-SNE)可视化揭示了腺瘤性和增生性息肉间部分语义特征重叠,解释了模型的误分类。利用梯度加权分类激活映射(Grad-CAM)和沙普利可加性解释(SHAP),揭示了模型决策中的关键图像区域和特征的相对重要性。结论EffiPolypNet模型在多种IEE技术的结直肠息肉性质分类中表现出色,为结肠镜光学诊断提供了高效且可靠的支持。 展开更多

关键词 深度学习 卷积神经网络 息肉 消化内镜 t-分布随机邻域嵌入

原文传递