基于卷积神经网络的白光内镜下早期胃癌检测

目的开发一种基于区域卷积神经网络(Mask R-CNN)的内镜下自动检测早期胃癌(EGC)系统。方法首先从安徽医科大学第一附属医院获得3579张和892张EGC白光图像(WLI),分别进行训练和测试。随后前瞻获取10个WLI实时视频以测试动态性能。另外再随机选取400张WLI图像,用于Mask R-CNN系统和内镜医师对照。诊断能力以准确率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)进行评估。结果在WLI图像诊断中,Mask R-CNN系统准确率、敏感度和特异度分别为90.25%、91.06%和89.01%,与病理诊断差异无统计学意义。在WLI视频中,诊断EGC的准确率为90.27%,实时测速可达35帧/s。在对照实验中,Mask R-CNN系统的敏感度明显高于高年资组医师(93.00%vs 80.20%,χ^(2)=7.059,P<0.001),特异度高于低年资组医师(82.67%vs 71.87%,χ^(2)=9.955,P<0.001),总体准确率高于中年资组医师(85.25%vs 78.00%,χ^(2)=7.009,P<0.001)。结论在WLI下,Mask R-CNN系统检测EGC的性能良好,在实际临床应用中有较大潜力。

结合白光和NBI图像实时智能识别技术的应用案例分析

结合白光和窄带成像(NBI)两种光源的胃镜图像,阐述基于深度学习识别算法的早期胃癌智能识别系统的设计,利用采集、制作的10942张胃部早癌医疗图像训练深度学习模型。针对收集到的大量早期胃癌图像的数据特点,对算法模型进行了置信度阈值调优,提升模型在多指标下的综合效果。结合医师在实际使用时的实时需求,提出一种视频时序投票方法对视频预处理及后处理策略进行优化。