慢性萎縮性胃炎是一種常見的胃病,如果得不到及時治療,有可能發(fā)展成胃癌。然而,胃鏡檢查在萎縮性胃炎檢查中的敏感性僅為約42%,且活檢受許多因素的影響。因此,使用卷積神經網絡有助于提高診斷慢性萎縮性胃炎的準確性。首先采用INPAINT_TELEA算法對胃竇圖像進行預處理,去除圖像中的水印,對殘差網絡進行改進并嵌入Squeeze_and_Excitaion模塊以篩查慢性萎縮性胃炎,改進后的網絡(SR-CAGnet)通過建立短路機制以及采用特征重標定策略提高圖像的分類效果。結果表明:與Alexnet和改進的ResNet網絡進行對比,SR-CAGnet對慢性萎縮性胃炎的檢出率為87.92%,算法識別效果良好。通過使用Apriori算法并分析,得到萎縮性胃炎與胃鏡檢查下其他癥狀的關系,以輔助醫(yī)生的診斷。最后使用CAM熱圖驗證模型的有效性。

【文章頁數】：7 頁

【部分圖文】：

圖片b：處理中使用的模板圖c：去除水印后的圖片圖1INPAINTTELEA算法去除水印的過程Fig.1ProcessofINPAINTTELEAalgorithmtoremovewatermarksa：處理前的

和寬度相同，大小為512×512，圖像格式為bmp。由于每個圖像中都有水印，有些水印會與目標區(qū)域重疊，這會干擾所要研究的目標。第一步是使用INPAINT_TELEA方法對圖像進行預處理，以去除圖像中的水印噪聲。INPAINT_TELEA算法用于處理胃鏡圖像某些區(qū)域中的水印，例如年....

結果如表30.20.00.00.20.40.60.81.0假陽性率AUC=0.895圖5SR-CAGnet的ROC曲線Fig.5ReceiveroperatingcharacteristiccurveofSR-CAGnet在本實驗的Apriori算法中，設定最小置信度為

，5組模型測試集的準確度約為87.9%，稍有變化，但變化幅度小，五折交叉驗證的結果表明該模型具有較好的魯棒性。為了評價SR-CAGnet，計算了敏感性和特異性，分別為88.2%和85.6%。此外，使用ROC曲線和AUC值來研究改進后模型的可靠性和泛化能力。本實驗中的靈敏性和特異性....

圖5.1功能框圖

本章設計實現的基于深度學習的慢性萎縮性胃炎的智能診斷系統(tǒng)主要由兩部分組成,一是基于深度學習的慢性萎縮性胃炎的病變識別及萎縮等級識別的模型的訓練,二是界面的設計與展示的實現。通過將Python程序及其依賴項打包為一個獨立的可執(zhí)行文件,用戶直接雙擊運行,無需再安裝Python環(huán)境和第....

本文編號：3920204