| 程珊*,叶然**,曹婧*,姚佳锋*,李胜*,何熊熊*.基于深度迁移学习的肠道息肉癌变风险评估[J].高技术通讯(中文),2023,33(6):620~629 |
| 基于深度迁移学习的肠道息肉癌变风险评估 |
| Risk assessment of intestinal polyp canceration based on deep transfer learning |
| |
| DOI：10. 3772/ j. issn. 1002-0470. 2023. 06. 007 |
| 中文关键词: 深度学习； 迁移学习； 通道注意力； 注意力图； 图像分类； 肠道息肉 |
| 英文关键词: deep learning, transfer learning, channel attention, attention map, image classification, intestinal polyps |
| 基金项目: |
| 作者 | 单位 | | 程珊* | （*浙江工业大学信息工程学院杭州 310023）
（**丽水市人民医院丽水 323400） | | 叶然** | （*浙江工业大学信息工程学院杭州 310023）
（**丽水市人民医院丽水 323400） | | 曹婧* | （*浙江工业大学信息工程学院杭州 310023）
（**丽水市人民医院丽水 323400） | | 姚佳锋* | （*浙江工业大学信息工程学院杭州 310023）
（**丽水市人民医院丽水 323400） | | 李胜* | （*浙江工业大学信息工程学院杭州 310023）
（**丽水市人民医院丽水 323400） | | 何熊熊* | （*浙江工业大学信息工程学院杭州 310023）
（**丽水市人民医院丽水 323400） |
|
| 摘要点击次数: 833 |
| 全文下载次数: 746 |
| 中文摘要: |
| 针对肠道息肉分类中不同类型息肉难以区分的问题，提出了一种基于深度迁移学习的肠道息肉癌变风险评估方法。该方法首先在主干网络中引入通道注意力进行息肉特征提取；然后将任务网络注意力图分支输出的注意力图加权到主干网络输出的特征图上，获取更精确的病灶特征；最后将加权后的特征图输入到任务网络的感知分支，使用2个分支的损失函数以端到端的方式优化模型，以进行息肉癌变风险评估。本文方法对数据集进行了增强，并结合迁移学习进一步提升分类效果，最优模型的灵敏度、特异度、精准度、F1分数及曲线下方的面积（AUC）分别为99.38%、98.15%、98.17%、98.77%和0.9996。实验结果表明，本文方法能有效地对肠道息肉癌变风险进行评估，性能优于该领域流行的深度学习方法。 |
| 英文摘要: |
| To accurately distinguish different types of polyps, a novel risk assessment method based on deep transfer learning is proposed. Firstly, a channel attention is introduced into the backbone network to extract the polyp features. Then, the attention map from the attention map branch of task network is weighted to the feature map from the backbone to obtain more accurate lesion features. Finally, the weighted feature map is fed into the perception branch of the task network, and loss functions of the two branch is used to optimize the model in an end-to-end manner to determine the canceration risk of polyps. The method enhances the established dataset, and employ transfer learning to further improve the classification results. The sensitivity, specificity, precision, F1-Score and area under the ROC curve (AUC) of the optimal model are 99.38%, 98.15%, 98.17%, 98.77%, 0.9996, respectively. The experimental results show that this method can effectively evaluate the canceration risk of intestinal polyps with better performance compared with the popular deep learning methods. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
