Jul, 2023

可解释且成本敏感的深度神经网络通过监督对比学习进行肠胃疾病分类

PDF
TL;DR本文介绍了一种新方法，通过利用费用敏感的预训练深度卷积神经网络和有监督对比学习分类胃肠疾病，以捕获与疾病相关的关键特征，并考虑样本之间的相似性关系，从而为医疗保健中的准确疾病分类提供帮助。作者还结合了可解释人工智能的梯度技术，提高了模型的可解释性，并在广泛的胃肠疾病数据集上进行了测试，证明了该方法的高度准确度、强韧性和可解释性。
gastrointestinal diseasesconvolutional neural networksupervised contrastive learningcost-sensitive learningexplainable artificial intelligence
发现论文，激发创造
  • 可解释的对比与成本敏感学习在宫颈癌分类中的应用

    本研究提出了一种高效的系统，利用预训练的卷积神经网络对宫颈癌细胞进行分类，通过优先考虑与高成本或重要性相关的类别的准确性来最小化错分成本。为了进一步提高模型的性能，使用了监督对比学习以增强模型对重要特征和模式的捕捉能力。通过在 SIPaKMeD 数据集上进行广泛实验评估了所提出的系统。实验结果表明，该系统的效果显著，准确率达到了 97.29%。为了增强系统的可信度，我们采用了若干可解释的 AI 技术解释模型达到特定决策的方式。系统的实现可在此链接中找到 - this https URL

    Feb, 2024

  • 考虑数据不均衡的可解释的代价敏感深度神经网络用于脑 MRI 图像中的脑肿瘤检测

    这篇论文提出了使用卷积神经网络 (CNN)、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 模型来高效检测脑肿瘤，以减少手工检查报告的时间并创建自动分类脑肿瘤的系统的研究。提出了一个自动化流程，其中包括 CNN、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 五个模型。在平衡数据集上评估了所提出架构的性能，并发现细调的 InceptionV3 模型的准确率为 99.33%。此外，还采用可解释的人工智能方法来可视化模型潜在行为，以了解其黑盒行为。为了进一步优化训练过程，提出了一种成本敏感的神经网络方法，以处理不平衡数据集，在我们的实验中取得了比传统模型准确率高近 4% 的成果。成本敏感的 InceptionV3 (CS-InceptionV3) 和 CNN (CS-CNN) 在不平衡数据集上分别显示出 92.31% 的准确率和 1.00 的召回率，具有很大的潜力来提高肿瘤检测准确度，并且必须进一步开发以应用于实际解决方案。我们提供了数据集，并公开了我们的实现。

    Aug, 2023

  • 通过引导学习：内窥镜图像分类的知识蒸馏

    内窥镜在识别胃肠道的潜在异常方面起着重要作用。最近，深度学习，特别是卷积神经网络（CNNs），在胃肠道内窥镜图像分析方面报道了显著的优势。然而，现有的模型大多关注性能的提高，缺乏开发在资源有限环境中运行的轻量级模型的重点。我们通过三种基于知识蒸馏学习框架进行研究，并引入了一种新颖的基于多头注意力的特征融合机制来支持基于关系的学习。在两个广泛使用的公共数据集 KVASIR-V2 和 Hyper-KVASIR 上进行了广泛的评估，实验结果表明了我们提出的基于关系的框架在实现资源有限环境中运行的改进轻量级模型（仅有 51.8k 可训练参数）方面的优点。

    Aug, 2023

  • 采用带类别感知损失的知识蒸馏进行内窥镜疾病检测

    本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

    Jul, 2022

  • 深度学习对胃肠黏膜问题进行分类

    胃肠道粘膜变化可导致癌症，在此研究中利用深度学习技术预测了 polyps（息肉）、ulcerative colitis（溃疡性结肠炎）、esophagitis（食管炎）、normal z-line（正常 z 线）、normal pylorus（正常幽门）、normal cecum（正常盲肠）、dyed lifted polyps（涂染抬起息肉）和 dyed lifted margin（涂染抬起边缘）等八类粘膜变化和解剖标志，作者采用卷积神经网络（CNN）结构的迁移学习（TL）模型，并通过与 VGG、Inception、Xception 和 ResNet 等不同 CNN 架构进行比较，最佳模型在测试图像中达到了 93% 的准确率，最后，作者将模型应用于一些实际内窥镜和结肠镜的影像数据进行问题分类。

    Jul, 2023

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 通过结合 CNNs 的分类和 HMMs 的时间序列分析在胃肠道中进行精确定位

    本研究提出了一种有效地对视频胶囊内镜图像进行肠胃分类的方法，该方法通过将卷积神经网络（CNN）用于分类与隐马尔可夫模型（HMM）的时间序列分析属性相结合，演示了连续的时间序列分析可以识别和纠正 CNN 输出的错误，该方法在罗得岛（RI）胃肠病学数据集上达到了 98.04％的准确率，适用于只需大约 1M 参数的低功耗设备，从而可以精确定位胃肠道。

    Oct, 2023

  • 基于代价敏感学习的深度特征表示从非平衡数据中学习

    该研究提出了一种基于成本敏感深度神经网络的方法，可以在不改变原始数据分布的情况下解决类别不均衡的问题，并在六个主要图像分类数据集上进行了实验证明其明显优于现有方法。

    Aug, 2015

  • 基于卷积的成本敏感神经网络用于不平衡时间序列分类

    本文提出了一种自适应的代价敏感学习策略，用于修改深度学习模型，以解决不平衡时间序列分类任务中的问题，并证明了该策略能够有效地改进卷积神经网络和残差网络的分类性能，从而应用于不平衡时间序列分类问题。

    Jan, 2018

  • 一种基于 Transformer 的胃肠道疾病检测方法

    本研究使用视觉转换器和迁移学习模型对内窥镜图像进行特征分类，从而协助医疗诊断，识别肠道疾病，准确率可达 95.63％。与预训练的卷积神经网络模型 DenseNet201 进行比较，并证明视觉转换器在各种数量化性能评估指标上均优于 DenseNet201。

    Oct, 2022