检索结果-南通市图书馆

检索条件"主题词=良恶性胃溃疡"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

深度学习模型构建及其在面向病例的良恶性胃溃疡识别研究

深度学习模型构建及其在面向病例的良恶性胃溃疡识别研究

引用

作者：赖春晓南方医科大学

学位级别：硕士

目的:对比深度学习模型VGG19、ResNet50和EfficientNet-B4在面向单图像的良恶性胃溃疡分类中的识别效果,选择最佳模型作为研究基础。构建面向病例的多图片良恶性胃溃疡的识别模型,并研究其对该病的鉴别诊断价值。研究方法:按照纳入和排... 详细信息

目的:对比深度学习模型VGG19、ResNet50和EfficientNet-B4在面向单图像的良恶性胃溃疡分类中的识别效果,选择最佳模型作为研究基础。构建面向病例的多图片良恶性胃溃疡的识别模型,并研究其对该病的鉴别诊断价值。研究方法:按照纳入和排除标准,共纳入普通白光内窥镜图像数据集病例3238例。根据患者在内窥镜检查中的最终病理结果,将数据集分为恶性胃溃疡(胃癌)、良性胃溃疡(胃溃疡)和慢性浅表性胃炎(正常胃)。本研究数据集中正常胃病例(慢性浅表性胃炎)1730例包含正常图像3242张、良性胃溃疡病例761例包含良性溃疡图像2346张、恶性胃溃疡(胃癌)病例747例包含恶性溃疡图像3599张。然后按照需求对收集的数据进行预处理,并以“8:1:1”作为划分比例,按照随机分配原则将数据分成“训练集、验证集、测试集”三类。首先,选择带有预训练权重的VGG 19、ResNet50和EfficientNet-B4三种深度学习模型作为学习模型,用面向单图片的训练集进行微调训练,用验证集图像对模型进行最优参数选取,用测试集测试优调后的模型,并最终选择出最优的模型为 EfficientNet-B4。其次,建立基于面向病例的多图片输入的EfficientNet-B4模型,借助训练集对该模型模型参数进行训练;通过验证集验证深度学习模型,对深度学习模型的超参数展开优化调整;将测试集中的324例病例输入已训练好的人工智能模型中获得疾病的诊断结果。同时,邀请2名经验丰富的内镜医师对测试集的324例病例进行判读和诊断。获得深度学习模型和2名医师对疾病诊断的整体准确率、灵敏度和阳性预测值。研究结果:首先,通过模型VGG19、ResNet50和EfficientNet-B4的单图片识别对比实验结果我们发现EfficientNet-B4在整体准确度、类别准确度、类别召回率方面均优于ResNet50和VGG19。其次,以EfficientNet-B4模型作为基础,建立基于病例的多图片输入的深度学习模型,通过训练、验证、调优获得训练模型,让其对测试集的324例病例进行识别并与两名经验丰富的内镜医师进行对比,得出通过深度学习的人工智能模型对基于病例的胃正常粘膜及胃溃疡、胃癌病例的识别的整体准确度为:95.06%。该结果明显优于两位内镜医师的结果:92.09%和 91.36%。研究结论:面向病例的多图片输入的EfficientNet-B4深度学习模型,通过对以病例为单位的胃镜图像的训练学习,可以很好的区分胃恶性溃疡病例与良性病变病例(胃良性溃疡、慢性浅表性胃炎),且识别的整体准确度优于两位经验丰富的内镜医师。

关键词：深度学习人工智能良恶性胃溃疡图像识别模型

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：