基于深度学习二次预训练建立Barrett食管内镜图片分类模型的研究

摘要

目的:利用深度卷积神经网络二次迁移学习方法构建Barrett食管内镜图片分类模型,并比较经单次与二次预训练的模型效能。方法:选取在ImageNet数据集上进行首次预训练的4个深度卷积神经网络(ResNet、NASNetL、Xception及EfficientNet),经HyperKvasir食管炎数据集二次预训练,而后进行目标训练,得到分类模型,评价其分类能力,并对模型的推理能力进行可视化呈现。结果:在验证集中,经二次预训练所建立的模型准确性均高于单次模型。除Xception模型外,二次预训练模型的精确度和召回率均优于单次模型,其中,EfficientNet模型表现最优。结论:基于深度卷积神经网络二次预训练建立的Barrett食管计算机视觉模型具备良好的内镜图片分类能力;本研究可为临床小数据集进行深度神经网络迁移学习提供思路。