基于EfficientNet的胶囊内镜图像多病灶协同检测

摘要

消化道息肉和慢性炎症性疾病的进一步发展容易引发癌变,深度学习的方法能够辅助医生自动检查胶囊内镜图像中的病灶,实现医学图像分类,目前的自动检测研究模型很少权衡模型的准确度与速度,难以适应临床中对多病灶协同检出的需求。为此,本文提出一种基于轻量级网络的迁移学习方法,以辅助检测消化道常见病变。经与ResNet50和InceptionV4网络进行对比,在公开的CAD-CAP数据集上的实验结果表明,该方法对消化道血管畸形病变的敏感度达94.74%,炎症性病变的敏感度达89.76%,模型准确率为94.72%,平均AUC值为0.94,检测速度为73帧/秒,所提出的方法在准确率和运行效率上均优于传统方法,能够为消化道疾病的辅助诊断提供有价值的帮助。