人工智能应用卷积神经网络对食道癌的诊断结果--笔记

人工智能对食道癌的诊断能力--鳞状细胞癌和腺癌

数据收集--

384例食道癌患者的8428张训练图像(用于CNNs)此外还有47例49种癌症患者和50例非食道癌患者1118张检测图像

结果--

1118张检测图像的灵敏度大0.98,可以检测到所有7个小于10mm的小的癌症病灶。

 

方法

训练:食管癌图像包括397个ESCC(食道鳞癌)病灶,332个浅表癌病灶和65个晚期癌病灶,

32张EAC(食道腺癌)进行训练,其中包括19个浅表癌病灶和13个晚期癌病灶

测试:41ESCCs和8EAC(162食道癌图片和376没有癌症的图片)

网络模型:SSD(单发MultiBox检测器)

SSD的方法将边界框的输出空间离散化为一组默认框,这些默认框具有不同的长宽比和每个要素图位置的比例。在预测时,网络会为每个默认框中的每个对象类别的存在生成分数,并对该框进行调整以更好地匹配对象形状。此外,该网络将来自多个具有不同分辨率的特征图的预测结合起来,以自然地处理各种大小的对象。相对于需要对象建议的方法,我们的SSD模型相对简单,因为它完全消除了建议生成和后续的像素或特征重采样阶段,并将所有计算封装在一个网络中。这使得SSD易于培训,并且可以直接集成到需要检测组件的系统中。

用于深度理解SSD的网址:https://www.jianshu.com/p/cefe72e63ac5

 

 

 

 

你可能感兴趣的:(人工智能应用卷积神经网络对食道癌的诊断结果--笔记)