深入学习算法胃肠疾病的检测和分类

文摘

目前,全球近二百万名患者死于胃肠疾病。视频内窥镜是一种最新的技术在医学影像领域的诊断胃肠道疾病,如胃溃疡、出血和息肉。医学视频内窥镜检查生成许多图像,所以医生需要相当长的时间来跟进所有的图像。这将创建一个挑战手册诊断和鼓励调查计算机辅助诊断技术在短时间内生成的所有图片和高精度。提议的方法的新颖性在于开发一个系统,胃肠道疾病的诊断。介绍了三个网络,GoogleNet、ResNet-50和AlexNet基于深度学习和评估他们的潜在的降低胃肠疾病诊断的数据集。所有图像增强,噪声被移除之前输入到深度学习网络。Kvasir数据集包含5000张图片同样分为五种降低胃肠疾病(dyed-lifted息肉,正常的盲肠,正常幽门,息肉、溃疡性结肠炎)。在分类阶段,pretrained卷积神经网络(CNN)模型是通过转移学习执行新任务。将softmax激活函数接收深度特征向量,并将输入图像分为五类。 All CNN models achieved superior results. AlexNet achieved an accuracy of 97%, sensitivity of 96.8%, specificity of 99.20%, and AUC of 99.98%.

1。介绍

癌症是世界上最常见的死亡原因,和胃肠道癌症是最常发生的类型。世界卫生组织(世卫组织)估计,每年有180万人死于胃肠疾病(1),胃肠道癌症是世界上第四大死因。胃肠道癌症生长胃肠息肉,异常组织增生的粘膜胃和结肠。息肉生长缓慢,症状只出现大时(2]。然而,息肉可以预防和治愈的如果在早期发现(3]。

视频内窥镜中扮演一个重要的角色在增加胃肠道息肉的早期诊断,减少死亡率的数量(4]。内窥镜检查可以确定由检测粘膜溃疡性结肠炎的严重性,包括空间粘膜颜色和质地的差异(学位胃肠道粘膜表面粗糙度的)(5]。数以百计的图像可以从胃肠道的视频中提取,但疾病出现在只有几个图片,没有医学人可以投入的时间需要监视所有的图像。因此,诊断的准确性主要取决于医生的经验;专家能够诊断息肉在27%的情况下(6]。因此,在考试期间,息肉仍未被发现的,可能导致未来的恶性肿瘤。

放射科医生和其他人为因素的缺乏会导致一个错误的诊断,所以计算机辅助自动的方法将有价值的诊断息肉与精度高,在癌症的早期阶段。人工智能技术在各种医学领域显示出巨大的潜力帮助人类想象的疾病不能用肉眼发现(7- - - - - -9]。例如,人工智能技术可以从内镜图像提取复杂的缩微图像结构和识别关键特性。临床上,人工智能技术可以区分肿瘤和非肿瘤的组织。技术也可用于提取纹理特征评估胃癌症的风险(10,11]。结肠镜检查图像已经被提取纹理特征用于分类结肠炎(12,13]。然而,挑战提取胃肠图像的特点限制了诊断的准确性(14]。

有机器学习的方法来提取颜色、纹理和边缘特性从内窥镜图像依赖疾病诊断试验和错误(15,16]。卷积神经网络(CNN)已经开始解决这些工程特性的局限性,在监督学习和CNN的使用大大提高了医学图像诊断(17]。CNN提取特征,证明了其巨大的能力转移工程学习过程(18]。深入学习算法显示一个优胜的医学图像诊断专家的性能(19]。因此,计算机辅助诊断使用内窥镜图像深度学习技术有潜力达到诊断精度优于获得由训练有素的专家(20.]。

Karkanis et al。21)提出了一种基于小波分解技术提取颜色特征诊断结肠息肉。许多研究应用机器学习技术诊断胃肠道图像,通过方法与特征提取,包括polyp-based本地二进制,灰度级同现矩阵(GLCMs),小波,基于上下文的特性,和山谷边缘形状和信息(22- - - - - -24]。提出的系统Tajbakhsh et al。25)取得了比其他方法更好的性能。手工提取特性的挑战依然存在,如光反射,相机角度,结构息肉。CNN技术强大的深层特征提取器,CNN近年来取得了可喜的成果在诊断医学图像。Zhang et al。26]介绍了息肉检测系统基于一枪MultiBox检测器(SSD),在那里他们重用马克斯池层缺失并添加特性映射到提高检测精度和分类。Godkhindi和高达27]介绍了CNN系统检测息肉的CT结肠镜图像。他们的算法部分的结肠CT图像和其他器官的分离开来。然后诊断结肠息肉,提取的形状特征。小泽et al。28)提出了一个系统检测结直肠息肉的SSD和有前景的结果在这些息肉诊断报告。Pozdeev et al。29日)提出了一个两级息肉分割和自动分类系统。第一阶段使用内窥镜图像的全局特征来分类肿瘤的存在与否,而第二个阶段包括细分CNN。Wan et al。30.]介绍了生物医学光学光谱技术检测胃肠癌症在早期阶段。这种类型的光谱有潜力提供结构和化学信息和有许多优点,包括noninvasiveness reagent-free协议和非破坏性程序。里贝罗et al。31日)提出了cnn的使用诊断结肠粘膜发现结肠息肉的早期结肠癌的分类。

CNN提取特征利用输入像素处理不同光线条件下所造成的扭曲。分钟et al。32)开发了一个计算机辅助系统诊断与彩色成像提取颜色特征的病变。系统分类图像腺瘤息肉和nonadenomatous息肉和系统取得了令人满意的结果。歌等。33]还开发了一个计算机辅助系统诊断结直肠息肉组织学CNN技术;他们的网络分类息肉分为三种类型:锯齿状的息肉,深黏膜下肿瘤,良性腺瘤粘膜或表面的黏膜下肿瘤。

本文的主要贡献是提供一个计算机辅助检测方法降低胃肠疾病与修改标准提取深形状、颜色和纹理特性,适应他们的学习迁移技术调整和波状外形的转让。广泛的实验选择pretrained模型诊断降低胃肠疾病。新车型开发转移特性的提取从一个非医学的深度学习的数据集和适应他们新的数据集。剩下的纸是组织如下。部分2描述了背景和动机。部分3讨论了材料和方法用于诊断一个数据集。部分4提出的分析和研究结果提出系统实现并比较与先前的研究。最后,给出的结论部分5。

2。背景和动机

本节提供的基本面胃肠道疾病和医学图像诊断的深度学习的概述。

2.1。概述和胃肠疾病的状态

计算机辅助疾病的早期检测是一个重要的研究领域,可以提高世界各地的医疗系统和医疗实践。Kvasir数据集,其中包含胃肠图像,临床上分为三个重要发现,三个重要的解剖标志,和两个类别的内窥镜息肉切除。胃肠道是受许多疾病,每年造成280万新病例和180万例死亡食管和胃癌症。的黄金标准胃肠内镜检查。上消化道检查,包括胃、食管,和上小肠通过胃镜检查的一部分,而结肠和直肠接受结肠镜检查的检查。这两个考试是与高分辨率的实时视频。内窥镜设备昂贵,需要丰富的经验和训练。内窥镜检测和去除病变的早期阶段,其次是适当的治疗,对预防结直肠癌是重要的。医生检测结直肠癌的能力不同,这可能会影响结直肠癌诊断如果医生评估图像的能力是有限的。一个准确的诊断疾病的类型也是重要的治疗和随访。 Therefore, automatic diagnostics would be very welcome. Automatic diagnosis of pathological findings could contribute to the evaluation and identification of gastrointestinal cancers, thereby improving the efficiency and use of medical resources.

2.2。深度学习

cnn是计算系统设计用于模式识别的目的。CNN已经进入很多领域,包括医疗保健(34),一个重要的角色在获得的图像的诊断在疾病早期阶段。图像识别和诊断精度两个任务中,CNN胜过比人类专家。CNN有三种类型的层:卷积层、汇聚层,和完全连接层(35]。CNN更有能力比传统网络和其他网络如RNN处理图像,因为它使用的技术与这些层(36,37]。CNN背后的基本思想是使用二维图像和二维过滤器的应用,除了学习迁移技术,模型训练使用最好的pretrained模型最后三层取代学习要解决的问题的权重。CNN特性提取数据集训练,所以专家不需要手动提取特征(38]。CNN的力量来自于它的学习能力代表功能的训练数据集。卷积层的工作就像人类的大脑在反馈,在每一层充当反馈到下一层,这个流程将继续,直到得到了精确的特点。

2.2.1。GoogleNet

GoogleNet,由谷歌开发的人员,是cnn的典范,有时被称为V1《盗梦空间》;它由22层(27层包括池层)。GoogleNet架构是赢家在图像分类的挑战ILSVRC 2014。GoogleNet用于许多领域,包括计算机视觉任务,以及在医学图像分类。图1说明GoogleNet用于分类的体系结构5000图片5从降低消化系统疾病。GoogleNet架构由27层,包括层不包含参数。他们分为输入层,图像被输入到一个RGB系统大小为224×224像素。第一个卷积层包含两个7×7过滤器;这些都是最大的过滤器相比其他层。这一层减少了输入图像的大小,其次是马克斯池与3×3层过滤器,3×3滤波器卷积的一层,然后马克斯池层3×3过滤器。输出是输入到一个两层块初始模块,其次是马克斯池与3×3层过滤器,然后另一个基础课块初始模块。这是紧随其后的是一个马克斯池与3×3层过滤器,一个两层块初始模块,然后通过max池层3×3过滤器。池层平均有7×7像素的大小。步用于确定滤波器的输入图像上的转变。 The Dropout technique uses this to prevent overfitting. In our work, Dropout was set at 40%, which means that the neurons are stopped by 40% in each iteration, and different parameters are used in each iteration. The fully connected layer received 9216 features and produced 4,096 features. The softmax layer produces five classes: dyed-lifted polyps, normal cecum, normal pylorus, polyps, and ulcerative colitis.

2.2.2。ResNet-50

ResNet-50残余CNN模型组成的177层。ResNet-50获胜者在图像分类的挑战在2015年。ResNet-50是许多计算机视觉任务的支柱。图2说明5000年ResNet-50用于分类的体系结构图像分成五个降低消化系统的疾病。ResNet-50架构由16块包含177层分为输入层,输入RGB图像大小为224×224像素和49卷积层,使用不同类型的过滤器(39]。从输入图像卷积层提取深度特性并将它们存储在深特征矢量地图,一池层平均和最大。这两层减少特征向量地图维度。批正常化然后帮助网络选择正确学习速率。修正线性激活函数(ReLU)卷积层只有通过积极的输出和转换负值为零。完全连接层收到9216的特性和生产4096的特性,和第二连接层产生1000的特性。将softmax层产生的五类:dyed-lifted息肉,正常的盲肠,正常幽门,息肉、溃疡性结肠炎。

2.2.3。AlexNet

AlexNet cnn的典范,由25层。AlexNet ImageNet分类的冠军竞争2012年,前5名的错误率为15.3% (40]。图3说明5000年AlexNet用于分类的体系结构图像分成五个降低消化系统的疾病。AlexNet由25层的体系结构分为输入层,输入RGB图像在227×227像素大小和五卷积层使用不同类型的过滤器。从输入图像卷积层提取深度特性。三层中使用max池;这些层减少特征矢量地图的尺寸。两层交叉流道正常化工作reparameterisation向量的权重,选择合适的学习速率。七层的ReLU按照卷积层。ReLU只输出积极的价值观,而将负值为零。三层完全连接在系列。第一个连接层接收9216特性和生产4096特性,第二连接层产生4096的特性,和第三个完全连接层产生1000个神经元(特性)。 A softmax layer produces the five classes: dyed-lifted polyps, normal cecum, normal pylorus, polyps, and ulcerative colitis.

3所示。材料和方法

胃肠道疾病的计算机辅助自动检测是一个重要的研究领域。在本节中,我们描述GoogleNet, CNN的ResNet-50和AlexNet模型降低胃肠道疾病的早期准确诊断。胃肠道检测系统的总体结构如图用于这项工作4。预处理改善图像和消除噪音和工件,而图像增强技术提高培训过程。卷积的层从每个图像中提取最深和最重要的特性。完全连接层诊断和胃肠道的图像进行分类。

3.1。数据集

收集的数据集是西方湾健康信托(VV)在挪威Baerum医院胃肠病学部门使用内窥镜设备。所有图片都被专家VV和挪威癌症登记处(CRN)。CRN是国家机构在奥斯陆大学医院负责筛选和早期发现癌症,防止扩散。Kvasir数据集包括专家解读图像,包括类包含在胃肠道内窥镜手术和解剖标志。数据集包含成百上千的图片足够用于深度学习和转移学习。数据集在RGB颜色空间,由图像分辨率720×576 1920×1072像素。在我们的工作中,数据集包含5000张图片同样分为五种疾病:dyed-lifted息肉,正常的盲肠,正常幽门,息肉、溃疡性结肠炎。图5显示了Kvasir样本数据集。这个链接的数据:https://datasets.simula.no/kvasir/下载。

3.2。预处理和增强技术

噪音和文物来自光反射,摄影角度,内脏周围的粘膜,减少性能的CNN由于增加的复杂性特征提取。因此,优化过程被研究人员感兴趣的改善图像质量。摘要胃肠图像预处理之前被输入到CNN模型。首先,颜色恒常性的图像缩放,图像大小更改为244×244像素GoogleNet和ResNet-50模型和227×227像素的AlexNet模型。三个RGB通道的意思是胃肠道的图像中获得的。最后,增强过程是通过平均滤波,计算平均为每个像素与邻国和替换;这一过程持续进行对所有像素的图像41,42]。

CNN技术主要依赖的数据量。更大的训练数据集生成更有前途的结果模型。由于缺乏医学图像,数据增强技术提高CNN模型准确的分类(37,43]。增强技术也致力于平衡数据集的数据当图像的数量类之间的不同。本文的图像训练数据是增强通过操作翻转,缩放,转移,±旋转(44]。

3.3。卷积的层

胃肠道数据集包含了许多特性,如形状、纹理和色彩。手动提取的功能需要大量的经验,特别是从视频中提取图像,很多图片不包括疾病和疾病特征出现在一些图片可能错过了放射科医生和专家。CNN算法通过提取每个疾病通过卷积层的代表特征。GoogleNet包含许多卷积层和九层《盗梦空间》,ResNet-50 49卷积层,AlexNet有五个回旋的层。这些层和应用一组过滤器在训练阶段调整权重来解决深层特性并将其传递到下一层。平均和最大池层也减少特征图的大小,代表一组像素的平均或最大价值之间的像素组。每个图像的卷积层提取代表特性总共9216功能/特性映射到饲料中形象和代表他们的分类层次。

3.4。图像的正常化

正常化的一种技术用于训练神经网络图像正常化深处加速训练过程的目的。正常化艾滋病在合适的学习速率的选择通过梯度下降法收敛。没有正常化的过程,学习速率是更加困难,需要更长的时间。在我们的工作中,图像正常化过程是由减去平均每个像素的完整的训练集。数据集计算的方差除以每个像素,导致数据集中,使每个特性的方差等于1。

3.5。辍学的技术

cnn产生数以百万计的参数,导致过度拟合。出于这个原因,CNN辍学技术适用于减少过度拟合。在我们的工作中,辍学技术应用于GoogleNet ResNet-50,和AlexNet为40%,这意味着40%的神经元在每个迭代停止。因此,网络为每个迭代中使用不同的参数。然而,辍学技术双打训练时间。

3.6。转移学习

转移学习是最重要的一个步骤在CNN (45]。在我们的研究中,将学习和应用于GoogleNet微调,ResNet-50和AlexNet网络pretrained ImageNet数据集(46]。转移学习是基于训练数据集来解决一个具体问题,然后解决学习转移到另一个相关的数据集的问题(47,48]。转移学习是通过选择pretrained模型和问题的规模和使用所学会的概括转移到另一个任务。转移学习也可以避免过度拟合。在这工作,转移学习应用于GoogleNet ResNet-50, AlexNet,权重调整。ResNet-50, GoogleNet和ImageNet AlexNet模型训练数据集,然后学习转移到肠胃数据集。的最后三层模式被删除,取而代之的是一个完全连接层。第一个连接层收到9216个神经元,输出4096个神经元,而第二个连接层收到4096个神经元,输出。将softmax层产生的五类:dye-lifted息肉,正常的盲肠,正常幽门,息肉、溃疡性结肠炎。

3.7。优化器(亚当)

优化器是用来改变和优化神经网络的参数,如重量、偏见、和学习速率,以减少损失。优化方法被认为是改善深度学习分类器,这有助于加快模型的性能。自适应估计时刻(亚当)是最好的深度学习优化器之一。亚当是一个编译RMSProp和动量(49]。自适应学习速率为每一个参数是计算了亚当。它使过去的平均梯度像势头 ,它使平方梯度通过存储过去的平均水平 。以下方程描述了亚当工作调整参数,学习速率等。 在哪里是指第一时刻的梯度,指的是二阶矩的梯度,表示衰减率。

4所示。实验结果

GoogleNet重量和参数调整,ResNet-50, AlexNet cnn在训练阶段评估胃肠道疾病的数据集。表1显示了三个网络的训练选项,在MATLAB环境中执行时间。资源是核心i5创6和4 g NVIDA GPU。本文进行了三个实验来评估胃肠病学数据集包含5000张图片5平分的疾病。相同的数据集应用在所有三个实验。训练数据集分为80%和20%选择和验证。

图6显示了混合矩阵和AUC获得GoogleNet, ResNet-50, AlexNet。正确的混淆矩阵评价所有测试图像分类(真阴性(TN)和真阳性(TP)和错误分类(假阳性(FP)和假阴性(FN))。AUC也显示了TP和FP的比率。表2和图6显示数据集的评价三个CNN模型。计算精度、灵敏度、特异性和AUC根据方程(3)- (6)。所有的网络展示出了有前景的结果,显示在表2。系统实现了精度为96.7%,95%,和97%,敏感性为96.60%,94.80%,和96.80%,特异性为99%,98.80%,和99.20%,验证的准确性为96.70%,97%,和94.88%,AUC为99.99%,99.69%,和99.98%,GoogleNet ResNet-50,和AlexNet分别。请注意,在所有实验的结果大致相同。

TP代表阳性样本正确分类的数量。TN代表负样本正确分类的数量。FP是良性样本分为恶性的数量。FN代表分为良性恶性样本的数量。

表3和图7显示GoogleNet的分类性能,ResNet-50 AlexNet每个层面的疾病。ResNet-50和AlexNet dyed-lifted息肉分类准确率达到99%,而ResNet-50和AlexNet正常盲肠疾病在分类准确率达到95%。GoogleNet取得最好的分类(100%)正常幽门疾病。息肉被ResNet-50分类为98%,而GoogleNet达到最好的性能分类溃疡性结肠炎(96%)。

拟议的cnn进行评估通过一些措施以前研究文献中,如表所示4。所有相关文献报道精度在70.40%和90.20%之间,而我们提出的系统达到97%的精度。相关的先前的研究达到了灵敏度在70.40%和95.16%之间,而我们提出系统实现了96.80%的敏感性。特异性的先前的研究范围在70.90%和93%之间,而我们的提议系统达到99%的特异性。该系统优于所有先前的研究关于AUC,作为我们提出系统达成AUC的99.99%。该系统对现有模型的比较提出了数字7。

5。结论

这项工作提供了一个健壮的框架,用于分类数据集Kvasir的胃肠道疾病。深度学习技术可以帮助降低患恶性疾病的概率的早期检测,同时也减少了不必要的良性肿瘤切除。视频内窥镜是应用最广泛的诊断方法诊断胃肠道息肉,但许多人为因素导致不当胃肠疾病的诊断。介绍三个深度学习模型、GoogleNet ResNet-50, AlexNet,可以直接医生的关注最重要的地区,可能已经错过了。训练数据集分为80%和20%进行测试和验证。被优化的图像去除噪声和工件。图像增强技术是通过增加的数据在训练阶段精度高。卷积层提取的特征形状、颜色和纹理。总体而言,9216年特征提取和传递到完全连接层产生1000个神经元。将softmax层产生五类,分类每个图像分成五种胃肠疾病之一。 All three models achieved equally promising results. Advanced deep learning algorithm will be applied in future.

数据可用性

以下链接的数据:https://datasets.simula.no/kvasir/下载。

的利益冲突

作者宣称没有利益冲突。

确认

作者扩展他们的感谢院长以来费萨尔国王大学的科学研究资助这个研究工作通过项目NA00095数量。

引用

1. “全球癌症的最新数据,2018年,https://www.iarc.fr/wpcontent/up-loads/2018/09/pr263 E.pdf。视图:谷歌学术搜索
2. J.-B。刘和x。锅,“最小化基尔霍夫指数与给定顶点bipartiteness图中,“应用数学和计算卷,291年,第88 - 84页,2016年。视图:出版商的网站|谷歌学术搜索
3. J.-B。刘和j .曹”的应用拉普拉斯算子的谱n棱镜的网络,”Neurocomputing卷,198年,第73 - 69页,2016年。视图:谷歌学术搜索
4. a·汗·m·a·古尔a . Alharbi Uddin, s .阿里和b . Alouffi”词汇的影响特征检测模型论坛回答,“复杂性,卷2021,不。4、8页,2021。视图:出版商的网站|谷歌学术搜索
5. 宗像y佐佐木,r·哈达,a,“计算机辅助内镜严重性评分系统在溃疡性结肠炎患者,”消化内镜,15卷,不。3、206 - 209年,2003页。视图:出版商的网站|谷歌学术搜索
6. p . Wang t . m . Berzin j . r . Glissen布朗et al .,“实时自动检测系统提高结肠镜检查息肉和腺瘤检出率:一个前瞻性随机对照研究,“肠道,卷68,不。10日,1813 - 1819年,2019页。视图:出版商的网站|谷歌学术搜索
7. J.-B。刘,x。锅,j .曹之。,“报告”的一些物理和化学指标clique-inserted格”、“杂志的统计力学:理论和实验,卷2014,不。6篇文章ID P06006 2014。视图:出版商的网站|谷歌学术搜索
8. J.-B。刘,x。锅,这。胡和之。胡,”渐近Laplacian-energy-like不变格。”应用数学和计算卷,253年,第214 - 205页,2015年。视图:出版商的网站|谷歌学术搜索
9. J.-B。刘和x。锅”,统一各种晶格的拓扑指数渐近方法,”应用数学和计算卷,270年,第73 - 62页,2015年。视图:出版商的网站|谷歌学术搜索
10. J.-B。刘和x。锅,“渐近发病率晶格的能量”,自然史答:统计力学及其应用卷,422年,第202 - 193页,2015年。视图:出版商的网站|谷歌学术搜索
11. y佐佐木,r·哈达t . Yoshimura n . Hanabata t·劳斯和福田,“计算机辅助评估胃癌的风险发展的由图像处理”人工智能理论和实践III施普林格,页197 - 204年,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
12. 阿明,m . iran Uddin h . Al-Baity m·阿里·m·Abrar汗和m . Abrar汗”covid-19检测的机器学习方法在推特上,“电脑,材料和连续,卷68,不。2、2231 - 2247年,2021页。视图:出版商的网站|谷歌学术搜索
13. m p Tjoa s·m·克里希,“特征提取分析结肠内窥镜图像状态,”生物医学工程在线,卷2,不。1,上行线,2003页。视图:出版商的网站|谷歌学术搜索
14. j . i Bangash a·w·汗,汗,汗,麻省理工学院Uddin,问:华,“身体Multiconstraint-aware路由机制的无线传感器网络,”医疗保健工程,卷2021,不。4、15页,2021年。视图:出版商的网站|谷歌学术搜索
15. J.-B。刘和j .曹”电网络的电阻距离基于拉普拉斯算子的广义逆,“Neurocomputing卷,167年,第313 - 306页,2015年。视图:出版商的网站|谷歌学术搜索
16. J.-B。刘,x。锅、l . Yu和d·李,“二环的完整描述图表以最小的基尔霍夫指数”离散应用数学卷,200年,第107 - 95页,2016年。视图:出版商的网站|谷歌学术搜索
17. J.-B。刘,W.-R。王,Y.-M。张,x。锅,“学位阻力仙人掌的距离,“离散应用数学卷,203年,第225 - 217页,2016年。视图:出版商的网站|谷歌学术搜索
18. t . Hirasawa k .青山t Tanimoto et al .,“人工智能的应用程序使用卷积神经网络检测胃癌内镜图像,”胃癌,21卷,不。4、653 - 660年,2018页。视图:出版商的网站|谷歌学术搜索
19. 金斯伯里t . n . Sainath b, g . Saon et al .,“深卷积神经网络用于大规模的演讲任务,”神经网络卷。64年,39-48,2015页。视图:出版商的网站|谷歌学术搜索
20. 诉Mnih k . Kavukcuoglu d银et al .,“人类控制通过强化学习,”自然,卷518,不。7540年,第533 - 529页,2015年。视图:出版商的网站|谷歌学术搜索
21. s . a . Karkanis d . k . Iakovidis d e . Maroulis d . a .。卡拉和m . Tzivras“计算机辅助肿瘤检测内窥镜视频中使用颜色小波的特性,“IEEE在生物医学信息技术,7卷,不。3、141 - 152年,2003页。视图:出版商的网站|谷歌学术搜索
22. j·伯纳尔,n . Tajkbaksh f·j·桑切斯et al .,“息肉的检测方法的比较验证视频结肠镜检查:结果从2015内窥镜MICCAI视觉挑战,”IEEE医学成像,36卷,不。6,1231 - 1249年,2017页。视图:出版商的网站|谷歌学术搜索
23. d . k . Iakovidis d . e . Maroulis, s . a . Karkanis”的智能系统自动检测视频内窥镜的胃肠道腺瘤”计算机在生物学和医学,36卷,不。10日,1084 - 1103年,2006页。视图:出版商的网站|谷歌学术搜索
24. l·a·亚历山大·n·诺,j . Casteleiro“颜色和位置和纹理特性内镜息肉检测”《2008国际生物医学工程与信息学会议IEEE,三亚,中国,2008年5月。视图:出版商的网站|谷歌学术搜索
25. n Tajbakhsh, s . r . Gurudu, j .梁”自动检测息肉在结肠镜检查视频使用形状和上下文信息,“IEEE医学成像,35卷,不。2、630 - 644年,2015页。视图:谷歌学术搜索
26. t . x张f . Chen Yu et al .,“使用卷积神经网络实时检测胃息肉,”《公共科学图书馆•综合》,14卷,不。3 p . e0214133 2019。视图:出版商的网站|谷歌学术搜索
27. a . m . Godkhindi和r·m·高达”自动检测息肉的CT结肠镜图像在结肠癌诊断,使用深度学习算法”学报2017年国际会议上能源、通信、数据分析和软计算(ICECDS)IEEE,页1722 - 1728年,钦奈,印度,2017年8月。视图:出版商的网站|谷歌学术搜索
28. t .小泽,石原,m . Fujishiro y Kumagai,美国七丈,t .恩,“自动结直肠息肉的内镜检测和分类使用卷积神经网络,”治疗胃肠病学的发展,13卷,1756284820910659页,2020年。视图:出版商的网站|谷歌学术搜索
29. 答:a . Pozdeev: a . Obukhova, a . a . Motyko”自动分析息肉内镜图像的检测和分割,”学报2019年IEEE会议的俄罗斯年轻研究人员在电气和电子工程(EIConRus)IEEE,页1216 - 1220年,莫斯科,俄罗斯,2019年1月。视图:出版商的网站|谷歌学术搜索
30. 问:美国Wan, t . Wang和k·h·张,“生物医学光学光谱对于胃肠道肿瘤的早期诊断,”肿瘤生物学:《国际社会Oncodevelopmental生物学和医学,39卷,不。7,1010428317717984,页2017。视图:出版商的网站|谷歌学术搜索
31. e·里贝罗a Uhl m . Hafner,“结肠息肉与卷积神经网络分类”学报2016年IEEE国际研讨会29日计算机医疗系统(cbm)IEEE,页253 - 258年,都柏林,爱尔兰,2016年6月。视图:出版商的网站|谷歌学术搜索
32. m . Min,苏,w .他y Bi, z,和y . Liu“计算机辅助诊断结直肠息肉使用链接的颜色成像结肠镜检查预测组织学,”科学报告,9卷,不。1,第2888 - 2881页,2019。视图:出版商的网站|谷歌学术搜索
33. e . m .歌曲,公园,c . a . Ha et al。”结直肠息肉内镜诊断和治疗规划使用深度学习模型,”科学报告,10卷,不。1、30 10,2020页。视图:出版商的网站|谷歌学术搜索
34. 麻省理工学院Razzak、美国纳兹和a . Zaib“深度学习医学图像处理:概述、挑战和未来,”在Bioapps分类:决策的自动化戴:a . s . Ashour, s . Borra Eds。,pp. 323–350, Springer, Berlin, Germany, 2018.视图:出版商的网站|谷歌学术搜索
35. f·w·Alsaade、t·h·h·Aldhyani和m . h . Al-Adhaileh”为分类covid-19开发识别系统利用卷积神经网络算法”电脑,材料和连续,卷68,不。1,第819 - 805页,2021。视图:谷歌学术搜索
36. a . Chakrabarty n . Mansoor Uddin, m . h . Al-adaileh n . Alsharif和f·w·Alsaade“智能培养的预测方法:比较研究,“复杂性,卷2021,不。4、文章ID 5534379, 16页,2021年。视图:出版商的网站|谷歌学术搜索
37. e . m . Senan m . e . Jadhav, a . Kadam”PH2图像分类对早期发现的皮肤疾病,”学报2021年6日收敛技术国际会议(I2CT)IEEE,页1 - 7,孟买,印度,2021年4月。视图:谷歌学术搜索
38. m .罗马a . Shahid Uddin,花,和s . Maqsood”利用语境词嵌入发现引文的作者和标题文章的目的分类,“复杂性,卷2021,不。4、文章ID 5554874, 13页,2021。视图:出版商的网站|谷歌学术搜索
39. a . Aggarwal诉沙玛,a Trivedi et al .,“双向特征提取使用顺序和可恶的meme分类、多通道方法”复杂性卷,2021篇文章ID 5510253, 2021。视图:出版商的网站|谷歌学术搜索
40. d·辛格诉Kumar诉Yadav, m·考尔“深层神经网络筛选模型COVID-19-infected病人使用胸部x光图像,”模式识别与人工智能》国际期刊上,35卷,不。3 p。2151004, 2021。视图:出版商的网站|谷歌学术搜索
41. e . m . Senan和m . e . Jadhav dermoscopy图像分类的早期检测皮肤夺去生命——这次审查,”国际期刊的计算机应用程序,第975卷,第8887页,2019年。视图:谷歌学术搜索
42. m·易卜拉欣- mashhadani, t·h·h·Aldhyani et al .,“人与动物情感机器人深深触动分类使用神经网络,”计算机系统科学与工程,38卷,不。1,25-37,2021页。视图:出版商的网站|谷歌学术搜索
43. e . m . Senan f·w·Alsaade m .中情局- mashhadani h . h . Theyazn和m . h . Al-Adhaileh”的组织病理学分类图像对于使用深度学习的早期发现乳腺癌,”应用科学与工程》杂志上,24卷,不。3、323 - 329年,2021页。视图:谷歌学术搜索
44. e . m . Senan和m . e . Jadhav皮肤损伤的检测技术PH2 dermoscopy图像,采用局部二进制模式(LBP)”最近的趋势在图像处理和模式识别。RTIP2R 2020、k·c·桑托什和b . Gawali Eds。,卷。1381,Springer, Singapore, Singapore, 2021.视图:出版商的网站|谷歌学术搜索
45. r . Awan: a . Koohbanani m·沙a . Lisowska和n . Rajpoot”上下文感知学习使用转移特性分类的乳腺癌组织学图像,”图像分析和识别程序的国际会议,页788 - 795,Povoa de Varzim葡萄牙,2018年6月。视图:出版商的网站|谷歌学术搜索
46. a . Baccouche b . Garcia-Zapirain c·卡斯蒂略齐墩果和a . Elmaghraby”合奏深心脏疾病分类学习模型:一个案例研究来自墨西哥、”信息,11卷,不。4 p。207年,2020年。视图:出版商的网站|谷歌学术搜索
47. e . m . Senan和m . e . Jadhav dermoscopy图像分析利用ABCD规则皮肤癌的早期检测,”全球转换程序,卷2,不。1,2021。视图:出版商的网站|谷歌学术搜索
48. f·w·Alsaade、t·h·h·Aldhyani和m . h . Al-Adhaileh”开发诊断黑色素瘤皮肤损伤的识别系统利用人工智能算法,”计算和数学方法在医学卷,2021篇文章ID 9998379, 20页,2021年。视图:出版商的网站|谷歌学术搜索
49. m . n . y .阿里·m·g . Sarowar m·l·拉赫曼j . Chaki n .戴伊和j·m·r·s·塔瓦雷斯“亚当•深度学习与SOM对人类情绪分类”国际环境计算和情报杂志》上,10卷,不。3、92 - 116年,2019页。视图:出版商的网站|谷歌学术搜索
50. a . Bour c . Castillo-Olea b Garcia-Zapirain, s . Zahia”自动结肠息肉使用卷积神经网络分类:一个案例研究在巴斯克地区,”《2019年IEEE国际研讨会上信号处理和信息技术(ISSPIT)IEEE,页1 - 5,阿治曼,阿拉伯联合酋长国、2019年12月。视图:出版商的网站|谷歌学术搜索
51. r·张y郑,t·w·c . Mak et al .,“结直肠息肉的自动检测和分类转移低级从非医学领域,CNN的特性”IEEE生物医学和卫生信息学杂志》上,21卷,不。1,41-47,2016页。视图:谷歌学术搜索
52. 朱r, r·张,d .雪”病变检测内镜imagesbased卷积神经网络功能,”学报》2015年第八届国际大会上图像和信号处理(对)2015年10月,IEEE,沈阳,中国,。视图:出版商的网站|谷歌学术搜索
53. r . Fonolla f . Van Der Sommen r . m . Schreuder e . j . katryn Schoon和p h . De,“综合分类息肉恶性肿瘤与平衡类使用CNN特性增强,”学报2019年IEEE 16生物医学成像(2019位ISBI)国际研讨会IEEE,页74 - 78年,威尼斯,意大利,2019年4月。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Mosleh Hmoud Al-Adhaileh等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。