关键词:
内镜诊断
食管癌
卷积神经网络
深度学习
食管疾病
摘要:
目的通过深度学习方法对食管癌前病变和食管癌进行自动检测和分类。方法收集我院2011年5月至2019年5月食管癌前病变和食管癌图像,且经过病理学确诊,共从832例患者中选取1572张食管白光图像,包括食管癌、正常食管、食管癌前病变,同时进行标记和筛选图像。深度学习框架训练其中的1337张食管白光图像,其余235张图像进行卷积神经网络(convolutional neural network,CNN)目标检测。CNN是由两个子网组成,分别是O-流和P-流。O-流的主要作用是原始图像的输入,负责提取原始图像的全局特征和颜色。P-流的主要作用是输入预处理后的食管图像,提取原始图像的细节特征和纹理。结果双流CNN系统敏感度为95.64%,特异度为95.96%,总体准确度为86.74%。食管癌的检出率为78.72%,癌前病变的检出率为83.4%,正常食管的检出率为95.32%。其中47例食管癌患者中有10例被误诊为癌前病变,误诊率为21.28%。与正常食管相比,食管癌的诊断精确率相对较低。在数据集相同的情况下,将传统学习方法局部二值模式(local binary pattern,LBP)+支持向量机(support vector machine,SVM)和SVM+方向梯度直方图(histograms of oriented gradients,HOG)与本研究方法进行比较,结果表明深度学习方法准确度、敏感度、特异度均高于其他方法。结论双流CNN系统在图像识别上具有较高的特异度和敏感度,与目前较为传统的机器学习方法相比,此方法更胜一筹,因此,在帮助内镜医师诊断食管疾病上具有很大的应用前景。