Deep Learning Architectures for Abnormality Detection in Endoscopy Videos
Notice bibliographique
Résumé
Endoscopy is a widely employed technique for the diagnosis and treatment of various internal organs in the human body, including the gastrointestinal tract, lungs, bones, and abdominal region.During the procedure, an illuminated optical device records video data, which assists physicians during real-time analysis and post-procedure evaluations.Identifying areas of interest within the vast amount of recorded video data is critical for optimizing physicians' focus and time.A key task in this process involves classifying endoscopic frames as normal or abnormal.Current solutions for endoscopic frame classification either rely solely on handcrafted features or neural network features and lack efficient pre-processing techniques to eliminate irrelevant frame portions or enhance relevant region features.This study presents an innovative architecture pipeline for the efficient and robust detection of abnormal frames in endoscopic videos, combining effective pre-processing techniques with deep neural networks.A novel and customized pre-processing method has been integrated into three custom-tailored deep architectural pipelines, which are based on sequential convolutional networks, InceptionResNet, and EfficientNet.Models generated using these pipelines were trained and tested on customcurated data from publicly available repositories.Among the three pipelines, the architecture based on EfficientNet outperformed current state-of-the-art approaches, achieving a sensitivity, specificity, and accuracy of 0.94, 0.91, and 0.93, respectively, for the classification of abnormal frames.This novel approach demonstrates the potential of leveraging advanced deep learning architectures to enhance abnormality detection in endoscopic videos.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».