【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是涉及一种基于多网络集成学习的消化道多病灶分类方法及装置。
技术介绍
1、胶囊内窥镜是用于检查胃肠道的新型无痛无创诊断方式，它通过口腔进入人体，探查人体胃肠道的健康状况，用来帮助医生对病人消化道系统疾病进行诊断，是疑似胃肠道疾病的首选诊断方法。一次完整的无线胶囊内镜检查会产生约6万张图像，临床医生必须对这些图片进行分析并从中筛选出病变图像以及病灶部位，并且由于其中病变图像的数量很少，医生往往需要耗费大量时间和精力进行反复检查。
2、传统机器学习在图像特征提取与分类的过程中，依赖专业人员的深入参与。这些专业人员需要依据图像的颜色、纹理等关键信息，手动设计和提取出有效的特征。随后，这些提取的特征会被输入到相应的机器学习算法中进行分类。这种方法存在明显的局限性。首先，它高度依赖于专业人员的技能和经验，既费时又费力。由于操作人员的经验不同，所提取的特征也可能存在显著差异，这增加了结果的不确定性。其次，传统方法无法实现端到端的特征提取和分类。这意味着特征提取和结果分类是两个独立的步骤，需要先对图像进行特征提...
【技术保护点】
1.一种基于多网络集成学习的消化道多病灶分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述预处理包括：
3.根据权利要求1所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述训练数据集的构建包括：
4.根据权利要求1所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述网络模型包括CA-EfficientNet-B0模型、ECA-RegNetY模型和Swin transformer模型，其中，
5.根据权利要求4所述的基于多网络集...
【技术特征摘要】
1.一种基于多网络集成学习的消化道多病灶分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述预处理包括：
3.根据权利要求1所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述训练数据集的构建包括：
4.根据权利要求1所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述网络模型包括ca-efficientnet-b0模型、eca-regnety模型和swin transformer模型，其中，
5.根据权利要求4所述的基于多网络集成学习的消化道多病灶分类方法，其特征在于，所述efficientnet-b0网络包括卷积层和全局平均池化层，所述卷积层的最后一个卷积块的输出输入至ca模块中，经所述ca模块增强后的输出作为输入传递给全局平均池化层。
6.根据权利要求4所述的基于多网络集成学习的消化道多病灶分类方法，...
【专利技术属性】
技术研发人员：郭旭东，庞立英，崔海坡，蒋琴芬，赵展，陈佳蘅，秦苏楠，罗芳芳，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。