%0 Journal Article
%T 基于深度学习的慢性萎缩性胃炎诊断
%A 巩稼民1
%A 张雅琼2
%A 蒋杰伟1
%A 裴梦杰3
%A 马豆豆1
%J 中国医学物理学杂志
%D 2020
%R 10.3969/j.issn.1005-202X.2020.05.023
%X 慢性萎缩性胃炎是一种常见的胃病，如果得不到及时治疗，有可能发展成胃癌。然而，胃镜检查在萎缩性胃炎检查 中的敏感性仅为约42％，且活检受许多因素的影响。因此，使用卷积神经网络有助于提高诊断慢性萎缩性胃炎的准确性。 首先采用INPAINT_TELEA 算法对胃窦图像进行预处理，去除图像中的水印，对残差网络进行改进并嵌入 Squeeze_and_Excitaion模块以筛查慢性萎缩性胃炎，改进后的网络（SR-CAGnet）通过建立短路机制以及采用特征重标定 策略提高图像的分类效果。结果表明：与Alexnet和改进的ResNet网络进行对比，SR-CAGnet对慢性萎缩性胃炎的检出 率为87.92％，算法识别效果良好。通过使用Apriori算法并分析，得到萎缩性胃炎与胃镜检查下其他症状的关系，以辅助 医生的诊断。最后使用CAM热图验证模型的有效性
%K 慢性萎缩性胃炎
%K 深度学习
%K Squeeze_and_Excitaion
%K Apriori算法
%U http://zgyxwlxzz.paperopen.com/oa/darticle.aspx?type=view&id=201911052