基于深度学习的慢性萎缩性胃炎诊断

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