view in publisher's site

Gastrointestinal diseases segmentation and classification based on duo-deep architectures

Highlights•Modified mask RCNN based ulcer segmentation has been performed.•Deep features are extracted through transfer learning.•Active features are selected based on improved grasshopper optimization.•A detailed analysis has been performed for the proposed system.ABSTRACTNowadays, almost one million gastrointestinal patients are successfully treated by Wireless Capsule Endoscopy (WCE). It is the latest technology in the area of medical imaging for the diagnosis of gastrointestinal diseases such as ulcer, polyp, bleeding, etc. Manual diagnosis process is time-consuming and hard for doctors; therefore, researchers have proposed computerized techniques for detection and classification of these diseases. In this article, a deep learning-based method is presented for ulcer detection and gastrointestinal diseases (ulcer, polyp, bleeding) classification. Modified mask Recurrent Convolutional Neural Network (RCNN) based ulcer segmentation is proposed. The ulcer annotated images are utilized to train the Mask RCNN model to obtain output in the form of bounding box ulcer detected area and mask segmented region. In the classification phase, the ResNet101 pre-trained CNN model is fine-tuned through transfer learning to derive deep features. The acquired deep features are optimized through grasshopper optimization along with minimum distance fitness function. The best-selected features are finally supplied to a Multi-class Support Vector Machine (MSVM) of cubic kernel function for final classification. Experiments have been performed in two-steps; first, the ulcer segmentation results are computed through recall, precision, and Mean Overlap Coefficient (MOC). The ResNet50+FPN as backbone and training all the layers of Mask-RCNN gives best results in terms of MOC=0.8807 and average precision = 1.0. Second, the best classification accuracy of 99.13% is achieved on the cubic SVM for K=10. It is clearly perceived that the proposed method outperforms when compared and analyzed with the existing methods.

طبقه‌بندی و طبقه‌بندی بیماری‌ها بر پایه معماری‌های دوتایی و عمیق

کاره‌ای مهم: بخش بخش‌بندی ulcer based RCNN انجام شده‌است. ویژگی‌های عمیق از طریق آموزش انتقال استخراج می‌شوند. ویژگی‌های فعال براساس بهینه‌سازی پیشرفته ملخ انتخاب می‌شوند. یک آنالیز دقیق برای the RACTNowadays پیشنهاد شده‌است، تقریبا یک میلیون بیمار دستگاه گوارش با موفقیت توسط Capsule Endoscopy (WCE)درمان شده‌اند. این جدیدترین تکنولوژی در زمینه تصویربرداری پزشکی برای تشخیص بیماری‌های معده و روده مثل زخم، پلیپ، خونریزی و غیره است؛ بنابراین، محققان تکنیک‌های کامپیوتری برای تشخیص و طبقه‌بندی این بیماری‌ها را پیشنهاد کرده‌اند. در این مقاله، یک روش یادگیری عمیق برای تشخیص زخم و بیماری‌های معده و روده (ulcer، پلیپ، خونریزی)ارائه شده‌است. Recurrent Modified mask Network شبکه عصبی مصنوعی (RCNN)، بخش‌بندی مبتنی بر شبکه عصبی پیشنهاد شده‌است. از تصاویر annotated برای آموزش مدل RCNN Mask برای به دست آوردن خروجی به شکل جعبه bounding شناسایی‌شده و منطقه بخش‌بندی شده استفاده می‌شود. در مرحله طبقه‌بندی، مدل سی ان ان پیش از آموزش از طریق یادگیری انتقال برای به دست آوردن ویژگی‌های عمیق تنظیم شده‌است. ویژگی‌های عمیق بدست‌آمده از طریق بهینه‌سازی ملخ و با حداقل عملکرد تناسب فاصله بهینه‌سازی می‌شوند. بهترین ویژگی‌ها در نهایت به یک ماشین بردار پشتیبان چند طبقه‌ای (MSVM)از تابع کرنل مکعبی برای طبقه‌بندی نهایی عرضه می‌شوند. آزمایش‌ها در دو مرحله انجام شده‌است؛ ابتدا، نتایج بخش‌بندی سرطان از طریق به یاد آوردن، دقت، و میانگین ضریب Overlap (moc)محاسبه می‌شود. The + FPN به عنوان ستون فقرات و آموزش همه لایه‌های ماسک - RCNN بهترین نتیجه را در شرایط of = ۰.۸۸۰۷ و دقت متوسط = ۱.۰. می‌دهد، بهترین دقت طبقه‌بندی of % در SVM مکعبی برای K = ۱۰ بدست می‌آید. به وضوح مشاهده می‌شود که روش پیشنهادی در مقایسه با روش‌های موجود بهتر عمل می‌کند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.