基于ResNet的溃疡性结肠炎肠镜图像分类模型的建立及临床测试

Establishment and Clinical Test of Automatic Image Recognition Model for Ulcerative Colitis Colonoscopy Based on ResNet

二维码有效期 120s

摘要目的训练一个基于ResNet的溃疡性结肠炎肠镜图像自动识别及分类模型,并测试其准确性,以期协助医师提高溃疡性结肠炎的临床检出率与分类准确率.方法从河北省中医院结肠镜中心回顾性搜集2018年1月-2023年10月的4000张结肠镜图像,根据Mayo内镜评分标准分成正常组,UC轻度组、中度组、重度组,每组图像各1000张.通过亮度调节、角度旋转等预处理后,将图像数量扩充至20000张,按照7∶2∶1的比例随机将数据集划分为训练集、验证集、测试集.将训练集和验证集输入ResNet模型学习及检验其稳定性,待全部训练结束后,通过测试集记录模型的准确率,制作精准回归曲线,评估模型的分类效果.结果在测试集中,该模型对于溃疡性结肠炎不同程度的肠镜图像分类准确率为:正常组99.8％、轻度组98.8％、中度组95.6％、重度组97.8％.结论 ResNet识别及分类溃疡性结肠炎图像性能良好,准确率较高,可辅助医师对本病进行识别、分类等任务,有较为可靠的临床应用价值.