换一批基于 Swin Transformer 网络与 Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法研究
Small bowel capsule endoscopy image classification method based on Swin Transformer network and Adapt-RandAugment data augmentation approach
摘要目的:为提高小肠病变分类识别的准确性,提出一种基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法.方法:基于RandAugment数据增强子策略和增强小肠胶囊内镜图像时不丢失特征、不失真的原则提出Adapt-RandAugment数据增强方法.在公开的小肠胶囊内镜图像Kvasir-Capsule数据集中,基于Swin Transformer网络,采用Adapt-RandAugment数据增强方法进行训练,以卷积神经网络ResNet152、DenseNet161为基准,验证Swin Transformer网络和Adapt-RandAugment数据增强方法组合对小肠胶囊内镜图像分类识别的性能.结果:提出的方法宏平均精度(macro average precision,MAC-PRE)、宏平均召回率(macro average recall,MAC-REC)、宏 F1 分数(macro average F1 score,MAC-F1-S)分别为 0.383 2、0.314 8、0.290 5,微平均精度(micro average precision,MIC-PRE)、微平均召回率(micro average recall,MIC-REC)、微平均 F1 分数(micro average F1 score,MIC-F1-S)均为 0.755 3,马修斯相关系数(Matthews correlation coefficient,MCC)为 0.452 3,均优于 ResNet152 和DenseNet161网络.结论:基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法具有较好的小肠胶囊内镜图像分类识别效果和较高的识别准确率.
更多相关知识
- 浏览17
- 被引1
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
