Resumen:
El tracto gastrointestinal (GI) humano puede verse afectado por diferentes anomalías o lesiones que van desde pequeñas molestias hasta enfermedades altamente letales. La endoscopia es el procedimiento estándar utilizado para detectar diferentes patologías en el tracto gastrointestinal. Las pequeñas lesiones del tracto gastrointestinal a menudo se pasan por alto durante el procedimiento debido a la dificultad para identificarlas. Esto es importante, ya que estas lesiones pueden ser incluso precursoras del cáncer. En los últimos años, este problema ha sido abordado por técnicas de aprendizaje profundo (DL) y aprendizaje automático (ML), que detectan y clasifican automáticamente las diferentes lesiones y hallazgos patológicos. Las redes neuronales convolucionales (CNN) son el algoritmo más utilizado en DL debido a la alta precisión para modelar fenómenos complejos. Se han propuesto varias CNN como herramienta de diagnóstico asistida por ordenador para la clasificación de lesiones del tracto gastrointestinal. Este trabajo compara cuatro arquitecturas de CNN diferentes: AlexNet, DenseNet-201, Inception-v3 y ResNet-101. Se utilizaron diez tipos de lesiones del tracto gastrointestinal del conjunto de datos HyperKvasir para entrenar y probar estas arquitecturas. Para evaluar el rendimiento de los modelos se utilizaron la exactitud, la precisión, la sensibilidad, la especificidad, la puntuación F1 y el área bajo la curva (AUC). El modelo DenseNet-201 obtuvo un 97,11\% de precisión, un 96,3\% de sensibilidad, un 99,67\% de especificidad y un 95\% de AUC.
Descripción:
The human gastrointestinal (GI) tract can be affected by different abnormalities or lesions ranging from minor annoyances to highly lethal diseases. Endoscopy is the standard procedure used to detect different pathologies in the GI tract. Small GI tract lesions are often missed during the procedure because of the difficulty in identifying them. This is important as these lesions may even be precursors to cancer. In recent years, this problem has been addressed by Deep Learning (DL) and Machine Learning (ML) techniques, which automatically detect and classify the different lesions and pathologic findings. Convolutional Neural Network (CNN) is the most widely used algorithm in DL due to the high accuracy to model complex phenomena. Several CNNs have been proposed as a computer-aided diagnostic tool for the classification of GI tract lesions. This work compares four different CNN architectures; AlexNet, DenseNet-201, Inception-v3, and ResNet-101. Ten types of GI tract lesions from the HyperKvasir dataset were used to train and test these architectures. Accuracy, precision, sensitivity, specificity, F1-score, and area under the curve (AUC) were used to evaluate the models performance. DenseNet-201 model obtained 97.11\% of accuracy, 96.3\% sensitivity, 99.67\% specificity and 95\% AUC.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-ShareAlike 3.0 United States