بهبود تشخیص تصاویر اندوسکوپی کپسولی با استفاده از شبکه عصبی YOLO

فناوری اندوسکوپی کپسولی (CE) توسعه سریعی را تجربه می کند. این پیشرفت وابسته به سهولت استفاده، طول عمر بالای باتری، و کیفیت خوب تصاویر است. اگرچه وضوح دنباله های تصاویر این تکنیک درحال رشد است، شناسایی محتوای مورد علاقه در آن نیازمند صرف زمان و تلاش زیادی است. برای این مورد، روشی جدید در این مقاله ارایه شده است که مبتنی بر معماری شبکه عصبی متداول (YOLO v۵) بوده و توسط آن مکان و برچسب توده ها برروی دو پایگاه دادگان قابل دسترس عموم مورد آزمایش قرار گرفته است. شبکه عصبی دیگری به نام (GPD) که براساس معماری (ALexNet) می باشد به عنوان رقیب انتخاب شده است. هدف اصلی از این تحقیق کاهش زمان تشخیص با حفظ دقت موجود توسط (Yolo) بوده است. خوشبختانه نتایج ۶% هم، در صحت تشخیص نسبت به رقیب رشد داشته. بعلاوه، (Yolo ) ۵۸% کارایی بهتر در متوسط زمان پیشبینی از خود نمایش می هد و هر فریم در ۵.۳۹ میلی ثانیه مورد تحلیل قرارمی گیرد. همچنین، مقیاس پذیری (Yolo) مورد بررسی قرارگرفته است، که نتایج اشاره به تنزل مطبوع کیفیت، به اندازه ۶.۹۵ مرتبه برروی دادگان (Kvasir) دارد، که اثبات بر کاربردی بودن (Yolo) در این حوزه است. افزایش کیفیت ورودی منجر به نتایج بهتر در (Yolo) شده است. تمامی پیاده سازی ها ومطالب پیرامونی برروی سایت (GitHub) قابل دسترس است.

کلیدواژه ها:

مطالعه بیماریهای معده و روده ، اندوسکوپی کپسولی ، GPD ، YOLO