深度学习模型GoogleNet-PNN对肝硬化的识别

针对传统机器学习人工提取特征耗时耗力,并且提取高质量特征存在一定困难等问题,将基于深度学习的方法,首次结合卷积神经网络和概率神经网络,提出了一种新的模型GoogleNet-PNN,其自动学习特征,避免了手动提取特征的繁琐性,而且结合了PNN训练容易、收敛速度快等特点,在肝病分类的实验中取得了较好的效果;并使用了迁移学习的方法,通过在自然图像集的预训练,然后应用到医学图像,避免了因样本不足而出现的过拟合问题,实验结果最终表明识别准确率要优于其他方法,达到了98%的客观识别率。     

基于5G+改进的人工智能算法的肠道息肉自动识别检测

为了辅助提高消化内科内窥镜临床医师对肠道息肉的检测客观识别率和效率，开发了一种肠道息肉自动识别检测系统。在医师进行内窥镜检测时，可以自动识别和标记肠道息肉，并可以自动保存至系统。以YOLOv5算法为基本框架，引入了Ghost模块和混合注意力机制，提高了该算法对肠道息肉的检测能力。同时，该系统结合5G技术，可以将移动手机端作为采集病理的前端设备，更加便捷高效地实现对息肉的检测应用。