使用深度学习进行息肉匹配

结肠胶囊内镜（CCE）分析中的一项关键挑战，是准确判断多张图像是否展示了同一个息肉，这对于避免重复计数和不必要的临床干预至关重要。此外，这还能防止因内镜医师无法精确定位而进行耗时较长的随访结肠镜检查，以寻找重复息肉。本研究提出了一种基于对比学习、采用孪生神经网络架构的息肉匹配新方法。该模型在来自丹麦 CareForColon2015 试验的数据集上进行训练。该数据集包含 5,103 对经确认属于同一息肉的图像，以及 5,103 对属于不同息肉的图像，均由经验丰富的临床医生进行标注。所提出的模型采用 ResNet 变体（ResNet18、ResNet34、ResNet50）、DenseNet121 和 EfficientNet B0/B3 作为骨干网络，并利用结合余弦向量距离度量的对比学习进行分类。实验结果显示，该模型的分类准确率最高可达 92%，AUC 值接近 0.98。这些结果表明，自动化息肉匹配有望减少息肉重复计数、改善患者风险分层，并减少不必要的随访结肠镜检查。