Остання редакція: 2025-04-21
Анотація
У роботі розглянуто особливості архітектури глибокої нейронної мережі ResNet та проаналізовано перспективи її застосування в автоматизованій обробці ендоскопічних зображень. Проведено порівняльний аналіз підходів до використання ResNet у класичній та капсульній ендоскопії. На основі огляду наукових публікацій визначено переваги залишкової архітектури у підвищенні точності, чутливості та специфічності при виявленні патологій шлунково-кишкового тракту. Отримані результати вказують на доцільність впровадження ResNet у системи комп’ютерної діагностики для покращення ефективності медичних рішень.
Ключові слова
Посилання
Iddan, G., Meron, G., Glukhovsky, A., & Swain, P. (2000). Wireless capsule endoscopy. Nature, 405(6785), 417-417.
R.-Y. Zhang, P.-P. Qiang, L.-J. Cai, T. Li, Y. Qin, Y. Zhang, Y.-Q. Zhao, and J.-P. Wang, “Automatic detection of small bowel lesions with different bleeding risks based on deep learning models,” World Journal of Gastroenterology, vol. 30, no. 2. Baishideng Publishing Group Inc., pp. 170–183, 14-Jan-2024. https://pmc.ncbi.nlm.nih.gov/articles/PMC10835517/#sec7
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition.” arXiv, 2015. https://arxiv.org/abs/1512.03385
M. Hmoud Al-Adhaileh, E. Mohammed Senan, F. W. Alsaade, T. H. H. Aldhyani, N. Alsharif, A. Abdullah Alqarni, M. I. Uddin, M. Y. Alzahrani, E. D. Alzain, and M. E. Jadhav, “Deep Learning Algorithms for Detection and Classification of Gastrointestinal Diseases,” Complexity, vol. 2021, no. 1. Wiley, Jan-2021. https://onlinelibrary.wiley.com/doi/10.1155/2021/6170416