基于权重迁移的深度融合网络的食管疾病图像分类方法

本发明涉及医学图像处理技术领域，具体涉及基于权重迁移的深度融合网络的食管疾病图像分类方法，该网络多个数据集内的食管炎图片和巴雷特食管炎内窥镜图片。神经网络模型利用RY_RNet50网络模型和VGG16网络模型进行特征提取，并在训练期间选择性冻结特定层，其顶层部分使用支持向量机作为分类器来对食管炎和巴雷特食管炎进行分类。实验结果表明神经网络模型整体分类准确率高达97.71％，其中食管炎分类精度为97.22％，巴雷特食管炎分类精度为99.11％。我们还采用了梯度加权类激活图来增加模型的可解释性，本研究可为内镜医师的诊断提供客观参考，有助于提高食管疾病的诊断准确率，对食管癌的预防具有重要作用。