中山醫學大學機構典藏 CSMUIR:Item 310902500/23079
English  |  正體中文  |  简体中文  |  全文笔数/总笔数 : 17938/22957 (78%)
造访人次 : 7401632      在线人数 : 141
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜寻范围 查询小技巧:
  • 您可在西文检索词汇前后加上"双引号",以获取较精准的检索结果
  • 若欲以作者姓名搜寻,建议至进阶搜寻限定作者字段,可获得较完整数据
  • 进阶搜寻


    jsp.display-item.identifier=請使用永久網址來引用或連結此文件: https://ir.csmu.edu.tw:8080/ir/handle/310902500/23079


    题名: 胃食道逆流疾病分類之可詮釋性深度學習模型比較
    Comparison of Interpretable Deep Learning Models for Classification of Gastroesophageal Reflux Diseases
    作者: 邱愉晴
    Yu-Ching Chiu
    贡献者: 健康管理學院:醫學資訊學系;曾明性(Ming-Hseng Tseng)
    关键词: 胃食道逆流疾病分類;深度學習;卷積神經網路;可詮釋模型
    gastroesophageal reflux disease classification;deep learning;convolutional neural network;interpretable model
    日期: 2021-07-01
    上传时间: 2022-08-01T09:10:55Z (UTC)
    摘要: 胃食道逆流疾病是常見的消化道疾病之一,以洛杉磯分類標準來評估內視鏡檢查嚴重程度。在長期胃食道逆流的影響之下,導致其他嚴重併發症的風險提高,例如巴瑞特氏食道、食道癌等。因此,應及早診斷出胃食道逆流的症狀,並予以適當的治療。 深度學習模型應用於電腦輔助診斷的案例越來越多,但是深度學習的「黑盒」特性,讓診斷結果難以解釋如此判斷的原因,妨礙醫師運用此方法進行病症的理解。在本研究中,使用上消化道內視鏡檢查影像作為資料集,可詮釋性模型為深度分層語義卷積神經網路,提供兩種輸出資訊,分別為語義特徵、以及洛杉磯分類標準預測,語義特徵為本研究人工萃取的3個內視鏡影像特徵,用以解釋模型分類預測結果的原因。接著比較語義特徵之網路層輸入融合層對於後續分類預測的準確性差異。泛化率最佳模型在十折交叉驗證平均下的訓練準確率為99.8%±0.2%,驗證準確率為85.8%±2.2%,測試準確率則是84.4%,高於兩位培訓醫師的人工測試結果(75%與65.6%)。
    URI: https://etds.csmu.edu.tw/ETDS/Home/Detail/U0003-1305202113453700
    https://dx.doi.org/10.6834/csmu202100057
    https://hdl.handle.net/11296/4pwkm8
    https://ir.csmu.edu.tw:8080/handle/310902500/23079
    显示于类别:[營養學系暨碩士班] 博碩士論文

    文件中的档案:

    档案 描述 大小格式浏览次数
    index.html0KbHTML180检视/开启


    SFX Query

    在CSMUIR中所有的数据项都受到原著作权保护.

    TAIR相关文章

    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回馈