11、基于卷积神经网络的胃癌早期识别与银行应用多模式安全认证技术

基于卷积神经网络的胃癌早期识别与银行应用多模式安全认证技术

卷积神经网络在胃癌早期识别中的应用

1. 文献综述

卷积神经网络（CNN）是图像识别过程中主要使用的深度学习技术之一，由Szegedy等人提出。与人工操作相比，CNN系统的准确性要高得多。例如，一个基于CNN的诊断系统，在对约2300张胃癌内镜图像进行训练（超过14000张图像）和测试时，在不到一分钟的时间内正确诊断出77个胃癌病变中的71个，整体灵敏度约为93%。这表明CNN可以在短时间内评估和处理大量图像。

使用基于单发多框检测器的深度卷积神经网络（CNN）系统，对5360张病变的无线胶囊内窥镜（WCE）图像进行训练，能够以95%的置信区间正确检测病变曲线下的面积，CNN系统的准确率为90%，这有助于减少医生的疏忽和负担。

人工智能（AI）通过内镜图像训练后可以准确检测胃癌。CNN作为一种深度学习方法，可自动从大量训练数据集中学习最佳特征。此外，图形处理单元（GPU）的使用减少了深度学习方法的训练时间。卷积神经网络与其他神经网络有三个关键区别：
1. 稀疏连接
2. 共享权重
3. 池化（一种下采样形式）

尽管有其他分类方法，如支持向量机（SVM）、人工神经网络（ANN）等，但CNN相比这些方法能产生更准确的结果。SVM分类器也使用线性、径向基函数（RBF）和多项式核进行了实验，即使使用三种SVM类型进行评估，CNN的总体准确率仍然更高。

2. 方法

• 流程 ：用户界面是一个网站，用户上传需要识别癌症的图像，通过CNN算法检查上传的图像是否癌变。从图像