本研究针对胃肠疾病自动化诊断的必要性，提出了一种名为胶囊网络（CapsuleNet）的深度学习模型，以提高分类精度并减轻医生的工作负担。通过数据增强策略解决数据不平衡问题，胶囊网络在验证数据上表现出色，微观准确率达到84.5%，为胃肠道疾病分类提供了高效的解决方案。

本文介绍了一种名为“DUCK-Net”的监督卷积神经网络架构，能够从少量的医学图像中学习和概括，以进行准确的分割任务。该模型利用编码器-解码器结构、残差下采样机制和自定义卷积块来处理图像信息。通过数据增强技术提高模型性能。在结肠镜图像的息肉分割方面展示了该方法的能力。在多个数据集上评估结果表明，该方法在Dice系数、Jaccard指数、精确度、召回率和准确度等方面取得了最先进的结果。代码已在GitHub上公开。

研究设计了COVID-Net模型，用于COVID-19的放射学筛查，提高筛查效率和加速疾病诊断与治疗。

该论文研究了使用卷积神经网络和其他模型高效检测脑肿瘤的方法。通过评估不同模型的性能，发现细调的InceptionV3模型准确率达到99.33%。同时，提出了一种成本敏感的神经网络方法，在不平衡数据集上表现出比传统模型更高的准确率。这些模型有潜力提高肿瘤检测准确度，需要进一步开发。

Tags: PaperURL1: https://arxiv.org/pdf/1905.11946.pdfURL2: https://arxiv.org/pdf/2104.00298.pdf 提出了一种模型缩放策略，如何更高效的平衡网络的深度、宽度、和图片分辨率**1. Efficient Net: Rethinking Model Scaling for Convolutional...