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。

本文提出了一种新型监督卷积神经网络架构“DUCK-Net”，用于从少量医学图像中有效学习并执行息肉分割任务。该模型结合编码器-解码器结构和数据增强技术，在多个基准数据集上表现出色，显示出强大的泛化能力。研究结果表明，DUCK-Net在分割精度和效率方面优于现有方法，为结肠镜图像分析提供了新的解决方案。

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...