基于Faster R-CNN与LinkNet集成的胶囊内镜实时出血分析多任务移动应用研究

来自全球的研究团队开发了一款基于Flutter框架的多任务移动应用，通过集成Faster R-CNN（区域卷积神经网络）和LinkNet模型，实现了胶囊内镜(VCE)视频中出血与非出血帧的实时自动分类（mAP@0.5达0.92）及出血区域精准分割（Dice系数0.96），推理速度单帧仅需2.88秒，为消化道出血早期诊断提供了开源解决方案。

　　

这项突破性研究将计算机视觉与移动医疗技术深度融合，开发出首个能同步完成胶囊内镜(VCE)出血帧分类和病灶分割的实时移动应用。技术核心采用双模型协同作战策略：Faster R-CNN率先锁定可疑出血帧（检测精度较YOLO系列提升25%），LinkNet随即对阳性帧实施像素级围剿（分割效果超越UNet 5%）。

研究团队选用公开数据集WCEBleedGen进行模型训练，通过mAP@0.5¹和Dice系数等硬核指标验证，这套组合拳在出血检测任务中斩获0.92的超高精度，病灶分割更达到0.96的近乎完美匹配度。特别值得注意的是，模型生成的Eigen类激活图能精准聚焦不同出血区域，犹如给AI装上了"医学显微镜"。

该开源应用已登陆GitHub平台，单帧处理仅需2.88秒的闪电速度，让消化道出血的移动端实时诊断成为可能。这项技术不仅填补了VCE实时分析领域的空白，其采用的模型集成策略更为其他医学影像分析任务提供了可复制的技术范式。