基于注意力增强残差U-Net与直方图均衡化的胃肠出血疾病自动分类模型研究

本文推荐一种新型深度学习框架HARU-Net（Histogram Equalized Attention Residual Gate U-Net），通过直方图均衡化（HE）提升无线胶囊内镜（WCE）图像质量，并创新性地在注意力U-Net中引入残差门控机制，实现胃肠出血（GIB）病灶98.21%的高精度分类。该模型在Kaggle数据集上验证显著优于ResNet等传统CNN架构（85%+），为临床自动化诊断提供新范式。

　　

Highlight

研究亮点

本研究提出两大创新贡献：（1）通过数据增强、图像裁剪和直方图均衡化（HEG）技术实现无监督学习的数据预处理；（2）在经典注意力U-Net（Attention U-Net）架构中，用标准化残差块替换注意力门控模块，该模块由两个连续卷积层与单层标准化卷积构成，显著优化特征提取。

Development of HARU-Net and Mathematical modeling

HARU-Net开发与数学模型

模型基于Kaggle胃肠出血图像数据集（含113例出血与113例正常WCE图像），经数据扩增至4,746张图像后建立数学表征（公式1-3）。其中单幅胃肠图像GAS₀₀¹被定义为255×255像素矩阵，通过双重求和运算??构建全数据集特征空间。

Experimental setup and analysis

实验设置与分析

采用Python计算机视觉工具包，对WCE图像进行高斯平滑、中值滤波和高通滤波预处理。图8-9展示数据集典型样本，图10-11呈现标注与裁剪结果，数据扩增后每图生成21个衍生样本（图12）。

Proposed HARU-Net implementation results and Discussions

HARU-Net实施结果与讨论

预处理后图像经改进的注意力残差门控机制处理，解码器上采样层整合精细化注意力权重。图13-14对比显示，归一化残差块（含ReLU激活与批标准化）有效提升病灶边界识别能力。

Performance comparison with existing research

与现有研究的性能对比

如表3所示，HARU-Net以98.21%准确率超越Deep CNN（94.42%）、CE-AlexNet（95.33%）等模型，尤其在早期微小出血灶识别中展现显著优势（p<0.01）。

Practical implications of HARU-Net

HARU-Net的实际应用价值

该模型可无缝整合至临床内镜工作站，实现：（1）实时出血病灶报警；（2）量化出血范围；（3）生成结构化报告。其高鲁棒性在低对比度WCE图像中仍保持93%+召回率。

Conclusion and Future enhancements

结论与未来改进

当前模型通过注意力机制与残差学习的协同作用，成功解决胃肠图像分类中特征提取不充分的痛点。下一步将探索多模态数据融合与轻量化部署方案。