目的研究蹲厕行为对胶囊内镜检查胃转运时间(gastric transit time,GTT)和全小肠检查率(complete examination rate of small bowel,CER)的影响。方法随机纳入2019年1-12月于重庆医科大学附属第二医院行胶囊内镜检查的患者122例,采用随...目的研究蹲厕行为对胶囊内镜检查胃转运时间(gastric transit time,GTT)和全小肠检查率(complete examination rate of small bowel,CER)的影响。方法随机纳入2019年1-12月于重庆医科大学附属第二医院行胶囊内镜检查的患者122例,采用随机数字表法将其分为试验组63例和对照组59例,试验组即吞服胶囊后随时可以蹲厕,对照组如需如厕采取坐便。比较2组患者GTT、小肠转运时间、CER和诊断率的区别。结果试验组和对照组患者在性别、年龄、住院情况等方面差异无统计学意义。试验组患者CER显著高于对照组(92.06%vs 79.66%),差异有统计学意义(P=0.048)。试验组患者中位GTT显著少于对照组(26.7 vs 45.6 min),差异有统计学意义(P=0.027)。两组患者在小肠转运时间和诊断率上差异无统计学意义。结论行胶囊内镜检查患者采用蹲厕行为能减少胶囊在胃内转运时间,增加全小肠检查率。展开更多
目的:为提高小肠病变分类识别的准确性,提出一种基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法。方法:基于RandAugment数据增强子策略和增强小肠胶囊内镜图像时不丢失特征、不失真的原则提出Adap...目的:为提高小肠病变分类识别的准确性,提出一种基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法。方法:基于RandAugment数据增强子策略和增强小肠胶囊内镜图像时不丢失特征、不失真的原则提出Adapt-RandAugment数据增强方法。在公开的小肠胶囊内镜图像Kvasir-Capsule数据集中,基于Swin Transformer网络,采用Adapt-RandAugment数据增强方法进行训练,以卷积神经网络ResNet152、DenseNet161为基准,验证Swin Transformer网络和Adapt-RandAugment数据增强方法组合对小肠胶囊内镜图像分类识别的性能。结果:提出的方法宏平均精度(macro average precision,MAC-PRE)、宏平均召回率(macro average recall,MAC-REC)、宏F1分数(macro average F1 score,MAC-F1-S)分别为0.3832、0.3148、0.2905,微平均精度(micro average precision,MIC-PRE)、微平均召回率(micro average recall,MIC-REC)、微平均F1分数(micro average F1 score,MIC-F1-S)均为0.7553,马修斯相关系数(Matthews correlation coefficient,MCC)为0.4523,均优于ResNet152和DenseNet161网络。结论:基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法具有较好的小肠胶囊内镜图像分类识别效果和较高的识别准确率。展开更多
文摘目的研究蹲厕行为对胶囊内镜检查胃转运时间(gastric transit time,GTT)和全小肠检查率(complete examination rate of small bowel,CER)的影响。方法随机纳入2019年1-12月于重庆医科大学附属第二医院行胶囊内镜检查的患者122例,采用随机数字表法将其分为试验组63例和对照组59例,试验组即吞服胶囊后随时可以蹲厕,对照组如需如厕采取坐便。比较2组患者GTT、小肠转运时间、CER和诊断率的区别。结果试验组和对照组患者在性别、年龄、住院情况等方面差异无统计学意义。试验组患者CER显著高于对照组(92.06%vs 79.66%),差异有统计学意义(P=0.048)。试验组患者中位GTT显著少于对照组(26.7 vs 45.6 min),差异有统计学意义(P=0.027)。两组患者在小肠转运时间和诊断率上差异无统计学意义。结论行胶囊内镜检查患者采用蹲厕行为能减少胶囊在胃内转运时间,增加全小肠检查率。
文摘目的:为提高小肠病变分类识别的准确性,提出一种基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法。方法:基于RandAugment数据增强子策略和增强小肠胶囊内镜图像时不丢失特征、不失真的原则提出Adapt-RandAugment数据增强方法。在公开的小肠胶囊内镜图像Kvasir-Capsule数据集中,基于Swin Transformer网络,采用Adapt-RandAugment数据增强方法进行训练,以卷积神经网络ResNet152、DenseNet161为基准,验证Swin Transformer网络和Adapt-RandAugment数据增强方法组合对小肠胶囊内镜图像分类识别的性能。结果:提出的方法宏平均精度(macro average precision,MAC-PRE)、宏平均召回率(macro average recall,MAC-REC)、宏F1分数(macro average F1 score,MAC-F1-S)分别为0.3832、0.3148、0.2905,微平均精度(micro average precision,MIC-PRE)、微平均召回率(micro average recall,MIC-REC)、微平均F1分数(micro average F1 score,MIC-F1-S)均为0.7553,马修斯相关系数(Matthews correlation coefficient,MCC)为0.4523,均优于ResNet152和DenseNet161网络。结论:基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法具有较好的小肠胶囊内镜图像分类识别效果和较高的识别准确率。
