一种新的网络级融合深度学习架构与浅层神经网络分类器，用于从无线胶囊内窥镜图像中分类胃肠癌

深度学习在医学影像和计算机辅助诊断（CAD）方面做出了重要贡献，提供了准确的疾病分类和诊断。然而，诸如类间和类内相似性、类不平衡以及由于众多超参数导致的计算效率低下等挑战依然存在。本研究旨在通过提出一种新颖的深度学习框架，来解决这些挑战，以分类和定位无线胶囊内窥镜（WCE）图像中的胃肠道（GI）疾病。该框架首先通过数据集增强来提高训练的鲁棒性。两个新颖的架构，稀疏卷积DenseNet201与自注意力（SC-DSAN）和CNN-GRU，通过深度连接层在网络层面上融合，避免了特征级融合的计算成本。采用贝叶斯优化（BO）进行动态超参数调优，并通过熵控制的海洋捕食者算法（EMPA）选择最优特征。这些特征通过浅层宽神经网络（SWNN）和传统分类器进行分类。在Kvasir-V1和Kvasir-V2数据集上的实验评估表明，该方法的表现优越，准确率分别达到99.60%和95.10%。所提出的框架在准确性、精确度和计算效率上优于最先进的模型。本框架解决了GI疾病诊断中的关键挑战，证明了其在准确和高效临床应用中的潜力。未来的工作将探索其对其他数据集的适应性，并优化其计算复杂度以实现更广泛的部署。