基于深度学习胃癌检测方面的论文特别少，这篇主要是利用迁移卷积神经网络对胃癌图像进行早期判断的。

在本研究中，提出了一个基于卷积神经网络的自动检测方案，以协助胃癌早期的内镜影像诊断。使用两个类别（癌症和正常）的图像数据集进行迁移学习，这些数据集具有来自少量注释图像的病变的详细纹理信息。训练网络的准确率为87.6%，灵敏度和特异性均达到了很好的平衡，这对今后的实际应用具有重要意义。我们还成功地将早期胃癌的候选区域作为未知图像的热图。检测准确率82.8%。这意味着我们提出的方案可能会在决策过程中为内窥镜医师提供实质性的帮助。

早期胃癌的形态特征主要分为三种类型：浅表隆起型（0-IIA型）、浅表凹陷型（0-IIC型）和突出型（0-I型）。图1显示了每种类型的内窥镜图像样本。红色的矩形表示每一种胃癌。即使对肠胃病学家来说，检测0-IIa和0-IIc型病变有时也很困难，因为它们的形态变化很差。因此，早期胃癌的诊断依赖于识别粘膜颜色的轻微变化和粘膜下血管的不规则纹理模式。

废话就不多说了，直接上整篇文章的架构图，看看他是怎么进行判断的 这个架构图中用到了22层的GoogLeNet网络作为预训练网络。用到了迁移学习中的微调，对GoogLeNet网络进行了微调。对初始网络进行了50个阶段的训练，在34个阶段之前和之后，学习率分别为0.0001和0.00001（如果两个网络很相似，学习率就可以小点。如果相差大，学习率就要稍微调高些）。采用最小批量32的随机梯度下降法对网络参数进行优化。这里还用到了窗口滑动来提高区域目标的准确度。 首先输入两种类型图片—正常的和有癌变的，然后进行随机分割，增强数据集，将数据送到预训练网络，然后经过微调，得到更优的网络。此时输入不带任何标记的图片，经过窗口滑动截取，送入微调后的网络，然后输出判断此图片是不是胃癌图片。

我们早期胃癌检测结果的几个例子癌症如图4所示。考虑到我们的数据集，结果根据每种类型显示。手动识别的区域用绿色标记，以及根据我们的预测，蓝色表示可能致癌的区域。目标尺寸大约为50平方像素到大约900平方像素。特别是在0-IIA和0-IIC类型的情况下，它们的形状中很少出现显著的特征。然而，我们提出的方案完成了对三种早期胃癌的不同图像的精确检测。

图5显示了预测失误的典型例子 图5a和5b分别在癌症图像中显示过度检测（假阳性）和错误检测（假阴性）。相反，图5C和5D显示正常图像中的过度检测。5b和5d，超检测区域表面有明显的不规则纹理，可能对预测产生不利影响。此外，当目标区域偏离焦点或位于更深的区域时，可能会发生错误检测。为了提高探测精度，有必要在打标记的图片中故意添加如此低质量的数据。