基于变压器模型和生成对抗网络的多类疟疾寄生虫识别.
Dianhuan Tan1, Xianghui Liang2
1Department of Clinical Laboratory, Xiangya Hospital, Central South University, No.87 Xiangya Road, Kaifu District, Changsha, 410008, Hunan, China.
Scientific reports
|October 10, 2023
概括
变压器模型和生成对抗网络可以通过血涂片图像加强疟疾诊断. 斯温变压器实现了高精度,而MobileViT提供了对边缘设备的高效部署,以精确检测疟疾.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 疟疾仍然是全球主要的健康威胁,需要准确有效的诊断方法.
- 微观检查细血涂片是一种标准的疟疾诊断技术.
- 变压器模型在图像分类任务中表现有希望,因为它们具有特征提取能力.
研究的目的:
- 开发一个有效的框架,使用变压器模型和生成对抗网络来进行多类等离子体分类和疟疾诊断.
- 通过生成扩展培训样本来提高诊断模型的稳定性.
- 在疟疾诊断中实现高准确度和低资源消耗之间的平衡.
主要方法:
- 使用变压器模型,特别是Swin变压器和MobileViT,用于图像分类.
- 使用生成对抗网络 (GAN) 用合成细胞图像来增强训练数据.
- 将变压器模型的性能与精细的血液涂抹图像上的最先进方法进行了比较.
主要成果:
- 斯温变压器实现了高达99.8%准确度的卓越检测性能.
- 移动ViT显示了更低的内存使用量和更短的推断时间,适合边缘设备.
- 这两种模型在精度,回忆,F1得分,特异性和FPR方面都超过了基线架构.
结论:
- 由GAN增强的基于变压器的模型,为疟疾诊断提供了一种高效和准确的方法.
- 斯温变压器提供高诊断准确度,而MobileViT可以在资源有限的设备上实现实际部署.
- 该框架帮助医疗保健专业人员准确诊断疟疾,并促进诊断工具的更广泛使用.
