是VGG-16和ViT模型的融合,用于提高计算机断层扫描中的骨瘤分类
Weimin Chen1, Muhammad Ayoub2, Mengyun Liao2
1School of Information and Electronics, Hunan City University, Yiyang 413000, China.
Journal of bone oncology
|November 29, 2023
概括
这项研究引入了一种新的深度学习模型VGG16-ViT,用于从CT图像中分类骨瘤. 融合模型达到97.6%的准确性,改善了骨瘤患者的早期检测和预后.
科学领域:
- 整形外科医学 整形外科医学
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 骨瘤在诊断和治疗方面存在挑战,因为它们的性质各不相同 (良性,恶性,中级).
- 现有的卷积神经网络 (CNN) 在捕获全球结构信息方面存在局限性,这影响了骨瘤分类的准确性.
- 需要一种优化的深度学习方法来精确地分类各种骨瘤.
研究的目的:
- 开发和评估一个优化的深度学习算法,用于精确分类各种骨瘤.
- 解决现有模型在获取全球结构信息方面的局限性,以提高准确性.
- 提高骨瘤患者的早期检测和预后.
主要方法:
- 使用了786张骨和大腿骨瘤计算机断层扫描 (CT) 图像的数据集.
- 开发了一种新的融合模型,VGG16-ViT,它结合了VGG-16和视觉变压器 (ViT).
- 来自VGG-16的功能被集成到ViT编码器中进行培训,并使用二次迁移CT图像进行验证.
主要成果:
- VGG16-ViT融合模型的分类准确率达到了97.6%.
- 该模型显示灵敏度和特异性的改善为8%.
- 培训时间缩短,研究了二次迁移对绩效的影响.
结论:
- VGG16-ViT联合网络提供了骨瘤的强大而准确的分类.
- 这种综合方法提高了分类各种骨瘤类型的精度和效率.
- 这一进展对于改善骨瘤学早期检测和患者预后具有重要意义.


