皮肤ViT:一种基于变压器的方法,用于黑色素瘤和非黑色素瘤分类

科学领域:

• 皮肤病学 皮肤病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 皮肤癌是一个重要的全球健康问题,需要早期诊断才能有效治疗.
• 黑色素瘤和非黑色素瘤的自动分类由于视觉相似性和类内变异而具有挑战性.
• 现有的卷积神经网络 (CNN) 难以捕获全球上下文信息,可能缺少关键的诊断功能.

研究的目的:

• 开发一种自动化系统来分类黑色素瘤和非黑色素瘤 (包括基底细胞癌和状细胞癌).
• 通过整合前景关注机制来提高皮肤癌检测的准确性,以捕捉本地和全球特征.
• 协助皮肤科医生及时诊断和治疗皮肤癌患者.

主要方法:

• 提出了一个新的架构,SkinViT,结合了外观块,变压器块和MLP头块.
• 利用前景注意力机制,通过突出重要特征和抑制噪音来改善特征表示.
• 在三个数据集 (ISIC2019,在线数据库,组合) 上评估模型,使用准确度,回忆,精度和F1分数等指标.

主要成果:

• SkinViT实现了高精度:数据集1上的0.9109,数据集2上的0.8611和数据集3.3上的0.8911.
• 与皮肤癌分类的最新模型相比,提出的方法显示出更高的性能.
• SkinViT有效地捕获了细粒度和全球上下文信息,以提高分类准确度.

结论:

• 皮肤ViT架构为准确有效地分类黑色素瘤和非黑色素瘤提供了一个有希望的方法.
• 这种人工智能驱动的工具可以显著帮助皮肤科医生在早期和精确的皮肤癌诊断.
• 该研究强调了医疗图像分析中注意力机制的潜力,以改善诊断结果.