一种基于深度学习的方法用于使用3D CNN和视觉变压器对宫癌进行分类
1Department of Computing Technologies, SRM Institute of Science and Technology, Kattankulathur, Chennai, India. ak7815@srmist.edu.in.
Journal of imaging informatics in medicine
|February 12, 2024
概括
一个新的深度学习系统使用3D CNN和视觉转换器 (ViT) 模型准确地分类子宫癌. 这种先进的诊断工具实现了98.6%的准确性,有助于早期检测和患者的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫癌对全球健康构成重大挑战,需要改进早期检测方法.
- 当前的诊断方法可以从先进的计算工具中受益,以提高准确性和效率.
研究的目的:
- 开发和评估一个新的深度学习系统,用于准确的宫癌分类.
- 利用3D卷积神经网络 (CNN) 和视觉转换器 (ViT) 来进行强大的特征提取和分类.
主要方法:
- 一种混合深度学习模型,将3D CNN用于时空特征提取和Vision Transformer (ViT) 用于复杂特征学习.
- 整合了3D特征金字塔网络 (FPN) 和挤压激发 (SE) 块,以改进特征.
- 使用具有辐射基函数 (RBF) 内核的内核极端学习机器 (KELM) 进行分类.
主要成果:
- 拟议的深度学习模型在宫图像上实现了高分类准确率98.6%.
- 该系统证明了有效的特征提取和重新校准,增强了辨别能力.
- 模拟结果验证了该模型在宫癌分类中的优越性.
结论:
- 开发的深度学习系统为宫癌分类提供了高度准确和有效的方法.
- 这个模型显示出作为医学专家在识别子宫癌方面的支持性诊断工具的巨大潜力.
- 通过人工智能进行早期和准确的检测,可以大大改善宫癌管理中的患者结果.
