使用混合视觉变压器和混合损失功能的聚片细分.
1Akdeniz University, Antalya, Turkey. evgingoceri@yahoo.com.
Journal of imaging informatics in medicine
|February 12, 2024
概括
准确的聚细分对于早期检测结直肠癌至关重要. 一种具有混合损失功能的新残留变压器模型显著提高了聚合物检测的准确性,超过了现有的方法.
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:
- 大肠直肠癌 (CRC) 往往是从腺瘤多瘤发展起来的,因此早期检测对于降低死亡率至关重要.
- 目前的结肠镜查面临限制,包括可变的图像质量,医生疲劳和错过诊断的可能性.
- 计算机辅助检测方法存在,但往往有局限性,阻碍了广泛的临床采用.
研究的目的:
- 开发和评估一种新的深度学习架构,用于在结肠镜图像中准确地细分多.
- 为了利用高层次的语义和低层次的空间特征来提高细分性能.
- 引入混合损失函数,增强区域一致性并减少细分错误.
主要方法:
- 基于剩余变压器层设计了一个新的细分架构.
- 该模型整合了高级语义和低级空间特征,以进行全面的分析.
- 实现了一种新的混合损失函数,结合了焦点Tversky损失,二进制交叉和Jaccard指数.
主要成果:
- 提出的方法实现了高性能指标:子相似性 (0.9048),回忆 (0.9041),精度 (0.9057) 和F2得分 (0.8993).
- 实验结果证明了残余变压器架构和混合损失函数的有效性.
- 该方法超过了几种最先进的多片细分技术.
结论:
- 开发的基于残留变压器的模型为准确和自动的多片细分提供了一个有前途的解决方案.
- 新的混合损失函数有效地解决了细分中的图像智能,像素智能和区域不一致性.
- 这种方法有可能在早期发现和预防结直肠癌方面显著帮助临床医生.


