推进脑瘤检测:利用Swin变压器的力量进行准确的分类和性能分析
Abdullah A Asiri1, Ahmad Shaf2, Tariq Ali2
1Radiological Sciences Department, College of Applied Medical Sciences, Najran University, Najran, Saudi Arabia.
PeerJ. Computer science
|March 4, 2024
概括
这项研究引入了Swin Transformer模型用于脑瘤分类,在识别质瘤,脑膜瘤和垂体瘤方面达到97%的准确性. 这种先进的方法超越了医学图像分析中的传统模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的脑瘤检测对于诊断和治疗至关重要.
- 现有的医学成像分类方法有局限性.
研究的目的:
- 开发和评估基于Swin变压器的脑瘤图像分类方法.
- 将脑瘤分为四类:质瘤,脑膜瘤,非瘤和垂体瘤.
主要方法:
- 利用Swin变压器架构进行脑瘤图像分类.
- 实施了一条涉及复杂预处理和特征提取的管道.
- 在2870张脑瘤图像的数据集上训练和评估模型.
主要成果:
- 在脑瘤分类方面取得了97%的卓越准确率.
- 超越了常规模型,如卷积神经网络 (CNN),深层卷积神经网络 (DCNN) 和视觉转换器 (ViT).
- 使用21个矩阵进行详细的性能评估,包括混矩阵,损失和准确度图.
结论:
- 斯温变压器方法论证明了强大而高度准确的脑瘤分类.
- 这种方法显示出作为医学图像分析的开创性模型的巨大潜力.
- 这项研究有助于在精确的瘤识别和分类方面取得进展.
