基于移动的口腔癌图像的分类使用视觉变压器和swin变压器
Bofan Song1, Dharma Raj Kc2, Rubin Yuchan Yang2
1Wyant College of Optical Sciences, The University of Arizona, Tucson, AZ 85721, USA.
Cancers
|March 13, 2024
概括
新的人工智能模型Vision Transformers (ViT) 和Swin Transformers显示,基于移动的口腔癌图像分类的准确性得到了改进. 这些先进的深度学习方法优于传统的CNN,有助于更早的诊断.
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:
- 口腔癌是全球主要的健康问题,需要早期诊断以获得更好的患者结果.
- 人工智能 (AI) 在自动化口腔癌诊断方面表现有前途,但在现实应用中需要提高准确性.
- 视觉转换器 (ViT) 最近在计算机视觉任务中超过了卷积神经网络 (CNN).
研究的目的:
- 评估视觉变压器 (ViT) 和Swin变压器架构的有效性,用于基于移动的口腔癌图像分类.
- 在这种诊断背景下,将基于变压器的模型与传统的CNN (VGG19,ResNet50) 的性能进行比较.
主要方法:
- 利用预训练的ViT和Swin变压器模型进行口腔癌图像的二进制分类.
- 将分类准确度与已建立的CNN模型,VGG19和ResNet50.0进行比较.
- 在基于移动的图像分类应用程序上进行了实验.
主要成果:
- 预训练的Swin变压器模型在二进制分类中达到88.7%的最高准确率.
- 斯温变压器的性能比ViT车型高出2.3%.
- 与VGG19 (85.2%准确率) 和ResNet50 (84.5%准确率) 相比,变压器模型表现出更高的性能.
结论:
- 基于变压器的架构,特别是Swin变压器和ViT,对于口腔癌图像分类非常有效.
- 这些先进的模型显示,有可能显著提高人工智能驱动的口腔癌诊断工具的准确性.
- 这些发现表明,变压器模型在推进口腔癌图像分析和早期检测方面具有有希望的未来.
