CECT:可控制组合CNN和变压器用于COVID-19图像分类
1Department of Mechanical Engineering, National University of Singapore, 9 Engineering Drive 1, Singapore, 117575, Singapore.
Computers in biology and medicine
|April 3, 2024
概括
一个新的深度学习模型CECT通过分析医疗图像提供了准确的COVID-19诊断. 这种可控制的集体卷积神经网络和变压器实现了高精度和强大的泛化,可及时检测疾病.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 由于COVID-19的流行,需要快速准确的诊断工具.
- 现有的诊断方法可能在速度和准确性方面存在局限性.
研究的目的:
- 开发一个新的深度学习网络,CECT,以便及时准确地诊断COVID-19.
- 增强功能提取能力,以提高诊断性能.
主要方法:
- 开发了一个可控制的整体卷积神经网络和变压器 (CECT) 模型.
- CECT使用并行卷积编码器,总体转位卷积解码器和窗口式注意力块.
- 该模型捕捉了多局部和全球规模的特征,具有可控制的特征贡献.
主要成果:
- 在公共COVID-19数据集的数据集内部评估中,CECT实现了98.1%的准确性.
- 在未见的数据集上显示了强大的概括,准确率为90.9%.
- 在COVID-19分类中表现优于现有的最先进方法.
结论:
- CECT为COVID-19诊断提供了一个强大而准确的工具.
- 该模型的强大的特征捕获和概括能力表明了更广泛的医疗应用的潜力.
- 开发的CECT网络可以扩展到其他医疗诊断场景.
