基于MRI扫描的自动化缺血性中风分类:使用视觉转换器方法
Wafae Abbaoui1,2, Sara Retal3, Soumia Ziti1
1Intelligent Processing & Security of Systems (IPSS) Research Team, Faculty of Sciences, Mohammed V University in Rabat, Rabat 10000, Morocco.
Journal of clinical medicine
|April 27, 2024
概括
视觉变压器 (ViT-b16) 模型在MRI扫描中分类缺血性中风时获得了97.59%的准确性,显著优于VGG-16模型. 这突出了先进的AI用于改进中风诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 评估医疗图像分析的深度学习模型.
- 专注于使用MRI扫描对缺血性中风的分类.
- 利用摩洛哥患者数据进行模型培训和验证.
研究的目的:
- 为了评估视觉变压器 (ViT-b16) 模型的性能.
- 将ViT-b16与16视觉几何组 (VGG-16) 模型进行比较.
- 通过MRI扫描来确定ViT-b16在分类缺血性中风中的有效性.
主要方法:
- 342个MRI扫描 (正常与中风) 的数据集编译.
- 使用TensorFlow的tf.data API进行图像预处理.
- 对ViT-b16模型的培训和评估.
主要成果:
- ViT-b16实现了97.59%的准确性.
- ViT-b16显著优于VGG-16模型 (准确率为90%).
- 在缺血性中风中表现出卓越的分类能力.
结论:
- ViT-b16显示出高潜力准确的缺血性中风诊断.
- 先进的深度学习模型可以增强医学图像分析.
- 支持对人工智能的进一步研究,以改善临床医疗保健结果.
