相关实验视频
Updated: Jun 27, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
393
一种基于多路径Swin变压器和ConvMixer的混合方法,用于白细胞分类
1Department of Computer Engineering, Faculty of Engineering and Architecture, Bingol University, Bingol, Turkey.
Health information science and systems
|April 30, 2024
概括
一个新的深度学习模型SC-MP-Mixer有效地使用ConvMixer和Swin变压器对白细胞 (WBC) 进行分类. 这种混合方法实现了高准确度,通过区分健康和患病细胞类型来帮助医学诊断.
科学领域:
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
- 医疗保健中的人工智能
背景情况:
- 白细胞 (WBC) 对于免疫反应至关重要,它们的分类有助于医学诊断.
- 不正常的白细胞计数或形态可以表明各种疾病.
- 深度学习模型在自动化从医疗图像进行WBC分类方面表现出有希望.
研究的目的:
- 开发和评估一种新的混合深度学习模型,用于准确的WBC分类.
- 利用ConvMixer和Swin变压器架构的优势,以改善特征提取和上下文理解.
- 评估模型在各种WBC数据集上的性能.
主要方法:
- 提出了一个多路径混合网络,SC-MP-Mixer,集成ConvMixer用于空间特征提取和Swin变压器用于基于自我注意的特征处理.
- 无论是ConvMixer还是Swin的变压器块都采用了多路径结构来增强补丁表示.
- 该模型在三个不同的WBC数据集上进行了训练和验证:BCCD (4类),PBC (8类) 和Raabin (5类).
主要成果:
- SC-MP-Mixer模型实现了高分类准确度:PBC数据集上的99.65%,Raabin数据集上的98.68%,BCCD数据集上的95.66%.
- 与现有的最先进的WBC分类方法相比,拟议的模型表现出更高的性能.
- 混合架构有效地捕获了本地空间细节和远程上下文信息.
结论:
- 该SC-MP-Mixer模型代表了自动化WBC分类的重大进步.
- 结合ConvMixer和Swin变压器的混合方法为血液学中的医学图像分析提供了强大的工具.
- 该模型有可能提高临床环境中的诊断准确性和效率.
更多相关视频
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
1.8K
10:24Simultaneous Flow Cytometric Characterization of Multiple Cell Types Retrieved from Mouse Brain/Spinal Cord Through Different Homogenization Methods
Published on: November 19, 2019
13.6K
