智能深度学习支持生物医学图像检测和口腔癌的分类
Rongcan Chen1,1, Qinglian Wang2,1, Xiaoyuan Huang3
1School of Informatics, Xiamen University, Xiamen, Fujian, China.
概括
这项研究引入了两个深度学习模型,CANet和Swin Transformer,用于准确的口腔癌分类. 在从图像中识别口腔癌时,CANet模型实现了97.00%的卓越准确性.
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:
- 口腔癌是一个日益严重的全球健康问题,它会影响口腔的组织.
- 早期的口腔癌通常无症状,因此及时诊断具有挑战性.
- 晚期症状包括,块和出血.
研究的目的:
- 开发和评估有效的深度学习方法,用于口腔癌的识别和分类.
- 提出新的深度学习架构,以提高诊断准确度.
主要方法:
- 应用卷积神经网络 (CNN) 和基于变压器的深度学习模型.
- 开发了一个新的CANet (分类注意力网络) 模型,结合了注意力机制和位置信息.
- 设计了一个基于Swin变压器的模型,将图像分割成块,用于分层处理.
主要成果:
- 斯温变压器架构实现了94.95%的平均精度,95.37%的灵敏度,95.52%的特异性和94.66%的F1-Score.
- 该CANet模型表现出卓越的性能,平均准确率为97.00%,灵敏度为97.82%,特异性为97.82%,F1-Score为96.61%.
- 这两种模型都在Kaggle口腔癌图像数据集上进行了训练和验证.
结论:
- 深度学习算法,特别是CNN和变形金刚,对口腔癌的分类有很大的前景.
- 拟议的CANet模型及其注意模块有效地捕获道关系和位置信息,以实现高分类准确性.
- CANet模型的97.00%准确度支持其在口腔癌自动识别和分类方面的潜力.
