一个基于先前特征知识嵌入和应用在医学诊断中的深度图像分类模型
Chen Xu1, Jiangxing Wu2, Fan Zhang2
1School of Computer Science, Fudan University, Shanghai, China. xu_c20@fudan.edu.cn.
Scientific reports
|June 9, 2024
概括
这项研究引入了一种新的深度学习模型,该模型结合了ResNet和辐射基础概率神经网络 (RBPNN),用于改进图像分类,特别是在医学成像中. 该方法增强了功能提取和先前知识嵌入,实现了显著的性能增长.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 图像分类面临着微妙特征,高目标相关性和低信号噪声比的挑战.
- 现有的方法很难有效地嵌入先前的特征知识,限制了复杂数据集的性能.
研究的目的:
- 提出一种新的深度学习模型,用于增强图像分类,特别是医疗图像.
- 将先前的特征知识有效地整合到分类过程中.
- 在具有挑战性的图像分类任务中提高准确性和稳定性.
主要方法:
- 使用ResNet50进行视觉特征提取 (特征金字塔,自我注意) 和辐射基础概率神经网络 (RBPNN) 进行预先知识嵌入的混合模型.
- 利用通道共弦相似性注意力和动态C-means集群来选择RBPNN内核中心的代表性样本特征.
- 在RBPNN中实现了一个模式聚合层,将子类别特征结合到类别特征中,通过Softmax进行最终分类.
主要成果:
- 在脑瘤MRI数据集上达到85.82%的准确度,在心脏超声波数据集上达到83.92%.
- 与三种主流图像分类模型相比,表现指标显著改善.
- 拟议的方法有效地突出了地方和结构特征,形成了非凸的决策边界,并减少了样本集完整性的要求.
结论:
- 拟议的ResNet-RBPNN深度学习模型为图像分类提供了强大的解决方案,特别是在医学成像中.
- 有效地嵌入先前的特征知识和多规模的特征提取有助于卓越的性能.
- 该方法对需要高精度,复杂或杂的图像数据的应用具有前景.
