通过高光谱成像和变压器精确分类球体疾病
Chongxuan Tian1, Yuzhuo Chen1, Yelin Liu2
1School of Control Science and Engineering, Shandong University, Qianfoshan Campus, 17923 Jingshi Road, Jinan, Shandong 250061, China.
Computer methods and programs in biomedicine
|July 4, 2024
概括
一个新的卷积神经网络视觉变压器 (CVT) 模型通过结合光谱和空间数据来改善病诊断. 这种非侵入性方法达到94%的准确性,超过了传统技术,可以更好地分类和预测淋巴细胞疾病.
科学领域:
- 病研究研究 病研究
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
背景情况:
- 精确的淋巴细胞疾病诊断对于脏疾病的治疗和预后至关重要.
- 目前的诊断方法,如侵入性活检,具有局限性,包括风险和可变性.
- 需要创新,非侵入性诊断工具来准确和一致地检测疾病.
研究的目的:
- 开发和评估一个先进的诊断模型,用于球细胞疾病.
- 克服病研究中传统诊断方法的局限性.
- 提高疾病检测和分类的准确性和一致性.
主要方法:
- 开发一个卷积神经网络视觉变压器 (CVT) 模型,整合光谱和空间数据.
- 使用超光谱成像 (385.18 nm至1009.47 nm) 来获取数据.
- 采用间隔采样,预处理,波长优化,以及格拉米安角场 (GAF) 方法用于特征表示.
主要成果:
- 仅使用光谱特征的模型实现了85.24%的准确性.
- 新的CVT模型整合了光谱和空间数据,平均准确率达到了94%.
- 继续培训模型在利用样本数据和学习联合特征表示方面表现出卓越的能力.
结论:
- CVT模型代表了对球细胞疾病的非侵入性,高精度诊断技术的突破.
- 这种方法显著提高了复杂病的分类和预后.
- 这些发现表明,它对病研究中的未来诊断策略产生了变革性的影响.
