从胸部X射线图像中基于视觉变压器检测肺部疾病的优化
Jinsol Ko1,2, Soyeon Park3, Hyun Goo Woo4,5
1Department of Physiology, Ajou University School of Medicine, Suwon, Republic of Korea.
BMC medical informatics and decision making
|July 8, 2024
概括
这项研究比较了视觉变压器 (ViT) 模型的优化器,用于从X射线中预测肺部疾病. 在平衡数据中,RAdam表现出色,而在不平衡数据中,NAdam与FastViT表现最好.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 视觉变压器 (ViT) 模型已经通过胸部X射线进行了先进的肺部疾病预测.
- 有限的研究比较了基于ViT的肺病预测的优化剂.
- 这项研究系统地评估了这个领域的ViT模型的优化器.
研究的目的:
- 为了比较基于ViT模型的各种优化方法的性能,从胸部X射线图像中预测肺部疾病.
- 在医学诊断中确定ViT架构的最佳培训策略.
主要方法:
- 利用了19003张胸部X射线图像的数据集,涵盖了正常病例和六种肺部疾病 (COVID-19,病毒性肺炎,细菌性肺炎,MERS,SARS,结核病).
- 通过使用六个优化器训练ViT,FastViT和CrossViT模型:Adam,AdamW,NAdam,RAdam,SGDW和Momentum.
- 在肺部疾病预测中评估模型性能.
主要成果:
- 在平衡的数据集上,RAdam与ViT取得了95.87%的准确性.
- 在一个不平衡的数据集上,FastViT与NAdam实现了最高准确率的97.63%.
结论:
- 在肺病预测中为基于ViT的模型提供了全面的优化策略.
- 提高用于医疗图像分析的ViT架构的性能.
- 提供了对优化器选择的见解,以提高诊断准确度.


