一个位置增强的顺序特征编码模型,用于CT图像上的肺部感染和淋巴瘤分类
Rui Zhao1,2, Wenhao Li3, Xilai Chen4
1Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
概括
这项研究引入了用于肺CT扫描的新AI模型,以更好地区分肺淋巴瘤和感染. 基于变压器的方法提高了分类这些具有挑战性的肺部疾病的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 在CT扫描上区分肺淋巴瘤和肺部感染是很困难的.
- 目前使用2D切片的深度学习模型错过了全面的信息,3D模型由于信息妥协和参数减少而面临性能限制.
研究的目的:
- 开发一个先进的深度学习模型,使用完整的3DCT图像准确地分类肺部感染和肺淋巴瘤.
- 克服现有的二维和三维CT分类模型的局限性.
主要方法:
- 提出了一个变压器序列特征编码结构,集成来自完整CT图像的多层次信息.
- 在CNN网络内内置位置编码和跨级远程信息融合模块,以增强功能提取.
主要成果:
- 该模型在124名患者的数据集上实现了高性能.
- 与区分肺部感染和肺淋巴瘤的最先进方法相比,证明了更高的精度 (0.875),AUC (0.953) 和F1得分 (0.889).
结论:
- 基于位置增强的变压器的顺序特征编码模型有效地提取肺部CT图像中的高精度和上下文特征.
- 拟议的方法显著提高了分类性能,以区分肺部感染和肺淋巴瘤.
- 源代码是公开的.


