四个基于变压器的深度学习分类器嵌入了基于注意力U-Net的肺部细分器和基于层级的相关性传播的热图,用于COVID-19X射线扫描
Siddharth Gupta1, Arun K Dubey2, Rajesh Singh3
1Department of Computer Science and Engineering, Bharati Vidyapeeth's College of Engineering, New Delhi 110063, India.
Diagnostics (Basel, Switzerland)
|July 27, 2024
概括
这项研究增强了使用注意力U-Net进行细分和视觉转换器 (ViTs) 在胸部X射线上进行分类的肺病诊断. 可解释的AI方法提高了模型可靠性和临床接受度.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于诊断.
背景情况:
- 准确的肺病诊断对于有效的治疗至关重要.
- 像卷积神经网络 (CNN) 这样的深度学习模型显示出有希望的结果,但在可解释性和可靠性方面面临挑战.
- 集成先进的架构可以克服这些限制.
研究的目的:
- 使用注意力U-Net和视觉变压器 (ViTs) 提高肺病细分和分类准确度.
- 提高医学诊断中深度学习模型的可解释性和可靠性.
- 评估这些先进的人工智能技术的临床效用.
主要方法:
- 用胸部X射线数据对深度学习模型进行比较评估,包括用于细分的Attention U-Net以及用于分类的各种CNN和ViT.
- 实现可解释性技术,如梯度加权类激活映射加加 (Grad-CAM++) 和层级相关性传播 (LRP).
- 使用诸如子系数,贾卡德指数和分类准确度等指标评估模型性能.
主要成果:
- 注意U-Net实现了高细分性能,子系数为98.54%,Jaccard指数为97.12%.
- 视觉转换器 (ViTs) 在CNN上表现出优越的分类性能,MobileViT的准确性达到98.52%,提高了9.26%.
- 与原始数据相比,使用细分图像时,分类准确度增加了8.3%.
- 可解释性方法为模型决策过程提供了洞察力.
结论:
- 注意U-Net和ViTs的整合为肺部疾病分析提供了显著的优势.
- 深度学习模型的增强可解释性促进了信任,并有助于临床接受.
- 这些先进的人工智能方法在改善临床环境中的诊断准确性和患者结果方面具有相当大的潜力.
