深度注意力融合哈希 (DAFH) 模型用于医疗图像检索
Gangao Wu1,2,3, Enhui Jin1,2,3, Yanling Sun1,2,4
1National Genomics Data Center, China National Center for Bioinformation, Beijing 100101, China.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
深度注意力融合哈希 (DAFH) 模型通过整合多式联络数据和注意力机制来提高医疗图像检索的准确性和效率. 这种深度学习方法提高了临床环境中的诊断能力.
科学领域:
- 医疗成像医学成像
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 准确的医学图像检索对于临床决策和诊断至关重要.
- 传统的系统和当前的深度哈希方法由于不同的模式和有限的数据而面临准确性和效率的局限性.
- 深度学习为学习医学成像中的复杂特征表示提供了潜力.
研究的目的:
- 提出一种新的基于深度学习的哈希模型,即深度注意力融合哈希 (DAFH) 模型.
- 将先进的注意力机制与医学成像数据相结合,以提高检索能力.
- 提高医疗图像检索系统的准确性和效率.
主要方法:
- 开发和训练了一个深度散列网络,DAFH模型.
- 综合多模式医学成像数据来自癌症成像档案 (TCIA).
- 采用注意力机制来优化特征提取和增强检索性能.
主要成果:
- DAFH模型实现了0.711 (16位),0.754 (32位) 和0.762 (48位) 的平均精度 (MAP@10).
- 证明了各种癌症类型的高精度分类.
- 突出了DAFH模型在医学图像检索中的潜力和优势.
结论:
- DAFH模型显著提高了医疗图像检索的效率和准确性.
- 该模型被证明是临床环境中一个有价值的工具.
- 使用注意力机制的深度学习为推进医学图像分析提供了有希望的方向.
