一个基于CNN-ViT融合和合集学习的新型模型,用于自动检测Pes Planus

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 医学成像分析 医学成像分析

背景情况:

• 平脚 (Pes planus) 的特点是低或缺少中间门,这给诊断带来了挑战.
• 准确的诊断对于有效管理和治疗平脚病至关重要.
• 深度神经网络为改善脚部结构识别和 pes planus 识别提供了潜力.

研究的目的:

• 开发一个先进的深度学习模型,用于准确的pes planus检测.
• 通过结合卷积神经网络 (CNN) 和视觉转换器 (ViT) 架构来增强诊断能力.
• 在临床环境中提高 pes planus 诊断的准确性和稳定性.

主要方法:

• 开发了一个新的融合模型,集成Vgg16 CNN和ViT-B/16.
• 使用集体学习技术来确保模型的稳定性.
• 使用10倍交叉验证来评估性能.

主要成果:

• 融合模型实现了高诊断性能.
• 灵敏度,特异性和F1分数分别达到97.4%,96.4%和96.8%.
• 该模型在快速和准确的pes planus诊断方面表现出有效性.

结论:

• 开发的模型显示了在诊断 pes planus 中临床部署的巨大潜力.
• 早期和准确的诊断可以导致更好的治疗管理.
• 改进的诊断最终可以提高患者的生活质量.