斯文DFU-Net:深度学习转换器网络用于糖尿病足的感染识别
概括
一个新的深度学习模型使用混合CNN和Swin变压器准确检测糖尿病足感染. 这种方法有助于医疗专业人员及时诊断并降低截肢风险.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 糖尿病足管理 糖尿病足管理
背景情况:
- 糖尿病足 (DFU) 感染的识别是困难的,因为视觉复杂性和文物.
- 当前的研究往往忽视了直接的感染检测,而是专注于组织分类.
- 准确的DFU感染评估对于预测截肢风险至关重要.
研究的目的:
- 开发一个深度学习模型,用于在DFU图像中准确地分类感染.
- 整合本地和全球特征提取以提高检测能力.
- 为了提高DFU感染的诊断准确度.
主要方法:
- 采用了混合卷积神经网络 (CNN) 和Swin变压器架构.
- 使用Grad CAM技术可视化模型决策.
- 用DFUC挑战数据集进行模型培训和验证.
主要成果:
- 该模型实现了高灵敏度 (95.98%),特异性 (97.08%) 和精度 (96.52%).
- 马修斯相关系数为0.93表明了强大的分类性能.
- 该模型在诊断DFU感染方面表现出有效性.
结论:
- 混合CNN-Swin变压器模型准确地分类DFU图像,即使具有复杂的视觉特征.
- 格拉德CAM为DFU中识别受感染区域提供了有价值的见解.
- 这种人工智能驱动的方法显示了改善临床DFU评估和管理的巨大潜力.
