优化肺胸部X射线分类,使用堆叠的特征组合和swin变压器集成
Manas Ranjan Mohanty1, Pradeep Kumar Mallick1, Annapareddy V N Reddy2
1School of Computer Engineering, KIIT Deemed to be University, Odisha, India.
Biomedical physics & engineering express
|November 6, 2024
概括
这项研究引入了一种自动化框架,用于使用深度学习对胸部X射线进行分类,从而实现高精度. 该系统采用了一组堆叠的预训练模型和一个优化的Swin变压器来进行强大的肺图像分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 肺胸部X射线分析对于诊断肺部疾病至关重要.
- 自动化这个过程可以提高诊断效率和准确性.
- 目前的方法在特征提取和通用化方面可能面临局限性.
研究的目的:
- 开发一个自动肺胸部X射线图像分类的综合框架.
- 用先进的深度学习技术提高胸部X射线分析的准确性和效率.
- 为了提高性能,利用特征集和优化的变压器架构来提高性能.
主要方法:
- 使用特征合体方法,结合了预训练的卷积神经网络 (CNN) 的输出,如VGG16,ResNet50和MobileNetV2.
- 从堆叠的二维灰度聚合特征开发了3D图像表示,用于分类器输入.
- 整合了Swin变压器架构,优化了人工蜂鸟算法 (AHA) 进行超参数调整.
主要成果:
- 在三个不同的数据集中实现了高分类准确性:VinDr-CXR (98.874%),PediCXR (98.528%) 和MIMIC-CXR (98.958%).
- 证明了堆叠组合技术在创建全面特征表示中的有效性.
- 展示了AHA优化的Swin变压器模型的稳定性和通用性.
结论:
- 拟议的综合框架为自动肺胸部X射线分类提供了高度准确和高效的解决方案.
- 堆叠功能和AHA优化的Swin变压器的组合显示出临床应用的巨大潜力.
- 该模型在多个数据集中的性能突出显示了其在各种成像条件下的可靠性.
