双尺度轻量级交叉注意力变压器用于皮肤损伤分类
Dhirendra Prasad Yadav1, Bhisham Sharma2, Shivank Chauhan1
1Department of Computer Engineering & Applications, G.L.A. University, Mathura, Uttar Pradesh, India.
PloS one
|December 6, 2024
概括
一个新的深度学习模型,DSCATNet,通过分析皮肤镜图像以改善空间特征相关性来增强皮肤癌诊断. 这种先进的视觉转换器网络实现了高精度,超过了现有的自动皮肤病变检测方法.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 皮肤癌诊断依赖于图像分析,机器学习和卷积神经网络 (CNN) 显示出有前途.
- 传统的方法往往难以在皮肤镜图像中捕捉全球空间特征相关性.
- 功能工程的局限性可能会影响自动皮肤癌检测系统的性能.
研究的目的:
- 开发一种先进的深度学习模型,以改进皮肤癌的自动诊断.
- 解决捕捉全球空间特征相关性的现有方法的局限性.
- 为了提高皮肤镜像检测皮肤病变的准确性和可靠性.
主要方法:
- 设计了一种新的双级轻量级交叉注意力视觉转换器网络 (DSCATNet).
- 该模型从不同的补丁大小中提取特征,并采用交叉注意力机制.
- 融合策略将多个规模的空间特征结合在一起,通过变压器编码器在全球关注之前.
主要成果:
- 在HAM 10000和PAD数据集上,DSCATNet表现出卓越的性能.
- 在HAM 10000数据集上实现了95.84%的平均kappa和97.80%的准确性.
- 在PAD数据集上获得了94.56%的kappa和95.81%的精度,超过了基于CNN和ViT的方法.
结论:
- 拟议的DSCATNet有效地捕捉了全球空间特征相关性,以提高皮肤癌诊断.
- 双级注意力机制和特征融合策略显著提高了诊断性能.
- DSCATNet代表了使用深度学习进行自动化皮肤病变分析的重大进步.
